基于BP神经网络的改进型新奇检测技术诊断大跨度拱桥异常状态

王涛， 张丽莎， 高岩

(1.北京理工大学 自动化学院， 北京 100081；2.中国铁道科学院铁道建筑研究所， 北京 100081)



基于BP神经网络的改进型新奇检测技术诊断大跨度拱桥异常状态

王涛1， 张丽莎1， 高岩2

(1.北京理工大学 自动化学院， 北京 100081；2.中国铁道科学院铁道建筑研究所， 北京 100081)

为了诊断大跨度拱桥的异常状态，使用了基于BP神经网络的改进型新奇检测技术的方法，该方法通过BP神经网络对大量实测数据进行训练，得到桥梁状态正常时的新奇指标，并确定阈值，通过阈值判定是否发生异常. 经实际分析以及实测数据的验证，该方法可以较准确地识别大型桥梁异常情况，并可以定位异常区域，避免了模型误差的影响，大大提高了方法的实用价值，同时降低了漏警、虚报警，使识别结果更为准确，更符合实际要求.

桥梁工程；异常诊断；新奇检测技术；大跨度拱桥

近年来，系杆拱桥因其线形优美、跨越能力强，具有传统拱式建筑的艺术特征，在我国各大城市得到迅速发展，特别是钢管混凝土拱桥，己成为我国一种主要的桥型[1]. 由于桥梁跨越江河湖海，易受周围大气、温度、湿度及天气的影响而发生劣化以及长期承受动荷载等特点. 作为拱桥的主要承重元件：吊杆与拱肋，很容易发生腐蚀和疲劳损伤[2]. 为了确保拱桥的安全运营，对吊杆和拱肋进行实时监测与定期检测，对吊杆以及拱肋的损伤进行及时识别，并对桥梁结构的耐久性以及整个桥梁的健康度进行评估有十分重要的意义[3].

桥梁健康监测系统可以分为：数据的采集、数据的分析和损伤诊断. 其中，损伤诊断是核心问题[4]. 结构损伤检测可分为[5]：动力指纹法、模型修正与系统识别法、神经网络法. 其中，动力指纹法多是针对实验室条件下的某种特定结构或构件具有较好的识别效果，而对实际工程结构的识别效果往往不理想. 模型修正的损伤识别法依赖于构件的有限元模型的准确性，但是由于非结构构件的影响，使得所建的模型与实际的往往出现误差，影响判定结果.

基于BP神经网络的新奇检测技术仅需要一定量的实测数据，不需要数值模型就可以有效识别出损伤的发生，已逐渐受到关注. 高赞明等[6]等利用基于神经网络的新奇检测技术，以结构的自振频率为神经网络的输入，以香港汲水门斜拉桥为对象，进行了结构损伤预警的研究，表明该方法能很好地用来进行损伤预警. 王修勇等[7]利用基于神经网络的新奇检测技术用于进行状态位置识别，研究了位置识别的方法，并进行了有限元仿真分析和实测数据分析，结果表明该方法可行. 本文探讨了使用基于BP神经网络的改进型新奇检测技术对桥梁结构的异常位置识别的方法，并将该方法应用于大跨度拱桥损伤位置识别.

1 新奇检测技术

1.1 基于BP神经网络的新奇检测

新奇检测是识别与已知的模式相比具有明显差别的新模式，从输入数据中提取新的、不正常或不熟悉的特征[7]. 使用正常运营时的健康状态条件下的实测数据作为训练网络的输入向量，同时又作为输出目标. 通过训练神经网络，使网络学习输入向量的主导特征，建立结构健康状态下的模式. 当结构发生异常时，由于结构的模式发生了改变，输出向量将明显偏离输入向量，从而实现状态损伤识别.

1.2 改进型新奇检测指标与阈值设定

为了判定两种模式是否发生了变化，需要一个指标来判别BP神经网络的输入向量跟输出向量的偏离大小，该指标可由一个距离函数来表示. 本文采用BP神经网络的输入向量(理论输出目标)和输出向量(实际输出目标)差的二次范数作为新奇指标[7].

