張掙鑫 劉黔會 朱延

摘 要： 針對基于時間序列分析算法的橋梁承壓信號提取算法容易受到噪聲的干擾，信號提取過程存在較高的滯后性，預警性能差的問題，提出基于傳感網絡的橋梁承壓信號提取算法?；跇蛄撼袎簜鞲衅鲀?yōu)化布置理論，塑造橋梁承壓傳感器合理布局數學模型，融合MAC矩陣和傳感器布局數學模型，對橋梁承壓傳感器數目進行高效控制，通過蟻群算法實現橋梁承壓傳感器的合理布局。完成傳感器的合理布局后，在布局的傳感器監(jiān)測點中融合GNSS接收機以及加速度計兩種傳感器，獲取橋梁承壓信號，并通過LMS自適應濾波器過濾橋梁承壓信號中的隨機噪聲，提取橋梁承壓信號中的關鍵部分。實驗結果表明，所提算法實現了橋梁承壓信號的準確采集、橋梁狀況整體評估，具有較強的預警性能。

關鍵詞： 傳感網絡； 橋梁承壓信號； 檢測； 合理布局； 自適應濾波器； 提取算法

中圖分類號： TN911.7?34； TP212.9 文獻標識碼： A 文章編號： 1004?373X（2018）19?0044?05

Abstract： Since the bridge pressure?bearing signal of the traditional signal extraction algorithm based on time series analysis algorithm is easily disturbed by the noise， and the algorithm has high lag and poor early warning performance， the bridge pressure?bearing signal extraction algorithm based on sensor networks is proposed. On the basis of the optimization layout theory of bridge pressure?bearing sensor， the reasonable layout mathematic model of bridge pressure?bearing sensor is constructed. The MAC matrix and sensor layout mathematical model are fused to efficiently control the number of bridge pressure?bearing sensor. The ant colony algorithm is used to realize the reasonable layout of the bridge pressure?bearing sensor， and then the GNSS receiver and accelerometer are fused in the monitoring points of the layout sensors to acquire the bridge pressure?bearing signal. The LMS adaptive filter is adopted to filter the random noise in the bridge pressure?bearing signal， and extract the key part of the bridge pressure?bearing signal. The experimental results show that the proposed algorithm realizes the accurate acquisition of bridge pressure?bearing signal and overall evaluation of bridge condition， and has strong early warning performance.

Keywords： sensor network； bridge pressure?bearing signal； detection； reasonable layout； adaptive filter； extraction algorithm

0 引 言

大型橋梁架構的健康情況對交通以及經濟具有重大的影響。大型橋梁的造價成本較高，對橋梁承壓性能進行準確的監(jiān)測，可確保橋梁使用的安全性。采用有效的方法，提取橋梁承壓信號并進行分析，能夠及時診斷橋梁的健康狀態(tài)。傳統(tǒng)基于時間序列分析算法的橋梁承壓信號提取算法容易受到噪聲的干擾，信號提取過程存在較高的滯后問題，預警性能差?；诙鄠鞲衅鞯膫鞲芯W絡是一種高效率、遠程傳輸的信息監(jiān)測網絡。因此，本文提出基于傳感網絡的橋梁承壓信號提取算法，提高信號提取的效率，增強橋梁信號的預警性能，確保橋梁的正常運行。

1 基于傳感網絡的橋梁承壓信號提取算法

1.1 橋梁健康監(jiān)測傳感器優(yōu)化布置

橋梁承壓傳感器即對安裝在橋梁上傳感器的運營性能進行監(jiān)控，得到的監(jiān)測結果從正面反應了橋梁的承壓能力[1]。由于時間、成本等人力資源的限制，不會在每座橋梁上安裝傳感器，采用合理的分配方案將有限的傳感器安裝在最佳的監(jiān)測地點，進而對傳感器接收的橋梁承壓信號進行全面、準確提取，為后續(xù)的橋梁承壓信號提取提供可靠基礎。橋梁承壓傳感器的優(yōu)化安裝就是通過將目標函數和限制條件共同組合，通過解耦方程得到橋梁承壓信號。為實現基于傳感網絡的橋梁承壓信號算法的提取，需要對橋梁承壓傳感器進行合理布局[2]。下面介紹橋梁承壓信號算法提取過程中的橋梁承壓傳感器合理布局數學模型、傳感器數目控制和信號提取方法。

