结构健康监测中工程测量信息的时序分析方法探讨

引言

随着基础设施规模的不断扩大和服役年限的延长，结构安全问题日益受到社会各界的高度关注。结构健康监测系统通过布设传感器、测量点及数据采集设备，实时或周期性获取结构的受力、变形、振动及环境参数，从而实现对结构状态的动态感知和趋势评估。作为结构健康监测的重要组成部分，工程测量信息侧重于获取结构几何状态的精确描述，如沉降、位移、倾斜、裂缝宽度及空间姿态等，这些数据为结构安全性判断、病害发展预测及养护计划制定提供了不可替代的支持。与其他监测信息相比，工程测量数据往往采集周期长、时间跨度大，因此具有显著的时间序列特性，其变化不仅包含长期的趋势性成分，如结构逐年累积的沉降量，也包含短期的周期性波动，如温度变化引起的季节性伸缩，以及随机波动和突发性事件的影响。科学有效的时序分析方法，能够在这些混合特性中分离出有用信息，识别潜在的损伤信号或不稳定因素，为结构运行管理提供预警依据。然而，实际工程中测量数据常受到观测误差、环境噪声、采样不均匀等因素的干扰，如何通过合理的时序分析方法在保证精度的前提下提取关键特征，是结构健康监测研究的重要课题。

一、工程测量信息的时间序列特征与预处理

在结构健康监测中，工程测量信息涵盖多种类型，包括通过水准测量获取的沉降数据、全站仪测量的空间位移、GNSS 监测的三维坐标变化、倾斜仪监测的姿态变化以及裂缝计记录的裂缝宽度等。这些数据在时间维度上呈现出趋势性、周期性与随机性共存的特征。趋势性变化往往反映了结构长期服役过程中由于荷载作用、材料性能衰退、地基变形等因素导致的不可逆几何变化；周期性变化多由温度变化、潮汐作用、季节性荷载等外部环境因素驱动；随机波动则来源于测量噪声、短期荷载扰动或不可预见的偶然因素。在进行时序分析前，必须对原始测量数据进行预处理，包括异常值剔除、缺测值插补、采样频率统一以及噪声滤波等。异常值的识别可采用 3σ 准则、箱型图法或基于统计模型的残差分析方法；缺测值插补可使用线性插值、样条插值或基于时间序列预测模型的填补方法；采样频率统一则通过重采样或插值使数据具有等间隔的时间步长；噪声滤波可采用移动平均、低通滤波或卡尔曼滤波方法，以消除高频噪声对趋势分析的干扰。这些预处理步骤是保证时序分析精度与可靠性的必要条件。

二、趋势分析与周期成分分解

趋势分析旨在从测量数据中分离出长期变化趋势，这是结构长期健康状态评估的基础。常用的趋势提取方法包括多项式回归、局部加权回归（LOESS）、移动平均以及基于小波分析的多尺度分解等。多项式回归能够拟合平滑的趋势曲线，但在趋势变化复杂时容易过拟合或欠拟合；LOESS 则通过在局部范围内拟合低阶多项式实现趋势提取，适用于非线性变化的情况。周期成分分析则用于识别结构响应中的季节性或周期性波动，例如温度变化引起的桥梁伸缩、潮汐作用下的大坝位移等。傅里叶变换可以将时间序列分解为不同频率的正弦分量，从而识别主要周期特征；小波分析则能够同时在时间域和频率域对信号进行局部化分析，适合处理非平稳信号。通过趋势与周期成分分解，可以将测量数据表达为趋势项、周期项与残差项之和，为后续随机波动分析和异常检测提供明确的分析框架。

三、随机波动建模与预测方法

在剔除趋势与周期成分后，剩余的随机波动部分包含了结构在短期荷载、微小损伤及观测噪声等因素下的响应特征。随机波动的建模常采用自回归（AR）、滑动平均（MA）、自回归滑动平均（ARMA）及自回归积分滑动平均（ARIMA）模型，其中 ARIMA 模型适合于非平稳序列，可通过差分运算消除非平稳性后进行建模。对于具有季节性特征的序列，可采用季节性 ARIMA（SARIMA）模型进行拟合。此外，卡尔曼滤波作为一种递推估计方法，能够在动态系统中实时更新状态估计，适用于连续监测数据的滤波与预测。近年来，基于机器学习的时间序列预测方法也逐渐应用于结构健康监测中，如长短期记忆网络（LSTM）、门控循环单元（GRU）等深度学习模型能够自动捕捉长期依赖与非线性关系，在处理大规模监测数据时表现出优越的预测性能。这些方法不仅能够对结构未来状态进行短期预测，还可以用于评估预测残差，从而辅助异常检测。

四、异常检测与损伤识别

异常检测是时序分析的重要应用之一，其目的是在早期发现可能的结构损伤或不稳定状态。异常的定义可以基于统计学方法，即当测量值与预测值的偏差超过一定阈值时判定为异常；也可以基于模式识别方法，通过训练正常状态下的时序模型，在新数据偏离模型预测模式时触发报警。典型的方法包括基于残差控制图的Shewhart 控制图、累积和（CUSUM）控制图、指数加权移动平均（EWMA）控制图等。在结构健康监测中，异常检测不仅需要考虑单一测量指标的变化，还需要结合多源数据进行综合判断。例如，桥梁监测中，若位移数据与加速度响应在同一时段均出现异常波动，则异常可信度更高；反之，若仅位移变化而其他指标无明显异常，则可能为测量误差或环境扰动。为了提高异常检测的准确性，可以引入多源测量数据的时序融合分析，将不同类型传感器的时间序列在时间轴上对齐，并通过多变量统计分析或多模态深度学习方法进行联合建模与异常识别，从而有效减少误报与漏报。

五、结论

工程测量信息的时序分析在结构健康监测中具有重要意义，它不仅能够揭示结构在长期服役过程中的趋势性变化，还能够捕捉周期性波动与短期异常事件，为结构安全评估、寿命预测与运维决策提供科学依据。未来，随着传感器网络的普及与精度提升、数据采集与传输技术的进步，以及人工智能、云计算、大数据分析等技术的广泛应用，基于工程测量信息的时序分析方法将更加智能化和实时化，实现从被动监测向主动预测的转变，助力重大工程结构全生命周期的智慧化管理与安全保障。

参考文献：

[1]吴美琼，梁旭敏，曾慧芳.无人机遥感技术在工程测量中的应用[J].广西水利水电，2024，（06）：30- 33.DOI：10.16014/j.cnki.1003- 1510.2024.06.028.

[2]龚娟.地理信息技术在工程测量中的应用探析[J].城市建设理论研究（电子版），2024，（32）：84- 86.DOI：10.19569/j.cnki.cn1 9313/tu.202432028.

[3]王洪波，蒋美霞.工程测量、摄影测量与遥感融合在智能矿山建设中的前景与挑战[J].世界有色金属，2024，（15）：19- 21.

[4]高磊.高铁工程测量中三维激光扫描技术的应用[J].中国设备工程，2024，（10）：200- 202.