CN102565194B - 运营状态下大跨桥梁钢箱梁损伤预警方法 - Google Patents

Abstract

本发明涉及一种运营状态下大跨桥梁钢箱梁损伤预警方法，该方法包括如下步骤：步骤1：钢箱梁传感器的设置：在钢箱梁跨中位置安装竖向加速度传感器、温度传感器和风速仪，分别用以监测车辆荷载引起的钢箱梁竖向加速度、钢箱梁的温度和钢箱梁所在区域的风速；步骤2：监测数据的处理；步骤3：完好状态下钢箱梁振动频率和运营因素的数学相关模型；步骤4：控制图显著性水平的确定；步骤5：钢箱梁损伤预警。本发明全面考虑了运营状态下影响钢箱梁振动频率变化的各种因素，有效提高了钢箱梁损伤预警的实时性和准确性。

Description

运营状态下大跨桥梁钢箱梁损伤预警方法

技术领域

本发明是一种应用于运营状态下大跨桥梁钢箱梁的损伤预警方法，涉及桥梁工程的无损检测领域。

背景技术

现代大跨桥梁大多采用钢箱梁作为主梁承担车辆荷载的直接作用，例如南京长江二桥、润扬长江大桥和苏通长江大桥等。钢箱梁是大跨桥梁中非常重要的结构构件，其状态安全与否关系到整个桥梁结构的安全运营。然而，钢箱梁的桥面板直接承受交通荷载较易发生疲劳开裂。目前，钢箱梁疲劳开裂的事故在国内外的大跨桥梁中均己出现。我国1997年建成通车的广东虎门大桥从2003年开始钢箱梁的桥面板就出现了疲劳裂纹。因此需要对钢箱梁的损伤状态进行监测和评估，以便尽早地发现其损伤的发生。

目前，钢箱梁损伤检测主要采用人工定期检测的方式，这种方式存在以下的问题：(1)人工检测主观性较强，并且缺乏历史数据的积累，难以对钢箱梁的损伤状态做出定量地判断；(2)实时性较差，不能及时地发现钢箱梁损伤的发生，有可能影响到桥梁结构和行车的安全；(3)由于需要长期定期的指派维护工人进行现场查看，总体费用较高。因此，针对上述人工检测的缺点，迫切需要发展一种方法对大跨桥梁钢箱梁的状态进行实时地损伤监测和预警。桥梁结构健康监测技术的发展为实现上述目的提供了契机^[1]，工程建设过程中可以在钢箱梁上敷设加速度传感器，通过加速度传感器识别的钢箱梁振动频率变化可以较好地反映钢箱梁是否发生损伤。这种基于振动频率测试的结构损伤预警方法在理论研究和工程应用等方面都取得了快速的发展^[2]。

但是，对于实际运营状态下的大跨桥梁钢箱梁而言，钢箱梁实测振动频率受到温度、风和车辆荷载的影响，会在一个较宽的范围内波动，这种波动将有可能会淹没或掩盖钢箱梁因损伤所造成的振动频率的真正改变，从而对结构损伤预警产生不利的影响。因此，有必要消除运营因素对钢箱梁振动频率的影响。文献[3]根据润扬大桥悬索桥钢箱梁竖弯振型的振动频率和温度的季节相关性模型消除了温度对振动频率的影响，并将其应用于钢箱梁损伤预警。然而，该方法只能以天为单位对钢箱梁振动频率的日平均值进行损伤预警分析，损伤预警的实时性较差，不能对钢箱梁的损伤发生做出及时预警，并且该方法简单地采用多项式回归模型用于消除温度对振动频率的影响，同时没有考虑车辆荷载和风对钢箱梁振动频率的影响，因此该方法损伤预警精度有限，只能识别出结构损伤造成的振动频率0.2％的异常变化。因此有必要在全面考虑温度、风、车辆荷载各种影响因素对钢箱梁振动频率的影响基础上，提出一种钢箱梁运营状态下的结构损伤预警方法，满足钢箱梁损伤预警的实时性和准确性要求。

