基于神经网络的桥梁健康监测与预警平台研究

张建龙，赵东月，栗怡文，郑旭达，王 雄，伍卫国，彭家意

(1.河南省高速公路联网管理中心，河南 郑州 450016;2.西安交通大学，陕西 西安 710049;3.苏交科集团股份有限公司，江苏 南京 210012)

0 引 言

由于设计缺陷、超载运营以及洪水、台风等自然灾害侵蚀等原因，很多旧桥的管养和运维工作面临很大挑战。自20世纪80年代起，健康监测技术开始被引入桥梁工程中，成为传统人工检查方式的重要补充。目前，国内公路桥梁正在迈向信息化，面向公路大中型桥梁的结构健康监测系统仍存在一些问题亟待解决，如，桥梁设计标准各异，桥间信息共享困难，系统耐久性难以保障，存在数据灾难等。数据灾难是指，系统中采集的各类型数据，由于传统的统计学方法适合处理较小的数据集，使得海量数据不能得到有效利用。研究表明，随着监测数据的长年积累，数据库中存储的数据量级将达到PB级[1]。而且桥梁数据具有数量大、种类多、增长快、价值密度低等特性，此种类型适用于大数据技术进行处理，因此，通过大数据技术等方式对桥梁数据进行分析利用是一种值得研究且有效的解决方案[2]。

针对当前桥梁健康监测平台面临的数据灾难问题，该文利用大数据技术，综合分析不同类型桥梁结构、运维环境及运行荷载等类型数据，构建桥梁信息化综合管理和结构健康评估平台，提供各项桥梁运行数据的监测与展示，并且使用采集到的数据对未来一段时间桥梁的状态进行预测，形成预测、评估、预警的完整通路，为桥梁的安全保驾护航。

1 健康监测平台发展概况

桥梁健康监测平台以桥梁主桥为主要监测对象，桥梁结构健康监测平台典型拓扑图如图1所示，包括传感器子系统、数据采集与传输子系统、数据存储与处理子系统以及状态评估子系统。随着计算机技术的发展，针对传统平台中存在的数据孤立等问题，出现了基于物联网[3]、web[4]、无线传感器网络[5]等各类新型监测平台，促进了监测平台的发展进步。

图1 桥梁结构健康监测系统典型拓扑图

近年来，由于传统统计学方法的局限性，大数据及人工智能技术在桥梁健康监测上的应用得到了重视，用来解决计算力不足、分析方法低效等问题。例如，马宏伟等人[6]将人工智能应用于桥梁的损伤预警中，在完成预警功能的前提前，尽可能减少传感器的使用，降低成本。李艳博等人[7]从微观结构出发，将神经网络应用于橡胶沥青混凝土的再生疲劳寿命预测，实验表明，神经网络比传统模型更有效。杨彦海等人[8]采用BP神经网络时间序列模型和支持向量机模型预测地热再生沥青路面中沥青老化指标的衰变，以此评判出最佳养护时间。在桥梁的损伤识别与结构状态评估中, Alamdari等[9]在钢拱桥发生的裂缝损伤及传感器故障进行识别中，通过改进K均值聚类方法在聚类过程中消除异常值的不利影响。Zhou等[10]使用层次聚类方法识别某自由梁模型的截面损伤，相较基于距离度量的方法可免于对结构基准状态的设定。

综上所述，在桥梁健康监测领域，采用机器学习的方式可以在海量数据中挖掘具有价值的信息，将其汇总后构建完善的大数据云平台，完成桥梁健康状态的评估与预测。本平台中，通过基于神经网络的时间序列预测模型，完成对桥梁的数据的分析预测。

2 桥梁健康监测平台设计

该文提出的桥梁健康监测平台，按功能可以划分为数据监测系统与预测评估系统两个部分。如图2(a)所示：数据监测系统作为基础，主要负责数据采集、传输与存储。预测评估系统作为核心，主要负责对采集到的数据进行实时分析，其中，结构健康评估子系统通过特定的方法分析可能存在的桥梁安全隐患，数据预测子系统通过采集到的桥梁实时数据对未来一段时间内的桥梁状态进行预测并反馈给评估模块，从而形成预测、评估、预警的完整通路。

