基于深度學(xué)習(xí)和監(jiān)測數(shù)據(jù)的橋梁損傷識別方法研究

唐 良，邊祖光，趙銀飛，金 婉

（1.陜西建工機(jī)械施工集團(tuán)有限公司，陜西 西安 710000；2.浙江科技學(xué)院 土木與建筑工程學(xué)院，浙江 杭州 310023；3.浙江科嘉工程技術(shù)研究有限公司，浙江 寧波 315000；4.浙江大學(xué) 建筑工程學(xué)院，浙江 杭州 310058）

0 引 言

隨著越來越多大型橋梁的建造，橋梁的安全問題迎來新的挑戰(zhàn)，因此橋梁健康監(jiān)測系統(tǒng)的研究也日益興起。但是，目前大多數(shù)監(jiān)測系統(tǒng)中缺乏有效而可靠的數(shù)據(jù)預(yù)處理與分析系統(tǒng)，導(dǎo)致大量存儲的數(shù)據(jù)顯得多余且無效[1]。因此，有必要加強(qiáng)對監(jiān)測數(shù)據(jù)的預(yù)處理和分析，得出監(jiān)測數(shù)據(jù)中能夠反映橋梁損傷狀態(tài)的關(guān)鍵指標(biāo)，從而通過橋梁的損傷識別來預(yù)判橋梁的安全問題[2]。

對于傳統(tǒng)的損傷識別方法，大多數(shù)學(xué)者采用的是整體法，該方法涉及了結(jié)構(gòu)動力學(xué)、靜動力識別、信號處理等不同學(xué)科內(nèi)容[3]。整體法中，人工智能技術(shù)在結(jié)構(gòu)損傷識別中得到了較為深入的應(yīng)用，其中以人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、機(jī)器學(xué)習(xí)等技術(shù)較為成熟。占洋洋等[4]圍繞基礎(chǔ)理論較完善的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行損傷識別研究，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)方法雖然能夠準(zhǔn)確檢測出損傷，但這需要依賴完整的損傷模式庫，故其在工程中的應(yīng)用受到模態(tài)測量的影響。Tang等[5]將異常檢測問題建模為一個(gè)標(biāo)準(zhǔn)的圖像分類任務(wù)，多類異常檢測過程被統(tǒng)一到一個(gè)神經(jīng)網(wǎng)絡(luò)模型中。在神經(jīng)網(wǎng)絡(luò)的時(shí)域和頻域圖像特征信息的基礎(chǔ)上，所有七種數(shù)據(jù)異常模式識別都取得了85%以上精度。此外，劉春城等[6]在拱橋損傷識別中首次引入支持向量機(jī)來分析；熊仲明[7]等在大跨鋼結(jié)構(gòu)損傷識別中分別采用了人工神經(jīng)網(wǎng)絡(luò)中的BP網(wǎng)絡(luò)、概率網(wǎng)絡(luò)和徑向基網(wǎng)絡(luò)。雖然基于人工智能技術(shù)的損傷識別研究取得一定進(jìn)展，但是以上人工智能算法中的淺層神經(jīng)網(wǎng)絡(luò)如支持向量機(jī)（SupportVectorMachines，SVM）和k最近鄰（k-NearestNeighbor，KNN）等，由于結(jié)構(gòu)簡單、實(shí)際應(yīng)用中的分類能力較弱，使得對它們的研究在橋梁損傷識別領(lǐng)域陷入瓶頸。

