张 兴
(河北宝力工程装备股份有限公司 河北 衡水 053000)
随着城市交通网络的不断发展,桥梁作为城市交通的重要组成部分,承载着日益增加的交通负荷。 然而,桥梁的可靠性和安全性是确保交通流畅和市民安全的至关重要因素。 在桥梁结构中,桥梁支座是一个关键的组成部分,位于桥梁梁体与墩台之间,具有传递上部结构竖向荷载、适应桥梁伸缩变形和竖向挠曲转动的功能,起到关节的作用。 日益增加的交通负荷也要求桥梁维护单位加大桥梁结构及支座的巡查力度。 因此,对桥梁支座的健康状况进行定期检测和维护至关重要[1]。
本文旨在开发一种基于人工智能的桥梁支座健康检测系统,该系统通过采集桥梁支座在工作中的振动信号,并对这些信号进行进一步分析处理,以监测和判断桥梁支座的健康状况。 振动信号是一种反映桥梁结构和支座使用状态的重要信息源,通过分析这些信号,可以及时检测到支座的异常情况,从而采取必要的维护和修复措施,确保桥梁的可靠性和安全性。 支持向量机(support vector machine,SVM)是一种强大的机器学习算法,可以用于分类和检测任务[2-3],在故障检测中已经有了不少应用。 在本研究中,将使用这个模型来分析振动信号数据,识别出潜在的支座健康问题。 通过本研究,希望为桥梁维护和安全管理提供一种有效的工具,以提高桥梁的可靠性和安全性,从而为城市交通网络的可持续发展做出贡献。 同时,该方法和技术也可以在其他工程结构的健康检测中得到广泛应用。
如图1 所示,桥梁支座在桥梁结构中扮演着至关重要的角色,位于桥梁墩台与梁体之间,作为桥梁上部结构与基础结构之间的连接点。 支座的核心功能包括支撑整个桥梁结构的竖向荷载,适应梁体因温度变化、活载、徐变等原因产生的水平伸缩变形和竖向挠曲。 桥梁在经受车载、风荷载等活载作用时会发生轻微振动,这些振动会向下传递到支座和下部结构上。 根据振动能量的大小和结构物可承受能力,一些特殊功能的桥梁支座还设计具有减震的能力,可以衰减振动能量,减少桥梁受力时的振动传递,从而提高桥梁结构的安全性,降低振动对周围居住环境的影响,降低疲劳损伤和维护成本[4-5]。
图1 桥梁支座示意图
桥梁支座的振动状况与其健康状态之间存在较为密切的关联。 桥梁支座的振动可以反映支座与桥梁结构之间的相互作用。 正常工作条件下的支座通常会产生与车辆负载、风荷载等外部因素相关的振动响应,此振动的频率和幅值具有一定的随机性。 然而,当支座发生损坏或支座与梁体之间发生脱空、梁体局部出现裂纹等情况时,其振动特性可能发生变化,可以通过监测支座的振动参数来进一步分析。 如图2 所示为健康状态下和裂纹状态下的时域振动信号。
图2 时域振动信号
可以看出健康信号呈现出一种随机性,没有明显的规律性振动模式,这是因为桥梁承受的行车荷载、风荷载等活载具有随机性,因此桥梁产生的振动传递到支座所显现的频率和幅值也没有明显规律。 然而,在约1.5 s 时刻出现裂纹时,振动信号的振幅增加,形成了一个明显的振动异常。 这种异常在实际情况下可能对桥梁的结构完整性和安全性构成潜在威胁。 此分析有助于提醒维护部门及早发现结构问题,采取适当的维护和修复措施,确保桥梁及支座的可靠性和安全性。
为了实现通过检测桥梁支座振动获取桥梁的健康状况,设计了一个振动信号检测系统。 该系统主要包括振动传感器、信号调理器和计算机等组件,如图3 所示。
图3 桥梁支座的振动信号检测系统
