胡鐵明, 茍紅兵, 張冠華, 丁科翔

(1. 沈陽大學(xué) 遼寧省環(huán)境巖土工程重點實驗室, 遼寧 沈陽　110044;

2. 遼寧省交通規(guī)劃設(shè)計院, 遼寧 沈陽　110166; 3. 沈陽城市學(xué)院, 遼寧 沈陽　110112)

?

基于溫度與支座位移相關(guān)性的斜拉橋損傷預(yù)警

胡鐵明1, 茍紅兵1, 張冠華2, 丁科翔3

(1. 沈陽大學(xué) 遼寧省環(huán)境巖土工程重點實驗室, 遼寧 沈陽110044;

2. 遼寧省交通規(guī)劃設(shè)計院, 遼寧 沈陽110166; 3. 沈陽城市學(xué)院, 遼寧 沈陽110112)

摘要:為了充分利用橋梁健康監(jiān)測系統(tǒng)采集的海量數(shù)據(jù),健全大跨鋼箱梁斜拉橋結(jié)構(gòu)健康評估方法, 以遼河特大橋健康監(jiān)測系統(tǒng)為依托,運用小波分析法對遼河特大橋南北塔為期10個月的支座位移數(shù)據(jù)進行了濾波與重構(gòu).通過大量試驗選取神經(jīng)網(wǎng)絡(luò)參數(shù),構(gòu)建了BP神經(jīng)網(wǎng)絡(luò),對重構(gòu)后的支座位移與環(huán)境溫度相關(guān)性模型進行訓(xùn)練,建立人工神經(jīng)網(wǎng)絡(luò)評估模型,并對模型進行檢驗,檢驗結(jié)果表明:對神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值誤差取5%的顯著性水平作為誤差代表值能夠有效地反映結(jié)構(gòu)健康狀況.

關(guān)鍵詞:橋梁工程; 支座位移; 神經(jīng)網(wǎng)絡(luò); 小波分析; 狀態(tài)評估

目前我國的橋梁建設(shè)處于世界前沿,國內(nèi)外很多大型橋梁都建立了健康監(jiān)測系統(tǒng),其主要功能是將監(jiān)測到的環(huán)境條件、結(jié)構(gòu)本身狀態(tài)行為等橋梁信息進行顯示并儲存.然而,目前結(jié)構(gòu)健康狀態(tài)評估的理論和方法并不完善,導(dǎo)致很大一部分橋梁的結(jié)構(gòu)健康監(jiān)測系統(tǒng)只能對測試數(shù)據(jù)采集與保存,而不能對結(jié)構(gòu)健康狀態(tài)進行評估[1]. 如何將橋梁健康監(jiān)測系統(tǒng)采集的海量數(shù)據(jù)科學(xué)合理的運用是目前橋梁學(xué)者們研究的一個新領(lǐng)域.

結(jié)構(gòu)的損傷預(yù)警技術(shù)為土木結(jié)構(gòu)領(lǐng)域的一個新的分支,經(jīng)過20多年不斷的發(fā)展人們提出了多種損傷預(yù)警的理論和方法,結(jié)構(gòu)的損傷成因及預(yù)警技術(shù)成為了目前土木結(jié)構(gòu)領(lǐng)域研究的熱點[2-6].結(jié)構(gòu)的損傷預(yù)警方法,按照處理方式的不同大致可以分為下面兩類,一類為對原始數(shù)據(jù)進行分析整合,如動力指紋法、模型修正法、神經(jīng)網(wǎng)絡(luò)法、主成分分析法等[7].第二類為對采集數(shù)據(jù)自身特性進行直接分析,如模態(tài)分析法、小波分析法[8]、傅里葉變換等方法,其中小波分析法最具代表性.以前學(xué)者研究成果主要是針對結(jié)構(gòu)某一點震動動力參數(shù)進行測試分析,分析結(jié)構(gòu)的局部損傷情況,存在一定的局限性[9].且大多是利用有限元模型建模,在有限元模型上施加等效載荷的方法直接計算結(jié)構(gòu)的模態(tài)參數(shù)再疊加上不同量級的噪聲作為含噪損傷指標(biāo),根據(jù)學(xué)者們的研究成果,有限元法含噪損傷大部分要求構(gòu)件損傷程度50%以上[10].這應(yīng)用于對于實際工程并不理想.本文針對在役鋼箱梁斜拉橋提出了一種基于橋梁支座位移與環(huán)境溫度相關(guān)的橋梁損傷識別方法.該方法首先運用小波分析法對采集的數(shù)據(jù)進行濾波去噪,其次采用BP神經(jīng)網(wǎng)絡(luò)法對斜拉橋支座位移與環(huán)境溫度的特征向量進行提取,建立支座位移與環(huán)境溫度兩者之間的相關(guān)性模型.然后運用訓(xùn)練好的的神經(jīng)網(wǎng)絡(luò)模型對采集到的數(shù)據(jù)進行分析,將神經(jīng)網(wǎng)絡(luò)輸出的值與實際測量的值進行對比,如果誤差大小達到或超過允許值則對結(jié)構(gòu)做出損傷預(yù)警.通過對遼河特大橋支座位移進行仿真分析,證明該方法具有較高的適用性與可靠度.

