發(fā)布時間：2020-12-10 12:32

　　為改進(jìn)目前傳統(tǒng)損傷識別方法對橋梁局部小損傷識別能力較弱的不足,提出利用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)對橋梁損傷進(jìn)行統(tǒng)計(jì)模式識別.根據(jù)卷積神經(jīng)網(wǎng)絡(luò)對損傷特征向量的需求,將車橋耦合振動下的原始結(jié)構(gòu)響應(yīng)信號進(jìn)行小波包濾波和重構(gòu),之后通過遞歸分析獲取不同損傷工況的遞歸圖,將其作為新型的損傷特征圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入.在此基礎(chǔ)上提出基于卷積神經(jīng)網(wǎng)絡(luò)和遞歸圖的橋梁結(jié)構(gòu)損傷識別計(jì)算流程和方法.對一座連續(xù)梁橋進(jìn)行不同位置和程度的損傷模擬,提取小波包頻帶能量及遞歸圖等損傷特征向量,并進(jìn)行基于多種統(tǒng)計(jì)模式識別算法的損傷識別.結(jié)果表明:與其他特征向量相比,遞歸圖蘊(yùn)含更豐富的損傷信息;與支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)統(tǒng)計(jì)模式識別方法相比,卷積神經(jīng)網(wǎng)絡(luò)能夠通過逐層智能學(xué)習(xí)實(shí)現(xiàn)更準(zhǔn)確的特征自動提取和區(qū)分,從而實(shí)現(xiàn)損傷位置和損傷程度的更精準(zhǔn)識別. 

【文章來源】：應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào). 2020年04期 第966-980頁 北大核心

【文章頁數(shù)】：15 頁

【部分圖文】：

首先研究將小波包頻帶能量作為損傷特征向量的傳統(tǒng)識別方法的精度．對上述濾波后的時域信號采用4層小波包變換得到16個頻帶能量，取在不同損傷工況下變化率較大的15個頻帶能量序列作為損傷特征向量．前4種損傷工況的典型頻譜能量序列如圖5所示．可以看出頻帶能量對不同位置的損傷比較敏感，但在表征同一位置上不同程度損傷的差異方面能力偏低．以小波包頻帶能量為損傷特征，采用Bayesian網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、K-means聚類和支持向量機(jī)等4種傳統(tǒng)統(tǒng)計(jì)模式識別方法進(jìn)行橋梁損傷識別．選取10種工況下的100組特征數(shù)據(jù)作為訓(xùn)練集，分別對Bayesian網(wǎng)絡(luò)、支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練．將Bayesian網(wǎng)絡(luò)的先驗(yàn)概率設(shè)為均勻分布，即各工況數(shù)目占總分類樣本的比例為該工況的先驗(yàn)概率．將支持向量機(jī)的計(jì)算目標(biāo)定為1.0×10-5，計(jì)算速率選擇為0.001.BP神經(jīng)網(wǎng)絡(luò)設(shè)置的參數(shù)如下:訓(xùn)練函數(shù)為traincgb，學(xué)習(xí)函數(shù)為learngdm，最大訓(xùn)練次數(shù)為1 000，訓(xùn)練目標(biāo)為0.005，學(xué)習(xí)速率為0.01，隱含層神經(jīng)元個數(shù)為31．各選取10種工況下的10組特征數(shù)據(jù)作為測試集檢驗(yàn)?zāi)Ｐ偷姆诸惸芰�，然后將上述測試集進(jìn)行分類．結(jié)果如表2所示，4種模型的分類正確率參見表3.圖5 前4種工況頻譜能量條形圖