该系统的工作原理是:首先,将振动传感器安装在桥梁支座上,用于实时监测支座结构的振动信号。 这些振动信号随着桥梁承受不同荷载和环境条件的变化而产生,反映了支座的工作状态。 然后,传感器采集到的原始振动数据通过信号调理器进行预处理,包括放大、滤波和去噪等步骤,以提高数据的质量和准确性。 处理后的振动信号被传输到计算机,经过进一步的分析和处理,包括特征提取和模式识别,从而能够检测出支座的异常振动行为,进而判断支座或梁体的病害情况。
通过该系统,可以实现对桥梁支座健康状况的实时监测和诊断,提供及时的维护和修复指导,以确保桥梁的可靠性和安全性。
SVM 是一种强大的机器学习方法,用于分类和回归任务。 其基本原理是在数据集中找到一个最优的超平面,以最大化不同类别的间隔,同时将数据点正确分类。 这一超平面被称为分离超平面,它通过支持向量与训练数据点之间的关系来定义。 SVM 的目标是最小化分类错误并使支持向量与分离超平面之间的间隔最大化。
在数学上的二分类问题中,假设有一个训练数据集(x1,y1),(x2,y2),...,(xn,yn) ,其中xi是数据点,yi是其对应的类别标签,yi可以取1 或-1,表示两个不同的类别。 SVM 的目标是找到一个分离超平面w·x +b =0,其中w是法向量,b是截距,满足以下条件:
这表示所有数据点都位于其类别的支持向量的两侧,并且到分离超平面的距离至少为1。 分离超平面的法向量w和截距b可以通过最小化以下目标函数O来确定:
这是一个凸二次规划问题,可以通过不等式约束条件的拉格朗日乘子法来解决。 求解得到最优的w和b后,新的数据点x可以通过w·x +b的符号来进行分类。
总之,SVM 是一种基于超平面分隔不同类别的方法,通过最大化间隔和最小化分类错误来确定分离超平面。该方法的优点包括在高维空间中有效工作,同时能够处理非线性问题,通过核技巧将数据映射到更高维度的空间进行处理,使得SVM 在各种领域的模式识别和分类任务中具有广泛的应用空间。
利用SVM 进行桥梁支座健康诊断的过程为:
(1)数据采集和准备:需要通过振动传感器采集桥梁支座的振动信号数据。 这些数据应包括来自多个支座的振动信号,同时还需获取相应支座的健康状态标签,通常为正常或异常。
(2)特征提取:从振动信号中提取特征是SVM 的关键步骤。 常用的特征包括时域特征(如均值、方差)、频域特征(如频谱密度)、时频域特征(如小波变换系数),以及其他相关特征。 在特征提取中,假设X为振动信号数据集,其中xi表示第i个信号,特征提取可表示为函数F(xi),得到特征向量Fi。
(3)数据标签和训练集构建:将健康状态标签与特征向量关联,形成训练集。 标签可以表示为yi,其中yi可以是正常(1)或异常(-1)。
(4)SVM 模型训练:使用训练集数据,建立SVM 分类模型。 SVM 的目标函数O如式(3)所示:
(5)健康诊断:一旦训练好SVM 模型,就可以将新的振动信号数据输入模型中,通过超平面来进行健康诊断。对于新的振动信号xnew,其健康状态H可以通过公式(4)进行判断:
式(4)中,sign 函数将根据超平面的位置输出正常或异常状态。
为了构建数据集,采用以下步骤:
(1)确定数据维度为3000,代表振动信号的特征。
(2)生成正常和异常数据点,模拟桥梁支座的状态,使用正态分布生成数据,同时引入异常以区分它们。 为了进行监督学习,为每个数据点分配标签。
(3)将数据集划分为70%的训练集和30%的测试集,以支持研究桥梁支座健康状态的人工智能方法。
本实验方案为:
步骤1:数据集划分
将合成数据集划分为训练集和测试集,本实验选择将70%的数据用于训练,而剩余的30%用于测试。 该过程通过随机抽样来实现,确保训练集和测试集都包含正常和异常数据点。
