基于卷積神經(jīng)網(wǎng)絡的海洋平臺損傷識別實驗系統(tǒng)開發(fā)

包興先， 范同軒， 張 敬， 張 亞

（中國石油大學（華東）石油工程學院，山東青島266580）

0 引 言

海洋平臺長期服役于復雜惡劣的海洋環(huán)境，將不可避免地受到損傷，對海洋平臺進行損傷識別對于確保海上作業(yè)安全和結構的完整性管理起著至關重要的作用［1-2］。近年來，基于振動響應的損傷識別方法已得到廣泛應用，該方法可以分為參數(shù)方法和非參數(shù)方法兩大類［3］。參數(shù)方法，即基于結構損傷前后的模態(tài)參數(shù)或其相關參量的變化來獲得損傷敏感特征。在過去的幾十年中，參數(shù)方法取得了重大進展［4-7］。然而，參數(shù)方法在實際應用中仍然存在一些挑戰(zhàn)性問題，例如模態(tài)信息不完備，測量噪聲和方程組求解的病態(tài)問題等［8-11］。非參數(shù)方法，也稱為數(shù)據(jù)驅動方法，旨在直接從測得的結構振動響應信號中提取損傷敏感特征，而不需進行結構的模態(tài)參數(shù)識別［3，12-14］。盡管非參數(shù)方法不需要識別模態(tài)參數(shù)或解決任何全局優(yōu)化問題，但是也面臨著海量數(shù)據(jù)處理、測量噪聲等困難。而機器學習，特別是近年來發(fā)展的深度學習方法由于其較好的冗余處理和容錯性，可以為此提供解決方案。

如今，深度學習已廣泛應用于計算機視覺、語音識別和圖像處理等領域［15-16］，并取得了令人滿意的結果。深度學習算法具有良好的模式分類和泛化能力，在結構損傷識別中也具有廣闊的應用前景。與普通的神經(jīng)網(wǎng)絡和支持向量機相比，卷積神經(jīng)網(wǎng)絡（CNN）作為一種深度學習算法，使用梯度下降法獲取模型的參數(shù)，從而使網(wǎng)絡具有提取模型特征的能力，避免了傳統(tǒng)機器學習方法中復雜的特征提取過程。目前，CNN 在計算機視覺、圖像處理等領域應用比較廣泛，而在結構損傷識別領域較為鮮見。Abdeljaber等［3］使用CNN在二維框架結構上執(zhí)行基于振動的損傷檢測，結果表明該方法具有出色的損傷識別性能。Lin等［12］設計了一個深層的CNN來識別簡支梁的損傷位置，并對隱藏層進行可視化處理以幫助人們了解網(wǎng)絡的工作原理。

本文構建一維CNN損傷識別模型，基于導管架式海洋平臺模型的振動臺實驗數(shù)據(jù)進行CNN 網(wǎng)絡訓練和測試，驗證一維CNN 用于結構損傷識別的有效性，并開發(fā)基于CNN 的海洋平臺損傷識別實驗系統(tǒng)。該系統(tǒng)可用于學生的課內(nèi)實驗教學以及創(chuàng)新實驗活動，有助于提高學生對深度學習、結構健康監(jiān)測等知識的理解，增強學生的實踐能力和創(chuàng)新意識［17-20］。

1 CNN構建

CNN主要包括卷積層、池化層、全連接層等幾部分。原始輸入數(shù)據(jù)通過卷積層的卷積核形成相應的特征圖。然后，經(jīng)過池化層的池化操作實現(xiàn)對特征圖維數(shù)的降低，從而提高神經(jīng)網(wǎng)絡的計算效率。最后，全連接層以概率形式顯示提取的特征。非線性激活函數(shù)用于增強模型的擬合能力，而dropout操作用于神經(jīng)網(wǎng)絡避免過擬合。本文采用的一維CNN 的結構圖如圖1所示。

圖1 一維CNN的結構圖

1.1 卷積層

卷積層使用卷積核對輸入信號（或特征）的局部區(qū)域進行卷積并生成相應的特征。本研究中CNN 的輸入是時間序列值，卷積操作示意圖如圖2 所示。卷積過程中，第i卷積層的輸出Oi可以表示為

式中：Oi-1是第i -1 卷積層的輸出；Wi是第i 層卷積層的權重；b是偏移矢量；f（*）是激活函數(shù)。

圖2 卷積操作

1.2 池化層

池化層也稱為采樣層，通常分為上采樣層和下采樣層。本研究的一維時間序列處理中，采用下采樣層。

池化層主要包括最大池化層和平均池化層。池化層的主要作用是減小特征圖的維數(shù)，降低模型訓練過程中過擬合的風險。池化層在卷積層之后，可以表示為

式中：down（*）是二次采樣函數(shù)；ai是第i 采樣層的偏差向量。

1.3 激活函數(shù)

