1、基于神经网络的管道损伤识别分析 马燚 沈阳市建设工程质量检测中心 摘 要： 利用有限元软件对管道模拟, 获得模态参数作为神经网络的输入样本, 采用 BP, RBF 网络的方法对损伤前后的某管道工程进行分析, 对比并探讨两种方法在管道损伤识别中的训练结果, 实现了对管道的损伤定位和损伤程度的识别。结果表明对于小样本径向基神经网络 (RBF) 较 BP 网络有较大的优势。关键词： 径向基 (RBF) 神经网络; BP 神经网络; 管道; 损伤识别; 作者简介：马燚 (1980-) , 男, 硕士, 高级工程师收稿日期：2017-10-04Analyze on damage identificati
2、on of pipeline based on neural networkMa Yi Shenyang Construction Testing Center; Abstract： The modal parameters as damage identification are received by the FEM. The pipeline engineering damaged and undamaged is analyzed through the BP and RBF network method, and the results of the pipeline damage
3、identification of these two methods are discussed. The identification of the pipeline damage location and damage degree are realized, and the results indicate that the RBF neural network is more advantage than the BP network to algorithm for small sample.Keyword： Radial Basis Function (RBF) neural n
4、etwork; Back Propagation (BP) neural network; pipe; damage identification; Received： 2017-10-040 引言管道工程是城市建设的重要组成部分, 是城市生命线工程的重要组成部分。管道工程位置通常较为隐蔽, 无论是日常工作的维护管理, 或是发生损伤检修故障都不容易进行。这就迫切需要管道系统安全可靠地运行, 同时也对管道正常服役提出了较高的要求。而传统的人工检测方法需要大量人力, 检查结果主观性较大, 检测灵敏度低, 只能识别较严重的损伤, 而且检查周期较长, 对管道正常服役造成较大的影响。神经网络具有将反问题
5、正问题化的功能1-3, 神经网络具有良好的非线性映射能力, 将工程结构损伤辨识、定位等反问题转化为正问题。这是由于神经网络通过学习建立的映射模型相当于事先计算好的蓝本, 在识别过程中利用该蓝本进行非线性插值。因此将训练成型的神经网络用于结构损伤的实时监测是行之有效的方法。本文采用数值模拟方法获得管道的固有频率, 将其作为神经网络的输入样本。应用 BP 神经网络和径向基神经网络的方法进行分析, 得到管道损伤位置和单元损伤程度与其固有频率之间的映射关系。应用本文的训练样本, 实现了管道的损伤识别, 并验证了 RBF 神经网络较 BP 神经网络具有很强的逼近分类和学习速度, 模型误差的影响不大, 不
6、会因残缺测量信息影响损伤检测精度。1 结构固有频率的损伤分析理论在管道的在线监测中, 频率易于获得, 且精度较高, 通过监测频率的变化来识别结构损伤最为简单4。研究表明提取结构损伤前后的模态参数对损伤进行判断较为有效。1.1 结构损伤定位理论分析20 世纪 70 年代, 结构自振频率与损伤的关系开始被研究, 提出了一种确定损伤位置并判断其损伤程度的方法, 通过实测自振频率来确定。以单元损伤程度 n推出“频率变化平方比”是结构损伤程度和位置的函数, 如式 (1) 所示。式 (1) 表明结构任意两阶模态对应频率变化比为结构损伤位置的函数, 不同位置单元损伤对应一组特定频率变化比集合。根据结构损伤前
7、后各阶模态对应的频率变化比, 即可识别损伤位置。1.2 结构损伤程度标定的理论分析在已确定的结构损伤区域, 只有少量的单元与损伤有关, 针对损伤区域, 用实测的频率信息就能有效地明确结构损伤程度。其中, N e为损伤单元数;m 为实测频率数;k j为第 j 损伤单元在未损伤前的刚度矩阵; j为损伤修正因子。2 人工神经网络人工神经网络有联想推理、自适应识别与模拟人类思维的能力, 经过科学学习, 能够找出输入输出之间的映射关系。2.1 BP 神经网络2.1.1 BP 网络的结构BP 模型是目前研究最多、应用最广泛的 ANN 模型。图 1 是三层的 BP 网络结构。BP 网络为输入层、输出层以及一
8、个或多个隐层节点互连而成的多层网。图 1 BP 神经网络结构示意图 下载原图2.1.2 BP 网络的学习算法网络学习算法指导思想为:基于网络的误差能量函数, 用训练样本集, 通过误差反传对网络权值和阀值调整, 使误差函数沿负梯度方向下降达到要求精度, 获得最优网络权值, 训练后的网络能逼近给定的非线性系统。BP 算法的主要缺点为:收敛速度慢、局部易出现极值、难以确定隐层和隐节点的个数。在实际应用中, BP 算法存在很多局限性。2.2 RBF 神经网络径向基函数 (Radial Basis Function, RBF) 是一种多维空间插值技术, 局部响应特点, 对非线性连续函数的逼近性能有较强优
