基于多源信息融合的运行期渡槽结构健康状态诊断研究

尹健梅，刘 涵，代红波，于 航，李永庆

（1. 中国电建集团昆明勘测设计研究院有限公司， 昆明650000；2. 天津大学 水利工程仿真与安全国家重点实验室，天津300350；3. 水利部海河水利委员会科技咨询中心，天津300170）

渡槽作为引水工程中的主要水工结构， 如何进行结构状态监测、安全分析及加固检修是重要的。渡槽的缺陷和病害对建筑物安全影响很大， 需要在科学的监测检测评估之后对症下药。 目前关于渡槽结构运行安全方面的研究，多为从功能性角度出发，在安全性、适用性、耐久性三方面对渡槽健康状态进行描述，采用的方法有不确定性层次分析法［1］、多元线性回归法进行渡槽沉降变形监测［2］、模糊综合评价法［3，4］对各评价指标进行定量划分或定性描述，确定指标权重，从而进行渡槽健康状态评价。而随着物联网技术、计算机技术等信息化水平的提高，各类渡槽的安全监测仪器的产出， 优化布置传感器对渡槽运行状态进行科学的监测同时结合智能算法实现渡槽健康状态的实时监控预警， 有助于发现渡槽结构早期病害，及时维护与加固。

综上， 本文首先本文对运行期渡槽结构健康状态评价指标进行了分析， 采用监测检测数据进行定量定性分析， 并对渡槽的运行期状态进行了等级划分。然后在第2节采用层次融合模型的思路提出渡槽结构健康状态诊断模型，通过对变形监测传感器、应力应变传感器、 裂缝及人工检测数据进行数据预处理，去除缺失值、冗余数据，获得规范化的特征数据。在特征级处理环节， 将从预处理获得的渡槽结构特征数据， 如裂缝宽度、 裂缝深度等进行支持向量分类，获得渡槽结构健康状态初步诊断的分类结果，在决策层，采用D-S证据理论的思路进行分类诊断结果的融合， 从而实现对运行期渡槽结构健康状态的诊断。 在第3节中通过将该方法应用到工程实例中，从而验证了模型的可行性。

1 渡槽结构健康状态评价

1.1 渡槽结构健康状态诊断指标

从功能性角度评价渡槽健康状态的指标较多且较复杂［4］。结合相关文献的评价体系［1-5］，本文选择建立层次结构模型，以渡槽健康状态为总目标，确定评价体系目标层；从材料劣化、渗漏破坏、结构变形及外部荷载等方面， 将四个主要结构损伤类别作为渡槽健康状态的评价指标， 其中每个类别又都包含有多个特征因子：

（1）材料劣化指标：渡槽材料的劣化及混凝土产生裂缝、剥落、钢筋锈蚀、碳化混凝土裂缝的产生和发 展［5］作为 结 构 受 损 的 标 志 之 一［6］，降 低 结 构 耐 久性。本文将监测的混凝土裂缝宽度，以及提取出的裂缝密度、剥蚀面积、碳化深度作为表示材料劣化程度的特征因子，反映渡槽结构的耐久性。

（2）渗漏破坏指标：由于渡槽的工作性质，与水密切关联，不可避免的水通过渡槽的薄弱点（例如裂缝、接缝等）流入和泄漏。将渡槽槽身的渗漏点个数、渗漏面积、渗漏水量、水的pH值等可作为渗漏破坏的特征因子。

（3）结构变形指标：变形类的监测项包括：结构表面垂直位移、 不同结构块之间或不同结构块不同部位之间的差异沉降、挠度等，将槽身位移量、槽墩沉降量、槽台倾斜位移量、挠度等可作为结构变形的特征因子。

（4）外部荷载指标：外部荷载作用危害渡槽结构安全［3］。 将水压力、温度荷载及其变化量、过水量、风荷载等特征因子作为外荷载的表现。 监测桥址处环境温度及其变化有助于分析和识别渡槽结构内力、变形及动力特性的异常影响。

1.2 健康状态等级划分

结合渡槽工程特点，以及渡槽病害成因［1，4，6］，将渡槽结构健康状态评价等级划分为4类，如表1。

表1 健康状态等级定性划分

2 渡槽结构健康状态诊断模型

2.1 数据预处理

在渡槽运行期间， 产生的数据由于传感器受到干扰及本身的不稳定性， 使得收集到的监测数据具有冗余、缺失，而由于SVC模型对于数据的缺失值和冗余比较敏感，因此要进行数据预处理，降低噪声数据、不完整数据对于训练结果的影响。由于数据量纲和量级大小的差异， 为避免不同效应量数据量间差异带来的影响［7］，需要将特征数据进行标准化，对于渡槽结构健康状态的各监测数据标准化处理如下。

