基于温度与支座位移相关性的斜拉桥损伤预警

胡铁明, 苟红兵, 张冠华, 丁科翔

(1. 沈阳大学 辽宁省环境岩土工程重点实验室, 辽宁 沈阳　110044;

2. 辽宁省交通规划设计院, 辽宁 沈阳　110166; 3. 沈阳城市学院, 辽宁 沈阳　110112)



基于温度与支座位移相关性的斜拉桥损伤预警

胡铁明1, 苟红兵1, 张冠华2, 丁科翔3

(1. 沈阳大学 辽宁省环境岩土工程重点实验室, 辽宁 沈阳110044;

2. 辽宁省交通规划设计院, 辽宁 沈阳110166; 3. 沈阳城市学院, 辽宁 沈阳110112)

摘要:为了充分利用桥梁健康监测系统采集的海量数据,健全大跨钢箱梁斜拉桥结构健康评估方法, 以辽河特大桥健康监测系统为依托,运用小波分析法对辽河特大桥南北塔为期10个月的支座位移数据进行了滤波与重构.通过大量试验选取神经网络参数,构建了BP神经网络,对重构后的支座位移与环境温度相关性模型进行训练,建立人工神经网络评估模型,并对模型进行检验,检验结果表明:对神经网络预测值与实际值误差取5%的显著性水平作为误差代表值能够有效地反映结构健康状况.

关键词:桥梁工程; 支座位移; 神经网络; 小波分析; 状态评估

目前我国的桥梁建设处于世界前沿,国内外很多大型桥梁都建立了健康监测系统,其主要功能是将监测到的环境条件、结构本身状态行为等桥梁信息进行显示并储存.然而,目前结构健康状态评估的理论和方法并不完善,导致很大一部分桥梁的结构健康监测系统只能对测试数据采集与保存,而不能对结构健康状态进行评估[1]. 如何将桥梁健康监测系统采集的海量数据科学合理的运用是目前桥梁学者们研究的一个新领域.

结构的损伤预警技术为土木结构领域的一个新的分支,经过20多年不断的发展人们提出了多种损伤预警的理论和方法,结构的损伤成因及预警技术成为了目前土木结构领域研究的热点[2-6].结构的损伤预警方法,按照处理方式的不同大致可以分为下面两类,一类为对原始数据进行分析整合,如动力指纹法、模型修正法、神经网络法、主成分分析法等[7].第二类为对采集数据自身特性进行直接分析,如模态分析法、小波分析法[8]、傅里叶变换等方法,其中小波分析法最具代表性.以前学者研究成果主要是针对结构某一点震动动力参数进行测试分析,分析结构的局部损伤情况,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载荷的方法直接计算结构的模态参数再叠加上不同量级的噪声作为含噪损伤指标,根据学者们的研究成果,有限元法含噪损伤大部分要求构件损伤程度50%以上[10].这应用于对于实际工程并不理想.本文针对在役钢箱梁斜拉桥提出了一种基于桥梁支座位移与环境温度相关的桥梁损伤识别方法.该方法首先运用小波分析法对采集的数据进行滤波去噪,其次采用BP神经网络法对斜拉桥支座位移与环境温度的特征向量进行提取,建立支座位移与环境温度两者之间的相关性模型.然后运用训练好的的神经网络模型对采集到的数据进行分析,将神经网络输出的值与实际测量的值进行对比,如果误差大小达到或超过允许值则对结构做出损伤预警.通过对辽河特大桥支座位移进行仿真分析,证明该方法具有较高的适用性与可靠度.

1样本信号预处理与特征值提取

由于桥梁支座位移监测受外部环境及内部自身因素相结合的复杂状况,采集的数据含有一定的噪声,所以对被测对象进行滤波是结构状态识别的第一步.

小波分析法为目前数字信号处理中最为成熟的处理方法之一,其具有良好的时频分析能力和多分辨率的特性,特别适合于处理非平稳信号.针对支座位移数据的特性,本文选取离散小波对支座位移信号进行分析,离散小波分解算法为

(1)

式中:Wj,k(t)为二进离散小波基函数;j为尺度参数;k为平移参数.相应的重构算法为

(2)

若小波函数正交, Wj,k(t)构成L2中子空间Wj的正交基.设WM为VM在VM-1上中补空间,数学表达式为VM-1=WM⊕VM,即对于任意函数f(t)∈V0可以将它分解为空间VM-1上的细节部分WM和近似部位VM.

小波分析是对数据低频部分分解,而小波包不仅在低频部分分解在高频部分也分解.它相对小波分析法具有更高更详细的时频分辨率,并能够自动依据被分解信号的特点,选择合适的小波包基将信号进行分解,因此小波包应用更加广泛[11].因此本文选用小波包对支座位移信号进行降噪.离散小波分包算法为

(3)

(4)

小波多分辨率分析和小波包分析两者的分解结构树图见图1.

图1　小波分解示意图

辽河特大桥健康监测系统的支座位移的采集频率为1 Hz.作者通过大量实验后,选用小波包db8对支座位移样本进行3层小波变换滤波,然后对滤波后的信号进行单支重构.本文对辽河特大桥营口侧2013年9月1日梁端的支座位移进行了滤波与重构,结果见图2.

由图2可以看出小波分解后的图形变得光滑,保留了原信号的变化趋势,并且消除了部分奇异点.在原始信号奇异点处,小波滤波效果较好,文中9月1日重构信号与原始信号的误差最大达到3 mm.

图2　小波分解与重构结果对比图

2桥梁支座位移与环境温度相关性模型

辽河特大桥为辽宁省滨海公路中的一座大型桥梁,位于营口、盘锦两市交界辽河入海口处,为目前我国寒冷地区第一大跨径钢箱梁斜拉桥,桥跨布置为

62.3+152.7+436+152.7+62.3m.

选取2013年9月1日每10 min支座位移与环境温度均值进行时程曲线分析.经分析发现支座位移日变化符合曲线符合公式

(5)

对2013年9月1日支座位移进行曲线拟合拟合结果为

(6)

表明大桥梁端支座位移变化规律为:从每天零时到6时,支座位移随环境温度降低而增大;从6时到日温度最大值时,支座位移不断负向增大达到日最大值;从日温度最大值时到夜间零时,支座位移又回到正向最大值的周期性规律(注支座位移正值表示收缩,负值表示伸长).对2013年9月1日环境温度与支座位移每10 min均值进行时程曲线绘制见图3.

利用第一节提到的滤波方法对支座位移数据滤波后,再对重构后的支座位移数据与环境温度数据以小时为单位取每小时样本平均值,将每小时环境温度与支座位移组队,即每小时一对数据,一天24对,每月所有的对数组成一个小组.本文对辽河特大桥南北塔2013年7月~2014年4月共计20组数据进行了滤波且建立了月相关性模型.限于篇幅仅列出2013年9月、12月营口侧梁端支座位移与温度的相关性模型见图4、图5.

图3　营口侧梁端支座位移与温度时程曲线

图4　2013年9月营口侧梁端支座位移温度相关性

图5　2013年12月营口侧梁端支座位移温度相关性

通过对2013年7月—2014年4月环境温度与支座位移曲线拟合,拟合结果表明每月两者关系都符合线性规律,且斜率范围都在-4.2~-6.5之间.虽然每月数据都超过了600组,但拟合度除2013年9月为0.78其余每月均接近于0.84,表明辽河特大桥梁端支座位移与环境温度之间符合线性规律,具有相关性.

3支座位移与环境温度神经网络模型建立

3.1　BP神经网络

BP神经网络机理为模拟人的大脑,进行并行与串行组合处理系统,BP神经网络是目前使用最广的人工神经网络算法.其基本思路是:将输入信号从输入层输入,每个信号根据与下层的权值将自身分解给下层,下层得到的数值经自身函数(也称阈值)作用后得到新值,新值重复上面步骤直到最后层为输出层,输出层得到输出信号;然后将输出值与实际值的误差进行反向传播,网络自动修改各层间的权值和阈值,如此循环,直到网络全局的误差最小[12],具体的流程如图6.本文将环境温度变量特征值作为BP神经网络的输入,桥梁的支座位移作为输出建立神经网络模型.

