CN109060393A - 一种桥梁结构恒载响应时域融合分析方法 - Google Patents

Abstract

本发明涉及一种桥梁结构恒载响应时域融合分析方法，属于桥梁结构领域。该方法包括步骤：S1：提取相同温度下的桥梁监测数据进行分析，消除温度效应影响；S2：采用时域平均技术减小随机干扰影响；S3：采用自回归移动平均模型提取桥梁恒载响应特征量；S4：采用模糊支持向量机对获取的桥梁结构恒载响应信息进行数据融合，得到最终TDFA分析结果。本发明在消除温度因素影响、减小随机因素影响的前提下，从复杂的桥梁安全运营监测信号中直接提取表征结构恒载响应变化情况的特征量，深度分析监测变量在全监测周期内的缓慢演化过程，为技术人员管养在役桥梁提供科学参考依据。

Description

一种桥梁结构恒载响应时域融合分析方法

技术领域

本发明属于桥梁结构领域，涉及一种桥梁结构恒载响应时域融合分析方法。

背景技术

桥梁安全运营监测每天会产生大量数据，如何从海量监测数据中挖掘出桥梁结构安全信息，对可能出现的安全隐患进行提前预警，是技术人员研究的重点、难点。目前，这一领域的技术积累还较为薄弱，研究成果相对较少，最常见的方法仅限于采用设定各个监测变量使用度阈值的实时报警方法。使用度阈值的设定一般依据有限元模型计算结果，辅以标准、规范进行修正。然而，当许多模型边界条件难以界定、模型结构无法准确构建时，得到的边界阈值并不准确，这会导致使用度阈值报警方法失去应有的效力。

另外，由于温度荷载、交通荷载以及许多其它随机因素影响，反映桥梁结构恒载响应的监测信号往往被噪声淹没。从实际监测情况来看，温度的影响尤为明显。图1是某桥应变测点自2015年6月1日到2017年9月18日的实测数据，图中蓝色曲线代表应变，红色曲线代表温度。可以看到，在全监测周期内，该测点应变值随温度波动而不断起伏，两者存在较强的相关特性，此时如若直接对应变数据进行评估判断，往往不能够得出较为准确的分析结果。

发明内容

有鉴于此，本发明的目的在于提供一种桥梁结构恒载响应时域融合分析方法，基于信号处理、数据挖掘、数据融合技术，在消除温度因素影响、减小随机因素影响的前提下，从复杂的桥梁安全运营监测信号中直接提取表征结构恒载响应变化情况的特征量，深度分析监测变量在全监测周期内的缓慢演化过程，为技术人员管养在役桥梁提供科学参考依据。

为达到上述目的，本发明提供如下技术方案：

一种桥梁结构恒载响应时域融合分析(Time Domain Fusion Analysis,TDFA)方法，包括以下步骤：

S1：提取相同温度下的桥梁监测数据进行分析，消除温度效应影响；

S2：采用时域平均技术减小随机干扰影响；

S3：采用自回归移动平均(Auto Regression Moving Average,ARMA)模型提取桥梁恒载响应特征量；

S4：采用模式分类方法对获取的桥梁结构恒载响应信息进行数据融合，得到最终TDFA分析结果。

进一步，所述步骤S1具体为：

实测得到的结构响应信号R是桥梁在各种作用下的综合响应，表述为：

R＝F(t,T,D,L,S,O) (1)

式中：F(·)表示函数关系式；t表示时间作用；T表示温度作用；D表示结构恒载作用；L表示活荷载作用；S表示测试误差作用；O表示其他作用；

提取相同温度下的监测数据进行分析消除温度效应影响，公式(1)变为：

R'＝F'(t,D,L,S,O) (2)

式中，活荷载L包括车辆荷载、人流荷载、风荷载因素，与测试误差S、其他作用O为随机干扰因素，现采用时域平均技术减小随机干扰影响。

进一步，所述步骤S2具体为：

时域平均技术能消除与给定频率无关的信号分量，包括噪声和无关的周期信号，提取与给定频率有关的周期信号，能在噪声环境下工作，提高分析信噪比；

设一信号x(t)由周期信号f(t)和噪声信号n(t)组成：

x(t)＝f(t)+n(t) (3)

