橋梁結(jié)構(gòu)損傷識別研究現(xiàn)狀與展望

劉 琦，聶 鵬，戴華林，王亞風(fēng)，洪 姣

（天津城建大學(xué) 計算機(jī)與信息工程學(xué)院，天津市 300384）

0 引言

土木結(jié)構(gòu)，是人類社會中不可或缺的組成部分。海量的大型土木結(jié)構(gòu)在服役過程中，會出現(xiàn)各種內(nèi)外因素不可避免地使其穩(wěn)定性下降、出現(xiàn)傷亡事故的可能性大幅上漲[1]。橋梁的健康監(jiān)測系統(tǒng)需對結(jié)構(gòu)內(nèi)部進(jìn)行切實有效的實時監(jiān)測。技術(shù)人員執(zhí)行健康監(jiān)測任務(wù)時，需要通過分析系統(tǒng)所采集數(shù)據(jù)，對結(jié)構(gòu)既存損傷進(jìn)行識別，管護(hù)人員得以通過修繕使橋梁結(jié)構(gòu)的健康狀況得到提升。橋梁健康監(jiān)測系統(tǒng)是指利用目前的高新技術(shù)，實時獲得橋梁結(jié)構(gòu)響應(yīng)數(shù)據(jù)，通過分析數(shù)據(jù)以判斷橋梁結(jié)構(gòu)損傷的系統(tǒng)[2]，如圖1 所示。而在橋梁健康監(jiān)測系統(tǒng)運(yùn)行過程中，結(jié)構(gòu)損傷識別是健康監(jiān)測系統(tǒng)的核心，即對結(jié)構(gòu)進(jìn)行檢測和評估，確定結(jié)構(gòu)是否損傷及損傷具體位置、輕重程度和變化趨勢。

圖1 健康監(jiān)測系統(tǒng)在土木橋梁結(jié)構(gòu)中的應(yīng)用

國內(nèi)外學(xué)者在橋梁的結(jié)構(gòu)損傷識別方面進(jìn)行了大量探索。王凌波等[3]根據(jù)近年國內(nèi)外橋梁健康監(jiān)測領(lǐng)域的成果，總結(jié)性闡述了橋梁健康監(jiān)測在系統(tǒng)、算法、損傷預(yù)警等多方面取得的技術(shù)進(jìn)展，及BHM（Bridge Health Monitoring，簡稱BHM）技術(shù)現(xiàn)今的研究熱點和未來發(fā)展方向。郭天惠等[4]采用不同應(yīng)變計所測得兩種應(yīng)變值，校正橋梁健康監(jiān)測系統(tǒng)采集的應(yīng)變數(shù)據(jù)輔助系統(tǒng)的運(yùn)行。Kwon 等[5]創(chuàng)造性開發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)（ANN）行為預(yù)測的、能在復(fù)雜荷載條件下進(jìn)行橋梁健康監(jiān)測的建筑信息模型（BIM）框架，并在韓國一座橋梁應(yīng)用，試驗證明了該模型的良好預(yù)測精度。

近代人工智能、現(xiàn)代傳感技術(shù)、信息融合等各類高新技術(shù)的蓬勃發(fā)展亦帶動了結(jié)構(gòu)損傷識別技術(shù)進(jìn)步。本文依據(jù)方法實現(xiàn)過程中所應(yīng)用數(shù)據(jù)的類型、方法分析過程的具現(xiàn)化差異，對結(jié)構(gòu)損傷識別方法進(jìn)行劃分，歸納了近年來學(xué)者所取得的研究成果。同時介紹了目前主流的結(jié)構(gòu)智能損傷識別方法，總結(jié)所提及算法的優(yōu)點與不足，最終對橋梁結(jié)構(gòu)損傷識別技術(shù)的發(fā)展與改進(jìn)方向進(jìn)行了展望。

1 基于結(jié)構(gòu)響應(yīng)類型的損傷識別研究現(xiàn)狀

識別方法根據(jù)結(jié)構(gòu)損傷識別過程中所用模型的結(jié)構(gòu)響應(yīng)樣本數(shù)據(jù)類型，可被劃分為基于靜力響應(yīng)的結(jié)構(gòu)損傷識別、基于動力響應(yīng)的損傷識別、以及基于動靜力響應(yīng)結(jié)合損傷識別，如圖2 所示。

