渡槽結(jié)構(gòu)運(yùn)行狀態(tài)監(jiān)測(cè)技術(shù)研究進(jìn)展

張建偉，張?zhí)旌?，華薇薇

(1.華北水利水電大學(xué)，河南 鄭州 450046；2.水資源高效利用與保障工程河南省協(xié)同創(chuàng)新中心， 河南 鄭州 450046；3.河南省水工結(jié)構(gòu)安全工程技術(shù)研究中心， 河南 鄭州 450046)

渡槽作為一種跨越式的空間薄壁輸水建筑物，廣泛應(yīng)用于農(nóng)業(yè)灌溉工程和其他大型水利工程中，為緩解水資源時(shí)空分布不均這一問題發(fā)揮著積極作用[1]。渡槽在實(shí)際運(yùn)行期間，由于環(huán)境因素及槽內(nèi)水體作用的影響，會(huì)造成渡槽結(jié)構(gòu)不同程度的破壞，甚至危及結(jié)構(gòu)安全[2]。渡槽結(jié)構(gòu)易產(chǎn)生表層混凝土剝蝕、蜂窩、鋼筋外露、裂縫、滲漏、地基不均勻沉降、材料老化、整體或局部失穩(wěn)、倒塌等病害癥狀[3-4]。對(duì)渡槽運(yùn)行狀態(tài)進(jìn)行科學(xué)的監(jiān)測(cè)有助于發(fā)現(xiàn)結(jié)構(gòu)的早期病害，進(jìn)行及時(shí)維護(hù)與加固，保證渡槽的結(jié)構(gòu)性能，避免災(zāi)難性事故的發(fā)生。為保障渡槽結(jié)構(gòu)的安全運(yùn)行，筆者從振測(cè)傳感器的優(yōu)化布置、特征信息提取、多測(cè)點(diǎn)信息融合與運(yùn)行狀態(tài)監(jiān)測(cè)等視角，闡述了渡槽結(jié)構(gòu)運(yùn)行監(jiān)測(cè)技術(shù)的研究進(jìn)展。

1 傳感器優(yōu)化布置

傳感器的優(yōu)化布置，即在結(jié)構(gòu)關(guān)鍵位置布設(shè)有限數(shù)量的傳感器，進(jìn)而從被噪聲污染的信號(hào)中獲取到最有價(jià)值的振動(dòng)信息。傳感器的布設(shè)是個(gè)優(yōu)化組合問題，優(yōu)化方法的選擇直接關(guān)系到計(jì)算的效率和結(jié)果的可靠性，當(dāng)前已提出了諸多測(cè)點(diǎn)優(yōu)化方法，大致分類如下。

1.1 傳統(tǒng)的優(yōu)化算法

傳統(tǒng)的傳感器優(yōu)化方法包括有效獨(dú)立法、QR分解法、模態(tài)置信準(zhǔn)則及能量法等。當(dāng)前應(yīng)用最廣泛的優(yōu)化方法是有效獨(dú)立法[5]，其本質(zhì)是保留對(duì)模態(tài)向量線性無(wú)關(guān)貢獻(xiàn)最大的測(cè)點(diǎn)，通過有限的傳感器獲得更多的模態(tài)信息，得到對(duì)模態(tài)的最佳估計(jì)。何龍軍等[6]基于修正后的距離系數(shù)-有效獨(dú)立法，有效緩解了大型空間結(jié)構(gòu)測(cè)點(diǎn)之間的信息贅余問題。袁愛民等[7]結(jié)合MAC準(zhǔn)則和有效獨(dú)立法的優(yōu)點(diǎn)，保障了橋梁信息向量的正交性和線性無(wú)關(guān)性。劉偉等[8]考慮了截?cái)嗄B(tài)線性獨(dú)立的同時(shí)，選擇含有較高模態(tài)動(dòng)能的測(cè)點(diǎn)，提出了具有較強(qiáng)抗噪能力的有效獨(dú)立-模態(tài)動(dòng)能法。李火坤等[9]提出基于QR分解和MAC準(zhǔn)則的高拱壩傳感器優(yōu)化布置方法，結(jié)果表明該方法識(shí)別精度高。張建偉等[10]針對(duì)有效獨(dú)立法布設(shè)測(cè)點(diǎn)能量較小的缺陷，提出基于有效獨(dú)立-總位移法的傳感器優(yōu)化方法，將測(cè)點(diǎn)的總位移按權(quán)重的大小加入優(yōu)化過程中，同時(shí)保留有效獨(dú)立法的優(yōu)點(diǎn)，最終得到獨(dú)立性較好且滿足能量要求的測(cè)點(diǎn)信息。

