CN110555247A - 一种基于多点传感器数据和BiLSTM的结构损伤预警方法 - Google Patents

Abstract

本发明公开了一种基于多点传感器数据和BiLSTM的结构损伤预警方法，包括步骤：在结构上布置若干个传感器，分别收集结构健康状态和损伤状态下的传感器数据，建立带有损伤数值标签的样本库；对样本库中的传感器数据进行归一化处理，确定输入BiLSTM网络的时间步长；搭建BiLSTM网络模型，对模型进行训练和测试；将一定时间内监测的多点传感器数据输入搭建的BiLSTM网络模型，得到BiLSTM网络模型的最终预测结果，根据最终预测结果，判断是否进行损伤预警。本发明不依赖于结构有限元模型，实现过程无需人工参与，适用于在役结构的自动在线损伤预警，能够在结构出现损伤的第一时间发出警报，为桥梁维修和管理决策提供一定的指导，从而保证工程结构的安全运营。

Description

一种基于多点传感器数据和BiLSTM的结构损伤预警方法

技术领域

本发明涉及结构健康监测领域，尤其涉及一种基于多点传感器数据和BiLSTM的结构损伤预警方法。

背景技术

大型工程结构在服役期间，随着使用时间的增长，其组成材料不断老化、疲劳效应不断增加，不可避免地会出现不同类型、不同程度的损伤，当损伤累积到一定程度时，如果没有及时发现并处理，可能导致整个工程结构的垮塌，对人们的生命和财产安全造成严重威胁。因此，在大型工程结构运营过程中，及时监测结构状态并对结构的早期损伤进行预警，具有较大的工程应用价值。

近二十年来，国内外学者围绕结构损伤识别进行了大量的研究，提出了很多结构损伤识别理论和方法，例如：利用小波包能量谱构建损伤预警指标，实现对结构累积损伤的识别；通过对冲击作用下的振动响应进行小波包变换，构建损伤识别指标，并根据峰值判断钢框架结构是否发生损伤以及损伤发生的位置；利用结构加速度响应数据构造目标函数，将结构损伤识别问题转化为优化问题，最后基于结构有限元模型和果蝇优化算法求解该优化问题，从而实现结构损伤识别；通过结构有限元模型提取结构固有频率、振型等模态参数，接着利用固有频率残差和模态确保准则构建目标函数，最后采用人工蜂群算法求解该目标函数的最优解，从而得到损伤识别结果；通过建立反映真实结构动力学特性的结构数值模型，构建带有损伤数值标签的样本库，再利用这些样本训练和验证卷积神经网络，通过训练好的卷积神经网络对真实结构的损伤进行预测。

通过对相关领域现有技术的研究发现，现有的结构损伤识别方法需要利用结构本身的力学特性，依赖于有限元模型，有些方法的计算过程需要人工参与，容易产生人工干预的随机性，不适合对海量在线监测数据进行自动分析。此外，实际工程结构存在很多不确定性因素，不同类型的结构力学特性也不尽相同，现有方法很难建立精确通用的结构分析模型，并且难以应用到实际的工程结构中。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于多点传感器数据和BiLSTM的结构损伤预警方法。本发明直接利用布置在结构上的多点传感器实测响应数据来对结构进行损伤预警。本发明避免了分析复杂的结构力学特征，不依赖于结构有限元模型，实现过程无需人工参与，适用于在役结构的自动在线损伤预警，能够在结构出现损伤的第一时间发出警报，为桥梁维修和管理决策提供一定的指导，从而保证工程结构的安全运营。

