包兴先， 范同轩， 张 敬， 张 亚

（中国石油大学（华东）石油工程学院，山东青岛266580）

0 引 言

海洋平台长期服役于复杂恶劣的海洋环境，将不可避免地受到损伤，对海洋平台进行损伤识别对于确保海上作业安全和结构的完整性管理起着至关重要的作用［1-2］。近年来，基于振动响应的损伤识别方法已得到广泛应用，该方法可以分为参数方法和非参数方法两大类［3］。参数方法，即基于结构损伤前后的模态参数或其相关参量的变化来获得损伤敏感特征。在过去的几十年中，参数方法取得了重大进展［4-7］。然而，参数方法在实际应用中仍然存在一些挑战性问题，例如模态信息不完备，测量噪声和方程组求解的病态问题等［8-11］。非参数方法，也称为数据驱动方法，旨在直接从测得的结构振动响应信号中提取损伤敏感特征，而不需进行结构的模态参数识别［3，12-14］。尽管非参数方法不需要识别模态参数或解决任何全局优化问题，但是也面临着海量数据处理、测量噪声等困难。而机器学习，特别是近年来发展的深度学习方法由于其较好的冗余处理和容错性，可以为此提供解决方案。

如今，深度学习已广泛应用于计算机视觉、语音识别和图像处理等领域［15-16］，并取得了令人满意的结果。深度学习算法具有良好的模式分类和泛化能力，在结构损伤识别中也具有广阔的应用前景。与普通的神经网络和支持向量机相比，卷积神经网络（CNN）作为一种深度学习算法，使用梯度下降法获取模型的参数，从而使网络具有提取模型特征的能力，避免了传统机器学习方法中复杂的特征提取过程。目前，CNN 在计算机视觉、图像处理等领域应用比较广泛，而在结构损伤识别领域较为鲜见。Abdeljaber等［3］使用CNN在二维框架结构上执行基于振动的损伤检测，结果表明该方法具有出色的损伤识别性能。Lin等［12］设计了一个深层的CNN来识别简支梁的损伤位置，并对隐藏层进行可视化处理以帮助人们了解网络的工作原理。

本文构建一维CNN损伤识别模型，基于导管架式海洋平台模型的振动台实验数据进行CNN 网络训练和测试，验证一维CNN 用于结构损伤识别的有效性，并开发基于CNN 的海洋平台损伤识别实验系统。该系统可用于学生的课内实验教学以及创新实验活动，有助于提高学生对深度学习、结构健康监测等知识的理解，增强学生的实践能力和创新意识［17-20］。

1 CNN构建

CNN主要包括卷积层、池化层、全连接层等几部分。原始输入数据通过卷积层的卷积核形成相应的特征图。然后，经过池化层的池化操作实现对特征图维数的降低，从而提高神经网络的计算效率。最后，全连接层以概率形式显示提取的特征。非线性激活函数用于增强模型的拟合能力，而dropout操作用于神经网络避免过拟合。本文采用的一维CNN 的结构图如图1所示。

图1 一维CNN的结构图

1.1 卷积层

卷积层使用卷积核对输入信号（或特征）的局部区域进行卷积并生成相应的特征。本研究中CNN 的输入是时间序列值，卷积操作示意图如图2 所示。卷积过程中，第i卷积层的输出Oi可以表示为

式中：Oi-1是第i -1 卷积层的输出；Wi是第i 层卷积层的权重；b是偏移矢量；f（*）是激活函数。

图2 卷积操作

1.2 池化层

池化层也称为采样层，通常分为上采样层和下采样层。本研究的一维时间序列处理中，采用下采样层。

池化层主要包括最大池化层和平均池化层。池化层的主要作用是减小特征图的维数，降低模型训练过程中过拟合的风险。池化层在卷积层之后，可以表示为

式中：down（*）是二次采样函数；ai是第i 采样层的偏差向量。

1.3 激活函数

在神经网络中，为了学习复杂的映射关系，需要采用激活函数对上一层进行非线性变换输出。目前，广泛采用的激活函数为LeakyReLU函数，其表达式：

LeakyReLU函数与其他函数（如ReLU）相比，具有加快收敛速度并避免梯度消失的优点。

1.4 全连接层

全连接层在CNN中扮演“分类器”的角色。它将卷积层、池化层等操作学习到的特征表示映射到样本的标记空间。全连接层采用Softmax 函数表示出每个类别标签的概率值，Softmax函数的形式如下：

式中：yi（i ＝1，2，…，n）代表全连接层的输出；n代表类别标签的数量。

1.5 目标函数

为了评估正确值和预测值之间的差异，采用以交叉熵描述的目标函数。给定两个概率分布p 和q，交叉熵H（p，q）可表示为

式中：x是类别标记向量的索引；p 代表正确的标记向量；q代表预测值。交叉熵描述了p 和q 两个概率分布之间的距离。交叉熵值越小，模型的预测能力越强。为了最小化目标函数的输出值，本文使用了Adam 小批量随机梯度下降算法。

2 实验系统开发

2.1 导管架式海洋平台损伤识别实验系统组成

导管架式海洋平台损伤识别的实验系统主要包括海洋平台模型、信号采集系统、振动台等，如图3 所示。

图3 导管架式海洋平台损伤识别的实验系统组成

导管架式海洋平台模型采用钢管、钢板焊接制成。钢管规格为立柱20 mm×2 mm，横撑、斜撑12 mm ×2 mm。甲板尺寸为460 mm ×460 mm ×6 mm。模型层高从上至下依次为15、15、25、30、30 cm。桩腿倾角1∶10，底部尺寸0.5 m×0.5 m。将4 个桩腿插入沙土中，模拟实际海洋平台的固定方式。通过拆卸横撑、斜撑、桩腿等相应杆件位置处的螺栓来模拟损伤，如图4和图5 所示，本实验可模拟单个、多个损伤位置等不同的损伤工况。