為驗(yàn)證基于遞歸圖和卷積神經(jīng)網(wǎng)絡(luò)的橋梁損傷識別方法的可行性和優(yōu)越性，建立一個三跨鋼筋混凝土連續(xù)梁橋的有限元模型，并采用車輛移動荷載對不同損傷狀態(tài)下的橋梁進(jìn)行動力分析，獲得橋梁主要節(jié)點(diǎn)的振動信號并進(jìn)行損傷識別．所選三跨T型截面連續(xù)梁橋的具體參數(shù)如下:橋梁主梁由6片組成，每跨計(jì)算跨徑均為25m，設(shè)計(jì)荷載為公路Ⅰ級荷載，荷載橫向分布系數(shù)為0.6，主梁材料為C40混凝土，配筋包括Q235和HRB335鋼筋．通常車橋振動模型有梁上移動荷載模型、梁上移動質(zhì)量模型和梁上彈簧-質(zhì)量模型．本文將車輛荷載轉(zhuǎn)化為移動質(zhì)量模型，車重為2.6t，以36km/h的恒定車速駛過橋梁．車橋耦合振動示意圖如圖2所示．整體有限元橋梁模型沿橋長有2 000個單元．在有限元模型的損傷模擬中，通過改變指定關(guān)鍵部位的單元剛度來模擬橋梁的損傷程度．由于實(shí)際情況下各跨跨中部位最容易發(fā)生損傷且其損傷對振動響應(yīng)的影響最大，因此選取各跨跨中損傷及其組合情況來模擬橋梁的損傷位置．本研究致力于解決橋梁局部小損傷的識別問題，因此選取各跨跨中10%長度范圍的40個單元進(jìn)行剛度折減，使其剛度分別下降5%或10%．在實(shí)際環(huán)境中，環(huán)境噪聲對橋梁的影響不可忽略，因此本文給橋梁分別施加2%、4%、5%、6%和8%的環(huán)境噪聲，模擬實(shí)際橋梁的損傷，各工況具體情況如表1所示．對上述各損傷工況下的車橋耦合振動模型進(jìn)行動力分析，提取主跨跨中的位移響應(yīng)信號和加速度響應(yīng)信號．通過模擬得到5種噪聲環(huán)境下這10種工況各200條振動響應(yīng)信號，即每種工況的信號樣本各1 000條，構(gòu)成容量為10 000的樣本集．由于振動響應(yīng)對損傷并不敏感，往往使小損傷特征提取變得困難，并且振動響應(yīng)信號具有很強(qiáng)的非平穩(wěn)性，因此對提取的加速度信號進(jìn)行6層小波包分解，得到第6層從低頻到高頻64個頻帶成分的特征信號，在頻域內(nèi)找到對結(jié)構(gòu)小損傷較為敏感的頻段，對小波包分解系數(shù)進(jìn)行重構(gòu)，從而提取該頻段對應(yīng)時域內(nèi)的信號．前4種工況的重構(gòu)信號如圖3所示，濾波后的時域信號如圖4所示．

【參考文獻(xiàn)】：
期刊論文
[1]基于核主元分析和支持向量機(jī)的結(jié)構(gòu)損傷識別研究[J]. 孫艷麗,楊娜,張正濤,戚蕊,劉尚來,徐亞豐,夏寶暉,董文天,邱明浩.  應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào). 2018(04)
[2]基于自適應(yīng)技術(shù)的結(jié)構(gòu)參數(shù)與輸入同步反演[J]. 穆騰飛,周麗.  振動.測試與診斷. 2017(05)
[3]橋梁結(jié)構(gòu)損傷識別研究現(xiàn)狀與展望[J]. 吳向男,徐岳,梁鵬,李斌.  長安大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(06)
[4]基于遞歸矩陣奇異熵的損傷識別方法[J]. 楊棟,任偉新.  振動與沖擊. 2012(03)
[5]小波支持向量機(jī)在結(jié)構(gòu)損傷識別中的應(yīng)用研究[J]. 何浩祥,閆維明,周錫元.  振動、測試與診斷. 2007(01)
[6]基于小波包能量譜的結(jié)構(gòu)損傷預(yù)警方法研究[J]. 丁幼亮,李愛群,繆長青.  工程力學(xué). 2006(08)



本文編號：2908699