应用时间序列和神经网络的筒仓结构损伤诊断

王 亚 东

(中南电力设计院有限公司,湖北 武汉 430071)

筒仓结构作为工业中常见的储藏结构，因其封闭性导致结构内部损伤用观察法几乎无法发现，随着损伤的积累，结构一旦发生破坏会造成严重的人身财产损失。过去几十年来，各国学者已经对结构损伤检测与智能诊断进行了大量的研究工作，但在实际工程应用中，很多检测方法都遇到系统易受环境影响、模型依赖性强、系统容错性差等问题的困扰[1]。神经网络诊断法与传统的专家诊断法相比，具有良好的非线性映射能力，强大的解决反问题的能力和推广能力以及良好的系统鲁棒性[2-4]。本文采用结合时间序列和神经网络的方法对筒仓结构进行损伤诊断具有一定的理论和实际意义，同时能为今后的工程实践提供参考。

1 基于时间序列和神经网络诊断的基本原理

时间序列是按时间排列一组随机数列，这组时间序列具有一定的统计规律[5-7]。在结构损伤诊断过程中，对结构施加动力振动荷载，准确得到结构特定位置的振动信号，将信号利用时间序列建模寻找各信号之间的内在规律，可以充分反映出结构自身特性的某些信息[8-10]。利用结构自身某些特征来训练神经网络，当这个特征发生变化时，神经网络就能找出符合其规律变化的原因，即找出结构的损伤。

损伤诊断中关键的一环是损伤敏感因子(DSF)的选取，合适的敏感因子会大大减少训练时间。本文采用如下损伤敏感因子：

DSF={T,dsf1,…,dsfi,…,dsfn}

dsfi={φ1i,φ2i,φ3i,φ4i},i=1,2,…,n,

(1)

其中，T为筒仓结构基本自振周期；{φ1i,φ2i,φ3i,φ4i}为对i节点的加速度时程响应进行时间序列建模，并提取前四阶自回归系数。

2 筒仓模型数值验证

2.1 筒仓结构有限元模型

本文采用SAP2000有限元软件来进行筒仓结构的有限元模型建立。有限元模型参数设置如表1所示。

筒仓底部连接方式为固接。整个模型总共60个节点，60个截面，节点和截面编号如图1所示。

2.2 结构激励的输入和损伤的定义

结构的动力激励采用高斯白噪声。采样频率100 Hz，长度20 s，激励方向沿x轴方向。筒仓的损伤通过减小某个截面的壁厚来模拟。第一层损伤定义为面1,2,9,10的厚度减小，其他各层以此类推。

表1 未损伤时模型前四阶自回归系数

2.3 未损伤状态

根据上述理论，提取每层各一个节点的x向的加速度时程响应的数据建立时间序列模型。

关键节点的模型阶数和自回归系数如表2所示。

表2 未损伤时模型前四阶自回归系数

通过SAP2000模态分析，可以得到未损伤情况下，结构的基本周期为0.081 s。综上，结构在未损伤情况下，损伤敏感因子为：

DSFfine={T,φ4i,φ22i,φ32i,φ42i,φ52i}=
{0.080 89,0.640,1.163,0.690 7,1.115,0.085 28,
1.587,1.147,1.498,1.095,1.783,1.693,1.624,1.335,
1.998,2.197,2.009,1.573,2.359,2.744,2.675}

(2)

2.4 单损伤情况诊断

2.4.1单损伤位置诊断

训练工况为每层选定的截面厚度依次变为150 mm，175 mm，200 mm，共15种训练工况。采用与未损伤状态下提取DSF一样的步骤，提取训练和检验工况下的DSF。

检验工况见表3。

表3 单损伤检验工况

得到上述工况的DSF之后，建立一个三层BP神经网络。以提取出的DSFi作为输入向量；每行对应一层分层，因此目标输出向量为一个5行向量，如果某层发生结构损伤，则该层输出为1，其余层输出为0。在实际诊断过程中，输出大于0.9则认为发生了损伤，输出小于0.2则认为未发生损伤。利用训练工况和目标输出训练这个BP网络。再用这个网络对表3中无噪声情况的7种工况的损伤位置进行诊断。诊断结果见表4。

表4 单损伤无噪声情况下位置诊断结果

从表4可以看出网络对损伤位置的诊断结果非常精确，诊断误差都很小。

2.4.2单损伤程度诊断

损伤程度的诊断原理与位置诊断的原理相同，仍采用上文提出的损伤敏感因子对神经网络进行训练。损伤程度的定义为筒仓壁厚的改变的比例：

其中，df为损伤前仓壁厚；dd为损伤后仓壁厚。

以第二层发生损伤为例，神经网络采用径向基神经网络(RBF网络)。以二层截面厚度为140 mm,150 mm,180 mm,200 mm,250 mm为训练样本。RBF网络径向基扩展速度设置为Spread=1.2。

检验工况及诊断结果见表5。

表5 单损伤程度检验工况诊断结果

由表5可以看出，使用RBF网络对筒仓结构的损伤程度判断非常准确。诊断误差最大0.94%，最小0.08%。

3 结语

1)应用时间序列和神经网络的诊断方法能够有效地诊断筒仓结构的损伤位置和损伤程度，且诊断的精度较高。

2)利用结构中某点的加速度作为时间序列的样本，加速度时程易于实际工程中提取。

3)神经网络的训练样本越多，诊断精度越高。

4)本文只验证了筒仓结构单层损伤的情况，对于多层损伤以及在噪声干扰的情况下，损伤诊断的精度仍需研究。