BP神经网络在闸门损伤检测技术研究

BP神经网络在闸门损伤检测技术研究

郭惠芳

广州市番禺区莲花联围管理所广东广州510000

摘要：基于BP神经网络原理，介绍了利用BP神经网络研究闸门损伤检测技术的方法。同时，通过工程实例进一步阐述了神经网络在闸门损伤检测中的应用过程。实例表明，BP神经网络在闸门损伤检测中的应用是一种有效的方法。

关键词：BP神经网络；闸门；损伤检测

引言:在实践中有许多难以检测的应变仪和传感器，这需要找到更方便的测试方法。神经网络的特征在于容错性，鲁棒性和适应性。通过比较和匹配存储在数据库中的损坏序列的参数的变化，可以识别损坏。因此，神经网络在闸门损伤检测中的应用显示出其独特的优势。

1BP网络用于闸门检测的方法

通常，闸门的损坏主要是由于生锈和碰撞造成的。损坏程度因站点而异。因此，确定闸门的损坏位置和损坏程度是闸门检测的主要任务。神经网络可以很容易地做到这一点。

1．1BP神经网络的基本原理

BP神经网络是目前应用最广泛的网络，包括输入层，隐藏层和输出层。网络仅连接相邻的小区层，并且没有连接的小区层。它可以看作是从输入到输出的高度非线性映射。其模型如图1所示。

标准BP算法是基于广义子学习规则的监督学习算法。该方法使用均方误差和梯度下降法来校正网络的权重，以最小化网络误差的平方。该算法包括两个过程：前向传播和后向传播。在前向处理中，学习样本被发送到输入层，然后通过隐藏层操作传递到输出层。如果在输出层中不能获得所需的输出，则误差信号将被传送回原始连接路径，并且通过修改每个神经元的权重来最小化误差。

标准BP神经网络的缺点是在没有全局最优解，收敛速度慢和泛化能力差的情况下容易形成局部最小值。通常需要改进诸如修改误差函数和激励函数之类的算法。

1.2网络特征参数的选取

在闸门损伤检测中，有必要获得一些能够反映结构固有特征的数据（某些点或方向）作为损伤检测指标，例如可以反映由此引起的刚度变化方向的数据。门损坏并将其用作检测损坏指示器。获得门的所有点以测量所有方向上的所有数据。根据相关文献，应变模式对损伤高度敏感，并且频率对对称结构敏感。根据结构动力学理论，对应于结构位移模式的应变模式是结构的固有动态特性，不受载荷大小的影响。因此，选择应变模式作为损伤指数。有限元法用于计算不同损伤模态参数的变化，并存储在神经网络数据库系统中。结构损伤的位置和程度可以通过比较完整结构的应变模态变化和受损结构来确定。通过共振激发可以获得实际结构的应变模式。

2工程计算实例

以水电站的平面闸门为例。考虑到闸门的主梁，纵梁，横向分隔和侧支柱是闸门的主力构件，根据其重要性和损坏的可能性，闸门分为17个子区块（每个子区块）包括网和方法）Lan）：上部和下部主梁（分隔器）的8个子块和水平分区。次级梁（膜片）4个子块，侧柱2个子块。为简化计算，其中8个被视为计算子块，如图2所示。门的损坏检测程序如下。

2.1训练样本的获得

由于应变模态能够反映局部损伤的影响，且损伤结构的应变模态与完整结构的应变模态不同，因此将损伤结构与完整结构的应变模态差异作为损伤标志。选择其中一个子块。首先，考虑不同子块的单个损伤。假设每个子块有五个不同程度的损伤，损伤量定义为每个子块刚度减小的百分比。利用ANSYS软件计算了各子块10%、20%、30%、40%和50%损伤的一阶应变模态正交分量。得到了不同位置单损伤时损伤结构的40组应变模式，并计算了这些应变模式与完整结构（损伤0%）应变模式的差异。在此基础上，构造了结构单一损伤的神经网络样本。其次，针对实际损伤情况，即闸门在工程应用中可能同时在多处受到损伤，本文仅考虑不同部位的两种损伤，建立了同时受到两个不同子块损伤的结构有限元模型。每个子块独立考虑五个不同程度的损伤，同时在两个不同位置得到700个损伤。通过对应变模态进行分组，计算出这些应变模态与完整结构应变模态之间的差异。基于这种差异，构造了两个同时具有损伤的神经网络样本。结合上述两种情况，得到740个神经网络训练样本。由于测量误差是不可避免的，对于每个损伤序列，在理论计算模态参数的基础上，增加一个独立的正常随机序列数来模拟实测数据。即，公式yi=yX(q+eR)：M是噪声污染后的实测应变模态参数，货物是未受损或某一损伤模态等级的应变模态参数碟形的理论分析平均值。以O和偏差l和s为噪声指标的正态分布随机数取5%。同时，理想输出对应于神经网络（∞，砷，…，∞）。其中表示子块I中结构的损伤。例如，当第二子块的损伤为20%时，对应网络的理想输出为(o，0.2，0，0，0，0，0，0，0，0，0；0)；当第二子块和第四子块的损伤为20%时，对应网络的理想输出为(0，0.2，0，0，0，0，0，0；0)；如果结构没有损坏，网络的理想输出是(o，o，o，o，o，o，o，o，o，o)。为了研究网络在多次损伤同时发生的情况下是否具有检测能力，采用两个子块和四个子块对神经网络进行训练。

2．2构造神经网络的测试样本

基于神经网络的学习样本，当损伤量为15％，25％，35％和45％时，一些子块增加了损伤指数。这些应变模式与完整结构的应变模式之间的差异被计算为相应的神经网络测试样本。同时，对于神经网络的实际应用，给出了相应的理想输出值。输出比较。学习样本用于测试网络的存储容量，15％，25％，35％和45％的测试样本测试了网络的插值能力和泛化能力。

2．3神经网络的测试

对于不同的损伤检测指标，将测试样品发送到相应的网络进行测试。试验结果表明，该网络可以更准确地诊断损伤位置，损伤程度的最大诊断误差为6.87％。试验结果表明，该网络能够更好地识别结构的单一损伤和多重损伤，并能准确诊断结构的损伤程度和损伤位置。该网络具有良好的抗干扰能力，取得了满意的效果。

3结论

基于频率变化公式的结构损伤识别仅需要测量结构的频率，并且不需要其他模态参数（例如振动模式）来对这种结构的损坏进行一般判断。它不仅可以确定结构是否受损，还可以确定损坏的位置和程度。结构损伤检测分为损伤识别，损伤位置和损坏程度。校准损伤程度的三个子模块是合理的，鉴定实例表明该方法具有很大的发展前景;振动模态分析技术和神经网络技术有效地实现结构损伤检测，更好的识别结果可以用较少的输入获得数据;频率变化可以用作网络的输入参数，以有效地训练神经网络。神经网络确定了钢的损伤位置并取得了良好的效果。然而，在使用频率进行损伤识别方面存在限制，例如确定对称结构中对称位置处的损坏并不容易。

参考文献:

[1]郑孟，陈恩利，严明明等基于模态参数和神经网络的结构损伤检测[J]国防运输工程和技术2014(2)15-19。

[2]周鲁文新。MATLAB神经网络的仿真与应用[M]。北京：科学出版社，2013年。

[3]陈伟多层高层框架结构地震损伤诊断的神经网络方法[J].《地震工程与工程振动》，2016.22（1）：43-48。