基于一種高精度卷積神經(jīng)網(wǎng)絡(luò)的框架結(jié)構(gòu)模型故障診斷研究*

蔡超志 池耀磊 郭璐彬

(河北工程大學機械與裝備工程學院，河北 邯鄲 056038)

框架結(jié)構(gòu)在使用過程中會由于螺栓松動、受力不均勻和材料疲勞以及氧化而發(fā)生故障，導致框架崩塌引起重大工程事故，給人們的生命財產(chǎn)安全帶來不可估量的損失。因此，提出合適的故障診斷方法對框架結(jié)構(gòu)進行精確的故障診斷，提前預測框架結(jié)構(gòu)的健康運行狀態(tài)具有重大的科學和實際工程意義。

傳統(tǒng)的故障診斷方法有傅里葉變換、小波變換和經(jīng)驗法等。傳統(tǒng)的故障診斷方法在面向故障內(nèi)容復雜、數(shù)據(jù)量較多及有噪聲干擾的對象時，診斷性能會下降，甚至不能夠進行精確的故障診斷。隨著人工智能的不斷發(fā)展，深度學習理論被廣泛地應用于信號分類和圖像識別，由此衍生出各種各樣的卷積神經(jīng)網(wǎng)絡(luò)，其中1DCNN[1](one dimensional convolution neural network)、VGG-net[2]、Rest-net[3]、Inception[4,7]被諸多研究者經(jīng)過變換維度、改變深度、改變卷積核大小等，將它們用于各個領(lǐng)域進行故障診斷和信息分類[5]。Abdeljaber O等人[6]運用1DCNNs(one dimensional convolution neural networks)對樓體模型框架結(jié)構(gòu)進行了故障診斷研究，得到了隨著損傷情況不斷增加損傷率也不斷增加的診斷結(jié)果，但由于使用的1DCNN卷積層數(shù)較少而且卷積核大小每層均相同導致網(wǎng)絡(luò)模型泛化能力較差，得到的結(jié)果誤差較大。另外，張偉[8]通過對VGG-net進行增大第一個卷積層卷積核寬度、將Dropout加在卷積層、逐層BN(batch normalization)等，提出了抗噪聲能力較強的WDCNN，隨后，在WDCNN的基礎(chǔ)上調(diào)整了第一個卷積層的卷積步長，得到了抗噪聲能力更強的TICNN[9]，并將其用于軸承故障診斷，診斷率高達100%。但將TICNN用于框架結(jié)構(gòu)故障診斷時由于相鄰的損傷情況數(shù)據(jù)類似，而導致分類精度下降，且抗噪聲能力也有所下降。

為了提高TICNN對框架結(jié)構(gòu)的診斷精度和抗噪聲能力，本研究在TICNN的基礎(chǔ)上，將輸入數(shù)據(jù)長度減短，并對卷積層數(shù)目進行了深化和一系列參數(shù)調(diào)整，提出了適用于框架結(jié)構(gòu)故障診斷的抗噪聲能力強的卷積神經(jīng)網(wǎng)絡(luò)模型ITICNN(improving convolution neural networks with training interference)，并運用ITICNN對數(shù)據(jù)來源于不列顛哥倫比亞大學地震實驗室的4層樓體結(jié)構(gòu)框架[10]進行了故障診斷，得到了未損壞情況下?lián)p傷率為0%，完全損傷情況下?lián)p傷率為100%的精確診斷結(jié)果。

1 框架結(jié)構(gòu)介紹

本文所研究的模型是不列顛哥倫比亞大學建造的4層鋼結(jié)構(gòu)框架[6]，分為東南西北4個面，每個面上結(jié)構(gòu)分布都一樣，相同位置用同樣的編碼。在鋼結(jié)構(gòu)模型上放置了15個加速度傳感器，框架結(jié)構(gòu)和加速度傳感器擺放位置如圖1所示，其中黑色方塊表示加速度傳感器。

本框架結(jié)構(gòu)共模擬了9種損傷情況,如表1所示。

表1 損傷情況對應破壞位置

2 框架結(jié)構(gòu)損傷與檢測

使用多個二分類代替多分類的方式對計算機配置要求較低，而且訓練速度快并且具有較高的準確率?；诙诸惖膬?yōu)越性本文使用的故障診斷流程如圖2所示。

(1)采集每個加速度傳感器的振動信號。加速度傳感器在完好情況下所測得的信號記作U，在損壞情況下測得的信號記作D，j為加速度傳感器編號j=(1～15)