深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)解決了淺層神經(jīng)網(wǎng)絡(luò)分類能力有限的問題，其具有更多的隱藏層，能夠處理實(shí)際工程中的復(fù)雜模式分類及回歸問題[8]。在深度神經(jīng)網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）和棧式自動編碼器（StackedAutoencoders，SAE）應(yīng)用較為廣泛，在無人機(jī)、自動駕駛、語音及圖像識別領(lǐng)域均得到了很大發(fā)展[9]，同樣，它們在橋梁領(lǐng)域也有了初步應(yīng)用。Pathirage等[10]提出了一種用于結(jié)構(gòu)損傷識別的深度稀疏自動編碼器，對鋼框架結(jié)構(gòu)和橋梁結(jié)構(gòu)進(jìn)行了損傷識別研究，并證明了所提方法的可靠性。Guo等[11]使用卷積神經(jīng)網(wǎng)絡(luò)來提取損傷指標(biāo)，數(shù)據(jù)來源于數(shù)值模擬以及實(shí)驗(yàn)測量，與其他網(wǎng)絡(luò)體系結(jié)構(gòu)相比，該方法的準(zhǔn)確性至少提高了10%。Bao等[12]將計(jì)算機(jī)視覺方法應(yīng)用于數(shù)據(jù)異常診斷，使用橋梁健康監(jiān)測系統(tǒng)的加速度響應(yīng)進(jìn)行識別，證明了該方法能夠識別數(shù)據(jù)的多模式異常。以上學(xué)者將深度學(xué)習(xí)方法引入到了橋梁結(jié)構(gòu)損傷領(lǐng)域，但基于健康監(jiān)測數(shù)據(jù)的損傷識別卻鮮有研究與應(yīng)用。

針對橋梁健康監(jiān)測系統(tǒng)中海量數(shù)據(jù)的冗余問題和傳統(tǒng)損傷識別方法的不足，在橋梁損傷識別領(lǐng)域采用深度學(xué)習(xí)技術(shù)，并立足于監(jiān)測數(shù)據(jù)完成損傷識別。區(qū)別于前人使用的數(shù)值模擬數(shù)據(jù)集及試驗(yàn)測試數(shù)據(jù)集等，本文利用CNN和SAE直接對實(shí)際的橋梁健康監(jiān)測數(shù)據(jù)進(jìn)行分析，從監(jiān)測數(shù)據(jù)中來獲取橋梁的損傷狀態(tài)。

1 深度神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)，又稱深度神經(jīng)網(wǎng)絡(luò)，是當(dāng)下人工智能與機(jī)器學(xué)習(xí)的熱門技術(shù)。與傳統(tǒng)的機(jī)器學(xué)習(xí)不同，深度神經(jīng)網(wǎng)絡(luò)在大量的數(shù)據(jù)樣本中學(xué)習(xí)數(shù)據(jù)之間的映射關(guān)系，并使用優(yōu)化算法來獲得網(wǎng)絡(luò)參數(shù)[13]。本文采用深度神經(jīng)網(wǎng)絡(luò)中的CNN和SAE來識別監(jiān)測數(shù)據(jù)中的損傷信息。

1.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN結(jié)構(gòu)如圖1所示，單個(gè)卷積層連接到單個(gè)池化層，池化層再與卷積層相連，而輸出層之前則由全連接層相連接組成[14]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

卷積層的運(yùn)算[13]可以表示為：

池化層上的神經(jīng)元的計(jì)算公式[13]為：

式中：Xi、Yi分別為第i層網(wǎng)絡(luò)的特征圖；f（ai+Xi-1*Wi）為激活函數(shù)；g（Yi-1）為池化函數(shù)；ai、Wi分別為卷積過程第i層的偏置向量和權(quán)重向量；bi為第i層的偏置向量；*為進(jìn)行卷積運(yùn)算。

1.2 棧式自動編碼器

自動編碼器，又稱自編碼神經(jīng)網(wǎng)絡(luò)，如圖2所示。由多個(gè)自動編碼器前后相連就組成了棧式自編碼神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸出端是用于分類、回歸等任務(wù)的分類器[8]，如圖3所示。

圖2 自動編碼器模型

圖3 棧式自動編碼器模型

編碼神經(jīng)網(wǎng)絡(luò)的編碼過程[15]可表示為：

解碼過程[15]可表示為：

式中：A1、A2分別代表權(quán)重矩陣；c1、c2分別代表偏置矩陣；σe、σd分別代表激活函數(shù)，本文的激活函數(shù)選用針對復(fù)雜分類情況的Softmax函數(shù)，即