圖2 基于結(jié)構(gòu)響應(yīng)的損傷識別方法分類

1.1 基于靜力響應(yīng)的結(jié)構(gòu)損傷識別方法

在識別結(jié)構(gòu)損傷時可以直接通過現(xiàn)有的傳感技術(shù)從結(jié)構(gòu)中收集應(yīng)變、位移、撓度等靜力響應(yīng)數(shù)據(jù)，通過采集結(jié)構(gòu)節(jié)點數(shù)據(jù)，并將其對比、計算，分析結(jié)構(gòu)內(nèi)部的損傷。靜力損傷識別過程通常是被改良的反演識別過程。靜態(tài)測試通常會顯示外部負(fù)載。因此，通過最大化結(jié)構(gòu)響應(yīng)誤差的削減的力度，達(dá)成求解的結(jié)構(gòu)輸出反演最優(yōu)化，是靜力損傷識別的主要目的[6-7]。真實的自然環(huán)境中，通過傳感器采集所得的原始數(shù)據(jù)，初始樣本數(shù)據(jù)難免包含噪聲信息。采取有效方法對數(shù)據(jù)內(nèi)部的噪聲信息進(jìn)行針對性識別并分離，處理后的樣本數(shù)據(jù)才能夠有效應(yīng)用于損傷識別。

1.2 基于動力響應(yīng)的結(jié)構(gòu)損傷識別方法

是否擁有對結(jié)構(gòu)壞點高度敏感的樣本參數(shù)，對基于動力響應(yīng)的損傷識別方法至關(guān)重要，適當(dāng)選擇模態(tài)數(shù)據(jù)決定了損傷識別任務(wù)的難易程度。通常用于損傷識別直接定位的物理參數(shù)必須是局部變量，且有兩個重要先決條件，一是對結(jié)構(gòu)局部壞點高度靈敏；二是位置坐標(biāo)的函數(shù)[8]，通常分為結(jié)構(gòu)性動態(tài)測試、提取損壞相關(guān)的特征參數(shù)以及算法應(yīng)用識別損傷三步[9]。算法根據(jù)處理時的差異可分為基于模態(tài)的損傷識別方法和基于信號處理的損傷識別方法。目前主流的算法包括傅里葉變換、短時傅里葉變換、小波分析和盲源分離法等，如圖3 所示。與靜力響應(yīng)數(shù)據(jù)相比動力響應(yīng)數(shù)據(jù)同樣受噪聲影響較大。

圖3 基于動力響應(yīng)的損傷識別方法分類

1.3 基于動靜力響應(yīng)結(jié)合的結(jié)構(gòu)損傷識別方法

基于動靜力響應(yīng)相結(jié)合的結(jié)構(gòu)損傷識別方法相較于對動力或靜力響應(yīng)數(shù)據(jù)單獨(dú)調(diào)用的方法，由于動力響應(yīng)參數(shù)和靜力響應(yīng)參數(shù)在樣本采集、數(shù)據(jù)分析等方面均有較大差異，將兩者完美地結(jié)合使用具有一定挑戰(zhàn)性。目前學(xué)術(shù)界對于動靜力結(jié)合的結(jié)構(gòu)損傷識別方法研究與課題數(shù)量有限，亟待學(xué)者對該領(lǐng)域的方法進(jìn)行發(fā)明與創(chuàng)新。

2 基于分析過程的損傷識別研究現(xiàn)狀

2.1 基于模型的損傷識別方法

目前基于模型的損傷識別方法，按照修正目標(biāo)數(shù)可劃分為基于單目標(biāo)和多目標(biāo)優(yōu)化修正方法兩類，修正參數(shù)內(nèi)容多為模態(tài)參數(shù)、模態(tài)參數(shù)的派生參數(shù)和響應(yīng)面三類。Berman 等[10]利用模態(tài)樣本解決擾動矩陣最小值問題，并修正模型，創(chuàng)立了最標(biāo)準(zhǔn)化的模態(tài)修正法。Zhao 等[11]通過比較模態(tài)頻率、模態(tài)形狀和特定系統(tǒng)中剛度變化的柔度敏感性，確定模態(tài)柔度對損壞最敏感，使得其更好地識別結(jié)構(gòu)損傷。現(xiàn)今很多學(xué)者將人工智能和統(tǒng)計學(xué)與有限元模型修正相結(jié)合進(jìn)行多目標(biāo)修正以解決單目標(biāo)模型修正無法應(yīng)用于復(fù)雜土木結(jié)構(gòu)的問題。

