基于WPD-LMD和排列熵的結(jié)構(gòu)損傷識別方法＊

楊 斌，程軍圣

（湖南大學 汽車車身先進設計制造國家重點實驗室，湖南 長沙 410082）

基于WPD-LMD和排列熵的結(jié)構(gòu)損傷識別方法＊

楊 斌?，程軍圣

（湖南大學 汽車車身先進設計制造國家重點實驗室，湖南 長沙 410082）

為了直接從結(jié)構(gòu)響應提取損傷敏感參數(shù)，對激勵未知情況下的結(jié)構(gòu)損傷模式進行識別，提出了基于小波包分解-局部均值分解方法（wavelet packet decomposition-local mean decomposition，WPD-LMD）和排列熵的結(jié)構(gòu)損傷檢測方法.該方法首先對結(jié)構(gòu)振動響應進行小波包分解，將振動信號分解為一系列窄帶信號，然后對窄帶信號進行局部均值分解，能有效提取低能量分量.通過計算損傷前后分量信號的排列熵，對結(jié)構(gòu)損傷進行了檢測，最后通過計算測試數(shù)據(jù)和樣本數(shù)據(jù)之間的相對排列熵，對損傷模式進行了識別.實驗分析結(jié)果表明，所提出的方法能有效地對結(jié)構(gòu)損傷進行識別.

損傷檢測；小波包分解；局部均值分解；排列熵；相對熵

傳統(tǒng)的損傷檢測方法主要通過結(jié)構(gòu)參數(shù)變化對 損傷進行識別，不僅難以適用于激勵未知的情況，而且容易受到環(huán)境因素等的影響.通過直接對結(jié)構(gòu)振動響應進行分析，提取損傷特征參數(shù)，能有效克服傳統(tǒng)損傷檢測方法的不足.Surace等［1］通過對比結(jié)構(gòu)損傷前后振動響應小波系數(shù)的變化來檢測梁的裂紋位置.丁幼亮等［2］通過對結(jié)構(gòu)振動響應的小波包分解，得到不同頻段下的信號能量，通過能量的變化識別損傷情況.Sun等［3］采用小波對振動信號進行分解，并計算小波分解后的分量信號能量，將其作為神經(jīng)網(wǎng)絡的輸入來識別損傷.Han等［4］提出了小波能量變化率（wavelet packet energy rate index）的概念.Rezaei等［5］采用EMD對結(jié)構(gòu)信號進行分解，對管道結(jié)構(gòu)進行了損傷檢測.Chen等［6］通過對機翼翼盒結(jié)構(gòu)振動信號的EMD分解，提出了基于第1個IMF分量的瞬時能量變化的損傷特征參數(shù).最近，一種名為局部均值分解方法（Local mean decomposition，LMD）的信號處理方法被提出來，該方法能將非平穩(wěn)信號分解為若干個具有瞬時物理意義的PF（Product function，PF）分量之和.相對于 EMD方法，LMD方法能有效地抑制端點效應、減少迭代次數(shù)［7］.但LMD方法仍然存在分解過程中容易產(chǎn)生虛假PF分量，第1個PF分量的頻帶范圍過寬，以及信號中能量較小的分量無法分離的問題.本文結(jié)合小波包分解（Wavelet Packet Decomposition，WPD）和LMD方法，提出了一種小波包分解－局部均值分解方法的信號分析方法.該方法首先通過小波包分解將振動信號分解為一系列窄帶信號，然后再采用LMD方法對這些窄帶信號進行分解，能有效克服第1個PF分量的頻帶范圍過寬、低能量分量無法分離等問題.

