基于可解释性深度学习方法的海洋平台结构健康诊断研究

作     者：黄思洋 

作者单位：天津大学 

学位级别：博士

导师姓名：黄焱

授予年度：2022年

学科分类：081505[工学-港口、海岸及近海工程] 08[工学] 0815[工学-水利工程] 0824[工学-船舶与海洋工程] 0814[工学-土木工程] 082401[工学-船舶与海洋结构物设计制造] 

主      题：海洋平台 结构健康监测 结构损伤定位 深度学习 可解释性 

摘      要：实现结构损伤识别与位置诊断一直是海洋平台完整性管理技术升级所面对的挑战。近年来,随着数据信息化技术的蓬勃发展,深度学习方法因其在解决诸多高度不确定性问题上的突出表现,已成为建立海洋平台健康诊断算法的重要模型工具。然而,诊断算法落地应用所需的某些关键特质,凸显了算法可解释性的需求,具体体现在:1)基于监督学习机制的深度学习模型,样本集涵盖的有限损伤事件是诊断逻辑构建的唯一来源,算法可靠性需要决策机制的解释;2)基于无监督学习机制的算法,需要形成能够指示损伤来源的模型内部表征,对应规律挖掘过程的有效性,同样需要模型可解释性的论证。 由此可见,深度学习可解释性是形成健康诊断算法的关键。本文基于一座在役导管架海洋平台结构的损伤诊断问题,探索可解释深度学习方法的引入途径,形成主要研究成果如下: 首先,本文依托一个针对目标平台的二分类损伤识别深度学习模型,建立了算法学习可靠性的评价方法。该评价方法围绕环境耦合关联和结构拓扑逻辑两个角度展开,进一步通过引入高维互信息神经网络估算方法,形成可量化的评价指标。算法可靠性是能够落地应用的关键特性,可靠性评价方法的建立弥补了相关诊断技术的空白,为算法开发提供了有价值的参考和依据。 应用上述可靠性评价方法对二分类模型进行分析,结果表明模型表征与期望的解释属性相距甚远,模型难以处理响应信号中错综复杂的纠缠关系,导致模型的决策不可靠。由此本文引入变分自编码器框架,探索在模型层面解耦的架构设计,并通过提出的可靠性评价方法,考察瓶颈层表征的解释属性。经过多种尝试后发现,变分推断在进行解耦时缺乏针对性。由此,本文通过引入对抗学习,建立了一种条件对抗学习模型,模型在训练阶段要求表征能够对抗判别模型对于环境耦合的判定,使其能够针对性地实现与环境因素解耦。 诊断算法需要满足结构拓扑逻辑,本文提出一种数据—物理双驱动的全新可解释网络架构。该架构基于物理原理设计网络连接规则,使得解码网络的运算遵循结构拓扑逻辑。经评价方法检验,网络能够获得关联桩腿区域健康状态的表征。进一步的,本文提出一种并行交叉映射的深度学习模型,该模型按照结构响应的正交方向分别建立两个网络,从而可以根据双网络的瓶颈层表征计算相应结构区域的健康半径,进而形成综合全区域的结构健康诊断。该模型的有效性经过了可靠性评价方法和数值模拟数据的检验,进一步通过开展物理模型试验验证了模型的有效性。 为考察算法模型的应用性,本文开展了现场的应用实践与智能终端开发,首先对目标平台的现场数据采集系统和清洗过程进行介绍,随后检验诊断算法对现场数据的应用效果,结果显示算法模型展现出了良好的计算稳定性。为服务于现场应用,本文建立了实时交互的智能终端系统,包括对监测数据进行储存和管理的数据管理中心;包含本文提出的健康诊断算法在内的运算集成中心。智能终端可通过云端共享实现数据传输和用户之间的交互。智能终端的建立可为海洋平台的安全生产、科学决策、风险防范提供良好的数据支撑,显示出良好的应用价值和前景。