以f(t)的周期去截取信号x(t)，共截得P段，然后将截断的信号对应叠加，由于噪声具有不相关特性，得到：

再对x(t_i)进行平均得到输入信号：

此时输出的噪声是原来输入信号x(t)中噪声的信噪比提高了倍。

进一步，所述步骤S3具体为：

ARMA模型由两部分组成：自回归(Auto Regression,AR)模型和移动平均(MovingAverage,MA)模型；其中，AR模型的输出是其历史输出的函数，MA模型的输出是其历史预测误差的函数；设一个时间序列用{y_t}表示，则AR模型和MA模型分别用公式(6)和(7)描述：

y_t＝ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q (7)

式中：ε_t表示随机干扰误差，呈正态零均值分布，ε_t越小越好，但不为0，ε_t为0表示模型只受历史影响而不受其它因素影响；p表示AR模型的自回归阶数；表示AR模型自回归参数；q表示MA模型的移动平均阶数；θ表示MA模型移动平均参数；

将AR(p)模型和MA(q)模型组合形成ARMA(p,q)模型，其表达式为：

进一步，所述步骤S4具体为：

S401：紧密度模糊隶属函数构造：

给定样本集

T＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)} (9)

式中：x_i∈R^N；y_i∈{-1}或y_i∈{+1}；l表示样本数量，i＝1,…,l；

定义数据点与点之间的距离为

d_ij＝||x_i-x_j|| (10)

式中：i,j∈1，i≠j

则x_i点与其它点的距离由小到大排序

定义x_i点的紧密度模糊隶属度μ_i为

式中：k表示离x_i最近的k个点；

S402：采用模糊支持向量机(Fuzzy Support Vector Machine,FSVM)或其它模式分类方法进行数据融合：

由紧密度模糊函数计算各个桥梁结构恒载响应特征量的模糊隶属度后，带入支持向量机或神经网络等其它模式分类方法进行数据融合，得到最终TDFA分析结果。

本发明的有益效果在于：针对桥梁大量长期监测数据，采用时域平均技术、自回归移动平均模型、支持向量机方法、模糊理论以及数据融合技术，在消除温度因素影响、减小随机因素影响的前提下，从复杂的桥梁安全运营监测信号中直接提取表征结构恒载响应变化情况的特征量，深度分析监测变量在全监测周期内的缓慢演化过程，为技术人员管养在役桥梁提供科学参考依据。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为实测温度与应变曲线；

图2为TDFA方法流程架构图；

图3为不同紧密程度的样本点；

图4为数据融合流程图；

图5为某正常实桥应变测点时域融合TDFA分析，(a)为实测曲线；(b)为回归分析示意图；

图6为某劣化实桥应变测点时域融合TDFA分析，(a)为实测曲线；(b)为回归分析示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

在桥梁长期安全运营监测中，实测得到的结构响应信号R是桥梁在各种作用下的综合响应，可以表述为：

R＝F(t,T,D,L,S,O) (1)

式中：F(·)——表示函数关系式；

t——表示时间作用；

T——表示温度作用；

D——表示结构恒载作用；

L——表示活荷载作用；

S——表示测试误差作用；

O——表示其他作用。

因此，桥梁在日常运营状态下所处的环境十分复杂，必须剔除环境因素的影响，从监测信号中提取结构损伤信息才能得出正确的评价结果。图2给出了一种桥梁结构恒载响应时域融合分析(TDFA)方法的基本流程架构图。

1)提取相同温度下的监测数据进行分析即可消除温度效应影响，公式(1)变为：

R'＝F'(t,D,L,S,O) (2)

式中，活荷载L包括车辆荷载、人流荷载、风荷载等因素，它与测试误差S，其他作用O可统一视为随机干扰因素，现采用时域平均技术减小随机干扰影响。

2)时域平均技术：

时域平均技术可以消除与给定频率无关的信号分量，包括噪声和无关的周期信号，提取与给定频率有关的周期信号，因此能在噪声环境下工作，提高分析信噪比。

如果有一信号x(t)由周期信号f(t)和噪声信号n(t)组成：

x(t)＝f(t)+n(t) (3)