图2 平台组成结构框架

桥梁健康监测平台的软件架构如图2(b)所示。应用层是用户查看和管理整个监测平台的主要途径，该层的主要功能是进行可视化处理，从而将数据直观展示给用户，服务器对请求进行相应的处理提交给用户。数据分析层是由结构健康评估和数据预测子系统完成其主要功能，对数据进行处理分析。数据管理层主要负责对用户管理、节点管理、监测管理、文件管理各个功能模块的业务逻辑进行处理。数据访问层主要负责对数据的存储和操作，MySQL数据库具有稳健便捷的优点，主要对数据进行增、删、查、改操作。

3 数据监测系统

由图2可知，数据监测包括传感器子系统、数据采集与传输子系统、数据处理与控制子系统，主要负责数据的采集、传输、存储等功能。

传感器子系统通过对传感器进行合理布置，保证传感器子系统的信号稳定性、正确性、可靠性，使得整个系统良好运转，保证桥梁的安全。数据采集与传输子系统由若干数据采集站组成，具体采集站数量与位置根据桥梁长度与结构设计不同，设计时须确保能够正确、完整地采集到各传感器数据，主流的传输策略分为三种：实时传输[11]、采样后传输实时数据、采样后传输处理数据[12]。以文中数据来源桥梁为例，全桥共十一个数据采集站，其中九个数据采集站用于采集大桥健康监测平台传感器测点信号，两个数据采集站用于采集大桥索塔地基安全监控系统部分传感器测点信号。每个采集站由一个FDDI双环光纤网络主干网，局部光纤或电缆网络以及相应的软件系统组成。

数据处理与控制子系统由位于控制机房的数据管理与控制服务器、管理工作站及相应的软件系统组成，是桥梁结构健康监测平台的基本组成部分。其中管理与控制服务器安装于监控中心通讯机房内，管理工作站安装于监控中心内的操作台上。通过对数据的实时监测，并进行展示，可以实时掌控桥梁状态的现状。图3展示的为示例大桥主桥主跨北1-4处路面某日下午13点时的实时温度。

图3 路面温度实时监测

4 预测评估系统

预测评估系统由预测子系统与评估子系统组成。预测子系统通过采用神经网络对数据进行预测，并通过设立预警窗口给予监测中心更充分的时间来处理可能出现的问题。评估子系统将实时数据以及预测子系统反馈的预测数据进行分析，从而对未来一段时间内桥梁的安全状态做出评估判断。

4.1 预测子系统

4.1.1 模型划分

传统桥梁健康监测与预警平台中，通过对实时数据的分析，实现桥梁状态的预警。然而仅仅依靠传感器的监测是不够的，还要有准确的预测以确保有充分的时间来进行预警。为了更加精准地对桥梁的状态进行预测，该文提出基于神经网络的时间序列预测模型，在该预测模型中，每个样本的数据可以划分为三部分：观察窗口、预警窗口、预测窗口，如图4所示。其中观察窗口即为输入时间序列的长度；预警窗口为预留的间隔时间长度；预测窗口为该模型的输出长度即预测时间长度。与传统的时间序列预测不同，在预测窗口发现异常值后，该模型的预警窗口可以在预警后保证充足时间(该平台中为24h)进行问题处理。

图4 LSTM预测窗口划分

4.1.2 温度预测

由于桥梁结构空间位置的变化在日常运营中主要受升降温的影响，因此温度的预测是格外重要的一环[13]，本节以温度预测为例，采用长短期记忆网络(Long Short-Term Memory，LSTM)[14]进行温度预测。LSTM是为了处理长期依赖以及避免RNN中存在梯度消失的问题而专门设计出来的一种RNN变体，目前已经在数据中心温度[15]、核电设备状态[16]等多种场景得到应用。LSTM使用三个控制阀门来控制网络记忆状态，如图5所示，为一种常见的LSTM的结构。