发明内容

技术问题：本发明针对现有大跨桥梁钢箱梁损伤监测技术的不足，提出了一种运营状态下大跨桥梁钢箱梁损伤预警方法，重点解决钢箱梁损伤预警的实时性和准确性。

技术方案：为解决上述技术问题，本发明提供了一种运营状态下大跨桥梁钢箱梁损伤预警方法，该方法包括如下步骤：

步骤1：钢箱梁传感器的设置：

在钢箱梁跨中位置安装竖向加速度传感器、温度传感器和风速仪，分别用以监测车辆荷载引起的钢箱梁竖向加速度、钢箱梁的温度和钢箱梁所在区域的风速；

步骤2：监测数据的处理：

以10分钟为计算区间，对传感器获取的原始数据进行处理，分别计算钢箱梁的振动频率f、温度T、风速W和车辆荷载的代表值R；所述车辆荷载的代表值R是以10分钟为区间计算钢箱梁竖向加速度的均方根，以此作为这一时间段内的车辆荷载的强度代表值；

步骤3：完好状态下钢箱梁振动频率和运营因素的数学相关模型：

步骤3a：选取桥梁施工建成后n天的监测数据来建立相关模型，则监测样本总量为m＝144×n，n为自然数，以天为单位计算振动频率f、温度T的日平均值T_D和振动频率日平均值f_D

步骤3b：采用反向传播神经网络建立温度日平均值T_D和振动频率日平均值f_D的相关性模型，反向传播网络模型的隐层数和隐层单元由随机爬山法确定，

步骤3c：消除温度对振动频率的影响，选取参考温度为T_r，将振动频率原始测试值f归一化至参考温度T_r，得到消除温度影响的振动频率值f₁，

步骤3d：采用反向传播神经网络建立f₁和风速W、车辆荷载代表值R的相关性模型；然后选取风速的参考值为W_r、车辆荷载的参考值为R_r，将步骤c中得到的f1进一步“归一化”至风速的参考值W_r、车辆荷载的参考值R_r，得到消除风速和车辆荷载影响的振动频率值f₂；

步骤4：控制图显著性水平的确定：

将步骤3计算出的振动频率值f₂输入均值控制图，调整控制图的显著性水平，使得上述n天总计m个样本点全部落在控制图的上、下控制线之内；

步骤5：钢箱梁损伤预警：

对未知状态的l天监测数据，采用钢箱梁完好状态的相关模型分别消除温度、风速和车辆荷载的影响，在此基础上得到s个振动频率值，s＝144×l，l是天数，记为f₃；保持步骤4确定的显著性不变，将消除风速和车辆荷载影响的振动频率值f₂和s个振动频率值f₃同时输入均值控制图，此时，若所有m+s个样本仍全部位于上、下控制线内，则说明钢箱梁状态为正常，若有样本落在了控制线以外，则说明钢箱梁状态异常，作出钢箱梁发生损伤的预警。

有益效果：针对运营状态下大跨桥梁钢箱梁损伤预警的实时性和准确性要求，本发明综合采用现场监测、统计建模、均值控制图等手段提出了运营状态下的钢箱梁损伤预警方法，具有以下有益效果：

(1)本发明所需安装的传感器数量较少，仅需要温度传感器、风速仪和加速度传感器。同时，本发明采用的方法简单易行，可以在计算机中较为方便地编程实现，方便实际工程的应用。

(2)本发明全面考虑了运营状态下影响钢箱梁振动频率变化的各种因素，根据温度对钢箱梁振动频率的慢变影响特征和风速、车辆对钢箱梁振动频率的快变影响特征分步消除了温度、风速和车辆荷载对钢箱梁频率实测值的影响，有效提高了钢箱梁损伤预警的精度。

