CN115452282A - 一种基于数据融合的铁路桥梁结构健康监测方法 - Google Patents

Abstract

本发明的基于数据融合的铁路桥梁结构健康监测方法包括：获取铁路桥梁结构应变‑挠度训练数据集，提取应变与挠度初始特征矩阵；进行考虑应变‑挠度测点两两组合的稳健回归分析，获得三维回归系数矩阵；进行第一次特征融合，得到对应各应变测点的残差特征向量；计算残差特征向量的协方差矩阵和均值向量，据此进行基于马氏距离的第二次特征融合，计算距离特征的控制限；获取新的应变‑挠度监测数据，采用相同方法经初始特征提取、两次特征融合得到应变‑挠度监测数据的对应各应变测点的距离特征；根据距离特征和控制限进行铁路桥梁结构局部损伤的判别与定位。本发明将应变‑挠度测点的车激振动响应数据融合，增强了铁路桥梁结构局部损伤的可探测性。

Description

一种基于数据融合的铁路桥梁结构健康监测方法

技术领域

本发明属于结构健康监测技术领域，涉及一种基于数据融合的铁路桥梁结构健康监测方法。

背景技术

铁路桥梁是铁路运输网络安全运营的重要载体和关键节点。随着列车提速、运量增加，基础设施运营压力增大；与此同时，在长达几十年、上百年的服役期间，这些基础设施不断老化，自然灾害、疲劳、腐蚀等因素的共同作用将导致桥梁结构的损伤累积和性能退化，增加了失效甚至倒塌的风险。近二十年来，结构健康监测技术发展迅速，其目的是实时监控工程基础设施的运营状态，并在结构损伤累积至性能严重退化之前识别损伤，以提供预防式维护策略。这些工作能够弥补目视检测的不足，特别有助于进行难以中断运营的桥梁结构的状态评估。

对于铁路桥梁，尤其是处于服役中后期的老旧桥梁，提供表征桥梁与列车运营安全与稳定的指标是实施健康监测的关键任务。目前基于监测信息的安全指标可划分为两类：整体指标和局部指标。整体指标主要包括桥梁静、动挠度以及模态频率等；这类指标适合评价车-桥耦合***的运行稳定性，但难以识别结构局部损伤，并且这些指标会受到环境与车辆荷载因素的干扰，引起的“掩蔽效应”将“掩盖”原有指标的变化，进而影响指标的实用性。局部指标主要包括桥梁结构重点监测的易损部位的应力、疲劳等，这类指标一般利用测试更加稳定的应力/应变传感器测得的数据计算得到；尽管这些指标对构件的损伤更加敏感，但仍然会受到环境与车辆荷载因素引起的“掩蔽效应”的不利影响，将导致局部的损伤效应难以被探测到。

结构健康监测***通过布设在结构上的或非接触的各类传感器获取数据，对这些来源离散的异构监测数据的高效处理与充分利用一直是该领域的热点问题。目前先进的做法是采用以云计算为代表的信息处理技术对监测数据进行集成化、自动化地存储与管理，进而降低监测***的硬件成本并增进***的效率与兼容性。然而，目前的软件平台对监测数据的分析与解释能力较为薄弱。对于铁路桥梁，上述整体与局部指标尚不足以实现结构早期损伤的探测，缺乏能够充分利用桥梁健康监测信息以增强结构早期损伤可探测性的数据分析算法。

发明内容

本发明的目的是为了解决铁路桥梁结构健康监测数据易受环境与车辆荷载等时变因素的不利影响，难以实现结构早期损伤探测的问题，以及监测***软件平台缺乏充分利用异构数据的数据分析算法，提出一种基于数据融合的铁路桥梁结构健康监测方法。

本发明提供一种基于数据融合的铁路桥梁结构健康监测方法，包括：

步骤1：获取铁路桥梁结构应变-挠度训练数据集，提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵；

步骤2：进行考虑应变-挠度测点两两组合的稳健回归分析，获得应变-挠度训练数据集的三维回归系数矩阵；

步骤3：进行基于稳健回归分析的第一次特征融合，得到应变-挠度训练数据集的对应各应变测点的残差特征向量；

步骤4：计算残差特征向量的协方差矩阵和均值向量；

步骤5：根据协方差矩阵和均值向量，进行基于马氏距离的第二次特征融合，得到应变-挠度训练数据集的对应各应变测点的距离特征；

步骤6：计算距离特征的控制限；

步骤7：获取新的应变-挠度监测数据，采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征；并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位。

