基于车桥联动状态协同监控的桥梁风险评估系统设计与实现

曹屹松，柯福阳，刘全海，王新志

(1.南京信息工程大学，江苏 南京 210044； 2.常州市测绘院，江苏 常州 213003)

1 引 言

当前，随着交通运输事业发展，交通运输量大幅度增长，车流量和车辆载重越来越大，而现有部分桥梁结构陈旧老化、钢构件腐蚀、冻融损坏、结构中微小的缺陷(微裂缝、微空洞)逐步形成宏观裂缝等，使得桥梁承载能力越来越差，随时可能发生坍塌、断裂事故，迫切需要对这些桥梁开展安全监测，消除安全隐患。有关专家认为桥梁使用超过25年以上就进入老化期，据统计，我国桥梁总数的40%已经属于此范畴，均属“老龄”桥梁，正迫切需要对这些桥梁加大监测和养护力度。

常规的桥梁安全监测主要依靠人工手段，其监测效率低、间隔长，监测数据、评估报告、桥梁设计参数相互独立，桥梁风险评估往往有误。随着桥梁监测新技术以及5G通信和物联网技术的发展，桥梁自动化安全监测技术得到了快速应用。桥梁自动化安全监测是通过物联网、传感器技术持续获取桥梁各结构部位应力应变、振动特性、表面位移等变化信息，分析桥梁面临的安全风险并做出预警，该方法成本低，监测频率高，成果可靠，但缺少对桥梁风险成因分析，不能准确预判出风险来源和大小。

2 研究思路

2.1 桥梁结构设计与安全风险

对桥梁的安全风险监测评估首要分析桥梁的结构设计导致的安全风险问题。具体如下：

(1)设计人员一般重视桥梁结构本身强度的设计，易忽略结构强度耐久性的设计，如设计对施工材料、施工质量、施工环境、结构细部处理等设计要求决定了桥梁结构强度的耐久性。

(2)风和车辆等不均匀可变荷载易导致桥梁结构长期处于应力变化状态，易形成累积性疲劳损伤。可变荷载设计是桥梁长期处于较大可变荷载作用力下安全运营的关键。

(3)超速超载车辆对桥梁产生的冲击力、离心力易使桥梁疲劳幅度加大，造成不可恢复的损伤。故应根据桥梁荷载设计等级规定桥梁限载上限值，严格限制通行车辆载重。

基于上述分析，关于耐久性、可变荷载、荷载等级等桥梁的结构设计情况决定了桥梁安全监测需采用的技术方案。

2.2 车桥协同安全监测方案

在现有桥梁自动化安全监测技术的基础上，研发团队通过整合、改进、升级现有技术，创新性地引入对上桥车辆流量、荷重、速度等状态信息的协同监控，经多源数据协同处理，分析车辆荷载对桥梁结构损伤的关键作用，为桥梁风险的准确评估和超前预警提供依据。研发团队在申请获取了系列自主知识产权后，通过实践应用，逐步形成一套新型的桥梁安全监测方案—基于车桥联动状态协同监控的桥梁风险评估系统。

3 总体技术路线

基于车桥联动状态协同监控的桥梁风险评估系统采用总体设计，分项实施的架构模式，由监测子系统、数据中心子系统、展示子系统、预警子系统四部分组成。分别负责车桥状态监测、多源信息协同处理、风险评估与展示、超前预警。系统总体技术路线如图1所示。

图1 总体技术路线图

3.1 监测子系统

系统采用智能无线传感器，对桥梁结构关键部位，进行24小时不间断、连续监测，包括雷视一体车辆监测、北斗/GNSS位移监测、振动特性监测、应力应变监测等，为桥梁结构风险评估提供可靠数据。各监测点的布设案例如图2所示。

图2 监测点位布设图

3.2 数据中心子系统

系统长期采集的传感器数据，通过运营商的4G/5G网络传输到数据中心，存储在服务器上，数据中心子系统将启动处理程序对数据进行预处理、分析、查询、存储、发布。

3.3 预警子系统

根据数据中心子系统分析评估结果，系统实时掌握桥梁结构风险状态偏离预警线的强弱程度，并通过预警子系统及时向桥梁管理单位发送超前预警信号。

3.4 展示子系统

根据数据中心子系统分析评估结果，用户或系统管理者通过展示子系统，在大数据管理平台、用户终端电脑或移动设备上能查询获取桥梁各监测点实时状态、结构安全状态、风险评估等级等信息。信息展示包括各种图、表、混合现实全息等方式。

