結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)異常識(shí)別

范時(shí)梟+張金輝+張其林

摘要： 結(jié)合機(jī)器學(xué)習(xí)方法對(duì)結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)采集的原始數(shù)據(jù)進(jìn)行初步的自動(dòng)化分析，以達(dá)到降低進(jìn)一步分析的計(jì)算量、提高分析子系統(tǒng)精度的目的.以上海中心和蘭州西站監(jiān)測(cè)系統(tǒng)為背景，利用機(jī)器學(xué)習(xí)方法研究數(shù)據(jù)異常識(shí)別問(wèn)題，優(yōu)化數(shù)據(jù)分析預(yù)警子系統(tǒng).使用單變量特征選擇提取利于識(shí)別的特征向量， 對(duì)比分析在結(jié)構(gòu)健康監(jiān)測(cè)中各類(lèi)支持向量機(jī)（Support Vector Machine，SVM）的優(yōu)劣，組合利用不同SVM的優(yōu)勢(shì)減少異常數(shù)據(jù)的漏報(bào)和誤報(bào).該方法已被應(yīng)用于上海中心和蘭州西站的結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)中.

關(guān)鍵詞： 結(jié)構(gòu)健康監(jiān)測(cè)； 數(shù)據(jù)識(shí)別； 單變量特征選擇； 支持向量機(jī)； 主成分分析； 機(jī)器學(xué)習(xí)； 數(shù)據(jù)降維

中圖分類(lèi)號(hào)： TU312.3 文獻(xiàn)標(biāo)志碼： B

0 引 言

自20世紀(jì)70年代以來(lái)，結(jié)構(gòu)健康監(jiān)測(cè)逐步進(jìn)入土木工程領(lǐng)域，使結(jié)構(gòu)維護(hù)、預(yù)警、狀態(tài)評(píng)估具有較可靠的指導(dǎo).隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，監(jiān)測(cè)系統(tǒng)也應(yīng)運(yùn)而生.[1-2]在結(jié)構(gòu)損傷識(shí)別和預(yù)警問(wèn)題上，國(guó)內(nèi)外學(xué)者先后將神經(jīng)網(wǎng)絡(luò)算法[3-4]、模糊理論[5]、小波分析[6]和遺傳算法[7]等運(yùn)用于分析預(yù)警子系統(tǒng)中.但是，大型建筑結(jié)構(gòu)健康監(jiān)測(cè)產(chǎn)生的數(shù)據(jù)量巨大，以上海中心為例，應(yīng)布置400多個(gè)測(cè)量點(diǎn)位，其中頻率100 Hz的動(dòng)態(tài)點(diǎn)位超過(guò)150個(gè)，每天產(chǎn)生數(shù)十GB數(shù)據(jù)量，若直接將數(shù)據(jù)應(yīng)用于結(jié)構(gòu)模態(tài)識(shí)別計(jì)算分析，進(jìn)行損傷識(shí)別，其計(jì)算量十分驚人.現(xiàn)階段，普遍采用方法的是利用定值的信號(hào)閾值進(jìn)行數(shù)據(jù)篩選，結(jié)合人工定時(shí)選取某段時(shí)間數(shù)據(jù)進(jìn)行計(jì)算分析，因此效率較低且易漏報(bào)和誤報(bào)異常數(shù)據(jù).進(jìn)行初步的數(shù)據(jù)異常識(shí)別有助于縮小分析范圍、降低計(jì)算負(fù)荷.曾有學(xué)者針對(duì)橋梁結(jié)構(gòu)提出數(shù)據(jù)異常診斷方法，但經(jīng)過(guò)上海中心監(jiān)測(cè)數(shù)據(jù)測(cè)試發(fā)現(xiàn)此方法對(duì)于建筑結(jié)構(gòu)效果不佳.本文旨在對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行第一層的異常識(shí)別，提供對(duì)內(nèi)的預(yù)警，降低分析子系統(tǒng)的計(jì)算壓力.

