基于多源信息融合的運行期渡槽結構健康狀態診斷研究

尹健梅，劉 涵，代紅波，于 航，李永慶

（1. 中國電建集團昆明勘測設計研究院有限公司， 昆明650000；2. 天津大學 水利工程仿真與安全國家重點實驗室，天津300350；3. 水利部海河水利委員會科技咨詢中心，天津300170）

渡槽作為引水工程中的主要水工結構， 如何進行結構狀態監測、安全分析及加固檢修是重要的。渡槽的缺陷和病害對建筑物安全影響很大， 需要在科學的監測檢測評估之后對癥下藥。 目前關于渡槽結構運行安全方面的研究，多為從功能性角度出發，在安全性、適用性、耐久性三方面對渡槽健康狀態進行描述，采用的方法有不確定性層次分析法［1］、多元線性回歸法進行渡槽沉降變形監測［2］、模糊綜合評價法［3，4］對各評價指標進行定量劃分或定性描述，確定指標權重，從而進行渡槽健康狀態評價。而隨著物聯網技術、計算機技術等信息化水平的提高，各類渡槽的安全監測儀器的產出， 優化布置傳感器對渡槽運行狀態進行科學的監測同時結合智能算法實現渡槽健康狀態的實時監控預警， 有助于發現渡槽結構早期病害，及時維護與加固。

綜上， 本文首先本文對運行期渡槽結構健康狀態評價指標進行了分析， 采用監測檢測數據進行定量定性分析， 并對渡槽的運行期狀態進行了等級劃分。然后在第2節采用層次融合模型的思路提出渡槽結構健康狀態診斷模型，通過對變形監測傳感器、應力應變傳感器、 裂縫及人工檢測數據進行數據預處理，去除缺失值、冗余數據，獲得規范化的特征數據。在特征級處理環節， 將從預處理獲得的渡槽結構特征數據， 如裂縫寬度、 裂縫深度等進行支持向量分類，獲得渡槽結構健康狀態初步診斷的分類結果，在決策層，采用D-S證據理論的思路進行分類診斷結果的融合， 從而實現對運行期渡槽結構健康狀態的診斷。 在第3節中通過將該方法應用到工程實例中，從而驗證了模型的可行性。

1 渡槽結構健康狀態評價

1.1 渡槽結構健康狀態診斷指標

從功能性角度評價渡槽健康狀態的指標較多且較復雜［4］。結合相關文獻的評價體系［1-5］，本文選擇建立層次結構模型，以渡槽健康狀態為總目標，確定評價體系目標層；從材料劣化、滲漏破壞、結構變形及外部荷載等方面， 將四個主要結構損傷類別作為渡槽健康狀態的評價指標， 其中每個類別又都包含有多個特征因子：

（1）材料劣化指標：渡槽材料的劣化及混凝土產生裂縫、剝落、鋼筋銹蝕、碳化混凝土裂縫的產生和發 展［5］作為 結 構 受 損 的 標 志 之 一［6］，降 低 結 構 耐 久性。本文將監測的混凝土裂縫寬度，以及提取出的裂縫密度、剝蝕面積、碳化深度作為表示材料劣化程度的特征因子，反映渡槽結構的耐久性。

（2）滲漏破壞指標：由于渡槽的工作性質，與水密切關聯，不可避免的水通過渡槽的薄弱點（例如裂縫、接縫等）流入和泄漏。將渡槽槽身的滲漏點個數、滲漏面積、滲漏水量、水的pH值等可作為滲漏破壞的特征因子。

（3）結構變形指標：變形類的監測項包括：結構表面垂直位移、 不同結構塊之間或不同結構塊不同部位之間的差異沉降、撓度等，將槽身位移量、槽墩沉降量、槽臺傾斜位移量、撓度等可作為結構變形的特征因子。

（4）外部荷載指標：外部荷載作用危害渡槽結構安全［3］。 將水壓力、溫度荷載及其變化量、過水量、風荷載等特征因子作為外荷載的表現。 監測橋址處環境溫度及其變化有助于分析和識別渡槽結構內力、變形及動力特性的異常影響。

1.2 健康狀態等級劃分

結合渡槽工程特點，以及渡槽病害成因［1，4，6］，將渡槽結構健康狀態評價等級劃分為4類，如表1。

表1 健康狀態等級定性劃分

2 渡槽結構健康狀態診斷模型

2.1 數據預處理

在渡槽運行期間， 產生的數據由于傳感器受到干擾及本身的不穩定性， 使得收集到的監測數據具有冗余、缺失，而由于SVC模型對于數據的缺失值和冗余比較敏感，因此要進行數據預處理，降低噪聲數據、不完整數據對于訓練結果的影響。由于數據量綱和量級大小的差異， 為避免不同效應量數據量間差異帶來的影響［7］，需要將特征數據進行標準化，對于渡槽結構健康狀態的各監測數據標準化處理如下。

