图灵汇官网

桥梁结构健康监测中的大数据应用

桥梁SHM的数据应用

传统的桥梁养护管理依赖人工检测来评估结构状态，但这种方法工作量大、主观性强，难以实现对结构性能的长期定量跟踪。近年来，结构健康监测技术（Structural Health Monitoring, SHM）在大型桥梁的养护管理中得到广泛应用。通过在结构上安装传感器，可以实时获取桥址环境和结构响应的信息，并基于这些信息对桥梁的技术状态做出实时、自动的评估，甚至提前发出安全预警。

目前，中国已有超过240座大跨度桥梁安装了结构健康监测系统（Structural Health Monitoring System, SHMS），这些系统积累了大量数据。如何有效解读这些数据，识别可能的损伤，成为当前SHM研究的关键问题。

利用SHM数据进行结构状态评估和损伤识别有两种方法：基于模型的方法和数据驱动的方法。基于模型的方法涉及桥梁结构的有限元建模、模型修正和系统参数反演，对理论模型的精度和监测数据的质量要求较高，目前在实际工程中应用效果不理想。数据驱动的方法则侧重于监测数据的输入和输出之间的相关关系，借助成熟的统计学理论，得到了广泛应用。

然而，传统的统计方法由于计算能力和分析手段的限制，只能分析少部分、低维度的数据样本，且无法高效地呈现分析结果。因此，急需一种新的方法来解决海量、高维SHM数据的分析问题。

大数据技术的应用

大数据技术在近年来迅速发展，已在互联网、电子商务、医学等领域取得广泛应用。它改善了计算能力不足、数据分析方法低效等问题，在SHM的数据处理上也展现出广阔的应用前景。大数据可视化分析是大数据分析的一个重要分支，它将人所具备的、机器并不擅长的认知能力融入到分析过程中，提升了数据分析的效率和准确性，可以直观地呈现高维数据。

大数据的概念

“大数据”这一概念最早于1996年提出，2008年《Nature》杂志推出了大数据专栏。2011年，麦肯锡公司的研究报告对大数据的关键技术和应用领域进行了全面总结。大数据的核心特征包括数据体量大（Volume）、种类多（Variety）、增速快（Velocity）、价值密度低（Value）。其内涵和外延不断被丰富，逐渐为各行各业所关注。

大数据分析应具备的思维方式包括：使用全体数据进行分析、接受数据混杂性、追求相关关系而非因果关系。这些特点使得大数据分析能够发现更多细节和有价值的信息，简化分析模型并避免过拟合，从而获得更准确的分析结果。

大数据的技术涵盖了数据采集、存储、计算处理、分析方法等方面。例如，用于获取数据的物联网、互联网，用于存储数据的Hadoop分布式文件系统、NoSQL数据库，用于数据计算的Hadoop生态圈、MapReduce、Spark、Storm、云计算等。大数据分析方法包括数据库知识发现（KDD）、数据挖掘、机器学习、模式识别、统计学等。

平行坐标图（PCP）方法研究

平行坐标图法（parallel coordinate plot, PCP）和t分布随机邻域嵌入法（t-SNE）是当前高维数据可视化中常用的两种方法。t-SNE通过构建高维空间中每个数据点对其近邻的概率分布，并在低维空间中重构该概率分布，以保证高维空间中的数据点在低维空间中具有相近的局部结构。而PCP无需对原始数据进行降维显示，具有更高的可视化效率。

PCP通过N个平行坐标轴将N维数据投射到二维空间中，每个数据点被表示为一条线段。PCP能够呈现数据间的相关关系，因此具有模式识别功能。例如，线段夹角表明变量间的正负相关关系；线段交点区域表明变量间相关关系的强弱；线段分布则表明趋势模式或异常点模式。

PCP在SHM中的应用

在桥梁结构健康监测中，SHM的监测内容主要包括环境运营荷载与结构响应两类。基于SHM数据，可以进行结构损伤或异常识别以及状态评估。然而，在实际应用中，由于传感器技术和数据分析方法的限制，结构初期的微小损伤难以被识别。

在数据驱动的方法下，桥梁结构损伤或异常识别与状态评估大多归类于模式识别问题。传统数据驱动的分析中，模式识别前通常需要对多通道、多种类的传感器时间序列数据进行降维。然而，降维存在定阶问题，即需要确定最终的变量个数，尽可能多地保留原始数据中的信息。此外，损伤识别、传感器故障识别等问题常缺乏足够的标注数据，使得有监督学习方法很难被应用。

本文通过两个数据集验证了PCP在SHM模式识别中的性能。其中一个数据集包括四个维度，分别表示设置在主梁伸缩缝处的两个伸缩仪和跨中钢箱梁腹板、底板位置的两个温度计所测的数据。另一个数据集则有七个变量，包括结构一阶振动频率、温度、风速、交通、湿度、交通荷载等。

基于PCP的传感器故障识别

在第一个数据集中，正常状态、传感器故障、噪声等模式是事先已知的。通过基于Alpha混合的PCP方法和基于分布直方图的PCP方法，可以明显地识别数据集的三种模式。基于Alpha混合的方法已可明显地识别出数据集中的三种模式，而基于分布直方图的方法则可更为突出地显示所关注的伸缩仪故障数据。

基于PCP的模式识别

在第二个数据集中，正常状态的模式是已知的，而其他模式则需要通过PCP方法探索。基于Alpha混合和基于分布直方图的方法均被用来识别这些模式。PCP方法能够呈现环境荷载与结构响应之间的局部相关关系，反映了大数据分析“追求相关关系而非因果关系”的思维方式。

结论

本文介绍了在大数据可视化分析中常用的PCP方法，通过某斜拉桥结构健康监测系统所采集的两个数据集，对其数据可视化和模式识别功能的适用性进行了验证，得出以下结论：

1. PCP方法可用于识别传感器故障引起的数据异常，基于分布直方图的PCP方法能够更为突出地显示该种模式。
2. PCP方法中的趋势模式可呈现环境荷载与结构响应之间的局部相关关系，符合大数据分析“追求相关关系而非因果关系”的思维方式。
3. 对于由PCP可视化特征识别的相关关系模式，有必要进一步提取出来进行分析，交互式PCP方法仍有待开发。

大数据方法在结构健康监测数据分析中的应用研究才刚刚开始，未来还需继续探索其适用性，以更好地解决实际问题。