研究未知输入处的加速度响应被观测的情况,采用观测数据融合解决了识别结果的漂移问题,提出了同时识别结构状态和未知输入的KF-UI理论新方法^[14],而且进一步研究未知输入处的加速度响应未被观测的复杂情况,提出了更适用于一般情况下能同时识别结构状态和未知输入的GKF-UI理论新方法^[15-16].

研究考虑加速度与速度传感器的观测偏差,分别将偏差归入观测方程或运动方程的“未知输入”,分别采用上述KF-UI、GKF-UI方法及数据的多速率融合实时估计结构动位移,提出了基于观测数据驱动与融合的结构动位移实时估计方法^[17].

研究输入处的加速度响应被观测的情况,提出了同时识别结构状态、结构参数和未知输入的EKF-UI理论新方法^[18]; 研究输入处的加速度响应未被观测的复杂情况,提出了更适于一般情况下的GEKF-UI理论新方法^[19].研究对大型结构中局部损伤的多尺度识别,将结构其他部分对目标子结构的作用视为“未知输入”,将GEKF-UI和KF-UI的相结合,通过子结构精细化建模及多种观测数据融合,对局部损伤进行识别.

研究未知输入处的加速度响应观测和未被观测的情况下,提出了识别非线性结构系统和未知输入的UKF-UI新方法,进一步研究输入处的加速度响应未被观测的复杂情况,提出适合于一般情况的UKF-UI新方法.借鉴前面研究,研究将大型结构其他部分对目标子结构作用视为“未知输入”,与已有方法相比,可以在不观测子结构间界面响应的情况下,对非线性目标子结构的局部损伤进行识别^[20].

借鉴KF-UI的研究,考虑实际工程的不确定性和未知输入,将已有的区间卡尔曼滤波(IKF)推广至IKF-UI.借鉴EKF-UI的研究,提出IEKF-UI进行未知输入下的结构局部损伤概率分析.

实时掌握结构状态信息和地震激励信息是进行结构抗震安全评估和优化振动控制的前提.地震激励较弱的情况下,结构仍处于线性阶段,过去已有很多学者提出了利用实测结构响应识别未知激励的方法^[30].地震发生时,SHM系统测得的是绝对响应,有些识别方法选择直接在绝对坐标系下建立运动方程,但往往需要建立近似假设,故只适用于剪切型结构的识别.现有的识别地震激励的方法通常建立在相对坐标系下,需要观测结构相对响应,而在未知地震激励下无法获得结构的相对加速度,故使用上受到一定限制.因此,作者提出了应用于未知地震激励的GEKF-UI.该法在相对坐标下建立运动方程,利用绝对加速度建立观测方程,解决前述问题的同时可以在地面激励未知情况下,仅观测结构绝对响应实现对结构的状态、参数和未知地面激励的实时识别.

一个自由度为n的结构受未知激励,运动方程为:

Mx _··+F(x _·,x,θ)=-M{1}x _··g,(1)

其中,M为质量矩阵,θ为结构物理参数(刚度、阻尼等),F(x _·,x,θ)=C(θ)x _·+K(θ)x,是与结构参数及位移速度有关的力向量.将结构参数θ扩展到结构状态向量中,结构状态方程可写为:

将g _-(Z,x _··g)在k时刻的最优扩展状态估计Z _∧k|k和x _{·· ∧g,k|k}处采用一阶泰勒展开得到:

在对未知激励进行线性化时,采用FOH假定,则经过线性化和离散化后的状态方程可写为

Z_k+1=A_kZ_k+B_kx _··g,k+B_k+1x _··g,k+1+g_k|k+w_k,(5)

其中,w_k代表均值为0、方差为Q的模型误差矩阵,A_k、g_k|k、B_k和B_k+1分别为

观测方程的形式为:

其中,L^o表示观测位置矩阵,x _··^a_k+1表示结构的绝对加速度,x _··^a_k+1=x _··k+1+{1}x _··g,k+1,Θ表示实际观测量与位移之间的转换矩阵.

