一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法
【专利摘要】一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法，包括以下步骤：步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化趋势信息的提取；步骤2)基于小波低频概貌系数的测点关联性分析；步骤3)基于滑动时间窗的测点相关性分析；步骤4)基于相关性分析的异常趋势数据识别。本发明在提取监测信号低频概貌信息的基础上，通过对多传感器信息之间关联分析，提出了一种基于滑动时间窗计算传感器之间关联度来识别连续失效数据的方法。
【专利说明】
-种基于小波低频子带与相关性分析的桥梁监测异常趋势数 据识别方法
技术领域
[0001] 本发明设及大跨桥梁监测数据分析与处理领域，设计一种基于小波与相关性分析 的桥梁监测异常趋势数据识别方法。
【背景技术】
[0002] 我国《公路长大桥隧安全运营管理办法(征求意见稿)》提出国道、省道特大桥的安 全运营管理应贯彻"安全第一、预防为主"的工作方针，建议管养单位采用现代信息技术，逐 步建立长大桥隧安全监测系统，及时掌握长大桥隧的整体技术状态和运营条件，为长大桥 隧运营管理、养护维修、可靠性评估及相关科学研究提供依据。在结构监测过程中，由于桥 梁健康监测系统测量点较多，时刻都需自动地采集大量的测量数据，而大桥健康监测系统 设计者往往关注的是如何利用运些庞大的测量数据来分析判断桥梁的健康情况。但是，如 果运些数据出现异常，就会影响到大桥健康监测最终的判断结果，引起虚假报警。桥梁结构 监测信号异常情况主要可W分为W下四个方面:离群数据点；监测缺失数据；异常趋势数 据;含噪过大数据。不同的数据异常产生的原因也各不相同，其中，W异常趋势数据对后续 的数据分析处理影响最大。大跨桥梁结构健康监测系统中同时出现异常趋势数据的监测点 往往较少，运些测点在数据异常到数据恢复正常期间都是不可靠的，如果通过此段异常数 据进行后续的数据分析与趋势预测，势必会严重影响结构监测系统在该时间段内对桥梁运 营状况的整体评价。由于桥梁监测系统通常布设大量传感器，因此，监测系统不可避免地会 出现数据失效现象，准确识别连续失效数据位置成为工程实践中迫切需要解决的问题。传 统的信号处理技术仅从传感器自身的某一数据特性来识别连续失效数据。
【发明内容】
[0003] 为了克服已有大跨桥梁监测数据分析与处理方式的仅从传感器自身的某一数据 特性来识别连续失效数据的不足，本发明在提取监测信号低频概貌信息的基础上，通过对 多传感器信息之间关联分析，提出了一种基于滑动时间窗计算传感器之间关联度来识别连 续失效数据的方法。
[0004] 本发明解决其技术问题所采用的技术方案是：
[0005] -种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法，该识别 方法包括W下步骤：
[0006] 步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化 趋势信息的提取；
[0007] 对桥梁晓度信号进行多尺度分解，既获取晓度信号低频概貌趋势信息，进行小波 分解，并提取低频概貌系数作为神经网络的训练数据集；
[0008] 步骤2)基于小波低频概貌系数的测点关联性分析；
[0009] 不同传感器节点监测数据的关联度模型的定义：
[0010] 脚
[oow 其中，Xi和Yi分别代表两个不同传感器监测数据的时间序列，共计M个采样数据，Xi 化)和yi化)分别表示k时刻的监测数据，E(Xi)和E(Yi)分别表示两传感器采样均值，运里，关 联度系数O <G (Xi，Yi )< 1，其值越大表明二者在时间T内越相似；
[0012] 关联度系数可W反应出每个传感器测点与其他测量点相关联的程度:数值越大且 为正，说明两个测量点正相关，即变化趋势越趋于一致;数值越小且为负，说明两个测量点 负相关，即变化趋势越趋于相反；由于当原本相关系数很高的两组传感器测点突然出现相 关系数降低，则判断该组测点监测数据出现异常，需要进行检测；
[0013] 步骤3)基于滑动时间窗的测点相关性分析
