一種基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)和振動(dòng)測(cè)試的結(jié)構(gòu)損傷檢測(cè)方法

王子凡，張健飛

（河海大學(xué) 力學(xué)與材料學(xué)院，南京211100）

工程結(jié)構(gòu)的穩(wěn)定性關(guān)系著人民福祉。因此如何及時(shí)有效的對(duì)結(jié)構(gòu)進(jìn)行損傷檢測(cè)也成了學(xué)術(shù)界一個(gè)熱點(diǎn)課題。如超聲波或射線等傳統(tǒng)損傷檢測(cè)技術(shù)的探測(cè)范圍有局限性，其對(duì)于結(jié)構(gòu)內(nèi)部或者人力、機(jī)械難以達(dá)到的部位探測(cè)效果欠佳。相比于傳統(tǒng)檢測(cè)技術(shù)，基于結(jié)構(gòu)動(dòng)態(tài)響應(yīng)的損傷檢測(cè)技術(shù)則具有很大的優(yōu)越性，它利用采集到的振動(dòng)信息來檢測(cè)結(jié)構(gòu)損傷，不僅經(jīng)濟(jì)性強(qiáng)，且無需打斷結(jié)構(gòu)的連續(xù)使用。結(jié)構(gòu)振動(dòng)信息包括諸如位移、加速度等的時(shí)域信息以及諸如頻率、振型等的頻域信息。目前，學(xué)者普遍使用基于頻域信息的結(jié)構(gòu)損傷識(shí)別方法，該方法比較損傷前后根據(jù)振動(dòng)響應(yīng)數(shù)據(jù)識(shí)別出的結(jié)構(gòu)模態(tài)參數(shù)，通過其差異來識(shí)別損傷[1]，或是借助神經(jīng)網(wǎng)絡(luò)[2]、模型修正[3]等手段進(jìn)行損傷識(shí)別。使用時(shí)域數(shù)據(jù)進(jìn)行結(jié)構(gòu)損傷檢測(cè)的基本思想則是利用時(shí)域分析模型，通過模型提取結(jié)構(gòu)的振動(dòng)響應(yīng)在時(shí)域上的特征對(duì)損傷進(jìn)行判定[4]。由于這種方法使用測(cè)量到的時(shí)域數(shù)據(jù)直接進(jìn)行識(shí)別，無需進(jìn)行數(shù)值轉(zhuǎn)換，所以其結(jié)構(gòu)響應(yīng)中與損傷相關(guān)的特征不會(huì)產(chǎn)生數(shù)值誤差具有更強(qiáng)的適應(yīng)性。

目前，很多深度學(xué)習(xí)模型已經(jīng)被應(yīng)用到基于時(shí)域數(shù)據(jù)的異常檢測(cè)之中，2015年，Serkan 等[5]首次將一維卷積神經(jīng)網(wǎng)絡(luò)用于病人特定心電圖（ECG）的分類和檢測(cè)，其結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)對(duì)于心室異位搏動(dòng)（VEB）和室上異位搏動(dòng)（SVEB）的檢測(cè)上具有很好的分類性能，其分類準(zhǔn)確率分別達(dá)到99%以及97.6 %；趙建鵬等[6]利用長(zhǎng)短期記憶（Long-short Term Memory，LSTM）循環(huán)神經(jīng)網(wǎng)絡(luò)，對(duì)旋轉(zhuǎn)機(jī)械的不同故障種類進(jìn)行了分類判別及預(yù)測(cè)。結(jié)果表明，與支持向量機(jī)等傳統(tǒng)時(shí)域分析模型相比，LSTM 模型的性能更強(qiáng)。目前對(duì)于進(jìn)行結(jié)構(gòu)損傷檢測(cè)的深度學(xué)習(xí)模型研究較少，2018年，李雪松等[7-8]建立了卷積神經(jīng)網(wǎng)絡(luò)橋梁損傷識(shí)別模型，其結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)具有在噪聲和弱激勵(lì)環(huán)境下良好的識(shí)別能力。Lin 等[9]將卷積神經(jīng)網(wǎng)絡(luò)用于簡(jiǎn)支梁的損傷檢測(cè)，結(jié)果表明網(wǎng)絡(luò)可以從低電平波形信號(hào)中自動(dòng)提取特征，在有噪聲的數(shù)據(jù)上表現(xiàn)出較高的識(shí)別損傷的準(zhǔn)確度。

