李紅波

（中船勘察設(shè)計研究院有限公司，上海 200063）

基于融合算法的沉降監(jiān)測數(shù)據(jù)反饋分析

李紅波

（中船勘察設(shè)計研究院有限公司，上海 200063）

沉降變形是安全監(jiān)測的重要內(nèi)容?；诜植际蕉嘣磾?shù)據(jù)智能融合算法，具有良好的修正性和互補性，可解決傳感器測量范圍局限與失準及其數(shù)據(jù)誤差。某跨海大橋群樁基礎(chǔ)沉降監(jiān)測的應(yīng)用結(jié)果表明，該方法具有較高可靠性和識別精度，為安全監(jiān)測與分析提供了新的有效手段。

沉降監(jiān)測；數(shù)據(jù)處理；反饋分析；融合算法

近年來，隨著岸帶經(jīng)濟圈的崛起，沿海工程迅速發(fā)展，而由于地質(zhì)環(huán)境的復(fù)雜性，海上建筑物的基礎(chǔ)安全成為規(guī)劃、建設(shè)和管理必須面對與處置的重要問題。安全監(jiān)測是反映其與海洋地質(zhì)條件適應(yīng)性的重要評價內(nèi)容，健全和完善監(jiān)測網(wǎng)絡(luò)系統(tǒng)、采用自動化監(jiān)測技術(shù)、完善地質(zhì)信息平臺、提高風險識別預(yù)警能力是重要途徑之一。

沉降變形監(jiān)測是評價樁基礎(chǔ)的一項重要指標，但是海洋建筑物尤其是超大群樁基礎(chǔ)的沉降變化，受潮位、波浪、日照輻射等環(huán)境因素和偶然因素的影響，可導致觀測數(shù)據(jù)序列呈現(xiàn)異常過程，且這些環(huán)境因素不僅只影響某個測點，還會造成觀測系統(tǒng)出現(xiàn)異常群，從而嚴重干擾樁基礎(chǔ)工程特性的分析和預(yù)測。更重要的是，異常過程和異常群往往很難利用普通技術(shù)進行識別和剔除。此外，不同類型的傳感器，因其精度、安裝方式和埋設(shè)位置不同，而使數(shù)據(jù)及其噪聲的特性存在差異。故有必要采用信噪分離技術(shù)剝離各種噪聲的影響，并根據(jù)不同類型傳感器觀測結(jié)果的可信度和重要性，進行多傳感器數(shù)據(jù)融合。

對于監(jiān)測數(shù)據(jù)降噪，國內(nèi)外許多學者開展了大量研究，尤其是基于“軟計算”方法的修正數(shù)據(jù)得到廣泛應(yīng)用。Mallat提出多分辨分析的概念，使小波具有帶通濾波特性，從而可以利用小波分解與重構(gòu)的方法濾波降噪[1]。田勝利等利用小波去噪技術(shù)，對一組建筑物變形監(jiān)測數(shù)據(jù)進行去噪處理，表明該方法能夠識別觀測噪聲和有用信息[2]。然而實測信號往往伴隨沖擊信號，從而限制了單一去噪方法的適用性。石雙忠等提出一種基于小波消噪時序分析改進法[3]。潘國榮等采用把小波變換與神經(jīng)網(wǎng)絡(luò)有機結(jié)合的小波神經(jīng)網(wǎng)絡(luò)法[4]。但小波神經(jīng)網(wǎng)絡(luò)法還存在結(jié)構(gòu)優(yōu)化問題，其收斂速度、魯棒性和預(yù)測精度還有待進一步提高。

20 世紀60 年代初，Kalman 等提出遞推式濾波算法。它是一種對動態(tài)系統(tǒng)進行實時數(shù)據(jù)處理的有效方法，可實現(xiàn)對各種原始監(jiān)測數(shù)據(jù)的異常干擾進行濾波處理，同時有效提高判定精度。何亮等通過采用離散Kalman 濾波估計和小波分析相結(jié)合的方法，建立了可應(yīng)用于結(jié)構(gòu)健康監(jiān)測的離散時間動態(tài)模型[5]。王利等提出用Kalman 濾波法先對原始變形監(jiān)測數(shù)據(jù)進行濾波處理，而后再建立GM 模型進行灰色預(yù)測，并用實例證實了該法的有效性[6]。但無論是數(shù)據(jù)降噪還是數(shù)據(jù)融合，在深水群樁基礎(chǔ)整體沉降分析中的應(yīng)用研究仍較少見。

