深度学习从传感器数据自动损伤识别新方法

深度学习算法实在是太火了，而且与多年前曾经红极一时的传统“人工神经网络(ANN)”相比(从概念上讲，深度学习也属于神经网络的一种)，又具有很强的可靠性，已经在金融、互联网、机器人等领域有了实质性的进步。因此，虽然依旧是“黑箱技术”，但已经可以在解决具体问题的时候将其视为一种靠谱的选择了。

作为一种新技术，深度学习也会给土木工程领域提供新的解决方案，之前咱们分享过在裂缝观测和桥型选择方面的尝试，今天再分享由暨南大学马宏伟教授课题组提出的桥梁监测新方法：利用深度学习从传感器数据中自动进行损伤识别。

Lin Y Z, Nie Z H, Ma H W. Structural Damage Detection with Automatic Feature‐Extraction through Deep Learning[J]. Computer‐aided Civil & Infrastructure Engineering, 2017(6). (作者为：林逸洲，聂振华，马宏伟)

问题的提出

大型桥梁作为重要的公共基础设施，在运营期间的安全性是非常关键的指标。因此，为了确保其在服役期间的结构完整性，对大桥结构进行及时的、准确的检测就是一件非常重要的工作。

目前常见的措施，是在桥梁施工期间就在结构内部安装足够数量和类型的多种传感器，在桥梁运营期间不断地获取桥梁的动力响应数据。这项工作会在长时间内收集到海量数据，然而很多时候，这些看起来很让人有成就感的时间历程曲线，对得到真实结构损伤状态来说，并没有太大的用处。

这首先是传感器得到的数据精度和存在大量“噪音”，许多科学家致力于解决这两方面问题，但效果还不是太理想。

因此在大多数的实际工作中，对数据处理的最重要的工作，就是进行特征提取。当把低层次传感器信号转换为重要的损伤敏感的特征，下一步的工作就相对容易实现了。

特征提取的一种方法是计算结构的动态特征，随后通过监控这些特征的变化来进行损伤检测。自振频率是一个主流的研究对象，但这有个局限，带有多种损伤的实际结构的自然震动很难提取到合适的特征值，而且结构损伤通常都是局部损伤，而自振频率又是一个描述结构整体属性的量。

另一个思路，是振型。相对于自振频率，振型对局部损伤更敏感，且对环境因素，如温度等，相对于自振频率不敏感。因此近年来许多研究倾向于将损伤和振型联系起来。例如作为振型的二阶导数，振型曲率在局部损伤定位方面有不错的表现。

然而，就目前来看，伴随加速度传感器量测全过程的噪音，则始终得不到解决，这实际上给后续的分析工作带来了许多麻烦，也降低了结果的可靠性。

为什么要引入深度学习

再换一个思路，采用另一种“数据驱动”的思想：“可否只从传感器的扰动数据中读取损伤敏感特性，而不再需要结构的模型？”，比如传感器中检测到信号突然的变化，是否意味着某些位置产生了损伤？

在损伤识别领域，人工神经网络(ANN)已经有了很多年的应用，虽然取得了不错的效果，但是神经网络的性能几乎完全取决于所选取的输入特征数据，输入数据的缺陷将导致神经网络的性能变差——如何选择输入数据，这需要具有丰富经验的科学家/工程师，然而这是稀缺资源，你懂的。

为了突破这个局限，采用深度学习领域中的卷积神经网络，convolutional neural network (CNN)，这将无需人工干预，直接从传感器的原始信号中得到所需的结果。深度学习的优势是根据大数据可以进行自我的进化，自我修正。

因此，当引入深度学习算法，可以把之前比较困难的工作自动化，这就非常有意义了。

如何实现

先来看一下流程图

数据获取

深度学习需要大量数据，这些数据最好覆盖各种桥型、各种工况，然而这在实际工程中是无法做到的——起码我们无法收集到大桥经历轻微损伤→严重损伤→濒临倒塌的这个损伤发展全过程的数据，实测得到的数据全部都是在很接近理想状态的“轻微损伤”下得到的。

因此，需要用数值模型来作为数据源：

这是一个简支梁，利用MATLAB建立有限元模型，定义好模型的几何参数、材料参数以及进行单元划分。

利用调整目标单元的高度和刚度来模拟损伤，考虑6种工况，其中一个为结构完整状态，另5个为模拟10%、20%、30%、40%、50%五个级别的损伤程度。对1~9个节点，施加符合高斯分布的随机瞬时激励。

由已知属性的有限元模型、已知的损伤程度和位置参数进行的每一个组合，都可得到相对应的结构响应——这就是训练深度学习网络的基础数据库。

数据增广

然而深度学习需要的数据量实在太大，而且需要更完整。于是需要进行数据的增广：

训练深度学习网络

将训练好的数据，放入深度学习网络中进行网络训练。

作者利用Python的Tensorflow和Keras包在GPU上建立深度学习网络，硬件部分则用了Inter Core i7-4720HQ and NVIDA GTX970M。

对比验证

深度学习网络的结构损伤识别效果究竟如何？这需要和一种公认可行的方法进行对比，作者选择了小波分析。即用同一组数据，两种方法进行计算，并进行结果对比。

结果如何

这篇文章的篇幅很长，我在这里只借用几幅图来说明：

首先考虑深度学习和小波分析之间的精度对比，根据Table 5，Fig 9中的1、3为是否考虑噪声情况下的深度学习精度，2、4为对应情况下的小波分析结果精度，事实证明深度学习完胜。

即便对于更复杂，也是更符合实际情况的多点损伤的判断，深度学习网络的精度也很高：

深度学习甚至还自己学习出来了结构的三阶振型：

还可以分析出损伤的位置：

就此，可以下结论了，深度学习网络比当前常用的小波分析法更精准，效果更好，获得的分析结论更符合实际情况。

彩蛋

通常情况下，提出一种新方法并验证其准确之后，这篇文章就可以写完了，然而作者还是补充讨论了一个问题：如何看待深度学习网络的黑箱问题？

作者用调整计算参数的办法，试图把黑箱可视化，解释深度学习网络私下里都做了些什么事儿：

作者认为，神经网络学习到的是一个个带通滤波器，独立学习到了结构模态的概念。

要知道，深度学习算法是一种数据处理算法，本质上是没有物理意义的，但在具体问题上，作者针对训练好的网络，解释出了其学习的机理，这个思路非常值得借鉴！

另一个彩蛋，则是作者提出的一个课题：上面都说过了，实际结构中得到的数据是不完整的，要想训练深度学习网络，只能借用有限元模型来帮忙，然而模型和实际结构在损伤分布方面毕竟是有差异的，那这个问题又该如何解决呢？