基于新奇檢測技術在橋梁結構異常識別中的研究

陳榮金

摘 要： 為了實現橋梁結構的異常狀態和位置識別，并避免橋梁模型的建立帶來的影響，提出采用基于BP神經網絡的改進型新奇檢測技術進行狀態識別的方法。為了驗證該方法的可行性，首先將該方法應用于T梁模型試驗中開裂狀態與異常位置的識別，工程試驗驗證效果良好。隨后將該方法應用于大跨度拱橋損傷位置的識別，也得到了現場實測數據的驗證。

關鍵詞： 橋梁健康評估； 結構異常診斷； 新奇測驗技術； 開裂位置識別； 異常位置識別

中圖分類號： TN911?34； TM417 文獻標識碼： A 文章編號： 1004?373X（2016）09?0128?05

Abstract： To identify the abnormal status and location of the bridge structure， and avoid the influence of the bridge mode?ling， the status identification method using the improved novel detection technology based on BP neural network is proposed. To verify the feasibility of the method， this method is applied to the T?beam model test to identify the cracking status and abnormal location. The effectiveness of the method was proved by engineering test. The method was applied to the damage location identification of the large?span arch bridge， and verified with field measuring data.

Keywords： bridge health assessment； structural abnormality diagnosis； novel test technology； cracking location identification； abnormal location identification

0 引 言

近年來全國多地發生橋梁坍塌事故，除去地質災害等非人為可控的因素外，橋梁在服役期間的健康度下降也是導致安全問題的一個重要因素。國內外在橋梁結構的異常狀態識別做了大量的研究，提出了許多切實有效的方法，但是考慮到丫髻沙大橋的特殊性，經過了大修，橋梁結構特性與建橋初期發生了比較大的變化，橋梁的數值模型的修正難度比較大，采用數值模型方法對橋梁結構進行評估可行性不大、有效性不高[1]。因此本文探討了基于BP神經網絡的新奇檢測技術進行橋梁結構異常狀態與位置識別的方法。

1 新奇檢測技術

1.1 改進型新奇檢測指標與閾值設定

為了判定兩種模式是否發生了變化，需要一個指標判別BP神經網絡的輸入向量跟輸出向量的偏離大小，該指標可由一個距離函數表示。本文采用BP神經網絡的輸入向量（理論輸出目標）和輸出向量（實際輸出目標）差的二次范數作為新奇指標[2]。將結構正常狀態下的測量數據作為訓練BP神經網絡的輸入向量，同時也作為輸出向量訓練BP神經網絡。神經網絡訓練完成后，可將其余的多組正常數據作為輸入向量再一次輸入到訓練好的神經網絡，產生相對的輸出向量，并按照式（1）計算[3]，得到結構狀態正常時的新奇指標[4][λ。]

式中：[λt]為異常檢測階段得到的新奇指標，將閾值[δλ]與[λt]進行比較，其差異可判定異常是否發生。

結構狀態發生變化是根據結構正常階段和檢測階段的新奇指標的比較來判定的，如果結構的狀態發生了變化，則在檢測狀態的新奇指標就會與結構正常時的新奇指標有很大差別。當該差別大于判定的閾值時，便可判定結構狀態發生了變化，同理，可以根據新奇指標的大小來判定狀態發生變化的程度。

2 新奇檢測技術在T梁開裂試驗中驗證

2.1 T梁模型

本次試驗模型選取梁間距最大、受力最不利的橋面板進行分析。本次試驗荷載按照應力等效原則確定，試驗前對結構的橫向受力進行分析，按照設計荷載下最不利應力幅進行等效模型試驗。模型選取與翼緣1[∶]1尺寸模型，鋼筋構造與設計相同。模型板采用簡支結構，板跨徑按翼緣最大寬度取2.535 m（26 m整體式路基T梁），板寬取1 m。結構模型示意圖如圖1所示。