1.2 智能優(yōu)化算法

智能優(yōu)化算法主要包括遺傳算法、神經(jīng)網(wǎng)絡(luò)法、模擬退火算法和蟻群算法等，此類算法具有較好的并行性和搜索全局性，但依然存在缺點(diǎn)，例如，迭代次數(shù)多、收斂速度慢。劉娟[11]提出了二重結(jié)構(gòu)編碼的遺傳算法，證明了全局尋優(yōu)遺傳算法的優(yōu)越性。高維成等[12]基于QR分解來(lái)提高收斂速度，并采用遺傳算法中的強(qiáng)制變異規(guī)則避免測(cè)點(diǎn)重疊。Kirkpatrick等[13]利用模擬退火算法對(duì)傳感器優(yōu)化布置，并取得較好的效果。這些智能算法相較于傳統(tǒng)算法思想更為變通，力求全局最優(yōu)值，然而其穩(wěn)定性和搜索能力仍存在不足。

渡槽監(jiān)測(cè)系統(tǒng)中傳感器的主要任務(wù)是為渡槽損傷識(shí)別和狀態(tài)評(píng)估系統(tǒng)提供可靠的響應(yīng)數(shù)據(jù)。傳統(tǒng)和單一的優(yōu)化方法仍存在不足，這些算法還亟待進(jìn)一步改善。

(1) 將單一的優(yōu)化理論優(yōu)勢(shì)互補(bǔ)形成新的結(jié)合算法，使其兼?zhèn)鋬烧叩膬?yōu)點(diǎn)。例如將有效獨(dú)立法和模態(tài)保證準(zhǔn)則結(jié)合獲得線性無(wú)關(guān)和正交的信號(hào)，正是兩種算法優(yōu)點(diǎn)結(jié)合的體現(xiàn)。

(2) 實(shí)踐研究表明，在結(jié)構(gòu)損傷過程中應(yīng)力、應(yīng)變信息比位移更加敏感，應(yīng)重視傳感器在應(yīng)力、應(yīng)變信息采集方面的研究，應(yīng)力、應(yīng)變傳感器在傳感器優(yōu)化方面具有廣闊的前景。

2 振動(dòng)特征信息提取

由于渡槽工作條件的復(fù)雜性，導(dǎo)致外界環(huán)境激勵(lì)引發(fā)的噪聲信號(hào)(水流脈動(dòng)、大地脈動(dòng))融入結(jié)構(gòu)真實(shí)信息，測(cè)試信號(hào)中的大量干擾噪聲很大程度上掩蓋了結(jié)構(gòu)真實(shí)的振動(dòng)特征信息，導(dǎo)致結(jié)構(gòu)安全評(píng)價(jià)存在偏差。因此，為提高結(jié)構(gòu)安全監(jiān)測(cè)精度，需對(duì)實(shí)測(cè)信號(hào)濾除干擾噪聲，提取反映結(jié)構(gòu)特征的真實(shí)信息。

