基于人工智能的橋梁支座健康檢測系統

張 興

（河北寶力工程裝備股份有限公司 河北 衡水 053000）

0 引言

隨著城市交通網絡的不斷發展，橋梁作為城市交通的重要組成部分，承載著日益增加的交通負荷。 然而，橋梁的可靠性和安全性是確保交通流暢和市民安全的至關重要因素。 在橋梁結構中，橋梁支座是一個關鍵的組成部分，位于橋梁梁體與墩臺之間，具有傳遞上部結構豎向荷載、適應橋梁伸縮變形和豎向撓曲轉動的功能，起到關節的作用。 日益增加的交通負荷也要求橋梁維護單位加大橋梁結構及支座的巡查力度。 因此，對橋梁支座的健康狀況進行定期檢測和維護至關重要［1］。

本文旨在開發一種基于人工智能的橋梁支座健康檢測系統，該系統通過采集橋梁支座在工作中的振動信號，并對這些信號進行進一步分析處理，以監測和判斷橋梁支座的健康狀況。 振動信號是一種反映橋梁結構和支座使用狀態的重要信息源，通過分析這些信號，可以及時檢測到支座的異常情況，從而采取必要的維護和修復措施，確保橋梁的可靠性和安全性。 支持向量機（support vector machine，SVM）是一種強大的機器學習算法，可以用于分類和檢測任務［2－3］，在故障檢測中已經有了不少應用。 在本研究中，將使用這個模型來分析振動信號數據，識別出潛在的支座健康問題。 通過本研究，希望為橋梁維護和安全管理提供一種有效的工具，以提高橋梁的可靠性和安全性，從而為城市交通網絡的可持續發展做出貢獻。 同時，該方法和技術也可以在其他工程結構的健康檢測中得到廣泛應用。

1 橋梁支座健康檢測系統框架

1.1 橋梁支座振動信號分析

如圖1 所示，橋梁支座在橋梁結構中扮演著至關重要的角色，位于橋梁墩臺與梁體之間，作為橋梁上部結構與基礎結構之間的連接點。 支座的核心功能包括支撐整個橋梁結構的豎向荷載，適應梁體因溫度變化、活載、徐變等原因產生的水平伸縮變形和豎向撓曲。 橋梁在經受車載、風荷載等活載作用時會發生輕微振動，這些振動會向下傳遞到支座和下部結構上。 根據振動能量的大小和結構物可承受能力，一些特殊功能的橋梁支座還設計具有減震的能力，可以衰減振動能量，減少橋梁受力時的振動傳遞，從而提高橋梁結構的安全性，降低振動對周圍居住環境的影響，降低疲勞損傷和維護成本［4－5］。

圖1 橋梁支座示意圖

橋梁支座的振動狀況與其健康狀態之間存在較為密切的關聯。 橋梁支座的振動可以反映支座與橋梁結構之間的相互作用。 正常工作條件下的支座通常會產生與車輛負載、風荷載等外部因素相關的振動響應，此振動的頻率和幅值具有一定的隨機性。 然而，當支座發生損壞或支座與梁體之間發生脫空、梁體局部出現裂紋等情況時，其振動特性可能發生變化，可以通過監測支座的振動參數來進一步分析。 如圖2 所示為健康狀態下和裂紋狀態下的時域振動信號。

圖2 時域振動信號

可以看出健康信號呈現出一種隨機性，沒有明顯的規律性振動模式，這是因為橋梁承受的行車荷載、風荷載等活載具有隨機性，因此橋梁產生的振動傳遞到支座所顯現的頻率和幅值也沒有明顯規律。 然而，在約1.5 s 時刻出現裂紋時，振動信號的振幅增加，形成了一個明顯的振動異常。 這種異常在實際情況下可能對橋梁的結構完整性和安全性構成潛在威脅。 此分析有助于提醒維護部門及早發現結構問題，采取適當的維護和修復措施，確保橋梁及支座的可靠性和安全性。

