基于EMI损伤检测技术的温度补偿研究

杨景文， 朱宏平， 王丹生， 艾德米

(华中科技大学 土木工程与力学学院，湖北 武汉 430074)

土木工程结构在环境、荷载等外部因素的作用下会产生不同程度的损伤，这些损伤可能会影响结构的使用，甚至导致结构破坏造成严重损失，因此结构的健康监测技术引起了人们的重视。大量研究正着眼于将智能传感器技术融入健康监测技术中，其中基于机电阻抗(EMI)方法的损伤检测技术被提出后[1]，引起了学者们的广泛关注，近年来也得到了迅速的发展，许多构件及结构开始运用EMI方法做损伤检测[2～5]。该方法主要是通过分析结构阻抗信息的变化来检测结构的损伤情况，但是结构的阻抗对温度较为敏感[6]，因此本研究将用实验分析温度对EMI损伤检测方法的影响，然后采用有效频率偏移方法及神经网络方法来减少温度对该方法的影响，并对比分析两种方法的补偿效果。

1 基于EMI损伤检测技术

EMI损伤检测技术的原理是：结构的损伤会引起结构阻抗的变化，通过分析结构的阻抗变化来分析结构的损伤情况。结构的阻抗是不能直接测量的，所以需要借助压电传感器，首先将压电传感器粘贴或者埋入到结构中，然后给压电传感器一个电信号激励，由于逆压电效应压电传感器会产生机械振动，从而带动主体结构产生耦合振动，耦合振动通过正压电效应产生电信号，最后阻抗分析仪接收到反馈的阻抗信息，通过不断的扫频激励就能够采集到不同频率下的阻抗信息。当结构发生损伤时，阻抗分析仪采集到的导纳信号就包含损伤的信息，然后通过分析不同工况下导纳信号的变化来判断结构是否发生损伤及损伤程度。

EMI方法最初是运用于结构参数的识别及压电驱动系统的设计中，Sun等将该方法运用到损伤检测中[7],Giurgiutiu提出了均方根差(RMSD)指标来定义结构的损伤程度[8]，随后许多学者对该方法进行了实验研究及改进，如：Tseng and Wang将EMI方法运用在混凝土梁的损伤识别上[9]，Yang等采用EMI方法监测铝板上损伤的发展[10]，Shanker等[11]将EMI技术与全局振动方法结合在一起检测初期的损伤及微小损伤，Yang等[12]将EMI技术扩展到钢梁的锈蚀检测中。Lopes等[13]在EMI技术中加入神经网络方法来确定结构损伤的程度。Wang等[14]采用相关系数作为损伤检测的指标对压电阻抗方法进行了实验及数值研究。以上研究均取得良好的结果，使EMI损伤检测技术得以迅速发展。

2 温度对EMI损伤检测技术的影响

基于机电阻抗的损伤检测技术是一个高灵敏度检测方法，虽然能够很好的检测出结构初始损伤以及微小损伤，但该方法中的阻抗值受温度影响较大，相同结构在相同健康状态下由于温度不同测试出的结果可能会有所不同。因此温度变化可能会影响到测试结果的准确性，影响对结构损伤状态的判断。Park等[15]分析了温度对EMI方法的影响。以下将通过实验来分析温度对EMI损伤检测技术的影响，并通过分析RMSD指标定量分析其影响程度。

实验试件为表面粘贴PZT传感器的钢梁，钢梁的尺寸为401 mm×24 mm×24 mm，PZT传感器的尺寸为8 mm×8 mm×0.5 mm。将压电片粘贴于距离梁端70 mm处，压电片及试件局部照片如图1所示。将实验试件放入带有温控的恒温箱中以控制温度的变化。为考虑不同的温度情况，将恒温箱温度设置为35℃、45℃以及55℃作为实验的三种工况。在每个温度下，钢梁放置一定时间以保证结构整体温度稳定。如图2所示，用PV70A阻抗分析仪采集各个工况下的150～300 kHz导纳信息。在损伤检测中，主要采用导纳实部进行分析计算，所以温度的影响也主要分析导纳实部的变化。实验测试数据如图3所示。

