本发明涉及一种大跨度高铁桥梁伸缩缝智能监测方法，特别是将机器学习和评估指标引入对大跨度桥梁伸缩缝的监测中，属于高铁桥梁健康监测领域。
背景技术：
随着我国高速铁路事业的快速发展，施工技术的不断提高，铁路桥梁的数目和跨度也不断地在刷新。截止2019年底，我国现有高铁里程2.9万公里，居世界第一位，占世界高铁总里程的2/3，其中桥梁长度占线路总长度的一半以上，沪杭高铁中更是占到了90%以上。
与普通列车相比，高速列车对桥梁的要求更高，桥梁和轨道在长期服役中必须保证变形小、振动小，从而使列车平稳行驶在高铁桥上。对于世界上其他国家来说，高速铁路大跨度桥梁大多以200米为分界，在200米以下跨度的桥梁可以保证列车高速通过。我国在高速铁路建设上制定了更加严格的目标，2018年建成的昌-赣高铁赣州赣江特大桥，创造了一项世界纪录，成为了首座列车时速超过350公里/时的大跨度斜拉桥。在大跨度桥梁建设水平不断提升的过程中，桥梁伸缩缝处的运行性能成为了不可忽视的问题。大跨度桥梁中伸缩缝的高标准设计和安全服役，为高速列车快速平稳通过大跨度桥梁提供了保证，避免了行驶时速碎片化。
对桥梁伸缩缝的研究，世界各国都做出了实际的贡献。伸缩缝处结构与性能关系着桥梁的健康状况以及高铁过桥的安全性，同时其存在的缺陷也将给桥梁服役带来不利影响，给高铁运营带来安全隐患。根据《中长期铁路网规划》，我国的高速铁路建设还在持续地进行中，桥梁的跨度也将不断地刷新。随着跨度的增大，伸缩缝的宽度也越来越大，同时温度的变化、桥梁的徐变、列车荷载，都将对伸缩缝处轨道安全性的问题进行放大。在高速铁路发展的早期，桥梁伸缩缝处设置轨道伸缩装置，但这种伸缩装置存在安全隐患，使得对它的管养消耗了大量的精力。因此新的轨道伸缩缝方案不断被提出和采用，以此满足于平稳铺设和行车安全的保障。但不论采用何种技术措施，伸缩缝处的健康状况都是工程人员关注的重点。在大跨度高铁桥梁正常服役期间，伸缩缝处结构会受到气候环境、酸雨腐蚀、自然老化和氧化等因素的影响，刚度和强度会随时间增长而降低，使其使用寿命缩短。随着健康监测分析手段的进步，特别是传感器技术的不断升级和智能学习的引入，在高性能硬件设备和软件平台的支撑下，解决了对建筑结构健康状态的预测问题。
为了把握大跨度高铁桥梁伸缩缝处结构在长期的环境激励和列车荷载下的健康状态，确保大跨度高铁桥梁伸缩缝处结构安全、实施及时有效的管养手段、实现高速列车安全过桥以及时时掌握伸缩缝服役状态，建立大跨度高铁桥梁伸缩缝的智能监测方法及其评估指标是非常必要的。
技术实现要素：
本发明的目的是为了解决上述问题，提供一种大跨度高铁桥梁伸缩缝智能监测方法，基于现场实测的温度、应力、应变和通过有限元建模计算得到的测点数据，结合计算机监测系统进行分析。突破了外观监测的传统模式，有效地提高了桥梁结构的管养水平。借助于机器学习的技术，将长期监测的数据和有限元模拟结果进行分析，与评估指标进行对比，在对当前健康状态进行评估的同时，对未来一段时间的响应进行预测，对大型铁路桥梁工程伸缩缝的健康监测和状态评估具有重要的理论意义和工程实用价值。
为了达到上述目的，本发明采用的方法是：一种大跨度高铁桥梁伸缩缝智能监测方法，包括以下步骤：
第一步，根据设计信息及现场条件，确定测点，布置传感器。在伸缩缝的两侧布置温湿度传感器，在尖轨、基本轨、活动钢枕、支撑梁和位移分配装置上布置应变传感器、加速度传感器，在伸缩缝和活动钢枕之间布置位移传感器，在伸缩缝附近布置风速仪，将各种传感器连接多通道采集设备，进行数据收集，建立大容量的存储的数据库；
第二步，实测响应数据分类。将高铁桥梁服役状态分为环境激励状态和列车激励状态，环境激励状态下的数据由无列车驶过时的响应数据组成，列车激励下的数据由列车经过时的响应数据组成；
第三步，根据设计信息，建立精细化的有限元模型，包括桥梁和伸缩缝两个主要部分，并依据实测桥梁响应，提取真实的模态，基于实测结构响应修正有限元模型，并进行参数敏感性分析，分析影响伸缩缝响应的主要因素；
