基于數據融合及殘差卷積自編碼器的結構損傷識別方法

劉玉馳，蔣玉峰，王樹青，馬春可

(中國海洋大學 工程學院，山東 青島 266100)

深?；燧斄⒐苁巧詈２傻V系統不可或缺的組成部分，其作為海底礦物采集系統及海面采礦船的連接結構，承擔著輸送礦液混合流體的重要任務[1]。然而，深?；燧斄⒐芙Y構作業過程中持續遭受外部風浪流耦合荷載及內部礦液兩相流體磨蝕作用，長期作用下結構損傷逐漸積累，惡劣海洋環境作用下極易發生破壞，因此，對深?；燧斄⒐芙Y構進行健康監測具有十分重要的意義。深?；燧斄⒐芙Y構長達數千米，需要借助于全局損傷檢測方法進行結構健康監測，由于方法簡單、操作方便及成本低，基于結構振動響應的損傷檢測方法得到了研究人員的廣泛關注[2]。

傳統方法基于結構模態參數進行損傷檢測，其基本原理是[3]：從結構動力響應中識別待檢測結構模態參數，通過直接與已知健康狀態模態參數比較，或構造損傷指標進行結構損傷識別。典型的立管結構損傷識別方法研究詳見參考文獻[4-6]。然而深?；燧斄⒐芙Y構呈高長細比、柔性狀態，自然環境荷載激起的模態頻率極低，難以通過實測響應識別，同時環境荷載作用下往往存在多階模態疊加，需要基于大量測點響應確定模態振型，上述模態參數識別中存在的困難進一步限制了該類方法的發展。

為了克服上述不足，研究人員嘗試直接基于動力響應進行立管結構損傷檢測，從而避免模態參數識別過程中引入的誤差?，F存的直接基于結構動力響應的損傷識別方法主要包含兩大類：基于時間序列模型和基于深度學習模型。就立管結構而言，主要集中在基于時間序列模型方法的研究。Riveros等[7]將自回歸(autoregressive，AR)模型與含外生變量的自回歸(auto-regressive with extra inputs，ARX)模型相結合進行柔性立管結構損傷識別，研究表明該方法無需有限元模型即可有效識別柔性立管結構損傷。Liu等[8]使用自回歸滑動平均(autoregressive moving average，ARMA)模型擬合加速度響應信號，并基于ARMA模型參數變化構造損傷指標進行立管結構損傷識別，通過20 m長立管結構損傷識別數值模擬驗證了方法的有效性。然而時間序列模型定階嚴重依賴研究人員經驗，且模型參數基于最小二乘估計確定，容易使模型陷入局部最優解而非全局最優解。

深度學習模型通過對大量樣本數據進行分析處理，基于優化算法自動確定模型參數，擺脫了對研究人員經驗的依賴，同時能夠更快地尋找到全局最優解，有效克服了時間序列模型存在的不足[9]。一維殘差卷積自編碼器(one dimension residual convolution autoencoder，1D-RCAE)是深度學習的一種代表性模型，其通過卷積算法自動提取原始輸入數據的高級特征，從而基于該特征完成目標任務[10]，由于其數據處理思想與損傷識別思路一致，研究人員提出了多種基于1D-RCAE模型的結構損傷識別方法，詳見參考文獻[11-14]。目前基于1D-RCAE模型的損傷識別方法多使用單測點響應進行損傷識別，導致提取的特征損傷敏感性有限；部分方法雖然可以基于多測點響應進行損傷識別，但僅僅是將多測點響應簡單排列成為三維張量輸入1D-RCAE模型，并未實現有效的數據融合，導致輸入數據中包含大量冗余信息，嚴重增加了特征提取復雜性，而且延緩了數據處理的速度。

本文就深?；燧斄⒐芙Y構損傷識別問題開展研究，提出了一種基于數據融合及1D-RCAE的結構損傷識別新方法。針對立管結構模態參數識別困難的問題，方法直接以結構損傷敏感的應變動態響應為輸入，避免了模態參數識別中存在的誤差。針對單測點響應提供損傷信息有限的問題，方法使用主成分分析進行多測點應變響應特征融合，進一步利用1D-RCAE自動提取損傷敏感特征，以結構損傷前后敏感特征間的馬氏距離構建結構損傷判定指標，實現混輸立管結構健康狀態監測。