本发明的目的能够通过以下技术方案实现：

一种基于多点传感器数据和BiLSTM的结构损伤预警方法，包括步骤：

在结构上布置若干个传感器，分别收集结构健康状态和损伤状态下的传感器数据，建立带有损伤数值标签的样本库；

对样本库中的传感器数据进行归一化处理，确定输入BiLSTM网络的时间步长；

搭建BiLSTM网络模型，对模型进行训练和测试；

将一定时间内监测的多点传感器数据输入搭建的BiLSTM网络模型，得到BiLSTM网络模型的最终预测结果，根据最终预测结果，判断是否进行损伤预警。

优选地，布置的传感器包括但不限于加速度传感器、挠度传感器、应变传感器以及应力传感器。

具体地，对传感器数据进行归一化处理的公式为：

其中，x表示原始传感器数据，x′为归一化处理后的传感器数据，x_max和x_min分别表示原始传感器数据的最大值和最小值。

进一步地，输入BiLSTM网络的时间步长的确定方法为：

利用游程检验方法来检验原始传感器数据是否平稳，如果不平稳则采用差分和季节差分方法对原始传感器数据进行平稳化处理；

获取平稳化后传感器数据的自相关函数和偏自相关函数，利用截尾拖尾判定ARMA模型的阶数，该阶数即为输入BiLSTM网络的时间步长。

具体地，所述搭建的BiLSTM网络模型包括输入层、前向隐藏层、后向隐藏层和输出层。

更进一步地，前向隐藏层和后向隐藏层中的记忆单元均包括当前细胞状态C_t、当前输出h_t、上一时刻细胞状态C_t-1、上一时刻输出h_t-1、遗忘门f_t、输入门i_t以及输出门o_t。

记忆单元在t时刻计算遗忘门的输出f_t：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

输入门更新即将添加的信息i_t，同时创建一个候选细胞状态

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

根据得到的遗忘门输出f_t、输入i_t和候选细胞状态得到t时刻细胞状态c_t：

在计算出输出门o_t后，与细胞状态c_t一起更新记忆单元的输出h_t：

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

h_t＝o_t⊙tanh(c_t)

其中，W_fx、W_fh、W_ix、W_ih、W_ox、W_oh、W_cx以及W_ch分别表示相应的权重矩阵；b_f、b_i、b_o、b_c分别表示相应的偏置项；⊙表示逐点相乘，σ和tanh分别表示sigmoid函数和双曲正切函数，计算公式如下：

根据上述计算公式分别计算前向隐藏层和后向隐藏层的输出，从而得到各自的最后一个输出，将BiLSTM网络前向隐藏层和后向隐藏层的最后一个输出和拼接起来并输入到sigmoid函数后得到输出y：

其中，W_yh和b_y分别表示权重矩阵和偏置项。上述权重矩阵与偏置项通过随机梯度下降算法(SGD)确定。

具体地，根据最终预测结果判断是否进行损伤预警的方法为：

若预测结果为“0”，则表示结构处于健康状态；若预测结果为“1”，则表示结构可能出现损伤，对结构进行损伤预警。

本发明相较于现有技术，具有以下的有益效果：

1、本发明直接利用布置在结构上的多点传感器实测相应数据进行结构损伤预警，避免了分析复杂的结构力学特性，无需进行复杂的信号变换和特征提取，计算简便，可快速处理海量监测数据。

2、本发明不依赖于结构有限元模型，实现过程无需人工参与，对噪声鲁棒性强。本发明结构简单，易于实现，适用于在役结构的自动在线损伤预警，能够在结构出现损伤的第一时间发出警报，为工程结构维护维修和管理决策提供一定的知道，保证工程结构的安全运营，具有较大的经济效益。

附图说明

图1是一种基于多点传感器数据和BiLSTM的结构损伤预警方法的流程图。

图2是BiLSTM网络时间步长确定方法的流程图。

图3是BiLSTM网络中记忆单元的结构示意图。

图4是用于损伤预警的简支梁结构示意图。

图5是不同分类模型在不同噪声水平下的分类准确率变化图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示为一种基于多点传感器数据和BiLSTM的结构损伤预警方法流程图，包括步骤：

一种基于多点传感器数据和BiLSTM的结构损伤预警方法，包括步骤：

(1)在结构上布置若干个传感器，分别收集结构健康状态和损伤状态下的传感器数据，建立带有损伤数值标签的样本库；

布置的传感器包括但不限于加速度传感器、挠度传感器、应变传感器以及应力传感器。

传感器数量要根据实际结构，由专业人员确定；传感器数据由所选用的传感器类型确定；对于建立样本库：假设布置了L个传感器，对结构无损伤情况下采集到的数据，进行以下处理：将同一个采集时刻的L个传感器数据作为一个样本，样本标签记为0；对结构损伤情况下采集的数据，同理，但是样本标签记为1。