第四步，环境荷载激励下伸缩缝处结构响应计算。基于有限元模型，计算环境荷载（温度、湿度、风速、风向等因素）影响下伸缩缝处各构件的响应（应变、位移、加速度）；
第五步，环境荷载激励下的神经网络模型训练。基于多组有限元计算结果，以环境荷载参数作为输入数据，伸缩缝各构件响应作为输出数据，训练反映环境荷载参数和伸缩缝处结构响应之间的神经网络模型，；
第六步，列车荷载激励下伸缩缝处结构响应计算。基于有限元模型，计算列车荷载作用下伸缩缝各构件的响应；
第七步，列车荷载激励下的神经网络模型训练。基于多组有限元计算结果，以列车荷载参数作为输入数据，伸缩缝各构件响应作为输出数据，训练列车荷载参数和伸缩缝处结构响应之间的神经网络模型；
第八步，神经网络模型验证。采用结构响应计算值验证神经网络模型，考查有限元模型的训练结果，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则进行实测值验证神经网络模型；采用荷载参数已知的列车行驶过桥梁，实时监测伸缩缝处结构响应数据，将响应实测值和预测值进行对比，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则将训练完成的神经网络模型用于伸缩缝处结构响应预测。
第九步，伸缩缝工作状态评估和预警。通过实测响应和神经网络模型预测未来时间段的结构响应，结合评估指标，对伸缩缝健康状况进行评估和预警。
智能监测方法包括硬件的实施工作和软件的综合调度与处理两个部分，硬件的实施工作主要是在关键截面处布设传感器，包括温度传感器、湿度传感器、应变传感器、位移传感器、加速度传感器、风速风向仪、多通道采集设备，测试伸缩缝结构关键部位的温度、湿度、应变、应力、位移、加速度、频率谱和模态；软件方面包括建立桥梁伸缩缝结构的数据库，机器学习系统和工作状态评估系统三个部分。
测点布置在伸缩缝的关键部位和关键截面处。在伸缩缝两端的混凝土或钢结构的阴阳两面各取典型部位，布置温度传感器和湿度传感器；在活动钢枕的中心、端部、轨道下方以及支撑梁处布置应变传感器；在支撑梁中心、梁端，活动钢轨间隙中心以及下方布置应变传感器；在活动钢轨分割开的伸缩缝各段间，布置位移传感器。
根据所监测桥梁的设计信息，建立精细化的有限元模型，包括桥梁和伸缩缝两个主要部分，并依据实测桥梁响应，提取真实的模态，用实测信息修正有限元模型，并进行敏感性分析评估指标。基于修正后的有限元模型，综合环境荷载以及列车荷载，给出多维数据下的破坏阈值，引入概率统计学的原理，设定安全系数。
数据库的建立基于传感器的长期多点的采集和收录，在数据库中，实现查看、添加、删除等多种编辑的功能对数据进行处理，并且在传输方面建立多种格式类型，方便数据的收集、整合和与其他软件或程序的交互配合。
机器学习系统，在对长期的监测数据进行分析，对伸缩缝未来的温湿度、应力应变的演变做出预测。
工作状态评估主要针对于大跨度高铁桥梁伸缩缝的结构特点，研究可能出现的关键问题，时跟进动态数据并进行分析，结合评估指标，确定目前结构的健康状态，给出响应的评估报告。
基于修正后的有限元模型，综合环境荷载以及列车荷载，给出多维数据下的破坏阈值，设定安全评估标准。在环境激励（温度、湿度、风速、风向）和列车激励（车速、轴距、轴重、车重）的作用下，伸缩缝处轨道①和轨枕②的实测结构响应ri（应变、位移、加速度）和预测得到响应pi（应变、位移、加速度）的误差为|ri-pi|，设置安全系数为|ri-pi|/|ri|，令警戒阈值为20%，当安全系数|ri-pi|/|ri|>20%，系统进行结构安全预警。
通过机器学习的方式，一旦伸缩缝显示出不良健康状态的趋势，智能系统便进行健康状况提示，并根据具体的问题给出响应的措施和对策。实现大跨度高铁桥梁伸缩缝监测的科学化、规范化，使工程人员准确地把握伸缩缝的健康状况。