排列熵是Bandt等人［8］提出的一種反映一維時間序列復雜度的指標，具有計算簡單、抗噪聲能力強的特點，能有效地反映結(jié)構(gòu)動力學特性的變化.劉永斌等［9］通過排列熵檢測了機械設備狀態(tài)的變化.馮輔周等［10］利用排列熵檢測時間信號的突變，進一步對變速器狀態(tài)變化進行了檢測.為了更進一步對分量信號進行分析，提取有效的損傷敏感指標，本文在利用小波包－局部均值分解方法對振動信號進行分析的基礎上，計算了結(jié)構(gòu)在不同工作狀況下的分量信號的排列熵，通過損傷前后排列熵的變化對結(jié)構(gòu)損傷進行了檢測.為了對結(jié)構(gòu)損傷模式進行識別，計算了測試數(shù)據(jù)與樣本數(shù)據(jù)之間的相對排列熵，對結(jié)構(gòu)損傷模式進行了準確識別.實驗結(jié)果表明，本文提出的方法能有效對結(jié)構(gòu)的損傷模式進行識別.

1 小波包－局部均值分解方法及排列熵理論在結(jié)構(gòu)損傷識別中的應用

1.1 小波包－局部均值分解方法

局部均值分解方法（LMD）是從原始信號中分離出純調(diào)頻信號和包絡信號，將純調(diào)頻信號和包絡信號相乘便可以得到具有瞬時物理意義的PF分量，從而獲得原始信號的時頻分布［11］.具體計算步驟如參考文獻［11］所示.

對于任意信號x（t），通過LMD分解可以得到k個PF分量和一個單調(diào)函數(shù)uk（t），

將所有PF分量的瞬時幅值和瞬時頻率組合便可以得到原始信號x（t）完整的時頻分布.

LMD方法與EMD方法相同，都是通過多次迭代，自適應地將振動信號分解為多個分量之和.在分解過程中，LMD方法也存在無法分離低能量分量的問題，這些低能量分量將會淹沒在高能量分量中，無法得到準確的體現(xiàn)［12］.

為了解決該問題，本文采用小波包分解先對振動信號進行分解，將振動信號分解為一系列窄帶信號，然后再對這些窄帶信號進行LMD分解.通過小波分解，低能量分量將被分解到不同的窄帶信號中，再利用LMD對窄帶信號進行自適應分解，能有效避免低能量分量淹沒在高能量分量中的問題，能更好地提取振動信號中的損傷信息.

由振動理論可知，M自由度系統(tǒng)在測點i與激勵點j之間的脈沖響應表達式為：

首先，直接對響應信號進行LMD分解，分解層數(shù)為4層.前3個分量信號如圖1所示.

圖1 直接通過LMD分解得到的分量信號Fig.1 The component signals using LMD

由圖1可以看出，低頻分量由于能量相對較小，通過LMD分解得到的PF3分量與理論值區(qū)別較大，無法通過LMD有效地分離出來.

對響應信號進行小波包－局部均值分解.小波包分解層數(shù)為2，得到4個窄帶分量信號，頻率分別為0～128Hz，128～256Hz，256～384Hz，384～512 Hz.選擇前3個窄帶分量進一步進行LMD分解，分解層數(shù)為4層，并選擇第1個PF分量.得到的分量信號如圖2所示.

圖2 通過小波包-局部均值分解得到的分量信號Fig.2 The component signals using WPD-LMD

通過小波包分解將響應信號分解為一系列的窄帶信號，再利用LMD分解時，能有效分離低能量的低頻分量.由圖2可以看出，分解得到的PF3分量得到了明顯改善，與理論值較為接近，得到較為準確的低頻分量PF3.

1.2 排列熵理論

排列熵是由Bandt等人［8］提出的一種度量一維時間序列復雜度的指標，具有計算簡單、快速和抗噪聲能力強等特點，可以作為衡量系統(tǒng)動力學特性的有效指標.設有時間序列x（i），i＝1，2，…，N ，對其在相空間內(nèi)重構(gòu)，得到矩陣A：

重構(gòu)參數(shù)m和τ對排列熵的計算有很大的影響，參數(shù)的選擇方法見文獻［13］.本文選擇嵌入維數(shù)m＝6.通常情況下，在時間序列點數(shù)較小的情況下，選擇的嵌入維數(shù)相應較小.當選擇嵌入維數(shù)m＝6時，對時間序列點數(shù)大于1 024的數(shù)據(jù)即可獲得穩(wěn)定的排列熵值［13］.時間延遲τ對排列熵計算影響較小［13］.本文選擇τ＝3.

