10-桥梁健康监测.pdfVIP

2019年度进展10：桥梁健康监测

2019年度进展10：桥梁健康监测

罗凌峰，单德山，李乔

一、概述

本文将详细介绍桥梁健康监测的年度进展情况，文中的图表与数据主要来源于

《StructuralControlandHealthMonitoring》和《振动与冲击》等期刊杂志。进行桥梁健

康监测时，每天会产生大量数据，因此，面对海量的监测数据，有必要采用合适的处理

手段从中分析出有价值的信息，以为桥梁结构运营状态评估提供重要的科学参考依据。

实时监测得到的信号数据的处理过程分为如下几个步骤：

1）传感器数据可信度评价

桥梁长期监测中采集到的传感器数据不可避免地会因各种因素导致其精确性下降，

因此，为了更好地为桥梁安全评估提供依据,应首先评价数据质量，给出数据的可信度。

2）数据降噪处理

对于原始桥梁监测信号，其往往需借助数学方法去除数据中的粗差。传感器输出信

号总是与各种噪声混杂在一起，以往通常经过滤波处理将信噪分离后，才能较准确地提

取有用信息。目前，传统的滤波方法已被信号分解重构的时频域方法逐渐取代，信号分

解重构的时频域方法包括小波分析法、经验模态分解法和小波经验变换法等。西南交通

大学智能桥梁团队首先采用中值滤波剔除通讯传感中不可避免的孤立异常值，再采用时

频域技术[1][2][3]对信号降噪，最终识别得到的桥梁动力特征清晰、稳定且数量较多。

3）结构参数识别

结构模态参数（即模态频率、阻尼比和振型）是结构健康监测系统传输和识别得到

的基本信息与重要参数。模态参数信息可以帮助工程师和研究人员设计和改造振动控制

设施，修正初始有限元模型，检测结构损伤并进行状态评估。为了得到大跨桥梁在运营

过程中的长期自振特性，需要实现模态参数的实时自动识别，即从原始监测数据中识别

模态参数，而无需人工操作。目前研究者们已经提出了多种较成熟的基于白噪声激励的

模态参数识别方法，主要包括随机子空间法、特征系统实现法、频域分解法、峰值拾取

法、随机减量法等。

西南交通大学桥梁工程系1

2019年度进展10：桥梁健康监测

二、传感器数据可信度评价的研究进展

目前，桥梁结构传感器端的初始输出信号质量评判与海量数据筛选分析主要通过大

数据方法实现。单德山教授为首的西南交通大学智能桥梁团队运用大数据统计分析的数

[4]

学方法，对传感信号进行数据挖掘，对传感器输出信号的质量实现了精确的量化鉴别。

2019年，孙利民总结了大数据的概念和构成要素，并综述了大数据分析方法在桥梁

[5][6]

健康监测数据质量评价和预处理过程中的应用现状和前景。同年，向阳和杜君提出

了一种基于K线图时间片驱动的滑动窗口数据流处理模型，对传感器网络中的数据流

进行快速有效采集，能够减少桥梁监测的数据存储量，有助于对海量数据筛选和评估。

三、数据降噪处理的研究进展

目前，桥梁结构监测信号数据的降噪处理研究主要集中在经验模态分解（EMD）和

小波经验变换（EWT）的应用改进上。西南交通大学智能桥梁团队提出了改进的AEEMD

[1][2]

方法和形态学滤波方法，被证明对桥梁健康监测中的非线性和非平稳信号都具有良

好的降噪效果；本团队已将EWT方法进行了改进与优化，使其能应用于桥梁动力参数

[3]

的识别工作；此外，西南交通大学智能桥梁团队的单德山教授和张二华博士已将变分

模态分解方法应用到桥梁监测信号的降噪处理上，并取得了良好的效果。

[7]

2019年，单德山和张二华针对恶劣测试环境下桥梁结构微弱动力测试信号易被噪

声淹没、非线性非平稳检验困难的问题，将改进的经验模态分解方法与递归图理论相结

合，提出一种多尺度非线性非平稳检验分析方法，分析了