提出将h_-(Z)在k+1时刻的状态预测Z _～k+1|k处进行一阶泰勒展开:

式中v_k+1代表均值0、方差为R的观测误差.对于Z _～k+1|k的计算表达式为:

这样可以将观测方程线性化得到:

结构及未知地面激励识别

然后对误差运用最小二乘法求解未知激励:

通过观测部分结构响应可实现结构状态、参数和未知地震激励的准确识别(图2).

高层建筑因其多自由度的特点,往往存在计算过程复杂,识别误差易累积等问题.有学者提出将模态

图2 基于GEKF-UI的未知地震激励识
Fig.2 The identified unknown seismic excitation by GEKF-UI

展开和EKF-UI结合的方法,虽然减少了结构状态的维度,但却增加了未知激励的维度.因此,提出了将模态展开和GEKF-UI方法结合的新方法--广义未知激励的模态拓展卡尔曼滤波(GMEKF-UI).利用部分观测绝对加速度完成线性高层系统和未知地面激励的识别工作,降低状态维度的同时不增加未知激励维度^[16].

模态空间坐标下的运动方程:

p _··(t)+Γp_·(t)+Λp(t)=-Φ^TMIx _··g(t).(16)

其中:p(t)是模态坐标向量,Φ表示关于质量规范化的振型矩阵,即Φ^TMΦ=I; Φ则表示前m阶振型矩阵; Γ=Φ^TC Φ=diag(2ξ₁ω₁,2ξ₂ω₂,…,2ξ_nω_n )表示广义阻尼矩阵,Λ=Φ^TKΦ=diag(ω²₁,ω²₂,…,ω²_n)表示广义刚度矩阵,其中ξ_i是第i阶阻尼比,ω_i是第i阶非阻尼固有频率.

令Z=[p^T p _·^T θ^T]^T,状态方程可写为:

对状态方程将进行离散化和线性化,其中

观测绝对加速度时,观测方程为

同样,对观测方程进行离散化和线性化,其中:

H_k+1|k=(h_-(Z_k+1))/(Z^T_k+1)|_{Zk+1=Z ～k+1|k}=

[-L^aΦΛ-L^aΦΓ-L^a∑ⁿ⁺²_i=1((Φ)/(θ_j)(Γp_·+Λp)+

Φ((Γ)/(θ_j)p_·+(Λ)/(θ_j)p))].(21)

结构及未知地面激励识别的过程可见2.1节,并根据合适正交分解(POD)方法确定截断模态数.一个受El-Centro地震波作用的线性高层建筑,通过部分观测可实现结构状态、参数和未知地震激励的准确识别(图3).

图3 地震激励识别
Fig.3 The identified seismic excitation

对于强震作用下的非线性结构的运动方程可写为:

建立状态方程,令Z=[x^T x _·^T θ^T]^T,则有:

将状态方程线性化和离散化后可表示为:

Z_k+1=A_kZ_k+B_kf_S,k+B_k+1f_S,k+1+g_k|k+w_k.(24)

观测方程可写为:

其中,L^a和L^u分别为绝对加速度观测矩阵和层间位移观测矩阵,x _··^a_k+1和Δx^u_k+1分别为子结构的绝对加速度向量和层间位移向量,N为层间位移转换矩阵.将观测方程线性化后可表示为:

基于GEKF-UI的迭代过程与2.1节类似,此处不再赘述.

一个层非线性剪切框架,假定非线性模型为Bouc-Wen模型,非线性滞回分量满足:

z _·i=(x _·i-x _·i-1)-{β_i|x _·i-x _·i-1|·|z_i|^n_i-1z_i+

γ_i(x _·i-x _·i-1)|z_i|^n_i}=

Δx _·i[1-(β_is_i+γ_i)|z_i|^n_i],(28)

式中,β_i、γ_i和n_i为bouc-wen模型无量纲滞回参数,α_i为结构第i层柱屈服后与屈服前刚度之比,Δx _·i为结构第i层层间速度.非线性结构未知地震激励的识别结果如图4所示.

图4 非线性结构地震激励的识别
Fig.4 The identified seismic excitation to nonlinear structure

对于智能结构的发展,采用在线监测系统,开展智能数据处理是重要的.SHM系统和振动控制系统是建立智能结构的两个重要组成部分.在过去的几十年中,对结构监测和振动控制都进行了许多研究^[30-31].然而,在大多数已有的研究中,这两个领域是单独研究的,不符合成本效益,因为智能结构需要SHM系统和振动控制系统^[32].为此作者进一步提出了基于GEKF-UI时变系统识别与振动控制一体化方法,并将其应用在未知地震激励且观测绝对加速度响应的情况^[32-34].