9、越性。RBF 神经网络基本思路是:用径向基函数 (RBF) 为隐单元的“基”, 形成隐含空间。用隐含层对变换输入矢量, 将低维的模式输入数据变换到高维空间, 使在低维空间内线性不可分问题在高维空间内线性可分, RBF 神经网络结构示意图如图 2 所示。图 2 径向基神经网络结构示意图 下载原图径向基数学模型如式 (3) 所示。其中, (X, X i) 为“基函数”, 它是第 i 隐单元的激励输出;输出层有 J 神经元, 其中任一神经元用 j 表示。隐含层和输出层突触权值用 wij (i=1, 2, , N;j=1, 2, , J) 表示。 (X, X i) 通常取为高斯函数, 有局部感受的特质
10、, 为 RBF 网络的非线性映射能力。3 损伤分析在线监测中, 目前由于监测设备监测精度的局限性, 只能识别结构的低阶频率。因此本文采用有限元分析软件对管道整体结构进行弹性分析, 获得其前 5 阶固有频率作为神经网络的输入样本。模拟某钢混管管道结构, 长为 12 m, 外直径为 6 m, 壁厚为 20 cm, 重度为 2 500 k N/m, 弹性模量 34 500 MPa, 泊松比为 0.28, 分析中不计入土体影响。考虑边界条件管口铰接, 外管壁上部为自由边界, 管壁两侧为铰接, 管壁下部为固接, 如图 3 所示。图 3 管道简图 下载原图3.1 损伤状态介绍模拟管道结构发生损伤时, 图
11、3“十字”所示为工况 4 的损伤位置简图。给定72 个管道, 对每个管道都进行单损伤诊断的数值研究。得到完好结构以及 72根管道单损伤工况的前五阶频率, 如表 1 所示。表 1 管道固有频率值 下载原表 3.2 RBF 与 BP 网络结构的输出结果的对比本文采用抽取样本的方法, 用其中 69 根管道的损伤数据为训练样本, 用另外 3组样本进行径向基网络模型的检验。BP 神经网络经过 850 次训练, 网络达到收敛。训练误差如表 2 所示。表 2 BP 网络训练误差 下载原表 由表 2 可以看出, BP 网络的训练误差是较大的。而 RBF 神经网络训练过程只要完成一次即可得到一个零误差的径向基网
12、络 (训练误差如表 3 所示) , 所以径向基创建网络的速度极快。由表 3 可以看出 RBF 网络的训练误差与目标误差较为接近。说明 RBF 网络的训练较为成功。表 3 RBF 网络训练误差 下载原表 检验样本如表 4 所示, BP 和 RBF 网络训练结果如表 5, 表 6 所示。表 4 检验样本 下载原表 表 5 BP 网络训练结果 下载原表 表 6 RBF 网络训练结果 下载原表 由表 4 和表 5 可以看出, BP 网络得到的训练结果误差较大, 说明本文模拟管道的完好结构与有损伤结构的这 73 组数据的涵盖面虽然较广, 但每类点的数量只有 1 个, 若只取其中一部分数据作为训练样本,
13、会造成样本数据面涵盖不完全, 使得网络的表达不够充分, 从而导致网络的外推功能较差。也说明对于小样本而言, BP 网络是不适用的。由表 4 和表 6 可以看出, 使用 RBF 网络方法, 对训练样本仿真得到的结果与期望输出结果基本一致。虽然对检验样本进行仿真得到坐标 z 值和期望输出有所偏差, 但误差很小, 说明该网络是适用于对管道损伤检验的。4 结语本文在识别过程中, 利用对结构损伤敏感的频率作为识别参数, 将振动模态分析技术和神经网络技术相结合实现了管道损伤监测。1) 频率的整体识别特性较高, 是基于模态频率进行损伤识别的重大优势, 把其作为输入样本, 结果较好。2) 本文由 BP 网络识
14、别的管道损伤结果未达到期望效果, 表明 BP 神经网络的外插值能力较弱, 若样本数据涵盖不完全, 易造成较大误差。3) 本文将训练好的 RBF 网络应用于管道的损伤识别中, 得到的结果与期望值误差较小, 表明该网络具有收敛速度快、鲁棒性好、精度高的特点, 是适用于小样本输入以及对管道损伤检验的。4) 本文在个别损伤处经过网络训练得到的坐标数值存在误差, 表明应增加各种损伤工况的训练样本与改进算法, 以期得到更加准确地预测结果。参考文献1T Sou P, Shen M H H.Structural damage detection and identification using neural
15、networksJ.AIAA Journal, 1994, 32 (1) :176-183. 2R him J, Lee S W.A neural network approach for damage detection and identification strueturesJ.Computer Meehanies, 1995 (16) :437-443. 3Worden K.Structural fault detection using a novelty measureJ.Journal of Sound and Vibration, 1997 (201) :85-101. 4陈建林, 郭杏林.基于神经网络的简支梁损伤检测方法研究J.烟台大学学报 (自然科学与工程版) , 2001, 14 (3) :217-223.
