樸春慧，冀梅梅，張志國(guó)，劉玉紅，李智宇，董 現(xiàn)

(1.石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043；2.河北省電磁環(huán)境效應(yīng)與信息處理重點(diǎn)實(shí)驗(yàn)室，河北 石家莊 050043；3.石家莊鐵道大學(xué) 土木工程學(xué)院，河北 石家莊 050043；4.北京全路通信信號(hào)研究設(shè)計(jì)院集團(tuán)有限公司, 北京 100073)

橋梁是交通運(yùn)輸領(lǐng)域中極為重要的基礎(chǔ)設(shè)施和核心樞紐，對(duì)我國(guó)經(jīng)濟(jì)社會(huì)發(fā)展有重要的推動(dòng)作用[1]。為保證橋梁在役時(shí)期內(nèi)的結(jié)構(gòu)安全，避免出現(xiàn)突然性破壞，很多大跨度橋梁安裝了橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)(Bridge Structural Health Monitoring System, BSHMS)。BSHMS通過(guò)在橋梁結(jié)構(gòu)關(guān)鍵位置處安裝傳感器，采集結(jié)構(gòu)響應(yīng)數(shù)據(jù)，通過(guò)監(jiān)測(cè)數(shù)據(jù)大小和變化趨勢(shì)判斷橋梁結(jié)構(gòu)特性，進(jìn)而評(píng)估橋梁結(jié)構(gòu)健康狀態(tài)。BSHMS在對(duì)大跨度橋梁進(jìn)行監(jiān)測(cè)時(shí)，考慮大跨度橋梁結(jié)構(gòu)復(fù)雜，通常選擇易收集、監(jiān)測(cè)數(shù)據(jù)較精準(zhǔn)且便于分析研究的靜力數(shù)據(jù)和動(dòng)力數(shù)據(jù)作為監(jiān)測(cè)內(nèi)容，靜力數(shù)據(jù)通常包括應(yīng)變、位移、索力等，動(dòng)力數(shù)據(jù)通常包括模態(tài)頻率、振型等。

我國(guó)BSHMS研究起步較晚，自20世紀(jì)90年代起，信息與物聯(lián)網(wǎng)技術(shù)發(fā)展迅速，網(wǎng)速不斷提高，高精度、長(zhǎng)壽命傳感器和信號(hào)處理設(shè)備得以發(fā)展，國(guó)外一些國(guó)家開始將BSHMS技術(shù)用于長(zhǎng)大跨橋梁結(jié)構(gòu)監(jiān)測(cè)，伴隨我國(guó)交通建設(shè)的發(fā)展和經(jīng)濟(jì)水平的提高，BSHMS研究與應(yīng)用從最初的示范應(yīng)用已逐步走向大范圍應(yīng)用。進(jìn)入21世紀(jì)，我國(guó)對(duì)BSHMS的發(fā)展給予了大力支持，BSHMS的應(yīng)用范圍在國(guó)內(nèi)不斷擴(kuò)大，但由于高性能傳感器及監(jiān)測(cè)系統(tǒng)價(jià)格居高不下，且橋梁結(jié)構(gòu)工作性能影響因素復(fù)雜，一般情況下，BSHMS系統(tǒng)僅建立在典型服役橋梁結(jié)構(gòu)上，在有限的關(guān)鍵截面布置測(cè)點(diǎn)。例如，我國(guó)較早建立BSHMS系統(tǒng)的橋梁有武漢長(zhǎng)江大橋、蕪湖長(zhǎng)江大橋和上海徐浦大橋等。在上述橋梁為代表的BSHMS中，監(jiān)測(cè)因素主要有橋址周圍的環(huán)境信息及關(guān)鍵測(cè)點(diǎn)的結(jié)構(gòu)響應(yīng)信息等[2]，對(duì)信息技術(shù)的使用則集中在監(jiān)測(cè)數(shù)據(jù)的采集、傳輸和可視化，并未對(duì)高時(shí)空相關(guān)性及大量監(jiān)測(cè)數(shù)據(jù)挖掘與分析，無(wú)法妥善處理與有效利用監(jiān)測(cè)數(shù)據(jù)，難以通過(guò)監(jiān)測(cè)數(shù)據(jù)有效判定橋梁結(jié)構(gòu)健康狀態(tài)和損傷識(shí)別，限制了BSHMS對(duì)橋梁狀態(tài)評(píng)判和維修策略選擇的指導(dǎo)作用。因此，對(duì)于海量高時(shí)空相關(guān)性的監(jiān)測(cè)數(shù)據(jù)來(lái)說(shuō)，充分挖掘其潛在價(jià)值是當(dāng)下BSHMS亟待解決的問題。