2.4.1 基于GEKF-UI的受控时变系统识别

受控时变结构在未知地震激励下的运动方程可以表示为

Mx _··(t)+[C+C(t)]x _·(t)+[K+K(t)]x(t)=

-M{1}x _··^u_g(t)+η^cU(t).(29)

其中:C(t)和K(t)为时变阻尼与刚度矩阵; x _··^u_g(t)为未知地震激励; U(t)为控制力向量,其定位矩阵为η^c.将式(29)中的时变项C(t)x _·(t)+K(t)x(t)视为虚拟未知力向量f^*(t),其定位矩阵为η^*,则式(29)可重新表示为

Mx _··(t)+Cx _·(t)+Kx(t)=-M{1}x _··^u_g(t)+

η^*f^*(t)+η^cU(t).(30)

并将此虚拟力f^*(t)与未知地震激励结合为一新的未知外激励,记为f^u(t),其定位矩阵为η^u,则式(30)可表示为

Mx _··(t)+Cx _·(t)+Kx(t)=η^uf^u(t)+η^cU(t).(31)

再将式(31)转化为状态空间方程

Z _·=g(Z)+B^uf^u+B^cU.(32)

观测部分绝对加速度度响应与部分层间位移响应,则观测方程可表示为

y_k+1=[a^T_k+1 d^T_k+1]^T=h(Z_k+1)+D^*f^*_k+1+

D^cU_k+1+v_k+1,(33)

其中,a_k+1和d_k+1分别为部分绝对加速度响应与部分层间位移响应.

同样类似于3.1节中的GEKF-UI方法,通过状态方程与观测方程可对Z _∧k+1|k+1=[x _∧^T_k+1|k+1 x _{· ∧}^T_k+1|k+1 θ _∧^T_k+1|k+1]^T以及未知地震激励x _{·· ∧}^u_g,k+1|k+1进行估计.

图5 一体化控制算法与传统控制算法的控制效果对比
Fig.5 Comparison of the control effects between the integrated control algorithm and the traditional control algorithm

2.5 基于超声导波的钢筋混凝土腐蚀监测技术

研发基于超声导波技术的钢筋混凝土腐蚀监测技术,可在较大范围内监测钢筋混凝土的腐蚀开展及状况.研究混凝土的裹覆对钢筋的导波传播特性的影响^[35].对于埋置在混凝土的钢筋,混凝土的存在并不会影响到其速度频散曲线,而仅仅影响到其衰减频散曲线.通过对波数实部与虚部的分析,研究了钢筋混凝土剪切模量比、密度比、泊松比之比对钢筋频散曲线的影响,分析了钢筋在空气中、不同混凝土约束下、不同钢筋直径条件下的导波衰减特性.针对能量泄露导致接收信号极其微弱的问题,采用小波分析方法,将小波变换的时频局部化特性应用到钢筋混凝土腐蚀监测领域,通过合理选取小波基函数以及相应的尺度,实现了导波应用于钢筋混凝土构件中腐蚀缺陷的识别(图6～7)^[36-38].

图8 钢管不同缺陷深度导波检测方法
Fig.8 The guided wave detection methods for different defect depths in steel tubes

图6 不同尺度的检测信号小波变换
Fig.6 The wavelet transformation of different scale detection signals

图7 小波变换尺度为特定值的检测信号
Fig.7 The detection signals when the wavelet transformation scale is a specific value

进一步研究了基于非频散基阶扭转导波T(0,1)的应用,结果表明:与传统的纵波监测方法相比,扭转导波对钢筋表面与浅表面缺陷更加敏感,并对钢筋均匀腐蚀缺陷位置定位分析更加准确; 采用扭转导波的监测方法能更好地对钢管内外以及管壁内部的单一缺陷进行周向定位、定量分析(图8).

该子系统/层是闭环数据流的起点和终点. 感知的本质是物理世界的数字化. 控制是基于数据采集、传输、存储、分析和挖掘的精确执行.