(3)本发明能够在短时间内对钢箱梁损伤状态做出预警，方法的实现过程中无需人工干预，减少了人力劳动的支出，具有广阔的工程应用前景。

附图说明

图1为润扬大桥悬索桥钢箱梁的振动频率一天的实测曲线；

图2为钢箱梁振动频率日平均值f_D和温度日平均值T_D的相关性散点图；

图3为钢箱梁的振动频率值f₁与风速W的相关性散点图；

图4为钢箱梁的振动频率值f₁与车辆荷载代表值R的相关性散点图；

图5为钢箱梁振动频率的实测值和消除环境影响后的归一化值；

图6为钢箱梁正常状态下的振动频率均值控制图，图中的UCL表示上控制线，LCL表示下控制线，CL为控制图的中线；

图7为钢箱梁损伤状态下的振动频率均值控制图，图中的UCL表示上控制线，LCL表示下控制线，CL为控制图的中线。

具体实施方式

下面将参照附图对本发明进行说明。

本发明的基本思想是：通过在大跨桥梁钢箱梁上安装加速度传感器用以识别钢箱梁的振动频率，当钢箱梁发生损伤时，钢箱梁的振动频率就会发生异常变化，从而实现对钢箱梁的损伤预警。

但是，如背景技术中所述，在桥梁的运营状况下，温度、风和车辆荷载的作用将会引起钢箱梁的振动频率在一个较宽的范围内波动，这种波动将淹没或掩盖钢箱梁因损伤所造成的振动频率变化。附图1给出了润扬大桥悬索桥钢箱梁的五阶对称竖弯振型的振动频率一天实测曲线。可以看出，温度对钢箱梁振动频率的影响是长期性的慢变特征，而风和车辆荷载对振动频率的影响呈现瞬时的快变特征。因此，应根据温度、风速和车辆荷载对温度影响的不同特征建立相应的相关性模型用以消除运营因素对钢箱梁振动频率的影响。

本发明的方法是：根据温度对钢箱梁振动频率的慢变影响特征和风速、车辆对钢箱梁振动频率的快变影响特征分步建立健康状态下钢箱梁振动频率与钢箱梁温度、风速和竖向加速度的相关性模型，基于上述相关性模型消除钢箱梁温度、风速和竖向加速度对振动频率的影响，得到能够真正反映钢箱梁健康状态的振动频率，并采用均值控制图的方法识别由钢箱梁损伤所引起的振动频率异常变化。

本发明提出的运营状态下大跨桥梁钢箱梁损伤预警方法为：

1.一种运营状态下大跨桥梁钢箱梁损伤预警方法，其特征在于该损伤预警方法为：

1)钢箱梁传感器的设置：

桥梁施工建设时，在钢箱梁跨中位置安装一个竖向加速度传感器、一个温度传感器和一个风速仪，分别用以监测车辆荷载引起的钢箱梁竖向加速度、钢箱梁的温度和钢箱梁所在区域的风速；

2)监测数据的处理：

以10-min为计算区间，对传感器获取的原始数据进行处理，分别计算钢箱梁的振动频率f、温度T、风速W和车辆荷载的代表值R；所述车辆荷载的代表值R是以10-min为区间计算钢箱梁竖向加速度的均方根，以此作为这一时间段内的车辆荷载的强度代表值；

3)完好状态下钢箱梁振动频率和运营因素的数学相关模型：

a)选取桥梁施工建成后n天的监测数据来建立相关模型，则监测样本总量为m＝144×n，以天为单位计算振动频率f、温度T的日平均值T_D和振动频率日平均值f_D，

b)采用反向传播神经网络建立温度日平均值T_D和振动频率日平均值f_D的相关性模型，反向传播网络模型的隐层数和隐层单元由随机爬山法确定，反向传播神经网络以及随机爬山法的具体过程参阅文献[4]，

c)消除温度对振动频率的影响，选取参考温度为T_r，将振动频率原始测试值f“归一化”至参考温度T_r，得到消除温度影响的振动频率值f₁，

d)与步骤b)类似，采用反向传播神经网络建立f₁和风速W、车辆荷载代表值R的相关性模型。然后与步骤c)类似，选取风速的参考值为W_r、车辆荷载的参考值为R_r，将步骤c)中得到的f₁进一步“归一化”至风速的参考值W_r、车辆荷载的参考值R_r，得到消除风速和车辆荷载影响的振动频率值f₂；

4)控制图显著性水平的确定：

将步骤3)计算出的振动频率值f₂输入均值控制图，调整控制图的显著性水平，使得上述n天总计m个样本点全部落在控制图的上、下控制线之内；

5)钢箱梁损伤预警：

对未知状态的1天监测数据，采用钢箱梁完好状态的相关模型分别消除温度、风速和车辆荷载的影响，在此基础上得到s(s＝144×1)个振动频率值，记为f₃。保持步骤4)确定的显著性不变，将f₂和f₃同时输入均值控制图，此时，若所有m+s个样本仍全部位于上、下控制线内，则说明钢箱梁状态为正常，若有样本落在了控制线以外，则说明钢箱梁状态异常，可作出钢箱梁发生损伤的预警。