在多點監(jiān)測中，傳統(tǒng)的分析方法往往集中在對某一個傳感器采集的數(shù)據(jù)進行分析判斷，這首先要求合理選取“關(guān)鍵點”，而該點的選取受人為影響因素較大；其次，該點是否具有代表性亦無法準確驗證，無法避免以偏概全；最后，該點的選取必須經(jīng)過大量的現(xiàn)場工作和研究，但是受工程條件和時間限制，顯然不易完成。而采取多個指標分別進行評判，很難準確判斷出樁基的整體工作狀態(tài)，這是因為各個監(jiān)測點受到的外界影響不一致，如日照、波浪、溫度和潮位條件等，容易引起分析系統(tǒng)出現(xiàn)紊亂，從而嚴重干擾樁基礎(chǔ)沉降量和橋基安全的綜合分析和預(yù)測。因此如何將各傳感器采集的數(shù)據(jù)進行綜合有效融合和提取，需要進一步研究[7,8]。

已有研究表明，分布式融合算法能夠有效融合監(jiān)測數(shù)據(jù)[9]，其中Kalman濾波算法是其核心技術(shù)，監(jiān)測過程可視為對每一個傳感器運動軌跡的監(jiān)測。根據(jù)量測值提取目標的綜合信息，實質(zhì)是建立多個固定的狀態(tài)方程和量測方程來描述樁基沉降量，并對各監(jiān)測點采集到的數(shù)據(jù)進行跟蹤濾波去噪，以獲得被監(jiān)測對象的整體工程特性。

1 樁基沉降時間序列監(jiān)測模型

為便于數(shù)學描述，對于每一個傳感器監(jiān)測點，其沉降量可用下述方程組進行描述：

其中，a(x)表示監(jiān)測點在x時刻到x+1時刻的加速度，v(x)表示樁基在x時刻的速度，s(x)表示樁基在x時刻的位置。a(x)是服從零均值、方差為Q的正態(tài)分布的噪聲序列，且a(x)和a(y)(x≠y) 互不相關(guān)，即，其中δ是克羅內(nèi)克函數(shù)，其特性為k=1時，δ(k)=0；k=0時，δ(k)=1。

由以上分析可建立樁基在沉降階段的時間序列動態(tài)監(jiān)測模型：

式中：

Z(k)為樁基的實際沉降量監(jiān)測值，v(k)是均值為零、方差為Q的量測噪聲序列，且與W(k)不相關(guān)[10]。

2 分布式多傳感器數(shù)據(jù)融合

分布式多傳感器數(shù)據(jù)融合是一種決策級融合方法，通過一系列的數(shù)據(jù)關(guān)聯(lián)和互補，能夠最大限度地改正錯誤，使誤差達到最小，從而避免誤差延續(xù)造成結(jié)果不精確。在樁基的沉降量監(jiān)測中，由于各個監(jiān)測點在單位采樣時間內(nèi)沉降量都是唯一的且反映了樁基的變形，因此各傳感器產(chǎn)生的沉降量是相關(guān)的，可采用有反饋信息結(jié)構(gòu)的卡爾曼濾波進行融合計算。

有反饋信息的分布式融合結(jié)構(gòu)[11]，是指在數(shù)據(jù)處理前后均要進行卡爾曼濾波的修正，即有一個數(shù)據(jù)信息反饋溝通的過程，最后才能進行融合計算，融合計算方法如下[12]：

3 工程應(yīng)用實例

3.1 工程概況

東部某跨海大橋8號索塔塔墩采用了“超深、大直徑、樁距與樁徑比小”的群樁基礎(chǔ)，由于該樁基礎(chǔ)位于海中，且屬于高樁，上部裸露于海水中，故在其中上部布設(shè)了不銹鋼護筒；同時考慮到地震影響及水平承載力提高的需求，鋼護筒通常被永久保留為樁基礎(chǔ)的受力結(jié)構(gòu)。該結(jié)構(gòu)的主要特征是受力復(fù)雜，外界影響因素較多，尤其是潮汐作用和復(fù)合群樁影響效應(yīng)。由于自然條件限制，其量化影響程度無法精確計算出。為此，基于廣角度多源監(jiān)測理念，開展了多項自動化原位跟蹤監(jiān)測，內(nèi)容包括壓力、軸力、承臺受力狀態(tài)、基樁彎曲變形、沉降量等， 由于監(jiān)測位置及樁身材料不同，對沉降量的監(jiān)測，采用了不同類型的傳感器。在該群樁基礎(chǔ)施工時期一共布置了10個自動化采集點，均布于最外側(cè)的樁身。觀測時間開始于樁基礎(chǔ)施工完成，并一直延續(xù)至今。由于日照、潮水沖刷等原因，2008年7月和2010年11月，分別有2個傳感器失效，始終處于正常工作狀態(tài)的有8個。近年來，該樁基沉降量出現(xiàn)了個別傳感器測量的沉降量有反復(fù)變化的現(xiàn)象，且傳感器間采集的數(shù)據(jù)有矛盾等值得關(guān)注的問題。

3.2 融合結(jié)果及分析

以2007～2012年樁基沉降量實測數(shù)據(jù)為研究對象，起始點選在2007年1月1日，并將其賦值為0，歷年12月31日與起始點的總差值作為數(shù)據(jù)融合前的值，建立樁基沉降量的時間序列，進行數(shù)據(jù)融合分析，以判斷整個超大群樁基礎(chǔ)的沉降值。

由2007～2012年間8號索塔各沉降傳感器采集的監(jiān)測值可知（表1），該群樁基礎(chǔ)在監(jiān)測時間內(nèi)大部分傳感器采集的沉降量數(shù)據(jù)均隨時間推移有增大趨勢。自監(jiān)測以來，最大沉降量發(fā)生在監(jiān)測點S8-4，沉降量達81.9mm；最小沉降量發(fā)生在監(jiān)測點S8-1，沉降量為62.5mm；年間最大沉降量變幅發(fā)生在2007～2008年的監(jiān)測點S8-5，沉降量達41.2mm；年間最小沉降量變幅發(fā)生在2010～2011年的監(jiān)測點S8-6，沉降量僅有2mm。但不難看出，S8-7在2007～2011年間，其沉降量隨時間有增大趨勢，但2011年間以來，卻發(fā)生了“回彈”；同樣，S8-8在2007～2010年間，沉降量為增大趨勢，但2010～2011年間也有“回彈”，而2011～2012年間又呈增大趨勢。同時，還有個別傳感器采集的數(shù)據(jù)具有“跳躍性”，具體表現(xiàn)在反復(fù)無規(guī)律的變化趨勢，即出現(xiàn)同一時期各個監(jiān)測點的指標對樁基整體沉降的評價出現(xiàn)不一致的現(xiàn)象，如圖1所示。

表1 沉降量實測及融合處理值 (mm)Table 1 The actual measurement and the fusion value of subsidence

圖1 沉降量實測值與融合值變化曲線Fig.1 The changing curve of actual measurement and the fusion value of subsidence

分析此現(xiàn)象，其原因是由于采用的不同類型傳感器的精度存在偏差，加之傳感器分布位置也有差異，引起數(shù)據(jù)矛盾，進而引發(fā)數(shù)據(jù)間的冗余性[13]。為了消除這種矛盾性，根據(jù)傳感器分布特征，采用分布式多源數(shù)據(jù)融合處理方法進行融合，融合結(jié)果見表1。

