胡祖翰 石先明 劉利平 徐余明 鄭勝潔 劉 留

(1.中鐵第四勘察設(shè)計(jì)院集團(tuán)有限公司 湖北 武漢 4300631；2.北京交通大學(xué)電子信息工程學(xué)院 北京 100044)

1 軌道交通橋梁智能預(yù)警系統(tǒng)的設(shè)計(jì)

軌道交通橋梁智能預(yù)警系統(tǒng)包括數(shù)據(jù)感知、數(shù)據(jù)傳輸、數(shù)據(jù)預(yù)處理和數(shù)據(jù)融合4部分，預(yù)警系統(tǒng)的構(gòu)成及具體流程如圖1所示。本文提出一種將固定傳感器采集和群智感知傳感器采集相結(jié)合的方式，使得傳感器數(shù)量大幅增加。數(shù)據(jù)傳輸包括有線和無(wú)線2種方式；數(shù)據(jù)預(yù)處理采用數(shù)據(jù)清洗的算法，得到滿足質(zhì)量的數(shù)據(jù)；數(shù)據(jù)融合通過(guò)多傳感器融合實(shí)現(xiàn)預(yù)警功能。

圖1 橋梁監(jiān)測(cè)預(yù)警系統(tǒng)流程圖

1.1 數(shù)據(jù)感知

橋梁監(jiān)測(cè)傳感器結(jié)合具體橋梁的特點(diǎn)、環(huán)境以及運(yùn)營(yíng)階段安全評(píng)估的要求，對(duì)關(guān)鍵部位進(jìn)行重點(diǎn)監(jiān)測(cè)。本文提出將固定傳感器和群智感知傳感器相結(jié)合來(lái)監(jiān)測(cè)橋梁設(shè)備。

本文監(jiān)測(cè)項(xiàng)目主要分為：應(yīng)力、環(huán)境、位移以及傾斜監(jiān)測(cè)。具體傳感器參數(shù)如表1所示。其中，應(yīng)力監(jiān)測(cè)用于監(jiān)測(cè)主梁壓力、振動(dòng)加速度以及索力壓力，安置在橋的主拱肋、地面及吊桿上；位移監(jiān)測(cè)用于監(jiān)測(cè)橋面縱向滑移以及拱肋偏位，安置在拱腳和拱肋跨中處；傾斜監(jiān)測(cè)用于監(jiān)測(cè)橋梁傾角，安置在拱腳上；環(huán)境監(jiān)測(cè)用于監(jiān)測(cè)季節(jié)及日照引起的溫度變化，安置在主拱肋和地面，橋梁傳感器布置如圖2所示。

表1 橋梁監(jiān)測(cè)傳感器參數(shù)

圖2 橋梁傳感器布置

1.2 數(shù)據(jù)傳輸

數(shù)據(jù)傳輸保證監(jiān)測(cè)系統(tǒng)各組成部分間建立穩(wěn)定的物理連接，確保監(jiān)測(cè)數(shù)據(jù)和指令在系統(tǒng)內(nèi)部安全、可靠、高質(zhì)量地傳輸。現(xiàn)場(chǎng)監(jiān)控單元與數(shù)據(jù)中心的遠(yuǎn)距離數(shù)據(jù)傳輸采用光纖傳輸技術(shù)、無(wú)線傳輸技術(shù)及兩者相結(jié)合的方式，對(duì)交通不便、地形復(fù)雜、物理布線困難的橋區(qū)采用NB-IoT、5G等無(wú)線網(wǎng)絡(luò)。

1.3 數(shù)據(jù)預(yù)處理

本系統(tǒng)使用數(shù)據(jù)清洗的方法處理傳感器數(shù)據(jù)，按照缺失值、異常值以及重復(fù)值處理的順序進(jìn)行。首先采用多元線性回歸插補(bǔ)法填補(bǔ)缺失值。對(duì)于同一時(shí)刻的橋梁系統(tǒng)，如果橋梁整體結(jié)構(gòu)異常，部分傳感器數(shù)據(jù)會(huì)相應(yīng)變化，因此不同傳感器的數(shù)據(jù)具有關(guān)聯(lián)性，該方法就是利用數(shù)據(jù)的關(guān)聯(lián)性建立回歸方程來(lái)填補(bǔ)缺失值。