BSHMS采集的應(yīng)變大小與變化趨勢(shì)能夠直接反映橋梁結(jié)構(gòu)的受力和形變狀態(tài)，進(jìn)而分析出橋梁結(jié)構(gòu)局部健康狀態(tài)。通過(guò)分析實(shí)測(cè)應(yīng)變數(shù)據(jù)得出橋梁列車荷載和局部結(jié)構(gòu)健康狀態(tài)有重要意義，列車荷載識(shí)別對(duì)列車荷載標(biāo)準(zhǔn)的制定、橋梁耐久性和安全性評(píng)估具有重要作用，通過(guò)大型列車荷載識(shí)別能夠充分發(fā)揮BSHMS的作用，降低大跨度橋梁列車識(shí)別的成本；橋梁局部結(jié)構(gòu)健康狀態(tài)識(shí)別為發(fā)現(xiàn)橋梁結(jié)構(gòu)的潛在損傷，降低橋梁事故帶來(lái)的重大損失，及時(shí)采取結(jié)構(gòu)維修、加固等措施具有關(guān)鍵作用，對(duì)實(shí)現(xiàn)橋梁結(jié)構(gòu)健康狀態(tài)監(jiān)測(cè)與服役性能評(píng)估提供有力支持[3]。近年來(lái)，在利用橋梁健康監(jiān)測(cè)數(shù)據(jù)進(jìn)行列車荷載和健康狀態(tài)識(shí)別等方面進(jìn)行了一些探索。如，左小晗[4]以橋梁動(dòng)應(yīng)變響應(yīng)為研究對(duì)象，實(shí)現(xiàn)了車軸信息的檢測(cè)，并對(duì)多列車過(guò)橋時(shí)車輛軸重和總重進(jìn)行了研究。劉澤佳等[5]采用基于小波臨界系數(shù)和應(yīng)變閾值的超重車荷載識(shí)別方法，利用橋梁有限元模型得到超重車荷載應(yīng)變閾值，使用應(yīng)變數(shù)據(jù)實(shí)現(xiàn)了珠江黃埔大橋北汊斜拉橋超重車荷載信號(hào)識(shí)別。楊慧等[6]通過(guò)車輛過(guò)橋時(shí)采集的動(dòng)應(yīng)變響應(yīng)，使用BP神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了簡(jiǎn)支梁橋車輛荷載位置、車速以及軸距的識(shí)別，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)方法進(jìn)行車輛荷載識(shí)別的可行性。Kromanis等[7]提出通過(guò)建立溫度與應(yīng)變之間非線性關(guān)系的支持向量回歸損傷識(shí)別方法，將預(yù)測(cè)誤差作為損傷敏感特征，用某鋼筋混凝土橋連續(xù)6年的溫度和應(yīng)變監(jiān)測(cè)數(shù)據(jù)中前3年數(shù)據(jù)進(jìn)行模型訓(xùn)練，后3年數(shù)據(jù)驗(yàn)證模型的損傷識(shí)別效果。何浩祥等[8]提出基于CNN的橋梁損傷識(shí)別方法，通過(guò)試驗(yàn)證明了CNN除可以高精度提取橋梁結(jié)構(gòu)損傷敏感特征指標(biāo)外，還能夠比較精準(zhǔn)的識(shí)別橋梁結(jié)構(gòu)損傷情況。Ni等[9]提出一種基于CNN的異常數(shù)據(jù)檢測(cè)方法，通過(guò)試驗(yàn)對(duì)方法的適用性進(jìn)行了檢驗(yàn)，試驗(yàn)過(guò)程使用了某橋梁的BSHMS實(shí)測(cè)加速度數(shù)據(jù)，試驗(yàn)結(jié)果表明，該方法對(duì)于異常檢測(cè)有著較高的精準(zhǔn)度。楊杰文等[10]將深度學(xué)習(xí)算法用于橋梁裂縫檢測(cè)，通過(guò)試驗(yàn)證明所提模型能夠?qū)崿F(xiàn)復(fù)雜環(huán)境下的裂縫檢測(cè)。趙欣欣等[11]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于橋梁高強(qiáng)螺栓失效識(shí)別，通過(guò)實(shí)例證明所提方法的準(zhǔn)確性。王飛球等[12]提出基于BP神經(jīng)網(wǎng)絡(luò)的橋梁安全風(fēng)險(xiǎn)評(píng)估模型，并使用信江特大橋BSHMS數(shù)據(jù)進(jìn)行了驗(yàn)證，結(jié)果表明，該模型具備一定的可行性。

綜上所述，目前對(duì)BSHMS數(shù)據(jù)進(jìn)行挖掘與分析已漸漸成為當(dāng)下研究熱點(diǎn)之一，盡管開展了不少研究，但是仍受監(jiān)測(cè)測(cè)點(diǎn)數(shù)量有限，監(jiān)測(cè)數(shù)據(jù)受環(huán)境等因素影響，存在數(shù)據(jù)深度挖掘分析不夠，反饋橋梁狀態(tài)信息不足及實(shí)際監(jiān)測(cè)數(shù)據(jù)利用率不夠等問題。本文針對(duì)上述問題，試圖探索一種利用少量監(jiān)測(cè)數(shù)據(jù)進(jìn)行橋梁列車荷載識(shí)別和局部健康狀態(tài)判別及預(yù)警的方法，以提高監(jiān)測(cè)數(shù)據(jù)的使用效率。因此，本文利用應(yīng)變對(duì)大跨度橋梁的荷載響應(yīng)、橋面系局部損傷敏感的特性及結(jié)構(gòu)響應(yīng)之間的相關(guān)性，使用某大跨度鋼桁架橋BSHMS實(shí)測(cè)數(shù)據(jù)作為數(shù)據(jù)集，對(duì)數(shù)據(jù)集中的車致應(yīng)變進(jìn)行提取；構(gòu)建列車荷載系數(shù)，對(duì)該橋經(jīng)過(guò)的列車車型和列車荷載進(jìn)行識(shí)別；提出一種基于CNN-LSTM的橋面系局部健康狀態(tài)識(shí)別方法，通過(guò)分析監(jiān)測(cè)數(shù)據(jù)之間的相關(guān)性，確定CNN-LSTM模型的輸入量與輸出量；使用歷史監(jiān)測(cè)數(shù)據(jù)訓(xùn)練CNN-LSTM模型，構(gòu)建反映橋面縱梁測(cè)點(diǎn)應(yīng)變監(jiān)測(cè)數(shù)據(jù)間相關(guān)性的函數(shù)關(guān)系；在橋面系測(cè)試節(jié)間縱梁性能退化出現(xiàn)損傷時(shí)，通過(guò)預(yù)測(cè)應(yīng)變值偏離實(shí)測(cè)值的程度實(shí)現(xiàn)橋梁健康監(jiān)測(cè)損傷預(yù)警。