图1 试件局部图

图2 采集阻抗信息

图3 各工况下结构导纳实部曲线

由图3可以看到，随着温度的变化，结构导纳有明显的变化。导纳曲线整体趋势不变，但是随着温度的升高导纳曲线向左上方偏移，其中向左偏移较为明显。通过分析结构导纳的RMSD指标来分析温度对损伤检测方法的影响。RMSD是均方根偏差，它可以用来衡量不同工况下信号差别，RMSD指标的计算如公式(1)所示：

(1)

式中：G0为基准工况下导纳信号；G1为不同工况下导纳信号。图4为35℃作为基准时45℃和55℃情况下的RMSD指标。其中35℃为基准状态，所以RMSD指标为0。在各个温度状态下结构的健康状态是没有改变的，但是从RMSD指标来看,随着温度升高RMSD指标逐渐增大。所以温度变化会影响对结构健康状况的判断。

图4 各温度状态下RMSD指标

3 EMI损伤检测技术的温度补偿

由以上分析可以看出，温度的变化对EMI损伤检测方法影响较大，会引起RMSD指标的变化。为减少对EMI方法的影响，以下将采取两种不同的方法来补偿温度的影响。

3.1 有效频率偏移方法

由图2的导纳曲线可以看出环境温度变化不会影响导纳曲线的基本趋势，只是造成导纳曲线水平或者竖向的偏移。因此通过一定的方法来调整导纳曲线的偏移就能够补偿温度对导纳曲线的影响。互相关系数(CC)是反映两条曲线的相关关系的统计指标。CC是小于1的数，CC越接近于1说明两条曲线相关性越大。为研究温度对导纳曲线的影响，将采用有效频率偏移(EFS)方法[16]对不同温度下导纳曲线进行相关性分析，如公式(2)所示：

(2)

(3)

(4)

图5 45℃、55℃与35℃导纳曲线的互相关系数分析

由图7可见，通过有效频率偏移方法对实验测试结果的处理使得45℃和55℃时的导纳曲线与35℃时的导纳曲线更加接近，达到了温度补偿的目的。下面采用RMSD指标来定量的分析补偿的效果。35℃为参考温度，所以35℃处RMSD指标为0。由图8可看出经过有效频率偏移法补偿后45℃和55℃时的RMSD指标从0.167和0.449降低到0.13和0.167，效果比较明显。说明经过温度补偿后温度对测试结果的影响减小。

图6 45℃条件下有效频率偏移补偿前后对比

图7 55℃条件下有效频率偏移补偿前后对比

图8 有效频率偏移温度补偿前后RMSD对比

3.2 人工神经网络方法

人工神经网络(ANN)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。通过合适的训练能够在样本输入和输出之间形成一个网络，然后将测试的输入代入到训练好的网络得到测试输出。径向基(RBF)神经网络是人工神经网络的一种，它在曲线拟合方面有很大的优势。RBF神经网络由输入层、隐藏层和输出层组成。首先将样本数据频率和温度作为输入、测得的导纳值作为输出代入到神经网络中训练网络，当训练达到条件时完成训练形成网络，如图9所示。然后再将测试的输入代入训练好的神经网络中得到神经网络模拟的输出。经过神经网络的输出结果就考虑了温度因素，所以只要知道测试时的温度就能将神经网络模拟出的各个温度条件下的导纳值作为参考值，实测结果与之进行对比。因为实测值与参考值均考虑了温度因素，这样就排除了温度对测试结果的影响达到了温度补偿的目的。下面采用上述方法对实验中的测试结果进行温度补偿。

图9 人工神经网络示意图

图10 各温度下实测导纳值与ANN数值模拟对比

如图10所示，在经过合适的训练后，将各温度下实测实验数据与ANN数值模拟结果对比可以看出，各温度下测试结果与ANN数值模拟的数据基本上吻合，说明神经网络能够很好的预测出各温度下的导纳值。而且说明在结构没有发生损伤的情况下导纳曲线基本不变，不会受到温度的影响，说明神经网络温度补偿方法有效。同样采用RMSD指标来定量分析补偿的效果，由于ANN的数值模拟结果与实际的测量值有差别，所以补偿后35℃的RMSD指标不为0。如图11所示，各温度下的RMSD都大大降低，而且趋于稳定。说明RMSD指标基本不受温度影响，温度补偿效果十分理想。

