基于模糊神經(jīng)網(wǎng)絡的碼頭結構健康監(jiān)測研究

陳 靜

(交通運輸部天津水運工程科學研究所 水工構造物檢測、診斷與加固技術交通行業(yè)重點實驗室，天津 300456)

結構健康監(jiān)測技術是利用現(xiàn)場的無損傳感與結構系統(tǒng)特性分析(包括結構反應)、探測結構的性態(tài)變化揭示結構損傷與結構性能劣化。也就是通過對結構的物理力學性能進行無損監(jiān)測，實時監(jiān)控結構的整體行為，對結構的損傷位置和程度進行診斷，對結構的服役情況、可靠性、耐久性和承載能力進行智能評估，為結構在突發(fā)事件下或結構使用狀況嚴重異常時觸發(fā)預警信號，為結構的維修、養(yǎng)護與管理決策提供依據(jù)和指導[1-2]。

近年來，我國港口基礎設施的規(guī)模、港口吞吐能力、港口服務水平、港口結構布局得到了不斷提升，但同時也存在著很多碼頭已經(jīng)服役數(shù)十年的狀況，老舊碼頭的加固與改造問題亟待解決。

隨著數(shù)據(jù)處理和數(shù)值分析技術、實時結構監(jiān)測系統(tǒng)和安全性的高速發(fā)展，傳感器技術和物聯(lián)網(wǎng)技術向智能化發(fā)展。結構健康監(jiān)測系統(tǒng)已廣泛應用于各個領域。區(qū)別于傳統(tǒng)的無損檢測技術是根據(jù)結構在同一位置上不同時間的測量結果的變化來識別結構的狀態(tài)，碼頭結構健康監(jiān)測技術運用直接測量確定結構的物理狀態(tài),無需歷史記錄數(shù)據(jù),診斷結果很大程度上取決于測量設備的分辨率和精度[3]。

碼頭結構的監(jiān)測參數(shù)主要包括應力應變、整體沉降、相對位移等，監(jiān)測數(shù)據(jù)的獲取仍然依賴于各種傳感器。然而，由于碼頭長度的差異、傳感器的安裝和維護成本昂貴以及傳感器信號不穩(wěn)定等因素導致所獲取的數(shù)據(jù)不準確，導致難以有效地對碼頭結構的健康狀況進行準確判定[4-5]。

為提高結構監(jiān)測數(shù)據(jù)的準確性，本文提出了一種基于模糊神經(jīng)網(wǎng)絡的數(shù)據(jù)融合技術，即通過無線傳感器網(wǎng)絡，利用模糊神經(jīng)網(wǎng)絡的無線映射能力、較強的環(huán)境自適應學習能力和穩(wěn)定性，搭建模糊神經(jīng)網(wǎng)絡模型實現(xiàn)數(shù)據(jù)融合。

1 無線傳感器網(wǎng)絡擴展結構

無線傳感器網(wǎng)絡技術不斷向低功耗和低成本發(fā)展，在碼頭結構監(jiān)測的無線傳感器網(wǎng)絡中具有明顯的優(yōu)勢。

無線傳感器網(wǎng)絡由三部分組成，分別是傳感器層、數(shù)據(jù)收集和傳輸層以及數(shù)據(jù)應用層，如圖1所示[6]。在傳感器層、各種傳感器分布在碼頭結構的關鍵點(即監(jiān)控點)。第二層是從傳感器收集數(shù)據(jù)并進行遠程傳輸?shù)綌?shù)據(jù)中心。通常數(shù)據(jù)中心是服務器或云存儲。數(shù)據(jù)應用層對數(shù)據(jù)進行顯示和進一步分析。在研究中模糊神經(jīng)網(wǎng)絡被嵌入到無線傳感器網(wǎng)絡中。

圖1 網(wǎng)絡體系結構Fig.1 Network architecture

2 模糊神經(jīng)網(wǎng)絡

2.1 數(shù)據(jù)預處理和特征參數(shù)提取

模糊神經(jīng)網(wǎng)絡具有無線映射能力、較強的環(huán)境自適應學習能力和魯棒性。因此健康監(jiān)測有可能將目前廣泛采用的離線、靜態(tài)、被動的損傷檢測，轉變?yōu)樵诰€、動態(tài)、實時的監(jiān)測與控制，這將導致工程結構安全監(jiān)控、減災防災領域的一場革命[7-8]。然而，僅使用模糊神經(jīng)網(wǎng)絡來檢測結構的損壞具有易于誤診和漏診的缺點。