将结构正常状态下的测量数据作为BP神经网络的输入向量，同时作为输出向量训练BP神经网络. 神经网络训练完成后，可以将其余的多组正常数据作为输入向量再一次输入到训练好的神经网络，产生对应的输出向量. 并按照式(1)[7]计算，得到结构状态正常时的新奇指标. 与传统方法确定新奇指标不同的是本文中使用原始样本数据中非训练数据生成的新奇指标作为结构正常时的新奇指标，之前新奇指标确定都是使用训练阶段时的数据作为输入向量，根据神经网络训练后，输入向量会无限逼近输出向量，此时计算的新奇指标相对较小，使用时易引发虚报警. 传统与改进型新奇指标与阈值设置流程图如图1.

(1)

式中：I为网络的输入向量；O为由I产生的输出向量；N为输入向量的维数；Ii、Oi分别为向量I和O的第i个元素.

在检测阶段，将采集到的实测数据作为检测阶段的输入向量It，输入到训练好的神经网络，得到输出向量Ot，并按照式(2)[7]进行计算，得到检测阶段的新奇指标λt.

(2)

结构状态发生变化是根据结构正常阶段和检测阶段的新奇指标的比较来判定的，如果结构状态发生了变化，则在检测状态的新奇指标就会与结构正常时的新奇指标有很大的差别，但是由于训练阶段可以得到多组新奇指标λ，为了能够更好地定量判断损伤的发生，可以引入阈值δλ，如式(3)[7]所示

(3)

式中：δλ为判定异常的阈值；λv、σλ分别为神经网络训练完成后，多组正常输入向量的新奇指标的均值和标准差.

通过检测阶段的新奇指标λt与阈值δλ进行比较，当新奇指标λt大于判定的阈值时，便可判定结构状态发生了变化，同理，可以根据新奇指标的大小，来判定状态发生变化的程度.

2 新奇检测技术在大跨度拱桥异常诊断中的应用

2.1 工程概述

丫髻沙大桥是广州市东南西环高速公路上的一座特大桥，大桥全长1 084 m，跨越主航道为(76+360+76) m三跨连续自锚式钢管混凝土拱桥.

结合丫髻沙大桥的结构特点及维修加固内容，丫髻沙大桥健康监测内容主要包括吊杆索力、拱肋应力与温度钢横梁应力等3个部分，各部分具体监测内容如下：

① 吊杆索力监测：安装压力传感器的吊杆编号为4#、17#、30#. 采集频率为20 Hz.

② 拱肋应力监测：测试区域选择拱脚及主拱2L/8～6L/8，上下游共12个截面. 测试截面布置及截面测点布置见图2所示，光纤式应变计共布置54个；温度计24个. 每个拱肋截面包括4个应变测点、2个温度测点，每2个应变测点对应1个应变测点，采集频率为1 Hz.

③ 钢横梁应力监测：监测横梁为4#吊杆、17#吊杆对应横梁. 测试横梁及测点布置见图3，采集频率为20 Hz.

2.2 拱桥状态异常识别方法

新奇检测技术可以比较容易实现整体状态评估，但是不能直接识别出损伤的位置. 当拱肋某一部位发生损伤或者失效后，同拱肋侧与相邻的拱肋应变变化较大，对于吊杆而言，当吊杆某一部位发生损伤时或者失效时，同一吊杆侧与其相邻的吊杆索力变化也比较大. 由于吊杆与刚横梁是链接在一起的，可以将吊杆与刚横梁作为一个区域进行损伤识别. 因此，通过监测数据如吊杆索力，刚横梁应变、拱肋应变与温度，可以对不同区域是否发生异常进行识别，确定异常区域.

将状态异常识别分成两个阶段：第一个阶段是整体状态识别；第二个阶段是状态异常位置识别. 这两个阶段都使用新奇检测技术来实现.

2.2.1 实测数据预处理

由于健康监测系统实测数据受外部环境温度以及实时荷载情况的变化很大，所以用于拱桥状态评估的数据需要进行预处理. 预处理的目的是：实测数据初步诊断与统计，过滤环境干扰因素，生成神经网络的输入向量.