傳統(tǒng)的特征信息提取方法如數(shù)字濾波、小波閾值[14]等在各個(gè)領(lǐng)域取得了較好的效果，理論和技術(shù)都已經(jīng)很成熟，但均存在很大的局限性。數(shù)字濾波在數(shù)據(jù)長(zhǎng)度較短時(shí)易造成信號(hào)的失真變形，濾波精度較低。小波閾值的降噪效果過度依賴小波基和閾值函數(shù)，且該方法在分析信號(hào)的過程中不具有自適應(yīng)分解特性。奇異值分解(Singular Value Decomposition，SVD)降噪對(duì)高頻噪聲具有較強(qiáng)的濾波能力，當(dāng)處理低頻噪聲時(shí)，其濾波能力將會(huì)大幅度地降低。近年來(lái)，經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)[15]、集合經(jīng)驗(yàn)?zāi)B(tài)分解[16](Ensemble Empirical Mode Decomposition，EEMD)以及經(jīng)驗(yàn)小波變換[17](Empirical Wavelet Transform，EWT)等新型的特征信息提取技術(shù)被提出，并應(yīng)用于各個(gè)領(lǐng)域。

2.1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)是由Huang等[18]提出的一種適用于處理非線性非平穩(wěn)信號(hào)的時(shí)頻分析方法，該方法根據(jù)信號(hào)的尺度特征自適應(yīng)分解成一系列從高頻到低頻的物理意義不盡相同的固態(tài)模量(Intrinsic Mode Function，IMF)，此方法已在多個(gè)領(lǐng)域信號(hào)研究中應(yīng)用，具有很高的時(shí)頻分辨率。EMD分解流程如圖1所示。EMD方法克服了小波分析等信號(hào)處理方法依賴主觀經(jīng)驗(yàn)的缺點(diǎn)，其不需要提前設(shè)定基函數(shù)，然而由于其計(jì)算理論的缺陷，在分解過程中容易出現(xiàn)模態(tài)混疊現(xiàn)象[19]。

圖1 EMD分解流程圖

2.2 集合經(jīng)驗(yàn)?zāi)B(tài)分解

集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)首先需要多次對(duì)原始信號(hào)x(t)中施加白噪聲，進(jìn)而對(duì)其進(jìn)行EMD分解，然后將多次EMD分解獲得的各IMF分量進(jìn)行平均得到最終的IMF分量，該方法是對(duì)EMD方法的改進(jìn)，可以一定程度上改善模態(tài)混疊現(xiàn)象[20]。

EEMD算法試圖通過多次集成平均來(lái)抵消白噪聲對(duì)分解結(jié)果的影響，但并不能完全消除；其重構(gòu)誤差的大小過度依賴集成次數(shù)，雖然可以通過增加集成次數(shù)來(lái)減少重構(gòu)誤差，但該過程無(wú)疑會(huì)增長(zhǎng)計(jì)算耗時(shí)，嚴(yán)重影響計(jì)算效率。

2.3 經(jīng)驗(yàn)小波變換

經(jīng)驗(yàn)小波變換(Empirical Wavelet Transform，EWT)由Gilles[21]提出，該方法綜合了EMD和小波的優(yōu)點(diǎn)，同時(shí)又克服了小波不能自適應(yīng)分解的缺點(diǎn)，其計(jì)算量遠(yuǎn)小于EMD和EEMD。EWT的基本原理為：根據(jù)原信號(hào)的頻譜特征將其分割為多個(gè)區(qū)間，每個(gè)區(qū)間中具有不同的帶通濾波器，通過對(duì)原信號(hào)進(jìn)行濾波處理，提取出各個(gè)調(diào)幅-調(diào)頻分量，將信號(hào)自適應(yīng)地分解。EWT的主要步驟如圖2所示。

圖2 EWT方法實(shí)現(xiàn)流程

EWT雖然優(yōu)于EMD及EEMD等方法，但該方法需要人為設(shè)定分解層數(shù)，并且抗噪性差，強(qiáng)背景噪聲會(huì)大幅度降低其模態(tài)分量提取精度[22]。