2.2 基于數(shù)據(jù)驅(qū)動的損傷識別方法

數(shù)據(jù)驅(qū)動的損傷識別方法與模型驅(qū)動的損傷識別方法相對應(yīng)，實驗使用數(shù)據(jù)采集裝置獲得的樣本數(shù)據(jù)進(jìn)行，通過分析所得的測量數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)異常值，確定結(jié)構(gòu)損傷位置和損傷程度。常用的損傷識別方法有傅里葉變換、自回歸滑動平均模型（ARMA）、基于概率統(tǒng)計的貝葉斯（Bayesian）模型修正和基于蒙特卡洛（Monte-Carlo）隨機(jī)模擬的方法等，其中小波分析方法受到更多研究者的青睞。

小波分析指使用小波變換分析輸入信號的細(xì)節(jié)并提取特征的過程。通常學(xué)術(shù)界在利用小波分析進(jìn)行損壞識別時，按照響應(yīng)不同，劃分為兩類，如圖4所示。一是基于時域響應(yīng)的分析方法，其中包括利用小波系數(shù)波動、利用小波分解能量波動和利用時域分解圖不連續(xù)點三種方法。二是基于空間域響應(yīng)的分析方法，包含將小波分析與模態(tài)類識別方法結(jié)合，或者使用小波分析擔(dān)任預(yù)處理任務(wù)，并先使用小波來處理輸入信號。再利用模式識別的分類器或反演算法使用處理后的信號來完成對于結(jié)構(gòu)內(nèi)部的損傷定位和具體的損傷程度判斷[12]。

圖4 小波分析理論及相關(guān)延展的損傷識別方法分類

小波方法只能對損傷發(fā)生時刻及位置研判，若使用小波分析直接對具體的結(jié)構(gòu)損傷輕重程度進(jìn)行辨析，需結(jié)合小波法與其他技術(shù)。杜志軍等[13]應(yīng)用小波分析法處理三層鋼框架，不同既定條件下高效準(zhǔn)確地識別了結(jié)構(gòu)損傷。吳壯[14]在移動荷載作用下以大冶湖特大橋主橋有限元模型進(jìn)行結(jié)構(gòu)損傷識別，成功證明小波的結(jié)構(gòu)損傷識別能力。常虹[15]混合應(yīng)用小波分析將加速度數(shù)據(jù)進(jìn)行預(yù)處理預(yù)判損傷發(fā)生位置，再使用神經(jīng)網(wǎng)絡(luò)判斷結(jié)構(gòu)損傷程度。由于小波分析方法中難以將一維的良好特性擴(kuò)展到二維之外，當(dāng)算法使用的數(shù)據(jù)為二維圖像或更高維時，小波分析則需要改良優(yōu)化或混合其他算法。

3 結(jié)構(gòu)智能損傷識別研究現(xiàn)狀

人工智能的快速發(fā)展，在帶動科學(xué)界革新與進(jìn)步的同時，也為土木等學(xué)術(shù)領(lǐng)域帶來蓬勃發(fā)展。其中機(jī)器學(xué)習(xí)方法在對結(jié)構(gòu)損傷識別的任務(wù)中表現(xiàn)不俗，取得了驕人的成績。人工智能高度模擬人腦的特性、高度契合健康監(jiān)測系統(tǒng)的智能特性，使其在土木領(lǐng)域受到學(xué)者的廣泛關(guān)注并應(yīng)用于各式復(fù)雜結(jié)構(gòu)，在結(jié)構(gòu)損傷識別中體現(xiàn)了重要的研究價值和應(yīng)用價值。