1 特征向量降維方法

監(jiān)測(cè)數(shù)據(jù)的統(tǒng)計(jì)特征眾多，采用一定的數(shù)據(jù)降維方法處理后可得到正常數(shù)據(jù)與異常數(shù)據(jù)之間差別更明顯的統(tǒng)計(jì)特征，即對(duì)異常識(shí)別來(lái)說(shuō)更有效的特征值，便于數(shù)據(jù)分類(lèi).同時(shí)，特征向量維度降低，進(jìn)一步分析時(shí)計(jì)算量將顯著降低.本文對(duì)比主成分分析（Principal Component Analysis，PCA）法[8]與單變量特征選擇（Univariate Feature Selection，UFS）法[9]2種方法，結(jié)合實(shí)際數(shù)據(jù)分析其在結(jié)構(gòu)健康監(jiān)測(cè)中進(jìn)行特征向量降維的優(yōu)劣.

1.1 主成分分析法

PCA法將數(shù)據(jù)矩陣

[WTHX]X[WTBX]的行視為來(lái)自p個(gè)隨機(jī)變量x的觀測(cè)值，降低

[WTHX]X[WTBX]的維度主要通過(guò)線性組合實(shí)現(xiàn)，將n維特征向量映射到k維上（k

1.2 單變量特征選擇法

UFS法能夠?qū)γ恳粋€(gè)特征進(jìn)行測(cè)試，衡量該特征與響應(yīng)變量之間的關(guān)系，根據(jù)得分去掉可分性不好的特征.分類(lèi)問(wèn)題可采用方差分析對(duì)特征進(jìn)行打分.

方差分析用于2個(gè)及2個(gè)以上樣本均數(shù)差別的顯著性檢驗(yàn)，其將總的試驗(yàn)數(shù)據(jù)的波動(dòng)分為反映因素水平改變引起的波動(dòng)和反映隨機(jī)因素引起的波動(dòng)，然后進(jìn)行比較判斷.

2 數(shù)據(jù)識(shí)別方法

利用統(tǒng)計(jì)學(xué)習(xí)的分類(lèi)方法，依據(jù)監(jiān)測(cè)數(shù)據(jù)特征值向量對(duì)每段監(jiān)測(cè)數(shù)據(jù)進(jìn)行分類(lèi)，可達(dá)到識(shí)別異常數(shù)據(jù)的目的.[10]

2.1 支持向量機(jī)原理

支持向量機(jī)（Support Vector Machine，SVM）[11]是一種二分類(lèi)模型，其基本模型是定義在特征空間上的間隔最大線性分類(lèi)器.SVM的目標(biāo)便是尋找所有可將2類(lèi)數(shù)據(jù)分離的超平面中基于支持向量幾何間隔最大的一個(gè)，為約束最優(yōu)化的問(wèn)題.實(shí)際數(shù)據(jù)常常不會(huì)是完全線性可分的，若去掉少量點(diǎn)后能變?yōu)榫€性可分的數(shù)據(jù)集即線性近似可分，可使用松弛變量，并引入懲罰參數(shù)C>0，使原問(wèn)題的間隔最大化變?yōu)檐涢g隔最大化.對(duì)于完全線性不可分?jǐn)?shù)據(jù)，引入核技巧可使其成為實(shí)質(zhì)上的非線性分類(lèi)器.

2.2 非線性分類(lèi)SVM

動(dòng)態(tài)監(jiān)測(cè)數(shù)據(jù)的數(shù)據(jù)種類(lèi)繁多，且在建筑施工或使用過(guò)程中獲得的監(jiān)測(cè)數(shù)據(jù)受各種外部因素的干擾，常產(chǎn)生非線性分類(lèi)問(wèn)題，即不存在一個(gè)超平面可將2類(lèi)數(shù)據(jù)分離或近似分離，需使用非線性分類(lèi)器進(jìn)行分類(lèi).對(duì)于此類(lèi)問(wèn)題，核心的求解思路為利用非線性變換使原空間的2類(lèi)點(diǎn)映射到新空間，使問(wèn)題在新空間中變?yōu)榫€性分類(lèi)問(wèn)題，常采用核技巧來(lái)實(shí)現(xiàn).