式中：zi、zj分別為第i個(gè)和第j個(gè)節(jié)點(diǎn)的輸出；N為分類的種類數(shù)量。

2 基于深度學(xué)習(xí)的橋梁監(jiān)測數(shù)據(jù)損傷識別方法

區(qū)別于傳統(tǒng)的橋梁損傷識別，基于監(jiān)測數(shù)據(jù)的損傷識別方法需要先對監(jiān)測數(shù)據(jù)進(jìn)行預(yù)處理，將處理后的數(shù)據(jù)分別用CNN和SAE進(jìn)行識別。整個(gè)過程包括4個(gè)步驟：確定損傷指標(biāo)、監(jiān)測數(shù)據(jù)預(yù)處理、構(gòu)建訓(xùn)練樣本庫、搭建并訓(xùn)練網(wǎng)絡(luò)。

2.1 確定損傷指標(biāo)

深度神經(jīng)網(wǎng)絡(luò)的識別效果往往依賴于損傷指標(biāo)的特征，理想的損傷指標(biāo)具有以下特征：對結(jié)構(gòu)損傷敏感性高同時(shí)對測試誤差的敏感性較低，獲取比較方便、容易[16]。本文選用能夠反映結(jié)構(gòu)損傷特征，對損傷敏感且在實(shí)際應(yīng)用中獲取較為容易、方便的豎向加速度作為損傷指標(biāo)。

2.2 監(jiān)測數(shù)據(jù)預(yù)處理

原始的監(jiān)測數(shù)據(jù)包含大量噪聲，在損傷識別之前須經(jīng)預(yù)處理得到降噪后的平滑數(shù)據(jù)。數(shù)據(jù)的預(yù)處理包括可信度評價(jià)、粗差剔除及平滑濾波3個(gè)步驟，本文的預(yù)處理過程基于Matlab程序，通過編程來計(jì)算處理。

2.2.1 可信度評價(jià)

首先，選擇橋跨對稱位置的4個(gè)測點(diǎn)，以一周的時(shí)間跨度提取每個(gè)測點(diǎn)的豎向加速度響應(yīng)信號，每一組加速度信號以列向量的形式存儲在表格中。然后對所有列向量進(jìn)行均值化處理，得到更加穩(wěn)定的數(shù)據(jù)形式。選取某一列向量為參考序列，其余的作為比較序列，依次相減得到最大差值和最小差值。最后利用鄧氏關(guān)聯(lián)度[17]計(jì)算關(guān)聯(lián)系數(shù)（式6）和關(guān)聯(lián)度（式7），可以得到不同測點(diǎn)加速度響應(yīng)信號的關(guān)聯(lián)度值，若關(guān)聯(lián)度的概率標(biāo)準(zhǔn)差低于閾值，則說明對稱位置的監(jiān)測數(shù)據(jù)相關(guān)性較好，可進(jìn)行下一步處理。

式中：ξi（j）為j時(shí)間的參考序列和比較序列i的關(guān)聯(lián)系數(shù)；Δ（min）和Δ（max）分別是所有比較序列的絕對差值中的最小差值和最大差值；ρ是分辨系數(shù),本文取值為0.5；Δi（j）為j時(shí)間的參考序列和比較序列i差值的絕對值；γi為參考序列和比較序列i的關(guān)聯(lián)度；m為序列維度。

2.2.2 粗差剔除

對于粗差剔除，先利用概率法剔除明顯的異常值，剩余的粗差剔除由數(shù)據(jù)跳躍法[18]實(shí)現(xiàn)。將通過可信度評價(jià)的列向量存儲在不同向量組中，設(shè)定分位數(shù)為5%，使用基于平均值與標(biāo)準(zhǔn)偏差的概率法處理，可以剔除異常值及其對應(yīng)的采樣時(shí)間。然后將概率法處理后的數(shù)據(jù)代入循環(huán)依次相減得到互差值，互差最大的值兩側(cè)即為跳躍點(diǎn)。對跳躍點(diǎn)的監(jiān)測數(shù)據(jù)Lk分別計(jì)算殘差值，每一組殘差代入式（8）中，判斷該跳躍點(diǎn)是否異常，若存在異常值，直接在數(shù)組中剔除其對應(yīng)的數(shù)據(jù)及采樣時(shí)間。

