胡祖翰 石先明 刘利平 徐余明 郑胜洁 刘 留
(1.中铁第四勘察设计院集团有限公司 湖北 武汉 4300631；
2.北京交通大学电子信息工程学院 北京 100044)
轨道交通桥梁智能预警系统包括数据感知、数据传输、数据预处理和数据融合4部分，预警系统的构成及具体流程如图1所示。本文提出一种将固定传感器采集和群智感知传感器采集相结合的方式，使得传感器数量大幅增加。数据传输包括有线和无线2种方式；
数据预处理采用数据清洗的算法，得到满足质量的数据；
数据融合通过多传感器融合实现预警功能。
图1 桥梁监测预警系统流程图
1.1 数据感知
桥梁监测传感器结合具体桥梁的特点、环境以及运营阶段安全评估的要求，对关键部位进行重点监测。本文提出将固定传感器和群智感知传感器相结合来监测桥梁设备。
本文监测项目主要分为：应力、环境、位移以及倾斜监测。具体传感器参数如表1所示。其中，应力监测用于监测主梁压力、振动加速度以及索力压力，安置在桥的主拱肋、地面及吊杆上；
位移监测用于监测桥面纵向滑移以及拱肋偏位，安置在拱脚和拱肋跨中处；
倾斜监测用于监测桥梁倾角，安置在拱脚上；
环境监测用于监测季节及日照引起的温度变化，安置在主拱肋和地面，桥梁传感器布置如图2所示。
表1 桥梁监测传感器参数
图2 桥梁传感器布置
1.2 数据传输
数据传输保证监测系统各组成部分间建立稳定的物理连接，确保监测数据和指令在系统内部安全、可靠、高质量地传输。现场监控单元与数据中心的远距离数据传输采用光纤传输技术、无线传输技术及两者相结合的方式，对交通不便、地形复杂、物理布线困难的桥区采用NB-IoT、5G等无线网络。
1.3 数据预处理
本系统使用数据清洗的方法处理传感器数据，按照缺失值、异常值以及重复值处理的顺序进行。首先采用多元线性回归插补法填补缺失值。对于同一时刻的桥梁系统，如果桥梁整体结构异常，部分传感器数据会相应变化，因此不同传感器的数据具有关联性，该方法就是利用数据的关联性建立回归方程来填补缺失值。
另外，本系统采用近邻排序算法对数据集进行重复值筛选清除。首先依据传感器种类，将数据集分列排列，选中一类传感器数据进行升序排列，使相似或者相同的监测数据相邻；
然后对排序后的传感器数据设置大小为w的滑动窗口，每次对滑动窗口各行数据以欧式距离的方式进行相似度筛查。窗口中第一行数据和其余w-1行数据比较，若符合欧式距离的判断准则，则删除此行数据，其他数据依次处理。经数据清洗后，可以得到满足质量的数据，输入到融合系统。
1.4 数据融合
数据融合将多种异构传感器融合，步骤如下：首先根据预警阈值构造传感器的基本概率分配函数，这里用到了基于样本值的构造方法。其次采用D-S证据理论算法进行数据融合，得到融合后的预警等级，实现预警功能。在原算法基础上，使用遗传算法加权优化，提高预警的可信度。图3为多传感器融合的原理框图。
图3 多传感器融合框图
1.4.1D-S证据理论算法融合
本系统针对各类传感器设置预警阈值，参考T/CECS 529—2018《大跨度桥梁结构健康监测系统预警阈值标准》，共采用绿、黄、橙、红色四级预警机制[1]。首先通过输入数据以及预警阈值建立各类传感器的基本概率分配(BPA，Basic Probability Assignment)。具体步骤如下：在桥梁系统中，传感器数据为{y1，y2，y3，…,yn}，其中yi(i=1，2，…，n)为第i种传感器输入值，{yi1，yi2，yi3，yi4}表示第i种传感器对应绿、黄、橙、红4种预警等级的阈值，Tj(j=1，2，3，4)为预警等级j,则对于传感器输入值yi对应预警等级的概率分配函数为：
(1)
其中，Dij为输入值yi与某一预警等级阈值yij之间的距离，即：
Dij=|yi-yij|
(2)
Di表示输入值yi与4种预警等级阈值的距离和，则有：
(3)
同时，对于概率分配要满足以下条件：
m：2Tj→[0，1]
(4)
(5)
其中，m为概率分配函数，概率都在[0，1]之间，且概率和为1。以温度传感器为例，m(绿)=0.6,m(黄)=0.2，m(橙)=0.1，m(红)=0.1，此时预警状态为绿。
确定概率分配函数后，再将yi的具体数值与预警阈值带入公式(1)，得到每个预警等级的具体概率值。由式(1)-(3)，得到所有传感器的概率分配后，对各类传感器的概率分配进行融合处理。本文采用的是D-S融合规则[2]，两两融合公式如下：
m2(C)
(6)
(7)
其中，Tj为预警等级，B、C⊂Tj，m1(B)和m2(C)为两种传感器对应的预警等级的概率，K为冲突因子。两种传感器融合后的结果m(Tj)即为预警等级的概率分配。
由式(6)-(7)得到两两融合结果后，再通过多次两两融合实现多传感器融合，得到的结果经过如下方式判决输出预警等级，如果某预警概率同时满足准则1和2，即
准则1：m(Tm)=max{m(Tj)}
准则2：m(Tm)-m(Tj)>δ(j≠m)δR且δ>0