本文基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)提出了一種結(jié)構(gòu)損傷檢測(cè)方法，利用LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)直接提取某重力壩有限元模型結(jié)構(gòu)加速度時(shí)序數(shù)據(jù)中的特征進(jìn)行損傷識(shí)別；并使用不同噪聲水平的加速度數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試；采用網(wǎng)格搜索算法對(duì)LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)超參數(shù)進(jìn)行優(yōu)化；最后通過懸臂梁振動(dòng)試驗(yàn)，生成試驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。

1 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的基本原理

深度學(xué)習(xí)模型作為一種自動(dòng)提取特征的學(xué)習(xí)模型，可以通過非線性變換將初始的底層特征表示轉(zhuǎn)化為高層特征，從而挖掘出更深層次的規(guī)律。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）率先將在網(wǎng)絡(luò)結(jié)構(gòu)中引入了時(shí)序設(shè)計(jì)，是增加了自身輸出指向輸入的循環(huán)連接的人工神經(jīng)網(wǎng)絡(luò)[10]，適用于對(duì)于時(shí)序數(shù)據(jù)進(jìn)行建模及序列識(shí)別。但是RNN 網(wǎng)絡(luò)中存在梯度消失和梯度爆炸的問題[11]，導(dǎo)致RNN 不具備良好的長(zhǎng)期學(xué)習(xí)能力，為了解決這個(gè)問題，Hochreiter 等[12]在1977年首次提出了長(zhǎng)短期記憶（Long-short Term Memory，LSTM）模型。LSTM 模型通過內(nèi)部一條穩(wěn)定無損耗的梯度流緩解梯度消失，同時(shí)通過復(fù)雜的函數(shù)計(jì)算緩解梯度爆炸。目前，LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于如語(yǔ)音識(shí)別[13]及語(yǔ)言模型[14-16]等的序列識(shí)別任務(wù)中。

一個(gè)基礎(chǔ)的RNN 包含輸入層、隱藏層和輸出層。輸入至輸入層的是一段關(guān)于時(shí)間t的向量(…,xt-1,xt,xt+1,…)，其中xt= (x1,x2,…,xN)，通過式（1）和式（2），可以計(jì)算出隱藏層h及輸出層y序列：

其中：f為激活函數(shù)；b為偏置向量；W表示連接權(quán)重（比如Wxh表示輸入層至隱藏層的連接權(quán)重）；t表示時(shí)刻。

式（1）和式（2）表明了RNN 可以有效地處理非線性時(shí)間序列，但是，由于存在梯度消失或梯度爆炸的問題[11]，RNN無法處理長(zhǎng)時(shí)間的時(shí)間序列，LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)使用了記憶細(xì)胞來代替一般網(wǎng)絡(luò)中的隱藏層單元，有效緩解了梯度消失及爆炸問題，記憶細(xì)胞的輸入和輸出都由一些門控單元來控制，這些門控單元控制流向隱藏層單元的信息，保留前一個(gè)時(shí)間步傳來的真正有用的信息。經(jīng)過長(zhǎng)時(shí)間的演化，目前應(yīng)用最為廣泛的LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)如圖1所示。

圖1 LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)細(xì)胞結(jié)構(gòu)

圖1 中：i、f、c、o、h分別代表輸入門、遺忘門、細(xì)胞狀態(tài)、輸出門以及隱藏層輸出序列，其計(jì)算方法如式（3）至式（7）所示；W和b分別為對(duì)應(yīng)的連接權(quán)重矩陣以及偏置；σ和tanh分別為sigmoid與雙曲正切激活函數(shù)；t表示時(shí)刻。

如前文所述，LSTM內(nèi)部具有一系列門控運(yùn)算，這些復(fù)雜的運(yùn)算會(huì)占用計(jì)算資源，故LSTM 的改進(jìn)模型之一——門控循環(huán)單元（Gated Recurrent Unit，GRU）應(yīng)運(yùn)而生[17]，它精簡(jiǎn)了門控設(shè)置，僅使用更新門及重置門兩個(gè)門控。更新門控制前一時(shí)刻流入本時(shí)刻的接納程度，重置門用于控制前一時(shí)刻信息流入本時(shí)刻的舍棄程度。在實(shí)際應(yīng)用中，GRU 與LSTM有很強(qiáng)的可比性。