图6　BP神经网络流程图

3.2　BP神经网络建模

鉴于温度与支座位移数据采集量大的特点,本文仅对2013年7月、9月、11月,2014年1月,营口侧每月720对数据进行神经网络建模训练,用2014年2月672对数据对训练后的模型进行检验.经过反复试验确定本文的BP神经网络选取1个隐层,隐层节点数为15,隐层神经元采用tansig型函数;而输出层采用purelin型传递函数;训练方法采用量化共轭梯度法[13].此方法用于此模型,训练精度能够达到0.007.对672对检验数据用于检验,检验结果见图7.

图7　672对数据预测值与实际值对比图

利用matlab软件对数据进行检验,得出量化共轭梯度法对本模型神经网络模型训练时,前20次下降速率特别快,20~2 000次时下降效果不明显.表明量化共轭梯度法具有前20次训练效率高的特性.由图7可以得出本文的神经网络法预测出的值与实际值走势基本相似,预测值普遍比实际值小的特性.

为了进一步分析672对数据误差特性,作者将672个误差值进行概率统计,分析得出误差均值为-6.6 mm,误差范围为-33.9~16.4 mm,幅度为50.3 mm;对误差取5%的显著性水平,误差范围为-25.1~9.9 mm,幅度为35 mm;实际范围98.6~194.2 mm,幅度为95.6 mm;误差取5%的显著性水平幅度为实际幅度的36.6%.表明运用本文使用的神经网络模型进行预测,预测结果中大部分预测值相对实际值偏小.误差取5%的显著性水平的误差值作为支座位移的损伤预警,更有代表性,且具有较好的预测效果.对误差值分布情况进行统计,统计结果见图8.

图8　672个误差值概率统计图

对概率分布图进行曲线拟合,拟合的结果服从高斯分布且拟合度为0.91,拟合函数为:

(7)

4结论

(1) 运用小波包对采集的信号进行分解,能够有效的滤掉信号的高频部分,将滤波后的信号单支重构能够得到较为理想的支座位移信号.

(2) 运用BP神经网络进行预测的支座位移值与实际值的差值服从高斯分布,取5%的显著性水平误差作为代表值具有较强的代表性,运用于桥梁的损伤预警具有较好的效果.

本文按月进行神经网络模型建立、预测,以减小预测值与实际值的误差,这也是未来辽河特别大桥养护的发展方向.

参考文献:

[ 1 ] 李爱群,丁幼亮,王浩,等. 桥梁健康监测海量数据分析与评估:“结构健康监测”研究进展[J]. 中国科学:技术科学, 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 ] 姜涛,刘邦禹,王会利. 桥梁水毁成因分析及防治措施综述[J]. 沈阳大学学报:自然科学版, 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 ] 左广超,王会利,秦泗凤. 双层钢桁架吊桥锚箱疲劳分析[J]. 沈阳大学学报:自然科学版, 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,顾正维,孙炳楠,等. 基于小波分析的桥梁健康监测方法[J]. 工程力学, 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 ] 李忠献,杨晓明,丁阳. 应用人工神经网络技术的大型斜拉桥子结构损伤识别研究[J]. 地震工程与工程振动, 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 ] 郑婷婷,虞庐松. 基于神经网络的斜拉索损伤识别研究[J]. 兰州交通大学学报:自然科学版, 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] 李如玮,鲍长春,窦慧晶. 基于双正交小波包分解的自适应阈值语音增强[J]. 仪器仪表学报, 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] 邓林峰,赵荣珍,龚俊. 一种改进的转子振动信号消噪方法研究[J]. 仪器仪表学报, 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,马保林,等. 基于神经网络的混凝土斜拉桥健康状态评估技术研究[J]. 武汉理工大学学报, 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] 许东,吴铮. 基于MATLAB 6.0的系统分析与设计神经网络[M]. 西安:西安电子科技大学出版社, 2002.

【责任编辑: 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

中图分类号:U 446

文献标志码:A

作者简介:胡铁明(1972-),男,辽宁沈阳人,沈阳大学教授,博士.

文章编号:2095-5456(2015)01-0055-05