1樣本信號預(yù)處理與特征值提取

由于橋梁支座位移監(jiān)測受外部環(huán)境及內(nèi)部自身因素相結(jié)合的復(fù)雜狀況,采集的數(shù)據(jù)含有一定的噪聲,所以對被測對象進行濾波是結(jié)構(gòu)狀態(tài)識別的第一步.

小波分析法為目前數(shù)字信號處理中最為成熟的處理方法之一,其具有良好的時頻分析能力和多分辨率的特性,特別適合于處理非平穩(wěn)信號.針對支座位移數(shù)據(jù)的特性,本文選取離散小波對支座位移信號進行分析,離散小波分解算法為

(1)

式中:Wj,k(t)為二進離散小波基函數(shù);j為尺度參數(shù);k為平移參數(shù).相應(yīng)的重構(gòu)算法為

(2)

若小波函數(shù)正交, Wj,k(t)構(gòu)成L2中子空間Wj的正交基.設(shè)WM為VM在VM-1上中補空間,數(shù)學(xué)表達式為VM-1=WM⊕VM,即對于任意函數(shù)f(t)∈V0可以將它分解為空間VM-1上的細(xì)節(jié)部分WM和近似部位VM.

小波分析是對數(shù)據(jù)低頻部分分解,而小波包不僅在低頻部分分解在高頻部分也分解.它相對小波分析法具有更高更詳細(xì)的時頻分辨率,并能夠自動依據(jù)被分解信號的特點,選擇合適的小波包基將信號進行分解,因此小波包應(yīng)用更加廣泛[11].因此本文選用小波包對支座位移信號進行降噪.離散小波分包算法為

(3)

(4)

小波多分辨率分析和小波包分析兩者的分解結(jié)構(gòu)樹圖見圖1.

圖1　小波分解示意圖

遼河特大橋健康監(jiān)測系統(tǒng)的支座位移的采集頻率為1 Hz.作者通過大量實驗后,選用小波包db8對支座位移樣本進行3層小波變換濾波,然后對濾波后的信號進行單支重構(gòu).本文對遼河特大橋營口側(cè)2013年9月1日梁端的支座位移進行了濾波與重構(gòu),結(jié)果見圖2.

由圖2可以看出小波分解后的圖形變得光滑,保留了原信號的變化趨勢,并且消除了部分奇異點.在原始信號奇異點處,小波濾波效果較好,文中9月1日重構(gòu)信號與原始信號的誤差最大達到3 mm.

圖2　小波分解與重構(gòu)結(jié)果對比圖

2橋梁支座位移與環(huán)境溫度相關(guān)性模型

遼河特大橋為遼寧省濱海公路中的一座大型橋梁,位于營口、盤錦兩市交界遼河入?？谔?為目前我國寒冷地區(qū)第一大跨徑鋼箱梁斜拉橋,橋跨布置為

62.3+152.7+436+152.7+62.3m.

選取2013年9月1日每10 min支座位移與環(huán)境溫度均值進行時程曲線分析.經(jīng)分析發(fā)現(xiàn)支座位移日變化符合曲線符合公式

(5)

對2013年9月1日支座位移進行曲線擬合擬合結(jié)果為

(6)

表明大橋梁端支座位移變化規(guī)律為:從每天零時到6時,支座位移隨環(huán)境溫度降低而增大;從6時到日溫度最大值時,支座位移不斷負(fù)向增大達到日最大值;從日溫度最大值時到夜間零時,支座位移又回到正向最大值的周期性規(guī)律(注支座位移正值表示收縮,負(fù)值表示伸長).對2013年9月1日環(huán)境溫度與支座位移每10 min均值進行時程曲線繪制見圖3.