1 車致應(yīng)變提取

通過(guò)應(yīng)變與應(yīng)力關(guān)系可以將BSHMS中的應(yīng)變數(shù)據(jù)轉(zhuǎn)為應(yīng)力，進(jìn)而得到橋梁結(jié)構(gòu)在外力作用下內(nèi)部產(chǎn)生的力，以進(jìn)行列車荷載和橋面系局部健康狀態(tài)識(shí)別。BSHMS在實(shí)際工程監(jiān)測(cè)采集到的應(yīng)變數(shù)據(jù)混合了溫度引起的應(yīng)變數(shù)據(jù)(溫致應(yīng)變)和車致荷載應(yīng)變數(shù)據(jù)(車致應(yīng)變)，這兩種應(yīng)變一般同時(shí)存在，無(wú)法分開測(cè)量，故BSHMS中的應(yīng)變數(shù)據(jù)為車致應(yīng)變和溫致應(yīng)變的綜合[13]，在利用應(yīng)變進(jìn)行工作狀況、列車荷載及局部損傷識(shí)別時(shí)，需要將溫致應(yīng)變分離出去。此外，由于BSHMS采集數(shù)據(jù)時(shí)，受傳感器的性能、網(wǎng)絡(luò)信號(hào)波動(dòng)等方面影響，監(jiān)測(cè)數(shù)據(jù)可能存在缺失、異常等情況，影響列車荷載和橋面系局部健康狀態(tài)識(shí)別的準(zhǔn)確性。因此，進(jìn)行車致應(yīng)變提取前，需要對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理。

1.1 數(shù)據(jù)來(lái)源

本文數(shù)據(jù)集來(lái)源于某大跨度鋼桁架公鐵兩用橋的BSHMS系統(tǒng)，為能夠及時(shí)掌握橋梁結(jié)構(gòu)受力與健康狀態(tài)，該橋的BSHMS關(guān)鍵測(cè)點(diǎn)位于橋梁第二聯(lián)，并由此擴(kuò)展至全橋。該橋BSHMS系統(tǒng)監(jiān)測(cè)內(nèi)容和測(cè)點(diǎn)部署信息見圖1，主要監(jiān)測(cè)內(nèi)容為[14]：

(1) 過(guò)橋列車信息監(jiān)測(cè)：包括列車駛進(jìn)、駛離該橋梁時(shí)的列車速度以及列車的軸數(shù)與軸距等信息。

(2) 橋址環(huán)境監(jiān)測(cè)：包括橋梁所在地的溫度與濕度，橋上鋼軌的溫度、溫度場(chǎng)等。

圖1 測(cè)點(diǎn)位置分布

(3) 橋梁典型截面應(yīng)變及列車(車輛)荷載監(jiān)測(cè)：包括橋上鐵路橫梁與縱梁截面關(guān)鍵點(diǎn)的應(yīng)變、橋上公路縱梁截面關(guān)鍵點(diǎn)的應(yīng)變、鐵路/公路線路列車或車道車輛荷載等。

(4) 橋梁結(jié)構(gòu)動(dòng)力特征監(jiān)測(cè)：包括橋梁主梁結(jié)構(gòu)的振動(dòng)特性以及加速度數(shù)據(jù)等。

(5) 橋梁結(jié)構(gòu)使用性能監(jiān)測(cè)：包括橋梁主跨跨中撓度、橋梁支座位移等。

本文所用數(shù)據(jù)為某大跨度鋼桁架橋第二聯(lián)鐵路縱梁2010年9月至2010年10月采集的應(yīng)變數(shù)據(jù)，共1 046 598條。應(yīng)變數(shù)據(jù)為觸發(fā)式采集，即當(dāng)列車駛進(jìn)橋梁時(shí)傳感器立即打點(diǎn)采集應(yīng)變，當(dāng)列車駛離橋梁時(shí)結(jié)束采集，每條應(yīng)變數(shù)據(jù)包括第二聯(lián)鐵路縱梁S1～S8共 8個(gè)測(cè)點(diǎn)監(jiān)測(cè)到的應(yīng)變數(shù)據(jù)。

1.2 缺失值填補(bǔ)

在本文使用的數(shù)據(jù)集中數(shù)據(jù)缺失率約為8.3%，且缺失類型多為單點(diǎn)缺失，因此本文僅對(duì)單點(diǎn)缺失數(shù)據(jù)進(jìn)行處理，對(duì)于連續(xù)缺失數(shù)據(jù)則直接剔除該條數(shù)據(jù)。缺失值的存在造成數(shù)據(jù)的時(shí)空相關(guān)性降低，使用含缺失值的數(shù)據(jù)集進(jìn)行列車荷載與健康狀態(tài)識(shí)別，不僅難以反映列車荷載與橋梁真實(shí)運(yùn)營(yíng)狀況，還會(huì)降低準(zhǔn)確率，因此，對(duì)數(shù)據(jù)集中的單點(diǎn)缺失本文使用平均值法進(jìn)行填補(bǔ)，即取缺失數(shù)據(jù)前后時(shí)刻數(shù)據(jù)的平均值進(jìn)行填補(bǔ)，該方法不僅能使數(shù)據(jù)曲線保持不變，又能最大化利用當(dāng)前數(shù)據(jù)信息，計(jì)算方法為

(1)

式中：xi為缺失值；xi-1和xi+1分別為缺失值前一個(gè)時(shí)間點(diǎn)和后一個(gè)時(shí)間點(diǎn)的數(shù)值。

1.3 數(shù)據(jù)歸一化

歸一化操作可以將監(jiān)測(cè)數(shù)據(jù)歸約到[0,1]內(nèi)，不僅可以防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)過(guò)擬合現(xiàn)象，還可以使其收斂更加快速。本文歸一化方法選擇了當(dāng)下較為流行的Min-Max標(biāo)準(zhǔn)化方法，該方法依據(jù)線性變換原理將測(cè)得的原始數(shù)據(jù)進(jìn)行處理，并將數(shù)值映射至[0,1]之間，即將BSHMS監(jiān)測(cè)得到的數(shù)據(jù)轉(zhuǎn)換至[0,1]范圍內(nèi)，歸一化基本公式為