首先，以渡槽結構表面垂直位移、差異沉降、撓度等監測物理量為例， 其都為越小對于渡槽結構健康影響越小的監測指標：

式中 xi′為xi標準化后的形式；xmax，xmin分別為某一監測點的最大值和最小值。

也可以將特征值縮放為大致符合標準的正態分布，

式中 xi′為xi標準化后的形式；x和σ分別為某一監測點的數據的平均值和標準差。

其余指標因子提取和處理同上。

對于采集到的圖片數據需要對圖片進行篩選，并對圖像進行圖像增強和平滑處理，降低圖片噪聲，常用的圖像平滑處理方法有均值濾波、方框濾波、高斯濾波等。

在本文中對于進行渡槽位移、沉降量、溫度，渡槽裂縫寬度的確定，采用通過高清攝像儀、無人機拍攝渡槽采集圖片數據， 通過Python 語言、Opencv、Keras等對采集到的渡槽圖片進行裂縫識別，采用基于歐氏距離的裂縫寬度算法進行裂縫寬度計算［8］。裂縫像素點個數占照片像素點個數的百分比作為裂縫密度。

2.2 SVC分類器訓練

本文采用概率支持向量機分類算法對各種指標因素健康狀態等級進行分類。 為了便于理解， 可將SVC表示為［9］，如式（3）。

式中 β0為偏差；N為所有支持向量觀察者的集合；αi為學習的模型參數；（xi，x）是一對支持向量觀察值。

一般渡槽結構健康狀態分類數據不均衡， 本文對不同的分類使用不同的權重， 以調節數據不均衡問題帶來的不準確性，如式（4）和式（5）。

式中 C為一個超參數，對渡槽結構狀態錯誤判斷的懲罰；Cj為渡槽健康等級j的C值；ωj為等級j的權重；n為進行訓練的監測總樣本數量；nj為渡槽健康狀態等級分類j的監測樣本數量；k為等級劃分的數量。

考慮到預測的可信度， 以及為了能夠更好地應用在D-S證據理論中，本文將SVC的輸出轉換為概率［9］，概率最大的標簽作為所屬類型，如式（6）。

式中 A和B是參數向量；f是第i個傳感器數值到超平面的距離。如果數據集中分類不止兩種，需要進行擴展。

2.3 多分類結果信息融合

在對各個渡槽的指標進行分類時， 由于不同的支持向量分類器訓練模型會產生多個分類結果沖突問題，因此需要一種數據融合方法。 D-S證據理論可清楚地表達不確定、不知道的信息，支持無先驗知識情況下的信息融合［9，10］。然而式（9）中的k值計算會得到較大值，當k值較大時，會影響信度m（A）的判斷，為了解決k值較大產生的沖突所帶來的較大的負面影響，本文定義為當k<0.95時采用，式（9）進行m（A）的計算。 而當k>0.95時，采用證據理論與加權平均融合的算法，進行m（A）的計算［11］，計算過程如式（10）～式（12）。

設為m1，m2，…，mn為n個證據源，則證據源mi和mj之間的沖突用kij來表示，如式（7）：

式中 Ax，Ay在本文代表結構健康狀態診斷的不同結果。

證據可信度ε為證據沖突因子平均值的減函數，當證據之間的沖突增大時，ε將降低，其計算方如式（8）：

合成規則計算方法如式（9）。

式中 k為沖突因子；q（A）表示證據源對結論A的平均支持度；m（A）為結論A的證據合成結果。

式中 d為計算的不同證據之間的歐幾里得距離，來衡量證據之間的相似度；ωi為不同命題所占的權重；m（A）為結論A的證據合成結果。

綜上，整體的評價模型步驟如圖1。 將經處理的檢測數據B1、B2、B3、B4分別進行SVC訓練， 經式（6）得到各指標評價等級的概率，通過D-S證據理論融合算法，進行k值的計算與判斷，將多個指標評價等級的概率結果經過代入式（9）或式（12）進行信息融合，從而得到最終的唯一值， 該值即為監測段渡槽結構健康狀態的最終診斷結果。 關于健康狀態診斷的融合結果是從最大的m（A）即BPA中得出的，如式（13）。

變壓器的功能便是電壓的合理調換。如今，節能型變壓器已經涌現在好多地方。顯著的優點是，以更少的損耗來運行。無論是單相配變還是三相配變，都擁有了新的功能。一些變壓器還能應對一些特殊的要求，結合考慮到噪聲等問題，更好的服務于居民。有條件的農村，可以用新變壓器替換村里的老式S7及以下型號的變壓器。