另外，本系統(tǒng)采用近鄰排序算法對(duì)數(shù)據(jù)集進(jìn)行重復(fù)值篩選清除。首先依據(jù)傳感器種類(lèi)，將數(shù)據(jù)集分列排列，選中一類(lèi)傳感器數(shù)據(jù)進(jìn)行升序排列，使相似或者相同的監(jiān)測(cè)數(shù)據(jù)相鄰；然后對(duì)排序后的傳感器數(shù)據(jù)設(shè)置大小為w的滑動(dòng)窗口，每次對(duì)滑動(dòng)窗口各行數(shù)據(jù)以歐式距離的方式進(jìn)行相似度篩查。窗口中第一行數(shù)據(jù)和其余w-1行數(shù)據(jù)比較，若符合歐式距離的判斷準(zhǔn)則，則刪除此行數(shù)據(jù)，其他數(shù)據(jù)依次處理。經(jīng)數(shù)據(jù)清洗后，可以得到滿足質(zhì)量的數(shù)據(jù)，輸入到融合系統(tǒng)。

1.4 數(shù)據(jù)融合

數(shù)據(jù)融合將多種異構(gòu)傳感器融合，步驟如下：首先根據(jù)預(yù)警閾值構(gòu)造傳感器的基本概率分配函數(shù)，這里用到了基于樣本值的構(gòu)造方法。其次采用D-S證據(jù)理論算法進(jìn)行數(shù)據(jù)融合，得到融合后的預(yù)警等級(jí)，實(shí)現(xiàn)預(yù)警功能。在原算法基礎(chǔ)上，使用遺傳算法加權(quán)優(yōu)化，提高預(yù)警的可信度。圖3為多傳感器融合的原理框圖。

圖3 多傳感器融合框圖

1.4.1D-S證據(jù)理論算法融合

本系統(tǒng)針對(duì)各類(lèi)傳感器設(shè)置預(yù)警閾值，參考T/CECS 529—2018《大跨度橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)預(yù)警閾值標(biāo)準(zhǔn)》，共采用綠、黃、橙、紅色四級(jí)預(yù)警機(jī)制[1]。首先通過(guò)輸入數(shù)據(jù)以及預(yù)警閾值建立各類(lèi)傳感器的基本概率分配(BPA，Basic Probability Assignment)。具體步驟如下：在橋梁系統(tǒng)中，傳感器數(shù)據(jù)為{y1，y2，y3，…,yn}，其中yi(i=1，2，…，n)為第i種傳感器輸入值，{yi1，yi2，yi3，yi4}表示第i種傳感器對(duì)應(yīng)綠、黃、橙、紅4種預(yù)警等級(jí)的閾值，Tj(j=1，2，3，4)為預(yù)警等級(jí)j,則對(duì)于傳感器輸入值yi對(duì)應(yīng)預(yù)警等級(jí)的概率分配函數(shù)為：

(1)

其中，Dij為輸入值yi與某一預(yù)警等級(jí)閾值yij之間的距離，即：

Dij=|yi-yij|

(2)

Di表示輸入值yi與4種預(yù)警等級(jí)閾值的距離和，則有：

(3)

同時(shí)，對(duì)于概率分配要滿足以下條件：

m：2Tj→[0，1]

(4)

(5)

其中，m為概率分配函數(shù)，概率都在[0，1]之間，且概率和為1。以溫度傳感器為例，m(綠)=0.6,m(黃)=0.2，m(橙)=0.1，m(紅)=0.1，此時(shí)預(yù)警狀態(tài)為綠。

確定概率分配函數(shù)后，再將yi的具體數(shù)值與預(yù)警閾值帶入公式(1)，得到每個(gè)預(yù)警等級(jí)的具體概率值。由式(1)-(3)，得到所有傳感器的概率分配后，對(duì)各類(lèi)傳感器的概率分配進(jìn)行融合處理。本文采用的是D-S融合規(guī)則[2]，兩兩融合公式如下：

m2(C)

(6)

(7)

其中，Tj為預(yù)警等級(jí)，B、C?Tj，m1(B)和m2(C)為兩種傳感器對(duì)應(yīng)的預(yù)警等級(jí)的概率，K為沖突因子。兩種傳感器融合后的結(jié)果m(Tj)即為預(yù)警等級(jí)的概率分配。

由式(6)-(7)得到兩兩融合結(jié)果后，再通過(guò)多次兩兩融合實(shí)現(xiàn)多傳感器融合，得到的結(jié)果經(jīng)過(guò)如下方式判決輸出預(yù)警等級(jí)，如果某預(yù)警概率同時(shí)滿足準(zhǔn)則1和2，即