式中:vk為跳躍點(diǎn)的殘差值；Li為第i個(gè)采樣時(shí)間點(diǎn)對應(yīng)的監(jiān)測數(shù)據(jù)；n為每個(gè)測點(diǎn)的采樣次數(shù)；δ為列向量的方差。

2.2.3 平滑濾波

平滑濾波，統(tǒng)一采用較為經(jīng)典的滑動平均法[19]處理。作為預(yù)處理的最后一步，需要通過自定義平滑函數(shù)來實(shí)現(xiàn)。在自定義函數(shù)中，先選擇平滑窗口大小，對窗口內(nèi)的數(shù)據(jù)作加權(quán)平均來得到平滑數(shù)據(jù)，利用循環(huán)來實(shí)現(xiàn)其不斷向前滑動，直至到達(dá)端點(diǎn)。其中，平滑效果受參數(shù)選取的影響，本文中，為保證平滑效果，平滑窗口選擇為5。

2.3 構(gòu)建訓(xùn)練樣本庫

樣本庫分為有、無標(biāo)簽兩類樣本，無標(biāo)簽樣本是未使用理想輸出標(biāo)簽標(biāo)注的訓(xùn)練樣本，有標(biāo)簽樣本則是具有理想輸出標(biāo)簽的訓(xùn)練樣本[20]。本文中，CNN由于只需要有監(jiān)督訓(xùn)練即可完成，故僅需要有標(biāo)簽樣本；SAE的訓(xùn)練分為各個(gè)自動編碼器預(yù)訓(xùn)練與整個(gè)SAE通過BP算法進(jìn)行有監(jiān)督微調(diào)兩部分，其中預(yù)訓(xùn)練需要無標(biāo)簽樣本，而有監(jiān)督微調(diào)需要有標(biāo)簽樣本。無標(biāo)簽樣本不需要標(biāo)出數(shù)據(jù)的損傷信息，提取較容易；而有標(biāo)簽樣本需要大量含損傷信息的數(shù)據(jù)。由于監(jiān)測數(shù)據(jù)中的損傷數(shù)據(jù)提取需要耗費(fèi)大量時(shí)間，故本文中的有標(biāo)簽樣本以有限元模擬獲得的損傷數(shù)據(jù)為主，用監(jiān)測數(shù)據(jù)當(dāng)作補(bǔ)充。

2.4 搭建并訓(xùn)練網(wǎng)絡(luò)

2.4.1 卷積神經(jīng)網(wǎng)絡(luò)

利用Matlab平臺，筆者通過編程搭建并訓(xùn)練CNN，設(shè)計(jì)結(jié)構(gòu)圖如圖4所示。其中：輸入層對應(yīng)圖像的像素100×100×1，輸出層則對應(yīng)工況種類設(shè)置。卷積池化過程設(shè)置為3次，第一層是8個(gè)7×7卷積核，第二層是16個(gè)7×7卷積核，第三層是64個(gè)7×7卷積核。兩個(gè)池化層的步長為2，矩形輸入?yún)^(qū)域?yàn)?×2。搭建CNN后，訓(xùn)練采用隨機(jī)梯度下降法，將最大訓(xùn)練輪數(shù)設(shè)置為100，初始學(xué)習(xí)率為0.001，并不斷調(diào)整學(xué)習(xí)率，保存最優(yōu)訓(xùn)練結(jié)果。

圖4 CNN設(shè)計(jì)結(jié)構(gòu)圖

2.4.2 棧式自編碼網(wǎng)絡(luò)

