桥梁健康监测数据分析的重要性

桥梁健康监测数据分析的重要性

为了确保桥梁结构的安全、完整性和耐久性，已建成的大型桥梁结构应使用有效方法进行监测和评估损坏和安全状态。国外的多座大型桥梁已安装了长期结构健康监测系统(SHMS)。近年来，国内在多座大跨桥梁上也安装了SHMS，如香港的青马大桥、汲水门大桥和汀九大桥以及上海徐浦大桥、江苏的江阴长江大桥、杭州的钱江四桥等。桥梁结构健康监测系统的主要目标是监测结构的状态，即结构的损伤及其引起的抗力退化。近年来基于振动的损伤识别分析技术无论在理论上或在实际应用研究中都取得了长足的进步。对于结构振动测试数据的分析大多是在频域或时域来进行的，由于单一地在频域或时域来分析测试信号，其信息表达具有一定的局限性，即对信息成份的分辨能力较差。小波分析的出现，使人们找到了一种优秀的时频域分析工具，它也被逐渐应用到基于振动的土木工程结构损伤识别中来。最初，Hou等人应用Db小波对结构动力模型和美国土木工程学会(ASCE)的基准(Benchmark)模型进行了损伤识别研究，指出了小波分析在结构损伤识别领域的巨大潜力，能够有效地监测到结构发生的损伤。Sun等人应用小波包分解信号能量来构造损伤指标，并通过神经网络对连续梁的损伤识别进行数值仿真研究，取得较好的分析结果。由于小波分析在信号去噪、信号奇异性检测、特征提取、数据压缩等方面有着独特的优势，它在桥梁健康监测中的应用也有很大的潜力。本文从桥梁健康监测的关键性问题和小波分析的优势出发，来探讨小波分析在桥梁健康监测中的应用，并提出基于小波分析的桥梁结构损伤识别四阶段方法。1桥梁健康监测的重要课题1.1有限元分析识别功能桥梁健康监测系统是集结构监测、系统识别及结构评估于一体的综合监测系统，其内容包括荷载监测、几何变位监测、结构响应监测等。从系统构成来看，桥梁健康监测系统一般可划分为：(1)数据采集子系统，主要包括各类信号采集，存储和传送的硬件系统；(2)数据信号处理子系统，主要包括各类数字信号的处理，如A/D转换及数字滤波去噪等；(3)系统识别子系统，通过计算机模拟仿真计算，结合有限元模型分析，识别出桥梁结构系统的静、动力特性参数；(4)损伤识别子系统，即通过一定的分析技术，对已获得的数据进行处理，与桥梁结构系统特征联合，应用各种有效的手段识别结构损伤，完成损伤预警、损伤定位、损伤定量；(5)桥梁结构状态评估子系统，把损伤识别的结果与专家经验结合，对桥梁的健康状态作出评价，提出结构健康维护策对；(6)数据管理子系统，完成实时产生的大量现场数据的存储、调用和管理。从桥梁健康监测的发展趋势来看，随着相关技术的不断改进，基于信息技术的智能桥梁健康监测系统将取代目前仍然采用的人工检查和局部确定损伤的方法。1.2桥梁健康监测系统数据的分析处理从信息学角度来看，桥梁健康监测的过程就是通过测试从数据信号中提取有关信息，对结构进行认识的过程。测试是探测手段，信号是对物理量变化的描述，信息对应着结构状态的特征，信息以信号为物质载体。对于一座桥梁，它本身具有抵抗外力的能力，这是物质的固有特性，为了探测这一客观存在。可以对所研究的桥梁结构系统施加外力激励，测得加速度-时间历程信号，该信号中就包含了描述该系统固有频率和阻尼比的信息。进一步对所测试信号进行分析，就可以得到该系统的刚度信息，了解桥梁结构的损伤状况和承载能力。在结构健康监测系统中，从现场采集的数据包括结构不同测点处的位移、应变、加速度和环境激励等数据。当结构在服役中发生损伤时，结构性能将发生改变。