本发明的一种基于数据融合的铁路桥梁结构健康监测方法，至少具有以下有益效果：

其一，本发明充分利用了来源离散且异构的应变与挠度响应数据，实现了列车过桥所激发的应变与挠度响应数据的融合，其中应变关联结构局部性态而挠度表征结构整体行为，本发明将两者融合得到的距离特征作为铁路桥梁结构早期损伤探测指标，实现了互补性的数据融合。整个过程涉及在初始特征提取基础上的两次特征融合：第一次特征融合依据列车过桥时，桥上不同测点位置的荷载效应具有相关性，第二次特征融合依据高维特征的基于距离的聚类，两次融合均具有明确的物理意义。本发明能够消除环境与车辆荷载引起的掩蔽效应，增强了铁路桥梁结构局部小损伤的可探测性。

其二，本发明提供的基于数据融合的铁路桥梁结构健康监测方法，可以与结构健康监测云平台的数据采控同步执行。具有以下优势有助于实现铁路桥梁的预防式维护：

1、本发明所需的数据是易于获取的列车过桥所激发的应变与挠度响应数据，这些时历数据规律性较强且幅值较大，时变影响因素较少；

2、提出的方法为无监督的，不需要结构损伤状态的标签数据；

3、提取的初始特征为动态应变与挠度响应数据的积分/求和，后续算法仅处理这些初始特征，减少了数据存储量；

4、基于稳健回归分析和马氏距离的两次特征融合均为参数不敏感；

5、无论是训练阶段还是探测阶段，本发明方法仅需少量计算资源，满足结构健康监测的在线预警的数据处理要求；

6、本发明方法不依赖结构的物理模型，案例依赖性较低。

附图说明

图1是本发明的一种基于数据融合的铁路桥梁结构健康监测方法的流程图；

图2(a)-(b)是本发明一个实施例的钢制单跨系杆拱桥数值算例；其中，2(a)为桥梁三维有限元模型图，2(b)为桥梁支座约束简化示意图；

图3(a)-(b)是本发明一个实施例的应变与挠度传感器布置与损伤位置示意图；其中，图3(a)为桥梁南侧视图，图3(b)为桥梁北侧视图；

图4是本发明一个实施例的环境与车辆荷载作用模拟的主要输入数据；

图5(a)-(d)是本发明一个实施例的环境与车辆荷载因素影响下典型的应变与挠度响应；其中，图5(a)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的应变测点s4的应变响应；图5(b)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的挠度测点d5的挠度响应；图5(c)Intercity型列车、过桥速度50km/h、温度26℃条件下的应变测点s6的应变响应；图5(d)Intercity型列车、过桥速度50km/h、温度26℃条件下的挠度测点d5的挠度响应；

图6是本发明一个实施例的两个应变测点s9和应变测点s17所对应的初始特征数据；

图7(a)-(b)是本发明一个实施例的所有应变测点与挠度测点所对应的初始特征数据的箱线图；其中，图7(a)为应变初始特征，图7(b)为挠度初始特征；

图8是本发明一个实施例的应变测点s9和应变测点s17所对应的距离特征数据；

图9是本发明一个实施例的所有应变测点所对应的距离特征数据的箱线图。

具体实施方式

如图1所示，本发明的一种基于数据融合的铁路桥梁结构健康监测方法，包括：

步骤1：获取铁路桥梁结构应变-挠度训练数据集，提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵，步骤1具体包括：

步骤1.1：针对具有m个应变测点和n个挠度测点的铁路桥梁结构，根据桥梁当前运营状态、定期检测与健康监测历史，将桥梁结构未损伤状态下获取的k_B次列车过桥所激发的应变与挠度响应数据联合作为应变-挠度训练数据集；

步骤1.2：第k次列车应变测点i测得应变响应为ε_i,k(t)，i＝1,2,…,m，k＝1,2,…,k_B，将应变响应时程积分作为该应变初始特征SF_i,k：

式中：T_k为第k次列车过桥荷载效应作用的总时间；

应变-挠度训练数据集中，共k_B次列车过桥可得m个应变测点的应变初始特征矩阵SFM：

步骤1.3：第k次列车过桥时挠度测点j测得挠度响应为δ_j,k(t)，j＝1,2,…,n，将挠度响应时程积分作为该挠度初始特征DF_j,k：

应变-挠度训练数据集中，共k_B次列车过桥可得n个挠度测点的挠度初始特征矩阵DFM：

步骤2：进行考虑应变-挠度测点两两组合的稳健回归分析，获得应变-挠度训练数据集的三维回归系数矩阵，所述步骤2具体为：

步骤2.1：应变初始特征矩阵SFM和挠度初始特征矩阵DFM中，拾取应变-挠度测点组合(i,j)所对应的SFM矩阵第i行和DFM矩阵第j行，对两行数据做稳健回归分析，得到对应该应变-挠度测点组合的回归系数向量CV_i,j∈R^1×2；