1 理論方法

1.1 數據融合

深?；燧斄⒐芙Y構一般長達數千米，呈高長細比柔性狀態，加速度響應損傷敏感性低，而應變響應對結構局部損傷十分敏感，因此本文所提方法基于深?；燧斄⒐芙Y構彎曲應變響應進行損傷識別。然而，結構彎曲應變響應僅對局部損傷敏感，因此需要利用多測點響應以提供足夠充分的結構損傷信息。但同一結構多測點響應間存在關聯，該關聯將會在一定程度上掩蓋結構損傷引起的動力特性變化，從而增加損傷敏感特征提取復雜性，同時多測點響應中存在大量對樣本能量貢獻較小的冗余信息，這些信息將會在一定程度上延緩損傷敏感特征提取速度，因此將結構多測點響應簡單組合后輸入1D-RCAE模型將會增加特征提取的難度及延緩特征提取的速度。

主成分分析(principal component analysis，PCA)可以有效消除多測點響應間相關性，分離并剔除冗余信息[15-16]。因此本文所提方法借助PCA將多測點響應主要信息沿空間方向集中于指定階主成分上，從而實現多測點響應數據的有效融合，基于PCA的數據融合方法主要流程如下：

(1)取Nm個測點響應組合為響應矩陣X=[x1,x2,…,xNm]，其中測點i響應xi的時刻數為Nt，即響應矩陣X的大小為Nt×Nm。依次對測點i響應xi進行特征值歸一化處理，即

(1)

(2)

并對協方差矩陣C進行特征值分析，即

CΦ=ΛΦ

(3)

式中：Λ為特征值矩陣,Λ=diag(λ1,λ2,…,λNm)；Φ為特征向量矩陣，Φ=[φ1,φ2,…,φNm]。

(3)依次計算第Nk階(Nk=1,2,…,Nm)特征值對應的累積能量占比指標

(4)

(5)

1.2 一維殘差卷積自編碼器

1D-RCAE的基本組成包括：輸入層、卷積層、特征層、解卷積層以及輸出層[18]，本文建立的1D-RCAE模型如圖1所示，輸入層接收輸入數據并傳遞至編碼部分，編碼部分通過多層卷積層逐步提取輸入數據的多類型特征，特征層對編碼部分提取到的多類型特征進行整合得到高級特征，解碼部分進一步根據高級特征重構輸入數據，并通過輸出層輸出重構結果，1D-RCAE訓練過程以最小化響應重構誤差為目標，從而保證提取特征的有效性。

圖1 1D-RCAE模型Fig.1 Architecture of the 1D-RCAE model

由圖1可知，1D-RCAE模型輸入數據x為三維張量，張量x包含Nc個通道，每一通道存儲長度為1×len的單一向量，即張量大小為1×len×Nc。傳統方法將各測點指定時間長度動力響應作為各通道向量，即輸入數據通道數目Nc=Nm，其中Nm表示響應測點數；而本文所提方法首先使用PCA方法融合多測點動力響應數據，并將數據融合結果作為1D-RCAE模型的輸入，即輸入數據通道數目Nc=Nk，其中Nk表示主成分保留階數。

卷積層通過卷積操作從該層輸入數據xconv中提取數據特征，其數據處理方式為

(6)

特征層整合卷積層提取到的多類型特征，輸出結果為1×64的向量，所提方法將特征層輸出作為損傷敏感特征，并基于此構造損傷指標進行損傷檢測。

解卷積層通過轉置卷積操作對輸入特征xdec進行上采樣，從而基于輸入特征逐步重構原始輸入數據，其數據處理方式為

(7)

1.3 損傷判定

本文所提方法通過計算結構損傷前后敏感特征間的馬氏距離構建結構損傷判定指標進行損傷判定，損傷判定流程如下：

(1)依次將閾值確定集(基于已知健康結構響應生成)各樣本輸入已訓練的1D-RCAE模型，提取特征層輸出作為基準特征。假定存在Ns個樣本，由1.2節1D-RCAE模型架構可知，特征層輸出為1×64的向量，因此Ns個樣本提取到的基準特征可以組合成為Ns×64的基準特征矩陣F=[f1,f2,…,fNs]T，其中fi表示1D-RCAE模型從閾值確定集樣本i中提取到的基準特征，則各基準特征間馬氏距離通過式(8)計算