图5 LSTM典型结构

该模型中，Xt表示当前时刻的数据，Yt-1表示上一时刻LSTM的输出值，Ct-1表示上一时刻的单元状态。三个控制阀门分别为：遗忘门(ft)、输入门(it)、输出门(ot)。其中，遗忘门将上一时刻的单元状态(Ct-1)有选择地保留到当前单元状态(Ct)；输入门将当前网络输入(Xt)有选择地保留到当前单元状态(Ct)；输出门将当前单元状态(Ct)有选择地保留到当前时刻的输出(Yt)。LSTM的记忆机制就是通过这三个门实现的。

在数据预测实验过程中，该预测模型由四层网络组成，LSTM层激活函数为relu，初始学习率设置为0.01，dropout设置为0.2，迭代次数为1 000 次，批次样本数设置为64，损失函数为平方误差函数。数据预测模型的具体参数如表1所示。

表1 模型参数

4.1.3 预测展示

通过集成预测子系统，可以清楚地了解未来一段时间内桥梁的某类型状态的变化。图6展示的为示例大桥主桥主跨北1-4处路面温度实际与预测温度对比图。由预测结果可以看出，LSTM模型在保证24小时的预警窗口下，较好地预测出了未来温度的走向。尤其是在温度峰值的预测上，可以最大程度上降低错误预警。随着神经网络逐渐普及，其预测准确度也广受认可，预测子系统将作为传统监测手段的一个重要补充，充分提高桥梁监测平台的可靠性。

图6 实际温度与预测温度对比

4.2 评估子系统

评估子系统是桥梁健康监测平台的核心与目标所在。如何利用传感器获取的数据与预测子系统预测的数据进行桥梁状态的评估，涉及到各个领域的知识综合，不同的数据如温度、应力等需要不同的方法进行评估。桥梁健康监测平台的结构健康状况评价将实时健康监测系统和日常的养护管理结合,提出了可行的结构健康状况评价策略。

4.3 效果分析

本平台采用预测-评估-预警模式，通过对数据进行筛选，将其划分为观察、预警、预测三部分，输入到预测模型中，得到实时预测结果，随后将其与预设的评估标准进行对比判断，在超过阈值时进行预警提示，从而保证桥梁结构的安全。

表2 路面温度报警指标

以路面温度状态评估为例，路面温度通常设置为三级报警[17]，如表2所示，通常在其温度过高或者过低时进行报警，采取相应措施从而保障路面的使用性能。例如，传统监测系统中，当温度接近60摄氏度时，应当进行洒水降温，当温度接近0摄氏度时，应当采用预防结冰措施。

图7 预测-评估-预警示例

在第29小时处，如图7所示，由于其接近阈值已经到达报警线，因此传统监测系统中判断需要进行降温处理。然而，预测子系统通过对路面温度进行预测，判断出第29小时及其未来一段时间内温度不会达到阈值(60℃)，将信息反馈至评估子系统，管理人员可以结合其他温度信息(大气温度、钢构件温度等)进行综合判断，得到更为准确的桥梁信息，从而减少人工及物力的浪费。同时由于预警窗口(24h)的存在，当预测温度超过阈值时，也可以有充分的时间进行管理维护，防患于未然。

5 结束语

针对桥梁监测平台中存在的数据灾难问题，提出了基于神经网络的桥梁监测与预警平台，该平台分为监测系统与预测评估系统，通过集成预测子系统，完成了数据的预测、评估、预警的完整通路。

预测评估系统采用机器学习算法对监测系统的海量数据进行处理分析，以路面温度为例，对比传统的桥梁健康监测方法，该方法可以提高对数据的利用率，使数据的作用得到最大程度上的挖掘，减少误判节约人力物力，同时进一步提高桥梁的安全运营水平。

提出的监测平台预测子系统，通过采用数据集划分、预警窗口设置的方法，可以在桥梁故障发生前做出预警，并且预留充分时间(24h)进行问题处理。经过实验验证，该方法可以提高平台的可靠性，是对原平台的重要补充。