步骤2.2：考虑m个应变测点和n个挠度测点的两两组合，得到应变-挠度训练数据集的三维回归系数矩阵CM∈R^m×n×2。

具体实施时，用以获取应变与挠度响应数据的应变测点和挠度测点，分别由测量桥梁结构易损部位应力/应变的应变传感器和测量桥梁挠度的位移传感器构成；应变传感器和位移传感器在列车过桥前后均为正常工作状态。

步骤3：进行基于稳健回归分析的第一次特征融合，得到应变-挠度训练数据集的对应各应变测点的残差特征向量，具体包括：

步骤3.1：根据步骤1，第k次列车过桥可得m个应变测点的应变初始特征向量SFV_k：

SFV_k＝{SF_1,k SF_2,k … SF_m-1,k SF_m,k}^T (5)

步骤3.2：根据步骤1，第k次列车过桥可得n个挠度测点的挠度初始特征向量DFV_k：

DFV_k＝{DF_1,k DF_2,k … DF_n-1,k DF_n,k}^T (6)

步骤3.3：取三维回归系数矩阵CM中应变测点i对应的二维回归系数矩阵CM_i∈R^{n ×2}，将其点乘矩阵[I_n,DFV_k]，并将所得的矩阵各行求和，得到针对应变测点i的回归估计向量

I_n∈R^n×1为单位列向量，上角标e代表估计值；计算针对应变测点i的残差特征向量RFV_i，k∈R^n×1：

依次计算m个应变测点所对应的残差特征向量。

步骤4：计算残差特征向量的协方差矩阵和均值向量，所述步骤4具体为：

步骤4.1：计算针对应变测点i的应变-挠度训练数据集共k_B次列车过桥的残差特征向量，形成残差特征矩阵

步骤4.2：计算矩阵RFM_i各行向量的协方差矩阵COV_i∈R^n×n，对矩阵RFM_i各行向量求均值，得到均值向量

依次计算m个应变测点所对应的协方差矩阵和均值向量。

步骤5：根据协方差矩阵和均值向量，进行基于马氏距离的第二次特征融合，得到应变-挠度训练数据集的对应各应变测点的距离特征，所述步骤5具体为：

步骤5.1：考虑第k次列车过桥，计算针对应变测点i的残差特征向量的马氏距离，得到距离特征MD_i,k：

步骤5.2：依次计算m个应变测点所对应的距离特征。

步骤6：计算距离特征的控制限，所述步骤6具体为：

计算针对应变测点i的应变-挠度训练数据集共k_B次列车过桥的距离特征，将这些距离特征的均值加3倍标准差作为应变测点i所在桥梁结构易损部位的控制限值CL_i；依次计算m个应变测点所对应的控制限值。

步骤7：获取新的应变-挠度监测数据，采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征；并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位，所述步骤7具体为：

步骤7.1：每当获取运营状态下新的列车过桥所激发的应变-挠度监测数据，重复执行步骤1、3和5并使用步骤2中得到的三维回归系数矩阵以及步骤4中得到的协方差矩阵和均值向量，获得对应各应变测点的距离特征；其中对于第z次列车过桥，z＞k_B，获得针对应变测点i的距离特征MD_i,z；

步骤7.2：若MD_i,z≤CL_i，则表明应变测点i所在的桥梁结构易损部位未发生损伤；若MD_i,z＞CL_i，则表明应变测点i所在的桥梁结构易损部位发生损伤；获得m个应变测点所在的桥梁结构易损部位的损伤判别和定位结果。

实施例

本实施例中通过进行某实际铁路桥梁的模拟试验，验证所提出方法的可行性和鲁棒性。图2(a)所示为该单跨系杆拱桥的有限元模型，图2(b)为桥梁支座约束简化示意图。桥梁主体为钢结构，双轨道桥面，由两根主梁和33根横梁组成平面框架桥面系，桥面系通过32个斜撑杆悬挂在南北两侧拱肋上，桥梁两端各有两个橡胶支座支撑。

图3(a)-(b)是本发明一个实施例的应变测点与挠度传感器布置与损伤位置示意图；图3(a)为桥梁南侧视图，图3(b)为桥梁北侧视图；如图，每个斜撑杆上布置一个应变测点，通过应变传感器测量斜撑杆轴向应变响应；在桥梁南侧主梁与斜撑杆节点处布设挠度测点，通过位移传感器测量主梁与斜撑杆节点位置的竖向位移响应。其中，上述应变测点的编号依次为s1-s32。