我们以f(t)的周期去截取信号x(t)，共截得P段，然后将截断的信号对应叠加，由于噪声具有不相关特性，可得到：

再对x(t_i)进行平均便可得到输入信号：

此时输出的噪声是原来输入信号x(t)中噪声的信噪比提高了倍。

3)自回归移动平均模型：

同温度下的桥梁监测数据经过时域平均处理后，减小了随机干扰因素的影响，突显桥梁结构恒载作用，提高了信噪比。现采用自回归移动平均(Auto RegressionMovingAverage,ARMA)模型提取桥梁恒载响应特征量。

ARMA模型由两部分组成：自回归(Auto Regression,AR)模型和移动平均(MovingAverage,MA)模型。其中，AR模型的输出是其历史输出的函数，MA模型的输出是其历史预测误差的函数。假设一个时间序列用{y_t}表示，则AR模型和MA模型可分别用下面两个式子来描述：

y_t＝ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q (7)

式中：ε_t——表示随机干扰误差，呈正态零均值分布，ε_t越小越好，但不能为0，ε_t为0表示模型只受历史影响而不受其它因素影响；

p——AR模型的自回归阶数；

——AR模型自回归参数；

q——MA模型的移动平均阶数；

θ——MA模型移动平均参数。

将AR(p)模型和MA(q)模型组合就形成了ARMA(p,q)模型，其表达式为：

4)模糊支持向量机(或神经网络等其它模式分类方法)：

由ARMA模型处理后得到的桥梁结构恒载响应特征量在时间维度、温度维度都具有离散特征。现采用模糊支持向量机(Fuzzy Support Vector Machine,FSVM)对获取的桥梁结构恒载响应信息进行数据融合，得到最终TDFA分析结果。

⑴紧密度模糊隶属函数构造：

构造模糊隶属函数的方法有很多，但并没有一个可遵循的一般性准则。不少学者都用样本点到类中心的距离来定义其模糊隶属度，这种方法不能有效的区分边界点与野值(孤立点、噪声点)。如图3，点x到类中心的距离相等，都是R。若按照距离构造隶属函数，则这两点的隶属度应相同。实际上，从各样本排列的紧密程度来看，左图中的点x可能是边界点，而右图中的点x则更可能为野值。所以，用点到类中心的距离来定义模糊隶属函数仍存在着不足之处。

现结合K近邻法思想，提出一种新的基于紧密度的隶属函数构造方法。给定样本集

T＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)} (9)

式中：x_i∈R^N；

y_i∈{-1}；或y_i∈{+1}

l表示样本数量，i＝1,…,l

定义数据点与点之间的距离为

d_ij＝||x_i-x_j|| (10)

式中：i,j∈1，i≠j

则x_i点与其它点的距离由小到大排序

定义x_i点的紧密度模糊隶属度μ_i为

式中：k——表示离x_i最近的k个点。

⑵FSVM数据融合：

由紧密度模糊函数计算各个桥梁结构恒载响应特征量的模糊隶属度后，带入支持向量机(或神经网络等其它模式分类方法)进行数据融合，得到最终TDFA分析结果。图4为数据融合流程图。

案例一：

取某实桥应变测点S2-1自2015年4月25日至2017年11月5日数据进行分析。图5(a)是实测曲线(蓝色是应变，红色是温度)，该测点应变值随温度变化而变化，最大波动量接近100με。但从图5(b)的TDFA分析结果看到，该测点恒载响应在926天的监测时间内变化量仅为-4με，考虑到测试误差与随机活荷载的影响，可认为桥梁结构运营状态良好(这也与桥梁实际情况相符)，实测值的大波动量更可能是由于温度效应影响造成。

案例二：

采用TDFA技术对福建某实桥应变测点S6-3进行分析。图6(a)是该测点自2016年2月1日至2017年3月1日实测曲线(蓝色是应变，红色是温度)。其在过去395天的监测时间内，实测应变值虽然不断减小，但始终未超过设定的报警阈值，故该测点一直未出现报警信息。然而，图6(b)TDFA技术分析计算出该测点恒载响应在全监测周期内的变化量接近-250με，而对于TDFA技术来说，恒载响应变化超过100με时即应发出报警信息。另外，该实桥除这一测点外，还有其它多个挠度、应变测点发出同样的TDFA预警信息，经过进一步深度分析后，认为该实桥结构出现较大劣化，并将这一结论报知业主单位。业主方经实地考察并与其它渠道信息相互印证后，认同以上判断。2017年5月，该桥进行了加固施工。