3.1 遺傳算法

遺傳算法是最早被應(yīng)用于結(jié)構(gòu)損傷識別的智能算法之一。早期學(xué)者Holland[16]提出遺傳算法，并初步闡述了最原始遺傳算法的基本原理，之后它便成為系統(tǒng)識別領(lǐng)域重要的數(shù)學(xué)優(yōu)化工具。Guo 和Li[17]通過遺傳算法創(chuàng)立了一套完整的多步損傷定位定量識別方案；Cha 等[18]使用多目標(biāo)遺傳算法NSGA-II，借助于模態(tài)應(yīng)變能識別了存在于三維結(jié)構(gòu)內(nèi)部的損傷；Maers 和Surace[19]使用模態(tài)分析理論建立了目標(biāo)函數(shù)，并對桁架結(jié)構(gòu)進(jìn)行方法驗證識別。

遺傳算法在損傷識別任務(wù)中具有良好的自適應(yīng)性，能夠有效處理非線性問題，具有抗噪性、魯棒性。但當(dāng)數(shù)據(jù)量較大時，遺傳算法存在收斂速度慢、控制變量較多等弊端，因此大數(shù)據(jù)訓(xùn)練前，需要對算法進(jìn)行優(yōu)化使用。

3.2 主成分分析法

通常，結(jié)構(gòu)智能損傷識別方法需要大量的樣本數(shù)據(jù)作為支撐，但獲取的原始數(shù)據(jù)難以避免地存在噪聲，只有進(jìn)行數(shù)據(jù)預(yù)處理才能高效完成損傷識別。主成分分析法（Principal Component Analysis，簡稱PCA）是進(jìn)行數(shù)據(jù)壓縮的經(jīng)典數(shù)學(xué)統(tǒng)計分析方法，能夠保證在數(shù)據(jù)的特征信息損失最少的情況下，將高維數(shù)據(jù)進(jìn)行降維處理。李振環(huán)[20]將PCA 與小波閾值法聯(lián)合使用，通過多工況進(jìn)行研究實驗，獲得了良好的降噪效果。

傳統(tǒng)PCA 是將所有的監(jiān)測數(shù)據(jù)一并進(jìn)行分析，無法區(qū)分有損數(shù)據(jù)和無損數(shù)據(jù)，因此存在一定局限性。Posenato 學(xué)者利用時間窗口中的特征向量進(jìn)行對比分析，以高敏高速的特性進(jìn)行損傷識別，稱為MPCA（Moving Principal Component Analysis）法。張舸[2]以建立的數(shù)據(jù)集為基礎(chǔ)，應(yīng)用機(jī)器學(xué)習(xí)建立MPCA 所獲得的特征與結(jié)構(gòu)損傷狀態(tài)之間的對應(yīng)關(guān)系，獲得更好的損傷識別效果。

3.3 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

機(jī)器學(xué)習(xí)算法中包含BP 神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)（SVM）等淺層學(xué)習(xí)算法。淺層學(xué)習(xí)算法的特征在于其隱含層的層數(shù)少，運(yùn)算速度快，處理效率高。淺層學(xué)習(xí)算法適用于處理數(shù)據(jù)規(guī)模較小的情況，但容易陷入局部最優(yōu)解、無法處理大數(shù)據(jù)任務(wù)。神經(jīng)網(wǎng)絡(luò)由于其能夠保留訓(xùn)練過程的記憶，隨之與結(jié)構(gòu)健康時的歷史數(shù)據(jù)對比確定損傷，且能過濾噪聲并從數(shù)據(jù)中分辨損傷原因和類型，較為適應(yīng)于結(jié)構(gòu)損傷識別任務(wù)。當(dāng)今的土木結(jié)構(gòu)越來越復(fù)雜，在進(jìn)行損傷識別過程中需要處理很大批量的不同種類的監(jiān)測數(shù)據(jù)，淺層學(xué)習(xí)難于滿足大數(shù)據(jù)時代的需求，因此深度學(xué)習(xí)算法受到眾多學(xué)者們的廣泛關(guān)注與研究。