1.1.1 橋梁承壓傳感器合理布局數學模型

對橋梁承壓傳感器監(jiān)測點進行合理布局需服從如下規(guī)則：若將橋梁承壓傳感器安置于監(jiān)測點[J]，基因碼可選1和2；若不安置在[J]點，基因碼為0。設橋梁承壓傳感器數學模型中自由度為[m]，傳感器數量為[t]，產生[xj（j=1，2，…，m）]曲線，該數學模型表達式為：

由于橋梁承壓傳感器為靜態(tài)，需根據自身性能和目標函數進行優(yōu)化。對于靜態(tài)的監(jiān)測點，通常實施傳遞最小誤差準則。目標函數取決于所測量物體參數，因此在對傳感器進行監(jiān)測時，需建立動力分析模型：

式中：[M]，[p]和[y]分別表示質量矩陣、位移向量和總自由度；[Dp]和[K]表示阻尼矩陣和剛度矩陣；[B]表示位置矩陣；[f]表示控制力向量。

1.1.2 基于MAC矩陣的橋梁承壓傳感器數目控制

在建立合適的傳感器布局模型后，接下來需要對傳感器數目進行控制，描繪MAC矩陣最大非對角元素隨傳感器數量變化的曲線，從所得曲線中確定橋梁承壓傳感器的數量。下面為傳感器數目控制的詳細過程：

1） 在橋梁承壓傳感器布局模型中提取模態(tài)矩陣[?m×n]，[m]和[n]分別為自由度數和該模態(tài)矩陣的階數；

2） 選取兩個自由度作為計算橋梁承壓傳感器數目的初始值，計算[?2×n]的MAC矩陣，并從中提取最大非對角線元素值[C2]；

3） 從其余的自由度中篩選最能降低MAC矩陣最大非對角線元素值，對其進行優(yōu)化處理，求出[?k×n]的MAC矩陣，并從中提取最大非對角線元素值[Ck]；

4） 重復過程3），當[k=m]時計算結束；

5） 得到的[Ck（k=2，3，…，m）]曲線即為基于MAC矩陣的橋梁承壓傳感器數目控制曲線，對傳感器數據控制還應考慮其經濟效益和采集橋梁承壓信號的準確性[3]。

1.1.3 橋梁承壓傳感器合理布局算法

蟻群在覓食過程中總能尋找最短的路線。本文傳感器為尋找到合理的布局，應用蟻群算法實施相關分析。用螞蟻對路線的選擇算法表示橋梁承壓傳感器合理布局算法，詳細過程為：

1） 路線選擇。有[m]只螞蟻和[n]個地點，用[dij]表示兩個地點[i]和[j]間距離。設兩個地點間路線的可見度[ηi，j=1dij]，路線上信息濃度用[τi，j（t）]表示。螞蟻在尋找初期，各路線中信息濃度相同，在尋找過程中，根據路線中信息濃度和可見度確認運動方向[4]。[t]時刻螞蟻處于地點[i]，此時螞蟻前往地點[j]的概率表達式為：

式中：[allowedk=0，1，2，…，n-1-tabuk]表示螞蟻[k]可以前往的地點，螞蟻已經過的地點用[tabuk]表示；螞蟻下一步選擇的路徑有[s]條，信息啟發(fā)因子能夠表示路線中遺留信息的重要程度，信息啟發(fā)因子用[α]表示；可見度對螞蟻路線選擇的影響是期望啟發(fā)因子，用[β]表示，兩者共同影響螞蟻對路線的選擇。

2） 信息調節(jié)。重復進行步驟1），當螞蟻完成從一個地點轉移到另一地點后，途中經過路線上所有的信息濃度都需替換[5]。螞蟻經過路線上信息素隨時間的增加而有所減少，算法效率也降低，則在[t+1]時刻時路線[（i，j）]上的信息素為：

式中：螞蟻一次循環(huán)遷移中信息素濃度增加量為[Δτij（t）]，第[k]只螞蟻在路線[（i，j）]上的信息素為[Δτkij（t）]；[p]為信息散發(fā)系數；[k]只螞蟻處于不同地區(qū)，每條路線上信息素濃度為[τij（0）]。當每只螞蟻結束一條路線后，對路線中信息素濃度進行更改；當每只螞蟻都處于一條路線時或循環(huán)次數為[NCmax]時，螞蟻遷移過程結束。對螞蟻覓食路徑的選擇算法進行分析，得到橋梁承壓傳感器的合理布局。

1.2 橋梁承壓信號提取

第1.1節(jié)完成橋梁承壓傳感器的合理布局后，基于獲取的傳感器監(jiān)測點，綜合采用GNSS接收機以及加速度計兩種傳感器，能夠獲取更為準確、全面的橋梁承壓信號。