2.3 一類(lèi)SVM

一類(lèi)SVM[12]與前文中所述普通二分類(lèi)SVM的不同之處在于其只有一類(lèi)數(shù)據(jù)，2類(lèi)數(shù)據(jù)間的幾何間隔便不存在了.一類(lèi)SVM的基本思路是將數(shù)據(jù)映射到高維特征空間，使其具有更好的聚集性，在特征空間中找到一個(gè)使數(shù)據(jù)與坐標(biāo)原點(diǎn)幾何間隔最大的超平面.

3 工程應(yīng)用

3.1 數(shù)據(jù)采集與預(yù)處理

本文中使用的數(shù)據(jù)分別為由上海中心結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)采集的臺(tái)風(fēng)前后建筑頂端處風(fēng)速數(shù)據(jù)以及由蘭州西站結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)采集的地震前后網(wǎng)架某處加速度數(shù)據(jù).2套系統(tǒng)均采用B/S結(jié)構(gòu)建設(shè)，使

用Node.js結(jié)合Mongodb數(shù)據(jù)庫(kù)編寫(xiě)，以達(dá)到實(shí)時(shí)、快速存取大量數(shù)據(jù)，便捷查看、調(diào)用數(shù)據(jù)的目的.為達(dá)到分析處理每日海量的監(jiān)測(cè)數(shù)據(jù)和實(shí)時(shí)分析數(shù)據(jù)、查看結(jié)果的目的，本文數(shù)據(jù)分析程序主體使用Node.js編寫(xiě).2015年13號(hào)臺(tái)風(fēng)蘇迪羅過(guò)境前后上海中心風(fēng)速時(shí)程圖見(jiàn)圖1， 2015年4月15日甘肅省地震前后蘭州西站加速度時(shí)程圖見(jiàn)圖2.

觀察圖1中的風(fēng)速時(shí)程圖，雖然臺(tái)風(fēng)過(guò)境時(shí)風(fēng)速數(shù)據(jù)整體數(shù)值比臺(tái)風(fēng)過(guò)境后更大，但由于風(fēng)速數(shù)據(jù)波動(dòng)較大，所以2類(lèi)數(shù)據(jù)有大量交叉點(diǎn).此種情況下簡(jiǎn)單利用閾值進(jìn)行數(shù)據(jù)識(shí)別則效果比較差.為定量展示本文數(shù)據(jù)識(shí)別方法在真實(shí)環(huán)境中復(fù)雜情況下的識(shí)別效果，將風(fēng)速數(shù)據(jù)以臺(tái)風(fēng)過(guò)境時(shí)的圖1a和

1b的所有數(shù)據(jù)作為異常數(shù)據(jù)，以過(guò)境后圖1c和1d的所有數(shù)據(jù)作為正常數(shù)據(jù)，測(cè)試本文的識(shí)別方法對(duì)于2類(lèi)數(shù)據(jù)的識(shí)別準(zhǔn)確率.

同樣，加速度數(shù)據(jù)以地震作用時(shí)正段數(shù)據(jù)作為異常類(lèi)數(shù)據(jù)，即圖2中500～640 s及2 480～2 540 s這2段數(shù)據(jù)，剩余所有數(shù)據(jù)作為正常數(shù)據(jù).

對(duì)采集的數(shù)據(jù)首先進(jìn)行小波閾值降噪，閾值計(jì)算采用斯坦無(wú)偏風(fēng)險(xiǎn)計(jì)算方法.信號(hào)采集頻率為100 Hz，以10 s信號(hào)為一個(gè)樣本，每小時(shí)360個(gè)樣本，每個(gè)樣本包含1 000個(gè)信號(hào)數(shù)據(jù)，2種分類(lèi)器的學(xué)習(xí)集和測(cè)試集樣本量

