桥梁振动监测数据处理方法研究

摘" 要：振动作为桥梁健康监测关键参数之一，是评价桥梁整体安全性能的重要指标。目前在国内外关于桥梁振动监测的研究工作中，研究的重点常常是振动数据的采集、存储、分析、应用，忽略对振动数据的预先处理，这明显是不符合实际工作需求的。该文阐述桥梁振动监测数据的特点，指出振动监测数据需预先处理的必要性，对常用的数据处理方法进行详细列举，并逐一介绍每种方法的特点。

关键词：桥梁；振动；监测数据；数据处理方法；安全性

中图分类号：U446" " " " 文献标识码：A" " " " " 文章编号：2095-2945（2023）19-0145-04

Abstract： As one of the key parameters of bridge health monitoring， vibration is an important index to evaluate the overall safety performance of bridges. At present， in the research work on bridge vibration monitoring at home and abroad， the focus of the research is often on the collection， storage， analysis and application of vibration data， ignoring the pre-processing of vibration data， which obviously does not meet the needs of actual work. This paper expounds the characteristics of the bridge vibration monitoring data， points out the necessity of pre-processing the vibration monitoring data， enumerates the commonly used data processing methods in detail， and introduces the characteristics of each method one by one.

Keywords： bridge; vibration; monitoring data; data processing method; safety

为了保障服役期桥梁安全，及时准确地发现桥梁运营中可能出现的损伤，近年来桥梁健康监测技术受到广泛青睐，很多长大桥梁都安装了健康监测系统[1]。桥梁健康监测系统的主要工作内容是通过安装各类型传感器，实时采集桥梁结构在服役过程中的各种参数与数据。随着现代测试与传感技术的提升，桥梁健康监测的参数也在不断拓展，一般包含温度、湿度、振动、应变、挠度、索力和车辆荷载等多项参数。在上述监测参数中，振动作为关键参数之一，是评价桥梁整体安全性的重要指标。桥梁振动反映桥梁的刚度，是桥梁整体变化最明显的反应，可以用于评价桥梁质量及运营状态。对于实际桥梁来说，想要获取桥梁振动状态，需在桥梁不同部位安装拾振传感器，传感器数量根据桥梁大小，一般从几个至几十个不等，这些传感器一经安装便长时间连续不间断地采集数据。总的来说，桥梁振动监测具有传感器数量多、长时间连续运行、数据采样频率高、易受环境干扰等特点，每天都会产生大量的数据。

目前国内外关于桥梁振动监测的研究工作中，研究的关注点一般是以下2点：一是如何确保传感器准确地采集数据且长时间连续运行；二是如何利用采集到的振动数据评估桥梁安全性能。然而在对桥梁安全性能评估之前，对振动数据的处理工作较为忽视，往往是系统采集到的原始数据即被用于桥梁状态评估工作中。只注重数据的采集、存储、应用而忽略数据的处理，明显是不符合实际工作需求的。因此如何对采集到的振动数据进行处理，分析数据特点，剔除干扰，提炼、汇总有价值的信息已成为了当下工程研究人员面对的一个重要问题，也是桥梁健康监测领域中的难点和热点。

近年来国内学者针对桥梁振动监测数据在特征参数识别、相关性分析、可靠性检验、参数预测和预警及处理流程等方面已经开展了一定深度的研究。由于实际环境中各种原因导致了桥梁振动监测数据常常包含许多噪声、不完整、甚至是不一致的数据，所以在建立时间序列模型之前，必须预先处理这些动态监测数据，剔除那些不符合实际规律的异常数据，并且检验这些数据的基本统计特性，从而提高数据的置信度和结果的可靠性。本文对常用的桥梁振动监测数据处理方法进行总结，阐述桥梁振动监测数据的特点，详细列举多个数据处理方法，并逐一介绍每种方法的特点。

1" 桥梁振动监测数据特点

桥梁健康监测中为了获取桥梁振动特性，通常在桥梁不同部位安装拾振传感器，这些传感器一经安装便按照一定采样频率，长时间连续不间断地采集振动数据。振动数据是时域数据，是以时间为序列排序的，随着采样时间不停推移，振动数据量将变得非常庞大，形成海量数据。此外，由于桥梁所处环境较为复杂，实际环境中各种意外因素都会导致振动监测数据包含许多干扰、噪声、随机、不完全、甚至是不一致的数据[2]。然而对监测数据的分析及应用评价是建立在监测数据准确有效的基础上，数据精度低及受干扰都会影响最后的应用评价。因此基于以上数据的特征，需要预先对振动数据进行处理，对原始数据进行数据“修复”和规范化处理，便于进行后续的分析应用。