1.2 橋梁支座檢測系統框架

為了實現通過檢測橋梁支座振動獲取橋梁的健康狀況，設計了一個振動信號檢測系統。 該系統主要包括振動傳感器、信號調理器和計算機等組件，如圖3 所示。

圖3 橋梁支座的振動信號檢測系統

該系統的工作原理是：首先，將振動傳感器安裝在橋梁支座上，用于實時監測支座結構的振動信號。 這些振動信號隨著橋梁承受不同荷載和環境條件的變化而產生，反映了支座的工作狀態。 然后，傳感器采集到的原始振動數據通過信號調理器進行預處理，包括放大、濾波和去噪等步驟，以提高數據的質量和準確性。 處理后的振動信號被傳輸到計算機，經過進一步的分析和處理，包括特征提取和模式識別，從而能夠檢測出支座的異常振動行為，進而判斷支座或梁體的病害情況。

通過該系統，可以實現對橋梁支座健康狀況的實時監測和診斷，提供及時的維護和修復指導，以確保橋梁的可靠性和安全性。

2 基于人工智能的檢測方法

2.1 SVM

SVM 是一種強大的機器學習方法，用于分類和回歸任務。 其基本原理是在數據集中找到一個最優的超平面，以最大化不同類別的間隔，同時將數據點正確分類。 這一超平面被稱為分離超平面，它通過支持向量與訓練數據點之間的關系來定義。 SVM 的目標是最小化分類錯誤并使支持向量與分離超平面之間的間隔最大化。

在數學上的二分類問題中，假設有一個訓練數據集（x1，y1），（x2，y2），...，（xn，yn） ，其中xi是數據點，yi是其對應的類別標簽，yi可以取1 或－1，表示兩個不同的類別。 SVM 的目標是找到一個分離超平面w·x ＋b ＝0，其中w是法向量，b是截距，滿足以下條件：

這表示所有數據點都位于其類別的支持向量的兩側，并且到分離超平面的距離至少為1。 分離超平面的法向量w和截距b可以通過最小化以下目標函數O來確定：

這是一個凸二次規劃問題，可以通過不等式約束條件的拉格朗日乘子法來解決。 求解得到最優的w和b后，新的數據點x可以通過w·x ＋b的符號來進行分類。

總之，SVM 是一種基于超平面分隔不同類別的方法，通過最大化間隔和最小化分類錯誤來確定分離超平面。該方法的優點包括在高維空間中有效工作，同時能夠處理非線性問題，通過核技巧將數據映射到更高維度的空間進行處理，使得SVM 在各種領域的模式識別和分類任務中具有廣泛的應用空間。

2.2 檢測方法

利用SVM 進行橋梁支座健康診斷的過程為：

（1）數據采集和準備：需要通過振動傳感器采集橋梁支座的振動信號數據。 這些數據應包括來自多個支座的振動信號，同時還需獲取相應支座的健康狀態標簽，通常為正常或異常。

（2）特征提取：從振動信號中提取特征是SVM 的關鍵步驟。 常用的特征包括時域特征（如均值、方差）、頻域特征（如頻譜密度）、時頻域特征（如小波變換系數），以及其他相關特征。 在特征提取中，假設X為振動信號數據集，其中xi表示第i個信號，特征提取可表示為函數F（xi），得到特征向量Fi。

（3）數據標簽和訓練集構建：將健康狀態標簽與特征向量關聯，形成訓練集。 標簽可以表示為yi，其中yi可以是正常（1）或異常（－1）。

（4）SVM 模型訓練：使用訓練集數據，建立SVM 分類模型。 SVM 的目標函數O如式（3）所示：

（5）健康診斷：一旦訓練好SVM 模型，就可以將新的振動信號數據輸入模型中，通過超平面來進行健康診斷。對于新的振動信號xnew，其健康狀態H可以通過公式（4）進行判斷：

式（4）中，sign 函數將根據超平面的位置輸出正常或異常狀態。

3 實驗與結果

3.1 合成數據集

為了構建數據集，采用以下步驟：

（1）確定數據維度為3000，代表振動信號的特征。

（2）生成正常和異常數據點，模擬橋梁支座的狀態，使用正態分布生成數據，同時引入異常以區分它們。 為了進行監督學習，為每個數據點分配標簽。

（3）將數據集劃分為70%的訓練集和30%的測試集，以支持研究橋梁支座健康狀態的人工智能方法。

3.2 實驗方案

本實驗方案為：

步驟1：數據集劃分

將合成數據集劃分為訓練集和測試集，本實驗選擇將70%的數據用于訓練，而剩余的30%用于測試。 該過程通過隨機抽樣來實現，確保訓練集和測試集都包含正常和異常數據點。

