基于CNN-LSTM深度学习的列车荷载与桥面系局部健康状态识别研究

2022-09-15朴春慧冀梅梅张志国刘玉红李智宇

铁道学报 2022年8期

朴春慧，冀梅梅，张志国，刘玉红，李智宇，董现

(1.石家庄铁道大学信息科学与技术学院，河北石家庄 050043；2.河北省电磁环境效应与信息处理重点实验室，河北石家庄 050043；3.石家庄铁道大学土木工程学院，河北石家庄 050043；4.北京全路通信信号研究设计院集团有限公司, 北京 100073)

桥梁是交通运输领域中极为重要的基础设施和核心枢纽，对我国经济社会发展有重要的推动作用[1]。为保证桥梁在役时期内的结构安全，避免出现突然性破坏，很多大跨度桥梁安装了桥梁结构健康监测系统(Bridge Structural Health Monitoring System, BSHMS)。BSHMS通过在桥梁结构关键位置处安装传感器，采集结构响应数据，通过监测数据大小和变化趋势判断桥梁结构特性，进而评估桥梁结构健康状态。BSHMS在对大跨度桥梁进行监测时，考虑大跨度桥梁结构复杂，通常选择易收集、监测数据较精准且便于分析研究的静力数据和动力数据作为监测内容，静力数据通常包括应变、位移、索力等，动力数据通常包括模态频率、振型等。

我国BSHMS研究起步较晚，自20世纪90年代起，信息与物联网技术发展迅速，网速不断提高，高精度、长寿命传感器和信号处理设备得以发展，国外一些国家开始将BSHMS技术用于长大跨桥梁结构监测，伴随我国交通建设的发展和经济水平的提高，BSHMS研究与应用从最初的示范应用已逐步走向大范围应用。进入21世纪，我国对BSHMS的发展给予了大力支持，BSHMS的应用范围在国内不断扩大，但由于高性能传感器及监测系统价格居高不下，且桥梁结构工作性能影响因素复杂，一般情况下，BSHMS系统仅建立在典型服役桥梁结构上，在有限的关键截面布置测点。例如，我国较早建立BSHMS系统的桥梁有武汉长江大桥、芜湖长江大桥和上海徐浦大桥等。在上述桥梁为代表的BSHMS中，监测因素主要有桥址周围的环境信息及关键测点的结构响应信息等[2]，对信息技术的使用则集中在监测数据的采集、传输和可视化，并未对高时空相关性及大量监测数据挖掘与分析，无法妥善处理与有效利用监测数据，难以通过监测数据有效判定桥梁结构健康状态和损伤识别，限制了BSHMS对桥梁状态评判和维修策略选择的指导作用。因此，对于海量高时空相关性的监测数据来说，充分挖掘其潜在价值是当下BSHMS亟待解决的问题。

BSHMS采集的应变大小与变化趋势能够直接反映桥梁结构的受力和形变状态，进而分析出桥梁结构局部健康状态。通过分析实测应变数据得出桥梁列车荷载和局部结构健康状态有重要意义，列车荷载识别对列车荷载标准的制定、桥梁耐久性和安全性评估具有重要作用，通过大型列车荷载识别能够充分发挥BSHMS的作用，降低大跨度桥梁列车识别的成本；桥梁局部结构健康状态识别为发现桥梁结构的潜在损伤，降低桥梁事故带来的重大损失，及时采取结构维修、加固等措施具有关键作用，对实现桥梁结构健康状态监测与服役性能评估提供有力支持[3]。近年来，在利用桥梁健康监测数据进行列车荷载和健康状态识别等方面进行了一些探索。如，左小晗[4]以桥梁动应变响应为研究对象，实现了车轴信息的检测，并对多列车过桥时车辆轴重和总重进行了研究。刘泽佳等[5]采用基于小波临界系数和应变阈值的超重车荷载识别方法，利用桥梁有限元模型得到超重车荷载应变阈值，使用应变数据实现了珠江黄埔大桥北汊斜拉桥超重车荷载信号识别。杨慧等[6]通过车辆过桥时采集的动应变响应，使用BP神经网络方法实现了简支梁桥车辆荷载位置、车速以及轴距的识别，验证了神经网络方法进行车辆荷载识别的可行性。Kromanis等[7]提出通过建立温度与应变之间非线性关系的支持向量回归损伤识别方法，将预测误差作为损伤敏感特征，用某钢筋混凝土桥连续6年的温度和应变监测数据中前3年数据进行模型训练，后3年数据验证模型的损伤识别效果。何浩祥等[8]提出基于CNN的桥梁损伤识别方法，通过试验证明了CNN除可以高精度提取桥梁结构损伤敏感特征指标外，还能够比较精准的识别桥梁结构损伤情况。Ni等[9]提出一种基于CNN的异常数据检测方法，通过试验对方法的适用性进行了检验，试验过程使用了某桥梁的BSHMS实测加速度数据，试验结果表明，该方法对于异常检测有着较高的精准度。杨杰文等[10]将深度学习算法用于桥梁裂缝检测，通过试验证明所提模型能够实现复杂环境下的裂缝检测。赵欣欣等[11]将卷积神经网络应用于桥梁高强螺栓失效识别，通过实例证明所提方法的准确性。王飞球等[12]提出基于BP神经网络的桥梁安全风险评估模型，并使用信江特大桥BSHMS数据进行了验证，结果表明，该模型具备一定的可行性。