根據T梁開裂試驗中傳感器的分布，與有限元模型分析，不同種類傳感器的作用如下：

（1） 鋼筋應變傳感器：該傳感器預埋到T梁結構中，能反應結構內部在荷載試驗中的受力情況，也可作為評定整個結構是否發生變化的依據，編號從1?1至1?8共8個傳感器。

（2） 腹板應變傳感器：該傳感器貼附在模型腹板兩側，濕接縫處與跨中處各5個，一共6組，分別記為：A1～A5，B1～B5，C1～C5，[A′1～A′5，][B′1～B′5，][C′1～C′5，]主要目的是在后期數據分析時來計算中心軸高度，在本方法中，可以把每組作為一個整體，判定在此區域內有無狀態變化（即裂縫是否產生）。

（3） 底板應變傳感器：該傳感器貼附于橋梁模型底板偏外兩側，共14個，分為兩組，分別記為D1～D7，[D′1～D′7，]其主要目的是捕捉模型底板是否產生裂縫，由于在加載過程中底板理論上應該最先出現裂縫，所以每組可作為一個整體判定有無狀態變化，并且兩組的測試數據互為補充，增加了狀態判定的準確性。

2.3 BP神經網絡的訓練樣本的生成

由于加載過程以及測試方法的問題，樣本數量有限。以原始30組實驗數據作為神經網絡的訓練樣本按照訓練流程訓練神經網絡，得到新奇指標的均值[λ]=49.9，新奇指標偏大。可以根據實測數據修正該結構有限元模型來獲得更多樣本數據，使得有限元模型的計算結果與實際傳感器測量數據接近。根據驗證，結構理論開裂荷載為40 kN，可以形成每個傳感器在荷載0～40 kN時結構未發生開裂的80組數據。由此作為正常狀態時的神經網絡訓練樣本。根據此方法擴大樣本量，可以增加神經網絡訓練的準確性。

2.4 開裂位置識別流程與實現

T梁狀態評估分為狀態識別和開裂位置識別兩個階段。首先將分級加載的測量數據進行分析處理，輸入到訓練好的整體狀態識別網絡，得到檢測階段狀態識別新奇指標。當指標正常時，本次識別結束，異常時，進行異常位置識別。在異常位置識別階段，利用上面訓練好的12個網絡逐級識別，確定異常區域。最后，根據區域內傳感器變化率做出綜合診斷。

在開裂加載0～40 kN時，根據每級加載狀態，分別將5 kN，10 kN，15 kN，20 kN，25 kN，30 kN，35 kN，37 kN，39 kN，40 kN的數據依次代入網絡進行判定。得到的新奇指標與閾值如圖2所示。

由圖2可知，經過BP神經網絡判定得知，當加載到35 kN時結構發生變化；經過后期數據處理分析可知，加載到35 kN時結構已發生了變化，神經網絡判定結果與實際相符合。

當結構發生變化時，采用三級分區方式來定位異常區域。第一級分區如圖3所示。

由圖3可知，從5 kN開始，網絡ABCD，網絡A′B′C′D′奇異值都大于閾值。即ABCD側與A′B′C′D′側兩個區域都發生了異常。

第二分區識別時，奇異值均大于閾值，證明腹板跟底板區域都發生了異常。

然后進入第三級分區，對腹板與底板混合區域進行識別。第三級分區時部分區域網絡奇異指標如圖4所示。

根據最終神經網絡區識別可以得出，網絡BD345與網絡B′D′345出現異常，再根據該區域內傳感器的變化率定位位置。表1為網絡BD345區域應變傳感器變化率[φ]。

由表1可知，載荷35 kN時，應變傳感器變化率相對30 kN變化不大，說明僅通過單一傳感器變化的方式無法判斷整體結構是否發生變化。該方法可以降低結構異常診斷的漏警。