[0014] 给定一桥梁结构监测时序序列S和长度为W的时间窗口，记S=Ul，X2, ...，Xn)，将 时间窗口放在时间序列的起始位置，此时时间窗口对应序列上长度为W的一段子序列，然后 时间窗口向后移，再W序列的第二个点为起始单位，形成另一个长度为W的子序列；依此类 推，一共得SJn-W+1个长度为W的时间子序列S1,S2, . . .，Sn-w+l，其中Si=(Xi, . . . ,Xi+w-l)。记时 序子序列的集合为W( S ) = { Si , Si+1, . . . , Sn-w+l};
[0015] 将每一个时间子序列看作W维空间中的点，运样时间序列映射为一系列W维空间中 点的集合，W欧氏距离作为W维空间中两点间的距离函数；
[0016] 步骤4)基于相关性分析的异常趋势数据识别
[0017] 选取待分析桥梁结构测量点A和与之相关性最高的测点B数据各一段，W滑动时间 窗移动计算传感器A与传感器B之间的关联度，处理异常趋势数据部分；当测点A出现异常趋 势时，A与B的相关度会急剧降低，根据此时的相关系数，最终的异常趋势数据出现得W定 位。
[0018] 本发明的技术构思为:通过一定的异常数据识别方法对结构监测过程中可能出现 的异常趋势数据加 W识别，从而对监测过程中的异常趋势数据进行准确定位，从而为后续 异常数据的修复提供基础。小波分析克服了短时傅立叶变换在单分辨率上的缺陷具有多分 辨率分析的特点，在时域和频域都有表征信号局部信息的能力。时间窗和频域窗都可W根 据信号的具体形态动态调整，运也正是小波变换对传统傅立叶变换的最大优势。因此小波 变换非常适用于提取桥梁监测数据中最为相关的低频概貌信息。
[0019] 本发明的有益效果主要表现在：1、对桥梁监测数据进行小波分析，提取监测数据 中最为关注的趋势概貌信息。通过提取监测数据的低频小波概貌系数，在最大限度降低监 测数据周边环境噪声干扰的前提下，大幅降低了后续样本分析的时间；2、在基于桥梁晓度 测量点关联分析的基础上，通过加时间窗分析使用，W相应分辨率对晓度时间序列进行分 析，从而确定数据异常出现的时间段。所W在本发明中小波低频概貌信息的引入不仅能很 好的提高去噪的性能并且大大提高了处理的效率。同时针对桥梁监测数据的特点，运种结 合的方法不仅能很好的抑制监测数据周边环境噪声对异常数据识别的影响，同时还能够保 留最为关注的趋势信息，能更好的对异常传感器节点趋势数据进行识别。
【附图说明】
[0020] 图1是j = 3的函数空间剖析的示意图。
[0021] 图2是小波分解后的溫度与应变信号低频概貌系数时程图，其中，（a)表示小波分 解后的溫度信号低频概貌系数时程图；（b)表示小波分解后应变信号低频概貌系数时程图。
[0022] 图3是某大跨桥梁晓度传感器相关性云图。
[0023] 图4是晓度监测布点的示意图。
[0024] 图5是ND18异常趋势数据定位图，其中，（a)表示ND18监测数据异常状态图；（b)表 示ND18监测数据异常周期定位图。
【具体实施方式】
[0025] 下面结合附图对本发明作进一步描述。
[0026] 参照图1~图5,一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识 别方法，包括W下步骤：
[0027] 步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化 趋势信息的提取。
[0028] 由于桥梁结构监测系统的传感器布点相对分散，不同位置的传感器外部环境相差 很大。运样的条件会对监测数据造成极大的影响，干扰传感器对桥梁结构变化监测的准确 性。本发明采用小波多分辨率分析，提取监测数据中的趋势概貌信息，最大限度的克服了外 部环境对传感器的影响。
[0029] 小波具有多分辨率的特点，通过对信号的小波分解，可W在高频段得到信号的局 部化特性，而在低频段得到较高的频率分辨率和较低的时间分辨率，使得信号的整体趋势 信息得W充分保留在低频分解系数中。在桥梁监测过程中，信号的低频概貌信息更能体现 各传感器测点之间的关联性。而低频细节部分则会在很大程度上对后续相关性分析W及神 经网络的训练过程产生影响。因此，可W通过小波分解来获取各测点的趋势信息，从而为后 续数据分析与处理打下基础。