综上所述，目前对BSHMS数据进行挖掘与分析已渐渐成为当下研究热点之一，尽管开展了不少研究，但是仍受监测测点数量有限，监测数据受环境等因素影响，存在数据深度挖掘分析不够，反馈桥梁状态信息不足及实际监测数据利用率不够等问题。本文针对上述问题，试图探索一种利用少量监测数据进行桥梁列车荷载识别和局部健康状态判别及预警的方法，以提高监测数据的使用效率。因此，本文利用应变对大跨度桥梁的荷载响应、桥面系局部损伤敏感的特性及结构响应之间的相关性，使用某大跨度钢桁架桥BSHMS实测数据作为数据集，对数据集中的车致应变进行提取；构建列车荷载系数，对该桥经过的列车车型和列车荷载进行识别；提出一种基于CNN-LSTM的桥面系局部健康状态识别方法，通过分析监测数据之间的相关性，确定CNN-LSTM模型的输入量与输出量；使用历史监测数据训练CNN-LSTM模型，构建反映桥面纵梁测点应变监测数据间相关性的函数关系；在桥面系测试节间纵梁性能退化出现损伤时，通过预测应变值偏离实测值的程度实现桥梁健康监测损伤预警。

1 车致应变提取

通过应变与应力关系可以将BSHMS中的应变数据转为应力，进而得到桥梁结构在外力作用下内部产生的力，以进行列车荷载和桥面系局部健康状态识别。BSHMS在实际工程监测采集到的应变数据混合了温度引起的应变数据(温致应变)和车致荷载应变数据(车致应变)，这两种应变一般同时存在，无法分开测量，故BSHMS中的应变数据为车致应变和温致应变的综合[13]，在利用应变进行工作状况、列车荷载及局部损伤识别时，需要将温致应变分离出去。此外，由于BSHMS采集数据时，受传感器的性能、网络信号波动等方面影响，监测数据可能存在缺失、异常等情况，影响列车荷载和桥面系局部健康状态识别的准确性。因此，进行车致应变提取前，需要对监测数据进行预处理。

1.1 数据来源

本文数据集来源于某大跨度钢桁架公铁两用桥的BSHMS系统，为能够及时掌握桥梁结构受力与健康状态，该桥的BSHMS关键测点位于桥梁第二联，并由此扩展至全桥。该桥BSHMS系统监测内容和测点部署信息见图1，主要监测内容为[14]：

