基于小波散射卷积神经网络的结构损伤识别.pdf
《基于小波散射卷积神经网络的结构损伤识别.pdf》由会员分享,可在线阅读,更多相关《基于小波散射卷积神经网络的结构损伤识别.pdf(9页珍藏版)》请在咨信网上搜索。
1、振动与冲击第42 卷第14期JOURNAL OFVIBRATIONAND SHOCKVol.42 No.14 2023基于小波散射卷积神经网络的结构损伤识别马亚飞 ,李诚,何羽,王磊,涂荣辉2(1.长沙理工大学土木工程学院,长沙410 114;2.浙江省交通工程管理中心,杭州310 0 14)摘要:损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是呕待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensionalc o n v o l u t i o n a l
2、n e u r a l n e t w o r k,1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明:与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积
3、神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。关键词:结构状态评估;深度学习;小波散射变换;卷积神经网络(CNN);损伤识别中图分类号:TU312.3文献标志码:AD0I:10.13465/ki.jvs.2023.014.016Structural damage identification based on the wavelet scattering convolution neural networkMA Yafei,LI Cheng,HE Yul,WANG Leil,TU Ronghuil.?(1.School of Civil Engine
4、ering,Changsha University of Science&Technology,Changsha 410114,China;2.Traffic Engineering Management Center of Zhejiang Province,Hangzhou 310014,China)Abstract:Damage identification is one of the key issues in the field of structural condition assessment,which is ofgreat importance to ensure struc
5、tural safety.The deep learning algorithm has led to many breakthroughs in vibration-basedstructural damage identification,but it is still an urgent technical challenge to obtain the key information of structuraldamage from massive amounts of data.A multi-type structural damage identification model w
6、as proposed based on the one-dimensional-convolutional neural network(1D-CNN)deep learning.The wavelet scattering transform was used toreplace the convolutional filter in the first layer of the 1D-CNN architecture.The scattering coefficients were used toachieve dimensionality reduction and feature e
7、xtraction of the original data in the input layer,and the CNN convolutionallayer,activation layer and pooling layer were combined to achieve feature enhancement processing of monitoring data.The1D-CNN fully-connected layer and Softmax function were combined to classify the feature data,thus realizin
8、g thelocation and quantitative identification of multi-type structural damages.The above frame was verified by two numericalmodels of a steel truss structure and a cable-stayed bridge.The results show that compared with the normal convolutionalneural network model,the accuracy of structural damage i
9、dentification based on the wavelet scattering based convolutionalneural network is significantly improved,and the accuracy of damage classification is more than 95.0%.In addition,withthe increase of the proportion of environmental noise in sensor data,the accuracy of the wavelet scattering convoluti
