張建偉，張?zhí)旌悖A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]。對渡槽運(yùn)行狀態(tài)進(jìn)行科學(xué)的監(jiān)測有助于發(fā)現(xiàn)結(jié)構(gòu)的早期病害，進(jìn)行及時維護(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，筆者從振測傳感器的優(yōu)化布置、特征信息提取、多測點(diǎn)信息融合與運(yùn)行狀態(tài)監(jiān)測等視角，闡述了渡槽結(jié)構(gòu)運(yùn)行監(jiān)測技術(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中獲取到最有價值的振動信息。傳感器的布設(shè)是個優(yōu)化組合問題，優(yōu)化方法的選擇直接關(guān)系到計算的效率和結(jié)果的可靠性，當(dāng)前已提出了諸多測點(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)是保留對模態(tài)向量線性無關(guān)貢獻(xiàn)最大的測點(diǎn)，通過有限的傳感器獲得更多的模態(tài)信息，得到對模態(tài)的最佳估計。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關(guān)性。劉偉等[8]考慮了截斷模態(tài)線性獨(dú)立的同時，選擇含有較高模態(tài)動能的測點(diǎn)，提出了具有較強(qiáng)抗噪能力的有效獨(dú)立-模態(tài)動能法。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)果表明該方法識別精度高。張建偉等[10]針對有效獨(dú)立法布設(shè)測點(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，將測點(diǎn)的總位移按權(quán)重的大小加入優(yōu)化過程中，同時保留有效獨(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)則避免測點(diǎn)重疊。Kirkpatrick等[13]利用模擬退火算法對傳感器優(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)測系統(tǒng)中傳感器的主要任務(wù)是為渡槽損傷識別和狀態(tài)評估系統(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)合獲得線性無關(guān)和正交的信號，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)境激勵引發(fā)的噪聲信號(水流脈動、大地脈動)融入結(jié)構(gòu)真實(shí)信息，測試信號中的大量干擾噪聲很大程度上掩蓋了結(jié)構(gòu)真實(shí)的振動特征信息，導(dǎo)致結(jié)構(gòu)安全評價存在偏差。因此，為提高結(jié)構(gòu)安全監(jiān)測精度，需對實(shí)測信號濾除干擾噪聲，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)長度較短時易造成信號的失真變形，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)降噪對高頻噪聲具有較強(qiáng)的濾波能力，當(dāng)處理低頻噪聲時，其濾波能力將會大幅度地降低。近年來，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)信號的時頻分析方法，該方法根據(jù)信號的尺度特征自適應(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)，此方法已在多個領(lǐng)域信號研究中應(yīng)用，具有很高的時頻分辨率。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)首先需要多次對原始信號x(t)中施加白噪聲，進(jìn)而對其進(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抵消白噪聲對分解結(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)來減少重構(gòu)誤差，但該過程無疑會增長計算耗時，嚴(yán)重影響計算效率。

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)，同時又克服了小波不能自適應(yīng)分解的缺點(diǎn)，其計算量遠(yuǎn)小于EMD和EEMD。EWT的基本原理為：根據(jù)原信號的頻譜特征將其分割為多個區(qū)間，每個區(qū)間中具有不同的帶通濾波器，通過對原信號進(jìn)行濾波處理，提取出各個調(diào)幅-調(diào)頻分量，將信號自適應(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，計算效率低。EWT在噪聲成分低時濾波精度較高，但噪聲含量過大時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，計算精度更高。

VMD是多分量信號自適應(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IMF分量，從而實(shí)現(xiàn)信號的有效分離。馬增強(qiáng)等[24]通過構(gòu)造含噪聲的仿真信號，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)分析的擺度信號降噪方法，通過仿真分析與實(shí)測信號降噪驗(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值太大會導(dǎo)致過分解，K值太小時部分IMF不能被有效識別。Dragomiretskiy等通過判斷各個模態(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、計算效率高、魯棒性強(qiáng)。但是IVMD對部分高頻噪聲的濾波能力有限，可能會造成部分高頻噪聲的殘余，最終影響結(jié)構(gòu)安全監(jiān)測精度。因此，對IVMD濾波后的信號進(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，對信號中的高頻隨機(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方法對采集到的振動信號進(jìn)行降噪，為驗(yàn)證該方法的有效性，同時采用IVMD與SVD方法對渡槽振動信號分別進(jìn)行處理，并進(jìn)行對比分析，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，對渡槽結(jié)構(gòu)振動特征信息提取具有較好的實(shí)用性。

3 多測點(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)整體振動特性的新數(shù)據(jù)。結(jié)構(gòu)的多測點(diǎn)信息融合，相當(dāng)于利用傳感器采集到的信號對同一結(jié)構(gòu)的不同部位以及不同方面的特征信息進(jìn)行融合。不同測點(diǎn)信息之間的關(guān)聯(lián)性不同，不同測點(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，不同測點(diǎn)的

圖4 3種方法處理效果對比圖

測試信號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)測研究，避免了常規(guī)的采用單一靜態(tài)監(jiān)測儀器進(jìn)行“點(diǎn)”監(jiān)測的缺點(diǎn)，而對各靜態(tài)、動態(tài)監(jiān)測效應(yīng)量信息進(jìn)行多級融合，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)級融合是將獲得的信息直接融合，精度最高，但計算量較大。特征級先提取信息的特征，再將特征進(jìn)行融合，數(shù)據(jù)量減小，但精度有所降低。決策級融合是將各種子決策進(jìn)行融合，其層次最高，誤判風(fēng)險低。