(1) 过桥列车信息监测：包括列车驶进、驶离该桥梁时的列车速度以及列车的轴数与轴距等信息。

(2) 桥址环境监测：包括桥梁所在地的温度与湿度，桥上钢轨的温度、温度场等。

图1 测点位置分布

(3) 桥梁典型截面应变及列车(车辆)荷载监测：包括桥上铁路横梁与纵梁截面关键点的应变、桥上公路纵梁截面关键点的应变、铁路/公路线路列车或车道车辆荷载等。

(4) 桥梁结构动力特征监测：包括桥梁主梁结构的振动特性以及加速度数据等。

(5) 桥梁结构使用性能监测：包括桥梁主跨跨中挠度、桥梁支座位移等。

本文所用数据为某大跨度钢桁架桥第二联铁路纵梁2010年9月至2010年10月采集的应变数据，共1 046 598条。应变数据为触发式采集，即当列车驶进桥梁时传感器立即打点采集应变，当列车驶离桥梁时结束采集，每条应变数据包括第二联铁路纵梁S1～S8共 8个测点监测到的应变数据。

1.2 缺失值填补

在本文使用的数据集中数据缺失率约为8.3%，且缺失类型多为单点缺失，因此本文仅对单点缺失数据进行处理，对于连续缺失数据则直接剔除该条数据。缺失值的存在造成数据的时空相关性降低，使用含缺失值的数据集进行列车荷载与健康状态识别，不仅难以反映列车荷载与桥梁真实运营状况，还会降低准确率，因此，对数据集中的单点缺失本文使用平均值法进行填补，即取缺失数据前后时刻数据的平均值进行填补，该方法不仅能使数据曲线保持不变，又能最大化利用当前数据信息，计算方法为

(1)

式中：xi为缺失值；xi-1和xi+1分别为缺失值前一个时间点和后一个时间点的数值。

1.3 数据归一化

归一化操作可以将监测数据归约到[0,1]内，不仅可以防止神经网络训练时出现过拟合现象，还可以使其收敛更加快速。本文归一化方法选择了当下较为流行的Min-Max标准化方法，该方法依据线性变换原理将测得的原始数据进行处理，并将数值映射至[0,1]之间，即将BSHMS监测得到的数据转换至[0,1]范围内，归一化基本公式为

(2)

以部分应变数据为例，归一化前后见图2。由图2可知，归一化前应变值基本在[0,250]，而归一化之后应变值均在[0,1]区间内。

图2 数据归一化前后对比图

1.4 异常数据检测

BSHMS中异常值判别标准为明显不满足桥梁结构受力状态的数值，具体表现为离散型，即距绝大多数监测数值较远。本文采用孤立森林算法(Isolation Forest, IF)作为数据集中异常数据的处理方法，利用IF算法进行数据处理，具有速度快、时间复杂度低、对物理设备内存要求较低等优点，与BSHMS中的海量数据处理要求相契合[15]。IF算法认为，在数据集中孤立的点能够被当作异常值，其具体表现为距离高分布密度群体较远并且分布密度较为稀疏的点。异常数据检测结果见图3(a)，图中标红部分(加圈点)为孤立森林算法检测出的异常值；图3(b)为使用该方法处理异常值后的数据。由图3可知异常数据处理归一化后的监测数据取值区间由[0,1]变为[0.1,0.5]，处理效果明显。

图3 异常值识别与处理结果

1.5 提取车致应变

BSHMS应变数据中包含了车致应变和温致应变，为分析桥梁在运营状态下，车致应变对桥梁结构局部受力作用及影响情况，需剔除应变数据中的温致应变，保留车致应变[16]。常用的剔除温致应变方法有经验模态分解法(Empirical Mode Decomposition，EMD)和小波分解法。其中，小波分解法由于需设定小波基，致使车致应变提取存在误差；EMD方法则是根据数据集本身的时间序列特性对数据进行分解，与其他方法相比，其优点是不用预先设定基函数，该处理方式使得EMD方法在处理不平稳、非线性特性数据序列方面具备明显优势，且具有很高的信噪比，被广泛应用。对信号序列直接采用EMD方法进行分解时，存在模态混叠问题，为解决该问题，在原始数据中多次加入白噪声，然后再进行EMD分解，即集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)算法[17]，EEMD算法步骤如下：