準(zhǔn)則1：m(Tm)=max{m(Tj)}

準(zhǔn)則2：m(Tm)-m(Tj)>δ(j≠m)δR且δ>0

則可判定為該預(yù)警狀態(tài)。Tj為預(yù)警等級(jí)，Tm為概率最高的預(yù)警等級(jí)，δ為大于零的實(shí)數(shù)，其取值根據(jù)實(shí)際情況而定。準(zhǔn)則1和準(zhǔn)則2表示Tm為最大的概率，并且與其他概率的差值大于門(mén)限δ。

1.4.2遺傳算法加權(quán)改進(jìn)的D-S融合

D-S證據(jù)理論算法在數(shù)據(jù)融合中有良好的性能，但是存在融合沖突的情況，即當(dāng)不同傳感器對(duì)應(yīng)某預(yù)警狀態(tài)的概率相差較大，合成結(jié)果往往與直觀感覺(jué)相悖。因此本文基于遺傳算法加權(quán)優(yōu)化，提升原算法在沖突概率融合時(shí)的可信度。

為解決沖突概率的問(wèn)題，本系統(tǒng)設(shè)置一個(gè)沖突函數(shù)f，通過(guò)最小化f，使得融合沖突最小。假設(shè)傳感器數(shù)目為n，則沖突函數(shù)f可表示為：

f=0.1(K12+K13+K23+…+Kn-1,n)+

(8)

其中，K表示兩傳感器的加權(quán)沖突系數(shù)，即：

(9)

其中，m1(B)和m2(C)為兩傳感器對(duì)應(yīng)的預(yù)警等級(jí)的概率，x1和x2為其權(quán)重，滿足x1+x2=1，x1∈[0，1]，x2∈[0，1]。此外，式(10)中d為兩傳感器的加權(quán)沖突距離，可表示為：

(10)

通過(guò)式(8)-(10)確定沖突函數(shù)f后，再使用遺傳算法優(yōu)化。具體優(yōu)化的偽代碼如表2所示。將f視為遺傳算法的適應(yīng)度函數(shù)，加權(quán)系數(shù)x1，x2，x3，…，xn為適應(yīng)度閾值，系數(shù)要滿足如下約束條件：

表2 遺傳算法優(yōu)化的流程

(11)

首先，初始化x1，x2，x3，…，xn，給定在約束條件內(nèi)的隨機(jī)值，帶入f求得此時(shí)的適應(yīng)度。其次，在約束條件內(nèi)調(diào)整加權(quán)系數(shù)，當(dāng)最優(yōu)個(gè)體的適應(yīng)度達(dá)到給定閾值，或者群體適應(yīng)度不再上升，迭代過(guò)程收斂，否則繼續(xù)選擇、交叉、變異得到的新一代群體，循環(huán)執(zhí)行，得到最優(yōu)的加權(quán)系數(shù)x1，x2，x3，…，xn，最后將加權(quán)系數(shù)帶入加權(quán)平均公式：

m(Tj)=x1m1(Tj)+x2m2(Tj)+…+xnmn(Tj)

(12)

將所得概率m(Tj)再融合n-1次，即得到最終結(jié)果。

在大數(shù)據(jù)的背景下，傳統(tǒng)的“黑板+粉筆”、“教師講+學(xué)生聽(tīng)”的模式已經(jīng)無(wú)法滿足實(shí)際的教學(xué)需要了。在這樣的背景下，高職院校也應(yīng)該在數(shù)學(xué)的教學(xué)中積極地采用翻轉(zhuǎn)課堂或者是微課等創(chuàng)新型的教學(xué)模式來(lái)提高教學(xué)效果，吸引學(xué)生的注意力。不管是翻轉(zhuǎn)課堂，還是微課，都是教師將學(xué)習(xí)的主動(dòng)權(quán)交給學(xué)生的一種教學(xué)方式，讓學(xué)生學(xué)會(huì)在網(wǎng)絡(luò)平臺(tái)上進(jìn)行在線學(xué)習(xí)，完成教師布置的任務(wù)，并且及時(shí)通過(guò)互聯(lián)網(wǎng)來(lái)向教師反饋?zhàn)约旱膶W(xué)習(xí)情況。這樣一來(lái)，教師在課堂上與學(xué)生交流的時(shí)間也就更多，能夠更好地解答學(xué)生們?cè)趯W(xué)習(xí)中所遇到的疑問(wèn)。這樣的教學(xué)模式，對(duì)于數(shù)學(xué)教學(xué)效果的提升來(lái)說(shuō)，具有著非常重要的意義。