10、onalneural network damage classification slightly decreases but still has high accuracy,indicating that the method has strongrobustness and anti noise ability.Key words:structural condition assessment;deep learning;wavelet scattering transform;convolutional neuralnetwork(CNN);damage identification基金
11、项目:国家重点研发计划项目(2 0 19YFC1511000);国家自然科学基金(52 0 7 8 0 55);湖南省自然科学基金创新研究群体(2 0 2 0 JJ10060)收稿日期:2 0 2 2-0 8-12 修改稿收到日期:2 0 2 2-0 9-2 9第一作者马亚飞男,博士,教授,198 4年生通信作者王磊男,博士,教授,197 9年生第14期复杂环境和不利荷载等多因素共同作用下,结构在服役过程中不可避免发生损伤和性能退化。为防止结构失效造成人员生命安全及财产损失,需在结构服役过程中对其健康状况进行评估,及时发现结构面临的风险。有效利用服役结构关键监测信息,准确识别损伤特征,对确保结
12、构安全运维具有重要意义1-3。损伤引起结构质量、刚度和阻尼变化,影响结构模态参数(如频率、振型和模态阻尼)4-5。传统方法多采用不同模态信息进行结构损伤识别,主要基于频率变化、振型变化和柔度变化等。有研究6 指出基于频率变化的识别方法对损伤位置不敏感。基于动力特性发展的曲率模态、柔度模态、应变模态等方法可识别局部损伤位置7-9。然而,基于模态的分析方法易受测量环境影响,损伤识别精度难以保障。随着传感器数据采集、信号处理分析等技术的快速发展,结构损伤可通过加速度振动信号来检测10-1。Sony 等12 提出一种基于加窗长短期记忆网络的损伤识别方法,从加速度响应中提取加窗样本序列,可准确预测结构损
13、伤程度和位置。基于加速度振动信号的损伤识别方法比模态参数包含更多损伤信息,减小了检测精度对特征模态的依赖13。然而,如何从海量加速度数据中挖掘特征参数的时变规律,实现结构多类型损伤定位与定量识别,尚需进一步探讨。近年来,大数据和人工智能方法正逐渐用于解决结构损伤识别问题14-15。有研究16-17 表明支持向量机(support vector machine,SVM)、神经网络方法能准确预测损伤位置。然而,神经网络处理海量数据时,训练参数呈指数级增多,且易出现过拟合现象。卷积神经网络(convolutonal neural networks,C NN)在土木工程领域发展迅速,在数据异常检测中表
14、现优异18 。一些学者采用一维卷积神经网络(one-dimensional一convo-lutionalneuralnetwork,1D-C NN)方法检测局部刚度和质量变化19,通过自动提取结构特征参数识别结构损伤2 0 、螺栓松动2 1 等,发现CNN损伤检测准确率较高,且有较好的抗噪能力。Li等2 2 指出1D-CNN模型比多层前馈神经网络模型有更高的分类精度和分类能力,改进后的1D-CNN分类准确率达99.0%。然而,CNN网络需大量带标签的训练样本,计算十分耗时。另外,CNN中卷积层阶段的初始化值对模型收敛性干扰较大,影响CNN分类器的识别性能2 3。散射网络是一种预定义的散射小波滤
15、波器组,其性能与深度学习架构类似2 4,可从信号数据中提取结构特征。Oy-allon等2 5 提出一种具有不变性的深度旋转平移散射网络,可对复杂目标图像进行分类。Mallat26提出了基于小波变换的散射网络,该网络在保持平移不变性和变形稳定性的同时,可恢复丢失的高频信息。Wiatows-马亚飞等:基于小波散射卷积神经网络的结构损伤识别ki 等2 7-2 8 进一步延伸了 Mallat 的小波散射理论,引人下采样因子,使提取到的特征进一步降维,识别效果更优。然而,作为卷积核的小波限制了卷积层的权重范围,降低了整个网络提取特征的能力。本文将小波散射卷积网络和一维卷积神经网络相结合,对不同结构进行损
16、伤识别。采用小波散射网络对CNN第一层进行替换实现模型改进,研究了改进模型对结构损伤识别精度的影响,分析了不同水平环境噪声下模型的抗噪性能,并结合钢桁架和斜拉桥模型试验进行了验证。1小波散射CNN架构小波散射CNN是一类将小波散射卷积网络和一维卷积神经网络相结合的混合架构。该网络的主要基础构成分为输人层、小波散射变换、隐含层及输出层,如图1所示。输入层通过数据特征及相关架构特征处理输入的多维数据。小波散射变换分为卷积、非线性和平均运算,用于将输入层数据进行降维并提取所需特征。隐含层分滤波阶段和分类阶段,滤波阶段中的卷积层和池化层主要用于特征提取,分类阶段的全连接层可对学习到的重要特征进行整合分
17、类。深层神经网络由多个相似模块连接,增强了特征提取和表达能力,多个全连接层与Softmax函数相连,输出为不同分类结果的概率,最终分类器根据全连接层得到的概率进行分类。经训练后的小波散射卷积神经网络可学习原始输人数据的特征,具有特征提取和分类能力。综上,基于小波散射卷积神经网络的结构损伤识别流程如图2 所示。小波散射变换卷积输入层非线性平均图1小波散射卷积神经网络结构Fig.1VWavelet scattering convolutional neural network structure数据预处理目标结构、动力测试采集加速度信号按结构状态标注不同标签测试集训练集训练后的网络模型损伤测试图2