Step1将白噪声n1(t)加入原始应变数据ε(t)中，形成新的应变数据ε1(t)。

Step2使用EMD方法对ε1(t)进行分解处理，即可以得到多个有关本征模函数IMF1(Intrinsic Mode Function，IMF)。

Step3重复Step1和Step2，依次加入不同的白噪声nn(t)。

Step4计算IMF1～IMFn的平均值，得到最终结果IMF。

本文使用EEMD方法分解了S1测点采集的应变数据，分解前S1测点应变数据见图4，分解后S1测点应变数据见图5。由图4和图5可知，使用EEMD方法分解应变数据后，原始数据被分解为9个不同的IMF，温致应变随温度变化会呈现出较为明显的变化趋势，图5中后3个IMF分量变化趋势明显，因此根据其规律可以判断出后3个IMF分量是由温度变化所致。将温致应变剔除后的车致应变见图6，可以看出车致应变不存在明显趋势项，故可认为温致应变已剔除。

图4 S1测点于2010年9月1日应变数据序列

图5 EEMD方法分解的IMF分量

图6 S1测点于2010年9月1日车致应变序列

2 列车荷载识别

2.1 列车荷载系数

目前，经过该大跨度钢桁架桥的电力机车车型有5种，各车型参数见表1。

表1 车型参数表

列车荷载识别问题是一个第二类逆问题，即已知桥梁对列车荷载的响应，计算导致响应的荷载。对于列车荷载的识别，本文对车头上桥至车尾离桥时间段内的应变曲线进行x轴积分，得到应变曲线的影响面积[18]为

(3)

式中：A为应变曲线的影响面积；ε(t)为应变曲线，t为时间；v为车速，该桥结构健康监测系统包含了车速监测，因此不需对车速进行计算。

在桥梁任意截面测点上，均存在以下关系[19]：

(4)

式中：G1、G2分别表示不同的列车荷载；AG1、AG2分别为对应列车经过时应变曲线的影响面积。因此，本文定义列车荷载系数m为

(5)

由公式(5)可知，同一截面内，列车荷载系数m应为一个常数，受桥梁的结构、材料等因素影响，若桥梁结构处于健康状态，m的变化范围较小。若桥梁结构出现损伤时，m会发生较大变化。在不考虑列车荷载横向分布的前提下，仅需知道铁路桥梁桥面系纵梁任意测点的应变曲线影响面积和基准列车重量，就能够实现列车重量的识别。

2.2 有效性验证

采用上述方法进行某钢桁架桥列车荷载识别，通过传感器采集的应变数据进行荷载反推。铁路桥梁上运行的为多轴车，应变曲线表现为多个峰值。经分析，车头经过传感器安装位置时应变峰值最大，因此，通过分析应变曲线中应变峰值判断车头位置进而与表1中电力机车型号进行匹配得出列车荷载系数m。使用2010年5月份S1测点的最大应变峰值，计算影响面积A1=312.5，进而得出列车荷载系数m=0.48，使用该系数对该测点5月份其他应变峰值进行列车荷载识别，部分结果见表2。

表2 列车荷载识别结果

由表2可以看出，由列车荷载系数m=0.48计算出的列车荷载结果，与表1中给出的经过该桥的电力机车整备重量差别较小。为进一步判断列车荷载系数的合理性，对S1测点2010年5月全部监测结果进行列车荷载识别，识别结果见图7。

图7 识别结果

我国电力机车生产厂家对列车整备重量的误差范围为3%，因此，以列车标准整备重量的±3%作为误差值。由图7可以看出，经过该桥列车荷载识别率为92.3%。由此可以得出，使用列车荷载系数m=0.48作为该桥健康状态下列车荷载识别的根据是有效的。此外，该方法除了能够识别电力机车荷载之外，还可对各车厢荷载进行识别，进而得知桥梁上通过的整车荷载。在后续桥面系局部健康状态识别时，可以使用上述方法计算出的车重排除列车荷载原因造成的应变异常情况，使得桥面系局部损伤判断更为准确。