2 基于LSTM的結(jié)構(gòu)損傷檢測(cè)

考慮到結(jié)構(gòu)振動(dòng)響應(yīng)的多維時(shí)間序列數(shù)據(jù)特征，本文構(gòu)建LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的整體框架如圖2所示。

圖2 基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的大壩損傷預(yù)測(cè)框架

圖中，C與H為L(zhǎng)STM 細(xì)胞的狀態(tài)和輸出，Y為經(jīng)由連接權(quán)重計(jì)算所得到的輸出。首先將經(jīng)過經(jīng)典z-score標(biāo)準(zhǔn)化處理的整個(gè)時(shí)長(zhǎng)的加速度時(shí)間序列數(shù)據(jù)分割為樣本序列，每個(gè)樣本的序列長(zhǎng)度取值為L(zhǎng)，則數(shù)據(jù)分割之后的每個(gè)樣本序列數(shù)據(jù)，即各個(gè)測(cè)點(diǎn)的加速度值X={X1,X2,···,XL} ，將樣本序列輸入到LSTM 記憶細(xì)胞中，經(jīng)過神經(jīng)網(wǎng)絡(luò)隱藏層的特征提取及傳遞后，通過最后一個(gè)LSTM 單元將其輸出至輸出層。輸出層后加入全連接層，用以損傷工況的識(shí)別分類。在本文中，全連接層使用激活函數(shù)Softmax函數(shù)，這個(gè)函數(shù)的作用就是將每個(gè)損傷類別所對(duì)應(yīng)的輸出歸一化，其計(jì)算如式（8）所示。

式中：Y={y1,y2,···,yi,···,yn}為神經(jīng)網(wǎng)絡(luò)的全連接層輸出，每個(gè)分量對(duì)應(yīng)一種損傷工況。

訓(xùn)練LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的過程中使用了與反向傳播（Back Propagation，BP）算法類似的基于時(shí)間的反向傳播（Back Propagation Through Time，BPTT）算法，首先按照式(3)至式(7)前向計(jì)算LSTM細(xì)胞的輸出，然后按網(wǎng)絡(luò)結(jié)構(gòu)以及時(shí)間兩個(gè)方向反向計(jì)算誤差，使用基于梯度的優(yōu)化算法更新連接權(quán)重矩陣。本文的損失函數(shù)選擇用于多分類的交叉熵?fù)p失函數(shù)，即在Softmax 函數(shù)將神經(jīng)網(wǎng)絡(luò)的輸出變成一個(gè)概率分布后，通過交叉熵?fù)p失函數(shù)來計(jì)算預(yù)測(cè)的概率分布和實(shí)際的概率分布之間的距離。如式(9)所示。

其中：K為多分類的種類數(shù)量，此處為損傷工況數(shù)；p為真實(shí)概率，也就是如果損傷類別是i，則pi=1，否則為0為經(jīng)由式（8）所示的Softmax函數(shù)計(jì)算得來的輸出值，即損傷工況i的預(yù)測(cè)概率。

3 數(shù)值試驗(yàn)

3.1 試驗(yàn)數(shù)據(jù)

本節(jié)利用某重力壩的二維有限元模型，在壩底施加橫向及豎向的白噪聲加速度來模擬環(huán)境激勵(lì)，生成大壩動(dòng)力響應(yīng)數(shù)據(jù)集。采用瑞利阻尼，計(jì)算時(shí)間步長(zhǎng)0.005 s，數(shù)據(jù)集中加速度信號(hào)采樣頻率為200 Hz。由于重力壩上游面的深層水平裂縫較為常見，且具有更大的危害性[18]，故本文模型在上游面的不同高程處設(shè)置深2 m 的水平裂縫，模擬損傷。下游面在不同高程出設(shè)置10個(gè)測(cè)點(diǎn)，測(cè)量大壩的橫向加速度，壩體下游面測(cè)點(diǎn)位置和上游面裂縫位置如圖3所示。

圖3 有限元模型及測(cè)點(diǎn)和裂縫位置

損傷工況如表1 所示。計(jì)算后共生成時(shí)長(zhǎng)為250 s 的9 組不同損傷位置（含無損傷）的數(shù)據(jù)集，劃分20%為驗(yàn)證集，每條數(shù)據(jù)由10個(gè)測(cè)點(diǎn)數(shù)據(jù)以及標(biāo)簽組成，每組工況共生成5萬條數(shù)據(jù)，以及時(shí)長(zhǎng)為20 s的測(cè)試集數(shù)據(jù)。