18、、小波散射卷积神经网络结构识别流程Fig.2 Structural identification flow of wavelet scattering CNN139隐含层滤波阶段卷积卷积层全连接层+激活层激活层池化层池化层网络模型构造散射网络散射特征系数1D-CNN模型验证结果分类阶段softmax输出层函数1401.1小波散射网络算法小波散射变换构建了平移不变、稳定的信号特征,采用小波散射卷积进行特征学习无需训练,网络性能仅依赖阶数参数和尺度信息。小波散射网络有良好的频谱定位特性、平移不变性及微小形变稳定性。小波散射网络经低通滤波平均后会丢失高频信息。为恢复丢失的高频信息,需对小波系数取模后
19、进行低通滤波平均操作。一维散射变换的构造不考虑方向信息,经散射网络第一层后得到第0 阶散射系数Sof=f*J振动与冲击原始信号通过小波变换f*来恢复丢失的高频信息。因此,为了得到If*|平移不变的部分,需经大小为2 的低通滤波器局部取均值得到第一阶散射系数 Sif,即Stf=If*j,*,(x)同理,可得到第n阶散射变换为S.f=|*,*|,*(x),ji.jJ式中:第n阶散射变换沿频率递减的路径数为Cj;J(1)2023年第42 卷(2)(3)m式中:为输入信号;*为卷积操作;,为低通滤为最大尺度,前n阶路径总数为C。一维信号进n=0波器。行前两阶的小波散射变换的框架如图3所示。Sof-f*
20、d,S,=lf*.l*d一一散射系数一一尺度系数S2f-=lf*yal*al*01.f*a,1*2图3小波散射变换框架Fig.3 Wavelet scattering transformation framework1.2卷积神经网络算法1.2.1卷积层卷积层是CNN的计算核心,可作为特征提取器,由卷积核卷积计算后获得的特征图构成。卷积核具有局部感知和权值共享的优点,在训练中可大幅度减少模参量。图4为一维卷积操作示意图,输入的信号序列经卷积核1,0,4 得出卷积结果。通常卷积核尺寸远小于输人数据尺寸,卷积核权值的初始化一般随机选取较小的数值,将卷积核权值和输入序列逐元素相乘得到输出序列中的一个
21、元素。输入35卷积核1输出Fig.4 Schematic diagram of the 1D convolution operation卷积层运算需要3个参数:卷积核长度、步长和填充方式,这些参数均可自行设定。卷积运算提取特征的同时还有降维作用。1.2.2批标准化层CNN网络训练时产生大量参数,网络内部协变量偏移引起参数变化,导致神经网络前一层参数改变,影响每层输入的分布,使得训练效果下降,神经网络的训练效率变低。因此,Ioffe 等2 9 利用批标准化(batchnormalization,BN)来训练网络模型,有效避免了模型内部协变量转移的问题,加速网络收敛速度,改善了梯度弥散现象,并增强
22、了网络的性能与泛化能力。BN层主要置于卷积层之后,激活函数之前,依据激活函数为线性数据插入非线性特征,对于每个特征2840517304图4一维卷积操作示意图向量x()和y()的映射,加人可学习的变换重构参数()和()来保持网络的表达能力1078134104(4)式中:x()为输人向量;y()为输出向量;()和()均为重构参数,用以恢复原始网络获得的特征分布。1.2.3激活层上述卷积运算是一种线性操作,当线性模型表达能力不足时,通过非线性激活函数进行处理,增强网络的表征能力。即激活计算,其中f(i)=s(i)K式中:f(i)为激活后各元素值;s(i)为卷积层输出的各元素值;K为激活函数。(5)第
23、14期CNN训练过程中的激活函数有 Sigmoid 函数、线性整流函数(ReLU)、双曲正切函数(tanh)等。ReLU函数被深度学习模型视为非线性激活函数,快速收敛速度快,其与Sigmoid函数、Tanh函数相比减少了全连接层的过拟合现象,避免出现“梯度消失”的问题。因此,本文选用ReLU函数作为1D-CNN模型的激活函数,其表达式为f(x)=max(0,x)式中:f()为ReLU函数;为输人元素值。该激活函数增加了网络的非线性,使网络具有稀疏性,减少过拟合;ReLU为非饱和函数,能防止梯度消失,加快网络收敛速度,提高计算效率。1.2.4池化层为减少运算量,增加神经网络的统计效率,避免过拟合
24、现象发生,可在激活层后增加池化层。池化层中有多种池化方法,常用方法为最大池化(maxpooling)和平均池化(average pooling)。平均池化是将感知域内的平均值作为该区域池化后的值,最大池化是选取感知域的最大值作为该区域池化后的值。本文采用最大池化方法对数据进行池化处理,能有效对抗卷积层参数误差造成的均值偏移的问题。如图5所示,将输入池化层的矩阵A分为若干子矩阵A;,将子矩阵A,中元素最大值作为池化后的输出值,即矩阵B中的元素,其中Aj.mx=max al,a12,agl式中:Aj,max为池化后的输出值;;为子矩阵A,中各元素值。矩阵A6354683图5最大池化过程Fig.5M
25、aximum pooling process马亚飞等:基于小波散射卷积神经网络的结构损伤识别元素的指数;e为全部元素指数和。分类层通常位于Softmax层之后,利用分类层解决分类任务,使用交叉熵损失函数进行分配。交叉熵损失反映目标与预测输出的接近度,交叉接近于零,说明预测与目标值相差小,对于一个样本,损失函数可表示为(6)式中:N为样本数;S为标签数;P;为第i个样本预测为第i个标签值的概率;y为第i个样本的真是标签为j;Q 为输出值。2钟钢桁架结构数值试验验证2.1钅钢桁架概况图6 为钢桁架结构尺寸。材料弹性模量E=2MPa,密度p=7800kg/m,泊松比=0.3。通过拆卸斜腹杆方式模拟结
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 散射 卷积 神经网络 结构 损伤 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。