基于神经网络的闸门损伤检测

时间：2022-10-18 百科知识版权反馈

【摘要】：传统的闸门损伤检测方法有基于振动的检测，如时域法、频域法等;其他无损检测，如超声波法、红外线法等。正常情况下，闸门的损伤主要由锈蚀、碰撞等引起。在不同部位，损伤程度是不同的，因此确定闸门的损伤位置及损伤程度成为闸门检测的主要工作，而神经网络能方便地完成该任务。BP神经网络是目前应用最广泛的一种网络，包括输入层、隐层和输出层。将以上两种情况进行组合，得到740组神经网络的训练样本。

4.5　基于神经网络的闸门损伤检测

钢闸门在长期自然环境和使用环境的双重作用下，会产生不同程度的损伤，导致闸门功能减弱，这就要求人们及时发现并修复损伤。传统的闸门损伤检测方法有基于振动的检测，如时域法、频域法等;其他无损检测，如超声波法、红外线法等。但这些方法都要求事先已知闸门损伤的大致部位，且易于接近。事实上，很多闸门如水下闸门较难接近，或闸门太大(如三峡的船闸)，布置的应变片、传感器等数量多，在实际检测时有一定困难，这就要求我们寻找一种更方便的检测方法。由于神经网络自身的特点(容错性、鲁棒性、自适应性)，能将实测参数的变化与储存在数据库中可能的损伤序列参数的变化，进行模式比较与匹配来识别损伤，因此，将神经网络用于闸门的损伤检测就显示出其独特的优点。

4.5.1　闸门的模态分析

模态分析主要用于决定闸门的固有频率和振型。用有限元进行模态分析时，视闸门为无阻尼振动，其对应的振动微分方程为:

式中:［K］为结构的刚度矩阵，称为总刚;

　［M］为闸门结构的质量矩阵;

　{u}为闸门节点位移列阵;

　{ü]为闸门节点的加速度列阵。

对线性系统，令{u}={A^j_i}cosω_nj t，可得到闸门的特征矩阵方程为:

由式(4-2)可得闸门的特征(圆频率)方程为:

模态分析的主要任务就是求解方程(4-2)和方程(4-3)，以得到闸门的特征值ω_nj及其对应的特征向量{A^(j)_i}。式(4-2)、式(4-3)的总刚［K］是由单元刚度矩阵［k］集成的。单刚［k］是与材料常数E₀、ν₀、单元长度和节点所处的位置有关。例如对四边形单元，［k］=［k_rs］( r，s= 1，2，3，4)为4×4的矩阵，其中

式中:k_i( i= 1，2，3，4)是常数，与节点坐标、四边形单元的长度、材料常数ν₀、板厚t有关。由以上推导可知，当闸门局部发生变化(钢板变厚、断开等)时，会引起闸门的刚度变化，闸门的模态值也相应改变。

4.5.2　BP网络用于闸门检测的方法

正常情况下，闸门的损伤主要由锈蚀、碰撞等引起。在不同部位，损伤程度是不同的，因此确定闸门的损伤位置及损伤程度成为闸门检测的主要工作，而神经网络能方便地完成该任务。

4.5.2.1　BP神经网络的基本原理

BP神经网络是目前应用最广泛的一种网络，包括输入层、隐层和输出层。网络只有相邻层的单元相连接，同层单元不连接，可以看成是从输入到输出的一个高度非线性映射，其模型如图4-23所示。

图4-23　BP网络模型

标准BP算法是一种基于广义的δ学习规则的监督学习算法，利用均方误差和梯度下降法对网络权值进行修正，以使网络误差的平方和最小。该算法包括正向传播和反向传播两个过程。正向过程中，将学习样本送入输入层，经隐层运算，传至输出层。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各神经元的权值，使得误差最小。

标准BP神经网络存在诸如易形成局部极小而得不到整体最优解、收敛速度缓慢、泛化能力较差等缺陷，为此，常对算法进行改进，如改进误差函数、激励函数等。

4.5.2.2　网络特征参数的选取

对闸门的损伤检测，应获取足以代表结构固有特性的部分数据(某几点或某个方向)来作为损伤检测指标，例如能代表闸门损伤引起刚度变化较大方向上结构特性的数据，以此作损伤指标，而没有必要测取闸门各个点上各个方向的所有数据，事实上也是不可能的。从有关文献可得知应变模态对损伤具有较高的灵敏度，而频率对对称结构不灵敏。根据结构动力学理论可知，对应结构位移模态的应变模态是结构的固有动力特性，它不受荷载大小的影响，因此选择应变模态作为损伤指标。运用有限元法对不同损伤引起的闸门模态参数的改变进行计算，保存在神经网络数据库系统中，并比较实测完好结构与损伤结构的应变模态变化，就可判定闸门损伤的位置与程度。实际闸门应变模态的获取可以采用共振激励的方法获取。