结构健康监测系统就是要利用测试仪器瞬时地获得能表征这些改变的结构实时测试数据，来确定结构的损伤时刻和损伤位置，分析损伤程度，从而正确评价桥梁结构的健康状态。因此一个桥梁健康监测系统的优劣主要由以下三个因素决定：(1)传感器的灵敏性和精度以及数据传输和采集设备的性能；(2)测点的空间分布，即传感器的最优布置问题；(3)测试数据的分析处理。从目前的发展来看，用于结构健康监测的硬件设施越来越先进，高性能的智能传感器元件和信号采集装备越来越多地在工程中得到应用。从多次国际健康监测和损伤识别会议的成果来看，当前的传感器技术已经达到较高的水平，在结构健康监测系统中传感器信号的获取已经不是一个至关重要的问题。传感器的优化布置决定了能否获得大型结构的整体信息和局部信息，也决定了测试数据对结构损伤变化的敏感性。如何安排有限数量的传感器实现对结构状态改变信息的最优采集，是大型桥梁健康监测需要解决的主要问题之一，目前在这一领域也有较多的研究成果。测试数据的分析处理要完成结构损伤识别和桥梁整体健康状态的评估。因此可以看出在桥梁健康监测中最关键的就是测试数据的分析处理，一旦健康监测系统投入运营，主要的工作就是如何从测试信号中获取有关结构损伤状态的信息。在数据的分析处理过程中，首先是对信号去噪，消除现场测试信号中的噪声干扰；然后对信号进行分析，从信号中提取出与结构损伤状态相关的特征信息，再结合损伤识别算法实现损伤分类识别；最后结合专家系统完成桥梁健康状态的评价并保存有价值的测试数据，建立桥梁健康档案。这三个过程涉及到的信号去噪、信号检测、特征提取以及数据压缩的技术问题，如图1所示。小波分析在这四个技术领域的应用有着独特的优势。2小波分析及其健康监测的应用2.1小波多分辨率分析由于传统的Fourier分析在时域上没有任何局部化特性，在其基础上发展的短时Fourier分析，虽具有一定的时频分析功能，但由于窗函数一旦固定，时频宽度固定，不能适应信号的变化。而小波分析则提供了一个灵活的时频窗，低频处时窗变宽，高频处时窗变窄，非常适合对含有稳态和非稳态成份的信号进行时频分析。小波变换可分为连续小波变换和离散小波变换。连续小波变换：对于一个能量有限的函数f(t)，即满足f(t)∈L2(R)，它的小波变换为：其中a、b分别为尺度因子和平移因子，a,b∈R，且a≠0；ψa,b(t)是母小波ψ(t)经过尺度伸缩与时间平移所生成的小波函数族，即小波基且满足:Cψ=-+∫∞|ω|∞|Fψ(ω)|2dω<ω(3)其中Fψ(ω)是ψ(t)的傅立叶变换。由小波系数Wf(a,b)可以对函数f(t)进行重构，即：对于连续小波变换，Wf(a,b)的信息量是冗余的，因此常采用离散小波变换来进行分析。常用的二进离散小波变换公式为：其中ψj,k(t)为二进离散小波基函数，j为尺度参数，k为平移参数。对应的重构公式为：当小波函数是正交的时，ψj,k(x)构成L2中子空间Wj的正交基。对于任意函数f(t)∈V0，可以将它分解为空间1W上的细节部分fd1和空间1V上的逼近部分fA1，然后将空间1V上的逼近部分fA1进一步分解，如此重复就可得到任意空间Wj上的细节部分fdj和空间Vj上逼近部分fAj。Wj是小波空间，对应的基函数是小波函数ψj,k(x)；Vj是尺度空间，对应的基函数为尺度函数φj,k(x)。Wj为Vj在Vj-1中的正交补空间，即Vj-1=Wj⊕Vj。嵌套的子空间{Vj}j∈Z构成2L的多分辨率分析。虽然多分辨率分析是一种有效的时频分析方法，但它每次只对信号的低频部分进行分解，高频部分保留不动。因此高频部分频率分辨率差。小波包分析对此进行了改进，它同时对函数在低频和高频部分进行分解，在不同频带均可得到高分辨率。