利用第一節(jié)提到的濾波方法對支座位移數(shù)據(jù)濾波后,再對重構(gòu)后的支座位移數(shù)據(jù)與環(huán)境溫度數(shù)據(jù)以小時為單位取每小時樣本平均值,將每小時環(huán)境溫度與支座位移組隊,即每小時一對數(shù)據(jù),一天24對,每月所有的對數(shù)組成一個小組.本文對遼河特大橋南北塔2013年7月~2014年4月共計20組數(shù)據(jù)進行了濾波且建立了月相關(guān)性模型.限于篇幅僅列出2013年9月、12月營口側(cè)梁端支座位移與溫度的相關(guān)性模型見圖4、圖5.

圖3　營口側(cè)梁端支座位移與溫度時程曲線

圖4　2013年9月營口側(cè)梁端支座位移溫度相關(guān)性

圖5　2013年12月營口側(cè)梁端支座位移溫度相關(guān)性

通過對2013年7月—2014年4月環(huán)境溫度與支座位移曲線擬合,擬合結(jié)果表明每月兩者關(guān)系都符合線性規(guī)律,且斜率范圍都在-4.2~-6.5之間.雖然每月數(shù)據(jù)都超過了600組,但擬合度除2013年9月為0.78其余每月均接近于0.84,表明遼河特大橋梁端支座位移與環(huán)境溫度之間符合線性規(guī)律,具有相關(guān)性.

3支座位移與環(huán)境溫度神經(jīng)網(wǎng)絡(luò)模型建立

3.1　BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)機理為模擬人的大腦,進行并行與串行組合處理系統(tǒng),BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣的人工神經(jīng)網(wǎng)絡(luò)算法.其基本思路是:將輸入信號從輸入層輸入,每個信號根據(jù)與下層的權(quán)值將自身分解給下層,下層得到的數(shù)值經(jīng)自身函數(shù)(也稱閾值)作用后得到新值,新值重復(fù)上面步驟直到最后層為輸出層,輸出層得到輸出信號;然后將輸出值與實際值的誤差進行反向傳播,網(wǎng)絡(luò)自動修改各層間的權(quán)值和閾值,如此循環(huán),直到網(wǎng)絡(luò)全局的誤差最小[12],具體的流程如圖6.本文將環(huán)境溫度變量特征值作為BP神經(jīng)網(wǎng)絡(luò)的輸入,橋梁的支座位移作為輸出建立神經(jīng)網(wǎng)絡(luò)模型.

圖6　BP神經(jīng)網(wǎng)絡(luò)流程圖

3.2　BP神經(jīng)網(wǎng)絡(luò)建模

鑒于溫度與支座位移數(shù)據(jù)采集量大的特點,本文僅對2013年7月、9月、11月,2014年1月,營口側(cè)每月720對數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)建模訓(xùn)練,用2014年2月672對數(shù)據(jù)對訓(xùn)練后的模型進行檢驗.經(jīng)過反復(fù)試驗確定本文的BP神經(jīng)網(wǎng)絡(luò)選取1個隱層,隱層節(jié)點數(shù)為15,隱層神經(jīng)元采用tansig型函數(shù);而輸出層采用purelin型傳遞函數(shù);訓(xùn)練方法采用量化共軛梯度法[13].此方法用于此模型,訓(xùn)練精度能夠達到0.007.對672對檢驗數(shù)據(jù)用于檢驗,檢驗結(jié)果見圖7.

圖7　672對數(shù)據(jù)預(yù)測值與實際值對比圖

利用matlab軟件對數(shù)據(jù)進行檢驗,得出量化共軛梯度法對本模型神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時,前20次下降速率特別快,20~2 000次時下降效果不明顯.表明量化共軛梯度法具有前20次訓(xùn)練效率高的特性.由圖7可以得出本文的神經(jīng)網(wǎng)絡(luò)法預(yù)測出的值與實際值走勢基本相似,預(yù)測值普遍比實際值小的特性.