為了充分利用從監(jiān)控系統(tǒng)中收集到的大量數(shù)據(jù)，本文提出了一種基于數(shù)據(jù)融合技術的數(shù)據(jù)處理方法，該方法可以利用冗余和補充信息來評估結構的健康狀況，如圖2所示。

圖2 損傷檢測Fig.2 Damage detection

結構監(jiān)測系統(tǒng)的響應參數(shù)可以分為三種，分別是頻率信號、模擬信號和數(shù)字信號[9]。同時，在環(huán)境和監(jiān)測儀器的影響下，實際測量參數(shù)中包含噪聲和誤差，在數(shù)據(jù)預處理中，首先將數(shù)據(jù)轉換為數(shù)字信號形式，然后使用平均值法和閾值法等處理原始信息去除噪音。

結構振動參數(shù)是重要的監(jiān)測指標。振動傳感器輸出的信號為模擬信號，轉換為數(shù)字信號后，特征提取過程采用傅立葉變換使數(shù)據(jù)在頻域中表示[10]。經(jīng)典傅立葉轉換公式可將模擬信號轉換為數(shù)字信號，如式(1)所示。

(1)

在實際應用中，需使用離散傅立葉級數(shù)對信號進行分析，如式(2)所示。

(2)

在數(shù)據(jù)預處理和特征提取后，數(shù)據(jù)信息全部變?yōu)閿?shù)字信號，并通過傅立葉變換將振動信號以頻域的形式表達。這種數(shù)據(jù)預處理將對后續(xù)的處理帶來便利。

2.2 模糊神經(jīng)網(wǎng)絡模型

模糊神經(jīng)網(wǎng)絡通常由模糊化功能、神經(jīng)網(wǎng)絡結構和去模糊化功能組成[11]，如圖3所示。

圖3 模糊神經(jīng)網(wǎng)絡結構Fig.3 Fuzzy neural network structure

在圖3中，模糊神經(jīng)網(wǎng)絡是五層結構，第一層是傳感器輸入層。其中每個神經(jīng)元對應于代表傳感器輸入數(shù)據(jù)的輸入變量，每個神經(jīng)元將數(shù)據(jù)直接傳遞到第二層神經(jīng)元，層的權重為1。

y=Bj∈(j=1，2，…，R；i=1，2，…，n)

(3)

式(3)中的Bj是一種隸屬函數(shù)，它可以轉變?yōu)槭?4)

y=yj(j=1,2,…,R)

(4)

假設j為y的隸屬函數(shù)，則模糊系統(tǒng)可以用式(5)表示

(5)

其中μj可以表示為式(6)

(6)

第三層是隱藏層。該層的功能是實現(xiàn)輸入變量的模糊化值與輸出變量的模糊化值之間的映射。輸出的適應度值如式(6)所示。

神經(jīng)網(wǎng)絡的第四層是輸出層。輸出的值是式(5)的分子和分母。該值對應于結構的損壞模式，同時第四層和第五層共同完成去模糊功能。

模糊神經(jīng)網(wǎng)絡的實現(xiàn)需要兩個步驟。首先，初始化每個節(jié)點的值，主要是設置參數(shù)。其次，通過系統(tǒng)學習輸入和輸出樣本，建立逼近模糊非線性函數(shù)的映射關系。

2.3 神經(jīng)網(wǎng)絡學習算法

BP神經(jīng)網(wǎng)絡算法是一種制導算法，它包括正向和反向計算步驟。假設學習樣本的數(shù)量n，輸入向量是x=(x1,x2,…,xn)T，期望的輸出是Y=(Y1，Y2，…，Yn)T，Opi是單位i的輸出，Wij是網(wǎng)絡的權重值，δ是誤差信號，θi是閾值，學習步驟如下所示。

第一步是初始化網(wǎng)絡權重值Wij(0)和閾值θi，它們將被定義為區(qū)間[-1,1]內的隨機數(shù)。

第二步是輸入學習樣本集{Xk，Yk}，k=1,2,…,n。

第三步，傳遞函數(shù)是S形函數(shù)，表達式如式(7)所示。

(7)

因此可以獲得網(wǎng)絡的輸出誤差

(8)

(9)

假設平均系統(tǒng)誤差容限為Es，單個樣本誤差容限為Eps。第四步是如果E≤Es或Ep≤Eps或達到指定的迭代步驟數(shù)，則學習過程將結束。否則，誤差將繼續(xù)向后傳播，然后轉到第五步。