对于函数f(t)，其小波包变换为：其中Cij,k(t)称为小波包系数，i、j和k分别是频程参数、尺度参数和平移参数；ψij,k(t)为小波包函数，即：其中，i=0,1,L,2j-1，ψij,k(t)可以由母小波函数ψ(t)经相应的滤波器逐次计算得到。当i仅取0时，即成为小波多分辨率分析。f(t)可由任意尺度J上的小波包分解系数重构(也可以由不同尺度、不同频程上的小波包系数来重构)，即：广义的小波分析包括小波多分辨率分析和小波包分析，它们的分解结构树如图2所示，重构即按分解的反方向作逆运算。2.2信噪分离技术测量噪声在数据信号采集中是普遍存在的，噪声的来源一种是由信号采集仪器和信号传送设备的热、磁及电效应引起的，另一种是由观测误差引起的。这些噪声都属于随机白噪声。信号被噪声污染的程度较大时，会给结构损伤识别带来困难，必须使用有效的信噪分离技术进行去噪处理，再进行后续的损伤识别分析。在信噪分离的方法上有许多经典滤波和现代滤波方法，如维纳滤波、卡尔曼滤波、自适应滤波等。在信号频域进行去噪是以Fourier变换为工具进行的。小波分析的出现给信号去噪带来新的时频分析技术。与传统的滤波技术相比，应用小波分析进行信号去噪有很大的优势，可取得非常好的效果。以一个模拟的加速度信号为例来说明运用小波进行信号去噪的效果。图3所示为加速度原始信号，在该原始信号中添加白噪声，得到含噪信号如图4所示。以小波阈值去噪方法得到恢复后的信号如图5所示。可见，应用小波去噪效果良好。2.3结构加速度分析小波分析能够用来检测由于结构损伤引起的振动信号的微小变化，从而实现损伤预警。这里通过对一个连续梁的结构损伤数值仿真实验来说明应用小波分析进行损伤预警的效果。连续梁结构如图6所示，这里取结构激励荷载为一个冲击力的作用，即在图6中梁上A点处施加一个冲击力F，计算结构30s内的动力加速度时程反应，在15s时，结构大跨跨中处出现突然开裂损伤，损伤率是5%。通过数值模拟得到结构A点处的加速度信号S如图7中(a)所示(图7中横坐标为时间，单位：s；纵坐标为加速度，单位：m/s2)。应用Db6小波对信号S进行小波分解，得到6个尺度上的细节信号d1～d6和概貌信号A6，如图7所示。从细节分解信号d4～d6上明显可以看出在15s时信号出现了突变峰值，显示结构出现了损伤。因此可以通过小波分析来对信号进行检测，实现结构损伤预警。2.4小波包节点能量的提取以振动测试数据为依据的损伤识别问题，其关键是找到一个能反应结构系统状态的特征指标，也称为损伤指标。一般来说，直接从传感器得到的测量数据，由于与结构状态相关的特征性不强，必须通过一定的特征提取技术，提取出与结构损伤状态相关的特征向量，再结合一定的损伤识别算法，即可实现损伤识别分类。目前多数损伤特征提取都是基于Fourier分析来完成的，由于Fourier分析本身所固有的缺陷决定了由其参与构造损伤指标的精确性。而小波包分析的出现克服了Fourier分析的不足，实现了对非稳态信号的时-频域分析，能够直接对振动测试的信号进行小波包分解，然后计算小波包系数的节点能量，提取信号特征。由式(7)中的小波包系数Cij,k(t)可计算的节点能量为ej,i为：节点能量ej,i实际是信号S在指定尺度j和频带指标i的信号能量测度。一般来说不同的结构损伤状态对应不同的小波包节点能量分布。可见，把小波包节点能量作为损伤特征指标，即可实现对结构损伤的分类识别。这里以一个单自由度结构动力系统为例来分析基于小波包变换的特征提取，如图8所示。系统受到一个外荷载激励f(t)作用，这里取f(t)为一个随机激励，它由一个带限的白噪声组成。