有益效果：
1.本发明为尽可能全面布置测点，在实现伸缩缝功能的全部构件上设置充足的测点，保证样本充足。
2.本发明通过信号处理技术，将实时监控的数据，分为环境荷载激励下的响应数据和列车荷载激励下的响应，代表了伸缩缝服役的两种基本状况，分别训练两种荷载下的神经网络。
3.本发明基于机器学习，利用神经网络适用于解决复杂系统的映射关系的问题，综合考虑环境荷载和列车荷载的多种因素，建立荷载和响应之间的映射关系，实现对未来响应趋势的预测。
4.本发明基于精确有限元建模以及根据实测数据进行修正，保证数值仿真的准确性，综合环境荷载以及列车荷载，给出多维数据下的破坏阈值，引入概率统计学的原理，设定安全评估标准。
附图说明
图1为大跨度高铁桥梁伸缩缝的智能监测方法流程图；
图2为大跨度高铁桥梁伸缩缝及测点示意图；
图3为环境荷载激励下的神经网络模型训练流程图；
图4为列车荷载激励下的神经网络模型训练流程图。
具体实施方式
下面结合附图的方式对本发明进行说明。
第一步搭建硬件平台。根据设计信息及现场条件，在伸缩缝处的构件上确定充分多的测点，布置传感器，包括温度传感器、湿度传感器、应变传感器、位移传感器、加速度传感器、风速风向仪。大跨度高铁桥梁的伸缩缝处构造，一般包括尖轨和基本轨的轨道伸缩装置，活动钢枕、支撑梁和位移分配装置，如图2所示。本实施办法结合尖轨和基本轨的轨道伸缩装置、活动钢枕、支撑梁和位移分配装置进行说明，但本文所述方法不限于伸缩缝处结构类型，依据所监测桥梁的具体类型灵活布置。
测点的确定和传感器的布置，依据桥梁和伸缩缝的设计信息，在伸缩缝的关键部位和关键截面处，如图2所示，全面布置测点。在伸缩缝两端的混凝土或钢结构的阴阳两面各取典型部位，布置温度传感器和湿度传感器；在活动钢枕的中心、端部、轨道下方以及支撑梁处布置应变传感器和加速度传感器；在支撑梁中心、梁端，活动钢轨间隙中心以及下方布置应变传感器和加速度传感器；在活动钢轨分割开的伸缩缝各段间，布置位移传感器。
各种传感器连接多通道采集设备，进行数据收集。建立大容量的存储的数据库，同时实现查看、添加、删除等多种编辑的功能，并且在传输方面建立多种格式类型，实现数据的收集、整合和与其他软件或程序的交互配合。
第二步处理数据和有限元建模。基于信号处理技术将实时监控的数据，分为环境荷载激励下的响应数据和列车荷载激励下的响应。如图1所示，建立精细化的有限元模型，包括桥梁和伸缩缝两个主要部分，并依据实测桥梁响应，提取真实的模态，用实测信息修正有限元模型。并进行参数敏感性分析，分析影响伸缩缝响应的主要因素。
第三步进行数据间的机器学习。基于有限元模型，计算环境荷载（温度、湿度、风速、风向）和列车荷载（车速、轴距、轴重、车重）下伸缩缝处各构件响应（应变、位移、加速度）。训练环境荷载和列车荷载与伸缩缝处各构件响应之间的神经网络模型，如图3和图4所示，分别以环境荷载和列车荷载作为输入数据，伸缩缝各构件响应作为输出数据；
在机器学习过程中，同时对神经网络模型进行验证。如图1所示，采用结构响应计算值验证神经网络模型，考查有限元模型的训练结果，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则进行实测值验证神经网络模型；采用荷载参数已知的列车行驶过桥梁，实时监测伸缩缝处结构响应数据，将响应实测值和预测值进行对比，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则将训练好的神经网络模型用于伸缩缝结构响应预测当中。