2" 桥梁振动监测数据预处理

2.1" 数据的平滑处理

受桥梁所处环境影响，在桥梁健康监测中采集到的振动数据含有噪声是非常常见的现象，这表现在数据时程信号曲线上就是数据看起来有很多“毛刺”。为了去除“毛刺”，减少噪声对数据的影响，可采用平滑处理的方法处理“毛刺”。平滑处理不仅能有效去除“毛刺”还能把数据中的短期不规则趋势去除。数据的平滑处理方法主要有基于滑动平均法和基于最小二乘法[3]。

2.1.1" 基于滑动平均法

该方法原理是将时间序列数据的相邻两项或者多项进行平均处理。N项数据的平均处理公式如下

基于滑动平均法处理振动数据最明显的作用是消除噪声对监测数据的影响，凸显数据的趋势化变化规律。在滑动平均法处理过程中，N值越大，平滑处理的效果越好，但丢失掉的项数（N-1）也越多，故需在消除噪声和保留数据完整性之间做出合理选择。近年来，基于这种方法演变出更多类似方法，比如加权滑动平均法、二次滑动平均法、指数滑动法。

2.1.2" 基于最小二乘法

基于最小二乘法平滑数据原理是将时间序列数据的5项进行3次拟合处理，使数据曲线变得光滑，能够有效消除振动数据中的高频噪声影响，也称为五点三次平滑处理法。该方法不仅能消除噪声影响，也能保持数据量的完整性，但平滑次数不宜过多，过多的平滑次数会使得数据曲线变的“矮胖”，因此会造成数据失真，与原始数据对比存在误差。图1为黄山市太平湖大桥振动加速度信号经五点三次平滑法处理前后的曲线对比图。

2.2" 数据消除趋势项

在振动数据采集过程中，由于放大器随温度变化及周围环境干扰，振动数据会产生零点漂移，偏离平衡位置处，而且随着时间变化数据偏离平衡位置的程度也会变化，即产生了趋势项。趋势项的存在会使得数据在频域功率谱分析中产生误差，特别会对数据在低频频谱分析中产生影响，往往无法辨别低频频谱，因此有必要采用一定的技术手段来消除趋势项的影响。通常，采用最小二乘法来消除趋势项是一种比较实用的方式，其结果满足计算精度的要求，基于MATLAB软件中的detrend函数或者polyfit函数来消除趋势项的影响。图2为经过detrend函数消除趋势项前后的曲线比较图，可以发现消除后的曲线基线在0附近，且相应的信号质量有所提高。

2.3" 信号降噪

在进行信号分析时，由于噪声的干扰而导致分析结果达不到理想的精度甚至失真，因此一般在分析的时候尽量提高信噪比（S/N），有必要对原始信号采用一定的算法进行降噪或去噪。降噪或去噪目的是消除噪声干扰，还原信号本身，对原始信号进行滤波是常用的一种信号降噪算法，但是有些情况下效果不理想，如果噪声分布在特定频段，且与信号在频域上不重叠，那么滤波就难以去掉这种噪声。而奇异值分解（SVD）和小波分析降噪则是一种比较理想的手段，且不丧失信号所包含的测量信息。

小波变换（WT）则是一种比较高级的降噪手段，其窗口大小固定但形状可变，可以突出信号的局部特征，具有较高的频率分辨率，适于分析正常信号中的瞬态反常现象并展示其成分[4]，图3为使用小波变换penalty阈值降噪前后的信号曲线比较图，通过降噪处理可以明显地提高信噪比。

3" 桥梁振动监测数据处理分析

3.1" 振动数据分析时段确定

在桥梁健康监测系统中，考虑到桥梁的基频一般均在10 Hz以内，而拉索（吊杆）的基频频带较宽，一般均在20 Hz以内，根据Shannon采样定理，相应的传感器采样频率分别至少为20、40 Hz，由此会产生大量的时程数据，需要及时对所采集的数据进行处理分析，否则会造成数据库资源及存储等的极大浪费。一般而言，在日模式下的频率统计分析时，通过设置一定的运算触发条件，可每15 min进行计算1次，即每个测点共20×15×60=18 000个时域点数（20 Hz采样频率），如此一天下来共得到96个频率值，一年下来共计35 040个数值；在进行年模式分析时，尽量排除车桥耦合振动的影响，一般取车辆较少的凌晨2点的数据作为当天的代表值，即每年共365个数值，这样可进行多年的数据比较、分析和变化趋势预测。