(8)

式中：μf為Ns個基準特征各時刻均值組成的向量，為1×64的向量；Ω為基準特征矩陣F對應的協方差矩陣。使用式(8)根據Ns個基準特征計算得到Ns個馬氏距離，并基于3σ準則確定基準閾值，即以Ns個馬氏距離的均值加3倍的標準差作為基準閾值。

(2)將待檢測結構響應輸入已訓練的1D-RCAE模型，提取特征層輸出作為提取到的特征f′，則f′與上述基準特征間馬氏距離通過式(9)計算

(9)

最終通過將D(f′)與上述基準閾值相比較進行損傷判定，即若D(f′)小于基準閾值則判定為健康結構，否則判定結構存在損傷。

1.4 基于數據融合及1D-RCAE的損傷識別方法

本文就深?；燧斄⒐芙Y構損傷檢測問題開展研究，提出了一種基于數據融合及1D-RCAE的結構損傷識別方法。方法直接基于結構動力響應進行損傷識別，首先使用PCA融合多測點響應信息，然后將融合結果作為1D-RCAE輸入，借助于1D-RCAE自動提取損傷敏感特征，最終計算損傷敏感特征與基準特征之間的馬氏距離，通過與預設閾值相比較進行損傷判定。

損傷識別方法的流程如圖2所示。

圖2 方法實施流程Fig.2 Flowchart of the proposed method

步驟1數據集生成。獲取已知未損傷結構Nm個測點響應，使用長度為Nt的時間窗口隨機截取Ns組樣本，即得到Ns個Nt×Nm的響應矩陣，繼而按照1.1節中所述流程借助PCA進行多測點響應融合，假定保留Nk階主成分，則得到Ns個Nt×Nk的數據融合矩陣，將數據融合矩陣的各階主成分重組為1×Nt×Nk的三維張量作為最終的樣本，將Ns組樣本按照指定比例劃分為訓練/驗證/閾值確定數據集。

步驟21D-RCAE模型建立及訓練。建立如1.2節所示1D-RCAE模型(Nc=Nk)，使用訓練/驗證數據集對模型進行訓練/預測試，直至響應重構誤差滿足要求為止，得到已訓練的1D-RCAE模型。

步驟3損傷判定閾值確定。將步驟1中閾值確定數據集各樣本輸入已訓練的1D-RCAE模型，使用模型自動提取多樣本特征形成基準特征矩陣，基于式(8)計算閾值確定數據集各基準特征間的馬氏距離，并基于3σ準則確定損傷判定基準閾值，即以基準特征間馬氏距離的均值加3倍標準差作為損傷判定基準閾值。

步驟4待檢測結構損傷判定。獲取待檢測結構Nm個測點響應，按照1.1節中步驟借助PCA融合多測點響應(保留Nk階主成分)，并將數據融合結果輸入已訓練的1D-RCAE模型，借助模型自動提取損傷敏感特征，繼而基于式(9)計算該特征與步驟3中基準特征之間的馬氏距離作為損傷指標，通過與步驟3中基準閾值相比較進行損傷判定，即若小于基準閾值則判定為健康結構，反之判定為損傷結構。

2 數值模擬研究

2.1 有限元模型

利用ANSYS軟件建立深?；燧斄⒐苡邢拊Ｐ?，模型長500 m，頂端與采礦船連接部分簡化為固定端約束，底端與軟管連接部分簡化為自由端。有限元模型劃分為57節點56單元，其中：單元1位于水面以上，長度為5 m；單元2～單元56位于水面以下，長度均為9 m。采用PIPE288單元建立有限元模型，單元截面尺寸為Φ 0.18×0.013 m，單元材料屬性如下：材料密度為7 850 kg/m3，彈性模量為210 GPa，泊松比為0.3。有限元模型在距離頂部固定端120 m位置(即水面以下115 m位置)設置5 t質量點，用于模擬揚礦泵結構，立管數值模型如圖3所示。對深?；燧斄⒐苡邢拊Ｐ瓦M行模態分析，模型前6階固有頻率如表1所示，模型前6階模態振型如圖4所示。

