刘阳 桑永春 刘晓 杨芸

摘 要：随着实时、无线、智慧型在线监测技术在土木工程领域应用的需求加大，监测数据呈现海量级增长，不稳定异常数据给决策的准确性带来了巨大挑战。对目前的一些异常数据方法进行了阐述。重点讨论了结构健康监测中异常数据产生的原因及修复策略。采用异常数据修复方法对体育馆结构健康监测实例进行分析和验证，结果表明基于数据驱动方法对应力监测数据进行修复是可行的，文中同时还探讨了数据修复方法的应用前景。

关键词：健康监测；异常数据修复；应力监测；土木工程

中图分类号：TP39；TU311.3 文献标识码：A 文章编号：2095-1302（2018）09-00-03

0 引 言

随着“智慧监测”概念在土木工程建设领域的普及推广和应用，长期、实时、无线和在线监测技术成为当今健康监测领域的发展潮流和趋势。无线监测传感网络系统作为物联网重要的底层感知技术，是智慧监测的实现基础，而数据又是无线监测传感网络系统的核心，因此对数据的管理而言至关重要。数据管理包含数据的采集、传输、存储和分析等环节，数据的稳定可靠性将制约监测的有效性，同时也会影响后期的决策和评估。然而，在实际工程结构应用中往往存在数据干扰、数据丢失、异常震荡以及异常中断等问题，为大数据分析和科学决策带来了挑战。

目前，数据的修复、重构还原处理技术在信号处理、信息工程等领域均有应用。常见的方法包括回归分析、插补、删除、时间序列预测等。近年来，国内外学者基于一些有效方法实施了数据恢复分析。Eskelson等[1]讨论了NN插补算法用于森林资源调查数据恢复分析的应用。赵昕等[2]基于相关性分析，建立了BP神经网络模型，对缺失的数据进行恢复，得到了完整的应变监测数据。黃宴委等[3]选择与传感器丢失数据格兰杰因果关系大的变量作为极限学习机的输入向量，实现丢失数据的恢复。符欲梅等[4]提出一种基于支持向量机的残缺数据填补方法，在分析数据的自相关性基础上，利用支持向量回归机原理，选择适当维数的样本作为支持向量机的输入向量，据此进行了残缺数据的预测。鲍跃全等[5]提出了基于压缩感知技术的数据丢失恢复的方法。Klis等[6]将主要节点的概念与压缩传感范式相结合，实现了大量数据信号的恢复。魏晶茹等[7]针对环境监测数据异常和数据缺失等问题，提出了基于支持向量机的粒子群优化数据异常检测和缺失补全算法。宋晓虹等[8]针对多传感器系统存在的数据易丢失、易受干扰和易失真等问题，在卡尔曼过滤的基础上结合协同合作方式提出了一种协作数据重构算法。吴蔚沁等[9]采用KNN算法对公共建筑能耗异常数据进行数据修复。

本文针对健康监测长期实时采集数据的异常修复问题进行阐述，给出了针对土木工程健康监测的实用的数据修复及控制方法，对今后提供更加实用、更加有效的数据诊断识别与清洗修复技术的发展趋势进行了分析。

1 异常监测数据

1.1 产生原因

超高层建筑、大型体育设施等结构的服役环境比较复杂，特别是在实际结构健康监测过程中，传感器、连接线路、采集仪、中继器、基站及移动终端等监测设备容易受到风吹、雨淋、腐蚀等外界环境的影响，监测设备本身的故障、节点能源供给不足、意外破坏等各种因素均有可能干扰监测数据采集，此外对于超高、超大跨度结构监测线路的铺设比较长，这些因素的耦合效应可能会对采集的数据产生影响，在实际监测过程中不可避免的会产生异常数据。异常数据主要来源于结构状态的变化、现有监测系统的不完善以及现场复杂测试环境引起的不可避免的监测误差，出现数据震荡波动、数据丢失、噪声污染或是在一定范围内的值发散或不变的情况。土木工程健康监测过程中，造成监测数据异常的主要原因有如下三种：

