基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)的橋梁損傷位置識別

皇鵬飛　高士武　楊曉林

摘要：針對橋梁健康安全監(jiān)測中的損傷位置識別準(zhǔn)確率不佳的問題，文章提出一種基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型（CL-EANNM）的橋梁損傷位置識別方法。通過MATLAB軟件對不同損傷工況條件下的簡支梁結(jié)構(gòu)振動響應(yīng)進(jìn)行數(shù)值模擬，利用CL-EANNM挖掘測點加速度信號數(shù)據(jù)集中有效的損傷位置特征，并測試該方法識別損傷位置準(zhǔn)確率。結(jié)果表明：CL-EANNM識別簡支梁結(jié)構(gòu)損傷位置體現(xiàn)出良好的效果。該方法的現(xiàn)階段成果為橋梁健康監(jiān)測中損傷位置識別準(zhǔn)確率優(yōu)化問題提供了新的研究思路。

Abstract： Aiming at the problem of poor accuracy of damage locations recognition in bridge health monitoring， a bridge damage location identification method based on the CNN-LSTM embedded architecture neural network model （CL-EANNM） was proposed in this paper， and the vibration response of the simple-supported beam structure under different damage conditions was simulated through MATLAB software platform. CL-EANNM was employed to extract the effective damage location features from the acceleration signal data sets of measuring points， and the accuracy of this method was tested to identify the damage locations. The results show that CL-EANNM has a good effect on identifying the damage locations of simple-supported beam structure. The preparatory results of this method can provide a new research idea for the optimization of the accuracy of damage location identification in bridge health monitoring.

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);長短期記憶網(wǎng)絡(luò);CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò);損傷位置識別

Key words： Convolutional Neural Network;Long Short-Term Memory;CNN-LSTM Embedded Architecture Neural Network;damage location identification

中圖分類號：U446? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1006-4311（2020）05-0236-02

0? 引言

近期橋梁安全事故頻頻發(fā)生，橋梁結(jié)構(gòu)健康安全監(jiān)測任務(wù)在橋梁正常運營過程中扮演著尤為重要的角色。現(xiàn)階段結(jié)構(gòu)健康監(jiān)測系統(tǒng)已被投入應(yīng)用到各大橋梁工程[1]。文章基于深度學(xué)習(xí)原理，結(jié)合CNN[2]和LSTM[3]各自優(yōu)勢，提出一種基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型的橋梁損傷位置識別方法，通過實驗驗證，證明該方法能自動特征提取橋梁結(jié)構(gòu)損傷位置特征，并對損傷位置進(jìn)行準(zhǔn)確識別。

1? CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)模型（CL-EANNM）

原始樣本數(shù)據(jù)先經(jīng)過CNN的四次卷積處理和兩次池化處理得到樣本特征，將樣本特征輸入進(jìn)LSTM網(wǎng)絡(luò)，通過LSTM網(wǎng)絡(luò)內(nèi)部核心結(jié)構(gòu)中特有的遺忘門（Forget Gate，F(xiàn)G）和記憶單元（Memory Cell）進(jìn)行特征分類，進(jìn)而對損傷進(jìn)行預(yù)測，如圖1所示。

2? 實驗驗證

為檢驗并證明文章所提出方法的有效性，通過設(shè)計簡支梁的數(shù)值模擬實驗進(jìn)行數(shù)據(jù)采集，并利用CL-EANNM進(jìn)行損傷識別。利用MATLAB軟件設(shè)定有限元模型為等分10個大單元（微分500個小單元）的簡支梁（E=2.06×1011Pa，ρ=7900kg/m3）模型如圖2所示。每個大單元中心區(qū)域的6個微單元SiUj、SiUj+1、 SiUj+2、 SiUj+3、SiUj+4、SiUj+5（大單元號i=1，2，…，9，10;微單元號j=1，2，…500，）的損傷程度設(shè)計成五個標(biāo)準(zhǔn)：D1、D2、D3、D4、D5，如表1損傷等級標(biāo)準(zhǔn)，表2損傷工況。

采用Newmark方法[4]利用Matlab軟件將連續(xù)移動沖擊荷載激勵的動力輸入作為模擬勻速行駛的車輛對橋梁路面的激勵作用， 其大小為500KN，求解結(jié)構(gòu)的動力響應(yīng)，并獲取2號至10號節(jié)點的垂直加速度。

