基于Matlab-JAVA 融合的橋梁健康監測數據分析與預警平臺

王智文，毛永嘉，丁幼亮

（1.深圳高速工程顧問有限公司，廣東 深圳 518000；2.東南大學 土木工程學院，江蘇 南京 210096）

0 引言

JAVA 是一種面向對象的編程語言，擁有功能全面和簡單易用的優點，能解決很多的復雜編程問題，但在遇到較復雜的編程時，特別是面對數組矩陣的處理時，劣勢較為明顯，而Matlab 具有算法開發，數值計算等多種功能，但對于多線程與跨平臺實現方面有所不足。如果可以將兩者進行融合，發揮兩者的優勢，可以顯著提高計算效率［3］。深度學習是一種復雜的機器學習算法，在很多領域已經取得了非常大的成果，解決了很多復雜的模式識別難題，使得人工智能相關技術取得了很大進步［4］。這些為構造橋梁健康監測數據實時分析與預警平臺提供了堅實基礎。

橋梁健康監測數據實時分析與預警平臺主要包括數據清洗、特征提取、性能評估與安全預警四項功能。為了實現這四項功能，本文將信號處理、概率統計等理論知識與深度學習相結合，在Matlab-JAVA 融合環境下開發出數據清洗算法、數據概率分析與預警算法、數據相關性分析與預警算法這幾類基本算法，并結合其他輔助算法，構造出快速、準確和高效的預警平臺，并實際應用于聚龍特大橋健康監測系統。

1 基于Matlab-JAVA 融合的數據分析與預警平臺

1.1 Matlab-JAVA 融合平臺

在Matlab 與JAVA 融合的過程中，需要解決的主要問題是不同的數據在不同軟件以及不同編程語言中的傳遞。主要采用的方法是在JAVA 中調用Matlab 程序，以此來發揮出Matlab 程序在處理復雜數據尤其是數組矩陣之類的數據中的巨大優勢，此方法較為簡單，可操作性強。具體原理：利用預先安裝在計算機中的JAVA 開發程序，即JDK（Java Development Kit），將已經完成編譯的Matlab 文件對象保存，利用JDK 進行Matlab 編譯文件的接收。具體方法：①在計算機中安裝JDK 程序；②在Matlab程序中編譯相關算法并進行調試與修改，并保存為m文件；③將Matlab 程序編譯m 文件為JAVA 包。如圖1 所示。

圖1 Matlab 程序編譯m 文件為JAVA 包

1.2 數據清洗算法

由于橋梁健康監測系統是由一系列復雜的軟件和硬件組成，在實際監測過程中會出現各類失真數據。失真數據如果不能被及時發現和剔除，將影響健康監測數據分析的準確性，尤其是容易引起橋梁健康監測系統中的虛假報警［5］。因此，需要開發相應的清洗算法對失真數據進行修復。目前常見的數據失真類型有缺失（即缺失數據或恒為某常數值）、跳點、漂移、噪聲以及趨勢異常。數據清洗算法的基本原理是：對以上5 類失真數據類型進行識別，通過插值或擬合方法、支持向量機方法、移動平均濾波方法、廣義3δ-Super Smoother 方法、數據基準位置補償方法、Long Short Time Memory（LSTM）分類方法和Generative Adversarial Networks（GAN）回歸方法等實現數據清洗［6-7］。

1.3 數據概率分析和預警算法

數據概率分析與預警是橋梁健康監測數據實時分析與預警平臺的一個重要功能，其基本原理是高斯混合概率建模結合累積分布函數（CDF）分析。高斯分布又稱正態分布，而高斯概率模型就是用高斯概率密度函數精確量化事件的模型，它將一個事物分解為若干條高斯概率分布曲線。一維高斯函數的表達式為：

式中：μ為均值；σ為標準差。

則高斯混合模型的數學表達式為：

兩端式同軌雙車運行模式與單臺堆垛機獨立作業的最大區別在于，同一巷道上兩臺堆垛機同時工作，共同完成一組貨架內貨物的出入庫，立體倉庫的存儲效率由用時最長的堆垛機決定。針對這一特征，需要將貨物均衡放置于巷道兩端出/入庫臺附近，以平衡兩臺堆垛機執行出庫任務的耗時，此時各貨位中貨物出/入庫交由用時最短的堆垛機。適用于兩端式同軌雙車運行模式的存儲效率優先原則的目標函數為：

