基于卷積自編碼神經網絡的損傷識別

邵紅艷 梁李源 高士武*

（青海大學土木工程學院，青海 西寧810016）

橋梁是人們生活和生產活動中的一種重要的基礎交通工程,它是一種可以幫助人們克服天然的出行障礙，例如河流、峽谷等的一種構筑物，橋梁對于有效緩解城市交通壓力發揮著非常關鍵性的作用，它的存在保證著人們正常通行和經濟的健康穩定發展。

隨著經濟技術的進步，現代結構設計也越來越趨向于大型化、復雜化[1]，橋梁結構的設計也是如此。據交通部發布的《2019年交通運輸行業發展統計公報》，截至19 年末[2]，據統計我國全國公路橋梁的數量達到了新的高度，對2013～2019 年交通運輸部發布的數據進行匯總分析，如表1 所示，可以發現：公路橋梁總數大概以每年2 萬座增長，其中特大橋梁以每年400 座增長，數量增長非常迅速。

表1 2013 年～2019 年國內橋梁數量統計

橋梁結構從建成通車之日起，就處于一個相對開放的環境中，結構的安全性一直受到外界荷載、材料的老化以及地震、颶風、洪水等不可抗力因素的影響[3]。如果不能及時發現并進行必要的處理，小的可控制的損傷將不斷地擴大，最后達到不可控的地步，最終將會威脅到結構的安全運營。

目前橋梁損傷健康監測技術距離實際工程應用存在較大差距的一個重要的原因是：監測系統的海量數據未能得到科學處理[4]。深度學習中的神經網絡，只對數據進行處理分析，不受結構的類型和激勵形式限制，充分利用響應數據，從數據中提取結構的特征，及時、準確地發現結構損傷的發生，在橋梁結構發生突發性損傷之前，能夠判斷出橋梁的健康狀況，有利于及時采取相關的行動，可以有效的防止損傷的進一步擴展，避免引發其它不可挽回的事故。

1 卷積自編碼神經網絡

自編碼神經網絡是一種無監督的學習模型，旨在提取隱藏在原始數據背后的潛在特征，一般由編碼器和解碼器兩部分組成，并且其結構是對稱的，編碼器的結構模型如圖1 所示，其結構組成如圖2 所示。卷積神經網絡能夠處理多通道的數據，還能夠提高網絡的計算速度，并且可以有效降低網絡結構復雜程度和計算量。卷積自編碼神經網絡是在自編碼神經網絡里采用了卷積層代替全連接層，極大的降低了網絡的計算量，但其原理實質上還是自編碼神經網絡，充分發揮卷積神經網絡和自動編碼器的優點，對加速度響應信號進行特征提取，利用重構信息與原始信息的殘差來進行損傷及損傷時刻的識別。

圖1 自編碼神經網絡模型

圖2 自編碼器結構示意圖

2 隨機荷載作用下簡支梁的損傷識別數值模擬分析

2.1Newmark 法

進行數值模擬獲取的是結構的低水平加速度信號，Newmark法是結構動力學中提到的一種求解結構響應的積分方法，它是一種單步法，也就是說，體系每一時刻運動的計算只與上一時刻的運動有關。這種方法以系統的運動方程為基礎，假設該系統具有初始位移以及初始速度如下：

2.2 模型參數及工況設定

利用Pycharm 軟件與Newmark 法相結合, 對簡支梁橋進行數值模擬。有限元模型是長度為10m 的簡支梁,梁的橫截面為矩形,寬度為0.1m,高度為0.2m,沿長度方向等分為10 個相等的Euler-Bernoulli 梁單元,如圖3 所示。材料的楊氏模量為206gpa,密度為7900kg/m3。

圖3 簡支梁有限元模型

通過降低目標梁單元的高度來模擬損傷，共有六種損傷情況,包括五種損傷等級和一種完好狀態。通過將目標單元的抗彎剛度分別降低10%、20%、30%、40%和50%, 制備五個級別的損傷,每種損傷程度下損傷依次位于0～9 單元。為了模擬橋梁從健康狀態到出現損傷的過程,進行橋梁狀態的實時監測,測試工況由無損傷數據與不同程度的損傷數據相互拼接構成, 這樣就模擬了橋梁出現損傷的過程。從20%的無損傷測試集中,隨機可重復的選擇10 組數據;從得到的5 種不同程度損傷的數據集中,同樣隨機可重復的選擇10 組數據,將兩種代表橋梁不同狀態的數據按照(無損數據+損傷數據)的順序進行拼接,共構成了5 種測試工況, 如表2 所示, 進行拼接之后的測試工況的數據形狀為(20,1024,9)。

表2 測試工況構成

2.3 數據預處理

2.4 結果及分析

本文的研究目的是通過對原始數據的重構誤差進行操作,來實現結構損傷時刻的發現以及損傷的定位,下面以第一個測點處工況一和工況三的數據為例,用訓練好的無損CAE 模型來進行處理損傷時刻的發現以及損傷的定位。

圖4 工況一

圖5 工況三

將重構前的數據與重構后的數據進行可視化，如圖4 (a)所示,從圖中可以看出,用卷積自編碼神經網絡對數據進行處理,是一種有損的操作, 也就是說經過卷積自編碼神經網絡后數據必然會與原始數據存在差別。從圖中我們并不能發現損傷有沒有發生,損傷是什么時候發生的,以及是哪個位置出現了損傷。通過構建原始數據與重構之后數據重構誤差的絕對值, 將重構誤差進行平滑處理后,我們得到了圖4(b),從平滑處理后的結果可以很清楚的看到在10s 處圖像出現了一個突變, 在前10s 內,重構誤差的波動穩定在一定的范圍內,但是在后10s 內,重構誤差發生了一個跳躍之后,重新在一個新的范圍內波動,這說明結構的狀態發生了與前10s 內十分不同的變化, 即結構出現了損傷,出現損傷的時刻就是重構誤差發生突變的時刻。

3 結論

從測試工況的結果分析中可以發現,低水平的加速度信號經過CAE 的重構及相關處理后,可以識別出結構損傷發生的時刻大概在10s 處。研究結果能夠表明該方法在結構發生一定程度損傷后, 可以較好地識別出結構發生了損傷以及結構發生損傷的時刻。