4.5.2.3　基于Matlab神经网络程序

闸门检测中主要调用的Matlab函数:对样本的处理函数，如最大最小函数(premnmx、postmnmx、tramnmx);神经网络的建立如下式:

式中:newff为BP网络函数;minmax(P)表示网络输入向量的取值范围;S1为隐层神经元个数;S2为输出层单元个数; tansig、purelin分别为隐层、输出层的传递函数。训练函数选择trainlm(Levenberg-Marquardt)算法，是因为trainlm对于中等规模的BP网络神经网络具有最快的收敛速度。神经网络的训练:［net，tr］= train(net，P，T)，P、T分别为输入输出样本。

4.5.3　工程计算实例

现以某一水电站的平板闸门为例。考虑到闸门的主横梁、纵梁、隔板、边柱是闸门的主要受力构件，并根据它们的重要性及出现损伤的可能性，将闸门分为17个子块(各子块包括腹板和翼缘):上下主横梁(以隔板划分)8个子块，隔板3个子块，次梁(以隔板划分)4个子块，边柱2个子块。为计算简单，取其中8个子块作为计算子块，见图4-24。对闸门的损伤检测步骤如图4-24所示。

图4-24　闸门结构图

4.5.3.1　训练样本的获得

因应变模态能反映局部损伤的影响，而损伤结构的应变模态与完好结构的应变模态会有不同，故采用损伤结构与完好结构的应变模态差作为损伤标识量。在各子块中选择一点，首先考虑不同子块出现单处损伤的情况。假定各子块分别出现5种不同程度的损伤，损伤量定义为各子块刚度下降的百分比。用ANSYS分别计算出各子块损伤量为10%、20%、30%、40%、50%的第一阶应变模态正交分量。分别得到结构在不同位置发生不同程度单处损伤时，损伤结构的40组应变模态，计算这些应变模态与完好结构应变模态(损伤0%)的差值，据此构造结构单处损伤的神经网络样本。其次，为了与实际损伤状况相符合，即闸门在使用过程中可能同时在多个位置发生损伤，在本节中仅考虑结构在不同位置同时发生两处损伤，建立结构在两个不同子块同时发生损伤时的有限元模型，每个子块独立考虑5种不同程度的损伤，得到结构在两个不同位置同时发生损伤时的700组应变模态，计算这些应变模态与完好结构的应变模态的差值，据此构造结构同时发生两处损伤的神经网络样本。将以上两种情况进行组合，得到740组神经网络的训练样本。由于测量误差是不可避免的，对未损伤或每一损伤序列，在理论计算模态参数的基础上加一个相互独立的、正态分布的随机序列数来模拟实测数据，即:

式中: y_i是噪声污染后的测量应变模态参数;y^a_i是未损伤或某一损伤模式类的理论分析应变模态参数; R是均值为0、偏差为1的正态分布随机数;ε为噪声程度指标，取5%。同时给出神经网络对应的理想输出(Y₁，Y₂，…，Y₈)，其中Y_i，表示结构在第i子块的损伤量。例如第2子块损伤量为20%时，对应网络的理想输出为(0.0，0.2，0.0，0.0，0.0，0.0，0.0，0.0);第2子块和第4子块同时具有损伤量为20%时，对应网络的理想输出为(0.0，0.2，0.0，0.2，0.0，0.0，0.0，0.0);如果结构没有损伤则网络的理想输出为(0.0，0.0，0.0，0.0，0.0，0.0，0.0，0.0)。取2子块和4子块同时损伤的样本进行神经网络训练，是为了研究多个损伤同时发生的情况下网络是否具有检测能力。

4.5.3.2　构造神经网络的测试样本

对不同程度的损伤检测指标，在神经网络学习样本的基础上，部分子块增加结构损伤量为15%、25%、35%、45%时的损伤指标，计算这些应变模态与完好结构应变模态的差值作为相应的神经网络的测试样本，同时给出神经网络对应的理想输出值，用于与网络的实际输出进行比较。取学习样本进行测试是为了检验网络的记忆能力，取损伤量为15%、25%、35%、45%的测试样本是为了检验网络的内插推广能力。

4.5.3.3　神经网络的训练

一般地，学习样本数与网络结构之间存在如下关系式: