季麗華，唐睿洵

（1.南通市通州區(qū)市政公用事業(yè)管理中心，江蘇 南通 226306；2.在役長大橋梁安全與健康國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 211112；3.蘇交科集團(tuán)股份有限公司，江蘇 南京 211112）

橋梁安全與健康智能數(shù)據(jù)融合技術(shù)分析

季麗華1，唐睿洵2,3

（1.南通市通州區(qū)市政公用事業(yè)管理中心，江蘇 南通 226306；2.在役長大橋梁安全與健康國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 211112；3.蘇交科集團(tuán)股份有限公司，江蘇 南京 211112）

目前關(guān)于結(jié)構(gòu)健康監(jiān)測技術(shù)的研究主要集中在信號處理技術(shù)、力學(xué)建模和計(jì)算機(jī)系統(tǒng)，沒有在線預(yù)測和分析功能。文章基于自適應(yīng)共振理論神經(jīng)網(wǎng)絡(luò)和自適應(yīng)模糊推理系統(tǒng)，提出采用數(shù)據(jù)融合技術(shù)對橋梁健康監(jiān)測數(shù)據(jù)進(jìn)行處理，進(jìn)而預(yù)測結(jié)構(gòu)的健康狀況。本技術(shù)得出的結(jié)果是一個結(jié)構(gòu)綜合健康指標(biāo)，一個最優(yōu)加權(quán)變量的聚合指標(biāo)。

橋梁工程；結(jié)構(gòu)健康監(jiān)測；數(shù)據(jù)融合；智能系統(tǒng)

為了確保橋梁的運(yùn)行安全，從安全和經(jīng)濟(jì)的角度構(gòu)建結(jié)構(gòu)健康監(jiān)測（SHM）系統(tǒng)至關(guān)重要［1］。一般來說，橋上布設(shè)的各種類型的傳感器負(fù)責(zé)收集特定的（盡管可能不是完全專一）類型的數(shù)據(jù)。傳感器采集的數(shù)據(jù)具有高容量、高速度、高多樣性和難辨識的特點(diǎn)［2］。而目前SHM的研究重點(diǎn)在力學(xué)建模、信號處理和計(jì)算機(jī)系統(tǒng)，但這些技術(shù)沒有在線預(yù)測和決策分析能，不足以對異構(gòu)數(shù)據(jù)提供決策級分析，因此有必要進(jìn)行數(shù)據(jù)融合技術(shù)的研究［3-4］。

本文基于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的自適應(yīng)共振理論和推理系統(tǒng)的自適應(yīng)模糊規(guī)則，根據(jù)采集的數(shù)據(jù)預(yù)測評估結(jié)構(gòu)的健康狀況，以合理確定維護(hù)和檢測的時機(jī)。與傳統(tǒng)SHM分析技術(shù)相比，智能數(shù)據(jù)融合技術(shù)有以下優(yōu)點(diǎn)：能夠處理多個異構(gòu)數(shù)據(jù)源的傳感器數(shù)據(jù)；可為基礎(chǔ)設(shè)施提供決策級的健康指標(biāo)，供工作人員進(jìn)行維護(hù)和檢查；提供實(shí)時健康結(jié)構(gòu)指標(biāo)報告和定期健康報告，用于管理和運(yùn)行決策。

1 數(shù)據(jù)融合技術(shù)

自適應(yīng)共振理論（ART）［5-6］是一種自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，是無教師的學(xué)習(xí)網(wǎng)絡(luò)。當(dāng)在神經(jīng)網(wǎng)絡(luò)和環(huán)境有交互作用時，對環(huán)境信息的編碼會自發(fā)地在神經(jīng)網(wǎng)中產(chǎn)生，則認(rèn)為神經(jīng)網(wǎng)絡(luò)在進(jìn)行自組織活動。ART就是這樣一種能自組織地產(chǎn)生對環(huán)境認(rèn)識編碼的神經(jīng)網(wǎng)絡(luò)理論模型。在現(xiàn)實(shí)情況下，事件是不可預(yù)測的，ART能夠自適應(yīng)學(xué)習(xí)事物，在自適應(yīng)與穩(wěn)定之間維持良好的平衡。

圖1為ART自組織神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。它通過計(jì)算正向權(quán)重和反饋權(quán)重將輸入變量劃分為不同的神經(jīng)元，測試每個神經(jīng)元，使該神經(jīng)元低于預(yù)警值，直到?jīng)]有更多的神經(jīng)元時測試過程結(jié)束。如果一個輸入大于預(yù)定義的閾值，按照輸入值將權(quán)重更新。假設(shè)每個不同類型的傳感器是一個變量，它會分為不同的神經(jīng)元，訓(xùn)練結(jié)束后，可以用權(quán)重作為參數(shù)來利用不同變量的關(guān)系進(jìn)行進(jìn)一步處理。

圖1 自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

數(shù)據(jù)融合技術(shù)采用神經(jīng)網(wǎng)絡(luò)和模糊專家系統(tǒng)的混合人工智能方法：神經(jīng)網(wǎng)絡(luò)是無指導(dǎo)學(xué)習(xí)的ART自我組織神經(jīng)網(wǎng)絡(luò)，在ART自我組織神經(jīng)網(wǎng)絡(luò)經(jīng)過訓(xùn)練后，將輸出的加權(quán)數(shù)據(jù)作為模糊推理系統(tǒng)的輸入，模糊推理系統(tǒng)是下一個核心組件，綜合不同數(shù)據(jù)類型構(gòu)成結(jié)構(gòu)健康指標(biāo)。數(shù)據(jù)融合有3個組件：預(yù)處理、神經(jīng)網(wǎng)絡(luò)和模糊推理系統(tǒng)，神經(jīng)網(wǎng)絡(luò)組件和模糊推理系統(tǒng)依賴于之前的組件的輸出。

（1）組件1：預(yù)處理

預(yù)處理工作主要是清潔與凈化從傳感器收集到的原始數(shù)據(jù)，主要任務(wù)包括去噪、濾波等工作(根據(jù)傳感器類型使用不同的處理方法)，以及有效值、均值、峭度、峰值、方差等統(tǒng)計(jì)計(jì)算，振動、應(yīng)力、位移、撓度、傾角、GPS等采樣值轉(zhuǎn)換成工程單位的計(jì)算等。

（2）組件2：神經(jīng)網(wǎng)絡(luò)

起始階段，權(quán)重w的設(shè)置見公式（1）：

式中：x為輸入變量（范數(shù)）；v為缺省設(shè)置，取1。

要找到最好的匹配神經(jīng)，一定要計(jì)算匹配分?jǐn)?shù)，該分?jǐn)?shù)反映了數(shù)據(jù)的相似度。分?jǐn)?shù)定義見式（2）：

式中：N為輸入數(shù)量；j為存在神經(jīng)元的順序號。

通過競爭獲勝的神經(jīng)元得分最高，找到匹配神經(jīng)后，要測試該神經(jīng)元模式足夠接近最好的匹配神經(jīng)元。因此，要運(yùn)行一個預(yù)警測試來證明神經(jīng)元模式是否匹配，預(yù)警測試定義為（3）：

式中：ρ為預(yù)定義預(yù)警因子（0＜ρ＜1），預(yù)警因子越高，神經(jīng)元精度越高。

如果x通過測試，分別用式（4）和（5）更新權(quán)重w和v：

如果模式測試失敗，并且沒有新的神經(jīng)元可供測試，就要加一個新的神經(jīng)元，在加入新神經(jīng)元后權(quán)重w和v也將更新。訓(xùn)練處理完成后，使用權(quán)重w來杠桿預(yù)處理數(shù)據(jù)并將這些權(quán)重數(shù)據(jù)送到模糊推理系統(tǒng)計(jì)算復(fù)合健康指標(biāo)。

（3）組件3：模糊推理系統(tǒng)

新技術(shù)中模糊推理系統(tǒng)是另一個核心組件，使用模糊集合理論根據(jù)給出的輸入映射出輸出。常用的邏輯或布爾邏輯用于明顯差別，使用true和false來區(qū)分，沒有任何不清楚或不嚴(yán)密。與布爾邏輯不同，模糊邏輯是用定義會員模糊集的多值系統(tǒng)。模糊集不同于傳統(tǒng)集，假如有傳統(tǒng)集X，x是X的一個元素，表示為x∈X。但是，模糊集既可認(rèn)為x屬于X（x∈X），也可認(rèn)為x不屬于X（x/∈X）。假如車重超過55 t被認(rèn)為是超重，而布爾邏輯中54.9 t就劃分為非超重。在模糊邏輯中它被認(rèn)為是0.99超重（如果定義車重55為1）［7］。

定義模糊規(guī)則就能夠建立模糊推理系統(tǒng)。建立模糊推理系統(tǒng)有4步：

①定義輸入變量；

②為每個變量構(gòu)建錄屬函數(shù)（模糊集）并輸出錄屬函數(shù)；

③定義模糊規(guī)則基準(zhǔn)；

④編碼輸入變量、模糊集、模糊規(guī)則，并完成模糊推理過程；

當(dāng)完成模糊推理時進(jìn)行以下4步：

①模糊化：為每一個輸入測量新輸入的度數(shù)來形成模糊集；

②評估規(guī)則：按規(guī)則計(jì)算規(guī)則結(jié)果。AND操作= MAX操作，OR操作=MIN操作；

③規(guī)則結(jié)果的聚合：聚合規(guī)則結(jié)果，將先前步驟計(jì)算形成一個聚合模糊集；

④去模糊化：計(jì)算公式如下，

式中：μA（x）為模糊集；C為結(jié)果值。

去模糊化完成后的輸出就是結(jié)構(gòu)指標(biāo)。另外，不像傳統(tǒng)的模糊推理系統(tǒng)，能夠用2個選項(xiàng)定義錄屬函數(shù)，一個是按照專業(yè)知識傳統(tǒng)的預(yù)測錄屬函數(shù)，另一個是自適應(yīng)錄屬函數(shù) （按照最大和最小數(shù)據(jù)改變錄屬函數(shù)）。模糊推理的過程請見圖2。

2 實(shí)例研究

以某懸索橋?yàn)槔龑ζ滠囍嘏cGPS原始數(shù)據(jù)進(jìn)行數(shù)據(jù)融合技術(shù)分析。

首先進(jìn)行預(yù)處理，對采集的原始數(shù)據(jù)進(jìn)行去噪，并進(jìn)行時間域同步。去噪采用小波去噪，去噪后進(jìn)行時間同步，車輛稱重的采樣頻率是1 Hz，GPS的采樣頻率是10 Hz，使用10個數(shù)據(jù)的平均值來同步GPS數(shù)據(jù)。

圖2 模糊推理流程

接著進(jìn)行自適應(yīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，設(shè)置不同的預(yù)警因子來看不同的最終結(jié)果（見表1）。預(yù)警因子越高指出的精度越高，增大預(yù)警因子，很明顯觀察到神經(jīng)元的數(shù)量也在增加。預(yù)警因子的0.6和0.7的權(quán)重相同，隨著預(yù)警因子的增加，權(quán)重在改變。高預(yù)警因子沒有顯示更高的精度模式，它產(chǎn)生了過度擬合問題。

表1 自適應(yīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

最后進(jìn)行模糊推理，自適應(yīng)神經(jīng)網(wǎng)絡(luò)使用預(yù)處理數(shù)據(jù)進(jìn)行權(quán)重計(jì)算后，作為模糊推理系統(tǒng)的輸入，本例中只用了車重和GPS 2個輸入變量。下一步是定義錄屬函數(shù)，將車重的錄屬函數(shù)定義為4個模糊級別：輕、正常、強(qiáng)、非常強(qiáng)；GPS的錄屬函數(shù)定義為3個模糊級別：輕、正常、強(qiáng)；輸出錄屬函數(shù)定義為4個級別模糊集：安全（80～100分）、正常（55～85分）、風(fēng)險（20～60分）和高風(fēng)險（0～30分）。本例中定義的模糊規(guī)則見表2。

表3為健康指標(biāo)結(jié)果表。按照自適應(yīng)神經(jīng)網(wǎng)絡(luò)計(jì)算的權(quán)重來調(diào)整錄屬函數(shù)預(yù)警因子的值，所有的輸入值是那個月的最大值與最小值，因?yàn)轭A(yù)警因子的權(quán)重是不同的。

由表3可以看出，增加預(yù)警因子最大健康指標(biāo)在82分左右，最小健康指標(biāo)在72分左右。盡管最大指標(biāo)與最小指標(biāo)之間差了10分，從定義的輸出模糊集中觀察，結(jié)構(gòu)健康的整體結(jié)果是在正常或安全范圍。用自適應(yīng)模糊推理系統(tǒng)計(jì)算的結(jié)構(gòu)健康指標(biāo)來比較正式出版的橋梁健康數(shù)據(jù)分析報告，計(jì)算出的結(jié)構(gòu)健康指標(biāo)是可靠的。按照結(jié)構(gòu)健康指標(biāo)，操作人員能夠做出橋梁維護(hù)的決定，如果結(jié)構(gòu)健康指標(biāo)給出危險（30～60分），則進(jìn)行結(jié)構(gòu)檢查，如果結(jié)構(gòu)健康指標(biāo)下降到高危險，則停止橋梁運(yùn)營操作人員可最終決定如何行動。

表2 模糊規(guī)則定義

表3 健康指標(biāo)結(jié)果表

3 結(jié)語

本文提出的混合智能橋梁安全與健康數(shù)據(jù)融合新技術(shù)是使用自適應(yīng)神經(jīng)網(wǎng)絡(luò)處理實(shí)時變化的健康監(jiān)測數(shù)據(jù)并進(jìn)行動態(tài)模糊推理系統(tǒng)和預(yù)測，最后產(chǎn)生結(jié)構(gòu)預(yù)警指標(biāo)。與傳統(tǒng)的結(jié)構(gòu)健康監(jiān)測系統(tǒng)相比，新的技術(shù)能夠處理異構(gòu)數(shù)據(jù)，并能使用結(jié)構(gòu)健康指標(biāo)給出決策級的建議，按照這個結(jié)構(gòu)健康指標(biāo)，可以計(jì)劃和安排檢查和維修。本文僅對新技術(shù)的理論與方法進(jìn)行了初步分析，復(fù)合橋梁健康指標(biāo)在橋梁結(jié)構(gòu)安全與健康監(jiān)測中的應(yīng)用還有待進(jìn)一步研究。

［1］孫利民，周 毅.橋梁結(jié)構(gòu)健康監(jiān)測技術(shù)面臨的機(jī)遇與挑戰(zhàn)［C］∥第五屆大跨徑橋梁結(jié)構(gòu)損傷預(yù)警及狀態(tài)評估技術(shù)研討會，2014.

［2］S Lohr. The age of big data［N］. New York Times，2012-11.

［3］H Sohn. A bayesian probabilistic approach to damage detection for civil structures［R］. 1998.

［4］J Kudva，N Munir，P Tan. Damage detection in smart structures using neural networks and finite-element analyses［J］. Smart Materials and Structures，1992，1（2）：108.

［5］G A Carpenter ，S Grossberg，The art of adaptive pattern recognition by a self-organizing neural network［J］.Computer，1988，21（3）：77-88.

［6］T. Kohonen. The neural phonetic typewriter［J］. Computer，1988，21（3）：11-22.