第五步是反向計算每個網(wǎng)絡單元的誤差。其中輸出層誤差如式(10)所示，隱藏層誤差如式(11)所示

δpj=Opj(1-Opj)(Tpj-Opj)

(10)

δpj=Opj(1-Opj)Σδpl-Wpl

(11)

第六步是計算權重和閾值的正確參數(shù)，如式(12)和式(13)所示

△Wij(n+1)=ηδpjOpj+?△Wij(n)

(12)

△θj(n+1)=ηδpj+?△θj(n)

(13)

第七步是校正權重和閾值，如式(14)和式(15)所示

Wij(n+1)=Wij(n)+△Wij(n+1)

(14)

θj(n+1)=θj(n)+△θj(n+1)

(15)

整個神經(jīng)網(wǎng)絡的流程如圖4所示。

圖4 神經(jīng)網(wǎng)絡流程圖Fig.4 Flow chart of neural network

2.4 模糊神經(jīng)網(wǎng)絡訓練樣本

為了使監(jiān)控系統(tǒng)有效運行，建立準確的訓練樣本非常關鍵。通過研究樣本，系統(tǒng)將在輸入和輸出數(shù)據(jù)之間建立一個映射關系。通過精確的有限元方法可以獲得樣品。本文選擇天津某高樁碼頭前承臺典型結構，重點針對碼頭應力應變和樁體位移兩項數(shù)據(jù)進行討論。選擇有限元分析軟件并將接觸元件類型設置為target170和contac173。使用經(jīng)典的Peter Drucker-prager模型選擇地面。

本文計算了模擬載荷并獲得了載荷-應變關系，部分結果如表1所示。

表1 軟件模擬應變結果Tab.1 Software strain simulation results

在負載測試階段，本文采用了單點位移計測量方法。監(jiān)測點的載荷-應變關系如表2所示。為了保證一致性，在有限元分析時監(jiān)測點與觀測點是一致的。

表2 應變計測量結果Tab.2 Results of strain displacement meter measurement με

碼頭的樁僅看作承受軸向壓力，根據(jù)有關材料力學公式可知，壓力和應變是線性關系的，見式(16)

σ=Egε，F(xiàn)=σgA

(16)

式中：σ為應力，MPa；ε為應變，με；F為壓力，kN；E為構件材料彈性模量，MPa；A為構件斷面積。該碼頭混凝土樁構件的材料彈性模量E=3.35×104MPa，A=0.3 m2。

本文將模糊神經(jīng)網(wǎng)絡引入到結構監(jiān)測系統(tǒng)中，最終的數(shù)據(jù)從智能算法得到，結果如表3所示。

表3 模糊神經(jīng)網(wǎng)絡計算結果Tab.3 Calculation results of fuzzy neural network με

為了驗證計算數(shù)據(jù)的可行性，位移計測量數(shù)據(jù)與模糊神經(jīng)網(wǎng)絡產(chǎn)生的數(shù)據(jù)如圖5所示，將實際數(shù)據(jù)與模糊神經(jīng)網(wǎng)絡產(chǎn)生數(shù)據(jù)、有限元計算數(shù)據(jù)相比較，可知模糊神經(jīng)網(wǎng)絡產(chǎn)生數(shù)據(jù)更傾向于計算數(shù)據(jù)。另外，模糊神經(jīng)網(wǎng)絡可以更好地消除系統(tǒng)的噪聲和誤差。

圖5 不同方法下的數(shù)據(jù)處理結果Fig.5 Data processing results of different methods

3 結論

為解決結構監(jiān)測系統(tǒng)數(shù)據(jù)的準確性問題，本文采用無線傳感器網(wǎng)絡，利用模糊神經(jīng)網(wǎng)絡實現(xiàn)數(shù)據(jù)融合。提出了一種基于數(shù)據(jù)融合技術的五階段數(shù)據(jù)處理方法，由于模糊神經(jīng)網(wǎng)絡具有神經(jīng)網(wǎng)絡的無線映射能力、較強的環(huán)境自適應學習能力和魯棒性，可以利用冗余和互補數(shù)據(jù)消除來自環(huán)境的噪聲和誤差。通過有限元分析方法獲得神經(jīng)網(wǎng)絡的訓練樣本，并將該系統(tǒng)應用于無線傳感器網(wǎng)絡，結果表明模糊神經(jīng)網(wǎng)絡在碼頭結構監(jiān)測系統(tǒng)中具有優(yōu)勢和可行性，在實際應用中可以獲得更準確的數(shù)據(jù)。