1.2.1 橋梁承壓信號采集

本文采用GNSS接收機和加速度計兩種傳感器來獲取橋梁承壓信號的數據。GNSS采用RTK，NRTK和PPK三種形式進行基線計算。為適應GNSS的多形式處理，在每個橋梁承壓信號監(jiān)測點上都安裝2臺GNSS傳感器，通過一條信號分線器將2臺GNSS傳感器進行連接。1#GNSS傳感器和2#傳感器分別采用RTK形式和NRTK形式進行基線計算[6]，2臺GNSS接收機傳感器采集橋梁承壓信號，LGO軟件對PPK數據進行計算（[Sb]，[Sn]），對信號采集的頻率為20 Hz，利用PTDL（精密時間數據采集器）計算監(jiān)測點加速度計的數據，其采集頻率為100 Hz，每個橋梁承壓信號監(jiān)測可同時得到5種結果，如表1所示。

采用RTK形式時，使用者應在被監(jiān)測點周圍建立GNSS站點，GNSS站點可實時對差分進行改正，對橋梁承壓信號監(jiān)測點動態(tài)位置進行監(jiān)測。GNSS站點和GNSS傳感器的信號采集頻率均為20 Hz，由于受到硬件條件的限制，站點發(fā)送正數的頻率為1 Hz，改正速率低。1 Hz下橋梁承壓信號發(fā)送頻率不會對計算結果造成影響。NRTK形式無需設置站點，利用現有的運行衛(wèi)星參考站服務系統(tǒng)進行實時差分定位[7]，得到橋梁承壓傳感器坐標。

1.2.2 LMS自適應濾波器設計

LMS自適應濾波器是橋梁承壓信號提取的關鍵部分。自適應濾波處理器可以對位置統(tǒng)計環(huán)境下產生的平穩(wěn)信號和非平穩(wěn)信號提供高效的解決方法，各項性能都優(yōu)于常規(guī)的濾波器。自適應濾波器隨機輸入橋梁承壓信號采用確定性梯度，LMS算法包括兩個過程：

1） 計算線性濾波器對橋梁承壓信號的響應程度，將輸出結果與預期信號的推導結果進行比較，該過程由參數可變的橫向濾波器完成。

2） 自適應過程就是利用過程1）中推導結果對濾波器參數進行調整[8]。該過程由濾波器的自適應算法完成，對橫向濾波器的抽頭權值進行自適應控制。

LMS自適應濾波器對橋梁承壓信號進行處理時分為兩組GNSS信號：一組[X（n）]作為輸入信號；另一組[d（n）]為參考信號。橋梁承壓信號中產生的隨機噪聲互不影響，因此采用LMS算法對隨機噪聲進行消除?？紤]到可變?yōu)V波器的有限脈沖響應結構，LMS自適應濾波器的脈沖響應等于濾波器系數，對[p]階濾波器系數[Wn]進行如下定義：

2 實驗結果與分析

2.1 本文算法運行結果檢測

實驗應用本文算法的上位機軟件對某橋梁承壓信號進行統(tǒng)計和整理，利用DSP技術和小波法對橋梁承壓信號的時域和頻域進行分析，實現對橋梁整體的檢查，從而對橋梁的承壓能力作出分析。采用本文算法軟件的信息采集界面圖如圖2所示。橋梁整體狀況評估結果如圖3所示。

從圖2的信號采集界面可以看出，采用本文算法的上位機軟件能夠準確地對橋梁承壓信號進行收集和整理，為橋梁狀況的整體評估做準備。圖3的評估結果是對某一段時間內采集到橋梁承壓信號進行分析的過程，從而實現對橋梁承壓能力的評估。通過當天提取的橋梁承壓信號，分析當天橋梁承壓能力是否正常，并在總體評價結果中輸出“橋梁健康狀況良好”的結果，說明采用本文橋梁承壓信號提取算法的軟件，能夠直觀地獲取信號以及橋梁狀態(tài)的總體評估結果，實現對橋梁異常狀態(tài)的判斷。

2.2 預警性能檢測

對橋梁承壓信號運算結果的預測是橋梁承壓信號提取算法的最終結果，可將橋梁承壓信號的運算結果統(tǒng)計成預測表，表2和表3為本文信號提取算法在未來1天和2天對某橋梁跨中撓度的預測結果，進而對橋梁的異常情況進行預警。