结合实际情况，用于整体状态异常评估的每个输入向量由48个拱肋应变、相对应的24个拱肋温度、6个吊杆索力、2个刚横梁应变共80个测点组成80维的输入向量.

对于异常评估系统，保证数据的时间统一性是一个很重要的问题. 由于对于大跨度拱桥来说，吊杆是直接受力构件，也是荷载最敏感构件. 所以每分钟对6个吊杆进行极大值提取，并相应提取每个吊杆极大值产生的时间，根据极大值产生的时间调取该时间对应的拱肋应变、温度等其他测量数据，形成6组80维的输入向量.

2.2.2 神经网络训练

健康监测系统已经有大量的历史数据，利用这些历史数据，对实测数据进行预处理后，提取出大量的输入向量序列. 为了保证诊断结果的可靠性，使每个季节的数据都参与训练，每天取6组吊杆极值对应值，一年总共2 100多组输入向量.

对于整体状态异常评估和异常位置识别，都将神经网络设计为含有“瓶颈”的4层BP神经网络. 将网络结构设计为：80-64-64-80， 4层前馈BP网络. 第2层与第3层的传递函数取为tan-sig，1层跟2层以及3层跟4层之间采用线性传递函数purelin函数. 通过训练可以得到训练好的神经网络(整体状态网络)，若采用传统方法计算得到新奇指标为δλ=35.3，基于改进型的新奇指标为δλ=42.6. 将δλ与λt两者进行比较，其差异可判定异常是否发生.

由于传统计算的阈值相对很小，容易引发虚警. 以2012年12月2日的数据为例. 整体新奇指标变化如图4所示.

由图4可知若采用传统计算的新奇指标引发的

异常明显多于改进型计算的新奇指标，通过后期对实测数据和监控录像分析，采用传统计算的新奇指标引发的异常有多次为虚报警.

2.2.3 异常位置识别

当整体状态发生异常时，采用逐级分区识别的方法，逐步实现异常位置识别功能. 结合丫髻沙大桥的实际监测状况，异常位置识别采用3级分区识别. 第一分区，确定异常位置处于上游侧或下游侧；第二分区，区分异常位置出现在拱肋构件或者吊杆、刚横梁构件；第三分区，确定具体异常位置. 通过3级分区，一共可以得到22个神经网络. 具体如表1所示.

表1 神经网络结构及阈值表

2.2.4 工程验证

由于丫髻沙大桥整体状态是正常的，但是丫髻沙大桥正处于运营中时常会有超载车辆通过，当超载车辆通过桥梁时，理论上桥梁受力会发生异常.

以2012年12月2日的数据为例，用实测数据对该拱桥异常状态识别方法进行验证. 在整体异常状态识别阶段，新奇指标大于设定阈值时，就会自动启动状态异常位置识别程序. 整体新奇指标变化如图5所示. 当新奇指标超过设定阈值时，开始逐步分区识别.

① 第一分区，新奇指标如图6所示，上游网络的新奇指标大于设定阈值，下游网络的新奇指标小于设定阈值，说明状态异常出现在上游，下游正常.

② 第二分区，目的是检测异常发生在上游拱肋处或上游吊杆钢横梁处，新奇指标如图7所示，拱肋和吊杆钢横梁处的新奇指标都超过了既定阈值. 说明异常在拱肋和吊杆钢横梁处都有发生.

③ 第三分区：根据第二分区识别的结果，对上游拱肋和上游吊杆横梁截面进行进一步分区. 第三分区识别的新奇指标如图8所示，上游拱肋D截面与上游吊杆钢横梁4#、17#截面新奇指标均大于设定阈值. 根据对健康监测系统的实际采集吊杆索力数据(kN)的分析，如图9所示，吊杆4#、17#、30#依次出现比较大波动，波动幅度超过原荷载的10%，通过该数据分析可知，有大型超载车从丫髻沙大桥的上游侧依次通过4#、17#、30#吊杆，通过调取当时监控录像，确实发现有大型超载车出现.