每個(gè)樣本提取均值、最大值、最小值、峰值、整流均值、標(biāo)準(zhǔn)差、偏度、峰度、均方根、波形指標(biāo)、峰值指標(biāo)、脈沖指標(biāo)、頻率中心、均方根頻率和頻率標(biāo)準(zhǔn)差共15個(gè)特征值組成特征向量.特別指出，均值主要用于描述信號(hào)的穩(wěn)定分量，均方根值主要用于描述振動(dòng)信號(hào)的能量，峰值指標(biāo)、脈沖指標(biāo)主要用于檢測(cè)信號(hào)中的沖擊.[13]

3.2 2種降維方法對(duì)比分析

3.2.1 PCA法降維

上海中心風(fēng)速數(shù)據(jù)前3個(gè)主成分組成的特征向量空間分布見(jiàn)圖3a，3個(gè)主成分累計(jì)貢獻(xiàn)率為88%；蘭州西站加速度數(shù)據(jù)前3個(gè)主成分組成的特征向量空間分布見(jiàn)圖3b，3個(gè)主成分累計(jì)貢獻(xiàn)率為81%；圖中灰色點(diǎn)為異常數(shù)據(jù)，黑色點(diǎn)為正常數(shù)據(jù).

從圖3來(lái)看，對(duì)于這2種監(jiān)測(cè)數(shù)據(jù)，使用PCA

法處理數(shù)據(jù)后未能保持較好的可分性.初步分析是由于PCA法的核心是尋找特征空間中最大方差的線性組合以達(dá)到降低向量維度的目的，這是基于最大方差理論認(rèn)為此方向保留的信息最多，然而當(dāng)實(shí)際不同類(lèi)別的區(qū)別信息保留于最小方差方向時(shí)，其并未將數(shù)據(jù)分類(lèi)考慮在內(nèi).

3.2.2 UFS法降維

上海中心風(fēng)速數(shù)據(jù)得分前三名的特征值組成特征向量的空間分布見(jiàn)圖4a；蘭州西站加速度數(shù)據(jù)得分前三名的特征值組成特征向量的空間分布見(jiàn)圖4b；圖中灰色點(diǎn)為異常數(shù)據(jù)，黑色點(diǎn)為正常數(shù)據(jù).

從圖4來(lái)看，使用UFS方法選擇出的特征向量具有很好的可分性.對(duì)比不同特征值得分，在保證數(shù)據(jù)可分的同時(shí)盡量保留較多的信息，最終選擇得分前八名的特征值.風(fēng)速數(shù)據(jù)取均值、均方根、最小值、峰值指標(biāo)、脈沖指標(biāo)、最大值、波形指標(biāo)、偏度，加速度數(shù)據(jù)取均方根頻率、頻率中心、整流均值、標(biāo)準(zhǔn)差、均方根、最大值、峰值和最小值.

3.3 2種SVM的異常識(shí)別效果分析

從數(shù)據(jù)中可以看出，普通二分類(lèi)SVM的整體分

類(lèi)錯(cuò)誤率較低，錯(cuò)誤集中在漏報(bào)上.一類(lèi)SVM的整體錯(cuò)誤率較高，其中以正常樣本為學(xué)習(xí)集時(shí)易出現(xiàn)誤報(bào)，以異常樣本為學(xué)習(xí)集時(shí)易出現(xiàn)漏報(bào).當(dāng)以正常集為學(xué)習(xí)集時(shí)，一類(lèi)SVM比普通二分類(lèi)SVM誤報(bào)率更高、漏報(bào)率更低.

3.4 基于支持向量的異常識(shí)別方法改進(jìn)

在建筑結(jié)構(gòu)健康監(jiān)測(cè)中，誤報(bào)導(dǎo)致檢修成本提高、干擾正常使用等問(wèn)題，漏報(bào)可能會(huì)導(dǎo)致建筑物舒適性差、甚至危及人身或財(cái)產(chǎn)安全.將2種方法結(jié)合：第一步，學(xué)習(xí)集采用正常數(shù)據(jù)，預(yù)設(shè)類(lèi)別為正常，對(duì)測(cè)試數(shù)據(jù)進(jìn)行一類(lèi)SVM分類(lèi)；第二步，分類(lèi)結(jié)果為異常的再用普通二分類(lèi)SVM進(jìn)行分類(lèi).分類(lèi)結(jié)果見(jiàn)表5.對(duì)比前2種方法單獨(dú)使用，結(jié)果顯示其錯(cuò)誤率下降，漏報(bào)率與誤報(bào)率均為最優(yōu)結(jié)果.