(2)

以部分應(yīng)變數(shù)據(jù)為例，歸一化前后見圖2。由圖2可知，歸一化前應(yīng)變值基本在[0,250]，而歸一化之后應(yīng)變值均在[0,1]區(qū)間內(nèi)。

圖2 數(shù)據(jù)歸一化前后對(duì)比圖

1.4 異常數(shù)據(jù)檢測(cè)

BSHMS中異常值判別標(biāo)準(zhǔn)為明顯不滿足橋梁結(jié)構(gòu)受力狀態(tài)的數(shù)值，具體表現(xiàn)為離散型，即距絕大多數(shù)監(jiān)測(cè)數(shù)值較遠(yuǎn)。本文采用孤立森林算法(Isolation Forest, IF)作為數(shù)據(jù)集中異常數(shù)據(jù)的處理方法，利用IF算法進(jìn)行數(shù)據(jù)處理，具有速度快、時(shí)間復(fù)雜度低、對(duì)物理設(shè)備內(nèi)存要求較低等優(yōu)點(diǎn)，與BSHMS中的海量數(shù)據(jù)處理要求相契合[15]。IF算法認(rèn)為，在數(shù)據(jù)集中孤立的點(diǎn)能夠被當(dāng)作異常值，其具體表現(xiàn)為距離高分布密度群體較遠(yuǎn)并且分布密度較為稀疏的點(diǎn)。異常數(shù)據(jù)檢測(cè)結(jié)果見圖3(a)，圖中標(biāo)紅部分(加圈點(diǎn))為孤立森林算法檢測(cè)出的異常值；圖3(b)為使用該方法處理異常值后的數(shù)據(jù)。由圖3可知異常數(shù)據(jù)處理歸一化后的監(jiān)測(cè)數(shù)據(jù)取值區(qū)間由[0,1]變?yōu)閇0.1,0.5]，處理效果明顯。

圖3 異常值識(shí)別與處理結(jié)果

1.5 提取車致應(yīng)變

BSHMS應(yīng)變數(shù)據(jù)中包含了車致應(yīng)變和溫致應(yīng)變，為分析橋梁在運(yùn)營(yíng)狀態(tài)下，車致應(yīng)變對(duì)橋梁結(jié)構(gòu)局部受力作用及影響情況，需剔除應(yīng)變數(shù)據(jù)中的溫致應(yīng)變，保留車致應(yīng)變[16]。常用的剔除溫致應(yīng)變方法有經(jīng)驗(yàn)?zāi)B(tài)分解法(Empirical Mode Decomposition，EMD)和小波分解法。其中，小波分解法由于需設(shè)定小波基，致使車致應(yīng)變提取存在誤差；EMD方法則是根據(jù)數(shù)據(jù)集本身的時(shí)間序列特性對(duì)數(shù)據(jù)進(jìn)行分解，與其他方法相比，其優(yōu)點(diǎn)是不用預(yù)先設(shè)定基函數(shù)，該處理方式使得EMD方法在處理不平穩(wěn)、非線性特性數(shù)據(jù)序列方面具備明顯優(yōu)勢(shì)，且具有很高的信噪比，被廣泛應(yīng)用。對(duì)信號(hào)序列直接采用EMD方法進(jìn)行分解時(shí)，存在模態(tài)混疊問題，為解決該問題，在原始數(shù)據(jù)中多次加入白噪聲，然后再進(jìn)行EMD分解，即集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition, EEMD)算法[17]，EEMD算法步驟如下：

Step1將白噪聲n1(t)加入原始應(yīng)變數(shù)據(jù)ε(t)中，形成新的應(yīng)變數(shù)據(jù)ε1(t)。

Step2使用EMD方法對(duì)ε1(t)進(jìn)行分解處理，即可以得到多個(gè)有關(guān)本征模函數(shù)IMF1(Intrinsic Mode Function，IMF)。

Step3重復(fù)Step1和Step2，依次加入不同的白噪聲nn(t)。

Step4計(jì)算IMF1～I(xiàn)MFn的平均值，得到最終結(jié)果IMF。

本文使用EEMD方法分解了S1測(cè)點(diǎn)采集的應(yīng)變數(shù)據(jù)，分解前S1測(cè)點(diǎn)應(yīng)變數(shù)據(jù)見圖4，分解后S1測(cè)點(diǎn)應(yīng)變數(shù)據(jù)見圖5。由圖4和圖5可知，使用EEMD方法分解應(yīng)變數(shù)據(jù)后，原始數(shù)據(jù)被分解為9個(gè)不同的IMF，溫致應(yīng)變隨溫度變化會(huì)呈現(xiàn)出較為明顯的變化趨勢(shì)，圖5中后3個(gè)IMF分量變化趨勢(shì)明顯，因此根據(jù)其規(guī)律可以判斷出后3個(gè)IMF分量是由溫度變化所致。將溫致應(yīng)變剔除后的車致應(yīng)變見圖6，可以看出車致應(yīng)變不存在明顯趨勢(shì)項(xiàng)，故可認(rèn)為溫致應(yīng)變已剔除。

圖4 S1測(cè)點(diǎn)于2010年9月1日應(yīng)變數(shù)據(jù)序列

圖5 EEMD方法分解的IMF分量

圖6 S1測(cè)點(diǎn)于2010年9月1日車致應(yīng)變序列

2 列車荷載識(shí)別

2.1 列車荷載系數(shù)

目前，經(jīng)過(guò)該大跨度鋼桁架橋的電力機(jī)車車型有5種，各車型參數(shù)見表1。

表1 車型參數(shù)表

列車荷載識(shí)別問題是一個(gè)第二類逆問題，即已知橋梁對(duì)列車荷載的響應(yīng)，計(jì)算導(dǎo)致響應(yīng)的荷載。對(duì)于列車荷載的識(shí)別，本文對(duì)車頭上橋至車尾離橋時(shí)間段內(nèi)的應(yīng)變曲線進(jìn)行x軸積分，得到應(yīng)變曲線的影響面積[18]為