圖3 立管數值模型Fig.3 Numerical model of riser

表1 有限元模型前6階固有頻率

深?；燧斄⒐茏鳂I過程中，海洋環境因素持續變化引起結構動力響應改變，基于結構動力響應的損傷檢測方法對該變化敏感，變化海洋環境因素影響下極易發生誤判。因此，文章進一步探究變化海洋環境荷載作用條件下方法損傷識別效果，以南海某海域為目標海域，根據目標海域長期觀測資料，隨機波浪荷載有效波高集中分布于0.8 m附近，有效波周期集中分布于5 s附近，海流荷載相對恒定。因此本文選取目標海域6種典型海況作為擬施加環境荷載，各典型海況隨機波及海流參數如表2所示，其中海況1為基準海況，海況1/海況2/海況3及海況1/海況4/海況5/海況6分別用于探究有效波高及有效波周期變化條件下，所提方法損傷識別效果，2.5節將在海洋環境因素變化條件下對方法損傷識別效果進行探究。

圖4 有限元模型前6階模態振型Fig.4 The first six modal shapes of finite element model

表2 隨機波及海流荷載參數

2.2 損傷工況及響應提取

深?；燧斄⒐芙Y構作業期間，內部固液兩相流體流動持續磨蝕內壁面，因此數值模擬中通過單元外徑不變、內徑擴大的方式模擬壁厚減小損傷。

彎曲應變響應對結構局部損傷敏感，基于彎曲應變響應進行結構狀態監測前，需要結合實際情況分析結構易損傷位置，并在易損傷位置附近布置測點，從而實現易損傷位置的重點監測。針對深?；燧斄⒐芙Y構的易損傷位置分析如下：①深?；燧斄⒐芎喕癁轫敹斯潭?、底端自由的懸臂梁結構，頂部固定端應力集中效應明顯，易發生損傷；②海面附近結構長期遭受波浪荷載往復作用，極易產生疲勞損傷；③立管結構水面以下115 m位置設置提升泵，提升泵作業期間持續振動帶動附近結構振動，長期作用下容易引發疲勞損傷。

根據上述分析，數值模擬中損傷單元及響應測點選取如下：①根據上述易損傷位置分析，設定單元1/單元2/單元14損傷結構狀態，并選取單元1/單元2共同相鄰節點(節點2)，以及單元14相鄰節點(節點14)作為響應測點，用于重點監測易損傷位置狀態；②設定單元9損傷狀態，探究損傷單元附近無測點情況下的損傷檢測效果；設定多種雙損傷狀態，探究多個單元同時損傷情況下的損傷檢測效果；③在節點2與節點14之間均勻布置3個測點，分別為節點5/節點8/節點11，用于監測深?；燧斄⒐芙Y構0～120 m內結構狀態。最終選取節點2/節點5/節點8/節點11/節點14為響應測點，損傷工況設定如表3所示，損傷單元及響應測點位置如圖5所示。

表3 損傷工況

圖5 響應測點及損傷單元位置(m)Fig.5 Position of measuring point and damage element (m)

2.3 無噪聲單海況條件下損傷識別

以表2中海況1作用為例，探究單海況條件下方法損傷識別性能。數值模擬流程如下：

步驟1動力響應獲取。在ANSYS軟件中對表3中8種結構狀態對應的有限元模型施加海況1波流耦合荷載并進行瞬態分析，提取節點2/節點5/節點8/節點11/節點14彎曲應變響應，響應提取時長為3 000 s，采樣頻率為10 Hz。

步驟2數據集生成。使用長度為1 024的時間窗口對健康狀態下各測點0～1 000 s響應進行隨機裁剪，生成2 200組樣本，各樣本為 1 024×5的響應矩陣，并將響應矩陣轉化為1×1 024×5的張量。將上述樣本按照5 ∶1 ∶5的比例劃分為訓練/驗證/閾值確定集，樣本數目分別為1 000/200/1 000。使用長度為1 024的時間窗口分別對健康狀態下各測點1 000～2 000 s響應與表3中7種損傷狀態下各測點1 000～2 000 s響應進行隨機裁剪，生成各結構狀態對應的測試數據集，對應于8種結構狀態存在8個測試數據集，各測試數據集樣本數目均為1 000，各樣本均為1×1 024×5的張量。

步驟31D-RCAE模型訓練及閾值確定。按照1.2節中架構建立1D-RCAE模型后，使用訓練/驗證數據集完成1D-RCAE模型訓練，將閾值確定集各樣本輸入已訓練的1D-RCAE模型提取數據特征，并基于特征間馬氏距離確定損傷判定基準閾值。

