一种基于多重小波的桥梁监测数据异常情况识别方法与流程

本发明涉及桥梁监测数据分析与处理领域，具体涉及一种基于多重小波的桥梁监测数据异常情况识别方法。

背景技术：

近年来，随着国民经济的高速发展和全国交通网络的建设，公路桥梁总量持续增加。据《2015年交通运输行业发展统计公报》显示，截止2015年底，全国公路桥梁达77.92万座，特大桥梁3894座，大型桥梁79512座。然而，对于已建成投入营运的桥梁，在其服役过程中必然遭受环境、荷载、老化等因素的影响，从而导致结构性能退化，形成安全隐患；另外，不断加大的交通量也使得许多桥梁的设计荷载无法满足现行车辆荷载的使用需求。近年来桥梁垮塌事故频发，不仅给人民群众生命财产造成重大损失，也带来了极为不良的社会影响。国内桥梁界逐渐认识到桥梁服役时监测的重要性，目前已在众多大型桥梁上建设实施了桥梁运营监测系统。桥梁的运营监测每天会产生大量数据，从海量监测数据中挖掘出桥梁结构安全信息，对可能出现的安全隐患进行提前预警，是技术人员研究的重点、难点。这一领域的研究成果相对较少，且实地应用情况还不太令人满意。

技术实现要素：

鉴于此，本发明的目的是提供一种基于多重小波的桥梁监测数据异常情况识别方法，本发明采用小波技术对信号进行多重分析处理，发现隐含在监测数据中的本征特性。

本发明的目的是通过以下技术方案实现的，一种基于多重小波的桥梁监测数据异常情况识别方法，包括以下步骤：步骤1)截取一段时间内某一个测点某一种类型的桥梁监测数据为待分析原始信号S；步骤2)第一重小波处理：采用Daubechies小波对原始信号S进行多尺度分解；原始信号S被分解为低频部分SA1和高频部分SD1，其中SA1又再次被分为第2层低频部分SA2和第2层高频部分SD2，以此类推；原始信号S分解到第n层的低频子带信号SAn表征原始信号S的低频趋势信息；步骤3)第二重小波处理：设置信号SAn为信号P，采用Daubechies小波对信号P进行m层分解，得到分解后的第1层高频子带信号PD1；步骤4)第三重小波处理：取PD1的绝对值为特征信号Q，采用Daubechies小波对特征信号Q进行j层分解，得到分解后的第j层低频子带信号QAj；QAj的绝对值大小表征原始信号S的变异程度；步骤5)当t时刻的|QAj|＞k时，说明原始信号S在t时刻出现异常。

进一步，以桥梁正常运营状态时的监测数据为样本，采用统计学方法设定阈值k。

由于采用了上述技术方案，本发明具有如下的优点：

本发明通过对桥梁监测海量数据分析，采用多重小波技术从含有噪声的原始监测信号中提取出反映桥梁运营状态的有用信号，通过判断该有用信号是否超限来确定桥梁运营状态是否发生改变，达到识别桥梁监测数据异常情况的目的，可在桥梁在线监测分析与离线监测分析中发挥作用。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是对信号S进行多层小波分解示意图；

图2是某大桥应变测点原始信号S；

图3是处理后信号|QAj|。

具体实施方式

以下将结合附图，对本发明的优选实施例进行详细的描述；应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，一种基于多重小波的桥梁监测数据异常情况识别方法，包括以下步骤：

1)截取一段时间内某一个测点某一种类型的桥梁监测数据(如裂缝监测数据、挠度监测数据、应变监测数据、倾斜监测数据等)为待分析原始信号S。

2)第一重小波处理(原始信号趋势提取)：采用Daubechies小波对原始信号进行多尺度分解，如附图1。原始信号S被分解为低频部分SA1和高频部分SD1，其中SA1又再次被分为第2层低频部分SA2和第2层高频部分SD2，以此类推。原始信号S分解到第n层的低频子带信号SAn表征原始信号S的低频趋势信息。当桥梁监测情况发生异变时，趋势信号SAn会出现相应改变，但这可能无法直观的从信号中体现出来，因此需进行第二重小波处理。

3)第二重小波处理(奇异性检测)：信号奇异性分两种情况，一种是信号在某一个时刻内，幅值发生突变，引起信号非连续，另一种是信号外观光滑，幅值没有突变，但信号斜率有突变发生。设置信号SAn为信号P，采用Daubechies小波对P进行m层分解，得到分解后的第1层高频子带信号PD1。PD1对信号P中的奇异性反映敏感，但由于其高敏感性，可能使得反映桥梁异常情况的关键信息被淹没，信噪比较低，因此需进行第三重小波处理。

4)第三重小波处理(特征信号趋势提取)：取PD1的绝对值为特征信号Q，采用Daubechies小波对Q进行j层分解，得到分解后的第j层低频子带信号QAj。

5)QAj的绝对值大小表征原始信号S的变异程度。当t时刻的|QAj|＞k时，说明原始信号S在t时刻出现较大变异，桥梁运营状态可能发生改变，有必要发出报警信息。

以桥梁正常运营状态时的监测数据为样本，采用统计学方法设定阈值k。

图2是某大桥某应变测点监测到的原始信号S。原始信号S在后半段时间内发生明显减小的异常状况。图3是采用本发明所述方法对原始信号S处理后得到的信号|QAj|。从图3中可以看到，在后半段时间，信号值明显增大，超出阈值k，有必要发出报警信息。

经实地调查得知，后半段信号异常是由于该桥进行荷载试验，测点附近新增裂纹，导致监测值异常减小。

本案例中，由于外在突发因素(荷载试验导致新增裂缝产生)明显，故在图2原始信号S上能比较直观的看到应变的异常变化情况。然而，在实际工程监测中，还有许多无法直接从原始信号中发现隐含异常的案例，此时，按照本发明所述方法，能较好的找出异常征兆。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。