劉流

蘇交科集團(tuán)股份有限公司 江蘇 南京 210017

1 引言

橋梁監(jiān)測系統(tǒng)可以同時(shí)監(jiān)測荷載輸入以及響應(yīng)輸出等多類型的數(shù)據(jù)。當(dāng)受到外部作用時(shí)，橋梁結(jié)構(gòu)參數(shù)之間都會(huì)有不同的反應(yīng)，只是參數(shù)之間表征不一樣。即使對(duì)于同一結(jié)構(gòu)參數(shù)，測點(diǎn)布置的位置不一樣，反應(yīng)的程度也不同。因此，各個(gè)傳感器監(jiān)測到的響應(yīng)都不是孤立的，而是在時(shí)間上具有同步效應(yīng)，變化趨勢上具有關(guān)聯(lián)效應(yīng)，其關(guān)聯(lián)的復(fù)雜性是受橋梁結(jié)構(gòu)體系自身復(fù)雜性影響。

基于多傳感器數(shù)據(jù)相關(guān)性進(jìn)行異常識(shí)別的基本原理在于采用回歸方法擬合空間位置相近的傳感器投影到某一平面上的坐標(biāo)位置所對(duì)應(yīng)的測點(diǎn)參數(shù)曲面，通過單傳感器實(shí)測值與對(duì)應(yīng)曲面上的擬合值的誤差判別傳感器之間的關(guān)聯(lián)性，從而識(shí)別單傳感器數(shù)據(jù)異常。這種方式可以排除單個(gè)傳感器失真造成的誤判，對(duì)于監(jiān)測數(shù)據(jù)異常的判別具有良好的適用性。

2 數(shù)據(jù)異常識(shí)別原理

2.1 異常特征提取方法

數(shù)據(jù)信號(hào)特征提取的難點(diǎn)在于正常數(shù)據(jù)和異常數(shù)據(jù)分布的不均勻性。具體來說實(shí)際中橋梁絕大多數(shù)時(shí)間處于正常服役狀態(tài)，出現(xiàn)異常的機(jī)會(huì)少，持續(xù)時(shí)間短。由此引起缺乏足夠異常數(shù)據(jù)驗(yàn)證特征指標(biāo)敏感性的問題。解決上述問題的機(jī)器學(xué)習(xí)方法稱為一類學(xué)習(xí)算法。特征空間上建立正常樣本分布區(qū)域的模型并構(gòu)造盡可能緊湊地判決函數(shù)覆蓋該區(qū)域，當(dāng)未知樣本落在判決區(qū)域外部時(shí)判為異常，從而達(dá)到異常檢測的目的。超球面一類支持向量機(jī)是其中一種表現(xiàn)優(yōu)異的異常檢測算法。作為一種一類支持向量機(jī)算法，超球面一類支持向量機(jī)利用超球體邊界作為分界面進(jìn)行分類。這個(gè)超球體去給測試集分類的時(shí)候，落在超球體內(nèi)部的樣本即為第一類，落在超球體外部的樣本為第二類[1]。

2.2 數(shù)據(jù)異常識(shí)別

任一個(gè)測點(diǎn)的數(shù)據(jù)，都是由橋梁結(jié)構(gòu)、荷載、環(huán)境共同作用的結(jié)果，不同測試參數(shù)反映的是這些作用的其中一個(gè)方面特征[2]。下面給出支持向量回歸機(jī)（）的原理。

借助約束優(yōu)化問題的拉格郎日函數(shù)，推到出其對(duì)偶形式：

3 方法驗(yàn)證

采用江陰大橋的伸縮縫位移數(shù)據(jù)說明本文數(shù)據(jù)異常的識(shí)別效果。

3.1 數(shù)據(jù)預(yù)處理

首先對(duì)數(shù)據(jù)進(jìn)行去孤值跳點(diǎn)、平滑處理、去噪處理。小波變換與重構(gòu)是去噪的有效手段，其關(guān)鍵在于如何選擇合適的小波基函數(shù)[2]。因而需要根據(jù)實(shí)際數(shù)據(jù)特點(diǎn)，選擇合適的小波基。針對(duì)1分鐘伸縮峰轉(zhuǎn)角信號(hào)，采用軟閾值法、極大極小閾值選擇、5層分解、根據(jù)各層小波分解的噪聲方差調(diào)整閾值，分別采用Haar小波、Daubeehies小波 d的“db8”、和“sym8”，如下圖1所示?？梢娖渲小癲b8”、和“sym8”小波基函數(shù)濾波后數(shù)據(jù)平滑性和波動(dòng)細(xì)節(jié)得到了兼顧，具有良好效果。

圖1 不同小波基下的去噪效果

3.2 特征提取

首先進(jìn)行基于矩的伸縮縫數(shù)據(jù)信號(hào)特征提取。根據(jù)這些信號(hào)概率密度函數(shù)分布的變化感知信號(hào)的狀態(tài)。同時(shí)，選擇信號(hào)幅值的概率密度函數(shù)的直方圖上下界、表征信號(hào)能量的有效值以及無量綱指標(biāo)波形因數(shù)、振幅因數(shù)作為特征。從圖2中可以看出，均值頻數(shù)以0.012rad為中心向兩邊減小，方差中靠近0值頻數(shù)占多，反應(yīng)了信號(hào)中存在常值分量，有效值相對(duì)集中在0.011左右，而偏度和斜度集中在0附近，說明伸縮峰時(shí)域信號(hào)有較強(qiáng)的正態(tài)分布特性。