(2)对样本库中的传感器数据进行归一化处理，确定输入BiLSTM网络的时间步长；

对传感器数据进行归一化处理的公式为：

其中，x表示原始传感器数据，x′为归一化处理后的传感器数据，x_max和x_min分别表示原始传感器数据的最大值和最小值。

如图2所示为输入BiLSTM网络的时间步长的确定方法的流程图，所述确定方法的步骤为：

利用游程检验方法来检验原始传感器数据是否平稳，如果不平稳则采用差分和季节差分方法对原始传感器数据进行平稳化处理；

获取平稳化后传感器数据的自相关函数和偏自相关函数，利用截尾拖尾判定ARMA模型的阶数，该阶数即为输入BiLSTM网络的时间步长。

(3)搭建BiLSTM网络模型，对模型进行训练和测试；

具体地，所述搭建的BiLSTM网络模型包括输入层、前向隐藏层、后向隐藏层和输出层。

(4)将一定时间内监测的多点传感器数据输入搭建的BiLSTM网络模型，得到BiLSTM网络模型的最终预测结果，根据最终预测结果，判断是否进行损伤预警。

如图3所示为BiLSTM网络中记忆单元的结构示意图，前向隐藏层和后向隐藏层中的记忆单元均包括当前细胞状态C_t、当前输出h_t、上一时刻细胞状态C_t-1、上一时刻输出h_t-1、遗忘门f_t、输入门i_t以及输出门o_t。

记忆单元在t时刻计算遗忘门的输出f_t：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

输入门更新即将添加的信息i_t，同时创建一个候选细胞状态

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

根据得到的遗忘门输出f_t、输入i_t和候选细胞状态得到t时刻细胞状态c_t：

在计算出输出门o_t后，与细胞状态c_t一起更新记忆单元的输出h_t：

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

h_t＝o_t⊙tanh(c_t)

其中，W_fx、W_fh、W_ix、W_ih、W_ox、W_oh、W_cx以及W_ch分别表示相应的权重矩阵；b_f、b_i、b_o、b_c分别表示相应的偏置项；⊙表示逐点相乘，σ和tanh分别表示sigmoid函数和双曲正切函数，计算公式如下：

根据上述计算公式分别计算前向隐藏层和后向隐藏层的输出，从而得到各自的最后一个输出，将BiLSTM网络前向隐藏层和后向隐藏层的最后一个输出和拼接起来并输入到sigmoid函数后得到输出y：

其中，W_yh和b_y分别表示权重矩阵和偏置项。上述权重矩阵与偏置项通过随机梯度下降算法(SGD)确定。

根据最终预测结果判断是否进行损伤预警的方法为：

若预测结果为“0”，则表示结构处于健康状态；若预测结果为“1”，则表示结构可能出现损伤，对结构进行损伤预警。

在本实施例中，以一简支梁建立的有限元模型如图4所示，该简支梁由144个梁单元和一个弹簧单元组成，梁长度为1.4m，横截面积为50mm*50mm，在简支梁的三个点分别施加幅值不同的独立随机激励，并在梁上47个等距的点分别布置加速度传感器，测量横向加速度，采样频率为571Hz，通过降低在弹簧支承处两个总长为19.4mm的梁单元的高度h来模拟结构损伤，h＝4.5，4，3.5，3和2.5mm，分别代表不同等级的损伤，总共测量100次，前50次测量的加速度数据来自非损伤结构，后50次测量的加速度数据来自损伤等级不同的损伤结构。将80％的数据作为训练样本，剩下20％的数据作为测试样本。采用准确率Accuracy作为分类表现的评价指标，Accuracy计算公式为：