通过后期对实测数据和监控录像分析的结果与该拱桥状态识别方法识别的结构完全吻合，之后吊杆索力恢复正常，同时状态识别新奇指标也恢复正常，说明这次异常没有对桥梁造成直接的损害，桥梁整体安全，与人工巡检结论类似. 同时可以发现，大型超载车对于桥梁结构的受力产生了比较大的影响.

3 结 论

本文探讨了基于BP神经网络的新奇检测技术对桥梁结构异常状态与位置识别的方法. 将该方法应用于大跨度拱桥损伤位置识别，并且用现场实测数据进行了验证. 结果表明，该方法不但可以对捕捉超载车辆对结构整体运营状态产生的影响，而且可以对异常位置进行较为准确的识别.

[1] 杨坤，罗鹏.浅谈系杆拱桥病害机理及加固方法[J].城市建设理论研究，2013(22):14-16．

Yang Kun， Luo Peng. Disease mechanism and strength

ening methods on tied archbridge[J]. Urban Construction Theory Research，2013(22):14-16. (in Chinese)

[2] 姚翔.系杆拱桥吊杆破损研究[D].上海:同济大学，2002.

Yao Xiang. On the damage of hanger of tied arch bridges[D]. Shanghai: Tongji University，2002. (in Chinese)

[3] 荆秀芬.钢管混凝土系杆拱桥养护技术研究[J].桥梁建设，2002(6):1-5．

Jing Xiufen. Research of maintenance techniques for concrete-filled steel tube tied arch bridges[J]. Bridge Construction，2002(6):1-5. (in Chinese)

[4] 杜德润，仇德伦，李爱群.神经网络技术在土木结构健康监测中的应用[J].无损检测，2004，26(8):383-387．

Du Derun， Chou Delun， Li Aiqun. Application of artificial neural network on structural health monitoring in civil engineering[J]. Nondestructive Testing， 2004，26(8):383-387. (in Chinese)

[5] 谢强，薛松涛.土木工程结构健康监测的研究状况与进展[J].中国科学基金，2001，15(5):285-288.

Xie Qiang， Xue Songtao. Research state and advances on structural health monitoring in civil engineering[J]. Bulletin of National Natural Science Foundation of China， 2001，15(5):285-288. (in Chinese)

[6] 孙宗光，高赞明.基于新奇检测技术的桥梁结构损伤预警方法[J].公路交通科技，2007，24(10):72-75．

Sun Zongguang， Gao Zanming. Damage alarming of bridge structures based on novelty detection technique[J]. Journal of Highway and Transportation Research and Development， 2007，24(10):72-75. (in Chinese)

[7] 王修勇，温青.基于新奇检测技术的斜拉索状态评估[J].公路交通科技，2011(9):54-55.

Wang Xiuyong， Wen Qing. Condition assessment for stay cables of cable-stayed bridge based on novelty detection technique[J]. Journal of Highway and Transportation Research and Development， 2011(9):54-55. (in Chinese)

(责任编辑：李兵)

Abnormality Identification of Large-Span Arch Bridge Based on BP Neural Improved Novelty Detection Technique

WANG Tao1， ZHANG Li-sha1， GAO Yan2

(1.School of Automation， Beijing Institute of Technology， Beijing 100081， China;2.Railway Engineering Research Institute， China Academy of Railway Sciences， Beijing 100081， China)

In order to identify abnormal state of large-span arch bridge， an improved novelty detection technique based on BP neural algorithm was used. The method used BP neural to train a large number of measured data and got the novelty index when bridge state was normal. Then the threshold and whether the bridge abnormal or not was determined. Combined with concrete situation and data analysis， the method can accurately identify the abnormal region. The method， which avoids the effect of the model error， can greatly improve the practical value， decrease false alarm， make the identification result more accurate and more practical．

bridge engineering; abnormality identification; novelty detection technique; large-span arch bridge

2014-10-17

中国铁道科学研究院基金资助项目(1051GC7604)

王涛(1971—)，男，博士，副研究员，E-mail:wangtaobit@bit.edu.cn.

U 488.22

A

1001-0645(2016)02-0157-06

10.15918/j.tbit1001-0645.2016.02.010