4 結(jié) 論

本文采用機(jī)器學(xué)習(xí)方法，提出對(duì)建筑結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)進(jìn)行初步識(shí)別的新方法，并將其在上海中心和蘭州西站的B/S監(jiān)測(cè)數(shù)據(jù)系統(tǒng)中編程實(shí)現(xiàn).

在數(shù)據(jù)特征向量的提取與選擇上，分析常用PCA法在監(jiān)測(cè)數(shù)據(jù)特征提取中使不同數(shù)據(jù)混合不利于分類(lèi)的問(wèn)題，并與UFS法對(duì)比后，選擇利于識(shí)別異常數(shù)據(jù)的特征向量.

在使用SVM進(jìn)行數(shù)據(jù)分類(lèi)時(shí)，分析2種SVM分類(lèi)方法運(yùn)用在監(jiān)測(cè)數(shù)據(jù)分類(lèi)中的效果，結(jié)合運(yùn)用2種SVM進(jìn)行數(shù)據(jù)處理的有效方法，組合利用二者的優(yōu)勢(shì)使異常識(shí)別的漏報(bào)和誤報(bào)減少.

采用這種數(shù)據(jù)初步識(shí)別辦法，降低分析子系統(tǒng)運(yùn)算壓力，并且減少分析系統(tǒng)遺漏地震、臺(tái)風(fēng)、儀器故障及其他問(wèn)題導(dǎo)致的數(shù)據(jù)異常的可能，對(duì)優(yōu)化改進(jìn)結(jié)構(gòu)預(yù)警系統(tǒng)有一定意義.

參考文獻(xiàn)：

[1]

李慧， 周文松， 歐進(jìn)萍， 等. 大型橋梁結(jié)構(gòu)智能健康監(jiān)測(cè)系統(tǒng)集成技術(shù)研究[J]. 土木工程學(xué)報(bào)， 2006， 39（2）： 46-52. DOI： 10.3321/j.issn：1000-131X.2006.02.010.

LI H， ZHOU W S， OU J P， et al. A study on system integration technique of intelligent monitoring systems for soundness of long-span bridges[J]. China Civil Engineering Journal， 2006， 39（2）： 46-52. DOI： 10.3321/j.issn：1000-131X.2006.02.010.

[2] 李惠， 鮑躍全， 李順龍， 等. 結(jié)構(gòu)健康監(jiān)測(cè)數(shù)據(jù)科學(xué)與工程[J]. 工程力學(xué)， 2015， 32（8）： 1-7. DOI： 10.6052/j.issn.1000-4750.2014.08.ST11.

LI H， BAO Y Q， LI S L， et al. Data science and engineering for structural health monitoring[J]. Engineering Mechanics， 2015， 32（8）： 1-7. DOI： 10.6052/j.issn.1000-4750.2014.08.ST11.

[3] AVCI E， SENGUR A， HANBAY D. An optimum feature extraction method for texture classification[J]. Expert Systems with Applications， 2009， 36（3）： 6036-6043. DOI： 10.1016/j.eswa.2008.06.076.

[4] AVCI E， TURKOGLU I. An intelligent diagnosis system based on principle component analysis and ANFIS for the heart valve diseases[J]. Expert Systems with Applications， 2009， 36（2）： 2873-2878. DOI： 10.1016/j.eswa.2008.01.030.

[5] 李瀟， 楊國(guó)安， 吳貞煥， 等. 基于聲發(fā)射信號(hào)模糊函數(shù)綜合相關(guān)系數(shù)的海洋平臺(tái)各類(lèi)損傷識(shí)別方法[J]. 機(jī)械工程學(xué)報(bào)， 2014， 50（22）： 1-9. DOI： 10.3901/JME.2014.22.001.