為了進一步對結(jié)構(gòu)不同的損傷模式進行識別，提出了相對排列熵的概念［14］.

由定義可知，相對排列熵反映了兩組不同時間序列之間的相似性，進而可以利用該特性進行損傷模式的識別.

兩次不同測試得到的時間序列分別為x（i），i＝1，2，…，N 和y（i），i＝1，2，…，N .假設兩次測試時結(jié)構(gòu)處于同一工作狀態(tài)，則兩組時間序列對應的排列序號概率Px和Py幾乎相同，由此計算得到的相對排列熵Ep（m）幾乎為零；若兩次測試時結(jié)構(gòu)處于不同的工作狀態(tài)，則對應的排列序號概率Px和Py不同，由此計算得到的相對排列熵Ep（m）不為零.由此可見，計算不同工作狀態(tài)下的測試數(shù)據(jù)之間的相對排列熵，通過相對排列熵的最小值可以對結(jié)構(gòu)損傷模式進行有效識別.

1.3 損傷識別方法

為了從結(jié)構(gòu)振動信號中提取損傷指標，首先通過小波包分解將振動信號分解為一系列的窄帶信號，進而利用LMD方法對窄帶信號進行分解，得到不同頻段下的PF分量，同時盡可能多地保留了損傷信息.為了進一步通過分量信號對結(jié)構(gòu)狀態(tài)進行定量描述，利用損傷前后PF分量信號排列熵的變化對損傷進行檢測.最后通過計算不同損傷模式下的相對排列熵，可以對損傷模式進行準確的識別.基于小波包－局部均值分解方法和排列熵的損傷檢測步驟如下.

1）對基準狀態(tài)下的結(jié)構(gòu)測點振動信號時間序列xref（i），i＝1，2，…，N 進行小波包－局部均值分解，選擇PF分量，計算相應的排列序號概率Pref及排列熵 Href（m）.

2）對測試信號時間序列y（i），i＝1，2，…，N 進行小波包－局部均值分解，選擇PF分量，計算相應的排列序號概率Py及排列熵Hy（m）.

3）通過對比測試信號排列熵Hy（m）與基準信號Href（m）的大小，對測試信號所表征的結(jié)構(gòu)工作狀態(tài)進行檢測.

4）按式（7）計算測試信號排列序號概率Py與基準信號排列序號概率Pref的相對排列熵，通過排列熵的最小值對損傷模式進行識別.

2 實驗分析

為了驗證方法的有效性，本文選取結(jié)構(gòu)損傷基準結(jié)構(gòu)——3層書架結(jié)構(gòu)作為實驗結(jié)構(gòu).該結(jié)構(gòu)被廣泛應用于結(jié)構(gòu)損傷檢測方法研究［15－17］.如圖3所示，該結(jié)構(gòu)為3層板件結(jié)構(gòu)，通過螺栓固定在支架上，并在每層板件中心處分別安置振動加速度傳感器，激振器連接位置為底層板位置，實驗時采用白噪聲激勵.測試設備為NI PXI數(shù)據(jù)采集系統(tǒng)，通過PXI-4461DAQ產(chǎn)生激勵信號，驅(qū)動激振器對結(jié)構(gòu)進行激振，通過PXI-4472BDAQ模塊采集振動響應信號.激勵信號頻率為20～150Hz，主要是為了避免激振20Hz以下的剛體模態(tài).

如圖3所示，通過安裝在二層板件處的裝置來模擬損傷的發(fā)生，該裝置通過支架連接了第2層板件和第3層板件，并可以通過調(diào)整緩沖器的相對位置d來模擬不同程度的裂紋大小.該裝置可以模擬疲勞裂紋的開閉或連接件松動引起的動力學響應變化.