［7］M. Negnevitsky. Artificial intelligence：a guide to intelligent systems［J］. Information & Computing Sciences，2005，48（48）：284-300.

圖3 大氣溫度趨勢變化圖（WS020103傳感器）

圖4 伸縮縫裝置位移趨勢變化圖

4 結(jié)語

安慶長江公路大橋健康監(jiān)測系統(tǒng)主要采用現(xiàn)代化的傳感技術(shù)、測試技術(shù)及計(jì)算機(jī)和通訊技術(shù)對大橋所處工作環(huán)境和各種使用荷載下的結(jié)構(gòu)性能進(jìn)行實(shí)時監(jiān)測和評估。系統(tǒng)通過實(shí)時采集大橋在運(yùn)營狀態(tài)下的各種數(shù)據(jù)和信號，獲取反映橋梁健康狀況的特征信息，為大橋養(yǎng)護(hù)管理提供技術(shù)依據(jù)，對大橋的安全可靠性作出評價。系統(tǒng)的設(shè)計(jì)考慮了后期結(jié)構(gòu)狀態(tài)識別和安全評估的需求，硬件設(shè)備的選取充分考慮了技術(shù)先進(jìn)性、耐久性、穩(wěn)定性、實(shí)用性、經(jīng)濟(jì)性等方面因素，保證了系統(tǒng)能夠采集到準(zhǔn)確反映大橋結(jié)構(gòu)工況的參數(shù)信息和數(shù)據(jù)。

安慶長江公路大橋健康監(jiān)測系統(tǒng)的建立，起到了科學(xué)指導(dǎo)工程決策，實(shí)施有效的保養(yǎng)、維修與加固的作用，較大地提高了大橋的整體管理技術(shù)水平，可節(jié)約后期維護(hù)經(jīng)費(fèi)，對保證安慶長江公路大橋的正常運(yùn)營具有重要的意義。

參考文獻(xiàn)

［1］胡可，劉安雙.安慶長江公路大橋總體設(shè)計(jì)［C］∥中國公路學(xué)會橋梁和結(jié)構(gòu)工程學(xué)會. 2002年全國橋梁學(xué)術(shù)會議論文集.北京：人民交通出版社，2002.

［2］汪宏.安慶長江公路大橋設(shè)計(jì)與施工介紹［J］.西南公路，2010（4）：64-74.

［3］李曉斌，夏招廣，蒲黔輝.安慶長江公路大橋靜動載試驗(yàn)研究［J］.公路交通科技，2007，24（2）：73-76.

［4］韓富慶，胡可，寇明國.安慶長江公路大橋主橋施工控制仿真計(jì)算［J］.安徽建筑工業(yè)學(xué)院學(xué)報（自然科學(xué)版），2002（3）：32-37.

［5］王勝斌，胡可.安慶長江公路大橋主橋總體結(jié)構(gòu)靜力分析［C］∥中國公路學(xué)會橋梁和結(jié)構(gòu)工程學(xué)會.2002年全國橋梁學(xué)術(shù)會議論文集.北京：人民交通出版社，2002.

（收稿日期：2015-12-17）

Analysis of Intelligent Data Fusion Technology for Bridge Safety and Health

Ji Lihua1，Tang Rixun2,3
（1. The Management Center of Public utility of Municipal, Nantong 230022, China; 2. The State Key Laboratory on Safety and Health of In-service Long-span Bridges, Nanjing 211112, China; 3. JSTI Group, Nanjing 211112, China）

At present, the research focus of structre health monitoring is on the technotogies of signal processing, mechanical model and conputer system, which without online prediction and analysis capbilities. In this paper, data fusion technology is put forward to process data from bridge stucture health monitoring and then predict bridge health condition.

bridge engineering; structural health monitoring; data fusion; intelligence system

U447

A

1672-9889（2016）05-0055-04

2016-08-17）

季麗華（1980-），女，江蘇南通人，工程師，主要從事市政工程管理工作。