(1)在钢箱梁传感器的设置过程中，传感器的布置数量、位置及参数的设置可视桥的类型、跨径、桥面宽度以及桥址的环境等具体情况而定，通常在钢箱梁的跨中位置安装一个竖向加速度传感器、一个温度传感器和一个风速仪，即可满足本发明的需要。

(2)将原始监测数据作如下处理：钢箱梁温度传感器和风速仪的数据以10-min为区间计算其平均值，以此作为这一时间区段内的钢箱梁温度代表值T和风速代表值W；以10-min为区间计算钢箱梁竖向加速度的均方根，以此作为这一时间段内的车辆荷载的强度代表值R；以10-min为区间根据钢箱梁的竖向加速度响应识别钢箱梁竖弯振型的振动频率f，以此作为这一时间区段内的钢箱梁振动频率代表值。振动频率的识别方法可以采用频域峰值法。频域峰值法是目前应用广泛的成熟的桥梁振动频率识别技术，关于频域峰值法计算的具体流程不在本发明所涉及范围。

(3)选择桥梁施工完成后n天的监测数据来建立相关模型，这是因为这段时间内的钢箱梁可认为处于完好的状态，以f、T、W和R分别表示钢箱梁振动频率、温度、风速和车辆荷载代表值，样本总数为m＝144×n。

(4)以天为单位计算振动频率f、温度T的日平均值f_D和T_D，采用反向传播神经网络建立温度日平均值T_D和振动频率日平均值f_D的相关性模型。反向传播网络模型的隐层数和隐层单元由随机爬山法确定。反向传播神经网络是目前应用广泛的成熟的神经网络技术，关于随机爬山法等反向传播神经网络计算中的具体过程不在本发明所涉及范围。

(5)选取参考温度为T_r，将其输入神经网络模型，得到振动频率的参考值为f_r，同时将温度原始测试值T也输入神经网络模型，得到振动频率的计算值f_t，于是可计算消除温度影响的振动频率值f₁：

f₁＝f-(f_t-f_r)                       (1)

(6)建立消除了温度影响的振动频率值f₁和风速W、车辆荷载代表值R的反向传播神经网络模型。选取风速的参考值为W_r、车辆荷载的参考值为R_r，将其输入神经网络模型，得到振动频率的参考值f_rr，将风速W和车辆荷载代表值R也输入神经网络模型，得到振动频率的计算值f_tt，可计算消除了风速和车辆荷载影响的振动频率值f₂：

f₂＝f₁-(f_tt-f_rr)                        (2)

(7)将消除了温度、风速和车辆荷载影响的振动频率值f₂输入均值控制图，调整控制图的显著性水平，使得上述n天总计m个样本点全部落在上、下控制线(UCL、LCL)之内。

(8)对未知状态的1天监测数据，首先将其处理为10-min为计算区间的代表值，然后采用钢箱梁完好状态下的相关模型消除温度、风速和车辆荷载的影响，计算出s(s＝144×1)个振动频率值f₃。保持控制图的显著性水平与完好状态下的一致，将f₂和f₃同时输入均值控制图，此时，若所有m+s个样本仍全部位于上、下控制线内，则说明钢箱梁状态为正常，若有样本落在了控制线以外，则说明钢箱梁状态异常，可作出钢箱梁发生损伤的预警。

下面以润扬大桥南汊悬索桥为例，说明本发明的具体实施过程：

选取2006年一月到十月230天的监测数据来建立钢箱梁振动频率和温度、风速以及车辆荷载的相关性，传感器选用的是钢箱梁跨中位置的温度传感器、风速仪和竖向加速度传感器，以10-min为时距，根据钢箱梁的竖向加速度响应识别钢箱梁竖弯振型的振动频率f(本实施例中给出了钢箱梁五阶对称竖弯振型的分析结果)，同时计算了温度T、风速W和车辆荷载的代表值R，共144×230＝33120个样本。

