基于异常概率与严重度协同的可解释索力分级预警方法

本发明涉及桥梁结构健康监测，具体涉及一种基于异常概率与严重度协同的可解释索力分级预警方法。

背景技术：

1、索构件是桥梁及大跨度空间结构中的重要受力构件，其索力状态直接关系结构受力和服役安全。现有监测方法通常将实时索力与设计值、成桥值、历史均值或预设范围进行比较，但索力会随温度、运营荷载等正常工况变化而波动，采用固定参考值或固定阈值容易将正常工况变化误判为异常，或者掩盖真实异常。

2、部分方法采用概率分布、预测区间或异常评分提高检测可靠性，但异常概率等有界指标在异常程度持续增大时会逐渐接近取值上限，难以继续区分严重异常程度。同时，仅依据单一异常指标进行分级，难以兼顾异常发生可能性、超出健康边界的程度及发展趋势，短时数据波动还可能造成预警等级频繁变化。

3、此外，机器学习方法用于索力识别时，部分模型仅给出确定性预测结果，难以区分模型认知不足与观测噪声造成的不确定性；在形成预警等级后，也难以说明主要影响特征及其变化方向，导致预警结果缺乏可复核性。

4、因此，现有技术主要存在健康基线对工况变化适应性不足、严重异常阶段区分能力不足、分级结果稳定性不足以及预测与预警结果可解释性不足的问题。

技术实现思路

1、针对现有技术中健康基线对工况变化适应性不足、严重异常阶段区分能力不足、分级结果稳定性不足以及预测与预警结果可解释性不足的问题，本发明提出一种基于异常概率与严重度协同的可解释索力分级预警方法，利用多源监测特征估计索力及其不确定性，建立工况自适应健康基线，计算异常发生概率、超限严重程度及其变化趋势，据此映射预警等级，并输出主要影响特征和异常原因解释，实现索力的异常检测与分级预警。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于异常概率与严重度协同的可解释索力分级预警方法，应用于桥梁或大跨度空间结构中索构件的状态监测，包括：获取待检测索构件的结构参数、振动响应数据及环境荷载数据，提取至少一个阶次的模态频率，并构建索力状态特征和观测可靠性特征；将所述索力状态特征和观测可靠性特征输入贝叶斯神经网络，得到索力预测概率分布，并区分模型不确定性和观测不确定性；利用索构件健康阶段的历史监测数据建立环境荷载与健康索力之间的基线关系，构建随工况变化的动态健康区间；根据索力预测概率分布和动态健康区间计算异常发生概率，并根据低侧期望超限量和高侧期望超限量确定非饱和异常严重度；对非饱和异常严重度进行平滑处理并计算异常严重度变化趋势，根据异常发生概率、非饱和异常严重度及异常严重度变化趋势，将索力状态直接映射为正常、关注、预警和严重四个等级，并通过滑动时间窗进行连续时刻确认，以修正预警等级；计算各索力状态特征对索力预测结果的贡献，并通过当前异常状态与健康参考状态之间的反事实分析确定各索力状态特征对当前预警等级的影响，输出导致当前预警等级的主要影响特征及其变化方向。

4、进一步地，所述索构件包括斜拉索、吊索、主缆、系杆索或预应力拉索；所述振动响应数据包括加速度响应、位移响应或速度响应中的一种或多种，并通过加速度传感器、位移传感器、激光测振设备或机器视觉测量设备获取。

5、进一步地，在索构件上设置多个测点或同步观测区域，从各测点或各同步观测区域的振动响应数据中提取前若干阶模态频率，以不同测点或不同同步观测区域提取的同阶模态频率统计均值作为对应阶次的模态频率输入；索力状态特征由经工况修正后的索长、单位长度质量、经工况修正后的弹性模量、索径以及各阶模态频率构成；观测可靠性特征由频谱信噪比、识别结果一致性、各阶模态频率变异系数、有效数据比例及异常数据比例中的一种或多种构成。