在神經(jīng)網(wǎng)絡中，為了學習復雜的映射關系，需要采用激活函數(shù)對上一層進行非線性變換輸出。目前，廣泛采用的激活函數(shù)為LeakyReLU函數(shù)，其表達式：

LeakyReLU函數(shù)與其他函數(shù)（如ReLU）相比，具有加快收斂速度并避免梯度消失的優(yōu)點。

1.4 全連接層

全連接層在CNN中扮演“分類器”的角色。它將卷積層、池化層等操作學習到的特征表示映射到樣本的標記空間。全連接層采用Softmax 函數(shù)表示出每個類別標簽的概率值，Softmax函數(shù)的形式如下：

式中：yi（i ＝1，2，…，n）代表全連接層的輸出；n代表類別標簽的數(shù)量。

1.5 目標函數(shù)

為了評估正確值和預測值之間的差異，采用以交叉熵描述的目標函數(shù)。給定兩個概率分布p 和q，交叉熵H（p，q）可表示為

式中：x是類別標記向量的索引；p 代表正確的標記向量；q代表預測值。交叉熵描述了p 和q 兩個概率分布之間的距離。交叉熵值越小，模型的預測能力越強。為了最小化目標函數(shù)的輸出值，本文使用了Adam 小批量隨機梯度下降算法。

2 實驗系統(tǒng)開發(fā)

2.1 導管架式海洋平臺損傷識別實驗系統(tǒng)組成

導管架式海洋平臺損傷識別的實驗系統(tǒng)主要包括海洋平臺模型、信號采集系統(tǒng)、振動臺等，如圖3 所示。

圖3 導管架式海洋平臺損傷識別的實驗系統(tǒng)組成

導管架式海洋平臺模型采用鋼管、鋼板焊接制成。鋼管規(guī)格為立柱20 mm×2 mm，橫撐、斜撐12 mm ×2 mm。甲板尺寸為460 mm ×460 mm ×6 mm。模型層高從上至下依次為15、15、25、30、30 cm。樁腿傾角1∶10，底部尺寸0.5 m×0.5 m。將4 個樁腿插入沙土中，模擬實際海洋平臺的固定方式。通過拆卸橫撐、斜撐、樁腿等相應桿件位置處的螺栓來模擬損傷，如圖4和圖5 所示，本實驗可模擬單個、多個損傷位置等不同的損傷工況。

在海洋平臺模型相應桿件上粘貼共10 組應變片，每組應變片采用半橋式接法（見圖4、5）。應變片為BX120-3AA型號，敏感柵尺寸為長3 mm，寬2 mm?；壮叽鐬殚L6.5 mm，寬3.5 mm。數(shù)據(jù)采集采用uTekAcqu動態(tài)信號采集系統(tǒng)。

圖4 應變片的連接方式及海洋平臺的損傷模擬

圖5 信號采集位置及損傷模擬位置

采用振動臺給海洋平臺模型施加激勵力。振動臺的作動器輸出力為17 t，試驗力的測量精度不低于±0.5%FS。振動臺臺面上的滑軌采用的零間隙滾珠直線滑軌，尺寸為1.3 m×1.3 m。臺面上固定的鋼桶半徑為0.5 m，重3 t，鋼桶內(nèi)裝有沙土。由振動臺的控制系統(tǒng)可以輸入波形、循環(huán)次數(shù)、頻率、振幅等激勵力特征參數(shù)。

2.2 導管架式海洋平臺損傷識別實驗步驟

（1）海洋平臺模型安放及損傷模擬。將海洋平臺模型插入振動臺鋼桶的沙土里，并沒過最下一層，確保固定良好。通過不拆卸或拆卸不同位置處的桿件來模擬完好工況或不同位置的損傷工況。

（2）開啟振動臺。開啟振動臺，打開振動臺操作軟件，設置激勵方式、振幅、頻率、循環(huán)次數(shù)等參數(shù)。如圖6 所示為正弦波激勵，振幅設置為10 mm，振中設置為振動臺的原點，頻率設置為1 Hz，循環(huán)次數(shù)為1 000 次。