步驟4結構損傷識別。將測試集各樣本輸入已訓練的1D-RCAE模型提取數據特征，計算該特征與基準特征之間的馬氏距離，并通過與上述損傷判定基準閾值相比較進行損傷判定，若提取特征小于損傷判定基準閾值則判定為健康結構，反之判定為損傷結構。

2.3.1 單測點響應損傷識別分析

首先探究僅基于單測點彎曲應變響應的損傷識別效果，即分別以上述各樣本中節點2/節點5/節點8/節點11/節點14的單一彎曲應變響應(即樣本各通道數據)作為1D-RCAE模型輸入進行損傷判定，通過計算測試集中準確識別結構狀態的樣本數目與總樣本數目比值確定損傷識別準確率，損傷判定結果，如表4所示。

表4 單測點響應損傷識別結果

由表4可知，僅使用單測點彎曲應變響應進行損傷識別：①當結構未發生損傷時，利用任一測點響應對健康結構狀態(工況A)損傷識別準確率均高于99%，即極少發生將健康結構誤判為損傷結構的現象；②基于節點2彎曲應變響應可以準確識別單元1/單元2損傷結構狀態(工況B/工況C/工況F/工況G)，而無法識別單元9/單元12/單元14損傷的結構狀態(工況D/工況E/工況H)，即當結構存在損傷時，損傷附近測點彎曲應變響應對成功識別損傷至關重要，節點8/節點14彎曲應變響應損傷識別結果同樣證明了該結論；③雙損傷工況(工況F/工況G/工況H)識別準確率較單損傷工況(工況B/工況C/工況D/工況E)有所提升，即隨著損傷單元數目的增加，損傷判定準確率隨之增加。

2.3.2 多測點響應損傷識別分析

由2.3.1節損傷識別結果可知，單測點彎曲應變響應僅對測點附近的損傷敏感，僅使用單測點彎曲應變響應難以監測深?；燧斄⒐芙Y構整體健康狀態，需要使用多測點彎曲應變響應以擴大損傷識別范圍，因此進一步探究基于多測點響應的損傷識別效果。使用PCA方法融合上述各樣本中節點2/節點5/節點8/節點11/節點14彎曲應變響應，數據融合過程中計算得到一階主成分對應的累積能量占比為0.956，大于1.1節中預設閾值ε=0.95，因此主成分階數Nk設定為1，即數據融合后各樣本大小為1×1 024×1，并將融合結果矩陣作為1D-RCAE模型輸入進行損傷判定。同時基于傳統方法進行損傷識別數值模擬，即直接將2.3.1節中各樣本(大小為1×1 024×5的張量)作為1D-RCAE模型輸入進行損傷判定，并將損傷判定結果與所提方法進行比較。需要注意的是，由于所提方法中1D-RCAE模型輸入大小為1×1 024×1，傳統方法中1D-RCAE模型輸入大小為1×1 024×5，即所提方法與傳統方法輸入數據大小不同，因此需要分別搭建1D-RCAE模型，基于訓練/驗證數據集進行訓練，并基于閾值確定數據集確定基準特征及損傷判定基準閾值。兩種方法損傷判定結果如圖6所示，圖中標注了使用兩種方法進行損傷判定時的損傷判定基準閾值，當損傷指標小于損傷判定基準閾值時判定為健康結構，否則判定為損傷結構，同時標注了不同工況下的結構損傷識別準確率，由于損傷指標量級較大，為了方便觀察，對損傷指標取以e為底的對數，即以對數馬氏距離為縱軸進行繪制。