6、进一步地，根据索体温度相对于参考温度的变化，结合索体线膨胀系数对索长进行修正，并结合弹性模量温度修正系数对弹性模量进行修正，将修正后的索长和弹性模量用于构建索力状态特征。

7、进一步地，所述贝叶斯神经网络包括索力均值预测分支和观测不确定性评估分支；索力均值预测分支以索力状态特征为输入，输出索力预测均值，观测不确定性评估分支以索力均值预测分支的隐含特征和观测可靠性特征为输入，输出观测不确定性对应的方差；通过对贝叶斯权重参数进行多次采样获得模型不确定性对应的方差，并根据两类不确定性对应的方差确定索力预测总方差，形成索力预测概率分布。

8、进一步地，以环境荷载数据为自变量、健康阶段的索力预测均值为因变量建立健康基线模型；当环境荷载数据至少包括索体温度时，根据温度偏差、温度偏差平方项和温度变化率确定健康索力基线，并结合健康状态下索力相对于健康索力基线的离散程度形成动态健康区间。

9、进一步地，异常发生概率用于表征索力预测结果位于动态健康区间之外的可能性；低侧期望超限量和高侧期望超限量分别表征索力低于动态健康区间下限和高于动态健康区间上限的期望偏离量；将两侧期望超限量之和相对于动态健康区间宽度进行归一化，得到非饱和异常严重度。

10、进一步地，对预设滑动时间窗口内的非饱和异常严重度进行中位数平滑，计算异常严重度变化趋势；根据健康阶段的异常发生概率、非饱和异常严重度及异常严重度变化趋势的统计分布确定预警等级判断阈值，并按照正常、关注、预警和严重的分级规则进行直接映射；同一监测时刻满足多个等级判断条件时，以其中最高等级作为初始预警等级。

11、进一步地，四个等级不通过异常发生概率、非饱和异常严重度和异常严重度变化趋势的加权求和构造综合指标，而是根据各指标是否满足对应等级条件进行直接映射；在滑动确认窗口内，当达到目标等级的监测时刻数量达到预设确认数量时确认等级上升。

12、进一步地，采用特征扰动方法计算各索力状态特征对索力预测结果的全局贡献，根据模型不确定性和观测不确定性分别占索力预测总不确定性的比例判断主要不确定性来源；从健康阶段历史监测数据中确定待解释索力状态特征的健康参考值，将当前异常样本中的待解释索力状态特征替换为对应健康参考值构造反事实输入特征，根据替换前后的索力预测结果、异常发生概率、非饱和异常严重度或预警等级的变化，确定主要影响特征及其变化方向。

13、与现有技术相比，本发明具备以下有益效果：

14、本发明利用健康阶段历史监测数据建立环境荷载与健康索力之间的基线关系，使健康索力基线和动态健康区间能够随正常工程工况变化进行调整，降低固定参考值或固定报警限值引起的误报警和漏报警。

15、本发明在异常发生概率的基础上进一步计算低侧期望超限量和高侧期望超限量，并构造非饱和异常严重度，使异常发生概率接近取值上限后，仍能够根据索力超出动态健康区间的程度区分不同的严重异常状态。

16、本发明综合异常发生概率、非饱和异常严重度及异常严重度变化趋势，将索力状态直接映射为正常、关注、预警和严重四个等级，不需要通过加权求和构造综合指标，并通过滑动时间窗进行连续时刻确认，减少预警等级频繁跳变。

17、本发明通过贝叶斯神经网络分别获得模型不确定性和观测不确定性，能够区分训练样本覆盖不足、模型认知不足和观测可靠性降低等不同不确定性来源，提高索力异常检测结果的可信程度。

18、本发明通过全局特征贡献和局部反事实贡献确定导致索力异常及预警等级变化的主要索力状态特征，并给出相应特征的变化方向，使异常检测和分级预警结果具有可追溯性，为现场复核、巡检安排和维修决策提供依据。