在实桥检测时发现该桥各斜撑杆与主梁和拱之间的螺栓连接存在建造缺陷，随后对这些节点连接的薄弱部位进行了加固。因此本实施例在模拟中考虑斜撑杆端节点位置的局部损伤及其发展演化。考虑了三种损伤工况(DamageScenario,DS)，分别代表桥梁的三种损伤状态：其中，DS1为斜撑杆8和杆9与主梁的连接部位发生损伤，连接刚度减少20％；DS2损伤位置与DS1相同，但损伤程度即连接刚度减少50％；DS3是在DS2的基础上，斜撑杆17与主梁的连接部位发生损伤，连接刚度减少50％；此外，DS0代表桥梁未损伤状态。

为充分验证本发明提出的数据融合算法算法在时变的环境与车辆荷载影响下的鲁棒性，模拟了共135次完全随机的列车过桥事件，如图4所示。每次以50km/h至200km/h呈均匀分布的行车速度沿B方向，参见图2(b)，随机通过Suburban和Intercity两种欧洲列车，每次列车过桥事件的记录温度也在-3℃至37℃之间呈均匀分布。其中前45次列车过桥时桥梁处于未损状态DS0，第46至75次列车过桥时桥梁处于损伤状态DS1，第76至105次列车过桥时桥梁处于损伤状态DS2，第106至135次列车过桥时桥梁处于损伤状态DS3。图5(a)-(d)是本发明一个实施例的环境与车辆荷载因素影响下典型的应变与挠度响应。其中，图5(a)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的应变测点s4的应变响应；图5(b)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的挠度测点d5的挠度响应；图5(c)Intercity型列车、过桥速度50km/h、温度26℃条件下的应变测点s6的应变响应；图5(d)Intercity型列车、过桥速度50km/h、温度26℃条件下的挠度测点d5的挠度响应。

图6列出了135次列车过桥事件中提取的应变测点s9和s17所对应初始特征数据。可以观察到初始特征数据中存在一些离群点，而经过分析可知这些离群点仅为较大载重的Intercity列车在低速过桥时的响应特征，与局部损伤无关。应变测点s9和s17所在斜撑杆与主梁的连接部位发生损伤，理论上损伤后这两个应变测点所对应的响应特征应有所反映，但图中未看到损伤前后响应特征，即初始特征数据的显著变化，说明仅利用单应变测点的初始特征数据难以识别损伤，应变初始特征数据中的损伤效应被时变的环境与车辆荷载引起的掩蔽效应所掩盖。

图7(a)-(b)利用箱线图进一步给出了135次列车过桥事件中所有应变与挠度测点对应的初始特征数据的量化分布。可观察到车辆荷载主导了响应初始特征的幅值变化，导致局部小损伤，例如DS1和DS3，难以直接被探测到。

图8列出了基于本发明提出的数据融合算法得到的135次列车过桥事件中应变测点s9和s17所对应距离特征数据及其控制限。控制限可对损伤前后的距离特征进行有效分类，没有发生损伤误判；由此可知，将融合得到的距离特征作为铁路桥梁结构早期损伤探测指标是有效的。

将所有应变测点对应的距离特征，即损伤探测结果以箱线图的形式展示在图9中。损伤探测结果表明，本发明充分利用了不同测点且异构的监测数据，消除了本实施例中时变的环境与车辆荷载引起的掩蔽效应，增强了局部小损伤，例如DS1和DS3，的可探测性。

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于数据融合的铁路桥梁结构健康监测方法，其特征在于，包括：

步骤1：获取铁路桥梁结构应变-挠度训练数据集，提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵；

步骤2：进行考虑应变-挠度测点两两组合的稳健回归分析，获得应变-挠度训练数据集的三维回归系数矩阵；

步骤3：进行基于稳健回归分析的第一次特征融合，得到应变-挠度训练数据集的对应各应变测点的残差特征向量；

步骤4：计算残差特征向量的协方差矩阵和均值向量；

步骤5：根据协方差矩阵和均值向量，进行基于马氏距离的第二次特征融合，得到应变-挠度训练数据集的对应各应变测点的距离特征；

步骤6：计算距离特征的控制限；

步骤7：获取新的应变-挠度监测数据，采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征；并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位。

