基于BP神经网络的桥梁拉索损伤磁漏检测

(重庆交通大学 重庆 400074)

引言

我国现已建大量的斜拉桥和悬索桥，仅近 10 年内就有超过 20 余座跨径 400 m 以上的斜拉桥相继建成，更有一批跨径处于世界前列的斜拉桥在建设或筹建中。缆索结构体系是大跨径桥梁的主要承重构件，其安全性和耐久性对桥梁的正常使用和整体安全是极为重要的。由于缆索结构体系是缆索承重桥梁的生命线，一旦因耐久性和安全性不足出现病害与劣化，其承接能力丧失会导致公路桥梁垮塌的恶性事故，造成恶劣的社会影响和巨大的经济损失。目前已建成且在运营中的多座桥梁已发生过大的振动、严重的锈蚀或断索事故，如广州海印大桥断索，重庆綦江彩虹桥整体垮塌，四川宜宾小南门大桥吊杆断裂等。还有一些桥梁已全桥换索或正准备换索，如济南黄河桥、四川犍为桥、上海恒丰路斜拉桥、广东九江大桥、云南三达地桥等等。桥梁缆索体系耐久性和安全性不足的问题已引起桥梁工程界的高度关注，并积极在探索研究解决之中。如何监测和评价斜拉桥拉索和吊索(杆)的安全性、耐久性，已成为主管部门和工程技术人员十分关注的问题。拉索体系的损伤主要有锈蚀、疲劳断丝、滑丝和断裂等几种，对它们的检测与监测的技术也主要是针对上述损伤形式开展的。

一、磁漏检测系统

磁漏检测法无损检测对于构件锈蚀、裂纹等缺陷的检测其方法日趋成熟，在众多的无损检测方法中磁检测原理是最佳的无损检测方法之一。而磁漏法是无损检测的主要手段，它通过测量被磁化的拉索表面泄露的磁场强度来判定缺陷的大小。一旦拉索的表面有损伤或断丝，一部分磁场将从拉索中泄露出来，这一外泄的磁场可被传感器检测。当拉索遇到里面或内部缺陷产生的材料间断时，磁力线将会发生聚集(畸变)，从而引起可被检测的磁漏或磁场变化。目前此方法广泛应用于钢筋混凝土结构的钢筋定位检测和钢丝绳的检测。

本文采用磁漏检测指数进行BP神经网络算法的分析。

二、BP神经网络模型

(一)BP神经网络概述

桥梁拉索的磁漏检测会产生大量数据，由于桥梁拉索预存缺陷，这样大的数据对比是一项浩大工程，采用神经网络算法可以比较少的变量元将数据进行分类。本文将BP神经网络算法引入磁漏检测中来对磁漏值设置门阈值,在这里将磁漏检测偏离正常磁场值的离差作为桥梁拉索应力损伤信号的特征值。

(二)BP神经网络构建

BP算法由输入层Lx→隐含层Lz→输出层Ly3大部分构成。其中，输入层和输出层 各一层,而隐含层可以扩展到多层。不同层的神经元之间可以全连接，同一层的神经元之间无连接。输入信号经 BP神经网络作用函数后,最后得到输出信号。

图1 神经网络算法层

(1)最开始，为Lx与Lz的连接权值vik，Lz与Ly的连接权值wkj以及Lz的阈值φk，Ly的阈值γj赋值，从[-1,1]中取任意一个值。

(2)每个模式对(Xh,Yh)(h=1,2,…,m)，进行下列操作：

前向传播：

a)将Xk的值送到Lx层的安源，再将Lx单元激活值xi通过连接矩阵V送到Lz层单元，然后产生Lz层单元新的激活值：

b)同理计算出Ly单元的激活值：

c)计算Ly层输出层单元的一般化误差：

反向传播：

d)计算Lz层单元相对于每个Ly层输出层的一般化误差的误差：

其中ek代表Ly层的误差逆传播到Lz层。

e)调整Lz层单元到Ly层单元的连接权Δwkj=αzkdj,k=1,2,…,q且j=1,2,…,m，其中α为学习率，且0<α<1。并调整Ly层单元的阈值：Δj=αdj,j=1,2,…,m。

f)调整Lx层单元到Lz层单元的连接权ΔVik=βaiek,i=1,2,…,n,k=1,2,…,q，其中β为学习率，且0<β<1。并调整Lz层的阈值：Δk=βek,k=1,2,…,q。

(3)重复步骤(2)直到误差d变得足够小为止。

(三)BP神经网络结构总结

综上，BP神经网络使用的方法分为两个阶段。在第一个 阶段,即 a)b)c)阶段,运用给定的Ak的值,结合连接权值和阈值求得激活值。在 d)e)f)g)h)阶段,也就是第二阶段,根据最终输出误差反向对各层连接权值进行修正,直到整个网络的误差的均方趋向于设定的最小值。

三、BP神经网络在磁漏检测法中的应用

磁漏检测法主要检测钢丝绳磁化回路中主磁通变化,判断腐蚀锈蚀等引起钢丝绳横截面重金属界面总合变化的缺陷,采用此方法比目测法更加的精准，并且检测也相对容易，但其检测的磁场数据是一个相对的数据,要根据与其 他数据的对比才能判断出当前位置是否有缺陷，于是使用BP神经网络算法来处理数据。数据分为两类，一类为专门用于训练神经网络的训练数据，另一类为测试神经网络模型参数的测试数据。

(一)数据采集与清洗

采集5000组磁漏检测数据，每组数据包含1米桥拉索的磁漏检测数据，其中拉索腐蚀程度分以下等级：

表2桥拉索腐蚀程度等级表

用此5000组数据对神经网络进行训练，选取30组其他磁漏检测数据用神经网络进行预测桥拉索缺陷损坏程度，再与真实缺陷损坏检测数据进行对比，检测神经网络的训练效果。

对数据中每组数据求组内方差，对方差特别大的组进行排查，发现其异常值后，可采用删除或者插补等方法来简单清洗数据。

(二)神经网络的训练与测试

经过实验，BP神经网络通过5000组数据进行前向传播和误差反向传播训练确定了各神经元的权值和阈值。再将准备的30组测试数据作为输入层单元进行神经网络的测试,输出结果的值则归为离输出值最近的一个等级，例如0.7归为“1”等级。

表2 5000组训练数据与测试数据

经过计算，神经网络测试后的30组数据经过神经网络计算后，有5组出现了错误，计算出神经网络的准确率为83.33%。

综上所述,通过桥拉索磁漏检测数据对BP神经网络的训练,其得到的模型可以检测桥拉索存在的的缺陷损伤程度，并且由于其损伤程度等级较多，神经网络输出分类等级的时候存在误差，但从图中可以看出，其分类出现误差，但都与原等级相近。

图2 测试数据与原始数据对比

四、结论与展望

在本文利用BP神经网络对磁漏检测数据进行训练与测试的结果中，准确率高达83.33%，并且非准确值与原始值的离差并不大。结论认为，可以通过磁漏检测数据对BP神经网络的训练，让训练后权值与阈值的神经网络来判断桥拉索的损伤程度等级。

由于神经网络相对于支持向量机等算法不会产生更多的变量，所以神经网络在数据预测评估等领域，特别是对大容量的数组数据分析，有得天独厚的优势和发展前景。