大型桥梁结构健康监测失真数据自诊断方法研究

The bridge structural health monitoring (SHM) is hot spot of interest and the direction of application in the field of civil engineering. Since sensors adopted for information collection are easy to fragile and yield to distorted data, false alarms in the process of safety assessment are notoriously triggered by the distorted data. As a result, the development and application of the bridge SHM has been seriously restricted to the state-of-the-art. The phenomenon of distorted data caused by sensor fault is investigated on the continuous rigid frame bridge and cable-stayed bridge. The accelerated deterioration experiment of commonly used sensors, including acceleration, displacement and strain sensors, are exploited, and then statistical rules and classification features of distorted data caused by sensor fault are studied in the time dimension. Using the monitored data from bridges, correlation characteristics of sensors in different types and locations are studied in the space dimension based on the gray correlation analysis. Characteristic indexes are acquired by means of sensitivity analysis and nonlinear prediction respectively, and then the distorted data self-diagnosis method is presented in this proposed word based on data fusion and Bayesian inference. Therefore, the detection, localization and classification of distorted data can be automatically achieved without any additional equipment. The results of this proposal will enrich and innovate distorted data self-diagnosis theory and methodologies, and lay a theoretical and technical foundation for reducing false or negative alarms and normal operation of the bridge SHM system.

大型桥梁结构健康监测是土木工程领域重要的研究前沿和工程应用方向。但由于传感器经常发生故障而引发监测数据失真，导致后续的结构安全评估产生误判，已严重制约桥梁结构健康监测的发展和应用。本项目针对传感器故障引发的数据失真问题，以连续刚构桥、斜拉桥为研究背景，选取常用的加速度、位移和应变传感器，在时间维度上，通过加速老化试验，研究传感器故障引发失真数据的统计规律和分类特征；在空间维度上，采用实桥监测数据，基于灰色关联分析原理研究不同类型、不同测点传感器的关联特性；在此基础上，采用敏感度分析、非线性预测手段分别在时间和空间维度提取特征指标，建立基于数据融合、贝叶斯原理的非线性失真数据自诊断方法。在无需附加任何新硬件设备的条件下，直接利用日常监测数据实现失真数据的识别、定位和分类。项目成果将丰富并创新失真数据自诊断理论和方法，为降低桥梁结构健康监测系统误/漏报警率、保障其正常运行奠定理论与技术基础。

桥梁结构健康监测系统已在国内外大型桥梁中得到普遍应用，但由于桥梁结构频繁振动、高尘、高低温循环等恶劣环境易使传感器发生故障，引发传感器输出畸变数据。更重要地是，传感器由电子和光学元件组成，其使用寿命仅为几年或十几年，无法与设计寿命上百年的桥梁相匹配，传感器老化必然产生失真数据。所以失真数据现象是桥梁结构健康监测系统无法避免的问题。传感器故障所引起的失真数据可能掩盖结构的真实损伤信息，最终酿成灾难性事故。严重的漏报警、频繁的误报警，会使业界对桥梁结构健康监测的可靠性产生严重质疑，在很大程度上制约桥梁结构健康监测技术的发展和应用。因此，开展失真数据自诊断方法的基础性探索研究工作，具有明确的工程应用背景和理论学术意义。.本项目的特色是通过在桥梁结构健康监测系统嵌入失真数据自诊断模块，在无需新增硬件设备以及改动原有软件配置的条件下，可实现大幅降低监测系统的漏/误报警率。项目的主要研究内容如下：（1）传感器故障引发失真数据规律研究；（2）监测系统中各种传感器的关联特性研究；（3）失真数据自诊断方法研究；（4）实桥验证试验研究。.项目研究取得的主要成果如下：（1）建立五类典型传感器故障的数学模型；（2）提出了基于广义似然比的传感器故障识别方法；（3）提出了基于主元分析的多传感器故障识别方法；（4）提出了基于粒子滤波的传感器故障与结构损伤识别方法；（5）提出可考虑环境干扰的FS-LSTM深度学习传感器故障诊断方法；（6）提出基于TS-LSTM深度学习的传感器故障分类方法。.通过本项目研究，在国内外学术刊物上发表了12篇论文，其中SCI/EI检索论文10篇；申请国家专利2项，获软件著作权1项；获重庆市自然科学三等奖一项；毕业博士生2名，硕士生6名。.项目研究成果在重庆市菜园坝长江大桥、东水门长江大桥和千厮门嘉陵江大桥等桥梁的结构健康监测系统中得到了推广应用，有效降低了传感器故障引发失真数据对结构安全状态评估结果的影响。