桥梁健康监测中桥梁结构损伤智能识别方法研究①

蒋 红

(安徽水利水电职业技术学院,安徽 合肥 231603)

0 引 言

在桥梁数字化和智能化建设中,桥梁健康监测融合了现代传感技术、网络通讯技术和数据管理方法等多领域知识[1]。对桥梁结构状况进行监测和评估有助于及时发现桥梁异常,保障桥梁安全运营[2]。在桥梁健康监测中,桥梁结构损伤智能识别是影响监测效果的关键。但由于桥梁规模和监测环境的等因素的影响,实际损伤识别效果欠佳[3]。为此研究提出了基于小波变换和深度置信网络(Deep Belief Networks, DBN)的桥梁结构损伤智能识别方法,以期提高了损伤识别准确性,提高桥梁健康监测水平。

1 基于小波变换改进和DBN的桥梁结构损伤智能识别

1.1 基于小波变换改进的信号去噪

采用小波变换对桥梁数据进行去噪处理,通过对信号分割并细化处理,达到在低频细分出频率、在高频细分出时间的目的,提高对信号与噪声特征的区分能力,实现桥梁数据重构,为桥梁结构损伤智能识别奠定良好基础[4]。假设实际桥梁结构损伤数据信号为r(a),信号长度为S,含噪声的信号为u(a),噪声数据为o(a),服从S(0,1)的正态分布,则含噪声的信号的表达如公式(1)所示:

u(a)=r(a)+αo(a)

(1)

式(1)中,α表示噪声系数的标准差,用以描述信号中的噪声质量。在得到含噪桥梁结构损伤信号后,需要对其进行小波变换的分解,通过将含噪信号分解到多尺度上,实现信号的空间转换。经过小波分解后得到小波系数分量,通过构造阈值函数对信号进行去噪,传统阈值函数包括硬阈值函数和软阈值函数,其中硬阈值函数中阈值具有不连续的特点,在去噪过程中易保留不规则震荡特征,影响重构后信号的平滑性;软阈值函数则具有恒定偏差问题,重构后信号易产生误差和质量问题,影响去噪效果。为此,研究结合了传统阈值函数的优势,对阈值函数进行了改进,其表达如公式(2)所示:

(2)

式(2)中,η表示阈值,qj,k和qj,k'分别表示去噪前后的信号数据,δ和ε均表示常数,用以调节去噪误差。可以看出,在信号去噪过程中阈值的选择至关重要,阈值过大,会将大部分的小波系数置零,剔除了信号中的有用信息;阈值过小,则会保留噪声信号,导致信号去噪不彻底。为此,研究采用分层选取阈值规则,根据信号特征选择相应的阈值,以提高阈值的有效性,减小小波误差,为桥梁数据智能识别奠定良好基础。在进行相关去噪处理后,得到估计小波系数,在此基础上进行反向运转操作,实现小波系数重构,完成纯净信号与噪声信号的剥离。基于小波变换改进的信号去噪流程如图1所示。

图1 基于小波变换改进的信号去噪流程

由图1可知,小波系数阈值分解是信号去噪的关键,合适的阈值函数能够增强对信号的处理能力,提高信号去噪效果。小波去噪通过小波分解、构造阈值函数和小波重构等操作,有利于突出桥梁结构损伤特征,实现对纯净信号的提取,避免数据误差等问题,提高桥梁结构损伤智能识别的准确性。

1.2 引入深度置信网络的桥梁结构损伤识别

DBN的基本原理是建立标签数据与样本数据之间的联合分布,通过逐层的方式对网络结构进行训练,不断调整网络权值,提高DBN对特征的表征能力[5]。将其运用到桥梁结构损伤识别中,有利于准确提取桥梁损伤特征。在获得去噪后的桥梁结构损伤数据后,将其输入至DBN中进行损伤模式识别,假设桥梁损伤数据为m,由于不同的量化指标会造成不同的识别效果,因此需要对数据进行归一化处理,其计算如公式(3)所示:

(3)

式(3)中,max(m)和min(m)分别表示数据特征在属性上的最大值和最小值。研究将数据划分为训练集与测试集,训练集与测试集分别用于训练分类器和测试分类器效果,其中训练集由无标签样本和有标签样本组成,其中无标签样本用于RBM训练,有标签样本用于BPNN训练。在RBM训练中,通过无监督特征学习,实现对桥梁结构损伤数据的高层特征提取和表征,利用梯度下降的方式进行迭代优化,不断调整DBN网络的权重参数,减小实际值与预测值之间的误差。将参数迭代更新后的RBM输出向量作为BPNN的输入向量,通过正向传播经由输入层和隐含层达到输出层。利用激活函数加入非线性因素,实现数据的线性关系转变,从而提高神经网络的表达能力,增强其对复杂数据的学习能力,优化BPNN分类性能。激活函数的表达见式(4):

(4)

式(4)中,x表示BPNN输入样本。在激活网络后,计算网络残差,即激活值与实际值之间的误差,并将其进行反向传播,在该过程中,采用依次调节每层神经元的权值直至满足最大迭代次数,通过迭代不断调整网络连接参数,逐步改善DBN预测性能,提升对桥梁结构损伤位置和损伤程度识别能力。网络连接权值更新的计算见式(5):