2.4 變分模態(tài)分解及其改進(jìn)算法

雖然EMD、EEMD及EWT等新型濾波方法明顯優(yōu)于傳統(tǒng)方法，但都有各自的缺點(diǎn)。EEMD工作量龐大，計(jì)算效率低。EWT在噪聲成分低時(shí)濾波精度較高，但噪聲含量過大時(shí)其濾波精度大幅度地降低。變分模態(tài)分解[23](Variational Mode Decomposition，VMD)是近年來(lái)新提出的方法，與EMD、EWT等方法相比，VMD的分解過程收斂速度更快，計(jì)算精度更高。

VMD是多分量信號(hào)自適應(yīng)分解的新方法，該方法通過構(gòu)造及求解變分問題，確定每個(gè)IMF分量，從而實(shí)現(xiàn)信號(hào)的有效分離。馬增強(qiáng)等[24]通過構(gòu)造含噪聲的仿真信號(hào)，采用變分模態(tài)分解與奇異值分解聯(lián)合的方法進(jìn)行降噪，結(jié)果表明該方法可有效的消除噪聲影響。付文龍等[25]提出基于增強(qiáng)VMD相關(guān)分析的擺度信號(hào)降噪方法，通過仿真分析與實(shí)測(cè)信號(hào)降噪驗(yàn)證，證明了該方法具有較好的降噪性能。

VMD算法中模態(tài)數(shù)K的確定至關(guān)重要[26]。K值的選取極大影響結(jié)果的準(zhǔn)確性，若K值太大會(huì)導(dǎo)致過分解，K值太小時(shí)部分IMF不能被有效識(shí)別。Dragomiretskiy等通過判斷各個(gè)模態(tài)之間是否正交或者頻譜是否重疊確定K的取值，但該方法很難實(shí)施。Wang等[27]利用VMD檢測(cè)轉(zhuǎn)子系統(tǒng)的碰磨故障，并通過數(shù)值仿真驗(yàn)證VMD算法在多特征提取方面較EWT、EMD和EEMD優(yōu)越，但是其K的取值是根據(jù)經(jīng)驗(yàn)進(jìn)行選取的。唐貴基等[28]利用PSO算法自動(dòng)確定K的取值，但該方法的優(yōu)化結(jié)果依賴于適應(yīng)度函數(shù)和各項(xiàng)參數(shù)的設(shè)置，如果參數(shù)選擇不當(dāng)，將無(wú)法保證分解結(jié)果的準(zhǔn)確性。為此，張建偉等[29]提出了利用互信息法自適應(yīng)地確定K值的IVMD方法，克服VMD盲目選取分解參數(shù)的缺點(diǎn)。

2.5 IVMD-SVD聯(lián)合濾波

IVMD基于模態(tài)特征和互信息準(zhǔn)則能夠自動(dòng)確定模態(tài)數(shù)，有效克服VMD盲目選取參數(shù)的缺點(diǎn)。此外，IVMD具有較強(qiáng)的抗噪能力，能夠去除低頻及部分高頻噪聲，與EMD、EEMD等方法相比，IVMD收斂快、計(jì)算效率高、魯棒性強(qiáng)。但是IVMD對(duì)部分高頻噪聲的濾波能力有限，可能會(huì)造成部分高頻噪聲的殘余，最終影響結(jié)構(gòu)安全監(jiān)測(cè)精度。因此，對(duì)IVMD濾波后的信號(hào)進(jìn)一步處理，濾除殘余的高頻噪聲至關(guān)重要，有利于進(jìn)一步提高濾波精度。

SVD降噪作為一種經(jīng)典的正交化分解降噪方法，對(duì)信號(hào)中的高頻隨機(jī)噪聲具有很強(qiáng)濾除能力。因此，本文充分結(jié)合IVMD和SVD的特點(diǎn)，提出了IVMD-SVD聯(lián)合降噪方法。該方法可去除干擾噪聲，提取結(jié)構(gòu)的真實(shí)振動(dòng)特性。IVMD-SVD聯(lián)合濾波流程如圖3所示。

