《Environmetrics》:A Functional Principal Component Analysis Framework for Vibration-Based Structural Condition Assessment of Highway Bridge Spans
编辑推荐:
寿命和安全性能的管理,旨在确保公路基础设施的结构完整性和耐久性,已成为一个日益重要的研究领域。在土木工程中,评估动态行为的传统方法,如运行模态分析(Operational Modal Analysis, OMA)和峰值拾取技术(Peak Picking tec
寿命和安全性能的管理,旨在确保公路基础设施的结构完整性和耐久性,已成为一个日益重要的研究领域。在土木工程中,评估动态行为的传统方法,如运行模态分析(Operational Modal Analysis, OMA)和峰值拾取技术(Peak Picking technique),往往难以检测微小的损伤迹象。本研究提出了一种基于函数型主成分分析(Functional Principal Component Analysis, FPCA)的新方法,以提高基于振动的结构状态和异常评估的敏感性。先前在Agrò等人(2025a)中已提出了基于经典主成分分析(Principal Component Analysis, PCA)对同一数据集的初步分析。该研究强调了PCA捕获振动信号中主要方差模式的能力。然而,PCA作用于离散时间序列,并未明确考虑其函数性质。相比之下,本研究提出的FPCA框架将信号建模为连续函数,从而能够更精细地表征时间变异性,并提高对细微结构差异的敏感性。通过比较从完整和潜在受损桥梁跨度中通过FPCA导出的最优函数子空间,研究人员通过主角度(principal angles)的余弦量化结构差异。该方法应用于巴勒莫-卡塔尼亚高速公路上一座高架桥的实际案例,展示了其揭示传统模态分析未发现的异常的潜力。
1 引言(Introduction)
这部分介绍了结构健康监测(Structural Health Monitoring, SHM)对于桥梁公共安全与基础设施管理的重要性。基于振动的SHM技术广泛采用,因为动态响应对结构退化、异常行为或运营条件变化高度敏感,通常通过环境振动测试获取加速度数据,并利用快速傅里叶变换(Fast Fourier Transform, FFT)和峰值拾取技术提取模态参数,如固有频率、振型和阻尼比。然而,传统方法在处理离散向量或频谱描述符时面临局限性,环境与运营变异性(如温度、湿度、交通和风况)常掩盖早期结构变化。为隔离损伤效应,常用多元技术如主成分分析(Principal Component Analysis, PCA)、基于马氏距离的监测和聚类方法。近年来,人工智能(AI)和深度学习技术(如卷积神经网络、自编码器、循环神经网络)在自动损伤检测中展现出潜力,但需要大量标注数据集和计算资源,在实际桥梁应用中难以满足。因此,无监督、计算高效且统计可解释的方法(如PCA及其函数扩展)仍具有吸引力。函数型主成分分析(Functional Principal Component Analysis, FPCA)将每个观测视为时间上的平滑函数,充分利用环境振动信号的连续性质,保留传统离散化丢弃的连续时间信息。本文探讨FPCA在结构状态与异常评估中的应用,通过一个西西里公路桥梁案例研究详述其优势与实施,并描述了一种识别结构动态差异的新程序,包括基于Bootstrap方法的显著性检验。
2 函数型数据分析与函数型主成分分析在结构健康监测中的应用:综述(Functional Data Analysis and FPCA in Structural Health Monitoring: A Review)