则可判定为该预警状态。Tj为预警等级，Tm为概率最高的预警等级，δ为大于零的实数，其取值根据实际情况而定。准则1和准则2表示Tm为最大的概率，并且与其他概率的差值大于门限δ。
1.4.2遗传算法加权改进的D-S融合
D-S证据理论算法在数据融合中有良好的性能，但是存在融合冲突的情况，即当不同传感器对应某预警状态的概率相差较大，合成结果往往与直观感觉相悖。因此本文基于遗传算法加权优化，提升原算法在冲突概率融合时的可信度。
为解决冲突概率的问题，本系统设置一个冲突函数f，通过最小化f，使得融合冲突最小。假设传感器数目为n，则冲突函数f可表示为：
f=0.1(K12+K13+K23+…+Kn-1,n)+
(8)
其中，K表示两传感器的加权冲突系数，即：
(9)
其中，m1(B)和m2(C)为两传感器对应的预警等级的概率，x1和x2为其权重，满足x1+x2=1，x1∈[0，1]，x2∈[0，1]。此外，式(10)中d为两传感器的加权冲突距离，可表示为：
(10)
通过式(8)-(10)确定冲突函数f后，再使用遗传算法优化。具体优化的伪代码如表2所示。将f视为遗传算法的适应度函数，加权系数x1，x2，x3，…，xn为适应度阈值，系数要满足如下约束条件：
表2 遗传算法优化的流程
(11)
首先，初始化x1，x2，x3，…，xn，给定在约束条件内的随机值，带入f求得此时的适应度。其次，在约束条件内调整加权系数，当最优个体的适应度达到给定阈值，或者群体适应度不再上升，迭代过程收敛，否则继续选择、交叉、变异得到的新一代群体，循环执行，得到最优的加权系数x1，x2，x3，…，xn，最后将加权系数带入加权平均公式：
m(Tj)=x1m1(Tj)+x2m2(Tj)+…+xnmn(Tj)
(12)
将所得概率m(Tj)再融合n-1次，即得到最终结果。
在大数据的背景下，传统的“黑板+粉笔”、“教师讲+学生听”的模式已经无法满足实际的教学需要了。在这样的背景下，高职院校也应该在数学的教学中积极地采用翻转课堂或者是微课等创新型的教学模式来提高教学效果，吸引学生的注意力。不管是翻转课堂，还是微课，都是教师将学习的主动权交给学生的一种教学方式，让学生学会在网络平台上进行在线学习，完成教师布置的任务，并且及时通过互联网来向教师反馈自己的学习情况。这样一来，教师在课堂上与学生交流的时间也就更多，能够更好地解答学生们在学习中所遇到的疑问。这样的教学模式，对于数学教学效果的提升来说，具有着非常重要的意义。
本系统中使用仿真数据，假设桥梁上有16种传感器，每个传感器时间上连续采集100组数据，采集过程会引入噪声。以位移传感器为例，该噪声为高频噪声并且服从正态分布，均值为0.4 mm，标准差为0.02 mm。系统通过数据预处理对噪声处理后，数据输入融合系统。
2.1 D-S证据理论融合结果
本监测系统共采集验证了5种情况，分别为状态全部正常、全部异常、多组正常、多组异常以及一半正常一半异常，仿真结果如表3所示。
表3 仿真结果
结果显示，在前4种情况下，对预警概率进行比较，使用原算法均可得到正确结果。但是，一半正常的状态，黄色和橙色概率相近，判决结果可能为“黄”或者“橙”。这种状态可以判决为“无法识别”，等下一周期数据输入，再次判决。经过3次周期为“无法识别”后，直接判决红色预警。从结果来看，在多组正常或者异常的情况下，不同预警状态概率相差较小，在判决时可能会出现虚警、漏警的情况。本文通过遗传算法加权优化的方法来改进这一状况，使不同状态概率的差值增大。
2.2 遗传算法优化的融合结果
对于本系统16种传感器，每个传感器赋予1个权重系数，再对冲突函数进行分析，通过遗传算法进行最小化处理，得到16组权重系数。以2.1节多组正常的情况为例分析，则最优化后的权重系数如表4所示。
表4 权重系数
表4仿真结果显示多组正常情况下，前12组加权系数都在0.062及以上，略大于后4种。此结果验证了改进方法可以调整传感器的权重系数，降低融合过程中的冲突。图4结果显示在迭代了79次时，函数收敛到了最佳适应度，此时函数的最佳适应度为0.612。
图4 遗传算法最佳适应度与最佳个体
得到传感器的加权系数后，将加权系数带入传感器融合前的概率分配值，过程如式(12)所示，将其进行加权后融合。本系统共16组传感器，因此需要再融合15次，得到融合后的结果。改进方法与原方法的对比如表5所示。
表5优化前后验证结果显示，在前12种传感器正常，后4种传感器异常的相同故障情况下，改进后绿色概率为0.747 8，红色概率为0.001 2；
对比改进前后结果，优化后原本概率高的预警概率进一步提高，概率低的预警概率降低，优化效果明显。
本文分析了轨道交通桥梁智能预警系统架构，并以轨道交通京沪线某实测区域桥梁系统为例，首先通过群智感知采集传感器数据，其次引入数据清洗处理数据，将处理后的数据使用D-S证据理论算法融合，实现预警功能；
并且通过遗传算法加权优化，使融合后预警可信度得到提升。本文研究成果提升了轨道交通桥梁整体运维维护的质量和效率，在应用于桥梁预警系统的基础上，还可为轨道交通其他专业提供参考。