圖3 IVMD-SVD聯(lián)合濾波流程

以某渡槽為例，采用IVMD-SVD方法對(duì)采集到的振動(dòng)信號(hào)進(jìn)行降噪，為驗(yàn)證該方法的有效性，同時(shí)采用IVMD與SVD方法對(duì)渡槽振動(dòng)信號(hào)分別進(jìn)行處理，并進(jìn)行對(duì)比分析，如圖4所示。

分析可知，IVMD-SVD方法不僅能夠?yàn)V除噪聲干擾，而且能更好的保留結(jié)構(gòu)真實(shí)有效信息，對(duì)渡槽結(jié)構(gòu)振動(dòng)特征信息提取具有較好的實(shí)用性。

3 多測(cè)點(diǎn)信息融合

信息融合是指將結(jié)構(gòu)的局部數(shù)據(jù)信息，通過一定的組合方式，得到一組更真實(shí)反應(yīng)結(jié)構(gòu)整體振動(dòng)特性的新數(shù)據(jù)。結(jié)構(gòu)的多測(cè)點(diǎn)信息融合，相當(dāng)于利用傳感器采集到的信號(hào)對(duì)同一結(jié)構(gòu)的不同部位以及不同方面的特征信息進(jìn)行融合。不同測(cè)點(diǎn)信息之間的關(guān)聯(lián)性不同，不同測(cè)點(diǎn)含噪聲成分比重也不同，有效特征信息所占的比例也不同。此外，不同測(cè)點(diǎn)的

圖4 3種方法處理效果對(duì)比圖

測(cè)試信號(hào)提取的特征頻率也可能不同，但有一些互補(bǔ)信息?；诙嘣畔⑷诤系亩刹劢Y(jié)構(gòu)安全運(yùn)行監(jiān)測(cè)研究，避免了常規(guī)的采用單一靜態(tài)監(jiān)測(cè)儀器進(jìn)行“點(diǎn)”監(jiān)測(cè)的缺點(diǎn)，而對(duì)各靜態(tài)、動(dòng)態(tài)監(jiān)測(cè)效應(yīng)量信息進(jìn)行多級(jí)融合，可以更全面地反映渡槽結(jié)構(gòu)整體的安全狀態(tài)。

信息融合按照融合程度的高低可以分為三類。數(shù)據(jù)級(jí)融合是將獲得的信息直接融合，精度最高，但計(jì)算量較大。特征級(jí)先提取信息的特征，再將特征進(jìn)行融合，數(shù)據(jù)量減小，但精度有所降低。決策級(jí)融合是將各種子決策進(jìn)行融合，其層次最高，誤判風(fēng)險(xiǎn)低。

3.1 數(shù)據(jù)級(jí)信息融合

數(shù)據(jù)級(jí)融合方法具有精度高、數(shù)據(jù)損失少、細(xì)微信息豐富等優(yōu)點(diǎn)，但也有一些缺點(diǎn)，例如計(jì)算時(shí)間長(zhǎng)、代價(jià)高、要求同類傳感器、容易受外界干擾等。由于精度較高，數(shù)據(jù)級(jí)融合應(yīng)用較多。Ren等[30]首次將一致性融合算法應(yīng)用于多傳感器測(cè)試數(shù)據(jù)的融合，并驗(yàn)證了方法的可行性。李學(xué)軍等[31]提出了可自動(dòng)篩選有效信息的方法(即互相關(guān)融合方法)，該方法能夠準(zhǔn)確識(shí)別失效的傳感器，提高信息融合的精度。Zhang等[32]和李火坤等[33]提出了基于方差貢獻(xiàn)率的多測(cè)點(diǎn)信息融合方法，可有效將多測(cè)點(diǎn)監(jiān)測(cè)數(shù)據(jù)融合為反映結(jié)構(gòu)整體特性的信號(hào)。隨著渡槽整體結(jié)構(gòu)的復(fù)雜化，其安全監(jiān)測(cè)問題愈受關(guān)注。單一傳感器只能反映結(jié)構(gòu)局部特征，基于方差貢獻(xiàn)率的數(shù)據(jù)級(jí)信息融合方法能在動(dòng)態(tài)融合模式下兼顧傳感器信號(hào)間的冗余性、互補(bǔ)性及相關(guān)性，使信號(hào)更真實(shí)反映渡槽整體振動(dòng)特性[34]。