以一个加速度传感器监测这个动力系统30s内的质点加速度，假设在15s时结构刚度k出现10%的突然损伤。在随机荷载f(t)的作用下可得到系统的加速度反应如图9所示。对图9中的加速度信号进行小波包变换，小波包基选用第5个尺度上的子带基ψ5i,k，其中i=0,1,2,L31。原始加速度信号按式(10)被分解后得到32个频带上的小波包系数节点能量。图10给出了未损和损伤两种状态下信号的小波包系数节点能量，可以看出两者有明显不同。同样的，不同的损伤状态也对应不同的小波包系数节点能量分布。因此通过特征提取可以得到与结构状态相对应的特征指标，结合损伤识别算法即可实现损伤分类。2.5小波分析的数据压缩在桥梁健康监测系统中，大量的传感器实时地对结构进行监测，海量的测试信号不断被传送到数据中心的主机。随着系统的运行，数据量是十分庞大的，如在钱江四桥的健康监测系统中，每天采集的数据可达几百兆。因此，数据存储和数据管理是健康监测系统面临的一个十分重要的问题。采用有效的信号数据压缩技术不仅可以大大减少数据存储对存储设备的要求，并且有利于数据的管理，以便为桥梁健康状态建立档案。应用小波分析来进行数据压缩，只需一个数据量很小的低频系数和几个高频系数即可保留信号中的重要信息成分，并可反映信号的变化趋势，非常适合桥梁健康监测系统的数据压缩。这里以一个模拟的位移信号为例，来说明小波分析进行数据压缩的能力和效果。原始测试信号如图11所示，应用小波分析对图11中信号在第3尺度上进行压缩，得到如图11中所示的压缩后信号。该信号的压缩比是3.7倍。从图11中可以看到，原信号的主要信息成分都得以保留，且很好地反应了原信号的变化趋势。3检测—损伤识别的四阶段分析方法在大型桥梁的健康监测系统中的构件众多、可能的损伤方式也较多，且荷载多变。当出现结构异常和突然的局部损伤时，要在第一时间内对复杂结构进行一次性地精确地损伤识别(损伤定位和损伤定量)显然是不现实的。因此在结构健康监测系统中必须采用一定的方法和策略来解决数据处理的实时性和损伤识别的精确性问题，从而在系统长期运行的过程中对任意时刻、任意构件出现的异常，系统都能及时地做出最快的反应，给出结构的损伤评价。由于现在很多损伤识别技术都是从航空领域和机械领域发展而来的，不是十分适合土木工程结构长期健康监测系统的要求。而结构健康监测中损伤识别任务的完成也不同于以往对结构进行的定期损伤检测，它是面向实时在线监测的，要求有良好的损伤识别技术和相应快速的算法才能够对测量数据进行即时处理，实现无时滞(或少时滞)的在线分析。根据结构健康监测系统的特点要求，基于小波分析理论，这里提出结构健康监测系统中损伤识别的四阶段分析方法：第一阶段：损伤预警，即发出结构可能发生损伤的指示。随着结构长期健康监测系统的运行，动态地应用小波变换对实时采集的信号进行滤波和去噪，得到信噪比较高的测试数据。然后通过小波多分辨率分析把数据信号分解到不同尺度上对信号进行时频分析，从不同尺度分解信号的分析中得到在原始信号中无法表达出的结构系统参数变化信息。从而在结构系统有异常时，及时发出损伤预警，并给出可能发生的损伤的时间信息。这种损伤预警方法是在线进行的，无需进行复杂的结构计算，效率很高。第二阶段：损伤确认，即检验损伤预警是否真实。以小波包分析提取信号的特征向量，然后以第一阶段的损伤时间信息以后的测试数据信号为研究对象，通过小波包特征提取和损伤确认的识别算法来确定结构系统参数是否真正发生了变化，进行损伤事件的确认，从而验证损伤预警信息。第三阶段：损伤定位。得到损伤确认的信息以后，基于小波包特征