表2，表3中的95%置信上下限表示實際值落在95%平均值的上下限情況。分析兩個表能夠看出，本文算法能夠有效預測橋梁未來周期中的跨中撓度波動規(guī)律，對于橋梁安全狀態(tài)實施準確評估，預警性能強。

3 結 語

本文提出了基于傳感網絡的橋梁承壓信號提取算法，通過蟻群算法實現橋梁承壓傳感器的合理布局，在布局的傳感器監(jiān)測點中通過傳感器采集橋梁承壓信號，通過LMS自適應濾波器過濾掉信號中的噪聲，提高橋梁承壓信號的精度，為確保橋梁的安全性提供了可靠的分析依據。

參考文獻

[1] 王麗清，苗長云，張誠.基于光纖光柵傳感器的心音信號提取與處理算法研究[J].信號處理，2015，31（11）：1432?1438.

WANG Liqing， MIAO Changyun， ZHANG Cheng. Study on heart sound extraction and identification based on an optical grating sensor [J]. Journal of signal processing， 2015， 31（11）： 1432?1438.

[2] 肖書敏，閆云聚，姜波瀾.基于小波神經網絡方法的橋梁結構損傷識別研究[J].應用數學和力學，2016，37（2）：149?159.

XIAO Shumin， YAN Yunju， JIANG Bolan. Damage identification for bridge structures based on the wavelet neural network method [J]. Applied mathematics and mechanics， 2016， 37（2）： 149?159.

[3] 李秋鋒，陳建娟，何才厚，等.基于時間反轉聚焦的聲發(fā)射源定位算法[J].傳感技術學報，2015，28（11）：1659?1663.

LI Qiufeng， CHEN Jianjuan， HE Caihou， et al. Location algorithm for source of acoustic emission based on time reversal [J]. Chinese journal of sensors and actuators， 2015， 28（11）： 1659?1663.

[4] 余加勇，邵旭東，晏班夫，等.基于全球導航衛(wèi)星系統(tǒng)的橋梁健康監(jiān)測方法研究進展[J].中國公路學報，2016，29（4）：30?41.

YU Jiayong， SHAO Xudong， YAN Banfu， et al. Research and development on global navigation satellite system technology for bridge health monitoring [J]. China journal of highway and transport， 2016， 29（4）： 30?41.

[5] 李苗，任偉新，黃天立，等.基于EMD與IMF能量的橋梁應變溫度效應成分的提取[J].公路交通科技，2015，32（7）：62?68.

LI Miao， REN Weixin， HUANG Tianli， et al. Extraction of bridge strain temperature effect based on EMD and IMF energy [J]. Journal of highway and transportation research and development， 2015， 32（7）： 62?68.

[6] 韓厚增，王堅，孟曉林.GPS與加速度計融合橋梁變形信息提取模型研究[J].中國礦業(yè)大學學報，2015，44（3）：549?556.

HAN Houzeng， WANG Jian， MENG Xiaolin. Reconstruction of bridge dynamics using integrated GPS and accelerometer [J]. Journal of China University of Mining & Technology， 2015， 44（3）： 549?556.

[7] 董宏輝，要婷婷，李海艦，等.高速鐵路基礎設施檢測傳感器網絡物理拓撲優(yōu)化方法[J].中國鐵道科學，2015，36（2）：118?124.

DONG Honghui， YAO Tingting， LI Haijian， et al. PSO algorithm based sensor network physical topology optimization for detection of high speed railway infrastructure [J]. China railway science， 2015， 36（2）： 118?124.

[8] 任鵬.傳感網絡信道奇異類信號檢測研究[J].計算機仿真，2016，33（4）：344?347.

REN Peng. Singular signal detection research on wireless sensor network channel [J]. Computer simulation， 2016， 33（4）： 344?347.

[9] 韓笑，佘青山，高云園，等.基于NA?MEMD和互信息的腦電特征提取方法[J].傳感技術學報，2016，29（8）：1140?1148.

HAN Xiao， SHE Qingshan， GAO Yunyuan， et al. Feature extraction of EEG based on NA?MEMD and mutual information [J]. Chinese journal of sensors and actuators， 2016， 29（8）： 1140?1148.

[10] 鄒東伯，劉海，趙亮，等.分布式光纖振動傳感信號識別的研究[J].激光技術，2016，40（1）：86?89.

ZOU Dongbo， LIU Hai， ZHAO Liang， et al. Research of signal recognition of distributed optical fiber vibration sensors [J]. Laser technology， 2016， 40（1）： 86?89.