在海洋平台模型相应杆件上粘贴共10 组应变片，每组应变片采用半桥式接法（见图4、5）。应变片为BX120-3AA型号，敏感栅尺寸为长3 mm，宽2 mm。基底尺寸为长6.5 mm，宽3.5 mm。数据采集采用uTekAcqu动态信号采集系统。

图4 应变片的连接方式及海洋平台的损伤模拟

图5 信号采集位置及损伤模拟位置

采用振动台给海洋平台模型施加激励力。振动台的作动器输出力为17 t，试验力的测量精度不低于±0.5%FS。振动台台面上的滑轨采用的零间隙滚珠直线滑轨，尺寸为1.3 m×1.3 m。台面上固定的钢桶半径为0.5 m，重3 t，钢桶内装有沙土。由振动台的控制系统可以输入波形、循环次数、频率、振幅等激励力特征参数。

2.2 导管架式海洋平台损伤识别实验步骤

（1）海洋平台模型安放及损伤模拟。将海洋平台模型插入振动台钢桶的沙土里，并没过最下一层，确保固定良好。通过不拆卸或拆卸不同位置处的杆件来模拟完好工况或不同位置的损伤工况。

（2）开启振动台。开启振动台，打开振动台操作软件，设置激励方式、振幅、频率、循环次数等参数。如图6 所示为正弦波激励，振幅设置为10 mm，振中设置为振动台的原点，频率设置为1 Hz，循环次数为1 000 次。

（3）应变响应数据采集。分别在海洋平台模型完好工况以及不同损伤位置工况下，设置采样频率、采样时长，采集10 个通道的应变响应数据。图7 为采样频率1.024 kHz，采样时长60 s时，第1 通道分别采集的桩腿损伤和横撑损伤工况下的应变响应数据。

图6 振动台激励荷载设置

（4）一维CNN 损伤识别模型训练及测试。构建一维CNN损伤识别模型，对采集的完好工况及不同损伤位置工况下10 通道的应变响应数据，建立相应的类别标签，随机选取测得数据的70%作为训练集，其余30%作为测试集。通过调试一维CNN模型，直到得到满意的损伤识别结果。

3 实验系统验证

基于上述开发的海洋平台损伤识别实验系统，进行实验验证。选取7 种海洋平台模型的模拟工况，包含1 种完好工况和6 种不同位置的损伤工况（见表1）。在振动台规则波激励下，每个模拟工况的应变响应数据都由10 个通道采集，采样频率为1.024 kHz，信号长度为60 s。因此每个模拟工况下的数据集的大小为10 ×60 ×1 024，那么7 个模拟工况的总数据集的大小为7 ×10 ×60 ×1 024。这意味着可以构建3 360 个数据集，每个数据集的大小为128 ×10（见图1）。在CNN模型中，随机选取总数据集的70%（2 352 个数据集）作为训练集，10%的训练集（236 个数据集）作为验证集，30%的总数据集（1 008 个数据集）作为测试集。

图7 不同损伤工况下第1通道采集的应变响应

表1 海洋平台模型模拟工况及标签

表2 列出了各模拟工况下的损伤识别结果。可以看出，在随机选取的1 008 个测试集中，各损伤情况对应的数据集大小并不一致，但无论是完好工况、单损伤位置工况还是多损伤位置工况，预测精度均为100%，

即预测的损伤情况与实际的损伤情况完全吻合。这表明一维CNN方法可以很好地用于识别导管架式海洋平台的损伤位置，也验证了基于CNN方法开发的海洋平台损伤识别实验系统的有效性。

表2 CNN损伤识别结果

4 实验系统扩展功能

（1）损伤程度的识别。本次实验验证只采用了7种模拟工况，对于损伤的模拟采取的是完全卸掉螺栓及杆件的方式。后续还可以考虑采用螺栓部分松开，杆件并非完全卸掉的方式，模拟杆件部分损伤的情况，这样通过不同损伤位置、不同损伤程度的模拟可增加实验项目，并完善损伤程度识别的内容。

（2）激励方式的选择。本次实验验证采用振动台产生的规则波激励，后续还可以考虑采取随机白噪声激励、地震波激励、脉冲激励等多种激励方式，进一步完善实验系统。

（3）振动响应信号的丰富。本次实验验证采用应变片采集应变响应数据，后续可以考虑采集加速度、位移等振动响应信号，与应变信号的损伤识别结果对比，进一步丰富实验内容，完善实验系统。

（4）噪声对损伤识别的影响。本次实验测量过程中，尽量确保周围环境安静，没有考虑噪声对损伤识别的影响。下一步可以考虑在测试过程中增加环境噪声，或者通过在测得信号中人为地叠加高斯白噪声，来验证该实验系统对噪声的鲁棒性。

5 结 语

本文将CNN 引入到海洋平台损伤识别应用中。构建一维CNN损伤识别模型，开发海洋平台损伤识别实验系统，通过不同损伤位置的多个损伤工况实验模拟，验证了本实验系统的有效性，并提出了实验系统功能扩展的方向。在新工科建设背景和智慧时代大潮的引领下，基于CNN的海洋平台损伤识别实验系统的开发有助于学生提高实践创新能力，深入理解人工智能的应用场景，开阔思路，启迪智慧。