深度學(xué)習(xí)（Deep Learning）是機(jī)器學(xué)習(xí)（Machine Learning）領(lǐng)域的一個分支，是一個前沿的科學(xué)研究方向。深度學(xué)習(xí)能夠使機(jī)器模擬人腦的思維過程，讓機(jī)器像人類一樣擁有分析、模仿、學(xué)習(xí)文字、圖像、聲音等多類型的數(shù)據(jù)。Jia 等[21]應(yīng)用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network），對各種工況下測量的滾動軸承參數(shù)齒輪箱數(shù)據(jù)，挖掘特征進(jìn)行診斷故障；Avci 和Abdeljaber[22]利用自組織神經(jīng)網(wǎng)絡(luò)（Self-Organization Maps），通過對鋼結(jié)構(gòu)模型不同工況下的響應(yīng)數(shù)據(jù)進(jìn)行訓(xùn)練，取得了良好的識別效果；Abdeljaber 等人[23]首次提出基于一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的結(jié)構(gòu)損傷監(jiān)測系統(tǒng)；駱勇鵬等[24]使用1D-CNN 處理結(jié)構(gòu)的加速度數(shù)據(jù)，在簡支梁、鋼框架橋等結(jié)構(gòu)驗證了方法的可行性和可靠性。周之等[25]使用徑向基神經(jīng)網(wǎng)絡(luò)，對懸梁臂模擬損傷進(jìn)行了有效識別。

深度學(xué)習(xí)的學(xué)習(xí)能力強(qiáng)、覆蓋范圍廣、可移植性強(qiáng)，但作為大數(shù)據(jù)時代的產(chǎn)物，使用深度學(xué)習(xí)處理實際問題時，為了達(dá)到良好的學(xué)習(xí)效果，必須使用足夠大的數(shù)據(jù)集作為支撐，否則會遇到機(jī)器學(xué)習(xí)不夠充分，導(dǎo)致識別效果不佳的問題。

4 結(jié)構(gòu)損傷識別方法展望

如何使土木結(jié)構(gòu)的穩(wěn)定性得到足夠保障是整個社會需要共同研究的課題。目前損傷識別方法在實際工作中遇到了很多困難，各類問題使得橋梁結(jié)構(gòu)損傷識別方法的革新創(chuàng)造之路仍然漫長。解決下述現(xiàn)今土木領(lǐng)域中三個重要的問題，能夠使橋梁結(jié)構(gòu)損傷識別技術(shù)得到里程碑式發(fā)展：

（1）多角度結(jié)合橋梁不同種類數(shù)據(jù)的方法研究

橋梁損傷檢測所應(yīng)用數(shù)據(jù)隨所用模型而改變。某種類型的風(fēng)險檢測往往是基于特定理論體系或數(shù)據(jù)模型進(jìn)行實驗和研究，并根據(jù)結(jié)果評估對故障造成的損害。目前多角度結(jié)合的損傷識別方法相關(guān)研究較少，但僅從基于動靜力響應(yīng)結(jié)合的損傷識別方法可以證明，多角度結(jié)合橋梁不同種類數(shù)據(jù)的方法更加的高效、準(zhǔn)確，具有較高的研究價值。

（2）土木結(jié)構(gòu)早期損傷研究

結(jié)構(gòu)內(nèi)部在出現(xiàn)已定義的明顯結(jié)構(gòu)損傷前，存在稱為早期損傷或潛在損傷的細(xì)微結(jié)構(gòu)變化[26]。早期損傷對于結(jié)構(gòu)系統(tǒng)的影響較小，不會使結(jié)構(gòu)模態(tài)參數(shù)有顯著變化，亦不會使結(jié)構(gòu)外觀上與功能上產(chǎn)生人為可以觀測到的顯著變化。通過更先進(jìn)的技術(shù)手段探查到結(jié)構(gòu)的早期損傷，及時修繕與維護(hù)工作，能夠在結(jié)構(gòu)發(fā)生重大損傷、造成實際損失前阻止其發(fā)生。

（3）現(xiàn)場數(shù)據(jù)采集過程的優(yōu)化與改良

現(xiàn)場測試數(shù)據(jù)的指標(biāo)精度直接影響損傷識別任務(wù)的結(jié)果精度[27]，保證測試數(shù)據(jù)準(zhǔn)確性最直接的方法是對于數(shù)據(jù)采集裝置的改進(jìn)。監(jiān)測結(jié)構(gòu)損傷狀態(tài)所需的采集裝置數(shù)目、布局等同樣影響測試數(shù)據(jù)精度。因此，未來研究方向除了損傷識別的理論與方法外，如何收集高精度測試數(shù)據(jù)同樣需要深入研究。