對比圖表可知，融合后的數(shù)據(jù)首先消除了傳感器采集數(shù)據(jù)的矛盾性，可修正融合前數(shù)據(jù)的冗余性和不準確性，獲得了被測對象的一致性描述和解釋。采用具有反饋式融合方法后，去除了某些傳感器數(shù)據(jù)的反復(fù)無規(guī)律現(xiàn)象，在總體上降低了數(shù)據(jù)的矛盾性，這是因為每個傳感器的誤差是不相關(guān)的，融合處理后可抑制誤差。

其次，融合后的數(shù)據(jù)值處于各傳感器采集的數(shù)據(jù)之間，接近該時間內(nèi)分布較多的數(shù)值，符合正態(tài)分布，這是因為研究對象為整個樁基平臺的沉降量，該融合方法具有良好的修正性和互補性。這種修正性和互補性，可以補償單一傳感器的不準確性和測量范圍的局限性，這樣也就糾正了數(shù)據(jù)誤差，消除了“回彈”現(xiàn)象，同時也改正了個別傳感器采集數(shù)據(jù)的“跳躍性”。

綜上所述，融合后的數(shù)據(jù)比原始采集數(shù)據(jù)的子集具有更優(yōu)良的兼容性，即融合后的效果更加理想。融合后的值可以作為評價群樁基礎(chǔ)的“關(guān)鍵點”，其首先不受人為影響因素的控制；其次具有良好的代表性；最后，其不需要進行大量的現(xiàn)場試驗，能夠節(jié)省成本，降低風險。

就實際情況而言，樁基在投入使用時，對周圍環(huán)境有一個適應(yīng)過程；大橋運行一段時間后，樁基才趨于穩(wěn)定。其沉降量變化表現(xiàn)出一種由大變小的趨勢，顯然，融合后的數(shù)據(jù)更加符合這一規(guī)律。

4 結(jié)論

（1）分布式融合算法能夠有效融合大橋群樁基礎(chǔ)沉降量的監(jiān)測數(shù)據(jù)，文中采用的卡爾曼濾波算法是其核心技術(shù)，監(jiān)測過程可視為對每一個傳感器運動軌跡的監(jiān)測，根據(jù)量測值提取目標的綜合信息，建立的多個固定的狀態(tài)方程和量測方程來描述樁基沉降量是可行的；對各監(jiān)測點采集到的數(shù)據(jù)進行跟蹤濾波去噪是有效的，能夠獲得被監(jiān)測對象的整體工程特性。證明基于卡爾曼濾波融合算法，可應(yīng)用于大橋群樁樁基沉降監(jiān)測數(shù)據(jù)綜合信息的提取。

（2）分布式融合算法，充分利用各個監(jiān)測點采集的數(shù)據(jù)，獲得了被測對象的一致性描述和解釋，消除了融合前數(shù)據(jù)的矛盾性和冗余性，發(fā)揮了數(shù)據(jù)的互補性，而且符合一般工程特性和沉降量變化規(guī)律，結(jié)果較為理想。

（3）傳感器數(shù)量越多，越能提高系統(tǒng)的可靠性。一方面可以增加數(shù)據(jù)間的互補性，另一方面當某個或某幾個傳感器失效時，系統(tǒng)仍能正常運行。該融合方法還可以將河床沖刷、樁頂軸力、基樁軸力、樁底土壓力、承臺受力狀態(tài)、基樁彎曲變形等一系列不同類型的傳感器采集的數(shù)據(jù)進行綜合評判，應(yīng)用面較廣。

References)

[1] Mallat S G. A theory for multiresolution signal decomposition: the wavelet representation[J].Pattern Analysis and Machine Intelligence, 1989,11(7):674-693.

[2] 田勝利,周擁軍,葛修潤,等. 基于小波分解的建筑物變形監(jiān)測數(shù)據(jù)處理[J]. 巖石力學與工程學報,2004,23(15):2639-2642.

Tian S L, Zhou Y J, Ge X R, et al. Processing of monitoring data of building deformation based on wavelet transform[J].Chinese Journal of Rock Mechanics and Engineering, 2004,23(15):2639-2642.

