蔡超志 池耀磊 郭璐彬

(河北工程大学机械与装备工程学院，河北 邯郸 056038)

框架结构在使用过程中会由于螺栓松动、受力不均匀和材料疲劳以及氧化而发生故障，导致框架崩塌引起重大工程事故，给人们的生命财产安全带来不可估量的损失。因此，提出合适的故障诊断方法对框架结构进行精确的故障诊断，提前预测框架结构的健康运行状态具有重大的科学和实际工程意义。

传统的故障诊断方法有傅里叶变换、小波变换和经验法等。传统的故障诊断方法在面向故障内容复杂、数据量较多及有噪声干扰的对象时，诊断性能会下降，甚至不能够进行精确的故障诊断。随着人工智能的不断发展，深度学习理论被广泛地应用于信号分类和图像识别，由此衍生出各种各样的卷积神经网络，其中1DCNN[1](one dimensional convolution neural network)、VGG-net[2]、Rest-net[3]、Inception[4,7]被诸多研究者经过变换维度、改变深度、改变卷积核大小等，将它们用于各个领域进行故障诊断和信息分类[5]。Abdeljaber O等人[6]运用1DCNNs(one dimensional convolution neural networks)对楼体模型框架结构进行了故障诊断研究，得到了随着损伤情况不断增加损伤率也不断增加的诊断结果，但由于使用的1DCNN卷积层数较少而且卷积核大小每层均相同导致网络模型泛化能力较差，得到的结果误差较大。另外，张伟[8]通过对VGG-net进行增大第一个卷积层卷积核宽度、将Dropout加在卷积层、逐层BN(batch normalization)等，提出了抗噪声能力较强的WDCNN，随后，在WDCNN的基础上调整了第一个卷积层的卷积步长，得到了抗噪声能力更强的TICNN[9]，并将其用于轴承故障诊断，诊断率高达100%。但将TICNN用于框架结构故障诊断时由于相邻的损伤情况数据类似，而导致分类精度下降，且抗噪声能力也有所下降。

为了提高TICNN对框架结构的诊断精度和抗噪声能力，本研究在TICNN的基础上，将输入数据长度减短，并对卷积层数目进行了深化和一系列参数调整，提出了适用于框架结构故障诊断的抗噪声能力强的卷积神经网络模型ITICNN(improving convolution neural networks with training interference)，并运用ITICNN对数据来源于不列颠哥伦比亚大学地震实验室的4层楼体结构框架[10]进行了故障诊断，得到了未损坏情况下损伤率为0%，完全损伤情况下损伤率为100%的精确诊断结果。

1 框架结构介绍

本文所研究的模型是不列颠哥伦比亚大学建造的4层钢结构框架[6]，分为东南西北4个面，每个面上结构分布都一样，相同位置用同样的编码。在钢结构模型上放置了15个加速度传感器，框架结构和加速度传感器摆放位置如图1所示，其中黑色方块表示加速度传感器。

本框架结构共模拟了9种损伤情况,如表1所示。

表1 损伤情况对应破坏位置

2 框架结构损伤与检测

使用多个二分类代替多分类的方式对计算机配置要求较低，而且训练速度快并且具有较高的准确率。基于二分类的优越性本文使用的故障诊断流程如图2所示。

(1)采集每个加速度传感器的振动信号。加速度传感器在完好情况下所测得的信号记作U，在损坏情况下测得的信号记作D，j为加速度传感器编号j=(1～15)

(1)

(2)由于实验所提供的数据数量并不多，所以要使用数据增强来获取更多的样本而且使每个样本的大小一致，即在训练过程中使用相同大小的数据组及进行训练。

(2)

式中:Kij为第i种损伤情况下第j个加速度传感器的源信号长度。裁剪片段窗口长度为1 024，b为步长。由于源数据中K(i=1～5)j=2.4 万个数据点、K(i=6)j=6 万个数据点、K(i=7～9)j=7.2 万个数据点，所以情况1～5下的步长为24，情况7～9下的步长为72，情况6采取步长为60使数据片段均为958。

(3)将每种情况的958个信号片段在-1和1之间归一化，用UNj表示归一化的结果为：

(3)

(4)数据集的划分，经过剪片和归一化后，将UNj和DNj进行混合用于训练第j个网络。每个网络对应的训练样为958×2=1 916个。

(5)用保存的第j个训练好的模型，对第j个加速度传感器在情况i下的数据片段进行分类。求取出损坏片段占整个信号片段的比率Podij值，用第i种情况下所有Podij值的均值大小来表达第i种损伤情况，值越大说明损伤就越严重。Podij的计算如式(4)所示，计算流程如图3所示。

(4)

3 改进的TICNN

卷积层的感受视野越广，卷积层的特征提取能力越强，本文在TICNN的基础上，将TICNN第一个卷积层的输入调整为1 024，核大小改为128，步长为2，通道仍为16，导致第一卷积层的感受视野缩减了一半，因此在第一卷积层后添加核大小为64，步长为2，32通道的中间过渡层从而使整体网络的感受视野回归到TICNN的水平。另外，由于使感受视野水平提升的同时也增加了网络参数量，因此网络最后将小卷积层增加到5层，从而保留TICNN最后4层小卷积层提高网络的抗干扰的能力。由于Dropout放在卷积层的抑制拟合能力并不明显，所以将Dropout添加到全连接层抑制过拟合现象的发生。改进后的TICNN卷积过程图如图4所示。