表1 損傷工況

3.2 參數(shù)優(yōu)選

網(wǎng)絡(luò)超參數(shù)的選取通常根據(jù)經(jīng)驗(yàn)選取，為了達(dá)到更好的效果，本文采取了網(wǎng)格搜索算法進(jìn)行參數(shù)優(yōu)選。網(wǎng)格搜索算法是窮舉法的一種，根據(jù)參數(shù)的個(gè)數(shù)來確定網(wǎng)格搜索的空間維度，在每個(gè)維度上劃分網(wǎng)格，然后遍歷所有的網(wǎng)格交叉點(diǎn)，根據(jù)網(wǎng)格交叉點(diǎn)所給出的結(jié)果來確定最佳參數(shù)。相比于其他的超參數(shù)優(yōu)化方法（比如粒子群算法、隨機(jī)搜索算法等），這種方法簡(jiǎn)單實(shí)用、效率高[19]。LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)選主要集中在3 個(gè)超參數(shù)：樣本長(zhǎng)度L；前饋網(wǎng)絡(luò)層隱藏神經(jīng)元數(shù)量，又稱狀態(tài)向量大小Sstate以及控制網(wǎng)絡(luò)調(diào)參幅度的學(xué)習(xí)率η，這3 個(gè)超參數(shù)構(gòu)成一個(gè)三維的搜索空間，通過網(wǎng)格搜索算法來找到相對(duì)最優(yōu)的超參數(shù)組合。其搜索過程可以主要分為三步：首先固定相對(duì)重要性較低的超參數(shù)，比如網(wǎng)絡(luò)迭代的次數(shù)epochs，在本文中，迭代次數(shù)取100。接著預(yù)設(shè)3 個(gè)超參數(shù)的取值范圍，學(xué)習(xí)率的取值范圍是η∈[0.000 1，0.001，0.1]，樣本長(zhǎng)度分為L(zhǎng)∈[200，150，100，50，20]，狀態(tài)向量大小Sstate∈[16，32，48，64]。最后，設(shè)置目標(biāo)函數(shù)為模型測(cè)試準(zhǔn)確率最高。優(yōu)化結(jié)果如表2至表4所示，結(jié)果最大值為1。

表2 η=0.000 1時(shí)網(wǎng)格搜索的優(yōu)化結(jié)果

表3 η=0.001時(shí)網(wǎng)格搜索的優(yōu)化結(jié)果

表4 η=0.01時(shí)網(wǎng)格搜索的優(yōu)化結(jié)果

可以看出，總體而言，相同學(xué)習(xí)率下及樣本長(zhǎng)度下，較大的狀態(tài)向量大小更容易獲得較高的準(zhǔn)確率；樣本長(zhǎng)度在100或是150時(shí)，網(wǎng)絡(luò)訓(xùn)練預(yù)測(cè)的效果相對(duì)最好；學(xué)習(xí)率為0.001 時(shí)，所獲得的模型訓(xùn)練預(yù)測(cè)效果最好；學(xué)習(xí)率為0.000 1時(shí)，網(wǎng)絡(luò)收斂效果較差，這是由于過小的學(xué)習(xí)率導(dǎo)致?lián)p失函數(shù)的變化很慢，使得網(wǎng)絡(luò)很容易困在局部最小值點(diǎn)。選取前5組最優(yōu)參數(shù)，使其充分迭代500 次，對(duì)應(yīng)的模型準(zhǔn)確率如表5所示。最優(yōu)參數(shù)的損失值以及準(zhǔn)確率如圖4 所示。在選定了優(yōu)化參數(shù)后，500次迭代模型準(zhǔn)確率最高可達(dá)到99.5%，損失值最低達(dá)到0.094 7，說明LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)損傷識(shí)別效果良好，幾乎能精準(zhǔn)識(shí)別出每一個(gè)樣本的工況狀況。