首先计算230天的钢箱梁温度日平均值T_D和振动频率日平均值f_D，并建立f_D和T_D的相关性模型，图2给出了钢箱梁的振动频率日平均值f_D和温度日平均值T_D的相关性散点图，从图中可以看出，钢箱梁振动频率和温度之间存在较强的相关性，并总体表现出“温度高频率低、温度低频率高”的特征。采用反向传播神经网络建立振动频率和温度的相关性模型，神经网络模型的输入端是温度，输出层单元是钢箱梁的振动频率。训练神经网络模型时采用温度日平均值T_D作为输入端，振动频率日平均值f_D作为输出端。网络的隐层数和隐层单元由随机爬山法确定，本实施例最终采用的网络结构为单隐层且具有8个隐层单元。

选取参考温度T_r为20℃，将参考温度值输入神经网络模型，得到振动频率的参考值为f_r，同时将温度原始测试值T也输入神经网络模型，得到振动频率的计算值f_t，得到消除温度影响的振动频率值f₁。

图3和图4分别给出了钢箱梁的振动频率值f₁与风速W和车辆荷载代表值R的相关性散点图，从图中可以看出数据点的分布较分散，但是仍然可以看到随着车辆荷载的增强，钢箱梁振动频率有减小趋势；同时随着风速的增强，钢箱梁振动频率有增大趋势。同样，采用反向传播神经网络建立振动频率和风速、车辆荷载代表值的相关性模型，神经网络模型的输入端是风速和车辆荷载代表值，输出层单元是钢箱梁的振动频率。训练神经网络模型时采用风速W和车辆荷载代表值R作为输入端，振动频率f₁作为输出端。网络的隐层数和隐层单元由随机爬山法确定，本实施例最终采用的网络结构为单隐层且具有10个隐层单元。

选取参考风速W_r为5m/s²和参考车辆荷载代表值R_r为1cm/s²，将参考风速值和参考车辆荷载代表值输入神经网络模型，得到振动频率的参考值f_rr，将风速W和车辆荷载代表值R也输入神经网络模型，得到振动频率的计算值f_tt，可计算消除了风速和车辆荷载影响的振动频率值f₂。本实施例中温度参考值T_r取为20℃，风速参考值W_r取为5m/s²，车辆荷载的参考值为R_r取为1cm/s²，但是需要说明，温度、风速和车辆荷载代表值的“参考值”选取没有规定值。这是因为本发明中所提出的消除运营因素的影响，并不是消除运营因素对振动频率的“绝对”影响，而是消除运营因素的“相对”影响，只要在钢箱梁完好状态和未知状态中选取一致的运营因素“参考值”，就可以实现对钢箱梁损伤状态的判别。

再取另外10天监测数据作为钢箱梁状态未知时的数据，采用本发明的方法得到144×10＝1440个钢箱梁振动频率样本，记为f₃。

图5给出了钢箱梁振动频率的实测值和消除环境影响后的归一化值。图中实线表示钢箱梁振动频率的实测值，虚线的前33120个样本即表示f₂，后1440个样本则表示f₃，从图中可以看出振动频率的归一化值曲线变化都很平稳，且幅度很小，这说明本发明的方法有效地去除了运营因素对钢箱梁振动频率的影响。

将f₂和f₃同时输入均值控制图，图6给出了钢箱梁正常状态下的振动频率均值控制图。图中前33120个数据表述钢箱梁完好状态，即f₂；后1440个数据表示钢箱梁未知状态，即f₃。通过调整控制图的显著性水平使前33120个样本正好位于上下控制线之内，同时，可以发现，后1440个样本同样也位于控制线之内，这说明此时钢箱梁处于健康状态。

