基于SVD分解及ARM Cortex-M4嵌入式平臺的橋梁異常檢測方案設計

摘要 為了維護橋梁安全，提升橋梁異常檢測的實時性和準確性，該文提出了一種基于SVD分解及ARM Cortex-M4嵌入式平臺的橋梁異常檢測方案。該方案設計了一種基于SVD分解算法的橋梁震動異常數據檢測方法，并使其部署于嵌入式平臺，通過實時監測橋梁振動數據，經過嵌入式平臺中微處理器的運算，快速得出橋梁狀態是否存在異常，如果發生異常則將異常數據上傳至預警平臺。實驗結果表明，系統適用性強、功耗低、響應及時。

關鍵詞 SVD分解；嵌入式平臺；橋梁異常檢測

中圖分類號 U447 文獻標識碼 A 文章編號 2096-8949（2023）08-0001-04

0 引言

隨著我國大力推進交通運輸業的發展，交通運輸量大幅度增長，車流量和交通負荷越來越大，而現有許多橋梁建造較久，存在結構老化、鋼構件腐蝕以及微裂縫和空洞的缺陷等，存在重大的安全隱患，隨時可能發生坍塌和斷裂事故，因此迫切需要對這些橋梁開展安全監測，消除安全隱患[1]。為此，王艷[2]提出了一種基于物聯網技術的大型橋梁安全監測系統。魏友志[3]通過布設高精度的物聯傳感器和通信基礎，以實現橋梁和隧道的結構安全監測。尚治宇[4]等通過在關鍵點位安裝、設置感知終端和傳感器監測設備，并將實時數據通過有線或者無線方式傳輸到系統平臺，從而達到橋梁安全診斷的目的。李春生[5]等通過合理地布置監測測點，對該高速公路病害橋梁進行長期健康監測。張正偉[6]等通過引入無線傳感技術，對高架橋梁應力結構安全監測方法進行研究。上述方案大多利用傳感器進行數據采集，然后上傳至云平臺或其他后臺進行數據處理，并沒有在傳感器布設端直接進行異常檢測。由于數據采集終端需要大量布設在橋梁的橋面、橋底、橋墩等位置，目前主要采用電池供電，而數據最終需要上傳至云平臺，長時間高頻率發送數據到云平臺，會導致實時性降低、功耗高和電池持久性低。

該文設計了一種基于SVD分解及ARM Cortex-M4嵌入式平臺的橋梁異常檢測方案，將基于SVD分解算法的橋梁異常檢測方法轉換為嵌入式C語言，植入基于ARM Cortex-M4內核的微控制器嵌入式平臺，通過微處理器實時運算，將異常數據遠程上傳至云平臺。該方案選用Cortex-M4嵌入式平臺，兼具低功耗和強大的數據運算能力。另外，可以直接在嵌入式平臺進行數據處理和運算，從海量橋梁振動數據中挖掘異常信息，摒除大量冗余數據，從而有效提高檢測的實時性，降低系統運行功耗，便于大規模鋪設于橋梁進行多部位檢測。

1 嵌入式平臺總體結構

該平臺主要包括傳感器、微控制器、無線傳輸模塊、供電電池以及外圍電路五個部分。平臺總體結構如圖1所示，核心是微控制器，主要負責將傳感器檢測到的橋梁振動數據進行處理和分析，如果存在異常，則將異常數據通過無線模塊發送到云平臺。微控制器選用的32位ARM Cortex-M4處理器內核是Cortex-M陣容中首款采用專用數字信號處理（DSP）IP單元（包括可選浮點單元FPU）的內核。它適合需要高效率、易于使用的控制和信號處理能力的數字信號控制應用，如IoT、電機控制、電源管理、嵌入式音頻、交通、工業和家居自動化、醫療保健和健康應用。傳感器主要用于采集橋梁實時的震動信息，選用ADI公司的ADXL355芯片作三軸MEMS振動傳感元件。它的優點包括：①低噪聲密度；②低0 g失調漂移；③低功耗；④3軸加速度計；⑤具有可選測量范圍；⑥在溫度范圍內提供低噪聲、小失調漂移和長期穩定性，可實現校準工作量極小的精密應用；⑦體積小巧，集成度高。另外，系統中還配有供電電池為系統提供能源，外圍電路負責系統的復位、運行時鐘和調試等。

2 異常檢測算法流程

圖2是整體算法框架，傳感器設為20 ms采集一次，每次采集到的數據是X、Y、Z軸三個方向信息，10 min為一次處理周期，當處理周期結束后，則將該周期內采集到的數據存入矩陣A，A∈RN*3，N為30 000。矩陣A中每一行元素對應傳感器每次X、Y、Z軸方向的采樣值。考慮到平臺由于實際安裝時會產生一定的傾角而不在絕對水平狀態，因此需要對A進行校正，得到矩陣A'，A'∈RN*3后再對矩陣A'進行降采樣，得到B，B∈RM*3，其中M≤N，（N/M）為降采樣倍數。對B進行FFT變換，提取B的第一列，即傳感器的X軸采樣數據，構成向量長度為 M 的離散序列αT=[α0，α1，…，αm-1]，構建多項式：