永光活性湖兰G(台湾永光化学公司),Na2CO3(碳酸钠 ), Na2S2O4(元明粉),NaOH(氢氧化钠), NaHCO3(碳酸氢钠), 清洁剂。
步骤2:特征标准化
在训练和测试SVM 模型之前,对特征进行标准化是重要的。 特征标准化可以确保不同特征之间的尺度差异不会影响SVM 的性能。 本实验使用均值和标准差进行特征标准化,将每个特征缩放到均值为0,标准差为1 的标准正态分布。
步骤3:SVM 模型训练
使用训练集的特征向量和相应的标签来训练SVM 模型。 SVM 的目标是找到一个最优的超平面,以最大化不同类别的间隔,同时最小化分类错误。
步骤4:模型评估
使用测试集数据来评估SVM 模型的性能。
本实验的结果如表1 所示,整体准确率为0.94,表示模型正确分类的样本数占总样本数的比例。 高准确率表明模型在整体上有很好的分类性能。 正常类别(类别1)的精确率为0.93,异常类别(类别-1)的精确率为0.96,较高的精确率表示模型对于正常类别的预测较为可信。正常类别的召回率为0.97,异常类别的召回率为0.88。召回率衡量了模型对于正常类别的识别能力,较高的召回率表示模型能够较好地捕捉到正类别的样本。 F1 分数综合了精确率和召回率,类别1 的F1 分数为0.95,类别-1的F1 分数为0.92,说明模型的综合分类性能较好。
表1 实验结果
总之,该模型在整体上表现出较高的性能,具有较高的准确率和F1 分数。 模型在正常类别上表现更好,具有较高的精确率和召回率,这对于实际应用中的健康状态诊断非常重要。 同时,对于异常类别,模型的召回率较低,这意味着在识别异常情况时可能会有一些遗漏。 因此,可以考虑进一步调整模型参数或采取其他改进策略来提高对异常情况的检测能力。
首先,该系统的核心优势之一是其基于振动信号的检测方法。 振动信号可以提供丰富的结构信息,对于捕捉桥梁支座及桥梁结构的健康状态变化非常敏感。 通过实时监测和分析振动信号,可以及早发现支座的异常情况,从而采取必要的维护和修复措施,有助于确保桥梁和支座的可靠性和安全性。 因此,振动信号的特征提取和分析可以在特征空间中明确地区分正常和异常状态,使SVM 成为一个强大的工具,可以应用于这种监测任务。
其次,在使用SVM 进行健康状态检测时,需要特别关注数据集的标签分布和类别不平衡的问题。 正常状态和异常状态的样本可能存在不均衡,这可能导致模型的性能偏向于多数类别。 因此,在数据采集和模型训练中需要采取合适的策略来处理不平衡数据。
再次,值得思考的方面是特征选择和特征工程。 振动信号的特征提取是SVM 模型的关键步骤,选择合适的特征可以显著影响模型的性能。 因此,需要深入研究振动信号中哪些特征最具信息量,并且可能需要进行特征工程来提高特征的区分能力。
最后,对于SVM 模型的参数调优也是至关重要的。 正则化参数C的选择、核函数的类型和参数以及模型的复杂度都会对性能产生重要影响。 因此,需要通过交叉验证等方法来确定最佳的参数配置,以确保模型的泛化性能。
综上所述,本研究提出了一种利用SVM 和振动信号测量技术的桥梁支座健康状态检测系统。 该系统通过实时监测和分析振动信号,旨在提高对桥梁支座健康状态的检测和诊断能力,以确保桥梁结构的可靠性和安全性。 系统的设计包括数据采集、特征提取、SVM 模型训练和性能评估等步骤。 实验结果表明,该系统在多个性能指标上表现出潜力,但也需要应对不平衡数据和特征工程等挑战。最后,强调了系统的优势和潜在改进方向,以指导未来研究和工程应用。