為了進一步分析672對數(shù)據(jù)誤差特性,作者將672個誤差值進行概率統(tǒng)計,分析得出誤差均值為-6.6 mm,誤差范圍為-33.9~16.4 mm,幅度為50.3 mm;對誤差取5%的顯著性水平,誤差范圍為-25.1~9.9 mm,幅度為35 mm;實際范圍98.6~194.2 mm,幅度為95.6 mm;誤差取5%的顯著性水平幅度為實際幅度的36.6%.表明運用本文使用的神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測,預(yù)測結(jié)果中大部分預(yù)測值相對實際值偏小.誤差取5%的顯著性水平的誤差值作為支座位移的損傷預(yù)警,更有代表性,且具有較好的預(yù)測效果.對誤差值分布情況進行統(tǒng)計,統(tǒng)計結(jié)果見圖8.

圖8　672個誤差值概率統(tǒng)計圖

對概率分布圖進行曲線擬合,擬合的結(jié)果服從高斯分布且擬合度為0.91,擬合函數(shù)為:

(7)

4結(jié)論

(1) 運用小波包對采集的信號進行分解,能夠有效的濾掉信號的高頻部分,將濾波后的信號單支重構(gòu)能夠得到較為理想的支座位移信號.

(2) 運用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測的支座位移值與實際值的差值服從高斯分布,取5%的顯著性水平誤差作為代表值具有較強的代表性,運用于橋梁的損傷預(yù)警具有較好的效果.

本文按月進行神經(jīng)網(wǎng)絡(luò)模型建立、預(yù)測,以減小預(yù)測值與實際值的誤差,這也是未來遼河特別大橋養(yǎng)護的發(fā)展方向.

參考文獻:

[ 1 ] 李愛群,丁幼亮,王浩,等. 橋梁健康監(jiān)測海量數(shù)據(jù)分析與評估:“結(jié)構(gòu)健康監(jiān)測”研究進展[J]. 中國科學(xué):技術(shù)科學(xué), 2012,42(8):972-984.

(Li Aiqun, Ding Youliang, Wang Hao, et al. Analysis and Assessment of Bridge Health Monitoring Mass Data: Progress in Research/Development of “Structural Health Monitoring”[J]. Scientia Sinica: Technologica, 2012,42(8):972-984.)

[ 2 ] Doebling S W, Farrar C R, Prime M B, et al. Damage Identification and Health Monitoring of Structural and Mechanical Systems from Changes in their Vibration Characteristics: A Literature Review[R]. Los Alamos, Los Alamos National Laboratory Report LA-13070-MS,1996.

[ 3 ] Lam H F, Yin T. Application of Two-Dimensional Spatial Wavelet Transform in the Detection of an Obstructed Crack on a Thin Plate[J]. Structural Control and Health Monitoring, 2012,19(2):260-277.

[ 4 ] Jung U, Koh B H. Structural Damage Localization Using Wavelet-based Silhouette Statistics[J].Journal of Sound and Vibration, 2009,321(3/4/5):590-604.

[ 5 ] 姜濤,劉邦禹,王會利. 橋梁水毀成因分析及防治措施綜述[J]. 沈陽大學(xué)學(xué)報:自然科學(xué)版, 2014,26(2):143-147.

(Jiang Tao, Liu Bangyu, Wang Huili . Review of Causes and Prevention Measures for Bridge Washout[J]. Journal of Shenyang University:Natural Science, 2014,26(2):143-147.)

[ 6 ] 左廣超,王會利,秦泗鳳. 雙層鋼桁架吊橋錨箱疲勞分析[J]. 沈陽大學(xué)學(xué)報:自然科學(xué)版, 2013,25(3):241-245.

(Zuo Guangchao,Wang Huili, Qin Sifeng. Fatigue Analysis of Anchor Box of Double-Layer Steel Truss Suspension Bridge[J]. Journal of Shenyang University: Natural Science, 2013,25(3):241-245.)

[ 7 ] 郭健,顧正維,孫炳楠,等. 基于小波分析的橋梁健康監(jiān)測方法[J]. 工程力學(xué), 2006,23(12).129-135.

(Guo Jian, Gu Zhengwei, Sun Bingnan, et al. Method of Bridge Health Monitoring Based on Wavelet Analysis[J]. Engineering Mechanics, 2006,23(12):129-135.)