圖6 多測點響應損傷判定結果Fig.6 Damage detection result using multiple response

圖6中損傷判定基準閾值確定過程如下：依次將閾值確定數據集各樣本輸入已訓練的1D-RCAE模型進行處理，提取特征層輸出作為樣本的基準特征，并基于式(8)計算各基準特征對應的馬氏距離指標，統計1 000組樣本對應的馬氏距離指標的均值及標準差，以均值加3倍的標準差作為損傷判定基準閾值，當1D-RCAE模型輸入為PCA數據融合結果/數據組合結果時，損傷判定基準閾值分別為134.3/121.5，取以e為底的對數后分別為4.9/4.8。由圖6可知：①PCA數據融合及傳統數據組合方法對健康結構狀態(工況A)損傷識別準確率均高于99%，即能夠準確識別健康結構狀態；②由于傳統數據組合方法輸入數據存在大量關聯及冗余，難以有效提取到損傷敏感特征，因此無法有效識別單元1及單元9損傷結構狀態(工況B/工況D)；而將PCA融合結果作為1D-RCAE模型輸入進行損傷判定，由于消除了多測點響應間關聯性及剔除了大量冗余信息，能夠更加有效地提取到損傷敏感特征，因此可以準確判定多種結構損傷狀態(工況B～工況H)；③由于單元1/單元2附近存在響應測點(測點1)，而單元9與響應測點存在一定距離，因此相同損傷程度下(單元壁厚減小10%)，單元9損傷狀態(工況D)較單元1/單元2損傷狀態(工況B/工況C)的損傷指標顯著性低，但依舊可以準確識別出結構損傷；④結構損傷單元數目增加時，損傷識別難度降低，因此對多種雙損傷工況(工況F/工況G/工況H)，所提方法與傳統方法均可有效識別結構狀態。

2.4 含噪聲單海況條件下損傷識別

現場實測結構動力響應的過程中，受測量環境及傳感器自身穩定性的影響，實測響應信號中存在噪聲污染，將會在一定程度上掩蓋結構損傷信息，對損傷檢測方法效果產生影響。本節進一步探究不同程度噪聲污染情況下方法損傷檢測穩定性，主要思路如下：引入2.3.1節中提取的海況1作用下節點2/節點5/節點8/節點11/節點14彎曲應變響應，通過向信號中添加高斯白噪聲模擬噪聲污染信號，并基于噪聲污染信號進行損傷檢測數值模擬，其中噪聲污染程度通過信噪比指標衡量，共模擬了20 db/10 db兩種不同程度噪聲污染情況。表3中8種工況各存在1 000組測試樣本，通過計算1 000組樣本中準確識別結構狀態的樣本數目與總樣本數目的比值確定損傷識別準確率，損傷判定結果如圖7所示，分別使用三角形、正方形、圓形表示3種不同程度噪聲污染情況下的損傷識別準確率，各列分別表示表3中8種結構狀態的損傷識別結果。

圖7 噪聲污染情況下損傷判定結果Fig.7 Damage detection result under noise pollution

由圖7可知：①噪聲污染對健康結構狀態(工況A)識別效果存在輕微影響，但識別準確率始終保持在98%以上；②工況D表示單元9損傷結構狀態，由于單元9附近無響應測點，測點響應能夠提供的損傷信息有限，因此噪聲污染嚴重(10 db噪聲污染)情況下存在一定程度誤判，但識別準確率依舊保持在90%以上；③對損傷單元附近存在測點(工況B/工況C/工況E/工況F/工況G)或多個單元損傷(工況F/工況G/工況H)而言，由于測點響應能夠提供足夠充分的損傷信息，因此多種程度噪聲污染情況下均可準確識別結構狀態。

2.5 含噪聲變化環境因素條件下損傷識別

深?；燧斄⒐芙Y構作業期間，海洋環境因素持續變化將會引起結構動力響應改變，而基于結構動力響應的損傷識別方法對該變化敏感，因此變化海洋環境荷載作用下極易發生誤判。本節進一步探究變化環境荷載作用條件下方法適用性，同時考慮存在20 db噪聲污染情況，主要思路如下：首先引入2.4節中基于海況1作用下健康結構狀態響應訓練的1D-RCAE模型，同時引入對應的基準特征及損傷判定基準閾值；然后基于海況2～海況7作用下各結構狀態響應生成測試數據集，將測試數據集各樣本輸入已訓練的1D-RCAE模型提取數據特征，并計算提取特征與基準特征之間的馬氏距離作為損傷判定指標；最后通過比較損傷判定指標與損傷判定基準閾值進行損傷判定，若小于基準閾值則判定為健康結構，反之判定為損傷結構。表3中8種工況各存在1 000組測試樣本，通過計算1 000組樣本中準確識別結構狀態的樣本數目與總樣本數目比值確定損傷識別準確率，損傷識別結果如圖8所示，分別使用6種不同形狀的點表示6種不同海況作用條件下損傷識別準確率，各列分別表示表3中8種結構狀態的損傷識別結果。