為了將損傷裂紋與剛度折減更好的等效，文章利用等效單元剛度降低模型（equivalent element stiffness reduction model，EESRM）[5]來設(shè)計10%、20%、30%、40%、50%的剛度損傷（0.1I0、0.2I0、0.3I0、0.4I0、0.5I0）裂縫，如公式（1）所示。

3? CL-EANNM訓(xùn)練與損傷識別

卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練通過CNN隱藏層中的卷積網(wǎng)絡(luò)層、池化網(wǎng)絡(luò)層、BN網(wǎng)絡(luò)層等網(wǎng)絡(luò)層對樣本數(shù)據(jù)進(jìn)行特征提取處理。CNN具體的訓(xùn)練參數(shù)為：4個卷積層，2層長度為1024的一維卷積核，每層16個，其余2層為長度是256的一維卷積核，每層8個;為加快學(xué)習(xí)速度，步長取2。兩個2×2步長為2的池化層，4個BN層加速收斂、提高泛化能力。編譯時設(shè)置優(yōu)化函數(shù)為RMSprop，學(xué)習(xí)率為0.0005，經(jīng)過500次充分迭代訓(xùn)練后，損失值不再下降，則認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成，保存最優(yōu)模型，提取卷積神經(jīng)網(wǎng)絡(luò)提取的數(shù)據(jù)樣本特征向量CONV，并作為LSTM神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。

長短期記憶神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型采用三層LSTM網(wǎng)絡(luò)層、一層Dense網(wǎng)絡(luò)層，優(yōu)化函數(shù)選用RMSprop，LSTM記憶細(xì)胞中層間激活函數(shù)選用sigmoid函數(shù)函數(shù)，全連接層分類函數(shù)選用linear函數(shù)。網(wǎng)絡(luò)訓(xùn)練采用的學(xué)習(xí)率為0.01，按照損失率的大小，自動調(diào)節(jié)學(xué)習(xí)率的大小，直至得到最優(yōu)權(quán)重后，停止訓(xùn)練，并保存最優(yōu)權(quán)重，完成神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練，可以進(jìn)行下一步的損傷識別，通過測試模型的準(zhǔn)確率，評估模型的泛化能力，如圖3，圖4。

4? 結(jié)果分析

根據(jù)圖3顯示，不難發(fā)現(xiàn)該方法對實驗中各損傷工況的損傷位置都能達(dá)到準(zhǔn)確識別的效果，且識別的準(zhǔn)確率均隨損傷程度等級的增加而提高，最高準(zhǔn)確率可達(dá)到92.37%。另外將對稱雙區(qū)域損傷位置識別效果與不對稱雙區(qū)域損傷位置識別效果進(jìn)行對比分析如圖4所示，可知不對稱雙區(qū)域的損傷位置識別準(zhǔn)確率要遠(yuǎn)遠(yuǎn)高于對稱雙區(qū)域損傷位置識別的準(zhǔn)確率。根據(jù)以上結(jié)果分析，可見基于CNN-LSTM架構(gòu)神經(jīng)網(wǎng)絡(luò)的簡支橋梁損傷位置定位方法有較大的潛在應(yīng)用可能性。

5? 結(jié)語

文章結(jié)合深度學(xué)習(xí)中CNN和LSTM各自優(yōu)勢，提出基于CL-EANNM架構(gòu)神經(jīng)網(wǎng)絡(luò)橋梁損傷位置識別方法，文章當(dāng)前的研究結(jié)果能夠表明該方法從采集到最原始的速度信號數(shù)據(jù)集中進(jìn)行自動提取簡支梁橋的損傷位置特征，并能對損傷位置進(jìn)行準(zhǔn)確識別定位，為橋梁損傷識別方法研究提供了新思路。

參考文獻(xiàn)：

[1]馬宏偉，聶振華.橋梁安全監(jiān)測最新研究進(jìn)展與思考[J].力學(xué)與實踐，2015，37（2）：161-170.

[2]周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計算機(jī)學(xué)報，2017，40（06）：1229-1251.

[3]張志豪，楊文忠，袁婷婷，等.基于LSTM神經(jīng)網(wǎng)絡(luò)模型的交通事故預(yù)測[J].計算機(jī)工程與應(yīng)用，2019，55（14）：249-253，259.

[4]方秦.隱式Newmark法分析波動問題精度的探討[J].爆炸與沖擊，1992（01）：45-53.

[5]Ze Peng Chen， Ling Yu .Structural damage detection based on crack damage function and equivalent damage factor vector [C]. The 7th World Conference on Structural Control and Monitoring， 2018.