基于监测加速度的拉索时变索力时程辨识及状态评估方法研究

It is well-known that data mining and analysis for the massive volume of measurement data, collected from structural health monitoring (SHM) system of long-span bridge structures, is one of the most interested research area of civil engineering at home and abroad. For the key and vulnerable loading bearing components of bridges, the condition monitoring and assessment of cables (stay cables, suspenders etc) is becoming an urgent scientific problem. Aiming to the key issues of data mining of SHM and breaking out the situation that time varying tension could not be identified from acceleration, this proposal develops the approaches of tension identification and condition assessment of cables for long-span bridges with monitored acceleration based on data analysis technology. An identification of time varying tension of cables with monitored acceleration and physical models using the extended Kalman filter is first studied. Furthermore, a blind source separation based identification method using output only information is proposed to extend the field of identification application. Third, the condition assessment of cables is proposed based on the identified cable forces. Finally, based on spatial correlation of cable forces, the condition assessment of cable system is investigated. This proposal is aiming at developing the methods for condition assessment of cable and cable system, which could provide scientific support for the service performance and safety of long span bridges and has important theoretical and pratical significance.

结构健康监测数据分析与挖掘是当前国内外土木工程领域的热点研究方向之一，拉索（包括斜拉索、吊杆等）作为桥梁易损的主要承重构件，其状态监测与评估是涉及桥梁服役安全的重要问题。面向结构健康监测数据挖掘和状态评估的科学问题，突破以往基于监测加速度无法辨识时变索力时程的瓶颈，采用信号分析理论，研究基于监测加速度的拉索时变索力时程辨识和状态评估方法。首先，研究基于扩展卡尔曼滤波器的拉索时变索力时程辨识方法（物理模型）；其次，研究基于盲源分离算法的拉索时变索力时程辨识的数据驱动方法；再次，研究基于辨识索力时程的单根拉索状态评估方法；最后，研究基于空间相关性的桥梁拉索群状态评估方法。本项目研究将形成系统的拉索及拉索群状态识别与评估的理论和方法，为提高大跨度桥梁的服役性能和安全水平提供科学支撑，具有重要的理论意义和实用价值。

拉索（包括斜拉索、吊杆等）作为桥梁易损的主要承重构件，在长达几十年使用期内，环境侵蚀、材料老化和荷载的长期效应、疲劳效应与突变效应等灾害因素的耦合作用下，将不可避免地导致结构和系统的损伤累积和抗力衰减。拉索时变索力是拉索状态监测与评估的关键指标，本项目突破了以往加速度辨识得到的拉索振动频率和相应索力是某种意义上的平均值的瓶颈，采用信号分析理论，实现了拉索时变索力时程的长期稳定监测，发展了基于荷载响应的拉索状态评估方法。本项目利用包含拉索索力的扩展状态变量，将拉索振动微分方程转化为状态空间方程，采用扩展卡尔曼滤波器的预测过程和更新过程，实时识别拉索时变索力历程（物理模型）；运用高效无监督复杂度寻踪学习算法，利用拉索上布置的多通道加速度传感器的监测信息，实现了对索力时程进行实时辨识(无物理模型)；基于图像数据深度学习基本思想，在采集不同腐蚀龄期高强钢丝表面腐蚀信息的基础上，完成对高强钢丝表面腐蚀蚀坑的识别及描述；通过构建上下游索力比为特征和拉索状态指标，引入高斯混合模型来对索力比数据进行建模，通过模型参数的变化揭示拉索状态的变化；采用B样条拟合法提取由环境因素引起的索力趋势项为研究对象，以Pearson相关系数、最大信息系数（MIC）和互信息系数（MI）为拉索群空间相关性的度量指标，深入地挖掘不同位置拉索间荷载响应的内在关联，利用键能算法对拉索群相关系数矩阵进行聚类分析，根据测点在聚类关联度中的排列顺序进行传感器测点分类和最优测点选择，提出了基于粒子群算法的核极限学习机模型以实现利用有限的监测拉索对未监测处拉索索力变化的估计；提出了基于支持向量回归的拉索索力趋势项相关性建模方法及基于空间相关性的传感器优化布置方法。本项目研究形成了系统的拉索及拉索群状态识别与评估的理论和方法，为提高大跨度桥梁的服役性能和安全水平提供了科学支撑，具有重要的理论意义和实用价值。