（1）数据传输障碍，如传输线路中断、网络信号中断等；

（2）能源供给，如电源突然中断、电源线断裂、太阳能发电供给不稳定等；

（3）外界环境，如台风、暴雨、雷暴、电磁干扰、人为破坏等。

1.2 类型特点

对于长期连续监测过程中的监测数据而言，监测指标通常是处于ti-1和ti状态的测定数值，处于实时监测的对象指标均有一定的趋势性变化规律。

常用的监测指标主要包含位移、温度、风压、应力应变等值，如果外界条件比较稳定，则该指标数据的变化速率也通常较为平稳，如位移指标，一般在Δt范围内变化速率处于稳定状态，斜率近似为直线。异常数据按照结构状态的安全预警目标划分，可分为危险性异常和非危险性异常，非危险性异常判断的标准如下：

（1）在历史数据集合中变化速率反常但没有持续出现发散现象；

（2）在历史数据集合中变化差异较大，但没有超过报警值；

（3）在历史数据集合中丢失。

对于异常数据，从数据特征分类则会出现以下几种情况：

（1）数据在某一个时刻出现急剧值变化（与前一时刻数值比较或与历史时刻数据整体比较），之后进入稳定读取状态；

（2）数据在某一个时刻出现丢失，之后进入稳定读取状态。

2 数据修复方法

目前的数据修复方法大致可以归纳为如下两种情况：

（1）不依赖相似传感器数据进行修复：通过该异常数据测点传感器获得已知数据，对异常数据区域进行插值，还原该区域的丢失数据，最后得到较完整的数据信息。假定y含有异常数据yt，通过利用yt之外的已知数据建立数据模型得到预测向量y*，进而预测y的完整数据实现对异常数据的修复。

（2）依赖相似传感器数据进行修复：所谓相似传感器数据是指同类型指标的不同测点传感器监测数据和不同类型测点传感器测点监测数据中相关性较好的监测数据。如两个测点数据为x，y，其中y含有异常数据，通过回归分析得到x，y满足一定的关系，进而通过x预测y的异常段，从而修复传感器的异常数据。

对于第（1）种情况，优点在于可不依赖大量的样本数据进行比较，亦可用于缺少多个相关性指标的监测数据或监测点较少的情况，但仅适合力学模型比较明确，随着时间变化特点比较稳定的监测指标。

对于第（2）种情况，优点在于可基于预测模型来处理状态变化比较显著的物理指标，但难点在于需要构建不同物理指标之间的相关性，输入与输出预测模型的精度往往会影响预测的准确程度。本文采用BP神经网络方法来进行异常数据修复。

3 监测数据分析

根据以往监测经验发现，健康监测系统的采样数据具有如下特点：

（1）同一个测点区域的不同类型物理量之间存在相关性；

（2）同一类型物理量在不同测点采集得到的监测数据具有相关性；

（3）同一类型物理量在同一区域的多个测点采集的监测数据相关性较高。

采用皮尔逊相关系数对两个变量进行相关性评价，如式（1）所示：

4 实例分析

4.1 基本概况

某体育场主体结构由混凝土看台结构和屋盖罩棚结构组成，两者共同受力并形成整体。混凝土看台结构通过变形缝划分为东、西看台两个独立的结构单元；屋盖罩棚对应看台结构变形缝，划分为独立的结构单元，并分别支承在看台结构上，体育场南北长约250 m，东西长约268 m。屋盖罩棚结构形式整体不对称，结构主要由两个外侧抗压环和一个内侧环组成，径向采用轮辐式的索桁架连接内外环。中央抗拉环由6根全封闭截面的拉索组成，内环中的预应力在放射状分布的钢索桁架上下弦杆产生拉力，钢索桁架内的拉力传递到外环上产生外环压力。在屋盖结构的两端点设置两片支座剪力墙，在不封闭环索作用下，受到巨大的水平推力。结构形式新颖，跨度较大，施工过程复杂，屋盖钢结构空间定位难度大，结构施工过程中的主要受力构件与一些關键部位的内力等参数的变化情况以及结构运营期间的受力状态是否与初始设计相符，是否仍处于容许范围内，成为一个不可忽视的问题。因此要求本工程在施工阶段和运营阶段对钢屋盖关键构件的应力应变等进行监测。图1所示为应力和温度监测点布置图。