3.2 特征級(jí)信息融合

特征級(jí)信息融合的核心是先提取信息的特征，再將特征進(jìn)行融合。該融合算法對(duì)數(shù)據(jù)進(jìn)行了有效地壓縮，計(jì)算效率提高，但部分有效信息損失，融合精度有所降低。特征級(jí)融合算法主要包括Kalman濾波、人工神經(jīng)網(wǎng)絡(luò)等。例如郭張軍等[35]將Kalman濾波融合算法用于大壩壩基水平位移計(jì)算和分析，克服了單個(gè)監(jiān)測(cè)點(diǎn)得到的計(jì)算結(jié)果不一致的問題，工程實(shí)用性較強(qiáng)。

3.3 決策級(jí)信息融合

決策級(jí)融合層次最高，該方法先對(duì)單一測(cè)試信息進(jìn)行判斷，從而得到多個(gè)子決策，最后將各種子決策融合得到總決策。由于數(shù)據(jù)量少，因此其精度與其他兩種融合方法相比較低，但是它計(jì)算成本低、可用于異類傳感器。決策級(jí)融合算法有Bayes推理、模糊積分、D-S證據(jù)理論等。例如葉偉等[36]用將加權(quán)優(yōu)化的D-S證據(jù)理論方法應(yīng)用于西溪大壩的安全評(píng)價(jià)，取得較好結(jié)果。He等[37]將Bayes理論用于大壩多測(cè)點(diǎn)融合中，為大壩的狀態(tài)評(píng)價(jià)和異常診斷奠定基礎(chǔ)。

單點(diǎn)監(jiān)測(cè)有效反映了監(jiān)測(cè)點(diǎn)所處的局部行為，無(wú)法準(zhǔn)確反映渡槽的整體結(jié)構(gòu)行為。綜上所述，信息融合的研究已成為熱點(diǎn)和發(fā)展的主要方向，它有機(jī)連接多個(gè)監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)，有效克服單點(diǎn)監(jiān)測(cè)分析和建模分析的局限性。目前，多傳感器信息融合技術(shù)日趨成熟，將信息融合技術(shù)應(yīng)用于渡槽結(jié)構(gòu)安全監(jiān)測(cè)，對(duì)掌握渡槽整體結(jié)構(gòu)性能具有實(shí)際意義。

4 渡槽結(jié)構(gòu)在線運(yùn)行監(jiān)測(cè)

4.1 傳統(tǒng)運(yùn)行狀態(tài)監(jiān)測(cè)參數(shù)

通過振動(dòng)測(cè)試對(duì)結(jié)構(gòu)運(yùn)行狀態(tài)進(jìn)行識(shí)別和判斷應(yīng)用較多，其成本低、易于操作。通過分析測(cè)試數(shù)據(jù)，獲取能夠反映結(jié)構(gòu)振動(dòng)特性的重要參數(shù)。參數(shù)的取值可有效反映結(jié)構(gòu)的不同狀態(tài)。應(yīng)用較多的狀態(tài)識(shí)別參數(shù)主要包括：固有頻率、應(yīng)變、振型等。

固有頻率出現(xiàn)的時(shí)間較早，是結(jié)構(gòu)重要的模態(tài)參數(shù)。固有頻率的操作簡(jiǎn)單，根據(jù)頻率的變化即可判斷結(jié)構(gòu)的運(yùn)行狀態(tài)，如Penny等[38]根據(jù)頻率的變化識(shí)別結(jié)構(gòu)的不同狀況，并且利用數(shù)值仿真方法設(shè)置了三種運(yùn)行工況，不同運(yùn)行工況下頻率的變化量不同，印證了利用頻率進(jìn)行運(yùn)行狀態(tài)識(shí)別的可行性。不同運(yùn)行工況可能得到相同的頻率變化量，當(dāng)結(jié)構(gòu)運(yùn)行狀態(tài)變化較小時(shí)，頻率的識(shí)別結(jié)果也不明顯。