首先，以渡槽结构表面垂直位移、差异沉降、挠度等监测物理量为例， 其都为越小对于渡槽结构健康影响越小的监测指标：

式中 xi′为xi标准化后的形式；xmax，xmin分别为某一监测点的最大值和最小值。

也可以将特征值缩放为大致符合标准的正态分布，

式中 xi′为xi标准化后的形式；x和σ分别为某一监测点的数据的平均值和标准差。

其余指标因子提取和处理同上。

对于采集到的图片数据需要对图片进行筛选，并对图像进行图像增强和平滑处理，降低图片噪声，常用的图像平滑处理方法有均值滤波、方框滤波、高斯滤波等。

在本文中对于进行渡槽位移、沉降量、温度，渡槽裂缝宽度的确定，采用通过高清摄像仪、无人机拍摄渡槽采集图片数据， 通过Python 语言、Opencv、Keras等对采集到的渡槽图片进行裂缝识别，采用基于欧氏距离的裂缝宽度算法进行裂缝宽度计算［8］。裂缝像素点个数占照片像素点个数的百分比作为裂缝密度。

2.2 SVC分类器训练

本文采用概率支持向量机分类算法对各种指标因素健康状态等级进行分类。 为了便于理解， 可将SVC表示为［9］，如式（3）。

式中 β0为偏差；N为所有支持向量观察者的集合；αi为学习的模型参数；（xi，x）是一对支持向量观察值。

一般渡槽结构健康状态分类数据不均衡， 本文对不同的分类使用不同的权重， 以调节数据不均衡问题带来的不准确性，如式（4）和式（5）。

式中 C为一个超参数，对渡槽结构状态错误判断的惩罚；Cj为渡槽健康等级j的C值；ωj为等级j的权重；n为进行训练的监测总样本数量；nj为渡槽健康状态等级分类j的监测样本数量；k为等级划分的数量。

考虑到预测的可信度， 以及为了能够更好地应用在D-S证据理论中，本文将SVC的输出转换为概率［9］，概率最大的标签作为所属类型，如式（6）。

式中 A和B是参数向量；f是第i个传感器数值到超平面的距离。如果数据集中分类不止两种，需要进行扩展。

2.3 多分类结果信息融合

在对各个渡槽的指标进行分类时， 由于不同的支持向量分类器训练模型会产生多个分类结果冲突问题，因此需要一种数据融合方法。 D-S证据理论可清楚地表达不确定、不知道的信息，支持无先验知识情况下的信息融合［9，10］。然而式（9）中的k值计算会得到较大值，当k值较大时，会影响信度m（A）的判断，为了解决k值较大产生的冲突所带来的较大的负面影响，本文定义为当k<0.95时采用，式（9）进行m（A）的计算。 而当k>0.95时，采用证据理论与加权平均融合的算法，进行m（A）的计算［11］，计算过程如式（10）～式（12）。

设为m1，m2，…，mn为n个证据源，则证据源mi和mj之间的冲突用kij来表示，如式（7）：

式中 Ax，Ay在本文代表结构健康状态诊断的不同结果。

证据可信度ε为证据冲突因子平均值的减函数，当证据之间的冲突增大时，ε将降低，其计算方如式（8）：

合成规则计算方法如式（9）。

式中 k为冲突因子；q（A）表示证据源对结论A的平均支持度；m（A）为结论A的证据合成结果。

式中 d为计算的不同证据之间的欧几里得距离，来衡量证据之间的相似度；ωi为不同命题所占的权重；m（A）为结论A的证据合成结果。

综上，整体的评价模型步骤如图1。 将经处理的检测数据B1、B2、B3、B4分别进行SVC训练， 经式（6）得到各指标评价等级的概率，通过D-S证据理论融合算法，进行k值的计算与判断，将多个指标评价等级的概率结果经过代入式（9）或式（12）进行信息融合，从而得到最终的唯一值， 该值即为监测段渡槽结构健康状态的最终诊断结果。 关于健康状态诊断的融合结果是从最大的m（A）即BPA中得出的，如式（13）。

变压器的功能便是电压的合理调换。如今，节能型变压器已经涌现在好多地方。显著的优点是，以更少的损耗来运行。无论是单相配变还是三相配变，都拥有了新的功能。一些变压器还能应对一些特殊的要求，结合考虑到噪声等问题，更好的服务于居民。有条件的农村，可以用新变压器替换村里的老式S7及以下型号的变压器。