圖3 3層書架結(jié)構(gòu)實驗裝置Fig.3 The three storey bookshelf structure

如表1所示，在書架結(jié)構(gòu)上設置不同的結(jié)構(gòu)損傷模式，分別采集3類狀態(tài)（正常狀態(tài)、損傷模式D1和損傷模式D2）下傳感器3和傳感器4的振動信號，采樣頻率為320Hz，采樣點數(shù)為8 192.在3類數(shù)據(jù)中分別隨機抽取10組數(shù)據(jù)進行分析，不同工作狀態(tài)下測點4的振動響應如圖4所示.

表1 3種結(jié)構(gòu)工作狀態(tài)Tab.1 The three working condition

圖4 不同工作狀態(tài)下測點4的振動響應Fig.4 The vibration responses of sensor 4under different working condition

首先，對測點3處振動響應直接進行LMD分解，得到的排列熵分布如圖5所示.由圖5可知，損傷模式D2下（d2＝0.05mm）引起的響應不能通過LMD分解準確地分解出來，由此計算得到的排列熵也無法準確反映損傷的發(fā)生，無法有效地進行損傷檢測.

圖5 結(jié)構(gòu)不同工作狀態(tài)下測點3的排列熵（LMD方法）Fig.5 The permutation entropy value under different working condition at sensor 3using LMD

選擇測點3和測點4的振動響應進行進一步分析，提取有效反映結(jié)構(gòu)狀態(tài)的指標.由于裂紋開閉和連接件松動引起的結(jié)構(gòu)損傷信息通常反映在高頻范圍，這里選擇高頻分量進行分析［18］.首先，對該點振動響應進行db3小波包兩層分解；然后選擇高頻段的第4個窄帶信號繼續(xù)進行LMD分解.為了進一步對分量信號進行定量分析，按式（5）計算第1個PF分量的排列熵.圖6和圖7分別為測點3和測點4處結(jié)構(gòu)在不同狀態(tài)下的排列熵，由圖6和圖7可知，結(jié)構(gòu)在發(fā)生損傷時，通過信號處理方法得到的PF分量的排列熵會發(fā)生改變，由此可以對結(jié)構(gòu)損傷進行檢測.

圖6 結(jié)構(gòu)不同工作狀態(tài)下測點3的排列熵（WPD-LMD方法）Fig.6 The permutation entropy value under different working condition at sensor 3using WPD-LMD

圖7 結(jié)構(gòu)不同工作狀態(tài)下測點4的排列熵（WPD-LMD方法）Fig.7 The permutation entropy value under different working condition at sensor 4using WPD-LMD

為了進一步對損傷模式進行識別，將前5組數(shù)據(jù)作為樣本數(shù)據(jù)，另外5組數(shù)據(jù)作為測試數(shù)據(jù).首先對正常狀態(tài)下的5組樣本數(shù)據(jù)的振動加速度信號｛x1，x2，x3，x4，x5｝分別進行小波包－局部均值分解，計算相應的排列序號概率Pu＝ ｛Px1，Px2，Px3，Px4，Px5｝，取均值得到正常狀態(tài)下樣本數(shù)據(jù)平均概率分布ˉPu.由此類推，可以得到3種工作狀態(tài)下樣本數(shù)據(jù)下的平均概率分布ˉPu，ˉPD1，ˉPD2.同理，對不同工作狀態(tài)下的測試數(shù)據(jù)分別進行小波包－局部均值分解，計算相應的排列序號概率Ptest，按式（7）計算測試數(shù)據(jù)與樣本數(shù)據(jù)平均概率分布ˉPu，ˉPD1，ˉPD2之間的相對排列熵，結(jié)果如表2所示.由表2可知，當測試數(shù)據(jù)所表征的工作狀態(tài)與樣本數(shù)據(jù)所表示的工作狀態(tài)相同時，計算得到的相對排列熵最小.由此可知，通過相對排列熵的最小值，可以準確地對結(jié)構(gòu)的損傷模式進行識別.