1)物理感知层:包括智能感知传感器组件及技术、集成感知组件自感知、视频图像、移动群感知、多监测、多尺度共线监测、腐蚀监测等.该层的传感器节点采用时间驱动和实时调度方案.

2)物理控制层:包括虚拟与真实融合、精密控制技术和设备.事件触发模型使用聚合节点、控制节点和执行单元的任务,这一部分使用事件驱动和实时调度解决方案.

在稳定性、可信度、实时性和安全性方面,CPS对网络通信技术有很高的要求.

通信层包括各种现有和先进的网络技术,如有线网络、无线传感器网络、通用分组无线电业务、互联网等; 一个清晰的层次结构需要CPS网络的开放性和灵活性,以实现异构网络和异构系统之间的跨平台互联和融合; CPS是一种具有实时网络支持、实时网络协议和实时网络处理算法的分布式实时系统.

包括分布式计算、并行计算、实用计算、网络存储、虚拟化和负载均衡、数据驱动、大数据分析处理、机器学习等.信息子系统/层通过智能算法实现结构在地震、风灾害和腐蚀下的结构状态识别和控制.

图9 基于BIM+3D GIS集成的物理信息管理系统示意图
Fig.9 The diagram of cyber-physical management system based on BIM+3D GIS

从基础物理数字化到信息互联网+IOT+云计算基础的发展模式是智慧城市基础设施物理信息管理智能化建设的发展趋势.BIM与GIS的融合可以实现从微观到宏观的多尺度城市管理.所提出的城市基础设施物理信息融合智能化管理平台架构是从中央管控的整体管理思路出发,集成物理设备的实时动态数据,结合云计算、大数据挖掘等技术,针对基础设施的生命周期、结构信息、养护信息以及运行信息进行深度挖掘、关联与预测,建立基础设施管养模型,并通过BIM+GIS技术集成将基础设施物理监测信息可视化,进行物理信息融合,为管养部门提供强有力的养护决策和支持.如图9所示,基础设施物理信息智能化管理平台共划分为4个子系统,分别是环境物理设备监控系统、BIM+3DGIS系统、运维平台和信息数据分析系统.

1)此标准足够广泛,并且对SHM中的相关人员具有可访问性(即可理解性).

2)包括既有结构及新建结构的SHM系统(综合生命周期监测系统).

3)适用于单一结构和结构群的SHM系统.

4)SHM在性能预测和生命周期维护方面的能力和潜力.

5)包括传统与最新技术,如新传感技术、人工智能使能技术、深度学习、大数据管理等.

该标准的内容围绕结构健康监测的主要内容,包含较多的具体内容,主要包括:

1 介绍

1.1 标准化的范围

1.2 基本概念

1.3 结构类别及SHM系统

1.4 SHM的目标

1.5 NDT与SHM的关系

2 SHM系统的组成、功能、策略与设计

2.1 SHM系统组成

2.2 SHM系统的功能

2.3 SHM监控策略

2.4 具有监测策略的结构类别

3 传感器/传感系统

3.1 传感器

3.2 传感器类别

3.3 传感器选择准则

3.4 传感器的布置

4 数据采集和管理系统

4.1 数据采集系统

4.2 数据管理系统

5 网络、沟通和控制

5.1 联网和数据通信

5.2 数据处理与控制系统

6 数据分析、结构状态识别与诊断

6.1 系统错误的类型和来源

6.2 分析误差的校准

7 结构性能评估、损伤预测和健康评级

7.1 结构性能评价

7.2 结构损伤预后

7.3 结构健康等级

8 SHM系统维护

8.1 一般范围

8.2 传感器的检查和维护

8.3 数据传输设备的检查与维护

8.4 数据管理系统的检查和维护

附录A 主要结构的SHMS

A1 桥梁的SHM系统

A2 高层建筑和高层结构的SHM系统

A3 大型空间结构的SHM系统

A4 隧道的SHM系统

A5 铁路的SHM系统

附录B 单个结构和结构群的SHMS实例

B1 区域分布式感知的概念

B2 单个结构的例子

B3 城际公路和轨道交通结构群实例

附录C 传感器