利用Matlab平臺，筆者通過編程搭建并訓(xùn)練SAE，設(shè)計(jì)結(jié)構(gòu)圖如圖5所示。其中輸入層大小對應(yīng)測點(diǎn)一周采集數(shù)據(jù)點(diǎn)總量，設(shè)置3個(gè)自動編碼器，其隱含層數(shù)量分別為700、100、50，依次遞減以提取輸入數(shù)據(jù)特征的更小表示。

圖5 SAE設(shè)計(jì)結(jié)構(gòu)圖

SAE的訓(xùn)練包括以下4個(gè)步驟：

（1）用預(yù)處理后的數(shù)據(jù)作為輸入，訓(xùn)練第1個(gè)編碼器，設(shè)置其最大訓(xùn)練輪數(shù)為600，網(wǎng)絡(luò)權(quán)重為0.004，稀疏正則項(xiàng)的參數(shù)4，稀疏比例為0.15；

（2）把第1個(gè)編碼器的結(jié)果保存并用作第2個(gè)編碼器的輸入，設(shè)置其最大訓(xùn)練輪數(shù)為400，網(wǎng)絡(luò)權(quán)重為0.004，稀疏正則項(xiàng)的參數(shù)4，稀疏比例為0.15；

（3）把第2個(gè)編碼器的結(jié)果保存并用作第3個(gè)編碼器的輸入，設(shè)置其最大訓(xùn)練輪數(shù)為100，網(wǎng)絡(luò)權(quán)重為0.002，稀疏正則項(xiàng)的參數(shù)4，稀疏比例為0.1；

（4）堆疊3個(gè)編碼器和Softmax分類器形成整個(gè)網(wǎng)絡(luò)，最后訓(xùn)練整個(gè)網(wǎng)絡(luò)。

3 工程實(shí)例分析

本文選取寧波市明州大橋健康監(jiān)測數(shù)據(jù)，進(jìn)行損傷定位識別，詳細(xì)論述本文提出的橋梁監(jiān)測數(shù)據(jù)損傷識別方法應(yīng)用。

3.1 工程概況

明州大橋位于寧波市高教園區(qū)，為中承式系桿拱橋，總長約1330m，其中主橋?yàn)?00m+450m+100m，橋?qū)?6m，引橋橋?qū)?2m。大橋主要監(jiān)測的內(nèi)容包括鋼箱梁應(yīng)變、橋梁的整體撓度以及橋梁的結(jié)構(gòu)動力特性及振動等。其中拱肋振動加速度測點(diǎn)布置如圖6所示。

圖6 明州大橋拱肋振動加速度監(jiān)測點(diǎn)布置圖

3.2 明州大橋監(jiān)測數(shù)據(jù)預(yù)處理

由于篇幅原因，本小節(jié)選取明州大橋2020年1月1日至1月7日的跨中拱肋豎向加速度監(jiān)測點(diǎn)AC14所得數(shù)據(jù)為例說明。由于明州大橋健康監(jiān)測系統(tǒng)每10分鐘自動采集一次數(shù)據(jù)，AC14測點(diǎn)一周采集數(shù)據(jù)點(diǎn)總計(jì)1008個(gè)。圖7所示是監(jiān)測數(shù)據(jù)通過粗差剔除、平滑濾波前后的對比圖。

圖7 AC14測點(diǎn)豎向加速度處理前后對比曲線（單位：m/s2）

3.3 構(gòu)建訓(xùn)練樣本庫

針對明州大橋的損傷位置識別任務(wù)，本文提取了明州大橋健康監(jiān)測系統(tǒng)2020年1月至6月的跨中拱肋豎向加速度監(jiān)測值。由于監(jiān)測數(shù)據(jù)中含有的損傷監(jiān)測數(shù)據(jù)不足，筆者采用Midas對明州大橋進(jìn)行有限元建模，而損傷工況則利用有限元模型來模擬，有限元模型如圖8所示。模型中相關(guān)單元的選取：吊索及系桿用桁架單元模擬，其他主梁及主拱用梁單元模擬，總計(jì)2330個(gè)節(jié)點(diǎn)，3270個(gè)單元。模型中，荷載分析采用時(shí)程荷載，主梁各節(jié)點(diǎn)之間視為剛性連接，吊索及系桿節(jié)點(diǎn)采用鉸接。為對比分析，有限元模擬數(shù)據(jù)的加速度響應(yīng)則選取跨中拱肋位置的豎向加速度時(shí)程響應(yīng)（對應(yīng)AC14測點(diǎn)監(jiān)測數(shù)據(jù)），由于時(shí)程分析的時(shí)長為4s，頻率為50Hz，所以直接從豎向加速度時(shí)程響應(yīng)提取前1008個(gè)數(shù)據(jù)即可得到相應(yīng)損傷樣本。其中，損傷程度用材料彈性模量E的變化來模擬。