與固有頻率相比，振型對(duì)結(jié)構(gòu)運(yùn)行狀態(tài)的識(shí)別較準(zhǔn)確，但結(jié)構(gòu)振型的提取較麻煩。沈文浩等[39]利用MAC和COMAC指標(biāo)識(shí)別懸臂梁結(jié)構(gòu)的損傷，結(jié)果表明這兩個(gè)指標(biāo)均能較好地識(shí)別結(jié)構(gòu)的運(yùn)行狀態(tài)，與MAC相比，COMAC的計(jì)算過程更繁瑣，需要更多階次的模態(tài)。振型指標(biāo)用于模型的損傷識(shí)別精度較高，但對(duì)于實(shí)際的工程來(lái)說，該方法局限性較大。

應(yīng)變是比位移對(duì)損傷更敏感的靈敏指標(biāo)，且根據(jù)應(yīng)變變化可實(shí)現(xiàn)對(duì)結(jié)構(gòu)的損傷定位。范濤等[40]利用數(shù)值仿真說明了應(yīng)變對(duì)結(jié)構(gòu)的損傷位置和程度較敏感，并將分析結(jié)果與位移模態(tài)進(jìn)行了對(duì)比，說明了應(yīng)變模態(tài)的優(yōu)越性。

除此之外，剛度在結(jié)構(gòu)發(fā)生變化時(shí)也會(huì)隨之改變，但研究表明剛度對(duì)結(jié)構(gòu)初期變化識(shí)別不敏感，適用于結(jié)構(gòu)發(fā)生較大變化的情況。

4.2 運(yùn)行狀態(tài)動(dòng)態(tài)監(jiān)測(cè)參數(shù)

頻率、振型、應(yīng)變等局部監(jiān)測(cè)指標(biāo)用于模型試驗(yàn)?zāi)軌蚝芎玫淖R(shí)別結(jié)構(gòu)狀態(tài)，但對(duì)于運(yùn)行條件較復(fù)雜的過流結(jié)構(gòu)靈敏度較低，并且過流結(jié)構(gòu)的振動(dòng)信號(hào)含有大量的水流噪聲及高頻白噪聲等背景噪聲，上述指標(biāo)的抗噪性能差，會(huì)嚴(yán)重影響最終的判斷結(jié)果。

排列熵(Permutation Entropy，PE)由Bandt等[41]提出，與其他常用的方法相比具有計(jì)算效率高、抗噪性強(qiáng)、易于在線監(jiān)測(cè)等特點(diǎn)，然而，PE忽略了相同時(shí)間序模式之間的幅度差異，且丟失了關(guān)于信號(hào)幅值的信息。多尺度排列熵(Multiscale Permutation Entropy，MPE)和加權(quán)多尺度排列熵(Weighted Multiscale Permutation Entropy,WMPE)通過結(jié)合幅值信息來(lái)彌補(bǔ)PE在尺度上的限制[42]。WMPE通常表現(xiàn)出規(guī)律性或在不同時(shí)間尺度上受到噪聲影響的片段權(quán)重分配的復(fù)雜性，對(duì)結(jié)構(gòu)運(yùn)行狀態(tài)監(jiān)測(cè)具有一定優(yōu)勢(shì)。MPE和WMPE適用于單通道時(shí)間序列的復(fù)雜性分析，單個(gè)通道單獨(dú)分析會(huì)導(dǎo)致跨通道關(guān)聯(lián)性的信息丟失，對(duì)于渡槽結(jié)構(gòu)整體安全監(jiān)測(cè)，需對(duì)各通道的運(yùn)行狀態(tài)進(jìn)行融合分析。多通道加權(quán)多尺度排列熵(Multivariate Weighted Multiscale Permutation Entropy，MWMPE)本質(zhì)是對(duì)不同時(shí)間尺度多通道信號(hào)的復(fù)雜性分析，MWMPE不僅可以準(zhǔn)確測(cè)量多通道數(shù)據(jù)的復(fù)雜性，還可以反映多變量時(shí)間序列中包含的更多信息，并且具有更好的魯棒性。因此，與WMPE方法相比，MWMPE可以直接分析多通道數(shù)據(jù)，同時(shí)，它可以嚴(yán)格統(tǒng)一地處理數(shù)據(jù)通道的不同嵌入維數(shù)，時(shí)間滯后和幅度范圍。