[0030] 在实际应用中，为了方便用计算机进行分析、处理，信号f(t)都要离散化为离散序 列，a和T限定在一些离散的点上取值。通常，把连续小波变换中的尺度和平移参数a, b的离 散化公式分别取作。:=如6 =崎渐，a〇，b〇分别为离散化后的尺度、平移参数。分解尺度j E Z，扩展步长a声1，为了方便总假定曰〇>1。则对应的离散小波函数扣,k(t)记为：
[0032] 则离散小波变换系数表示为：
[0031] …
陶] (2 ^
[0034]
[0035] C3)
[0036] 其中，C是一个与信号无关的常数。为了确保信号重构的精度，网格点应该尽可能 的密，即ao和bo应尽可能小，否则重构信号的精度就会降低。
[0037] 形象地说，多分辨分析就是为了构造一组函数空间，每组函数空间的构造形式统 一，且所有空间的闭包都逼近平方可积的实数空间L2(R)。在每个空间中，所有函数都构成 相应空间的标准正交基，而所有函数空间闭包中的函数则构成L2(R)标准正交基。则将信 号在运些空间上分解可W得到正交的时频特性，从而能方便的得到信号的某些特性。
[0038] 信号f(t) GL2(R),其频谱为f( CO )。现实中，信号的频谱总是有限的，对于f(t)，可 W实数罕间中的梳准市专其来展开，即：
[0039] (4)
[0040] 其中，Cm+l,n=<f，<K+l,n>，<K+l,n 为小波基。
[0041 ] E 心和Wm中的基共同来展开，即：
[0042] ' (5)
[0043] 式中，右边第一部分是f(t)的低频分量，即信号的近似部分，第二部分是f(t)的高 频分量.邮倍写的细巧都4V.且器撕责.
[0044] C6)
[0045]
[0046] (7)
[0047] 由式(6)和式(7)可知，当已知大的子空间Vm+冲的系数Cm+l,k时，便可计算出小的子 空间Vm和Wm中的系数Cm,k和dm,k。其中^为小波高频分解滤波器，^为小波低频分解滤 波器。
[0048] 由图1看出，将原始桥梁监测信号S分解成低频部分和高频部分，多分辨分析仅对 每层分解得到的低频部分Vl、V2…进一步分解，使频率分辨率变得越来越高，而对于高频部 分W1、W2…不予考虑。具体分解关系表示为:V0 = V3+W1+W2+W3。运里如果要进一步分解，贝U 可W把分解得到的低频部分V3再分解成低频部分V4和高频部分W4, W此类推进行W下分 解。
[0049] 运里我们主要对桥梁晓度信号进行多尺度分解，既获取晓度信号低频概貌趋势信 息，又克服了外部环境噪声对传感器的干扰。图1为某大桥主跨ND2和NDl对尧度传感器经过 小波低频概貌系数提取后的低频概貌系数时程图。
[0050] 从图2可W看出，分别对ND2、ND18信号进行小波分解，并提取低频概貌系数作为神 经网络的训练数据集，最大程度的保留了能反映桥梁实际力学结构相应的概貌信息并排除 了外部环境噪声等因素对信号的影响。
[0051 ]步骤2)基于小波低频概貌系数的测点关联性分析
[0052]大跨桥梁是一个无限自由度的力学系统，且受到各种外部荷载的相互作用。因此， 其上的所有监测响应都是相互关联的。对具有强关联性测点进行比对，可W有效的识别测 点数据异常状况的存在。W往的研究一般根据传感器结点物理位置来确定其相关联，运种 方法存在很大的主观性和不确定性，而且对于关联的程度缺少量化，也缺少必要的理论分 析。本发明给出一种不同传感器节点监测数据的关联度模型的定义：
[005；3]
㈱
[0054] 其中，Xi和Yi分别代表两个不同传感器监测数据的时间序列，共计M个采样数据。Xi 化)和yi化)分别表示k时刻的监测数据，E(Xi)和E(Yi)分别表示两传感器采样均值。运里，关 联度系数〇<G(Xi，Yi)<l，其值越大表明二者在时间T内越相似。所W，关联度系数可W反应 出每个传感器测点与其他测量点相关联的程度:数值越大且为正，说明两个测量点正相关， 即变化趋势越趋于一致;数值越小且为负，说明两个测量点负相关，即变化趋势越趋于相 反。由于当原本相关系数很高的两组传感器测点突然出现相关系数降低，则我们可W判断 该组测点监测数据出现异常，需要进行检测。