3 CNN-LSTM桥面系局部健康状态识别模型构建

本文提出的基于CNN-LSTM的桥面系局部健康状态评估模型主要分为以下几个步骤：

Step1桥梁结构健康数据采集与模型变量确定：使用桥梁健康监测系统采集监测数据，使用对桥面系局部损伤敏感的应变响应数据作为目标变量。

Step2模型训练与参数设置：训练CNN-LSTM模型，通过交叉验证的方式确定模型最优参数。

Step3结构损伤预警阈值设定：将模型预测值和实测值残差作为观测值，通过EWMA确定结构损伤预警阈值。

Step4损伤预警的判断：将桥梁结构监测数据输入CNN-LSTM模型，通过判断预测残差是否超过所设阈值进行损伤预警。

3.1 CNN-LSTM模型构建

目前，多数深度学习模型特征提取方法各有不同，CNN方法的特征提取主要是通过卷积核提取输入数据的空间相关性特征，但CNN存在滤波器的限制，致使CNN无法获得输入变量中的时间相关性；LSTM方法加入了记忆单元和门控制思想，加入后能够使LSTM模型充分学习输入数据序列前后数据之间的依赖特征，进而获得时间相关性，弥补CNN的缺陷，因此本文将CNN与LSTM进行串接，构建出CNN-LSTM预测模型识别桥面系局部损伤。

模型输入量为安装在某大跨度钢桁架桥桥面纵梁测点应变传感器采集的应变值，输出量为安装在同截面对称位置传感器采集的应变值，图8为本文提出的CNN-LSTM神经网络预测模型结构。由图8可知，模型分为CNN-LSTM层和全连接层两个主要部分，其中，CNN-LSTM层为核心层，包括CNN网络部分和LSTM网络部分，共计5层网络层，7个输入维度和1个输出维度。在模型中CNN网络部分，包括卷积层、池化层各一层，CNN网络部分的核心作用是提取输入时间序列中的数据特征。LSTM网络部分有3层LSTM网络，各层的神经元数量依次为16、32、64，此外各层LSTM网络间还添加了dropout，用以避免模型过拟合情况出现。全连接层则用于输出预测的应变数据。

图8 CNN-LSTM神经网络预测模型结构图

3.2 模型参数选择

本文在CNN参数设置的基础上[20]，对CNN-LSTM神经网络预测模型的网络结构参数进行多次调整，最终确定了具体参数，见表3。

CNN-LSTM神经网络预测模型的超参数设置是否合理，关乎模型预测精准度的高低，故选择合适的模型超参数至关重要。比较常见的模型超参数选择方法有网络搜索法、贝叶斯优化、遗传算法以及交叉验证法等[21]，本文使用CNN-LSTM神经网络预测模型和桥梁结构健康监测数据对桥梁结构状态进行预测，涉及数据量庞大，因此在参照现有设计准则[22]的同时，经多次试验确定了模型的最优超参数为：模型的最大迭代次数(max epochs)为300，迭代时使用早停止准则，即当模型损失没有提升时停止训练；模型的学习率为0.001；batch size为1 024。

3.3 预警阈值设置

训练好的CNN-LSTM网络模型用来表征桥梁健康监测系统采集的应变数据之间的函数关系。当桥面系测试节间纵梁出现损伤时，桥面系纵梁关键测点应变值会增大，使用CNN-LSTM神经网络预测模型，利用测点对称性原理对S1测点应变数据进行预测时，预测结果与实际测量应变数据必然会存在较大误差。

当桥梁处于健康状态时，CNN-LSTM神经网络预测模型所预测残差数值变化范围固定在某一个区间内，随着桥梁在役时间的延长，桥梁结构状态会随之改变，预测残差数值也一同增长。因此，根据实时监测数据进行预测时，预测残差数值的变化程度在桥梁结构健康状态评估工作中有重要的参考价值。本文通过设置阈值控制线对预测残差数值进行计算，阈值控制线则使用指数加权移动平均(Exponentially Weighted Moving-average，EWMA)方法来确定。在测试阶段，若预测残差大于健康状态下阈值控制线，说明桥梁结构已经出现损伤，BSHMS等在线监测程序就会对桥梁损伤情况及时自动预警。

对某一个时间序列{y(1),y(2),y(3),…,y(t)}来说，EWMA的统计量St为

St=λy(t)+(1-λ)St-1

(6)

式中：t为时间；λ为历史监测数据对当下EWMA的统计权重，取值范围通常在(0,1]，本文则选择0.2作为其取值大小[23]。

(7)

由以上各关系，可以进一步得出桥梁损伤预警的阈值LU(t)控制线计算公式为

LU(t)=μSt±LσSt

(8)