（3）應變響應數(shù)據(jù)采集。分別在海洋平臺模型完好工況以及不同損傷位置工況下，設置采樣頻率、采樣時長，采集10 個通道的應變響應數(shù)據(jù)。圖7 為采樣頻率1.024 kHz，采樣時長60 s時，第1 通道分別采集的樁腿損傷和橫撐損傷工況下的應變響應數(shù)據(jù)。

圖6 振動臺激勵荷載設置

（4）一維CNN 損傷識別模型訓練及測試。構建一維CNN損傷識別模型，對采集的完好工況及不同損傷位置工況下10 通道的應變響應數(shù)據(jù)，建立相應的類別標簽，隨機選取測得數(shù)據(jù)的70%作為訓練集，其余30%作為測試集。通過調(diào)試一維CNN模型，直到得到滿意的損傷識別結果。

3 實驗系統(tǒng)驗證

基于上述開發(fā)的海洋平臺損傷識別實驗系統(tǒng)，進行實驗驗證。選取7 種海洋平臺模型的模擬工況，包含1 種完好工況和6 種不同位置的損傷工況（見表1）。在振動臺規(guī)則波激勵下，每個模擬工況的應變響應數(shù)據(jù)都由10 個通道采集，采樣頻率為1.024 kHz，信號長度為60 s。因此每個模擬工況下的數(shù)據(jù)集的大小為10 ×60 ×1 024，那么7 個模擬工況的總數(shù)據(jù)集的大小為7 ×10 ×60 ×1 024。這意味著可以構建3 360 個數(shù)據(jù)集，每個數(shù)據(jù)集的大小為128 ×10（見圖1）。在CNN模型中，隨機選取總數(shù)據(jù)集的70%（2 352 個數(shù)據(jù)集）作為訓練集，10%的訓練集（236 個數(shù)據(jù)集）作為驗證集，30%的總數(shù)據(jù)集（1 008 個數(shù)據(jù)集）作為測試集。

圖7 不同損傷工況下第1通道采集的應變響應

表1 海洋平臺模型模擬工況及標簽

表2 列出了各模擬工況下的損傷識別結果。可以看出，在隨機選取的1 008 個測試集中，各損傷情況對應的數(shù)據(jù)集大小并不一致，但無論是完好工況、單損傷位置工況還是多損傷位置工況，預測精度均為100%，

即預測的損傷情況與實際的損傷情況完全吻合。這表明一維CNN方法可以很好地用于識別導管架式海洋平臺的損傷位置，也驗證了基于CNN方法開發(fā)的海洋平臺損傷識別實驗系統(tǒng)的有效性。

表2 CNN損傷識別結果

4 實驗系統(tǒng)擴展功能

（1）損傷程度的識別。本次實驗驗證只采用了7種模擬工況，對于損傷的模擬采取的是完全卸掉螺栓及桿件的方式。后續(xù)還可以考慮采用螺栓部分松開，桿件并非完全卸掉的方式，模擬桿件部分損傷的情況，這樣通過不同損傷位置、不同損傷程度的模擬可增加實驗項目，并完善損傷程度識別的內(nèi)容。

（2）激勵方式的選擇。本次實驗驗證采用振動臺產(chǎn)生的規(guī)則波激勵，后續(xù)還可以考慮采取隨機白噪聲激勵、地震波激勵、脈沖激勵等多種激勵方式，進一步完善實驗系統(tǒng)。

（3）振動響應信號的豐富。本次實驗驗證采用應變片采集應變響應數(shù)據(jù)，后續(xù)可以考慮采集加速度、位移等振動響應信號，與應變信號的損傷識別結果對比，進一步豐富實驗內(nèi)容，完善實驗系統(tǒng)。

（4）噪聲對損傷識別的影響。本次實驗測量過程中，盡量確保周圍環(huán)境安靜，沒有考慮噪聲對損傷識別的影響。下一步可以考慮在測試過程中增加環(huán)境噪聲，或者通過在測得信號中人為地疊加高斯白噪聲，來驗證該實驗系統(tǒng)對噪聲的魯棒性。

5 結 語

本文將CNN 引入到海洋平臺損傷識別應用中。構建一維CNN損傷識別模型，開發(fā)海洋平臺損傷識別實驗系統(tǒng)，通過不同損傷位置的多個損傷工況實驗模擬，驗證了本實驗系統(tǒng)的有效性，并提出了實驗系統(tǒng)功能擴展的方向。在新工科建設背景和智慧時代大潮的引領下，基于CNN的海洋平臺損傷識別實驗系統(tǒng)的開發(fā)有助于學生提高實踐創(chuàng)新能力，深入理解人工智能的應用場景，開闊思路，啟迪智慧。