圖2 時(shí)域特征量的頻數(shù)分布

可獲取每段信號(hào)包括時(shí)域、頻域、自回歸模型系數(shù)特征在內(nèi)的多個(gè)特征。每個(gè)特征受到環(huán)境、外界等隨機(jī)因素的共同影響，具有統(tǒng)計(jì)特性。從以上的特征量分析中可見，均方根頻率和根方差頻率有一定的相關(guān)性，直方圖上下界之間，以及與均值、有效值也存在冗余，為了壓縮特征之間的冗余信息，同時(shí)降低維數(shù)，提高分類器識(shí)別速度，采用主元分析PCA、核主元分析KPCA方法進(jìn)行處理進(jìn)行，并通過對(duì)比選擇其中的有效方法。KPCA方法采用兩種核函數(shù)，如下：

從表1中不難看出，利用PCA方法、KCA方法，貢獻(xiàn)率都比較集中，如果累積貢獻(xiàn)率取99%，那么三種方法都可以將原始數(shù)據(jù)維數(shù)降低到4維。同時(shí)，PCA與KPCA2的降維效果相似，比較而言，KPCA1貢獻(xiàn)率更為集中，主要分散在第一主元上，所以，選擇KPCA1作為降維方法，將輸入空間數(shù)據(jù)的維數(shù)降為3維。

表1 樣本集KPCA數(shù)據(jù)處理結(jié)果

3.3 數(shù)據(jù)異常分析

基于上述主成分分析選取的得到4維特征庫，選取中包含2299個(gè)正常狀態(tài)樣本點(diǎn)和221個(gè)異常狀態(tài)樣本點(diǎn)的樣本作為數(shù)據(jù)集進(jìn)行方法驗(yàn)證。其中的異常狀態(tài)樣本包括傳感器斷路故障186個(gè)樣本、拍波30個(gè)異常樣本和船撞事件5個(gè)異常樣本。

降維后得到的包括傳感器斷路、拍波車載共振、船撞等異常特征數(shù)據(jù)和正常數(shù)據(jù)的特征空間分布情況如圖3。從圖3中可知，正常模式特征與傳感器斷路有明顯的可分性，而對(duì)于船撞有一定可分性，這是因?yàn)樽畛鯛顟B(tài)有強(qiáng)烈的變化特征，信號(hào)能量大，可以被明顯區(qū)分，后續(xù)特征逐漸衰減。對(duì)于拍波而言，情況顯得復(fù)雜很多，這主要也跟拍波的能量有關(guān)，能量很弱時(shí)，也容易與正?；殳B在一起。

圖3 正常數(shù)據(jù)和斷路、拍波、船撞等異常特征的空間分布

3.4 基于超球面一類支持向量機(jī)的異常識(shí)別結(jié)果

表2 不同參數(shù)對(duì)對(duì)應(yīng)的異常分類錯(cuò)誤率FP

表2 不同參數(shù)對(duì)對(duì)應(yīng)的異常分類錯(cuò)誤率FP

?

表3 不同參數(shù)對(duì)對(duì)應(yīng)的異常分類錯(cuò)誤率FN

表3 不同參數(shù)對(duì)對(duì)應(yīng)的異常分類錯(cuò)誤率FN

?

圖4 超球面一類支持向量機(jī)的學(xué)習(xí)結(jié)果

用上述同樣的方法可以得到超平面一類支持向量機(jī)的參數(shù)和平均識(shí)別率，與超球面一類支持向量機(jī)對(duì)比結(jié)果如表4。從表4中可見，超球面一類支持向量機(jī)的平均識(shí)別率優(yōu)于超平面一類支持向量機(jī)，可以更好地識(shí)別異常，防止誤報(bào)漏報(bào)的發(fā)生。

表4 兩種方法的分類性能

4 結(jié)論

數(shù)據(jù)異常的識(shí)別關(guān)乎橋梁監(jiān)測系統(tǒng)預(yù)警與評(píng)估的準(zhǔn)確性，也是極端荷載得以及時(shí)發(fā)現(xiàn)的前提?；诔蛎嬉活愔С窒蛄繖C(jī)的識(shí)別方法對(duì)于大跨懸索橋橋梁伸縮縫數(shù)據(jù)的異常識(shí)別具有良好的適用性。進(jìn)行有效的數(shù)據(jù)異常識(shí)別的前提是對(duì)原始數(shù)據(jù)進(jìn)行合理的前處理，剔除跳點(diǎn)，消減噪聲，在此基礎(chǔ)上提取異常敏感特征，并建立特征空間的分布模式，從而進(jìn)行異常判別。小波去噪過程中，小波基函數(shù)的選擇是關(guān)鍵，通過驗(yàn)證發(fā)現(xiàn)“db8”、和“sym8”小波基函數(shù)對(duì)于伸縮縫數(shù)據(jù)的去噪效果最好。超球面一類支持向量機(jī)的平均識(shí)別率優(yōu)于超平面一類支持向量機(jī)，可以更好地識(shí)別異常，防止誤報(bào)漏報(bào)的發(fā)生。