这部分综述了函数型数据分析(Functional Data Analysis, FDA)和FPCA在SHM中的应用。FDA将测量信号视为连续随机函数的实现,保留其内在时间连续性和相关结构。FPCA扩展经典PCA,将信号协方差结构分解为正交特征函数和相应得分,已用于降维、去噪、环境变异性补偿、异常检测和变点分析。在环境振动监测中,FPCA相比传统基于FFT的频域方法具有优势:它自然考虑原始振动信号中的时间相关相关性,无需预处理变换;生成紧凑的低维功能表示,同时滤除高频噪声;保留细微的平滑时间变化和局部瞬态特征,这些特征在频域表示中常被削弱。然而,文献中关于FPCA用于多跨公路桥梁跨间动态行为比较分析的研究存在显著空白,大多数研究集中于单结构的长期环境补偿或时间异常检测。本研究直接填补这一空白,基于先前对同一数据集应用经典PCA的初步工作(Agrò 2022; Agrò et al. 2025a),将分析扩展到FDA框架,利用西西里多跨公路桥梁的环境振动测量,评估FPCA作为PCA的自然函数扩展,系统识别跨间结构动态变异性与局部异常响应模式。
3 方法(Methods)
3.1 函数型数据分析(Functional Data Analysis)
FDA是一种将数据视为平滑函数而非离散观测的统计框架,适合分析环境振动数据。每个环境加速度信号表示为时间上的连续曲线,通常通过B样条或傅里叶级数等基函数表示,以保留时间结构并降低噪声。离散时间序列通过基展开转换为函数形式:x
i(t) = Σ
m=1M c
im ψ
m(t) + ε
i(t),其中ψ
m(t)为基函数,c
im为系数,ε
i(t)为噪声。该步骤降低维度并提高鲁棒性。
3.2 函数型主成分分析(Functional Principal Component Analysis)
FPCA将PCA扩展到函数观测,协方差函数作为算子,特征函数替代特征向量。给定函数观测{x
i(t)}
i=1n,估计均值函数μ(t) = (1/n) Σ
i=1n x
i(t),以及协方差函数C(s,t) = (1/n) Σ
i=1n (x
i(s)-μ(s))(x
i(t)-μ(t))。通过求解特征值问题∫C(s,t)φ
k(t) dt = λ
k φ
k(s),得到特征函数φ
k(t)和特征值λ
k。每个函数观测可近似为x
i(t) ≈ μ(t) + Σ
k=1K ξ
ik φ
k(t),其中得分ξ
ik = ∫ (x
i(t)-μ(t)) φ
k(t) dt。该分解捕获函数数据的主要变异模式,有助于解释和进一步分析。
3.3 函数型主成分分析在结构健康监测中的优势(Advantages of FPCA in Structural Health Monitoring)
FPCA相比经典PCA在SHM中具有多项优势:连续性(将环境振动信号视为连续函数,更忠实表征系统动态行为);降维(投影到函数子空间,捕获主要动态特征并减少噪声);噪声处理(通过平滑技术减轻环境噪声和测量误差影响);可解释性(函数主成分(FPCs)为连续函数,代表主要变异模式,提供清晰的物理解释);增强的子空间比较(函数子空间间距离提供更细致的结构差异洞察,特别是对细微或局部异常)。
3.4 结构状态与异常评估的提出程序(Proposed Procedure for Structural Condition and Anomaly Assessment)
该方法基于比较不同跨度振动数据提取的最优函数子空间。对每个传感器,将时间序列平滑为函数对象{x
1(t),…, x
p(t)},定义在共同时间域T上。FPCA将p个函数观测投影到k维子空间,得到正交函数{φ
1(t),…, φ
k(t)}及其特征值。将方法应用于两个函数数据集:一个代表健康系统,另一个代表潜在受损状态。分别得到子空间H
k和D
k。通过计算主角度(principal angles)比较子空间差异:定义主角度θ
1,…,θ
k ∈ [0, π/2],递归计算cos(θ
i) = max
hi∈Hk, di∈Dk ?h
i, d
i?,约束∥h
i∥=∥d
i∥=1,且?h
i, h
j?=?d
i, d
j?=0 (j
k用于定义子空间距离δ = dist(Hk, Dk) = √(1?cos2(θk))。若θk非零,则子空间存在差异,表明Dk可能代表结构损伤。
3.5 基于Bootstrap的推断框架(Inferential Framework via Bootstrap)