表2 不同工作狀態(tài)的測試數(shù)據(jù)與樣本數(shù)據(jù)的相對排列熵Tab.2 The relative permutation entropy between the test data and the sample data

3 結(jié) 論

直接通過振動響應提取損傷指標，不需要對結(jié)構(gòu)參數(shù)進行識別，適用于激勵未知情況下的結(jié)構(gòu)損傷識別.但損傷引起的變化容易淹沒在結(jié)構(gòu)振動響應中，因此可以采用現(xiàn)代信號處理方法對結(jié)構(gòu)振動響應信號進行分析，提取有效的表征結(jié)構(gòu)狀態(tài)的損傷指標.本文將小波包分解和局部均值分解方法結(jié)合，首先通過小波包分解將結(jié)構(gòu)振動信號分解為一系列窄帶信號，進而利用局部均值分解對窄帶信號進行分析，有效避免了低能量分量難以提取的問題.為了進一步對分量信號進行定量描述，計算得到了分量信號的排列熵，通過損傷前后排列熵的變化對結(jié)構(gòu)損傷進行了檢測.為了對結(jié)構(gòu)損傷模式進行識別，計算了測試數(shù)據(jù)與樣本數(shù)據(jù)之間的相對排列熵，通過不同結(jié)構(gòu)狀態(tài)下的相對排列熵最小值對結(jié)構(gòu)損傷模式進行了準確識別.實驗結(jié)果表明，本文提出的方法能有效識別結(jié)構(gòu)的損傷模式，是一種有效的結(jié)構(gòu)損傷識別方法.

［1］ SURACE C，RUOTOLO R.Crack detection of a beam using the wavelet transform［C］／／Proceedings of the 12th International Modal Analysis Conference.Honolulu，1994：1141－1147.

［2］ 丁幼亮，李愛群，繆長青，等.基于小波包能量譜的結(jié)構(gòu)損傷預警方法研究［J］.工程力學，2006，23（8）：362－366.

DING You-liang，LI Ai-qun，MIU Chang－qing，et al.Investigation on the structural damage alarming method based on wavelet packet energy spectrum［J］.Engineering Mechanics，2006，23（8）：362－366.（In Chinese）

［3］ SUN Z，CHANG C C.Structural damage assessment based on wavelet packet transform［J］.Journal of Structural Engineering，2002，128（10）：1354－1361.

［4］ HAN Jian-gang，REN Wei-xin，SUN Zeng-shou.Wavelet packet based damage identification of beam structures［J］.International Journal of Solids and Structures，2005，42（26）：6610－6627.

［5］ REZAEI D，TAHERI F.Experimental validation of a novel structural damage detection method based on empirical mode decomposition［J］.Smart Materials and Structures，2009，18（4）：1－14.

［6］ CHEN H G，YAN Y J，JIANG J S.Vibrationbased damage detection in composite wingbox structures by HHT［J］.Mechanical Systems and Signal Processing，2007，21（1）：307－321.

［7］ 程軍圣，張亢，楊宇，等.局部均值分解與經(jīng)驗模式分解的對比研究［J］.振動與沖擊，2009，28（5）：13－16.

CHENG Jun-sheng，ZHANG Kang，YANG Yu，et al.Comparison between the methods of local mean decomposition and empirical mode decomposition［J］.Journal of Vibration and Shock，2009，28（5）：13－16.（In Chinese）

［8］ BANDT C，POMPE B.Permutation entropy：a natural complexity measure for time series［J］.Physical Review Letters，2002，88（17）：1－5.

［9］ 劉永斌，龍潛，馮志華，等.一種非平穩(wěn)，非線性振動信號檢測方法的研究［J］.振動與沖擊，2007，26（12）：131－134.