4.2 数据分析

应力和温度监测采用集成式的振型式表面应变计，可以同时测读应力和温度两个参数，对于不与应力测点相同位置的测点采用单独设置温度传感器的方式实施。应力应变监测拟采用JMZX-212表面智能数码弦式应变计，如图2所示，应力应变和温度监测点共96个，本文选取其中10个具有代表性的测点进行分析。在线实时监测的数据采集为每隔10 min采集一次，文中选取连续两天的数据进行分析。通过自动化在线监测采集96个应力应变测点数据和温度数据，选取其中10个测点数据进行分析。测点编号分别为：1，5，8，9，11，13，20，21，22，27。连续采样数据时间间隔为10 min，本次分析取2017.12.5早上7：04至2017.12.6早上7：04时间段。

假定编号1测点的应变数据在91～111间存在数据丢失现象。基于机器学习算法进行数据恢复。根据相关性分析确定测点8作为输入向量数据训练，如图3所示。图4及图5所示为监测数据修复情况。由图分析可知，采用数据修复方法可实现对连续性监测数据的修复，数据的整体趋势较一致，修复结果较理想，可用于指导结构健康性能评估。

5 结 语

（1）结构健康监测数据具有数据量大、代表性强等特征，通过分析异常数据的特性进行异常数据诊断修复完全可行，数据驱动技术能提供与真实数据接近的预测。

（2）数据驱动技术能利用数据自身的特征进行数据发展预测，对异常数据诊断修复提供了一种科学合理的解决方法。

（3）本文的分析以体育馆结构的健康监测为研究对象进行分析，但只选取一个时间段的样本进行研究。在今后的研究中，可通过选取多个样本、实时进行修复比较以判断边采集、边修复的数据修复效果。

参考文献

[1] ESKELSON B N I， TEMESGEN H， LEMAY V， et al. The roles of nearest neighbor methods in imputing missing data in forest inventory and monitoring databases[J]. Scandinavian journal of forest research， 2009，24（3）： 235-246.

[2] 赵昕，贾京，郑毅敏.基于BP神经网络的大跨高空连廊应变监测数据恢复[J].建筑科学与工程学报，2009， 26（1）：101-106.

[3] 黄宴委，吴登国，李竣.基于极限学习机的结构健康监测数据恢复[J].计算机工程， 2011， 37（16）：241-243.

[4] 符欲梅，朱芳，昝昕武.基于支持向量机的桥梁健康监测系统残缺数据填补[J].传感技术学报，2012， 25（12）：1706-1710.

[5] 李惠，鲍跃全，李顺龙，等.结构健康监测数据科学与工程[J].工程力学， 2015， 32（8）： 1-7.

[6] KLIS R， CHATZI E N. Data recovery via hybrid sensor networks for vibration monitoring of civil structures[J]. International journal of sustainable materials and structural systems， 2015， 2（1-2）： 161-184.

[7] 魏晶茹，马瑜，白冰，等.基于PSO-SVM算法的环境监测数据异常检测和缺失补全[J].环境监测管理与技术， 2016， 28（4）：53-56.

[8] 宋晓虹，唐琎.基于卡尔曼过滤的多传感器协作数据重构算法研究[J].计算机应用研究， 2016（1）：210-212.

[9] 吴蔚沁.基于机器学习算法的建筑能耗监测数据异常识别及修复方法[J].建设科技， 2017（9）：60-62.