式中，T_p和T_n分别表示预测正确的正样本数和预测正确的负样本数，N表示样本总数。Accuracy越大分类越准确，分类表现越好。

将BiLSTM模型与长短时记忆神经网络(LSTM)和BP神经网络(BPNN)进行对比，实验结果如表1所示。

表1

模型	BiLSTM	LSTM	BPNN
				Accuracy	0.9433	0.9381	0.8640

从表1可以看出，BiLSTM网络模型的分类表现比LSTM和BPNN好，能以较高的精确率对损伤情况进行分类。

为说明本发明的损伤预警方法的噪声鲁棒性，对每次测量的加速度数据分别添加1％、2％、5％和10％的高斯白噪声，用BiLSTM、LSTM和BPNN分别进行损伤预测，实验结果如表2所示。

表2

噪声水平	BiLSTM	LSTM	BPNN
				1％	0.8447	0.8395	0.6791
2％	0.8216	0.8153	0.6515
				5％	0.7786	0.7534	0.6160
10％	0.7146	0.6957	0.5967

由表2结合图5所示的不同分类模型在不同噪声水平下的分类准确率变化图，可以明显看出，BiLSTM模型的分类准确率随着噪声水平的增加而下降，但在每一个噪声水平上，BiLSTM模型的分类表现均好于LSTM和BPNN，且保持在一个较高的水平上，说明所搭建的BiLSTM模型泛化能力比LSTM和BPNN好，且具有较好的噪声鲁棒性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，包括步骤：

在结构上布置若干个传感器，分别收集结构健康状态和损伤状态下的传感器数据，建立带有损伤数值标签的样本库；

对样本库中的传感器数据进行归一化处理，确定输入BiLSTM网络的时间步长；

搭建BiLSTM网络模型，对模型进行训练和测试；

将一定时间内监测的多点传感器数据输入搭建的BiLSTM网络模型，得到BiLSTM网络模型的最终预测结果，根据最终预测结果，判断是否进行损伤预警。

2.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，布置的传感器包括但不限于加速度传感器、挠度传感器、应变传感器以及应力传感器。

3.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，对传感器数据进行归一化处理的公式为：

其中，x表示原始传感器数据，x′为归一化处理后的传感器数据，x_max和x_min分别表示原始传感器数据的最大值和最小值。

4.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，输入BiLSTM网络的时间步长的确定方法为：

利用游程检验方法来检验原始传感器数据是否平稳，如果不平稳则采用差分和季节差分方法对原始传感器数据进行平稳化处理；

获取平稳化后传感器数据的自相关函数和偏自相关函数，利用截尾拖尾判定ARMA模型的阶数，该阶数即为输入BiLSTM网络的时间步长。

5.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，所述搭建的BiLSTM网络模型包括输入层、前向隐藏层、后向隐藏层和输出层。

6.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，前向隐藏层和后向隐藏层中的记忆单元均包括当前细胞状态C_t、当前输出h_t、上一时刻细胞状态C_t-1、上一时刻输出h_t-1、遗忘门f_t、输入门i_t以及输出门o_t。

7.根据权利要求6所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，记忆单元在t时刻计算遗忘门的输出f_t：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f)

输入门更新即将添加的信息i_t，同时创建一个候选细胞状态

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i)

根据得到的遗忘门输出f_t、输入i_t和候选细胞状态得到t时刻细胞状态ct：

在计算出输出门o_t后，与细胞状态c_t一起更新记忆单元的输出h_t：

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o)

h_t＝o_t⊙tanh(c_t)

其中，W_fx、W_fh、W_ix、W_ih、W_ox、W_oh、W_cx以及W_ch分别表示相应的权重矩阵；b_f、b_i、b_o、b_c分别表示相应的偏置项；⊙表示逐点相乘，σ和tanh分别表示sigmoid函数和双曲正切函数，计算公式如下：

根据上述计算公式分别计算前向隐藏层和后向隐藏层的输出，从而得到各自的最后一个输出，将BiLSTM网络前向隐藏层和后向隐藏层的最后一个输出和拼接起来并输入到sigmoid函数后得到输出y：

其中，W_yh和b_y分别表示权重矩阵和偏置项。

8.根据权利要求1所述的一种基于多点传感器数据和BiLSTM的结构损伤预警方法，其特征在于，根据最终预测结果判断是否进行损伤预警的方法为：

若预测结果为“0”，则表示结构处于健康状态；若预测结果为“1”，则表示结构可能出现损伤，对结构进行损伤预警。