[0055] 图3为某大跨桥梁晓度传感器相关性云图。从图中可看出，边跨与边跨的相关度极 高，而主跨跨中的传感器仅与自身周边的传感器相关度较高，而与两个边跨的相关度很低。 运也从与桥梁实际结构的变化相符合。对桥梁主跨ND1-ND18传感器的相关性分析，一方面 使得相关性可W和桥梁实际结构变化情况相印证，另一方面可W得到与待分析测点相关度 最高的测点用W后续对带测点数据的异常修复。
[0056] 步骤3)基于滑动时间窗的测点相关性分析
[0057] 给定一桥梁结构监测时序序列S和长度为W的时间窗口，记S=Ul，X2, ...，Xn)，将 时间窗口放在时间序列的起始位置，此时时间窗口对应序列上长度为W的一段子序列，然后 时间窗口向后移，再W序列的第二个点为起始单位，形成另一个长度为W的子序列；依此类 推，一共可^得|^11-'\￥+1个长度为￥的时间子序列31,32，...，3。-~+1，其中31=(町...，山~-1)。 记时序子序列的集合为W(S) = {si，Si+l，. . .，Sn-w+l}。可W将每一个时间子序列看作W维空间 中的点，运样时间序列映射为一系列W维空间中点的集合，本发明W欧氏距离作为W维空间 中两点间的距离函数。时间序列数据通常具有一定的周期性，采用滑动窗口的处理方式将 参数W设置为周期长度估计值，可降低周期性给时间序列数据带来的影响。
[005引本方法通过对桥梁晓度监测数据进行加滑动窗口，W相应分辨率对晓度时间序列 进行分析，从而确定数据异常出现的时间段。
[0059] 步骤4)基于相关性分析的异常趋势数据识别
[0060] 选取待分析桥梁结构测量点A(待处理异常趋势数据)和与之相关性最高的测点B 数据各一段，W滑动时间窗移动（运里选择的时间窗尺度为8)计算传感器A与传感器B之间 的关联度，处理异常趋势数据部分。正常情况下，二者之间的关联度区间范围大约在0.6和 1之间变化，说明在正常数据情况下，二者的关联关系维持在一个比较稳定的范围。运里由 于周边环境对监测数据细节影响较大，因此在某些窗口内，时间窗口划分的越小相关系数 受细节变化的影响越大，因此细节部分的差异对相关系数变化的影响是比较大的。在步骤1 中，本方法W小波分析提取监测数据低频概貌信息，W低频概貌信息做为相关性分析的样 本很好的克服了细节部分的差异对相关系数变化的影响。当测点A出现异常趋势时，A与B的 相关度会急剧降低，根据此时的相关系数，最终的异常趋势数据出现可W得W定位。
[0061] 如果要对异常趋势数据进行定位，只需通过加滑动时间窗对经小波低频信息提取 后的数据进行相关性分析即可。通过实验也验证了本发明确实可W满足对于桥梁监测异常 趋势数据识别定位的要求。
[0062] 实验验证：在桥梁监测中，主桥面应变、晓度数据是反映桥梁受力变形的主要指 标。主要受恒荷载、风荷载影响，监测采样周期短，趋势相对稳定。W之江大桥梁结构健康监 测静力水准仪为研究对象(主桥面共有18个测点，上下游各9个)对主梁晓度数据进行研究。 监测数据的布点从左到右，从下到上分别为ND1-ND18"W12月旧到立日内立天时间为研究 对象，每个晓度测点72次采样数据值，Xi记为Xi(1 )，…，Xi (M)有72次采样数据值，Yi记为yi (1)，…，y 1 (^0同样有72次采样数据值。
[0063] 通过对晓度监测数据进行小波分解，我们可W得到反映桥梁线性真实趋势变化的 概貌信息。通过对主桥面实测晓度数据进行小波分解并提取低频概貌系数。
[0064] 通过对不同监测数据建立关联度模型，研究同一时间段内主梁静力水准仪的相关 性。通过对不同传感器的关联性分析，我们可W研究复杂桥梁系统各响应之间的相互作用 关系。通过关联性分析进行异常数据的遗漏值修复。运里模拟ND18监测数据在采集过程中 遗漏，因此本文只列出ND18传感器与其他晓度传感器关联度表。相关度表如表1:
[0065] ND18传感器与其他晓度传感器相关度表 NDl-NDS 0. 9煎加 1日1 0. 966487913 0.巧54械309 ND4-M36 0.540258831 0.949205445 0.9201 巧798 腑-狐自 -0.495068737 -〇. 473482009 -〇. 6510337