隨著荷載的增加以及應變的變化率，可以判定在傳感器B5，D4，D5處發生裂縫的可能性較大。

最終判定結果證明B5，D4，D5，[B′4，][B′5，][D′3，][D′4，][D′5]處測量值較異常，該判定結果與人工巡檢結果相同。證明該裂縫識別與定位方法可以應用到T梁靜載試驗中。

3 在大跨度拱橋異常診斷中的研究

根據上述實驗結果表明，該方法可以實現簡易結構中異常識別與定位，可以將該方法推廣到大型結構的異常識別與定位中。結合丫髻沙大橋的結構特點及維修加固內容，丫髻沙大橋健康監測內容主要包括吊桿索力、拱肋應力與溫度、鋼橫梁應力、拱肋及橋面線形及大橋重點部位工作狀態的定期檢查等五個部分。

3.1 拱橋狀態異常識別方法

新奇檢測技術可以比較容易實現整體狀態評估，但是不能直接識別出損傷的位置。通過監測數據如吊桿索力，剛橫梁應變、拱肋應變與溫度，可以對不同區域是否發生異常進行識別，確定異常區域。

將狀態異常識別分成兩個階段：第一個階段是整體狀態識別；第二個階段是狀態異常位置識別。這兩個階段都使用新奇監測技術實現。訓練神經網絡的數據都是監測系統采集到的實際數據。損傷指標由吊桿索力，剛橫梁應變、拱肋應變與溫度共同組成。

（1） 實測數據預處理

外部溫度對拱肋應變影響明顯，隨著溫度的變化，拱肋應變分別有正相關和負相關的變化。因此，在訓練神經網絡時，必須考慮溫度的影響。結合實際情況，用于整體狀態異常評估的每個輸入向量由48個拱肋應變、相對應的24個拱肋溫度、6個吊桿索力、2個剛橫梁應變共80個測點組成80維的輸入向量。

對于異常評估系統，保證數據的時間統一性是一個很重要的問題。由于對于大跨度拱橋來說，吊桿是直接受力構件，也是荷載最敏感構件。所以每分鐘對6個吊桿進行極大值提取，并相應的提取每個吊桿極大值產生的時間，根據極大值產生的時間調取該時間對應的拱肋應變、溫度等其他測量數據，形成6組80維的輸入向量。

為了能更好的利用數據，防止數據丟失，需要將該輸入向量進行備份。

（2） 神經網絡訓練

對于整體狀態異常評估和異常位置識別，都將神經網絡設計為含有“瓶頸”的四層BP神經網絡。將網絡結構設計為：80?64?64?80，4層前饋BP網絡。第二層與第三層的傳遞函數取為tan?sig，1層跟2層以及3層跟4層之間采用線性傳遞函數purelin。通過訓練可以得到訓練好的神經網絡（整體狀態網絡），基于改進型的新奇指標，根據[δλ=λ+4σλ]，獲取[σλ=42.6]。將[σλ]與[λt]兩者進行比較，其差異可判定異常是否發生。

用于異常位置識別的訓練數據都是按照要求從用于整體狀態異常評估的訓練數據中分離出來，分離時只改變向量的維數，不改變向量序列。

3.2 異常位置識別

當整體狀態發生異常時，就要進行異常位置識別，異常位置識別采用逐級分區識別方法，逐步實現異常位置識別功能。結合丫髻沙大橋的實際監測狀況，異常位置識別采用三級分區識別。第一級分區：確定異常位置處于上游側還是下游側；第二級分區：區分異常位置出現在拱肋構件上或者吊桿、剛橫梁構件上；第三級分區：確定具體異常位置。通過三級分區，一共可以得到22個訓練完成的神經網絡，以及相對的新奇指標。