本发明的方法还可以应用到土建和房屋检测领域，进行结构数据的融合分析，达到预警的目的。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种桥梁结构恒载响应时域融合分析(Time Domain Fusion Analysis,TDFA)方法，其特征在于：该方法包括以下步骤：

S1：提取相同温度下的桥梁监测数据进行分析，消除温度效应影响；

S2：采用时域平均技术减小随机干扰影响；

S3：采用自回归移动平均(Auto Regression Moving Average,ARMA)模型提取桥梁恒载响应特征量；

S4：采用模式分类方法对获取的桥梁结构恒载响应信息进行数据融合，得到最终TDFA分析结果。

2.根据权利要求1所述的一种桥梁结构恒载响应时域融合分析方法，其特征在于：所述步骤S1具体为：

实测得到的结构响应信号R是桥梁在各种作用下的综合响应，表述为：

R＝F(t,T,D,L,S,O) (1)

式中：F(·)表示函数关系式；t表示时间作用；T表示温度作用；D表示结构恒载作用；L表示活荷载作用；S表示测试误差作用；O表示其他作用；

提取相同温度下的监测数据进行分析消除温度效应影响，公式(1)变为：

R'＝F'(t,D,L,S,O) (2)

式中，活荷载L包括车辆荷载、人流荷载、风荷载因素，与测试误差S、其他作用O为随机干扰因素，现采用时域平均技术减小随机干扰影响。

3.根据权利要求1所述的一种桥梁结构恒载响应时域融合分析方法，其特征在于：所述步骤S2具体为：

时域平均技术能消除与给定频率无关的信号分量，包括噪声和无关的周期信号，提取与给定频率有关的周期信号，能在噪声环境下工作，提高分析信噪比；

设一信号x(t)由周期信号f(t)和噪声信号n(t)组成：

x(t)＝f(t)+n(t) (3)

以f(t)的周期去截取信号x(t)，共截得P段，然后将截断的信号对应叠加，由于噪声具有不相关特性，得到：

再对x(t_i)进行平均得到输入信号：

此时输出的噪声是原来输入信号x(t)中噪声的信噪比提高了倍。

4.根据权利要求1所述的一种桥梁结构恒载响应时域融合分析方法，其特征在于：所述步骤S3具体为：

ARMA模型由两部分组成：自回归(Auto Regression,AR)模型和移动平均(MovingAverage,MA)模型；其中，AR模型的输出是其历史输出的函数，MA模型的输出是其历史预测误差的函数；设一个时间序列用{y_t}表示，则AR模型和MA模型分别用公式(6)和(7)描述：

y_t＝ε_t-θ₁ε_t-1-θ₂ε_t-2-…-θ_qε_t-q (7)

式中：ε_t表示随机干扰误差，呈正态零均值分布，ε_t越小越好，但不为0，ε_t为0表示模型只受历史影响而不受其它因素影响；p表示AR模型的自回归阶数；表示AR模型自回归参数；q表示MA模型的移动平均阶数；θ表示MA模型移动平均参数；

将AR(p)模型和MA(q)模型组合形成ARMA(p,q)模型，其表达式为：

5.根据权利要求1所述的一种桥梁结构恒载响应时域融合分析方法，其特征在于：所述步骤S4具体为：

S401：紧密度模糊隶属函数构造：

给定样本集

T＝{(x₁,y₁),(x₂,y₂),…,(x_l,y_l)} (9)

式中：x_i∈R^N；y_i∈{-1}或y_i∈{+1}；l表示样本数量，i＝1,…,l；

定义数据点与点之间的距离为

d_ij＝||x_i-x_j|| (10)

式中：i,j∈1，i≠j

则x_i点与其它点的距离由小到大排序

定义x_i点的紧密度模糊隶属度μ_i为

式中：k表示离x_i最近的k个点；

S402：采用模糊支持向量机(Fuzzy Support Vector Machine,FSVM)或其它模式分类方法进行数据融合：

由紧密度模糊函数计算各个桥梁结构恒载响应特征量的模糊隶属度后，带入支持向量机或神经网络模式分类方法进行数据融合，得到最终TDFA分析结果。