圖8 變化環境因素下損傷判定結果Fig.8 Damage detection result under varying environment

由圖8可知，考慮20 db噪聲污染以及變化海洋環境荷載作用條件下：①健康結構狀態(工況A)存在輕微損傷誤判現象，有效波高變化(海況1/海況2/海況3)對損傷識別準確率的影響小于有效波周期變化(海況1/海況4/海況5/海況6)情況，且隨著有效波周期變化劇烈程度的增加，損傷識別準確率逐漸下降，但變化海洋環境荷載作用條件下識別準確率始終保持在98%以上；②有效波高及有效波周期變化條件下，所提方法均可有效識別多種損傷結構狀態(工況B～工況H)。

3 物理模型試驗驗證

3.1 試驗簡介

為了進一步驗證方法實用性及有效性，在大連理工大學船模拖曳試驗水池開展物理模型試驗，試驗裝置主要包括以下三部分：①立管支撐裝置。如圖9(a)所示，整體尺寸為1 m×1 m×2 m(長×寬×高)，使用高強度卡箍與G型夾固定于桁車上，用于支撐立管物理模型；②立管物理模型，如圖9所示，采用玻纖增強聚丙烯管(FRPP管)制成，有效長度為6 m，由12節子管件連接而成，單節子管件長度為0.5 m，管件截面尺寸為Φ 0.02×0.002 5 m，各子管件間通過法蘭盤與高強螺栓連接。立管物理模型頂端采用G型夾固定于支撐裝置上，底端自由，以實現頂端固定、底端自由的邊界條件；③應變數據采集系統，沿深?；燧斄⒐芪锢砟Ｐ烷L度方向均勻布置3個測點，測點1/測點2/測點3分別位于單元2/單元5/單元10中點位置(其中測點2用于重點監測水面附近結構狀態)，各響應測點位置如圖9(b)所示，使用電阻式應變片基于半橋連接方式測量上述測點處模型彎曲應變。對立管物理模型施加波流耦合荷載，其中：①隨機波荷載通過造波機施加，有效波高為0.8 m，有效波周期為5 s；②海流荷載施加通過拖車帶動立管模型前進實現，海流流速為0.1 m/s。

圖9 立管物理模型Fig.9 Riser physical model

3.2 損傷工況及響應采集

基于與2.2節中相同原因，通過外徑不變、擴大內徑的方式模擬壁厚減小損傷，并將指定位置健康子管件替換為損傷子管件引入結構損傷?；?.2節中易損傷位置分析，水面附近部分結構易發生損傷，因此設定水面附近單元(單元6/單元7)損傷工況，同時考慮多種損傷程度。損傷單元位置見圖9(b)，最終設定損傷工況如表5所示。

表5 損傷工況

對立管物理模型施加3.1節中指定環境荷載，通過傳感器采集系統獲取結構指定測點彎曲應變響應。應變響應采集時長為1 800 s，采樣頻率為50 Hz。

3.3 損傷識別結果

引入3.2節中提取的健康狀態結構測點1/測點2/測點3彎曲應變響應，使用長度為對1 024的時間窗口對健康狀態1～600 s響應進行隨機裁剪獲取1 100組樣本，即形成1 100組1 024×3的彎曲應變響應矩陣，將上述樣本按照5 ∶1 ∶5的比例劃分為訓練/驗證/閾值確定集，樣本數目分別為500/100/500。然后使用長度為對1 024的時間窗口對健康狀態及4種損傷狀態600～1 800 s響應進行隨機裁剪，為各結構狀態均生成1 000組樣本，各樣本大小均為1 024×3。使用PCA融合上述各樣本中測點1/測點2/測點3彎曲應變響應，通過計算可知，一階主成分對應累積能量占比為0.963，大于1.1節中預設閾值ε=0.95，因此主成分保留階數Nk設定為1，并將數據融合結果重組為大小為1×1 024×1的三維張量。使用訓練/驗證集完成1D-RCAE模型訓練后，將閾值確定集各樣本輸入已訓練的1D-RCAE模型提取數據特征，并基于特征間馬氏距離確定基準閾值，繼而將測試數據集各樣本輸入已訓練的1D-RCAE模型提取數據特征，計算該特征與基準特征之間的馬氏距離，并通過與上述閾值相比較進行損傷判定。損傷判定結果如圖10所示，圖中標注了使用所提方法進行損傷判定時的損傷判定基準閾值，當損傷指標小于損傷判定基準閾值時判定為健康結構，否則判定為損傷結構，同時標注了不同工況下的結構損傷識別準確率。由于損傷指標量級較大，為了方便觀察，對損傷指標取以e為底的對數，即以對數馬氏距離為縱軸進行繪制。