图11 ANN方法温度补偿前后RMSD指标对比

在有效频率偏移方法中，能够很好的从测得的导纳曲线中找到温度对曲线的影响，最终通过调整频率偏移来完成温度补偿。其补偿后45℃和55℃导纳曲线明显与35℃导纳曲线更加接近。补偿后的RMSD指标相对于原始的RMSD指标也明显下降，补偿效果较为理想。在人工神经网络方法中，先通过对样本的训练来形成神经网络，然后用实测的输入得到模拟的输出值作为对比值，因为在输入层中已经考虑了温度的因素，所以实验测试值再与神经网络模拟的值对比的时候就排除了温度的影响。两种方法均能够达到温度补偿的效果。通过表1对比分析两种方法补偿的效果，从表1补偿前后的RMSD指标来看，人工神经网络方法相对于有效频率偏移方法的温度补偿效果更佳。

表1 温度补偿结果对比

[1] Liang C, Sun F P, Rogers C A. An impedance method for dynamic analysis of active material systems[J]. Journal of Vibration and Acoustics, Transaction of the ASME, 1994, 116(1): 120-128.

[2] Ayres J W, Lalande F, Chaudhry Z, et al. Qualitative impedance-based health monitoring of civil infrastructures[J]. Smart Materials and Structures, 1998, 7(5): 599-605.

[3] Giurgiutiu V, Harries K, Petrou M, et al. Disbond detection with piezoelectric wafer active sensors in RC structures strengthened with FRP composite overlays[J]. Earthquake Engineering and Engineering Vibration, 2003, 2(2): 213-223.

[4] Yan W, Lim C W, Cai J B, et al. An electromechanical impedance approach for quantitative damage detection in timoshenko beams with piezoelectric patches[J]. Smart Materials and Structures, 2007, 16: 1390-1400.

[5] Sepehry N, Shamshirsaz M, Bastani A. Electromechanical Impedance Modeling of Cantilever Beams with Embedded PZT Transducers[C]// International Conference on Advanced Intelligent Mechatronics. Piscataway: IEEE，2010: 569-574.

[6] Park G, Kabeya K, Cudney H H, et al. Removing Effects Temperature Changes from Piezoelectric Impedance-based Qualitative Health Monitoring[C]// Proceedings of the SPIE-The International Society for Optical Engineering. USA:SPIE, 1998: 103-114.

[7] Sun F P, Chaudhry Z A, Liang C, et al. Truss structure integrity identification using PZT sensor-actuator[J]. Journal of Intelligent Material Systems and Structures, 1995, 6(1): 134-139.

[8] Giurgiutiu V, Rogers C A. Recent Advancements in the Electro-mechanical(E/M) Impedance Method for Structural Health Monitoring and NDE[C]// Proceedings of SPIE-The International Society for Optical Engineering. USA: SPIE, 1998: 536-547.

[9] Tseng K K,Wang Liangsheng. Smart piezoelectric tran-sducers for in situ health monitoring of concrete[J]. Smart Material Structure, 2004,13(5): 1017-1024.

[10] Yang Yaowen, Liu Hui, Venu G M A, et al. Monitoring damage propagation using PZT impedance transducers[J]. Smart Materials and Structures, 2009, 18(4): 045003.

[11] Shanker R, Bhalla S, Gupta A, et al. Dual use of PZT patches as sensors in global dynamic and local electromechanical impedance techniques for structural health monitoring[J]. Journal of Intelligent Material System and Structures, 2011, 22(16): 1841-1856.

[12] Yang Jingwen, Zhu Hongping, Yu Jing, et al. Experimental study on monitoring steel beam local corrosion based on EMI technique[J]. Applied Mechanics and Materials, 2013, 273: 623-627.

[13] Lopes V J, Park G, Cudney H H, et al. Impedance-based structural health monitoring with artificial neural networks[J]. Journal of Intelligent Material System and Structures, 2000, 11(3): 206-214.

[14] Wang Dangsheng, Song Hongyuan, Zhu Hongping. Numerical and experimental studies on damage detection of a concrete beam based on PZT admittances and correlation coefficient[J]. Construction and Building Materials, 2013, 49: 564-574

[15] Park G, Cudney H H, Inman D J. Impedance-based health monitoring of civil structural components[J]. Journal of Infrastructure Systems, 2000, 6(4): 153-160.

[16] Koo K Y, Park S, Lee J J, et al. Automated impedance-based structural health monitoring incorporating effective frequency shift for compensating temperature effects[J]. Journal of Intelligent Material Systems and Structures, 2009, 20(4): 367-377.