式中 m（Az）为在Aj结论中Az反映为信度最大值，在本文中表示对健康状态等级的中支持度最大值；Φ为不确定集合；m（φ）为不确定集合的信度，应该小于一定的阈值ε′，本文中定为1×10-5。

图1 渡槽结构健康诊断模型

3 应用实例

某渡槽总长约268.3m， 进口段46.6m， 出口段41.3m，渡槽180m，共六跨，单跨长30m，设计过槽流量为115m3/s，渠底比降i=1/4000，槽身采用双箱形结构形式，单箱净宽4.7m，净高7.371m；结构形式为梁式渡槽。 渡槽周围布设有高清摄像仪，在每段槽身跨中和两端布置监测仪器，每个测点布设2支测缝计监测槽身错缝情况，在每段槽身两端及中间布置3个测点通过收敛计观测挠度共计18个测点； 该渡槽监测仪器布置示意图如图2、图3所示。 依据渡槽监测、检测设备对照1.1节指标体系，并结合工程实际情况，采用图4的指标进行该渡槽的结构健康状态分析。 将各项监测、 检测数据依据2.1节进行标准化及归一化处理提取出同一时段特征数据集共18组。

3.1 支持向量分类器训练

3.1.1 核函数与核参数的选择

K核函数、C与λ参数的确定，这些变量有助于在高维特征空间中找出进行分离的最佳超平面。 本文通过参数的调节，采用交叉验证的方法进行训练。以指标B1为例，将同一时段处理后的18组数据［裂缝宽度，裂缝密度，剥蚀面积，剥蚀深度］进行训练。

（1）选择核函数。 由图3可见因素C1和C2的分布为非线性分布，并且由分类的结果能够看出，图5（a）的分类效果最好，因此选择径向基函数为核函数，

（2）确定C与λ参数，在RBF核函数确定的基础上，通过对四组模型中不同参数下预测精度的比较，选择值为C=1，λ=0.1。

3.1.2 SVC分类结果分析

图2 测点平面布置图

图3 部分监测仪器布设位置示意图

图4 渡槽结构健康状态诊断指标

图5 三种核参数对特征因子C1和C2分类结果图

通过训练四组分类器，各自的预测精度由图6可视化结果得知分别为94.4%，83.3%，94.4%，88.9%，有较高的准确性。 各个分类器结构健康状态的评价，部分结果如表2，由表可知1号位置的诊断结果B1和B3为I级，而B2和B3分别为II级和III级，不能够反映监测位置的整体结构健康状态，2号测点的诊断结果同样不能反映监测位置的整体结构健康状态。 因此需要进行D-S证据融合分析处理。

图6 各指标分类器的准确度可视化

表2 1号测点和2号测点各指标的预测等级

3.2 融合诊断结果分析

采用2.3节中的D-S证据理论方法进行多分类结果的融合，诊断结果见表3，与实际进行对比，具有较高的准确率。

表3 各监测、检测点的分类融合结果

（1）从整体的预测结果来看，m（Ø）均满足要求，在18组监测数据的情况下有较好的预测结果。

（2）整个监测段中，大多监测段处于良好或较好的结构状态， 其中9号和10号监测段分别处于III级、IV级状态， 为渡槽跨中位置， 需要进行除险加固处理。 此外1号对于I等级的可信度支持度较低，由表2中对照的各指标等级， 需要进一步研究B4外部加载因素对渡槽的影响。

（3）对于2号、3号、17号、18号测点为IV等级，即渡槽进口段、出口段以及与隧洞连接处危险等级高，结合表2各指标的风险等级并结合现场实际得出，B1指标和B4指标对于该段的风险起了主导作用， 结合现场实际情况该监测段渡槽材料损失严重， 连接处混凝土裂缝多，表面混凝土严重脱落，地基沉降量较大需要立即进行加固处理。

4 结语

在渡槽结构健康状态评价中， 本文将多分类器融合模型运用在渡槽结构健康状态的评价中， 从获取检测监测数据中进行健康状态的特征值提取， 相比于层次分析法减少了权重分析中进行打分的主观性对结果的影响。 同时，利用SVC在少量训练集的基础上能得到较精确的结果的特点， 也为老旧渡槽在监测检测信息较少的情况下进行渡槽健康状态诊断提供了一种方法。 但采用多分类器评价模型还存在一定局限性：

（1）根据各种监测仪仪器对渡槽分段进行评价，监测仪仪器的布置方式至关重要， 在创建分类指标时不同的渡槽所选取的分类指标有所差异， 需结合现场情况进行相应修改。

（2）后续工作中，需研究不同类型渡槽病害特点，提取特征值，优化多分类融合模型，从而更高效、准确地完成对渡槽结构健康的诊断。