其中，XT=[1，x，x2，...，xm?1]，用m次單位根生成m個不同的值，即。對應的點值表示可以用下面的矩陣運算完成：

式（2）可化簡為下式：

式中，序列Pα被稱為α的離散傅里葉變換（DFT），即頻域序列。同理，可以得到Y軸和Z軸數據的傅里葉變換Pβ和Pγ，三者構成矩陣C，C∈RM*3。將C中每行元素構建為3×3的矩陣C '，將C '進行SVD分解。

式中，∑為3×3的對角矩陣，提取∑中的對角元素，即得到C '的奇異值，經過排序和不斷迭代，得到矩陣D，D∈RM*3。取D的第1列，計算阻尼系數ζ。阻尼系數越大，表示該段時間內振幅衰減系數越大，即振幅衰減得越快。

式中，f表示設定的閾值，如果ζ超過設定的閾值，表示該時間段有異常發生，則將該時間段數據通過無線模塊發送至云平臺，否則認為是正常狀態，則將數據保存在本地嵌入式平臺。

3 嵌入式平臺處理流程

該方案基于嵌入式平臺實現，其中ARM Cortex-M4處理器使用C語言進行數據處理，因此需要將異常檢測算法轉化為C語言代碼。圖3為程序的執行流程圖。

首先將剛采集到的原始數據通過降采樣，對數據進行降維，減少后續的處理量。然后對數據進行分段傅里葉變換和SVD分解求解奇異值，并通過不斷迭代更新，最后通過奇異值計算阻尼系數，進而通過阻尼系數與設定的閾值對比，得出當前時段內是否有異常發生。下面的算法1詳細展示了對數據進行SVD分段處理及迭代的過程。

算法1：數據SVD分段處理及迭代

Input：B，B∈RM*3

Parameter：fs，res

Output：D，D∈RM*3

1：Initialize" seg=1/res，Nseg=M/ seg

2：repeat

3：" for i = 0 to （seg-1） do

4：" " C = FFT（B[i * Nseg：（i + 1） * Nseg， ：]）

5：" " "for j = 0 to （Nseg-1） do

6：" " "C ' = C[ j，：]T * C[ j，：]

7：" " "D'[ j，：] ← SVD（C '）

8：" " " D'[ j，：] ← SORT（D'[ j，：]）

8：" " end for

9：" " D ←D + D'

10：" end for

11：return D

其中，在FFT變換過程中，該文將其拆分為若干級迭代的蝶形運算，而且這種算法采用原位運算，可以有效地降低算法復雜度，提高運算效率。每個蝶形運算單元的結構如圖4所示：

式（6）～（7）中，X（a）和X（b）是輸入數據，Y（A）和Y（B）是輸出數據。上面的兩個公式就構成了基本蝶形結構。

4 測試與分析

為了測試該平臺的穩定性和效果，我們開發了一款分析軟件，圖5為系統的測試效果圖。

圖5（a）為實時信號，圖5（b）為經過算法處理后的數據，可以看到不同時間和情況下產生的計算結果是不一樣的，當某次出現明顯高于平常的計算結果時，表示異常發生，因此以上實驗驗證了該方案的有效性。

5 結語

該文設計了一種基于SVD分解及ARM Cortex-M4嵌入式平臺的橋梁異常檢測方案，首先傳感器將檢測到的橋梁震動數據傳輸到嵌入式平臺中的微處理器，微處理器通過對數據進行處理和分析，如果存在異常，則將異常數據通過無線模塊發送到云平臺。該系統的優勢主要有以下幾個方面：

（1）設計了一種基于SVD分解算法的橋梁異常檢測方法，能夠將橋梁的振動數據進行判別，具有較高的可靠性。

（2）將算法轉換為嵌入式C語言，植入基于ARM Cortex-M4內核的微控制器嵌入式平臺，可以直接在嵌入式平臺進行數據處理和運算，摒除大量冗余數據，從而有效提高了檢測的實時性，降低了系統運行功耗。

（3）對于采集到的前端傳感數據能夠智能化判斷異常和實時上傳，并最終在后端平臺進行可視化呈現。測試表明，系統適用性強、可靠性高、響應及時。

參考文獻

[1]曹屹松， 柯福陽， 劉全海， 等. 基于車橋聯動狀態協同監控的橋梁風險評估系統設計與實現[J]. 城市勘測， 2022（6）： 45-48.

[2]王艷. 基于物聯網技術的大型橋梁安全監測系統設計[J]. 無線互聯科技， 2023（1）： 35-37.

[3]魏友志. 基于物聯網的橋隧結構健康監測系統[J]. 中國新通信， 2023（2）： 42-45.

[4]尚治宇， 孟利波， 高凡，等. 基于橋梁物聯監測場景的信息安全分級研究[J]. 中國建設信息化， 2022（22）： 69-71.

[5]李春生， 朱德慶， 陸久飛，等. 中小跨徑橋梁加固后健康監測方案設計[J]. 建筑結構， 2022（S2）： 1917-1923.

[6]張正偉， 袁俊英. 高架橋梁應力結構安全監測方法研究[J]. 現代交通技術， 2022（5）： 37-39+46.