表5 網(wǎng)格搜索前5的參數(shù)組合以及其對(duì)應(yīng)的工況準(zhǔn)確率

圖4 最優(yōu)參數(shù)組合下網(wǎng)絡(luò)準(zhǔn)確率以及損失

3.3 不同循環(huán)神經(jīng)網(wǎng)絡(luò)的比較

為了驗(yàn)證LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)在循環(huán)神經(jīng)網(wǎng)絡(luò)中的優(yōu)勢(shì)，將LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)中的隱藏層細(xì)胞換為RNN和GRU結(jié)構(gòu)，在相同的參數(shù)下迭代100次進(jìn)行比較，試驗(yàn)結(jié)果如圖5 及表6 所示?？梢钥闯?，與其他兩種模型相比，LSTM在工況準(zhǔn)確率上較高，有四種工況（工況1、2、3、4）達(dá)到了100%識(shí)別，其余的工況也都顯示出了較高的準(zhǔn)確率，相比GRU提升最高達(dá)16.25 %，相比RNN 提升最高達(dá)15 %，GRU與LSTM 損失曲線趨勢(shì)較為相似，但是LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)的損失最低達(dá)到0.14，GRU為0.15，這兩種模型的損失都有繼續(xù)下降的趨勢(shì)，但是由于選定的優(yōu)化超參數(shù)對(duì)于RNN模型來說并不合適，其損失在后期出現(xiàn)了上升。在耗時(shí)上，LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)多于另外兩個(gè)模型，主要是由于LSTM 涉及的超參數(shù)數(shù)量更多，網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)較為復(fù)雜。

圖5 相同參數(shù)下3種循環(huán)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率和損失對(duì)比

表6 3種循環(huán)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率和損失對(duì)比

3.4 抗噪性

實(shí)際工程或試驗(yàn)中所獲得的數(shù)據(jù)往往包括噪聲，目前對(duì)于測(cè)量噪聲的模擬大部分都是基于零均值且為正態(tài)分布的假設(shè)下進(jìn)行的[20]。

本處研究中所使用的噪聲也是基于零均值且為正態(tài)分布的條件下生成的，生成的噪聲是通過式（10）計(jì)算得到[21]。

式中：εcorrect為原始的時(shí)域數(shù)據(jù)，ω為符合正態(tài)分布的高斯白噪聲變量，RMSε為原始時(shí)域數(shù)據(jù)的均方根值，p%為噪聲水平，、εn為計(jì)算得到的噪聲數(shù)據(jù)。

選取4 種水平下的噪聲（5 %，10 %，15 %及20 %），將噪聲數(shù)據(jù)加入原始數(shù)據(jù)集中進(jìn)行訓(xùn)練預(yù)測(cè)，充分迭代500次，所得到的驗(yàn)證集及測(cè)試集準(zhǔn)確率如表7所示。不同噪聲水平下測(cè)試集的工況準(zhǔn)確率如表8所示。

表7 各噪聲水平下驗(yàn)證及測(cè)試集準(zhǔn)確率

表8 各噪聲水平下測(cè)試集的工況準(zhǔn)確率

從表中可以看出，加入了噪聲數(shù)據(jù)使得LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能相比于無噪聲數(shù)據(jù)有略微下降，這是由于加入的噪聲湮滅了一部分?jǐn)?shù)據(jù)特征，但是網(wǎng)絡(luò)在各種噪聲水平下預(yù)測(cè)準(zhǔn)確率依然保持著較高的水準(zhǔn)，體現(xiàn)網(wǎng)絡(luò)良好的抗噪魯棒性。