LI X， YANG G A， WU Z H， et al. Damage identification method of offshore platforms by ambiguity function integrated correlation coefficient of the acoustic emission signals[J]. Journal of Mechanical Engineering， 2014， 50（22）： 1-9. DOI： 10.3901/JME.2014.22.001.

[6] 鐘儒勉， 宗周紅， 鄭沛娟， 等. 基于節(jié)點(diǎn)曲率和小波分析的梁式橋多尺度損傷識(shí)別[J]. 振動(dòng)與沖擊， 2015， 34（12）： 108-114. DOI： 10.13465/j.cnki.jvs.2015.12.019.

ZHONG R M， ZONG Z H， ZHEN P J， et al. Damage identification method of girder bridge based on nodal curvatures and wavelet analysis[J]. Journal of Vibration and Shock， 2015， 34（12）： 108-114. DOI： 10.13465/j.cnki.jvs.2015.12.019.

[7] 傅大寶， 葉肖偉， 倪一清， 等. 基于遺傳算法和有限混合分布的應(yīng)力譜多模態(tài)建模[J]. 工程力學(xué)， 2014， 31（5）： 172-179. DOI： 10.6052/j.issn.1000-4750.2012.12.0949.

FU D B， YE X W， NI Y Q， et al. Multi-modal modelling of stress spectrum using genetic algorithm and finite mixture distributions[J]. Engineering Mechanics， 2014， 31（5）： 172-179. DOI： 10.6052/j.issn.1000-4750.2012.12.0949.

[8] 朱軍華， 余嶺. 基于頻響函數(shù)的結(jié)構(gòu)健康監(jiān)測(cè)主成分分析法[J]. 振動(dòng)與沖擊， 2011， 30（5）： 111-115. DOI： 10.3969/j.issn.1000-3835.2011.05.023.

ZHU J H， YU L. A PCA-based algorithm for structural health monitoring using frequency response functions[J]. Journal of Vibration and Shock， 2011， 30（5）： 111-115. DOI： 10.3969/j.issn.1000-3835.2011.05.023.

[9] DROTR P， GAZDA J， SMKAL Z. An experimental comparison of feature selection methods on two-class biomedical datasets[J]. Computers in Biology and Medicine， 2015， 66： 1-10. DOI： 10.1016/j.compbiomed.2015.08.010.

[10] 袁慎芳， 梁棟， 高寧， 等. 基于結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)的橋梁數(shù)據(jù)異常診斷研究[J]. 電子科技大學(xué)學(xué)報(bào)， 2013， 42 （1）： 69-74. DOI： 10.3969/j.issn.1001-0548.2013.01.016.

YUAN S F， LIANG D， GAO N， et al. The bridge data diagnosis research based on structural health monitoring system[J]. Journal of University of Electronic Science and Technology of China， 2013， 42（1）： 69-74. DOI： 10.3969/j.issn.1001-0548.2013.01.016.

[11] 丁世飛， 齊丙娟， 譚紅艷. SVM理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)， 2011， 40（1）： 1-10. DOI： 10.3969/j.issn.1001-0548.2011.01.001.

DING S F， QI B J， TAN H Y. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Technology of China， 2011， 40（1）： 1-10. DOI： 10.3969/j.issn.1001-0548.2011.01.001.

[12] 吳定海， 張培林， 任國(guó)全， 等. 基于支持向量的單類(lèi)分類(lèi)方法綜述[J]. 計(jì)算機(jī)工程， 2011， 37（5）： 187-189. DOI： 10.3969/j.issn.1000-3428.2011.05.063.

WU D H， ZHANG P L， REN G Q， et al. Review of one-class classification method based on support vector[J]. Computer Engineering， 2013， 37（5）： 69-74. DOI： 10.3969/j.issn.1000-3428.2011.05.063.

[13] 趙志宏. 基于振動(dòng)信號(hào)的機(jī)械故障特征提取與診斷研究[D]. 北京： 北京交通大學(xué)， 2012.