4 总体架构设计

系统平台采用J2EE/J2SE进行研发，并基于物联网云平台高并发、海量数据的系统特征，选取当前大数据处理领域杰出、活跃的中间件进行高效、有机组合，建设高可靠、高并发、高可扩展的海量数据处理平台。Java是一门面向对象编程语言，采用Java开发语言具有功能强大和简单易用两个特征，Java语言作为静态面向对象编程语言的代表，极好地实现了面向对象理论。系统采用数据库为MySQL，MySQL是一个关系型数据库管理系统，由瑞典MySQLAB公司开发，目前属于Oracle旗下产品。MySQL在WEB应用方面是最好的RDBMS(Relational Database Management System，关系数据库管理系统)应用软件。

考虑到业务需求和硬件环境的需要，系统采用B/S结构体系架构，总体架构如图3所示。

图3 系统总体架构图

5 系统功能实现

5.1 基于物联网的多维高频车桥联动状态协同监测

物联网构建起了物与物、人与物之间的信息交互，本系统就是通过物联网远程实时获取桥梁各结构的状态信息。系统采用雷视一体车辆监测仪、称重计对上桥车辆状态信息进行监测，同时采用北斗/GNSS、应力计、加速度计等传感器对桥梁状态信息进行协同监测，车桥状态信息协同处理、状态关联，能准确分析大流量、重载、高速车辆的振动和冲击对桥梁结构造成的形变程度。车桥联动状态协同监测示意图如图4所示。

图4 车桥联动状态协同监测示意图

5.2 基于多源信息协同、逆向网络RTK的数据质量控制

各类传感器采集的数据包括：车速、车重、车长、车轴数等车辆指标，竖向位移、振动特性等桥梁形变指标，应力、载荷等力学指标。针对传感器监测到的多源数据，系统采用多源信息协同、逆向网络RTK、异构数据融合等算法控制数据质量。主要采用卡尔曼滤波(K alman filtering)、希尔伯特-黄变换(Hilbert-Huang Transform)算法对监测数据进行预处理，以实现去除噪声和干扰、处理非平稳信号、还原真实信息的目的；采用逆向网络RTK算法提高北斗/GNSS监测表面位移的数据质量；采用贝叶斯(Bayes)分析方法和Dempster-Shafer证据理论处理不确定信息，为采用机器学习算法构建桥梁风险评估模型提供准确、完备的数据支持。

系统采用逆向网络RTK算法，在数据预处理过程中进行粗差的探测与剔除、周跳的探测与修复，极大提高了北斗/GNSS监测表面位移数据的质量和精度。

5.3 基于机器学习的桥梁风险评估模型优化

系统采用反向传播算法神经网络(BP神经网络)对待评估指标进行权重确定工作，得出桥梁综合指数后，使用K-平均算法(K-means)对桥梁风险分级评估，再采用决策树反算风险评判准则；采用循环神经网络(RNN)的变体方法门控循环单元(GRU)对待评估指标进行固定时间长度的数值预测，并利用风险评判对预测的时间段内桥梁突发事故的发生与否进行判断。系统通过各种智能算法不断优化机器学习桥梁风险评估模型，提高风险评估准确性和预警可靠性。基于机器学习的桥梁风险评估模型流程如图5所示。

图5 基于机器学习的桥梁风险评估模型流程图

5.4 基于BIM+MR的桥梁安全状态混合现实全息展示

BIM是建筑信息模型(Building Information Modeling)的缩写，以三维数字技术为基础，集成了建筑工程项目各种相关信息的工程数据模型。MR是混合现实(Mixed Reality)的缩写，指的是合并现实和虚拟世界而产生的新的可视化环境，在其中物理和数字对象共存，并实时互动。本系统在界面上采用BIM模型虚拟展示桥梁各部分结构，并通过人机交互查询，展示来自物联网远程实时获取的桥梁各部分结构现实状态信息，实现了桥梁安全状态混合现实全息展示的效果。混合现实全息展示效果如图6所示。

图6 基于BIM+MR的桥梁安全状态全息展示效果图

6 结论与展望

“基于车桥联动状态协同监控的桥梁风险评估系统”实现了现场行驶车辆与桥梁状态信息的协同监控，基于物联网技术的远程数据传输，多源异构数据协同处理，风险等级准确评估，以及基于BIM+RM的桥梁安全状态混合现实全息展示。将桥梁的监测、评估、管养功能整合到一个系统、一套数据库中，对老旧桥、危桥的常态化监管、风险预警、日常维保具有十分重要的意义。随着客户对桥梁安全监测需求的提高，系统将在以下方面进一步完善：

(1)随着物联网技术的发展，系统将进一步提高车桥状态协同监测能力，提升桥梁风险评估的科学性；

(2)系统将不断改进机器学习算法，优化桥梁风险评估模型，提升桥梁风险评估的准确性和提前预警的可靠性；

(3)基于桥梁变形与结构损伤的精准评估，为桥梁维保单位提供更优的养护和修复方案。