捕捉“可疑”踪迹——大型桥梁异常预警技术的几点思考

大型桥梁通常位于现代综合交通网络中的咽喉部位，对区域经济发展起着重要的推进作用。在为社会经济发展做出巨大贡献的同时，它们不可避免地会在荷载作用、环境侵蚀和自然灾害等影响下出现材料腐蚀劣化、结构损伤开裂、性能退化和功能失效等损伤或病害，不仅影响桥梁的正常运营，甚至会降低桥梁主体结构的安全储备，威胁人民生命和国家财产安全。例如：美国35号州级公路西线密西西比河大桥由于钢构件严重腐蚀、断裂，于2007年8月1日下午的交通高峰时段突然坍塌，造成13人死亡，145人受伤。

定期检查是保证桥梁结构安全性的重要手段。但由于大型桥梁结构体系的复杂性、检测部位的隐蔽性和定期检查的周期性，容易造成结构发生损伤时难以被及时发现，导致结构在带“伤“的状态下工作，轻则引起损伤加剧，重则可能给桥梁的运营和结构安全带来隐患。例如：科研团队通过调研，了解到某悬索桥支座曾出现卡死的现象，因病害位置较为隐蔽，病害症兆并不明显，未能在日常巡检中被及时发现，最终导致已受损伤的支座底板地锚螺栓剪断。此外，桥梁结构每天都面临各种突发事件的挑战。这些异常作用可能会对结构造成损伤，威胁桥梁的运营与结构安全。其中，某些突发事件具有一定的隐蔽性，不易被及时发现。例如:大跨斜拉桥的钢箱梁底板曾被桥下通行船只的桅杆擦伤，致使钢箱梁底板严重变形，直到定期检查时才被查出，使其长期在损伤状态下工作，造成重大安全隐患。因此，在《公路桥涵养护规范》（JTG 5120-2021）的主要修订内容中，提出了建立预警体系，实现桥涵养护管理的科学决策的目标。

考虑到大型桥梁在现代综合交通网络中的重要性、其面临威胁的隐蔽性及结构损伤后维修的紧迫性，为确保它们的运维安全，亟需开展大桥正常运营阶段异常预警机制的研究，旨在桥梁发生异常状况时（突发损伤或突发事件），能够及时报警，以提示桥梁管理部门及时采取合理的交通管制措施并组织专业技术人员对结构进行检查、评估和维修，确保桥梁结构的安全性，保护人民生命和国家财产不受损失或将损失降低到最小，如图1所示。

图1 大型桥梁运营阶段异常预警流程

与人工检查相比，长期监测系统具有实时性强的优点，常用于大型桥梁结构中来监测外部荷载、环境因素、结构响应和结构变化等，为实现桥梁结构运营阶段异常预警提供数据基础。在早期，异常预警的研究仅针对所获得的结构响应信号进行简单的统计分析，常以材料强度/适用性水平作为红色预警线，将设计荷载水平作为黄色预警线。图2为某超大跨径悬索桥跨中挠度数据，根据桥梁适用性的要求，可以确定其红色预警数值为-3.3米，同时，按照设计荷载的要求，将黄色预警线定为-2.65米。考虑结构安全冗余度，红、黄色预警线一般远高于监测数据水平，监测数据很难达到黄/红色预警线。在实际应用中，即使桥梁结构发生了异常状况，预警亦很难被触发。

图2 某超大跨径悬索桥

跨中挠度监测数据及其红、黄色预警线

在此基础上，有学者从数据分析的角度出发，提出了蓝色预警线的概念，即以一定保证率（一般取95%）所对应的指标分位数为阈值进行预警。而蓝色预警线根据已有监测数据统计分析得出，即在正常运营情况下，监测数值达到所设定阈值的概率极小。一旦数据触及蓝色预警线，可以推断结构很大可能发生异常。某超大跨径悬索桥跨中挠度的监测数据如图3所示，根据极值统计分析，可以确定其蓝色预警阈值为-1.5米；并由图3可知，蓝色预警线略高于正常监测数据。如果异常事件引起较大的跨中挠度波动，将能够被所设定的蓝色预警线捕捉。

图3 某超大跨径悬索桥跨

中挠度监测数据及其蓝色预警线

由于脉冲信号的干扰以及温度效应的影响，导致上述预警方法在实际应用中容易出现误报和漏报等问题。近年来，研究人员逐渐认识到温度效应对异常预警效率的影响，即温度效应引起的预警指标波动可能大于结构损伤引起的指标变化，导致系统产生漏报和误报的情况。研究者曾分别在冬季设计了异常工况1（即3辆100吨重车同时过桥），在夏季设计了正常工况2（即一辆55吨车过桥），针对某超大跨径悬索桥跨中挠度指标，利用上述预警方法的预警结果如图4所示——“冬季漏报，夏季误报”。