4 試驗(yàn)驗(yàn)證

為了進(jìn)一步驗(yàn)證方法的準(zhǔn)確性，本文在實(shí)驗(yàn)室進(jìn)行了不同損傷工況下的懸臂梁振動(dòng)試驗(yàn)，利用試驗(yàn)數(shù)據(jù)進(jìn)行方法驗(yàn)證。試驗(yàn)所選用的懸臂梁長(zhǎng)度為1 200 mm，其無損情況下的橫截面尺寸為20 mm×20 mm，損傷采用人工切割縫模擬，其損傷工況如表9所示。試驗(yàn)采用電動(dòng)振動(dòng)臺(tái)產(chǎn)生的隨機(jī)激勵(lì)模擬有限帶寬白噪聲振動(dòng)，激勵(lì)的功率譜密度取0.1(m/s2)2/Hz，激振頻率帶寬為5 Hz～1 000 Hz。懸臂梁從自由端到固定端布置7 個(gè)加速度傳感器（測(cè)點(diǎn)1，2，3，4，5，6，7）采集懸臂梁水平加速度，其中固定端的測(cè)點(diǎn)7 所測(cè)量的數(shù)據(jù)是振動(dòng)臺(tái)臺(tái)面水平加速度。測(cè)點(diǎn)高度分別為1 200 mm，1 000 mm，800 mm，600 mm，400 mm，200 mm和0 mm，其坐標(biāo)系取固定點(diǎn)為原點(diǎn)，向上為正。試驗(yàn)裝置如圖6 所示。懸臂梁加速度采樣頻率為5 000 Hz，共生成時(shí)長(zhǎng)為1 800 s的5組不同損傷位置（含無損傷）的數(shù)據(jù)，未重疊采樣，每條數(shù)據(jù)由7個(gè)測(cè)點(diǎn)數(shù)據(jù)以及標(biāo)簽組成，每組工況共生成790 萬條數(shù)據(jù)，組合后按照8:1:1 的比例隨機(jī)劃分訓(xùn)練集、驗(yàn)證集以及測(cè)試集。根據(jù)第3 節(jié)的結(jié)果，將樣本長(zhǎng)度設(shè)置為500，學(xué)習(xí)率設(shè)置為0.001，狀態(tài)向量大小設(shè)置為64，構(gòu)建LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)。充分迭代200次后其準(zhǔn)確率及損失曲線如圖7所示。為了更加直觀地看出預(yù)測(cè)結(jié)果，在每一種工況中隨機(jī)選擇了一條沒有參與訓(xùn)練的工況數(shù)據(jù)進(jìn)行測(cè)試，其損傷識(shí)別結(jié)果如表10所示。

圖6 試驗(yàn)裝置

表9 懸臂梁試驗(yàn)損傷工況

圖7 試驗(yàn)數(shù)據(jù)下網(wǎng)絡(luò)準(zhǔn)確率及損失

表10 5個(gè)樣本的識(shí)別結(jié)果

由圖7 及表10 可以看出，200 次迭代后驗(yàn)證集的最高準(zhǔn)確率達(dá)到了99.92%，測(cè)試集準(zhǔn)確率達(dá)到了99.5%，損失最低為0.002 2，每一種樣本預(yù)測(cè)的工況的概率與其他工況概率有著明顯的差別，且與實(shí)際工況一致。這說明了LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)在實(shí)際試驗(yàn)數(shù)據(jù)下依然能保持較好的損傷識(shí)別效果，幾乎可以準(zhǔn)確識(shí)別每一個(gè)樣本的工況。

5 結(jié)語(yǔ)

本文提出了一種基于長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM）的損傷檢測(cè)方法，并采用網(wǎng)格搜索算法進(jìn)行參數(shù)的優(yōu)選，數(shù)值試驗(yàn)結(jié)果表明：本文提出的基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷檢測(cè)方法能夠有效地識(shí)別結(jié)構(gòu)的損傷，相比于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)以及門控循環(huán)神經(jīng)網(wǎng)絡(luò)，其識(shí)別準(zhǔn)確率相對(duì)較優(yōu)；LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)對(duì)參數(shù)選取比較敏感，基于網(wǎng)格搜索的參數(shù)優(yōu)化方法效果較好，在選定了優(yōu)化參數(shù)后，識(shí)別準(zhǔn)確率大幅提高；在不同噪聲水平的數(shù)據(jù)上的數(shù)值試驗(yàn)顯示了本文的網(wǎng)絡(luò)在驗(yàn)證集和測(cè)試集上都具有較高的準(zhǔn)確率，具有較好的抗噪魯棒性，表明了LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)用于結(jié)構(gòu)損傷檢測(cè)的可行性，同時(shí)通過試驗(yàn)室懸臂梁振動(dòng)試驗(yàn)也驗(yàn)證了本文方法具有優(yōu)良的損傷識(shí)別能力。本文目前對(duì)基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷檢測(cè)技術(shù)只是進(jìn)行了初步研究，今后需要進(jìn)一步研究多裂縫損傷識(shí)別、混合噪聲抗噪性等問題，需要進(jìn)一步通過試驗(yàn)和實(shí)際工程對(duì)方法進(jìn)行驗(yàn)證和改進(jìn)。