(1)

(2)由于實驗所提供的數(shù)據(jù)數(shù)量并不多，所以要使用數(shù)據(jù)增強來獲取更多的樣本而且使每個樣本的大小一致，即在訓練過程中使用相同大小的數(shù)據(jù)組及進行訓練。

(2)

式中:Kij為第i種損傷情況下第j個加速度傳感器的源信號長度。裁剪片段窗口長度為1 024，b為步長。由于源數(shù)據(jù)中K(i=1～5)j=2.4 萬個數(shù)據(jù)點、K(i=6)j=6 萬個數(shù)據(jù)點、K(i=7～9)j=7.2 萬個數(shù)據(jù)點，所以情況1～5下的步長為24，情況7～9下的步長為72，情況6采取步長為60使數(shù)據(jù)片段均為958。

(3)將每種情況的958個信號片段在-1和1之間歸一化，用UNj表示歸一化的結(jié)果為：

(3)

(4)數(shù)據(jù)集的劃分，經(jīng)過剪片和歸一化后，將UNj和DNj進行混合用于訓練第j個網(wǎng)絡(luò)。每個網(wǎng)絡(luò)對應的訓練樣為958×2=1 916個。

(5)用保存的第j個訓練好的模型，對第j個加速度傳感器在情況i下的數(shù)據(jù)片段進行分類。求取出損壞片段占整個信號片段的比率Podij值，用第i種情況下所有Podij值的均值大小來表達第i種損傷情況，值越大說明損傷就越嚴重。Podij的計算如式(4)所示，計算流程如圖3所示。

(4)

3 改進的TICNN

卷積層的感受視野越廣，卷積層的特征提取能力越強，本文在TICNN的基礎(chǔ)上，將TICNN第一個卷積層的輸入調(diào)整為1 024，核大小改為128，步長為2，通道仍為16，導致第一卷積層的感受視野縮減了一半，因此在第一卷積層后添加核大小為64，步長為2，32通道的中間過渡層從而使整體網(wǎng)絡(luò)的感受視野回歸到TICNN的水平。另外，由于使感受視野水平提升的同時也增加了網(wǎng)絡(luò)參數(shù)量，因此網(wǎng)絡(luò)最后將小卷積層增加到5層，從而保留TICNN最后4層小卷積層提高網(wǎng)絡(luò)的抗干擾的能力。由于Dropout放在卷積層的抑制擬合能力并不明顯，所以將Dropout添加到全連接層抑制過擬合現(xiàn)象的發(fā)生。改進后的TICNN卷積過程圖如圖4所示。

圖4中C代表長度、T代表通道數(shù)、G代表好的一類、B代表壞的一類，在改進的TICNN中每個池化層后使用BN操作，BN層將數(shù)據(jù)進行標準化操作，使網(wǎng)絡(luò)識別能力增強。

3.1 ITICNN算法流程圖

一維卷積神經(jīng)網(wǎng)絡(luò)的卷積過程，只需按照一定的步長依次向下遍歷整個輸入，第一層卷積的感受野即為第一個卷積核的長度，ITICNN算法流程圖如圖5所示。

卷積層定義如下所示：

(5)

3.2 神經(jīng)網(wǎng)絡(luò)的超參設(shè)計

如圖3所示，在將卷積層展平后使用Dropout參數(shù)為0.5，每一層池化層后使用BN處理，每一層的具體參數(shù)如表3所示。

表3 改進后的TICNN參數(shù)

3.3 模型訓練結(jié)果

為了展現(xiàn)ITICNN訓練的結(jié)果，以加速度傳感器13的訓練結(jié)果為例，訓練批次為150次，準確率和目標函數(shù)值如圖6所示。

在圖7中訓練批次達到30就接近于穩(wěn)定值，訓練40次最終穩(wěn)定在100%，同時目標函數(shù)值下將的速度非?？欤柧毰芜_到30左右，目標函數(shù)值就趨于穩(wěn)定。訓練批次達到100后訓練和測試的目標函數(shù)曲線重合，訓練次數(shù)達到120目標函數(shù)值降到10-5級別。