(3)

式中：A為應(yīng)變曲線的影響面積；ε(t)為應(yīng)變曲線，t為時(shí)間；v為車速，該橋結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)包含了車速監(jiān)測(cè)，因此不需對(duì)車速進(jìn)行計(jì)算。

在橋梁任意截面測(cè)點(diǎn)上，均存在以下關(guān)系[19]：

(4)

式中：G1、G2分別表示不同的列車荷載；AG1、AG2分別為對(duì)應(yīng)列車經(jīng)過(guò)時(shí)應(yīng)變曲線的影響面積。因此，本文定義列車荷載系數(shù)m為

(5)

由公式(5)可知，同一截面內(nèi)，列車荷載系數(shù)m應(yīng)為一個(gè)常數(shù)，受橋梁的結(jié)構(gòu)、材料等因素影響，若橋梁結(jié)構(gòu)處于健康狀態(tài)，m的變化范圍較小。若橋梁結(jié)構(gòu)出現(xiàn)損傷時(shí)，m會(huì)發(fā)生較大變化。在不考慮列車荷載橫向分布的前提下，僅需知道鐵路橋梁橋面系縱梁任意測(cè)點(diǎn)的應(yīng)變曲線影響面積和基準(zhǔn)列車重量，就能夠?qū)崿F(xiàn)列車重量的識(shí)別。

2.2 有效性驗(yàn)證

采用上述方法進(jìn)行某鋼桁架橋列車荷載識(shí)別，通過(guò)傳感器采集的應(yīng)變數(shù)據(jù)進(jìn)行荷載反推。鐵路橋梁上運(yùn)行的為多軸車，應(yīng)變曲線表現(xiàn)為多個(gè)峰值。經(jīng)分析，車頭經(jīng)過(guò)傳感器安裝位置時(shí)應(yīng)變峰值最大，因此，通過(guò)分析應(yīng)變曲線中應(yīng)變峰值判斷車頭位置進(jìn)而與表1中電力機(jī)車型號(hào)進(jìn)行匹配得出列車荷載系數(shù)m。使用2010年5月份S1測(cè)點(diǎn)的最大應(yīng)變峰值，計(jì)算影響面積A1=312.5，進(jìn)而得出列車荷載系數(shù)m=0.48，使用該系數(shù)對(duì)該測(cè)點(diǎn)5月份其他應(yīng)變峰值進(jìn)行列車荷載識(shí)別，部分結(jié)果見表2。

表2 列車荷載識(shí)別結(jié)果

由表2可以看出，由列車荷載系數(shù)m=0.48計(jì)算出的列車荷載結(jié)果，與表1中給出的經(jīng)過(guò)該橋的電力機(jī)車整備重量差別較小。為進(jìn)一步判斷列車荷載系數(shù)的合理性，對(duì)S1測(cè)點(diǎn)2010年5月全部監(jiān)測(cè)結(jié)果進(jìn)行列車荷載識(shí)別，識(shí)別結(jié)果見圖7。

圖7 識(shí)別結(jié)果

我國(guó)電力機(jī)車生產(chǎn)廠家對(duì)列車整備重量的誤差范圍為3%，因此，以列車標(biāo)準(zhǔn)整備重量的±3%作為誤差值。由圖7可以看出，經(jīng)過(guò)該橋列車荷載識(shí)別率為92.3%。由此可以得出，使用列車荷載系數(shù)m=0.48作為該橋健康狀態(tài)下列車荷載識(shí)別的根據(jù)是有效的。此外，該方法除了能夠識(shí)別電力機(jī)車荷載之外，還可對(duì)各車廂荷載進(jìn)行識(shí)別，進(jìn)而得知橋梁上通過(guò)的整車荷載。在后續(xù)橋面系局部健康狀態(tài)識(shí)別時(shí)，可以使用上述方法計(jì)算出的車重排除列車荷載原因造成的應(yīng)變異常情況，使得橋面系局部損傷判斷更為準(zhǔn)確。

3 CNN-LSTM橋面系局部健康狀態(tài)識(shí)別模型構(gòu)建

本文提出的基于CNN-LSTM的橋面系局部健康狀態(tài)評(píng)估模型主要分為以下幾個(gè)步驟：

Step1橋梁結(jié)構(gòu)健康數(shù)據(jù)采集與模型變量確定：使用橋梁健康監(jiān)測(cè)系統(tǒng)采集監(jiān)測(cè)數(shù)據(jù)，使用對(duì)橋面系局部損傷敏感的應(yīng)變響應(yīng)數(shù)據(jù)作為目標(biāo)變量。

Step2模型訓(xùn)練與參數(shù)設(shè)置：訓(xùn)練CNN-LSTM模型，通過(guò)交叉驗(yàn)證的方式確定模型最優(yōu)參數(shù)。

Step3結(jié)構(gòu)損傷預(yù)警閾值設(shè)定：將模型預(yù)測(cè)值和實(shí)測(cè)值殘差作為觀測(cè)值，通過(guò)EWMA確定結(jié)構(gòu)損傷預(yù)警閾值。

Step4損傷預(yù)警的判斷：將橋梁結(jié)構(gòu)監(jiān)測(cè)數(shù)據(jù)輸入CNN-LSTM模型，通過(guò)判斷預(yù)測(cè)殘差是否超過(guò)所設(shè)閾值進(jìn)行損傷預(yù)警。