图4中C代表长度、T代表通道数、G代表好的一类、B代表坏的一类，在改进的TICNN中每个池化层后使用BN操作，BN层将数据进行标准化操作，使网络识别能力增强。

3.1 ITICNN算法流程图

一维卷积神经网络的卷积过程，只需按照一定的步长依次向下遍历整个输入，第一层卷积的感受野即为第一个卷积核的长度，ITICNN算法流程图如图5所示。

卷积层定义如下所示：

(5)

3.2 神经网络的超参设计

如图3所示，在将卷积层展平后使用Dropout参数为0.5，每一层池化层后使用BN处理，每一层的具体参数如表3所示。

表3 改进后的TICNN参数

3.3 模型训练结果

为了展现ITICNN训练的结果，以加速度传感器13的训练结果为例，训练批次为150次，准确率和目标函数值如图6所示。

在图7中训练批次达到30就接近于稳定值，训练40次最终稳定在100%，同时目标函数值下将的速度非常快，训练批次达到30左右，目标函数值就趋于稳定。训练批次达到100后训练和测试的目标函数曲线重合，训练次数达到120目标函数值降到10-5级别。

3.4 混淆矩阵分析

混淆矩阵又称为误差矩阵，在卷积神经网络的训练中常常使用混淆矩阵里的参数来计算网络的正确率、召回率。本文选择第13个加速度传感器所匹配的卷积神经网络，所得到的混淆矩阵如图7所示。

从图7混淆矩阵中可以得出正确率为100%，召回率同样为100%，由此可得出诊断结果可信度较高的结论。同时说明使用二分类的方式进行故障诊断时获得正确率较高。

3.5 抗噪性对比

运用1DCNN(Avci O等人[10]使用的1DCNN)与WDCNN、TICNN和ITICNN进行抗噪声能力对比实验。将加速度传感器14的完好和损坏信号训练完后保存模型，使用保存的模型去给添加不同噪声且已知标签的信号进行分类，根据输出混淆矩阵计算出正确率加以比较。信噪比定义如下：

(6)

其中：SNR为信噪比，Sigpower为信号功率，noisepower为噪声功率，将信噪比改成单位是dB形式，如下所示：

SNRdB=10logSNR

(7)

对比结果如图8所示。

从图8中可以看出，ITICNN抗噪声能力要强于TICNN约3%～4%，TICNN的抗噪声能力大于WDCNN28%～30%，同时ITICNN强于1DCNN30%～32%。经过对比ITICNN和没有Dropout和没有BN的改进TICNN网络模型，可以明显地看出失去Dropout层后模型抗噪声能力会下降20%～25%，失去BN层后正确率下降30%～35%。由此可以得出BN层是提高改进后TICNN抗噪声能力的关键。另外，在第一个大卷积层和第二个卷积层之间添加Dropout层可以提高模型的抗噪声能力。

4 诊断结果

用保存ITICNN训练模型依次对对应的加速度传感器在各个损伤情况下的数据片段进行二分类，并计算出Podij值、Podij值和平均值如表4所示。

表4 诊断结果百分比 %

从表4中可以看出加速度传感器4、5、6、8、9、13在情况1～6下的振动信号变化不大，并且其他情况下均有损伤率相等的情况，因此使用单个加速度传感器的不同损伤率来判断框架结构的损伤情况行不通。从平均值的变化可以看出，随着模型损坏程度的增加，平均值也在增加，而且各个平均值之间均有一定的差值，由此可以根据平均值的不同对故障类型做出明确判断。将表中4～15数据绘制成如图9所示。

在图9中1DCNN结果为2018年 Abdeljaber O等人运用3.7节中所述1DCNN模型进行故障诊断得出。从损伤情况1(未损伤)可以看出使用ITICNN将信号片段全部判断成未损伤一类，并将情况8判断成全部损伤。而1DCNN则将情况1判断出存在损伤情况，情况8存在未损伤片段，由此可以看出ITICNN的分类能力较强，而1DCNN的诊断结果存在较大的误差。使用ITICNN诊断的结果中各个情况的损伤率相差较大，并且情况8和9的差别达到5.66%，从而可以将情况8和9做出明确判断。另一方面，由于ITICNN的抗噪性较强，由此在-4 dB噪声情况下可以将情况8、9做出可靠度为80%的分类结果，并对各种损伤情况做出明确判断。

5 结语

本研究通过对TICNN进行改造提高了其抗噪声能力与网络识别能力。使用二分类对框架结构进行故障诊断的方法得到了理想的结果。运用各个加速度传感器中损坏片段占总数量比例的平均值与损伤情况进行对应达到了对4层楼体模型的故障诊断实时监测的目的。通过对比研究，使用ITICNN将情况1判断为损伤率为0%，以及情况8判断为损伤率100%，各个损伤情况之间的差值较大，随着损伤情况越来越严重损伤片段比重也越来越大，由此表明改进的TICNN对框架结构可以进行有效地故障诊断，并且诊断结果更加准确。