[ 8 ] 李忠獻,楊曉明,丁陽. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)的大型斜拉橋子結(jié)構(gòu)損傷識別研究[J]. 地震工程與工程振動, 2003,23(3):92-99.

(Li Zhongxian,Yang Xiaoming,Ding Yang. Research on Substructural Damage identification of Large Cable-Stayed Bridges Using Artificial Neural Networks[J]. Earthquake Engineering and Engineering Vibration, 2003,23(3):92-99.)

[ 9 ] 鄭婷婷,虞廬松. 基于神經(jīng)網(wǎng)絡(luò)的斜拉索損傷識別研究[J]. 蘭州交通大學(xué)學(xué)報:自然科學(xué)版, 2006,25(4):32-34.

(Zheng Tingting,Yu Lusong. Study of Cable-Stayed Cable Damage Identification Based on Neural Network[J]. Journal of Lanzhou Jiaotong University:Natural Sciences, 2006,25(4):32-34.)

[10] 李如瑋,鮑長春,竇慧晶. 基于雙正交小波包分解的自適應(yīng)閾值語音增強[J]. 儀器儀表學(xué)報, 2008,29(10):2135-2140.

(Li Ruwei, Bao Changchun, Dou Huijing. Speech Enhancement Using Adaptive Threshold Based on Bi-Orthogonal Wavelet Packet Decomposition[J]. Chinese Journal of Scientific Instrument, 2008,29(10):2135 -2140.)

[11] 鄧林峰,趙榮珍,龔俊. 一種改進的轉(zhuǎn)子振動信號消噪方法研究[J]. 儀器儀表學(xué)報, 2011,32(9):1961-1966.

(Deng Linfeng, Zhao Rongzhen, Gong Jun. Research on an Improved De-noising Method for Rotor Vibration Signals[J]. Chinese Journal of Scientific Instrument, 2011,32(9):1961-1966.)

[12] 尚鑫,徐岳,馬保林,等. 基于神經(jīng)網(wǎng)絡(luò)的混凝土斜拉橋健康狀態(tài)評估技術(shù)研究[J]. 武漢理工大學(xué)學(xué)報, 2011,33(8):79-83.

(Shang Xin, Xu Yue, Ma Baolin, et al. Health Condition Assessment of Concrete Cable-stayed Bridge Based on ANN[J]. Journal of Wuhan University of Technology, 2011,33(8):79-83.)

[13] 許東,吳錚. 基于MATLAB 6.0的系統(tǒng)分析與設(shè)計神經(jīng)網(wǎng)絡(luò)[M]. 西安:西安電子科技大學(xué)出版社, 2002.

【責(zé)任編輯: 胡天慧】

(Xu Dong,Wu Zheng. System Analysis and Design Based on MATLAB 6.0 Neural Network[M]. Xi’an: Xi’an Electronic Sience & Technology University Press, 2002.)

Damage Alarming for Cable-Stayed Bridge Based on Correlation of Temperature and Displacement

HuTieming1,GouHongbing1,ZhangGuanhua2,DingKexiang3

(1. Key Laboratory of Geoenvironmental Engineering, Shenyang University, Shenyang 110044, China; 2. Institute of Transportation Planning and Designing of Liaoning Province, Shenyang 110166, China; 3. Shenyang City University, Shenyang 110112, China)

Abstract:In order to make full use of the massive data collected by bridge health monitoring system and improve the large-span steel box girder cable-stayed bridge structure health assessment method, based on Liaohe super large bridge’s health monitoring system, the south and north tower pedestal displacement data of the bridge are filtered and reconstructed for a period of 10 months with wavelet analysis method. Meanwhile through a large number of tests, the parameters of the neural network are selected and BP neural network is established. The pedestal displacement and temperature correlation model is trained after reconstruction, and artificial neural network evaluation model is established and tested. The results show that: selecting 5% of the significance level error as the representative value of the neural network forecasting value and the actual value can effectively reflect the health condition of the structure.

Key words:bridge engineering; pedestal displacement; neural network; wavelet analysis; condition evaluation

收稿日期:2014-09-22

中圖分類號:U 446

文獻標(biāo)志碼:A

作者簡介:胡鐵明(1972-),男,遼寧沈陽人,沈陽大學(xué)教授,博士.

文章編號:2095-5456(2015)01-0055-05