3.1 CNN-LSTM模型構(gòu)建

目前，多數(shù)深度學(xué)習(xí)模型特征提取方法各有不同，CNN方法的特征提取主要是通過(guò)卷積核提取輸入數(shù)據(jù)的空間相關(guān)性特征，但CNN存在濾波器的限制，致使CNN無(wú)法獲得輸入變量中的時(shí)間相關(guān)性；LSTM方法加入了記憶單元和門控制思想，加入后能夠使LSTM模型充分學(xué)習(xí)輸入數(shù)據(jù)序列前后數(shù)據(jù)之間的依賴特征，進(jìn)而獲得時(shí)間相關(guān)性，彌補(bǔ)CNN的缺陷，因此本文將CNN與LSTM進(jìn)行串接，構(gòu)建出CNN-LSTM預(yù)測(cè)模型識(shí)別橋面系局部損傷。

模型輸入量為安裝在某大跨度鋼桁架橋橋面縱梁測(cè)點(diǎn)應(yīng)變傳感器采集的應(yīng)變值，輸出量為安裝在同截面對(duì)稱位置傳感器采集的應(yīng)變值，圖8為本文提出的CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)。由圖8可知，模型分為CNN-LSTM層和全連接層兩個(gè)主要部分，其中，CNN-LSTM層為核心層，包括CNN網(wǎng)絡(luò)部分和LSTM網(wǎng)絡(luò)部分，共計(jì)5層網(wǎng)絡(luò)層，7個(gè)輸入維度和1個(gè)輸出維度。在模型中CNN網(wǎng)絡(luò)部分，包括卷積層、池化層各一層，CNN網(wǎng)絡(luò)部分的核心作用是提取輸入時(shí)間序列中的數(shù)據(jù)特征。LSTM網(wǎng)絡(luò)部分有3層LSTM網(wǎng)絡(luò)，各層的神經(jīng)元數(shù)量依次為16、32、64，此外各層LSTM網(wǎng)絡(luò)間還添加了dropout，用以避免模型過(guò)擬合情況出現(xiàn)。全連接層則用于輸出預(yù)測(cè)的應(yīng)變數(shù)據(jù)。

圖8 CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)圖

3.2 模型參數(shù)選擇

本文在CNN參數(shù)設(shè)置的基礎(chǔ)上[20]，對(duì)CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進(jìn)行多次調(diào)整，最終確定了具體參數(shù)，見表3。

CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的超參數(shù)設(shè)置是否合理，關(guān)乎模型預(yù)測(cè)精準(zhǔn)度的高低，故選擇合適的模型超參數(shù)至關(guān)重要。比較常見的模型超參數(shù)選擇方法有網(wǎng)絡(luò)搜索法、貝葉斯優(yōu)化、遺傳算法以及交叉驗(yàn)證法等[21]，本文使用CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和橋梁結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)對(duì)橋梁結(jié)構(gòu)狀態(tài)進(jìn)行預(yù)測(cè)，涉及數(shù)據(jù)量龐大，因此在參照現(xiàn)有設(shè)計(jì)準(zhǔn)則[22]的同時(shí)，經(jīng)多次試驗(yàn)確定了模型的最優(yōu)超參數(shù)為：模型的最大迭代次數(shù)(max epochs)為300，迭代時(shí)使用早停止準(zhǔn)則，即當(dāng)模型損失沒有提升時(shí)停止訓(xùn)練；模型的學(xué)習(xí)率為0.001；batch size為1 024。

3.3 預(yù)警閾值設(shè)置

訓(xùn)練好的CNN-LSTM網(wǎng)絡(luò)模型用來(lái)表征橋梁健康監(jiān)測(cè)系統(tǒng)采集的應(yīng)變數(shù)據(jù)之間的函數(shù)關(guān)系。當(dāng)橋面系測(cè)試節(jié)間縱梁出現(xiàn)損傷時(shí)，橋面系縱梁關(guān)鍵測(cè)點(diǎn)應(yīng)變值會(huì)增大，使用CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，利用測(cè)點(diǎn)對(duì)稱性原理對(duì)S1測(cè)點(diǎn)應(yīng)變數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)結(jié)果與實(shí)際測(cè)量應(yīng)變數(shù)據(jù)必然會(huì)存在較大誤差。

當(dāng)橋梁處于健康狀態(tài)時(shí)，CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所預(yù)測(cè)殘差數(shù)值變化范圍固定在某一個(gè)區(qū)間內(nèi)，隨著橋梁在役時(shí)間的延長(zhǎng)，橋梁結(jié)構(gòu)狀態(tài)會(huì)隨之改變，預(yù)測(cè)殘差數(shù)值也一同增長(zhǎng)。因此，根據(jù)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)殘差數(shù)值的變化程度在橋梁結(jié)構(gòu)健康狀態(tài)評(píng)估工作中有重要的參考價(jià)值。本文通過(guò)設(shè)置閾值控制線對(duì)預(yù)測(cè)殘差數(shù)值進(jìn)行計(jì)算，閾值控制線則使用指數(shù)加權(quán)移動(dòng)平均(Exponentially Weighted Moving-average，EWMA)方法來(lái)確定。在測(cè)試階段，若預(yù)測(cè)殘差大于健康狀態(tài)下閾值控制線，說(shuō)明橋梁結(jié)構(gòu)已經(jīng)出現(xiàn)損傷，BSHMS等在線監(jiān)測(cè)程序就會(huì)對(duì)橋梁損傷情況及時(shí)自動(dòng)預(yù)警。

對(duì)某一個(gè)時(shí)間序列{y(1),y(2),y(3),…,y(t)}來(lái)說(shuō)，EWMA的統(tǒng)計(jì)量St為

St=λy(t)+(1-λ)St-1

(6)

式中：t為時(shí)間；λ為歷史監(jiān)測(cè)數(shù)據(jù)對(duì)當(dāng)下EWMA的統(tǒng)計(jì)權(quán)重，取值范圍通常在(0,1]，本文則選擇0.2作為其取值大小[23]。

(7)

由以上各關(guān)系，可以進(jìn)一步得出橋梁損傷預(yù)警的閾值LU(t)控制線計(jì)算公式為

LU(t)=μSt±LσSt

(8)