[3] 石雙忠,岳東杰. 基于小波消噪技術(shù)的時序分析法用于GPS 監(jiān)測數(shù)據(jù)處理[J]. 現(xiàn)代測繪,2006,29(4):17-19.

Shi S Z, Yue D J. Application of time-series analysis based on wavelet to GPS deformation monitoring data-processing[J].Modern Surveying and Mapping,2006,29(4):17-19.

[4] 潘國榮,谷川. 變形監(jiān)測數(shù)據(jù)的小波神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J]. 大地測量與地球動力學,2007,27(4):47-50.

Pan G R, Gu C. Wavelet neural network prediction method of deformation monitoring data[J].Journal of Geodesy and Geodynamics,2007,27(4):47-50.

[5] 何亮,敖鵬,孫炳楠. 結(jié)構(gòu)健康監(jiān)測信息的多尺度分析[J]. 市政技術(shù),2006,24(3):182-186.

He L, Ao P, Sun B N. Analysis of information in multiple measures for structure health monitoring[J].Municipal Engineering Technology, 2006,24(3):182-186.

[6] 王利,張勤,劉萬林. 基于卡爾曼濾波的GM 模型及其在公路邊坡變形預(yù)測中的應(yīng)用[J]. 工程勘察,2007,(3):56-59.

Wang L, Zhang Q, Liu W L. Application of Kalman filter based on GM model to road slop deformation monitoring[J].Engineering Investigation,2007, (3):56-59.

[7] Hall D L. Mathematical techniques in multi sensor data fusion[M]. Artech House, London, 1992.

[8] Waltz E, Llinas J. Multisenser data fusion[M]. New York: Artech House, Inc., 1990.

[9] 蘇懷智,顧沖時,吳中如. 大壩工作性態(tài)的模糊可拓評估模型及應(yīng)用[J]. 巖土力學,2006,27(12):2115-2121.

Su H Z, Gu C S, Wu Z R. Assessment model of dam behavior with fuzzy extension theory and its application[J].Rock and Soil Mechanics,2006,27(12):2115-2121.

[10] 涂國平,鄧群釗. 多傳感器數(shù)據(jù)的統(tǒng)計融合方法 [J]. 傳感器技術(shù),2007,20(3),28-32.

Tu G P, Deng Q Z. A statistical method for the data fusion of multisensor[J].Journal of Transducer Technology,2007,20(3):28-32.

[11] 郭科,彭繼兵,許強,等. 滑坡多點數(shù)據(jù)融合中的多傳感器目標跟蹤技術(shù)應(yīng)用[J]. 巖土力學,2006, 27(3):479-481.

Guo K, Peng J B, Xu Q, et al. Landslide multi-point multisensor data fusion target tracking technology[J].Rock and Soil Mechanics,2006,27(3):479-481.

[12] Singer R A, Sea R G, Housewright K. Derivation and evaluation of improved tracking filters for use in dense multi sensor environments[J].Information Theory,1974,20(4):423-432.

[13] Shalom B Y, Tse E. Tracking in a cluttered environment with Probabilistic data association[J].Automatic,2005,11(5):451-460.

Feedback Analysis of Subsidence Monitoring Based on Data Fusion Algorithm

LI Hong-Bo
(China Shipbuilding Industry Institute of the Engineering Investigation & Design Co, Ltd, Shanghai 200063, China)

Subsidence deformation is an important index of safety monitoring. The fusion algorithm with the distributed intelligent multi-source data can be the good correction and complementarity, and solve the sensor measuring range limitation and its misalignment and data error. The piles group foundation subsidence monitoring results from a bridge cross the sea show that it is a good method with higher reliability and recognition precision and provides a new effective measure for safety monitoring and analysis.

subsidence monitoring; data processing; feedback analysis; fusion algorithm

P229.5

A

2095-1329(2013)02-0084-04

10.3969/j.issn.2095-1329.2013.02.020

2013-05-27

2013-06-17

李紅波(1967-),女,高級工程師,主要從事巖土工程勘察與設(shè)計研究.

電子郵箱：lhb2150607@126.com

聯(lián)系電話：021-62548041×8663