图4 早期预警系统的“漏报”与“误报”

为了进一步提高预警的精度，建议在桥梁运营阶段实施异常预警前对温度效应进行分离。目前，已有较多文献研究温度与结构响应之间的相关性，例如：信号滤波方法、基于有限元的方法、机器学习方法等。上述方法均可以根据监测得到的温度场分布数据对结构响应加以预测，随后将实测结构响应的温度部分分离出去。对由温度引起的挠度进行分离操作后，再实施预警，能够有效提高预警的准确性，如图5所示。 

图5 分离温度效应后预警效果

然而，上述异常预警研究仍停留在确定性方法层面，没有考虑预警过程中的不确定性因素，可能会引导桥梁管理单位制定不准确的决策方案。在实现大型桥梁运营阶段异常预警的过程中，不可避免地会引入各种各样的不确定性因素，如图6所示。例如：在监测数据采集的过程中，系统会受到噪声干扰，造成监测数据的不确定性；在数据处理过程中，若对缺失数据填补温度效应分离，所引入的每一种数据处理方法都会产生误差，进而增加数据的不确定性。而在确定阈值过程中，选定算法所估的参数具有不确定性，因此所估计的阈值也会受到不确定性因素的影响。为能够合理评估异常预警过程中的不确定性，亟需引入概率异常预警的理念，帮助桥梁养护部门更好地理解预警结果，以期做出合理的决策。

图6 大型桥梁异常预警过程中的不确定性因素

研究团队分别建立数据采集阶段、数据处理阶段和阈值估计阶段的不确定性分布模型，用以衡量预警过程中的不确定性。上述3个阶段的不确定性模型最终在预警阈值不确定性分布图上体现，不确定性越大，预警阈值分布范围越大，反之则越小。图7所示为某斜拉桥索力监测数据，考虑传感器的测量噪声，监测数据满足均值3441.5、标准差3.5915的正态分布，而预警阈值则满足均值3467.4、标准差18.2905的正态分布。与监测数据相比，预警阈值的不确定性更强，因为前者的不确定性主要受传感器噪声的影响，而后者则受到传感器噪声、数据处理误差和阈值估计误差三重因素的影响。当监测数据大于预警阈值时，判断桥梁有异常发生，其几何意义如图7中黑色阴影部分所示，可采用双重积分计算得到。桥梁预警概率最终的形式为“有17.56%的信心可以判断有异常事件发生”。

图7 大型桥梁a异常预警过程中的不确定性因素

此外，大型桥梁结构中安装的传感器种类多样、数量众多，也为多指标预警提供了良好的数据基础。其中，由于测点间的空间协调性，某些传感器的监测数据具有较强的关联性，也称为冗余性。例如：某超大跨径斜拉桥跨中位置附近3根索力和1处挠度均受主梁跨中位置变形的影响，每两个监测数据之间具有很强的相关性（见图8）。以冗余性高的多个传感器监测数据为基础，提炼出多个预警指标进行异常预警研究，能够实现多指标异常预警。与单一指标预警方法相比，此种预警能够提供更加丰富的信息，有望克服单指标对某些特定异常状况敏感性不高的缺点，提高预警系统的可靠性。

图8 某斜拉桥跨中位置附近4传感器监测数据的冗余性分析

由于受传感器故障以及指标敏感性的影响，在多指标预警系统中，不可避免地会发生指标预警结果冲突甚至矛盾的情况。证据推理最早由Dempster提出，随后经Shafer完善，其能够利用正交求和方法综合证据，处理冲突或矛盾信息，通过证据的积累逐步推断出最优解。在概率异常预警前提下，每个指标的预警结果均可视为一条证明结构是否发生异常的证据。如图9所示，1#索力指标（指标1）的预警结果为：有15%的概率指示异常状况，这一预警结果即是一条具有15%可信度的证据，支持结构发生了异常状况。因此，以传感器监测数据冗余性为前提，面对多指标预警系统中预警结果冲突或矛盾的问题，证据推理具有一定的潜力能够对多指标预警结果进行融合推理，有望对产生的冲突预警结果进行解释，得到更可靠的结论。

图9 大型桥梁多指标预警系统示意图