式中：L通常取值為3[24]；當(dāng)St超過(guò)閾值LU(t)時(shí)，系統(tǒng)發(fā)出預(yù)警。

4 CNN-LSTM橋面系局部健康狀態(tài)識(shí)別模型試驗(yàn)及結(jié)果分析

4.1 監(jiān)測(cè)數(shù)據(jù)相關(guān)性分析

為了驗(yàn)證溫度與應(yīng)變、不同測(cè)點(diǎn)應(yīng)變值之間的相關(guān)性，對(duì)集中的數(shù)據(jù)進(jìn)行相關(guān)性分析，圖9展示了本文試驗(yàn)數(shù)據(jù)中的一部分應(yīng)變數(shù)據(jù)與溫度數(shù)據(jù)隨時(shí)間變化曲線。由圖9可以看出，應(yīng)變數(shù)據(jù)的變化趨勢(shì)與溫度的變化趨勢(shì)相似，并且應(yīng)變數(shù)據(jù)變化趨勢(shì)存在一定的滯后性。由于本文所用數(shù)據(jù)集均來(lái)自鋼桁架橋同一縱梁應(yīng)變傳感器，且傳感器采用對(duì)稱布設(shè)，因此可以通過(guò)計(jì)算S1～S8測(cè)點(diǎn)實(shí)測(cè)應(yīng)變數(shù)據(jù)的相關(guān)系數(shù)，進(jìn)行不同測(cè)點(diǎn)應(yīng)變測(cè)試結(jié)果相關(guān)性驗(yàn)證，當(dāng)相關(guān)系數(shù)值越大時(shí)，可說(shuō)明測(cè)試數(shù)據(jù)的相關(guān)性越強(qiáng)，反之亦然，通過(guò)計(jì)算得出相關(guān)系數(shù)見表4。由表4可以看出，溫度與應(yīng)變之間、不同測(cè)點(diǎn)間應(yīng)變存在較強(qiáng)的相關(guān)性。為分析橋梁在運(yùn)營(yíng)狀況下的局部受力情況，剔除溫度對(duì)應(yīng)變響應(yīng)相關(guān)性的影響，本文使用EEMD算法成功提取了BSHMS系統(tǒng)中應(yīng)變數(shù)據(jù)中的車致應(yīng)變。

圖9 應(yīng)變與溫度變化曲線

表4 相關(guān)系數(shù)

4.2 數(shù)據(jù)集劃分

本文選取實(shí)測(cè)數(shù)據(jù)集的80%作為CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練數(shù)據(jù)集，剩余20%作為驗(yàn)證數(shù)據(jù)集。當(dāng)橋梁上通過(guò)一定列車荷載，橋面系縱梁出現(xiàn)開裂、剛度退化等情況時(shí)，縱梁的應(yīng)變值會(huì)隨之增加，基于此，本文在模型橋梁結(jié)構(gòu)損傷預(yù)警分析階段，通過(guò)增大應(yīng)變值模擬橋面系縱梁結(jié)構(gòu)損傷[25]，具體計(jì)算公式為

εd=ε+η·εr

(9)

式中：εd為橋梁出現(xiàn)損傷時(shí)的應(yīng)變值，即橋梁性能的退化程度；ε為橋梁結(jié)構(gòu)中橋面系縱梁測(cè)點(diǎn)實(shí)際測(cè)量的應(yīng)變數(shù)值；η為一個(gè)百分比系數(shù)，用來(lái)表征橋梁結(jié)構(gòu)中橋面系損傷情況的嚴(yán)重程度，當(dāng)取值為0時(shí)表示橋梁處于正常狀態(tài)，大于0表示橋梁出現(xiàn)損傷，且數(shù)值越大損傷程度越嚴(yán)重；εr代表橋梁結(jié)構(gòu)中橋面系縱梁應(yīng)變數(shù)據(jù)的變化范圍。

4.3 試驗(yàn)平臺(tái)及評(píng)價(jià)指標(biāo)

本文試驗(yàn)使用的物理機(jī)處理器為Intel i7-8700，內(nèi)存為32GB，CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型通過(guò)Python實(shí)現(xiàn)，使用基于Keras的深度學(xué)習(xí)工具Tensorflow作為框架。

評(píng)價(jià)深度學(xué)習(xí)模型性能的指標(biāo)有許多，使用評(píng)價(jià)指標(biāo)能夠很好地量化深度學(xué)習(xí)模型性能的優(yōu)劣，本文經(jīng)過(guò)調(diào)查研究時(shí)間序列預(yù)測(cè)文獻(xiàn)等，最終選擇平均絕對(duì)誤差eMAE和均方根誤差eRMSE作為CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型性能優(yōu)劣的指標(biāo)評(píng)價(jià)[26-28]，計(jì)算公式分別為

(10)

(11)

式中：N為樣本個(gè)數(shù)；Xact(i)為實(shí)測(cè)值；Xpred(i)為模型反歸一化后的輸出值，即模型預(yù)測(cè)值，Xpred(i)表達(dá)式為

Xpred(i)=X′(i)[X′max(i)-X′min(i)]+X′min(i)

(12)

4.4 橋梁健康狀態(tài)下模型測(cè)試

確定CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為橋面系局部健康狀態(tài)識(shí)別模型超參數(shù)，對(duì)某大跨度鋼桁架橋BSHMS采集的橋面縱梁測(cè)點(diǎn)應(yīng)變值進(jìn)行預(yù)測(cè)，圖10為CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練結(jié)果。由圖10可知，模型對(duì)S1測(cè)點(diǎn)應(yīng)變數(shù)據(jù)有很好地?cái)M合效果。

圖10 CNN-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果

為更直觀地說(shuō)明CNN-LSTM模型對(duì)大跨度桁架橋梁結(jié)構(gòu)橋面系局部損傷預(yù)警的適用性，此處將模型的預(yù)測(cè)相對(duì)殘差數(shù)值進(jìn)行可視化展示，結(jié)果見圖11。