3.4 混淆矩陣分析

混淆矩陣又稱為誤差矩陣，在卷積神經(jīng)網(wǎng)絡(luò)的訓練中常常使用混淆矩陣里的參數(shù)來計算網(wǎng)絡(luò)的正確率、召回率。本文選擇第13個加速度傳感器所匹配的卷積神經(jīng)網(wǎng)絡(luò)，所得到的混淆矩陣如圖7所示。

從圖7混淆矩陣中可以得出正確率為100%，召回率同樣為100%，由此可得出診斷結(jié)果可信度較高的結(jié)論。同時說明使用二分類的方式進行故障診斷時獲得正確率較高。

3.5 抗噪性對比

運用1DCNN(Avci O等人[10]使用的1DCNN)與WDCNN、TICNN和ITICNN進行抗噪聲能力對比實驗。將加速度傳感器14的完好和損壞信號訓練完后保存模型，使用保存的模型去給添加不同噪聲且已知標簽的信號進行分類，根據(jù)輸出混淆矩陣計算出正確率加以比較。信噪比定義如下：

(6)

其中：SNR為信噪比，Sigpower為信號功率，noisepower為噪聲功率，將信噪比改成單位是dB形式，如下所示：

SNRdB=10logSNR

(7)

對比結(jié)果如圖8所示。

從圖8中可以看出，ITICNN抗噪聲能力要強于TICNN約3%～4%，TICNN的抗噪聲能力大于WDCNN28%～30%，同時ITICNN強于1DCNN30%～32%。經(jīng)過對比ITICNN和沒有Dropout和沒有BN的改進TICNN網(wǎng)絡(luò)模型，可以明顯地看出失去Dropout層后模型抗噪聲能力會下降20%～25%，失去BN層后正確率下降30%～35%。由此可以得出BN層是提高改進后TICNN抗噪聲能力的關(guān)鍵。另外，在第一個大卷積層和第二個卷積層之間添加Dropout層可以提高模型的抗噪聲能力。

4 診斷結(jié)果

用保存ITICNN訓練模型依次對對應的加速度傳感器在各個損傷情況下的數(shù)據(jù)片段進行二分類，并計算出Podij值、Podij值和平均值如表4所示。

表4 診斷結(jié)果百分比 %

從表4中可以看出加速度傳感器4、5、6、8、9、13在情況1～6下的振動信號變化不大，并且其他情況下均有損傷率相等的情況，因此使用單個加速度傳感器的不同損傷率來判斷框架結(jié)構(gòu)的損傷情況行不通。從平均值的變化可以看出，隨著模型損壞程度的增加，平均值也在增加，而且各個平均值之間均有一定的差值，由此可以根據(jù)平均值的不同對故障類型做出明確判斷。將表中4～15數(shù)據(jù)繪制成如圖9所示。

在圖9中1DCNN結(jié)果為2018年 Abdeljaber O等人運用3.7節(jié)中所述1DCNN模型進行故障診斷得出。從損傷情況1(未損傷)可以看出使用ITICNN將信號片段全部判斷成未損傷一類，并將情況8判斷成全部損傷。而1DCNN則將情況1判斷出存在損傷情況，情況8存在未損傷片段，由此可以看出ITICNN的分類能力較強，而1DCNN的診斷結(jié)果存在較大的誤差。使用ITICNN診斷的結(jié)果中各個情況的損傷率相差較大，并且情況8和9的差別達到5.66%，從而可以將情況8和9做出明確判斷。另一方面，由于ITICNN的抗噪性較強，由此在-4 dB噪聲情況下可以將情況8、9做出可靠度為80%的分類結(jié)果，并對各種損傷情況做出明確判斷。

5 結(jié)語

本研究通過對TICNN進行改造提高了其抗噪聲能力與網(wǎng)絡(luò)識別能力。使用二分類對框架結(jié)構(gòu)進行故障診斷的方法得到了理想的結(jié)果。運用各個加速度傳感器中損壞片段占總數(shù)量比例的平均值與損傷情況進行對應達到了對4層樓體模型的故障診斷實時監(jiān)測的目的。通過對比研究，使用ITICNN將情況1判斷為損傷率為0%，以及情況8判斷為損傷率100%，各個損傷情況之間的差值較大，隨著損傷情況越來越嚴重損傷片段比重也越來越大，由此表明改進的TICNN對框架結(jié)構(gòu)可以進行有效地故障診斷，并且診斷結(jié)果更加準確。