3.3 異常位置識別流程

將狀態異常識別分成兩個階段：第一個階段是整體狀態識別；第二個階段是狀態異常位置識別。異常位置識別流程如圖5所示。

3.4 工程驗證

丫髻沙大橋正處于運營中時常會有超載車輛通過，當超載車輛通過橋梁時，理論上橋梁受力會發生異常。以2014年12月2日的數據為例，用實測數據對該拱橋異常狀態識別方法進行驗證。在整體異常狀態識別階段，新奇指標大于設定閾值時，就會自動啟動狀態異常位置識別程序。整體新奇指標變化如圖6所示。

當新奇指標超過設定閾值時，開始逐步分區識別：

第一級分區：上游網絡的新奇指標大于設定閾值，下游網絡的新奇指標小于設定閾值，說明狀態異常出現在上游，下游正常。

第二級分區：目的是檢測異常發生在上游拱肋處或上游吊桿鋼橫梁處，拱肋和吊桿鋼橫梁處的新奇指標都超過了既定閾值。說明異常在拱肋和吊桿鋼橫梁處都有發生。

第三級分區：根據第二級分區識別的結果，對上游拱肋和上游吊桿橫梁截面進行進一步分區。上游拱肋[D]截面與上游吊桿鋼橫梁4#，17#截面新奇指標均大于設定閾值。

根據對健康監測系統實際采集的吊桿索力數據（kN）的分析，如圖7所示，吊桿4#，17#，30#依次出現比較大的波動，波動幅度超過原荷載的10%，通過該數據分析可知，有大型超載車從丫髻沙大橋的上游側依次通過4#，17#，30#吊桿，通過調取當時監控錄像，確實發現有大型超載車出現。

通過后期對實測數據和監控錄像分析的結果與該拱橋狀態識別方法識別的結構完全吻合，之后吊桿索力恢復正常，同時狀態識別新奇指標也恢復正常，說明這次異常沒有對橋梁造成直接的損害，橋梁整體安全，與人工巡檢結論類似。同時可以發現，大型超載車對橋梁結構的受力產生了比較大的影響，為了保證該橋的正常使用壽命，建議監管部門嚴格控制超載。

4 結 論

本文為完成健康評估系統中橋梁結構異常狀態識別的功能以及為基于多種評價信息融合的健康安全性評估方法提供橋梁整體運營狀態的評價依據，探討了基于BP神經網絡的新奇檢測技術進行橋梁結構異常狀態與位置識別的方法。為了驗證該方法在結構異常狀態與位置識別中的可行性，首先將該方法應用于T梁模型試驗中開裂狀態與異常位置識別，該方法在工程試驗中得到了可行性驗證。然后將該方法應用于大跨度拱橋損傷位置識別，并且用現場實測數據進行了驗證。結果表明，該方法不但可以對捕捉超載車輛對結構整體運營狀態產生的影響，而且可以對異常位置進行較為準確的識別。

參考文獻

[1] 孫宗光，倪一清，高贊明.基于新奇檢測技術的橋梁結構損傷預警方法[J].公路交通科技，2007，24（10）：72?75.

[2] 溫青.斜拉橋索力健康監測[D].湘潭：湖南科技大學，2013：47?49.

[3] 張曉昕，朱賀，劉遙路，等.基于監測數據的拱橋吊桿疲勞壽命評估方法及應用[J].防災減災工程學報，2010，30（z1）：314?317.

[4] Matlab中文論壇.Matlab神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010：4?5.

[5] 趙玲，李愛群.基于神經網絡技術的斜拉橋損傷分步識別方法[J].公路交通科技，2009，26（9）：70?75.

[6] 余波，邱洪興，王浩，等.楊浦大橋鋼箱梁疲勞應力監測及壽命分析[J].公路交通科技，2009，26（8）：105?109.

[7] 向桂兵.懸索橋吊索疲勞疲勞裂紋擴展行為研究[D].長沙：長沙理工大學，2009：49?51.

[8] 王修勇，溫青，楊琪，等.基于新奇檢測技術的斜拉索狀態評估[J].公路交通科技，2011，28（9）：53?59.