在某渡槽結(jié)構(gòu)上布置6個(gè)測(cè)點(diǎn)，共14個(gè)通道。采用MWMPE方法對(duì)不同水位情況下的監(jiān)測(cè)數(shù)據(jù)進(jìn)行計(jì)算分析。如圖5所示，MWMPE方法將多通道信號(hào)融合為一條反映結(jié)構(gòu)運(yùn)行狀態(tài)的熵值曲線，并能準(zhǔn)確反映結(jié)構(gòu)運(yùn)行狀態(tài)的變化情況。隨著水位的升高M(jìn)WMPE值變小，在水位變化節(jié)點(diǎn)處，熵值表現(xiàn)出明顯的突變，當(dāng)水位趨于穩(wěn)定時(shí)，熵值也逐漸平穩(wěn)。

圖5不同水位下MWMPE值

當(dāng)水位越低時(shí)，水的流速越大，監(jiān)測(cè)信號(hào)復(fù)雜性越高，所以熵值也越大，在水位變化節(jié)點(diǎn)處，水流對(duì)渡槽結(jié)構(gòu)的影響達(dá)到最大，使得熵值發(fā)生突變，當(dāng)水位趨于穩(wěn)定時(shí)，振動(dòng)信號(hào)的復(fù)雜性表現(xiàn)出同一水平，熵值曲線也隨之平穩(wěn)。因此，MWMPE方法融合后的熵值變化曲線可反映結(jié)構(gòu)的運(yùn)行狀態(tài)。

綜上所述，熵值可有效的分析渡槽結(jié)構(gòu)的運(yùn)行狀態(tài)，它能夠捕捉時(shí)間序列的不確定性與無(wú)序性而不對(duì)理論概率分布施加約束。隨著結(jié)構(gòu)運(yùn)行狀態(tài)的變化，熵值也隨之改變，熵值變化量的大小反映結(jié)構(gòu)運(yùn)行狀態(tài)的變化程度。因此，熵值是對(duì)渡槽結(jié)構(gòu)運(yùn)行狀態(tài)識(shí)別的敏感性動(dòng)態(tài)指標(biāo)，MWMPE可以直接分析多通道數(shù)據(jù)，更加全面的反映渡槽結(jié)構(gòu)整體的運(yùn)行狀態(tài)。

5 結(jié) 論

(1) 渡槽結(jié)構(gòu)的狀態(tài)監(jiān)測(cè)研究具有重要的現(xiàn)實(shí)意義，有助于發(fā)現(xiàn)渡槽結(jié)構(gòu)的早期病害，及時(shí)維護(hù)與加固，確保渡槽結(jié)構(gòu)安全運(yùn)行，使其發(fā)揮最大效益。

(2) 針對(duì)渡槽結(jié)構(gòu)的工作特點(diǎn)，本文從振測(cè)傳感器優(yōu)化布置、特征信息提取技術(shù)、多測(cè)點(diǎn)信息融合技術(shù)、敏感指標(biāo)在線安全監(jiān)測(cè)技術(shù)等方面，對(duì)渡槽結(jié)構(gòu)的狀態(tài)監(jiān)測(cè)研究進(jìn)展進(jìn)行總結(jié)與評(píng)述。