3.1 數(shù)據(jù)級信息融合

數(shù)據(jù)級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)，例如計算時間長、代價高、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)率的多測點(diǎn)信息融合方法，可有效將多測點(diǎn)監(jiān)測數(shù)據(jù)融合為反映結(jié)構(gòu)整體特性的信號。隨著渡槽整體結(jié)構(gòu)的復(fù)雜化，其安全監(jiān)測問題愈受關(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)級信息融合方法能在動態(tài)融合模式下兼顧傳感器信號間的冗余性、互補(bǔ)性及相關(guān)性，使信號更真實(shí)反映渡槽整體振動特性[34]。

3.2 特征級信息融合

特征級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。該融合算法對數(shù)據(jù)進(jìn)行了有效地壓縮，計算效率提高，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算和分析，克服了單個監(jiān)測點(diǎn)得到的計算結(jié)果不一致的問題，工程實(shí)用性較強(qiáng)。

3.3 決策級信息融合

決策級融合層次最高，該方法先對單一測試信息進(jìn)行判斷，從而得到多個子決策，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，但是它計算成本低、可用于異類傳感器。決策級融合算法有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價，取得較好結(jié)果。He等[37]將Bayes理論用于大壩多測點(diǎn)融合中，為大壩的狀態(tài)評價和異常診斷奠定基礎(chǔ)。

單點(diǎn)監(jiān)測有效反映了監(jiān)測點(diǎn)所處的局部行為，無法準(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)連接多個監(jiān)測點(diǎn)的監(jiān)測數(shù)據(jù)，有效克服單點(diǎn)監(jiān)測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，對掌握渡槽整體結(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

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

通過振動測試對結(jié)構(gòu)運(yùn)行狀態(tài)進(jìn)行識別和判斷應(yīng)用較多，其成本低、易于操作。通過分析測試數(shù)據(jù)，獲取能夠反映結(jié)構(gòu)振動特性的重要參數(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，頻率的識別結(jié)果也不明顯。

與固有頻率相比，振型對結(jié)構(gòu)運(yùn)行狀態(tài)的識別較準(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)識別懸臂梁結(jié)構(gòu)的損傷，結(jié)果表明這兩個指標(biāo)均能較好地識別結(jié)構(gòu)的運(yùn)行狀態(tài)，與MAC相比，COMAC的計算過程更繁瑣，需要更多階次的模態(tài)。振型指標(biāo)用于模型的損傷識別精度較高，但對于實(shí)際的工程來說，該方法局限性較大。

應(yīng)變是比位移對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)生變化時也會隨之改變，但研究表明剛度對結(jié)構(gòu)初期變化識別不敏感，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)動態(tài)監(jiān)測參數(shù)

頻率、振型、應(yīng)變等局部監(jiān)測指標(biāo)用于模型試驗(yàn)?zāi)軌蚝芎玫淖R別結(jié)構(gòu)狀態(tài)，但對于運(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)的振動信號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算效率高、抗噪性強(qiáng)、易于在線監(jiān)測等特點(diǎn)，然而，PE忽略了相同時間序模式之間的幅度差異，且丟失了關(guān)于信號幅值的信息。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)律性或在不同時間尺度上受到噪聲影響的片段權(quán)重分配的復(fù)雜性，對結(jié)構(gòu)運(yùn)行狀態(tài)監(jiān)測具有一定優(yōu)勢。MPE和WMPE適用于單通道時間序列的復(fù)雜性分析，單個通道單獨(dú)分析會導(dǎo)致跨通道關(guān)聯(lián)性的信息丟失，對于渡槽結(jié)構(gòu)整體安全監(jiān)測，需對各通道的運(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)是對不同時間尺度多通道信號的復(fù)雜性分析，MWMPE不僅可以準(zhǔn)確測量多通道數(shù)據(jù)的復(fù)雜性，還可以反映多變量時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，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)，時間滯后和幅度范圍。

在某渡槽結(jié)構(gòu)上布置6個測點(diǎn)，共14個通道。采用MWMPE方法對不同水位情況下的監(jiān)測數(shù)據(jù)進(jìn)行計算分析。如圖5所示，MWMPE方法將多通道信號融合為一條反映結(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，熵值也逐漸平穩(wěn)。

圖5不同水位下MWMPE值

當(dāng)水位越低時，水的流速越大，監(jiān)測信號復(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，振動信號的復(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)，它能夠捕捉時間序列的不確定性與無序性而不對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，熵值是對渡槽結(jié)構(gòu)運(yùn)行狀態(tài)識別的敏感性動態(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) 針對渡槽結(jié)構(gòu)的工作特點(diǎn)，本文從振測傳感器優(yōu)化布置、特征信息提取技術(shù)、多測點(diǎn)信息融合技術(shù)、敏感指標(biāo)在線安全監(jiān)測技術(shù)等方面，對渡槽結(jié)構(gòu)的狀態(tài)監(jiān)測研究進(jìn)展進(jìn)行總結(jié)與評述。