LIU Yong-bin，LONG Qian，F(xiàn)ENG Zhi-hua，et al.Detection method for nonlinear and non-stationary signals［J］.Journal of Vibration and Shock，2007，26（12）：131－134.（In Chinese）

［10］馮輔周，饒國強，司愛威，等.排列熵算法研究及其在振動信號突變檢測中的應用［J］.振動工程學報，2012，25（2）：221－224.

FENG Fu-zhou，RAO Guo-qiang，SI Ai-wei，et al.Research and application of the arithmetic of PE in testing the sudden change of vibration signal［J］.Journal of Vibration Engineering，2012，25（2）：221－224.（In Chinese）

［11］楊宇，楊麗湘，程軍圣.基于LMD和AR模型的轉(zhuǎn)子系統(tǒng)故障診斷方法［J］.湖南大學學報：自然科學版，2010，37（9）：24－28.

YANG Yu，YANG Li-xiang，CHENG Jun-sheng.Fault diagnosis approach for rotor systems based on LMD and AR model［J］.Journal of Hunan University：Natural Sciences，2010，37（9）：24－28.（In Chinese）

［12］PENG Z K，TSE P W，CHU F L.A comparison study of improved Hilbert-Huang transform and wavelet transform：application to fault diagnosis for rolling bearing［J］.Mechanical Systems and Signal Processing，2005，19（5）：974－988.

［13］YAN R，LIU Y，GAO R X.Permutation entropy：a nonlinear statistical measure for status characterization of rotary machines［J］.Mechanical Systems and Signal Processing，2012，29（1）：474－484.

［14］VEDRAL V.The role of relative entropy in quantum information theory［J］.Reviews of Modern Physics，2002，74（1）：197－234.

［15］SILVA S，DIAS M，LOPES V，et al.Structural damage detection by fuzzy clustering［J］.Mechanical Systems and Signal Processing，2008，22（7）：1636－1649.

［16］CLEMENT A，LAURENS S.An alternative to the Lyapunov exponent as a damage sensitive feature［J］.Smart Materials and Structures，2011，20（2）：25017－25025.

［17］ZANG C，F(xiàn)RISWELL M I，IMREGUN M.Structural damage detection using independent component analysis［J］.Structural Health Monitoring，2004，3（1）：69－83.

［18］李宏男，孫鴻敏.基于小波分析和神經(jīng)網(wǎng)絡的框架結(jié)構(gòu)損傷診斷方法［J］.地震工程與工程振動，2003，23（5）：141－148.

LI Hong-nan，SUN Hong-min.Damage diagnosis of framework structure based on wavelet packet analysis and neural network［J］.Earthquake Engineering and Engineering Vibration，2003，23（5）：141－148.（In Chinese）

Damage Identification Based on Wavelet Packet Decomposition-local Mean Decomposition and Permutation Entropy

YANG Bin?，CHENG Jun-sheng
（State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body，Hunan Univ，Changsha，Hunan 410082，China）

To extract the damage sensitive features directly from the vibration response，a damage identification method based on the wavelet packet decomposition-local mean decomposition and the permutation entropy was proposed，without requiring the exciting force.The wavelet packet decomposition was applied to decompose the original vibration signal into a set of narrow band signals，and then，the local mean decomposition method was used to decompose the narrow band signal，which can extract the low energy components effectively.After that，the permutation entropy was obtained to detect the structural damage.The relative permutation entropy between the test data and the sample data was obtained to identify the damage pattern.The experiment results show that the proposed method can be used to identify the structural damage effectively.

damage detection；wavelet packet decomposition；local mean decomposition；permutation entropy；relative entropy

TH113.1

A

1674-2974（2014）08-0041-06

2013-10-29

國家自然科學基金資助項目（51075131）

楊 斌（1987－），男，湖南益陽人，湖南大學博士研究生

?通訊聯(lián)系人，E-mail：yspark＠163.com