为了检验本发明对钢箱梁进行损伤预警的效果，将上述另取的10天的10-min振动频率值施加一定的变化，以此来模拟钢箱梁损伤对振动频率的影响：

$f_m=f-\mathrm{\ϵ}\stackrel{\‾}{f}---\left(3\right)$

式中，f为后10天的10-min频率实测值；f_m为钢箱梁损伤状态下后10天的10-min频率模拟值；ε表示损伤水平，这里取为0.05％；

为健康状态下钢箱梁前230天的振动频率实测值的平均值。

再将f_m按照本发明的方法计算得到1440个钢箱梁振动频率样本，记为f′₃。然后将f₂和f′₃也同时输入均值控制图，保持控制图的显著性水平不变，图7给出了钢箱梁模拟损伤状态下的振动频率均值控制图，从图中可以看出当钢箱梁损伤引起频率发生0.05％的变化时，后1440个样本明显地趋近下控制线，且有部分样本已超出控制范围，此时，可以判定钢箱梁发生损伤。同时与文献[3]比较可知，文献[3]方法能够识别钢箱梁振动频率0.2％的异常变化，而本发明能够识别出钢箱梁振动频率0.05％的异常变化，本发明的损伤预警效果显著提高。同时，本发明的损伤预警时间间隔为10min，相比文献[3]一天的损伤预警时间间隔，本发明的损伤预警实时性也显著提高。

参考文献

[1]李爱群，缪长青，李兆霞.润扬长江公路大桥结构健康监测系统研究[J].东南大学学报(自然科学版)，2003，33(5)：544-548.

[2]Salawu O S.Detection of structural damage through changes in frequency：a review[J].Engineering Structures，1997，19(9)：718-723.

[3]孙君，李爱群，丁幼亮等.润扬大桥悬索桥模态频率-温度的季节相关性研究及其应用[J]工程力学，2009，26(9)：50-55

[4]董长虹.神经网络与应用.北京：国防工业出版社，2005。

Claims (1)

1.一种运营状态下大跨桥梁钢箱梁损伤预警方法，其特征在于：该方法包括如下步骤：

步骤1：钢箱梁传感器的设置：

在钢箱梁跨中位置安装竖向加速度传感器、温度传感器和风速仪，分别用以监测车辆荷载引起的钢箱梁竖向加速度、钢箱梁的温度和钢箱梁所在区域的风速；

步骤2：监测数据的处理：

以10分钟为计算区间，对传感器获取的原始数据进行处理，分别计算钢箱梁的振动频率f、温度T、风速W和车辆荷载的代表值R；所述车辆荷载的代表值R是以10分钟为区间计算钢箱梁竖向加速度的均方根，以此作为这一时间段内的车辆荷载的强度代表值；

步骤3：完好状态下钢箱梁振动频率和运营因素的数学相关模型：

步骤3a：选取桥梁施工建成后n天的监测数据来建立相关模型，则监测样本总量为m=144×n，n为自然数，以天为单位计算振动频率f、温度T的日平均值T_D和振动频率日平均值f_D，

步骤3b：采用反向传播神经网络建立温度日平均值T_D和振动频率日平均值f_D的相关性模型，反向传播网络模型的隐层数和隐层单元由随机爬山法确定，

步骤3c：消除温度对振动频率的影响，选取参考温度为T_r，将振动频率原始测试值f归一化至参考温度T_r，得到消除温度影响的振动频率值f₁，

步骤3d：采用反向传播神经网络建立f₁和风速W、车辆荷载代表值R的相关性模型；然后选取风速的参考值为W_r、车辆荷载的参考值为R_r，将步骤3c中得到的f₁进一步“归一化”至风速的参考值W_r、车辆荷载的参考值R_r，得到消除风速和车辆荷载影响的振动频率值f₂；

步骤4：控制图显著性水平的确定：

将步骤3计算出的振动频率值f₂输入均值控制图，调整控制图的显著性水平，使得上述n天总计m个样本点全部落在控制图的上、下控制线之内；

步骤5：钢箱梁损伤预警：

对未知状态的l天监测数据，采用钢箱梁完好状态的相关模型分别消除温度、风速和车辆荷载的影响，在此基础上得到s个振动频率值，s=144×l,l是天数，记为f₃；保持步骤4确定的显著性不变，将消除风速和车辆荷载影响的振动频率值f₂和s个振动频率值f₃同时输入均值控制图，此时，若所有m+s个样本仍全部位于上、下控制线内，则说明钢箱梁状态为正常，若有样本落在了控制线以外，则说明钢箱梁状态异常，作出钢箱梁发生损伤的预警。

Images