圖11 CNN-LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)相對(duì)殘差

從圖11可以看出，CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型相對(duì)殘差數(shù)值波動(dòng)范圍介于[-0.01,0.01]，說(shuō)明模型在橋梁橋面系局部損傷預(yù)警方面有著良好的適用性。

為驗(yàn)證CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與其他深度學(xué)習(xí)模型的優(yōu)劣，將本文模型與RNN模型、CNN模型、LSTM模型在相同環(huán)境下，使用相同數(shù)據(jù)集進(jìn)行對(duì)比試驗(yàn)?？紤]模型參數(shù)對(duì)試驗(yàn)預(yù)測(cè)結(jié)果影響較大，試驗(yàn)均采用交叉驗(yàn)證的方式，對(duì)比經(jīng)多次試驗(yàn)得到的最佳預(yù)測(cè)模型，計(jì)算每種模型的MAE和RMSE，結(jié)果見表5。由表5可知，在相同環(huán)境下，本文模型相較于RNN、CNN、LSTM有良好的預(yù)測(cè)效果，優(yōu)勢(shì)明顯。

表5 不同模型預(yù)測(cè)結(jié)果對(duì)比

4.5 橋面系測(cè)試節(jié)間縱梁損傷狀態(tài)下模型測(cè)試

本文通過(guò)式(9)模擬該鋼桁架橋橋面系局部性能退化出現(xiàn)損傷，利用η表征橋梁損傷工況，本次試驗(yàn)?zāi)M將η設(shè)置為5%，將包含橋梁結(jié)構(gòu)出現(xiàn)損傷時(shí)的監(jiān)測(cè)數(shù)據(jù)作為數(shù)據(jù)集輸入至CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，將模型預(yù)測(cè)結(jié)果與橋梁健康狀態(tài)時(shí)設(shè)置的閾值控制線進(jìn)行對(duì)比，對(duì)比結(jié)果見圖12。

圖12 指數(shù)加權(quán)移動(dòng)平均之后的相對(duì)殘差

由圖12可以看出，橋梁結(jié)構(gòu)橋面系存在損傷時(shí)，采用CNN-LSTM模型進(jìn)行預(yù)測(cè)，表明其殘差數(shù)值已超過(guò)橋面系處于健康狀態(tài)時(shí)所設(shè)置的閾值控制線，說(shuō)明在橋梁結(jié)構(gòu)出現(xiàn)橋面系局部損傷時(shí)，模型能夠?qū)崿F(xiàn)損傷預(yù)警。

在實(shí)際識(shí)別時(shí)，可利用前述列車車型及荷載識(shí)別結(jié)果，對(duì)測(cè)試應(yīng)變進(jìn)行歸一化處理，即去除列車荷載變化導(dǎo)致的應(yīng)變幅值變化，進(jìn)而提高損傷預(yù)測(cè)識(shí)別的準(zhǔn)確度。

5 結(jié)論

本文研究了大跨度鋼桁架橋上列車荷載識(shí)別與局部損傷預(yù)警問題，得出以下結(jié)論：

(1)在對(duì)比分析現(xiàn)有數(shù)據(jù)處理技術(shù)基礎(chǔ)上，使用EEMD方法提取了BSHMS中的車致應(yīng)變數(shù)據(jù)，成功剔除了因溫致應(yīng)變導(dǎo)致的橋梁結(jié)構(gòu)響應(yīng)相關(guān)性變化的影響。

(2)根據(jù)車致應(yīng)變數(shù)據(jù)與車速信息計(jì)算出了列車荷載系數(shù)，進(jìn)一步計(jì)算出了列車總體重量，通過(guò)某鋼桁架橋?qū)崪y(cè)數(shù)據(jù)驗(yàn)證了列車荷載系數(shù)的有效性。

(3)提出了基于CNN-LSTM的橋梁健康監(jiān)測(cè)損傷預(yù)警模型，使用橋梁結(jié)構(gòu)處于健康狀態(tài)時(shí)的監(jiān)測(cè)數(shù)據(jù)，以提取的車致應(yīng)變數(shù)據(jù)作為模型訓(xùn)練的輸入量，作為CNN-LSTM模型的訓(xùn)練數(shù)據(jù)，根據(jù)訓(xùn)練后的模型預(yù)測(cè)結(jié)果殘差，使用EWMA控制圖來(lái)設(shè)置預(yù)警閾值，用于橋梁結(jié)構(gòu)損傷識(shí)別。

(4)使用某鋼桁架橋健康監(jiān)測(cè)系統(tǒng)中的實(shí)測(cè)數(shù)據(jù)集，對(duì)所提橋梁結(jié)構(gòu)損傷預(yù)警模型進(jìn)行試驗(yàn)驗(yàn)證；對(duì)比不同的預(yù)測(cè)方法，發(fā)現(xiàn)CNN-LSTM模型預(yù)測(cè)效果最好，能夠利用結(jié)構(gòu)響應(yīng)相關(guān)性進(jìn)行應(yīng)變預(yù)測(cè)。使用含橋梁結(jié)構(gòu)損傷狀態(tài)的數(shù)據(jù)集對(duì)所提方法進(jìn)行驗(yàn)證，證明該模型能夠用于橋梁損傷預(yù)警。

本文在損傷識(shí)別預(yù)測(cè)中，主要考慮了列車荷載、應(yīng)變和溫度在時(shí)空上的相關(guān)性，嘗試僅通過(guò)應(yīng)變單一因素進(jìn)行局部健康狀態(tài)評(píng)定和損傷識(shí)別的可行性，通過(guò)增加測(cè)試截面，可以擴(kuò)展損傷識(shí)別的范圍，提高識(shí)別的效率，本文研究對(duì)BSHMS系統(tǒng)在列車荷載和損傷識(shí)別方面的應(yīng)用具有參考意義。