(5)

式(5)中,Wjk和Wij分别表示隐含层与输出层、输入层与隐含层之间的连接权值,θ和e分别表示学习率和网络预测误差,n表示输出层节点数量,Gj表示隐含层输出,i,j和k分别表示输入层、隐含层和输出层节点。引入深度置信网络的桥梁结构损伤识别流程如图2所示。

图2 引入深度置信网络的桥梁结构损伤识别流程

由图2可知,在桥梁结构损伤智能识别主要包括RBM预训练和BPNN训练两部分组成,其中RBM预训练作为无监督训练,通过独立处理数据,有利于保证在空间转换过程中特征向量的全面保留,提高数据特征的有效性;以BPNN为核心的有监督训练则利用误差反向传播,对DBN进行逐步调整,实现全局最优。两种训练的相互合作与协调,有利于提高损伤识别的精准性,为桥梁结构损伤智能识别提供保障。

2 基于小波变换和DBN的桥梁结构损伤智能识别应用

2.1 DBN算法性能分析

实验环境操作系统Windows 11,CPU型号Core(T M) i5-6500 Inter(R),内存8G。选择数据集A和数据集B用于算法性能分析,在两个数据集中均随机选取75%作为测试集,10%作为验证集,15%作为训练集。将曲线下方面积(Area Under Curve, AUC)作为算法性能评价指标,并加入K近邻(K-Nearest Neighbor, KNN)算法和朴素贝叶斯(Naive Bayes, NB)算法作为实验对比。在算法性能分析前,选择不同的隐含层节点数量进行实验,将平均绝对误差(Mean Absolute Error, MAE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)和均方根误差(Root Mean Square Error, RMSE)作为评价指标,分析DBN的识别效果,以搭建有效的DBN模型。不同隐含层节点数量下DBN识别效果对比如图3所示。

图3 不同隐含层节点数量下DBN识别效果对比

图3(a)中,DBN的识别MAPE值保持在0.25-0.35区间内,RMSE值和MAE值分为稳定在0.18-0.25和0.1-0.15区间内。图3(b)中,MAPE值的最大值和最小值分别为0.38和0.34,MAE值保持在0.1-0.2范围内,RMSE值的最大值为0.28。可以看出,当隐含层节点数量为15时,DBN的识别误差最小,识别效果最好,因此研究选择隐含层节点数量为15构建深度置信网络。

2.2 桥梁结构损伤智能识别结果分析

选择某工字钢试件梁作为应用实验对象,试件梁包含斜拉索受损以及斜拉索和梁体组合受损两种受损模式,设置损伤程度范围为11%-66%,为进一步检验智能识别方法的应用效果,在损伤数据中加入5%-35%的高斯噪声作为干扰,分析桥梁结构损伤智能识别的准确性。在实验过程中,依然加入KNN算法和NB算法两种的对比方法。不同方法下的损伤识别准确性对比如图4所示。

图4 不同方法下的损伤识别准确性对比

图4(a)中,DBN算法的识别准确性保持在0.80-0.95区间内。NB算法的桥梁结构损伤识别的准确性最高达到0.85,相较于其最低准确性提高了0.1左右;KNN算法的识别准确性在0.75-0.85范围内变化,准确性变化波动较大。图4(b)中,DBN算法的最高和最低识别准确性分别为0.90和0.85,识别效果较为稳定;KNN算法和NB算法的识别效果相近,其识别准确性在0.70-0.85区间内变化。可以看出,DBN算法准确掌握了桥梁结构损伤位置和模式特征,显著提高了桥梁结构损伤智能识别的准确性,加入噪声后的损伤识别准确性对比如图5所示。

图5 加入噪声后的损伤识别准确性对比

图5(a)中,DBN算法的损伤识别准确性稳定在0.93-0.96范围内,识别准确性变化较小,算法性能较为稳定;KNN算法的稳定性较好,但其识别准确性较低,保持在0.86-0.90范围内;在所有算法中,NB算法的损伤识别效果最差,其识别误差基本稳定在0.17。图5(b)中,DBN算法的损伤识别准确性最高可达到0.96,相较于KNN算法的最高准确性提高了0.09,其最大识别误差为0.08;NB算法的损伤识别准确性在0.79-0.86范围内变化。可以看出,随着噪声程度的增加,DBN算法保持了最佳的损伤识别效果,具有较强的桥梁结构损伤智能识别性能。

3 结 语

为改善传统桥梁结构损伤识别方法的不足,研究提出了基于小波变换和DBN的桥梁结构损伤智能识别方法,并开展了相关实验。在智能识别方法应用实验中,DBN算法对斜拉索受损模式的识别准确性保持在0.80-0.95区间内。可以看出,该方法优化了桥梁结构智能识别效果。但由于疫情防控等因素的影响,研究存在实验对象单一的缺陷,在未来的研究中,需要增加桥梁结构的类型,进一步论证本研究结论。