圖8 明州大橋有限元模型圖

CNN方法的有標(biāo)簽樣本采用20個(gè)AC14測點(diǎn)一周的豎向加速度樣本以及10個(gè)不同類型單元分別損傷10%、20%、30%、40%、50%、60%、70%、80%、90%的有限元加速度響應(yīng)，共計(jì)110個(gè)有標(biāo)簽樣本。SAE方法的有標(biāo)簽樣本采用10個(gè)AC14測點(diǎn)一周的豎向加速度樣本以及10個(gè)不同類型單元分別損傷25%、75%的有限元加速度響應(yīng)；無標(biāo)簽樣本采用有限元模型隨機(jī)提取的70個(gè)加速度響應(yīng)樣本和20個(gè)AC14測點(diǎn)一周的豎向加速度樣本，訓(xùn)練樣本見表1。

表1 訓(xùn)練樣本

根據(jù)實(shí)際橋梁結(jié)構(gòu)的測點(diǎn)布置，并參考有限元模型的結(jié)果，本文選擇橋梁易發(fā)生損傷關(guān)鍵部位的監(jiān)測和數(shù)值模擬數(shù)據(jù)作為損傷研究對象，其中監(jiān)測數(shù)據(jù)取自AC14測點(diǎn)，模擬數(shù)據(jù)取自10處易受損單元對應(yīng)的跨中拱肋加速度響應(yīng)。為簡化損傷狀態(tài)，檢驗(yàn)基于監(jiān)測數(shù)據(jù)的損傷識別效果，本文將相同損傷位置的不同損傷程度情況設(shè)定為同一損傷工況，工況設(shè)置見表2。

表2 損傷工況

3.4 損傷識別結(jié)果

3.4.1 卷積神經(jīng)網(wǎng)絡(luò)識別結(jié)果

由于CNN的圖像識別能力較強(qiáng)，筆者首先對樣本數(shù)據(jù)以一周為單位進(jìn)行圖像可視化，之后再利用CNN來識別歸一化、壓縮、灰度化后的樣本圖像，圖像像素保存為100×100×1。對全部110個(gè)樣本圖像識別，其中70%用作訓(xùn)練集，30%用作預(yù)測集，預(yù)測集不參與網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練過程如圖9所示。

圖9 CNN訓(xùn)練過程

由圖9的結(jié)果可見，經(jīng)過100次完全迭代后，損失值保持穩(wěn)定，表明訓(xùn)練完成。圖10中，展示了10個(gè)樣本數(shù)據(jù)，分別對應(yīng)10個(gè)灰度圖，其中圖像下方為真實(shí)的工況（種類為11類，對應(yīng)數(shù)據(jù)1至11），圖像上方為預(yù)測工況，若預(yù)測與真實(shí)工況情況一致則為預(yù)測正確。由圖9可知，CNN識別樣本數(shù)據(jù)的損傷整體正確率達(dá)到87.5%，識別結(jié)果說明：針對二維圖像的CNN損傷識別具備優(yōu)秀的分類能力，可用于識別真實(shí)的健康監(jiān)測數(shù)據(jù)。