式中：k為混合模型中的成分個數；wk為權重系數，滿足：0 ≤wk≤1，為第k個高斯分布，x為高斯分布維度，本平臺中x取1。

累積分布函數是概率密度函數的積分，它可以完整描述一個隨機變量的概率分布情況，對于隨機事件x，具體表達式如下：

基于上述概率論與統計學知識，該算法的工作原理如下：

（1）利用小波包分解方法，將響應時程數據中的溫致響應部分與車致響應部分分離出來，提取需要的響應部分（圖2）。

圖2 小波包分解提取響應

（2）對提取出來的響應進行直方圖bin 計數，得到響應的頻數直方圖，并進行高斯混合模型曲線擬合（圖3）。

圖3 直方圖高斯曲線擬合

（3）進行高斯混合模型的概率建模。

（4）對高斯混合模型曲線最外數據簇進行CDF分析，取最外數據簇高斯概率模型CDF 函數的95%保證率對應響應值作為預警指標。

1.4 數據相關性分析和預警算法

數據相關性分析和預警是橋梁健康監測數據實時分析與預警平臺的又一個重要功能。相關研究表明：建立荷載與響應、響應與響應之間的相關性模型，利用模型殘差的變化進行損傷識別，并基于大數據樣本的統計指標作為預警值的預警方法具有較高的準確性［8-9］。因此該平臺基于上述研究結果，開發出一套數據相關性分析以及預警算法，其工作原理是：對荷載-響應以及響應-響應數據建立多元回歸模型或者深度學習模型，得到響應數據回歸值，用真實值減去回歸值得到相應的殘差，利用大數據樣本的統計值得到相應的殘差預警閾值。

2 工程應用

2.1 聚龍特大橋工程概況

聚龍特大橋為整體式路基雙幅橋，主橋上部結構為變截面預應力混凝土連續箱梁，下部結構采用薄壁空心墩，基礎為樁基礎［10］。隨著運營時間的增加，聚龍特大橋出現了不同程度的病害。為此，建設聚龍特大橋結構健康監測系統，用以監測和評估大橋在運營期間結構的承載能力、運營狀態和耐久性能，從而確保橋梁的使用安全與延長橋梁的使用壽命，為今后橋梁病害防治及維修加固決策制定提供科學可靠的依據。

2.2 數據分析與預警平臺架構

橋梁健康監測數據實時分析與預警平臺主要包括數據清洗、特征提取、性能評估與安全預警四項功能。數據清洗的主要工作內容為各類監測數據在線清洗，包含的算法有插值或擬合算法、支持向量機算法、移動平均濾波器算法、廣義3δSuper Smoother 算法、數據基準位置補償算法、LSTM 分類算法、GAN 回歸算法。

特征提取的工作內容為荷載與響應特征參數提取，荷載響應提取包含的算法有概率統計建模算法、極值分析算法、聚類分析算法；溫致響應提取的算法有溫致應變響應分離算法、溫致撓度響應分離算法、概率統計建模算法、極值分析算法、聚類分析算法；車致響應提取的算法有車致應變響應分離算法、車致撓度響應分離算法、自編碼神經網絡非平穩數據提取算法、概率統計建模算法、極值分析算法。

性能評估主要進行開裂狀態、承載能力、變形能力以及動力特性4 個方面的評估。開裂狀態評估包含車致應變重車簇建模算法、聚類分析算法、極值分析算法、裂縫趨勢分析算法；承載能力評估包含溫度-應變相關性分析算法、溫致應變殘差提取算法；變形能力評估包含溫度-撓度相關性分析算法、溫度基準線形提取算法、LSTM 回歸分析算法；動力特性評估包含模態頻率識別算法、頻率-溫度相關性分析算法、環境條件歸一化分析算法。

安全預警主要針對極端或突發事件報警以及長期性能退化報警。極端或突發事件報警包含動態閾值更新算法；長期性能退化報警包含開裂動態預警算法、剛度退化預警算法、承載能力退化預警算法、動力特性異常預警算法。

2.3 數據分析與預警平臺展示

針對聚龍特大橋健康監測系統的監測內容和監測需求，在平臺算法庫的基礎上選擇適當算法定制開發了聚龍特大橋健康監測數據分析與預警平臺，平臺展示如圖4 所示。

圖4 聚龍特大橋健康監測數據分析與預警平臺展示

該平臺的主要特色包括：

（1）實現了監測數據在線清洗，針對缺失、跳點、噪聲、漂移和趨勢異常的清洗率可分別達到100%、100%、100%、99.96%和99.97%。

（2）實現了橋梁特征提取和性能評估的在線分析以及重車荷載效應的實時監控。

（3）建立了“環境荷載—局部響應—整體響應”的三級預警體系，并且針對每個傳感器建立了個性化兩級預警閾值。

（4）采用內存優化和緩存清空技術，實現了海量數據分析的高效率運行。

（5）采用輕量化和可更新算法技術，平臺功能今后可以持續優化提升。

3 結語

橋梁健康監測數據實時分析與預警平臺將傳統信號處理、統計分析與現代機器學習、深度學習相結合，預警結果具有高度的精確性以及時效性；該平臺基于Matlab-JAVA 融合，結合了Matlab 程序與JAVA 語言的優點，使得預警過程更為高效；該平臺采用了內存優化以及算法更新等有效手段，使平臺功能在投入使用后可持續優化。對比傳統的橋梁健康監測手段，基于Matlab-JAVA 融合的橋梁健康監測數據實時分析與預警平臺是一種更精確、更高效、實用性更強的預警平臺。