2 驗(yàn)證結(jié)果

本系統(tǒng)中使用仿真數(shù)據(jù)，假設(shè)橋梁上有16種傳感器，每個(gè)傳感器時(shí)間上連續(xù)采集100組數(shù)據(jù)，采集過(guò)程會(huì)引入噪聲。以位移傳感器為例，該噪聲為高頻噪聲并且服從正態(tài)分布，均值為0.4 mm，標(biāo)準(zhǔn)差為0.02 mm。系統(tǒng)通過(guò)數(shù)據(jù)預(yù)處理對(duì)噪聲處理后，數(shù)據(jù)輸入融合系統(tǒng)。

2.1 D-S證據(jù)理論融合結(jié)果

本監(jiān)測(cè)系統(tǒng)共采集驗(yàn)證了5種情況，分別為狀態(tài)全部正常、全部異常、多組正常、多組異常以及一半正常一半異常，仿真結(jié)果如表3所示。

表3 仿真結(jié)果

結(jié)果顯示，在前4種情況下，對(duì)預(yù)警概率進(jìn)行比較，使用原算法均可得到正確結(jié)果。但是，一半正常的狀態(tài)，黃色和橙色概率相近，判決結(jié)果可能為“黃”或者“橙”。這種狀態(tài)可以判決為“無(wú)法識(shí)別”，等下一周期數(shù)據(jù)輸入，再次判決。經(jīng)過(guò)3次周期為“無(wú)法識(shí)別”后，直接判決紅色預(yù)警。從結(jié)果來(lái)看，在多組正常或者異常的情況下，不同預(yù)警狀態(tài)概率相差較小，在判決時(shí)可能會(huì)出現(xiàn)虛警、漏警的情況。本文通過(guò)遺傳算法加權(quán)優(yōu)化的方法來(lái)改進(jìn)這一狀況，使不同狀態(tài)概率的差值增大。

2.2 遺傳算法優(yōu)化的融合結(jié)果

對(duì)于本系統(tǒng)16種傳感器，每個(gè)傳感器賦予1個(gè)權(quán)重系數(shù)，再對(duì)沖突函數(shù)進(jìn)行分析，通過(guò)遺傳算法進(jìn)行最小化處理，得到16組權(quán)重系數(shù)。以2.1節(jié)多組正常的情況為例分析，則最優(yōu)化后的權(quán)重系數(shù)如表4所示。

表4 權(quán)重系數(shù)

表4仿真結(jié)果顯示多組正常情況下，前12組加權(quán)系數(shù)都在0.062及以上，略大于后4種。此結(jié)果驗(yàn)證了改進(jìn)方法可以調(diào)整傳感器的權(quán)重系數(shù)，降低融合過(guò)程中的沖突。圖4結(jié)果顯示在迭代了79次時(shí)，函數(shù)收斂到了最佳適應(yīng)度，此時(shí)函數(shù)的最佳適應(yīng)度為0.612。

圖4 遺傳算法最佳適應(yīng)度與最佳個(gè)體

得到傳感器的加權(quán)系數(shù)后，將加權(quán)系數(shù)帶入傳感器融合前的概率分配值，過(guò)程如式(12)所示，將其進(jìn)行加權(quán)后融合。本系統(tǒng)共16組傳感器，因此需要再融合15次，得到融合后的結(jié)果。改進(jìn)方法與原方法的對(duì)比如表5所示。

表5優(yōu)化前后驗(yàn)證結(jié)果顯示，在前12種傳感器正常，后4種傳感器異常的相同故障情況下，改進(jìn)后綠色概率為0.747 8，紅色概率為0.001 2；對(duì)比改進(jìn)前后結(jié)果，優(yōu)化后原本概率高的預(yù)警概率進(jìn)一步提高，概率低的預(yù)警概率降低，優(yōu)化效果明顯。

3 結(jié)論

本文分析了軌道交通橋梁智能預(yù)警系統(tǒng)架構(gòu)，并以軌道交通京滬線某實(shí)測(cè)區(qū)域橋梁系統(tǒng)為例，首先通過(guò)群智感知采集傳感器數(shù)據(jù)，其次引入數(shù)據(jù)清洗處理數(shù)據(jù)，將處理后的數(shù)據(jù)使用D-S證據(jù)理論算法融合，實(shí)現(xiàn)預(yù)警功能；并且通過(guò)遺傳算法加權(quán)優(yōu)化，使融合后預(yù)警可信度得到提升。本文研究成果提升了軌道交通橋梁整體運(yùn)維維護(hù)的質(zhì)量和效率，在應(yīng)用于橋梁預(yù)警系統(tǒng)的基礎(chǔ)上，還可為軌道交通其他專(zhuān)業(yè)提供參考。