为评估子空间差异的统计显著性,建立假设检验:H0假设子空间代表相同动态行为,即最大主角为零。由于主角的理论分布未知,采用移动块Bootstrap(Moving Block Bootstrap, MBB)方法,该方法保留时间自相关和跨传感器依赖关系。将多变量时间序列矩阵X(n×p)分割为重叠块Bj = (Xj:j+l-1,:),随机选取?n/l?个块并拼接形成重采样矩阵X*。重复B次生成Bootstrap样本集。对每个样本应用FPCA,计算最大主角,得到H0下的经验分布,从而导出置信区间和p值。块长度选择至关重要,经验规则为约√n个块,并通过交叉验证评估稳定性。
4 案例研究:巴勒莫-卡塔尼亚高速公路上的高架桥(Case Study: A Viaduct on the Palermo–Catania Highway)
该案例研究聚焦于西西里高速公路上一座混凝土高架桥,由两个结构独立的行车道组成,每个行车道包含10个简支跨度。每跨长35.00 m,桥面宽10.00 m。在桥面四分之一跨和跨中位置安装6个单轴加速度计,以捕获主要动态振动模态。环境振动数据由DISMAT实验室采集,经基线校正和带通滤波预处理。由于各跨通过伸缩缝结构分离,动态响应独立,以100 Hz采样频率对每跨单独采集30分钟数据,得到180,000×6的矩阵。根据静态荷载试验结果,跨1、跨3、跨5和跨8被选中,其中跨5最大挠度最小(6.280 mm),被选为基准(健康)跨度。通过运行模态分析识别各跨前五阶固有频率,系数变异均低于10%,但频率的跨间变异性未提供与静态试验一致的结构状态排序,突显传统诊断工具的局限性,需要更敏感的方法。
5 基于FPCA的子空间比较(FPCA-Based Subspace Comparison)
为调查传统动态指标未清晰识别的潜在损伤,对同一矩阵应用所提程序。数据分析使用R语言及fda包。将时间序列转换为函数对象,采用999个三次B样条基函数(每1.8 s一个),平滑参数λ=0以保留原始信号特征。对每跨单独进行FPCA。表3显示前6个FPCs的累积方差解释比例,其中前3个FPCs解释大部分变异性,因此保留k=3维子空间。以跨5为基准,计算各跨与跨5子空间间的最大主角余弦,并转换为角度(度数和弧度)。表5列出按升序排列的角度,其中跨2、10、9的角度较小(4.4°–7.7°),而跨6、1、7、4、3、8的角度较大(15.9°–32.9°)。通过MBB(选择6个块)生成基准跨的角度经验分布,图7显示Bootstrap分布,95%分位数为0.166 rad(约9.5°)。据此计算p值,跨8、3、4、7、1、6的p值均为0.000,表明与跨5存在显著差异;跨2、10、9的p值大于0.05,差异不显著。图8展示跨5(健康)与跨6(受损)在PC1-PC2子空间中的得分投影,显示约33°的夹角。
6 讨论(Discussion)
分析表明,当传统运行模态分析难以识别明显异常跨度时,FPCA子空间比较方法能有效识别振动行为中的显著偏差,通过主角余弦量化,并经Bootstrap推断验证统计显著性。静态试验中挠度较大的跨8、3、1在FPCA结果中也表现出显著子空间差异,与静态评估一致,验证了方法的可靠性。静态试验成本高昂,而所提方法仅基于加速度数据分析。结果凸显FPCA对传统频域分析未显现的细微结构变化的敏感性,充分利用振动信号的完整时间分辨率。此外,该方法在数值基准和实验破坏试验中进一步验证了其捕捉早期局部结构变化的能力,有望成为传统模态分析不明确时的先进SHM工具。
7 结论与未来工作(Conclusion and Future Work)
本研究证明了“FPCA子空间比较”程序在利用环境振动数据进行公路桥梁跨度结构状态与异常评估中的有效性。相比传统技术(如运行模态分析和峰值拾取方法),该方法提供时域分析,捕获结构振动的连续性质,实现更详细的动态行为比较。通过FPCA提取低维子空间,子空间间的主角比较提供强结构异常指标。通过巴勒莫-卡塔尼亚高速公路高架桥案例验证,FPCA突出了传统模态频率难以显现的结构差异。未来工作将扩展该方法至更广泛的结构类型,并探索与异常检测、聚类和分类算法的集成,例如结合主成分判别分析(DAPC)、马氏距离(MSD)、因子分析载荷判别分析(DAFL)以及多变量统计过程控制指标(如Hotelling's T2和Q统计量),以提升自动结构状态评估能力。系统比较这些方法的敏感性、鲁棒性和可解释性是有前景的方向。长期监测活动也可利用此方法追踪结构行为随时间的变化。