因此，每座桥的数值满一年后，除了凌晨2点的数据外，其他数据均删除，这样既实现了资源的节约又保留了有代表的数值，实现由价值信息的存储和日后进行多年数据预测与寿命评估等工作。

在进行了上面的处理之后，对振动信号进行相关的算法实现和相应的存储分析，可以实现网级桥梁监测系统的各项监测数据统计和分析。实现了日模式下的短视数据查看，以便查看一天内的受人群、车辆及温度作用下的监测数据的变化情况，结合相应的温度、车流量监测数据，可以继续进行下一步的工作，如：分析温度效应对挠度、应变、索力和基频等指标的影响，分离其中的温度效应；也可以挖掘这些指标之间的内在联系，由大数据分析来探寻其中蕴含的奥秘。对年模式下的数据进行分析，可以从多年监测的有代表性的数值监测年化曲线，直观地发现其中的变化趋势，即可进行趋势分析和预测等工作，实现桥梁寿命评估等工作，为桥梁管养提供帮助。

3.2" 振动频率识别

对于安装在桥上的振动传感器和振动法索力传感器，均需要对采集的信号进行处理和分析，来计算其特征频率。

对特征频率不集中且阻尼比小的多自由度振动系统，由于结构的频响函数会在其特征频率位置产生极大值，所以通过频谱图中的极大值来进行识别特征频率是有效的[5]。

对于阻尼比，则可以通过半功率带宽法算估计得到？孜i

式中：l为测点数；n为离散后的总频率点数；wm为第m个频率点；PSDm为第m个通道的功率谱密度。

对于环境激励下的桥梁结构振动监测数据，识别结构振动特征频率的方法有3种。这3种方法分别是由自功率谱密度曲线识别、由互功率谱曲线识别、由相干函数曲线识别。利用上述3种方法识别时要注意以下3点[6]。

1）振动数据的自功率谱反应曲线，各个监测点的振动数据功率幅值的峰值应位于相同频率处。

2）在互功率谱反应曲线上，结构上各个分测点与所选参考监测点在结构同阶基频处会表现出近似相同或相反相位的特点。

3）在相干函数反应曲线上，结构上各个测点与参考测点在同阶频率处的函数值较大，该频率处的2组信号之间的相关性接近1.0，一般在0.7～1.0之间。

图4为黄山市太平湖大桥索力测点一小时内的时程曲线，图5为该时程数据的Welch谱曲线，图6为通过该算法实现的平均正则化功率谱密度（ANPSD）曲线，根据谱线图可知该测点谱线峰值比较明显，且频率比较分散，基于该谱线识别的基频为0.449 2 Hz，同理依次可以选择其他阶次的特征频率。

4" 结束语

由于桥梁所处环境较为复杂，实际环境中各种意外因素都会导致桥梁振动数据包含许多干扰、噪声、随机、不完全及甚至是不一致的数据。本文详细列举了几个振动监测数据预处理方法，如数据的平滑处理方法、数据消除趋势项方法、信号降噪方法。这些方法能有效消除数据中噪声，剔除数据中的干扰因素。在振动数据分析过程中列举了确定数据分析时段方法，振动频率识别方法。文中的示例表明，经过预处理和分析处理的桥梁振动数据能有效识别出振动特征参数，从而评估桥梁安全状态。

参考文献：

[1] 张翼飞，刘洪涛，耿栋.桥梁健康监测技术问题和基于关键指标的监测系统研究[J].工程技术研究，2022，7（18）：188-190.

[2] 董辉.桥梁健康监测数据的数据挖掘模型[D].重庆：重庆大学，2006.

[3] 韦跃.基于长期监测数据的混凝土梁桥健康状态评判方法研究[D].重庆：重庆交通大学，2014.

[4] 吴吉.基于小波变换的语音压缩算法研究与DSP实现[D].上海：上海大学，2006.

[5] 王乐.基于环境激励的安庆铁路长江大桥模态参数识别[D].合肥：合肥工业大学，2015.

[6] 魏国祥.基于MATLAB的桥梁健康监测数据处理与可靠度分析[D].兰州：兰州交通大学，2012.

第一作者简介：刘洪涛（1979－），男，硕士，高级工程师。研究方向为公路水运工程试验检测。