式中：L通常取值为3[24]；当St超过阈值LU(t)时，系统发出预警。

4 CNN-LSTM桥面系局部健康状态识别模型试验及结果分析

4.1 监测数据相关性分析

为了验证温度与应变、不同测点应变值之间的相关性，对集中的数据进行相关性分析，图9展示了本文试验数据中的一部分应变数据与温度数据随时间变化曲线。由图9可以看出，应变数据的变化趋势与温度的变化趋势相似，并且应变数据变化趋势存在一定的滞后性。由于本文所用数据集均来自钢桁架桥同一纵梁应变传感器，且传感器采用对称布设，因此可以通过计算S1～S8测点实测应变数据的相关系数，进行不同测点应变测试结果相关性验证，当相关系数值越大时，可说明测试数据的相关性越强，反之亦然，通过计算得出相关系数见表4。由表4可以看出，温度与应变之间、不同测点间应变存在较强的相关性。为分析桥梁在运营状况下的局部受力情况，剔除温度对应变响应相关性的影响，本文使用EEMD算法成功提取了BSHMS系统中应变数据中的车致应变。

图9 应变与温度变化曲线

表4 相关系数

4.2 数据集划分

本文选取实测数据集的80%作为CNN-LSTM神经网络预测模型的训练数据集，剩余20%作为验证数据集。当桥梁上通过一定列车荷载，桥面系纵梁出现开裂、刚度退化等情况时，纵梁的应变值会随之增加，基于此，本文在模型桥梁结构损伤预警分析阶段，通过增大应变值模拟桥面系纵梁结构损伤[25]，具体计算公式为

εd=ε+η·εr

(9)

式中：εd为桥梁出现损伤时的应变值，即桥梁性能的退化程度；ε为桥梁结构中桥面系纵梁测点实际测量的应变数值；η为一个百分比系数，用来表征桥梁结构中桥面系损伤情况的严重程度，当取值为0时表示桥梁处于正常状态，大于0表示桥梁出现损伤，且数值越大损伤程度越严重；εr代表桥梁结构中桥面系纵梁应变数据的变化范围。

4.3 试验平台及评价指标

本文试验使用的物理机处理器为Intel i7-8700，内存为32GB，CNN-LSTM神经网络预测模型通过Python实现，使用基于Keras的深度学习工具Tensorflow作为框架。

评价深度学习模型性能的指标有许多，使用评价指标能够很好地量化深度学习模型性能的优劣，本文经过调查研究时间序列预测文献等，最终选择平均绝对误差eMAE和均方根误差eRMSE作为CNN-LSTM神经网络预测模型性能优劣的指标评价[26-28]，计算公式分别为

(10)

(11)

式中：N为样本个数；Xact(i)为实测值；Xpred(i)为模型反归一化后的输出值，即模型预测值，Xpred(i)表达式为

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

(12)

4.4 桥梁健康状态下模型测试

确定CNN-LSTM神经网络预测模型作为桥面系局部健康状态识别模型超参数，对某大跨度钢桁架桥BSHMS采集的桥面纵梁测点应变值进行预测，图10为CNN-LSTM神经网络预测模型的训练结果。由图10可知，模型对S1测点应变数据有很好地拟合效果。

图10 CNN-LSTM神经网络模型预测结果

为更直观地说明CNN-LSTM模型对大跨度桁架桥梁结构桥面系局部损伤预警的适用性，此处将模型的预测相对残差数值进行可视化展示，结果见图11。

图11 CNN-LSTM神经网络模型预测相对残差

从图11可以看出，CNN-LSTM神经网络预测模型相对残差数值波动范围介于[-0.01,0.01]，说明模型在桥梁桥面系局部损伤预警方面有着良好的适用性。

为验证CNN-LSTM神经网络预测模型与其他深度学习模型的优劣，将本文模型与RNN模型、CNN模型、LSTM模型在相同环境下，使用相同数据集进行对比试验。考虑模型参数对试验预测结果影响较大，试验均采用交叉验证的方式，对比经多次试验得到的最佳预测模型，计算每种模型的MAE和RMSE，结果见表5。由表5可知，在相同环境下，本文模型相较于RNN、CNN、LSTM有良好的预测效果，优势明显。