2.如权利要求1所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，步骤1具体包括：

步骤1.1：针对具有m个应变测点和n个挠度测点的铁路桥梁结构，根据桥梁当前运营状态、定期检测与健康监测历史，将桥梁结构未损伤状态下获取的k_B次列车过桥所激发的应变与挠度响应数据联合作为应变-挠度训练数据集；

步骤1.2：第k次列车应变测点i测得应变响应为ε_i,k(t)，i＝1,2,…,m，k＝1,2,…,k_B，将应变响应时程积分作为该应变初始特征SF_i,k：

式中：T_k为第k次列车过桥荷载效应作用的总时间；

应变-挠度训练数据集中，共k_B次列车过桥可得m个应变测点的应变初始特征矩阵SFM：

步骤1.3：第k次列车过桥时挠度测点j测得挠度响应为δ_j,k(t)，j＝1,2,…,n，将挠度响应时程积分作为该挠度初始特征DF_j,k：

应变-挠度训练数据集中，共k_B次列车过桥可得n个挠度测点的挠度初始特征矩阵DFM：

3.如权利要求2所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，所述步骤2具体为：

步骤2.1：应变初始特征矩阵SFM和挠度初始特征矩阵DFM中，拾取应变-挠度测点组合(i,j)所对应的SFM矩阵第i行和DFM矩阵第j行，对两行数据做稳健回归分析，得到对应该应变-挠度测点组合的回归系数向量CV_i,j∈R^1×2；

步骤2.2：考虑m个应变测点和n个挠度测点的两两组合，得到应变-挠度训练数据集的三维回归系数矩阵CM∈R^m×n×2。

4.如权利要求1所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，用以获取应变与挠度响应数据的应变测点和挠度测点，分别由测量桥梁结构易损部位应力/应变的应变传感器和测量桥梁挠度的位移传感器构成；应变传感器和位移传感器在列车过桥前后均为正常工作状态。

5.如权利要求3所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，步骤3中所述的基于稳健回归分析的第一次特征融合，具体包括：

步骤3.1：根据步骤1，第k次列车过桥可得m个应变测点的应变初始特征向量SFV_k：

SFV_k＝{SF_1,k SF_2,k…SF_m-1,k SF_m,k}^T (5)

步骤3.2：根据步骤1，第k次列车过桥可得n个挠度测点的挠度初始特征向量DFV_k：

DFV_k＝{DF_1,k DF_2,k…DF_n-1,k DF_n,k}^T (6)

步骤3.3：取三维回归系数矩阵CM中应变测点i对应的二维回归系数矩阵CM_i∈R^n×2，将其点乘矩阵[I_n,DFV_k]，并将所得的矩阵各行求和，得到针对应变测点i的回归估计向量

为单位列向量，上角标e代表估计值；计算针对应变测点i的残差特征向量RFV_i,k∈R^n×1：

依次计算m个应变测点所对应的残差特征向量。

6.如权利要求5所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，所述步骤4具体为：

步骤4.1：计算针对应变测点i的应变-挠度训练数据集共k_B次列车过桥的残差特征向量，形成残差特征矩阵

步骤4.2：计算矩阵RFM_i各行向量的协方差矩阵COV_i∈R^n×n，对矩阵RFM_i各行向量求均值，得到均值向量

依次计算m个应变测点所对应的协方差矩阵和均值向量。

7.如权利要求6所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，所述步骤5具体为：

步骤5.1：考虑第k次列车过桥，计算针对应变测点i的残差特征向量的马氏距离，得到距离特征MD_i,k：

步骤5.2：依次计算m个应变测点所对应的距离特征。

8.如权利要求7所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，所述步骤6具体为：

计算针对应变测点i的应变-挠度训练数据集共k_B次列车过桥的距离特征，将这些距离特征的均值加3倍标准差作为应变测点i所在桥梁结构易损部位的控制限值CL_i；依次计算m个应变测点所对应的控制限值。

9.如权利要求8所述的基于数据融合的铁路桥梁结构健康监测方法，其特征在于，所述步骤7具体为：

步骤7.1：每当获取运营状态下新的列车过桥所激发的应变-挠度监测数据，重复执行步骤1、3和5并使用步骤2中得到的三维回归系数矩阵以及步骤4中得到的协方差矩阵和均值向量，获得对应各应变测点的距离特征；其中对于第z次列车过桥，z＞k_B，获得针对应变测点i的距离特征MD_i,z；

步骤7.2：若MD_i,z≤CL_i，则表明应变测点i所在的桥梁结构易损部位未发生损伤；若MD_i,z＞CL_i，则表明应变测点i所在的桥梁结构易损部位发生损伤；获得m个应变测点所在的桥梁结构易损部位的损伤判别和定位结果。

Images