[0066] NDlO-ND12 -0. 617862052 -〇. 696171306 -〇. 700464999 鄕巧-狐巧 0.942巧8003 0. 933821113 0. 613074593 細 16-狐18 0.6 巧巧5645 0.956069516 1
[0067]表 1
[006引通过相关度分析，可知ND2与ND18传感器的相关度最高，呈紧密正相关达到 0.966487913。基本可认为两传感器变化趋势相同。ND2与ND18传感器S天的采样周期监测 数据如图2:WND2、ND18传感器监测数据为例，经过小波低频信息提取后的ND2与ND18传感 器变化趋势基本一致。与源信号相比，基本克服了每个传感器周边环境不同对传感器监测 数据的影响。根据图1我们可知ND2与ND18分别位于主梁左下角和右上角，呈中屯、对称型。因 此，有较高的相关度，同样符合力学结构的影响。
[0069]
[0070] 选取测量点ND18的一段数据(72个），并从中人为改变8个数据。W滑动时间窗移动 (运里选择的时间窗尺度为8)计算ND18传感器与ND2传感器之间的关联度，处理缺失数据部 分，二者之间的关联度区间范围大约在0.6和1之间变化，说明在正常数据情况下，二者的关 联关系维持在一个比较稳定的范围。运里由于周边环境对监测数据细节影响较大，因此在 某些窗口内，时间窗口划分的越小相关系数受细节变化的影响越大，窗口的相关度基本保 持在0.8-1之间。表明ND18和ND2之间有较强的正相关性，而异常趋势段两传感器的相关性 近乎为0。可W利用ND2与ND18的相关性来进行ND18异常趋势数据的定位。
[0071]通过实验可W发现本发明在实际应用于桥梁监测异常趋势数据识别中，异常数据 识别定位精度得到显著提高，而且通过仿真实验已经得到本发明能极大提高运行的效率， 因此在实时性系统当中能得到极大的应用。
【主权项】
1. 一种基于小波低频子带与相关性分析的桥梁监测异常趋势数据识别方法，其特征在 于:该识别方法包括以下步骤： 步骤1)根据某一特定监测数据在大跨桥梁上的监测数据状况，进行监测信号变化趋势 ig息的提取； 对桥梁挠度信号进行多尺度分解，既获取挠度信号低频概貌趋势信息，进行小波分解， 并提取低频概貌系数作为神经网络的训练数据集； 步骤2)基于小波低频概貌系数的测点关联性分析； 不同传感器节点监测数据的关联度模型的定义：(8) 其中，XdPY1分别代表两个不同传感器监测数据的时间序列，共计M个采样数据，Xl(k) 和又:仏)分别表示k时刻的监测数据，E(X1)和E(Y1)分别表示两传感器采样均值，这里，关联 度系数O <G (Xi，Yi )< 1，其值越大表明二者在时间T内越相似； 关联度系数可以反应出每个传感器测点与其他测量点相关联的程度：数值越大且为 正，说明两个测量点正相关，即变化趋势越趋于一致;数值越小且为负，说明两个测量点负 相关，即变化趋势越趋于相反；由于当原本相关系数很高的两组传感器测点突然出现相关 系数降低，则判断该组测点监测数据出现异常，需要进行检测； 步骤3)基于滑动时间窗的测点相关性分析 给定一桥梁结构监测时序序列S和长度为W的时间窗口，记S= (X1，X2, ...，Xn)，将时间 窗口放在时间序列的起始位置，此时时间窗口对应序列上长度为W的一段子序列，然后时间 窗口向后移，再以序列的第二个点为起始单位，形成另一个长度为W的子序列;依此类推，一 共得到η-w+l个长度为w的时间子序列S1，S2, . . .，sn-W+1，其中Si=(Xi, . . .，Xi+w-1)，记时序子 序列的集合为W( S ) = { Si，Si+1，. . .，Sn-w+l}; 将每一个时间子序列看作W维空间中的点，这样时间序列映射为一系列W维空间中点的 集合，以欧氏距离作为W维空间中两点间的距离函数； 步骤4)基于相关性分析的异常趋势数据识别 选取待分析桥梁结构测量点A和与之相关性最高的测点B数据各一段，以滑动时间窗移 动计算传感器A与传感器B之间的关联度，处理异常趋势数据部分；当测点A出现异常趋势 时，A与B的相关度会急剧降低，根据此时的相关系数，最终的异常趋势数据出现得以定位。
【文档编号】G06F19/00GK106021842SQ201610117494
【公开日】2016年10月12日
【申请日】2016年3月2日
【发明人】余佩琼, 杨立, 吴丽丽, 凌晓东
【申请人】浙江工业大学