永光活性湖蘭G（臺灣永光化學公司），Na2CO3（碳酸鈉 )， Na2S2O4（元明粉），NaOH(氫氧化鈉)， NaHCO3(碳酸氫鈉)， 清潔劑。

步驟2：特征標準化

在訓練和測試SVM 模型之前，對特征進行標準化是重要的。 特征標準化可以確保不同特征之間的尺度差異不會影響SVM 的性能。 本實驗使用均值和標準差進行特征標準化，將每個特征縮放到均值為0，標準差為1 的標準正態分布。

步驟3：SVM 模型訓練

使用訓練集的特征向量和相應的標簽來訓練SVM 模型。 SVM 的目標是找到一個最優的超平面，以最大化不同類別的間隔，同時最小化分類錯誤。

步驟4：模型評估

使用測試集數據來評估SVM 模型的性能。

3.3 結果分析

本實驗的結果如表1 所示，整體準確率為0.94，表示模型正確分類的樣本數占總樣本數的比例。 高準確率表明模型在整體上有很好的分類性能。 正常類別（類別1）的精確率為0.93，異常類別（類別－1）的精確率為0.96，較高的精確率表示模型對于正常類別的預測較為可信。正常類別的召回率為0.97，異常類別的召回率為0.88。召回率衡量了模型對于正常類別的識別能力，較高的召回率表示模型能夠較好地捕捉到正類別的樣本。 F1 分數綜合了精確率和召回率，類別1 的F1 分數為0.95，類別－1的F1 分數為0.92，說明模型的綜合分類性能較好。

表1 實驗結果

總之，該模型在整體上表現出較高的性能，具有較高的準確率和F1 分數。 模型在正常類別上表現更好，具有較高的精確率和召回率，這對于實際應用中的健康狀態診斷非常重要。 同時，對于異常類別，模型的召回率較低，這意味著在識別異常情況時可能會有一些遺漏。 因此，可以考慮進一步調整模型參數或采取其他改進策略來提高對異常情況的檢測能力。

4 討論與分析

首先，該系統的核心優勢之一是其基于振動信號的檢測方法。 振動信號可以提供豐富的結構信息，對于捕捉橋梁支座及橋梁結構的健康狀態變化非常敏感。 通過實時監測和分析振動信號，可以及早發現支座的異常情況，從而采取必要的維護和修復措施，有助于確保橋梁和支座的可靠性和安全性。 因此，振動信號的特征提取和分析可以在特征空間中明確地區分正常和異常狀態，使SVM 成為一個強大的工具，可以應用于這種監測任務。

其次，在使用SVM 進行健康狀態檢測時，需要特別關注數據集的標簽分布和類別不平衡的問題。 正常狀態和異常狀態的樣本可能存在不均衡，這可能導致模型的性能偏向于多數類別。 因此，在數據采集和模型訓練中需要采取合適的策略來處理不平衡數據。

再次，值得思考的方面是特征選擇和特征工程。 振動信號的特征提取是SVM 模型的關鍵步驟，選擇合適的特征可以顯著影響模型的性能。 因此，需要深入研究振動信號中哪些特征最具信息量，并且可能需要進行特征工程來提高特征的區分能力。

最后，對于SVM 模型的參數調優也是至關重要的。 正則化參數C的選擇、核函數的類型和參數以及模型的復雜度都會對性能產生重要影響。 因此，需要通過交叉驗證等方法來確定最佳的參數配置，以確保模型的泛化性能。

5 結語

綜上所述，本研究提出了一種利用SVM 和振動信號測量技術的橋梁支座健康狀態檢測系統。 該系統通過實時監測和分析振動信號，旨在提高對橋梁支座健康狀態的檢測和診斷能力，以確保橋梁結構的可靠性和安全性。 系統的設計包括數據采集、特征提取、SVM 模型訓練和性能評估等步驟。 實驗結果表明，該系統在多個性能指標上表現出潛力，但也需要應對不平衡數據和特征工程等挑戰。最后，強調了系統的優勢和潛在改進方向，以指導未來研究和工程應用。