圖10 PCA數據融合損傷判定結果Fig.10 Damage detection result using PCA data fusion

圖10中損傷判定基準閾值確定過程如下：依次將閾值確定數據集各樣本輸入已訓練的1D-RCAE模型進行處理，提取特征層輸出作為樣本的基準特征，并基于式(8)計算各基準特征對應的馬氏距離指標，統計500組樣本對應的馬氏距離指標的均值及標準差，以均值加3倍的標準差作為損傷判定基準閾值，最終確定損傷判定基準閾值為118，取以e為底的對數后為4.77。由圖10可知：①健康結構損傷識別準確率為98.9%，即極少發生將健康結構誤判為損傷結構的現象；②損傷結構狀態識別準確率均為100%，即所提方法可以準確識別多種損傷結構狀態；③對比單元6不同損傷程度結構狀態(工況B/工況C/工況D)的損傷指標可知，單元損傷程度越大，損傷指標顯著性更高。

3.4 損傷定位結果

在完成結構損傷判定的基礎上，進一步實現結構損傷定位，損傷定位思路如下：由于測點與損傷位置間距離越小，損傷引起該測點結構動力特性變化越明顯，因此判定結構存在損傷后，首先基于健康狀態結構動力響應訓練1D-RCAE模型，并使用已訓練的1D-RCAE模型分別處理健康狀態結構各測點響應，確定各測點對應的基準特征；然后使用已訓練的1D-RCAE模型分別提取損傷結構各測點響應特征，并計算各測點響應提取特征與對應測點基準特征間馬氏距離，作為對應測點的損傷定位指標；最終通過比較各測點損傷定位指標進行損傷定位，即判定損傷定位指標顯著大的測點附近存在結構損傷。

為了驗證方法損傷定位效果，對表5中工況B/工況E進行損傷定位模擬，損傷定位結果如圖11所示。

由圖11可知，測點2對應損傷定位指標最大，其次為測點3，因此可以判定損傷單元位于測點2與測點3之間，且與測點2間距離最小，損傷定位結果與實際損傷單元位置(見圖9)相符合，即所提方法能夠有效識別結構損傷位置。

圖11 損傷定位結果Fig.11 Results of damage location prediction

4 結 論

本文就深?；燧斄⒐芙Y構損傷識別開展研究，針對損傷識別過程中存在的模態參數識別困難、海洋環境因素變化引起損傷誤判等問題，提出了一種基于數據融合及1D-RCAE的結構損傷識別方法，方法首先借助PCA沿空間方向將多測點響應信息集中到指定階主成分上，從而實現多測點響應融合，然后將融合結果作為1D-RCAE輸入，使用1D-RCAE自動提取損傷敏感特征，并以損傷敏感特征與基準特征之間的馬氏距離作為損傷指標進行結構損傷識別。數值模擬及物理模型試驗研究結果均表明，本文提出的方法能夠有效實現深?；燧斄⒐芙Y構損傷識別，可為深海采礦系統的正常運行提供保障。具體結論如下：

(1)測點距離損傷單元較遠時，彎曲應變響應損傷敏感性較低，因此基于彎曲應變響應監測結構狀態前，需要結合實際情況分析結構易損傷位置，從而優化傳感器布置。

(2)當監測目標為深?；燧斄⒐苷w結構時，僅使用單測點彎曲應變響應損傷敏感性不足，需要綜合利用多測點彎曲應變響應信息以擴大損傷識別范圍。

(3)相較于傳統數據組合方式，使用PCA融合多測點響應可以消除多測點響應間關聯性，同時剔除冗余信息，有助于1D-RCAE模型提取到更加有效的損傷敏感特征，從而提高損傷識別準確率。

(4)噪聲污染及變化海洋環境荷載作用條件下，所提方法能夠在僅使用有限測點彎曲應變響應的情況下有效識別深?；燧斄⒐芙Y構損傷，即所提方法具有良好的噪聲魯棒性，同時對海洋環境荷載變化具有良好的適應性。