圖10 CNN部分識別結(jié)果

3.4.2 棧式自編碼網(wǎng)絡(luò)識別結(jié)果

和CNN不同，本節(jié)利用SAE直接識別樣本數(shù)據(jù)序列，其中輸入層大小對應(yīng)明州大橋健康監(jiān)測系統(tǒng)AC14測點(diǎn)一周采集數(shù)據(jù)點(diǎn)總量1008，輸出層設(shè)置為11以對應(yīng)11種工況。訓(xùn)練過程中自動編碼器的網(wǎng)絡(luò)性能變化如圖11所示，將所得結(jié)果與CNN識別結(jié)果比較，結(jié)果如圖12所示。

圖11SAE網(wǎng)絡(luò)性能變化圖

圖11 中，以均方誤差來衡量網(wǎng)絡(luò)的性能，可見均方誤差值隨著訓(xùn)練次數(shù)的增加而不斷下降，并最終無限逼近最佳網(wǎng)絡(luò)性能值，這說明SAE進(jìn)行有效的訓(xùn)練后，網(wǎng)絡(luò)可用于損傷識別。由圖12的結(jié)果可見，經(jīng)過3層自動編碼器充分迭代后，SAE識別樣本數(shù)據(jù)的損傷整體正確率達(dá)到85.1%。如圖12所示的混淆矩陣中，有9種工況的預(yù)測正確率都達(dá)到80%以上，其中工況6、7、9識別正確率達(dá)到100%，識別結(jié)果說明：針對數(shù)據(jù)序列的SAE損傷識別同樣具備優(yōu)秀的分類能力，具備工程應(yīng)用的可能性。

圖12 SAE混淆矩陣圖

3.4.3 淺層神經(jīng)網(wǎng)絡(luò)識別結(jié)果

為比較深度神經(jīng)網(wǎng)絡(luò)和淺層神經(jīng)網(wǎng)絡(luò)的識別效果，本節(jié)基于Matlab的分類學(xué)習(xí)工具箱建立了與SAE隱含單元數(shù)量一致的淺層神經(jīng)網(wǎng)絡(luò)SVM及KNN，訓(xùn)練采用相同訓(xùn)練樣本庫，訓(xùn)練結(jié)果如圖13所示。

由圖13的混淆矩陣計(jì)算可得，SVM識別正確率為64.3%，KNN為55.4%。綜合圖9~圖13的結(jié)果可見，在樣本數(shù)據(jù)不多的情況下，基于深度學(xué)習(xí)方法的損傷位置識別效果就已經(jīng)大幅領(lǐng)先淺層神經(jīng)網(wǎng)絡(luò)的識別結(jié)果。其中，CNN識別正確率為87.5%，SAE為85.1%，而淺層神經(jīng)網(wǎng)絡(luò)中的SVM為64.3%，KNN為55.4%。對比上述方法的識別結(jié)果可得：基于深度學(xué)習(xí)的損傷識別方法可用于識別海量監(jiān)測數(shù)據(jù)，其具有優(yōu)秀的損傷模式記憶能力，可以區(qū)分不同的損傷工況；采用相同的損傷樣本庫，它比淺層神經(jīng)網(wǎng)絡(luò)方法具有更高的精度。

圖13 淺層神經(jīng)網(wǎng)絡(luò)識別結(jié)果

4 結(jié) 語

（1）本文采用的損傷識別方法不論是通過圖像識別還是通過數(shù)據(jù)序列識別，都表現(xiàn)出優(yōu)秀的性能，識別正確率均超過85%，具備識別海量監(jiān)測數(shù)據(jù)的能力。

（2）在監(jiān)督訓(xùn)練樣本數(shù)量一致的情況下，深度神經(jīng)網(wǎng)絡(luò)的損傷識別效果比淺層神經(jīng)網(wǎng)絡(luò)更好，識別正確率提高20%以上。

（3）本文的損傷樣本主要取自有限元模型，難以充分反映橋梁實(shí)際損傷情況，待將來建立了各類橋梁監(jiān)測數(shù)據(jù)損傷樣本庫，本文所提方法針對海量數(shù)據(jù)集還待有更進(jìn)一步的工程應(yīng)用效果。