式中 m（Az）為在Aj結論中Az反映為信度最大值，在本文中表示對健康狀態等級的中支持度最大值；Φ為不確定集合；m（φ）為不確定集合的信度，應該小于一定的閾值ε′，本文中定為1×10-5。

圖1 渡槽結構健康診斷模型

3 應用實例

某渡槽總長約268.3m， 進口段46.6m， 出口段41.3m，渡槽180m，共六跨，單跨長30m，設計過槽流量為115m3/s，渠底比降i=1/4000，槽身采用雙箱形結構形式，單箱凈寬4.7m，凈高7.371m；結構形式為梁式渡槽。 渡槽周圍布設有高清攝像儀，在每段槽身跨中和兩端布置監測儀器，每個測點布設2支測縫計監測槽身錯縫情況，在每段槽身兩端及中間布置3個測點通過收斂計觀測撓度共計18個測點； 該渡槽監測儀器布置示意圖如圖2、圖3所示。 依據渡槽監測、檢測設備對照1.1節指標體系，并結合工程實際情況，采用圖4的指標進行該渡槽的結構健康狀態分析。 將各項監測、 檢測數據依據2.1節進行標準化及歸一化處理提取出同一時段特征數據集共18組。

3.1 支持向量分類器訓練

3.1.1 核函數與核參數的選擇

K核函數、C與λ參數的確定，這些變量有助于在高維特征空間中找出進行分離的最佳超平面。 本文通過參數的調節，采用交叉驗證的方法進行訓練。以指標B1為例，將同一時段處理后的18組數據［裂縫寬度，裂縫密度，剝蝕面積，剝蝕深度］進行訓練。

（1）選擇核函數。 由圖3可見因素C1和C2的分布為非線性分布，并且由分類的結果能夠看出，圖5（a）的分類效果最好，因此選擇徑向基函數為核函數，

（2）確定C與λ參數，在RBF核函數確定的基礎上，通過對四組模型中不同參數下預測精度的比較，選擇值為C=1，λ=0.1。

3.1.2 SVC分類結果分析

圖2 測點平面布置圖

圖3 部分監測儀器布設位置示意圖

圖4 渡槽結構健康狀態診斷指標

圖5 三種核參數對特征因子C1和C2分類結果圖

通過訓練四組分類器，各自的預測精度由圖6可視化結果得知分別為94.4%，83.3%，94.4%，88.9%，有較高的準確性。 各個分類器結構健康狀態的評價，部分結果如表2，由表可知1號位置的診斷結果B1和B3為I級，而B2和B3分別為II級和III級，不能夠反映監測位置的整體結構健康狀態，2號測點的診斷結果同樣不能反映監測位置的整體結構健康狀態。 因此需要進行D-S證據融合分析處理。

圖6 各指標分類器的準確度可視化

表2 1號測點和2號測點各指標的預測等級

3.2 融合診斷結果分析

采用2.3節中的D-S證據理論方法進行多分類結果的融合，診斷結果見表3，與實際進行對比，具有較高的準確率。

表3 各監測、檢測點的分類融合結果

（1）從整體的預測結果來看，m（?）均滿足要求，在18組監測數據的情況下有較好的預測結果。

（2）整個監測段中，大多監測段處于良好或較好的結構狀態， 其中9號和10號監測段分別處于III級、IV級狀態， 為渡槽跨中位置， 需要進行除險加固處理。 此外1號對于I等級的可信度支持度較低，由表2中對照的各指標等級， 需要進一步研究B4外部加載因素對渡槽的影響。

（3）對于2號、3號、17號、18號測點為IV等級，即渡槽進口段、出口段以及與隧洞連接處危險等級高，結合表2各指標的風險等級并結合現場實際得出，B1指標和B4指標對于該段的風險起了主導作用， 結合現場實際情況該監測段渡槽材料損失嚴重， 連接處混凝土裂縫多，表面混凝土嚴重脫落，地基沉降量較大需要立即進行加固處理。

4 結語

在渡槽結構健康狀態評價中， 本文將多分類器融合模型運用在渡槽結構健康狀態的評價中， 從獲取檢測監測數據中進行健康狀態的特征值提取， 相比于層次分析法減少了權重分析中進行打分的主觀性對結果的影響。 同時，利用SVC在少量訓練集的基礎上能得到較精確的結果的特點， 也為老舊渡槽在監測檢測信息較少的情況下進行渡槽健康狀態診斷提供了一種方法。 但采用多分類器評價模型還存在一定局限性：

（1）根據各種監測儀儀器對渡槽分段進行評價，監測儀儀器的布置方式至關重要， 在創建分類指標時不同的渡槽所選取的分類指標有所差異， 需結合現場情況進行相應修改。

（2）后續工作中，需研究不同類型渡槽病害特點，提取特征值，優化多分類融合模型，從而更高效、準確地完成對渡槽結構健康的診斷。