第四步进行工作状态评估系统。首先设定评估指标，基于修正后的有限元模型，综合环境荷载以及列车荷载，给出多维数据下的破坏阈值，设定安全评估标准。如图1所示，在环境激励（温度、湿度、风速、风向）和列车激励（车速、轴距、轴重、车重）的作用下，伸缩缝处轨道①和轨枕②的实测结构响应ri（应变、位移、加速度）和预测得到响应pi（应变、位移、加速度）的误差为|ri-pi|，设置安全系数为|ri-pi|/|ri|，令警戒阈值为20%，当安全系数|ri-pi|/|ri|>20%，系统进行结构安全预警。
通过实测响应和神经网络模型预测未来时间段的结构响应，结合评估指标，对伸缩缝健康状况进行评估和预警。
1.一种大跨度高铁桥梁的伸缩缝智能监测方法，其特征在于，包括以下步骤：
第一步，根据设计信息及现场条件，确定测点，布置传感器：在伸缩缝的两侧布置温湿度传感器，在尖轨、基本轨、活动钢枕、支撑梁和位移分配装置上布置应变传感器、加速度传感器，在伸缩缝和活动钢枕之间布置位移传感器，在伸缩缝附近布置风速仪，将各种传感器连接多通道采集设备，进行数据收集，建立大容量的存储的数据库；
第二步，实测响应数据分类：将高铁桥梁服役状态分为环境激励状态和列车激励状态，环境激励状态下的数据由无列车驶过时的响应数据组成，列车激励下的数据由列车经过时的响应数据组成；
第三步，根据设计信息，建立精细化的有限元模型，包括桥梁和伸缩缝两个主要部分，并依据实测桥梁响应，提取真实的模态，基于实测结构响应修正有限元模型，并进行参数敏感性分析，分析影响伸缩缝响应的主要因素；
第四步，环境荷载激励下伸缩缝处结构响应计算：基于有限元模型，计算环境荷载影响下伸缩缝处各构件的响应，包括应变、位移、加速度；所述的环境荷载包括温度、湿度、风速、风向；
第五步，环境荷载激励下的神经网络模型训练：基于多组有限元计算结果，以环境荷载参数作为输入数据，伸缩缝各构件响应作为输出数据，训练反映环境荷载参数和伸缩缝处结构响应之间的神经网络模型；
第六步，列车荷载激励下伸缩缝处结构响应计算：基于有限元模型，计算列车荷载作用下伸缩缝各构件的响应；
第七步，列车荷载激励下的神经网络模型训练：基于多组有限元计算结果，以列车荷载参数作为输入数据，伸缩缝各构件响应作为输出数据，训练列车荷载参数和伸缩缝处结构响应之间的神经网络模型；
第八步，神经网络模型验证：采用结构响应计算值验证神经网络模型，考查有限元模型的训练结果，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则进行实测值验证神经网络模型；采用荷载参数已知的列车行驶过桥梁，实时监测伸缩缝处结构响应数据，将响应实测值和预测值进行对比，若识别误差不满足1%的要求，则返回第三步，进行有限元模型修正，若识别误差满足1%的要求，则将训练完成的神经网络模型用于伸缩缝处结构响应预测；
第九步，伸缩缝工作状态评估和预警：通过实测响应和神经网络模型预测未来时间段的结构响应，结合评估指标，对伸缩缝健康状况进行评估和预警。
2.根据权利要求1所述的一种大跨度高铁桥梁的伸缩缝智能监测方法，其特征在于：所述评估指标为：在温度、湿度、风速、风向环境激励和列车激励的作用下，伸缩缝处轨道和轨枕的实测结构响应ri和预测得到响应pi的误差为|ri-pi|，设置安全系数为|ri-pi|/|ri|，令警戒阈值为20%，当安全系数|ri-pi|/|ri|>20%，系统进行结构安全预警。
3.根据权利要求1所述的一种大跨度高铁桥梁的伸缩缝智能监测方法，其特征在于：所述的第一步中，传感器的具体布置为：在伸缩缝两端的混凝土或钢结构上拾取典型部位，布置温度传感器和湿度传感器；在活动钢枕的中心、端部、轨道下方以及支撑梁处布置应变传感器和加速度传感器；在支撑梁中心、梁端，活动钢轨间隙中心以及下方布置应变传感器和加速度传感器；在活动钢轨分割开的伸缩缝各段间，布置位移传感器。
4.根据权利要求1所述的一种大跨度高铁桥梁的伸缩缝智能监测方法，其特征在于：第一步中，在数据库中设置有包括查看、添加、删除的编辑的功能对数据进行处理，并且在传输方面建立多种格式类型，方便数据的收集、整合和与其他软件或程序的交互配合。
技术总结