1、Industrial Construction Vol.53，No.2，2023工业建筑2023 年第 53 卷第 2 期37结构监测数据的尖点异常识别方法吴奎(中铁第四勘察设计院集团有限公司，武汉430063)摘要:结构监测数据往往因设备异常或环境干扰而产生尖点异常数据，人工后处理工作量大，且干扰实时报警的准确性。基于滑动平均滤波器与 3 准则，提出了双滑动窗口判别法进行结构监测数据的跳值异常识别，并按 3 准则生成异常数据的合理代表值，将异常数据处理为合理数据。滑动滤波器考虑了施工步监测数据的阶跃现象，有效解决了因施工步引起的监测数据突变而造成的误判问题。通过杭州西站施工和运营过程中的实际
2、监测数据对提出的方法进行验证，计算结果表明，双窗口滑动平均滤波器能够快速且有效识别监测数据中的跳点异常数据，并避免对施工步阶跃数据的误判。关键词:滑动平均滤波器;异常数据;监测;跳点DOI:10.13204/jgyjzG23010503Cusp Anomaly ecognition Method for Structural Monitoring DataWU Kui(China ailway Siyuan Survey and Design Group Co，Ltd，Wuhan 430063，China)Abstract:Due to abnormal equipment or enviro
3、nmental noise，cusp anomaly data usually occurs in structuralmonitoring data Manual handing is time-consuming，and cusp anomaly data disturbs the accuracy of alarm Based onmoving average filter and 3 criterion，dual-window sliding filter was used for jump value anomaly recognition instructural monitori
4、ng Abnormal data was translated to reasonable data by reasonable representative value of abnormaldata based on 3 criterion The phenomenon of the jump of construction data was considered in moving average filterThus，misjudgment was solved The proposed method was verified by real monitoring data in Ha
5、ngzhouxi ailwayStation The results indicated that dual-window sliding filter could identify the abnormal jump point efficiently andavoid misjudgment by the phenomenon of the jump of construction dataKeywords:moving average filter;abnormal data;monitoring;jump point作者:吴奎，男，1986 年出生，高级工程师。电子信箱:2856716
6、63 qqcom收稿日期:202301050引言大跨度空间钢结构越来越多地应用到公共和民用建筑中，且结构体系越趋多样，施工工艺越趋复杂。施工过程中的力学模拟和监测是保证结构在施工阶段的安全性和施工过程顺利进行的有效手段。其中，监测技术越来越多地应用到大跨度空间钢结构工程施工中。在大跨度空间钢结构施工过程监测中，从采集系统中得到的监测数据，应能准确地反映施工结构系统受力性态和施工环境状态。然而，由于施工现场可能出现的振动、信号干扰、粉尘铁屑和人为敲击等因素1，导致监测数据发生异常。传统的监测工作中，需要人工进行异常数据后处理，对于诸如杭州西站超过 800 个传感器的大型站房监测项目，后处理工作量
7、巨大。切尖点异常往往会影响即时评估报警，对现场管理工作产生不利影响。监测异常数据主要有以下 4 类2:1)数据置零或稳定极值(传感器或数据传输断电);2)数据大量漂移至非正常值范围;3)单点漂移数据;4)噪声干扰。其中第 1)、2)类异常数据，可根据所获得的信号值明确确定故障原因。第 4)类异常数据多出现于动态监测中，该类数据一般在事后分析时，采用小波变换、HHT 变换等方法进行降噪处理筛选。第 3 类单点漂移异常数据是指数据序列中的某一个或某几个数据点显著偏离于正常数据序列，与监测对象实际状态不符，该类数据需要进行实时处理34。常用的数据剔除方法有 3 准则、肖维准则、格38工业建筑2023
8、 年第 53 卷第 2 期拉布斯准则和狄克逊准则。其中，3 准则认为，当数据监测值与期望之间的偏差超过 3，则认为该数据为单点漂移数据，应将其剔除5;肖维准则认为当样本数据与期望之间的偏差超过 K 时，则认为该数据为单点漂移数据67;格拉布斯准则可简要表述为:n 个样本的置信度为 1，当某一数据的残差超过 G 时，认为该数据为单点漂移数据89;狄克逊准则先将样本数据按从大到小的顺序排列，给定显著水平，通过极差比来判定最大数据和最小数据是否为异常数据10。上述 4 种基于数理统计的异常数据筛选方法中，3 准则具有计算简便及准确率高的优点。但与其他三种方法一样，处理的样本数据需满足正态分布。然而，
9、对于大跨度空间钢结构施工过程监测，其监测数据往往难以满足正态分布，一般仅可在数据相对稳定的同一施工阶段运用上述方法进行异常数据的筛选。此外，上述基于数理统计的异常数据筛选方法均需在监测工作结束后进行，无法实时筛选异常数据。因此，本文在单窗口滑动平均滤波器的基础上，构建了双窗口滑动滤波器进行结构监测数据的异常跳值识别，并按 3 准则生成异常数据的合理代表值，将异常数据处理为合理数据。滑动平均滤波器中的滑动窗口将监测数据集划分为数据子集，该子集内数据相对稳定，并服从正态分布。采用该方法能够实现监测过程中实时进行异常数据处理，能够满足实时评估和报警需求。此外，考虑到施工步监测数据的阶跃现象，应用双窗
10、口滑动平均滤波器，可有效解决施工步转换时对正常阶跃数据的误判问题。1滑动平均滤波器滑动平均滤波器适用于减少随机噪声，同时保持清晰的阶跃响应。利用滑动窗口计算数据集中不同子集平均数，可消除短期波动，突出长期趋势。以长度为 16 的数据集为例，滑动窗口长度为 5，如表 1所列，随着滑动窗口的移动，得出较为平缓的滑动平均值。将计算结果绘制于图 1，可看出经过滑动平均处理后的数据消除了局部波动。上述数据集存在两个尖点数据，每个尖点前 5 个数据平均值如图 2 所示。可知，尖点数据和前序数据的均值存在显著差异，由于处理后数据的平滑性，根据第 n+1 个数据与前 n 个数据平均值的差值大小，能够明显判断跳
11、点数据。表 1滑动平均计算过程Table 1Moving average calculation processkN序号实际值滑动平均值序号实际值滑动平均值12345678198.74198.63198.94198.64199.04197.23198.51198.209198.47198.2910198.37198.1611198.43198.4012196.11197.91198.8013198.32197.94198.5014198.32197.91198.4715198.43197.92198.3316198.43197.92图 1滑动平均计算Fig1Moving average cal
12、culationa平稳数据序列;b施工步数据序列。图 2异常数据判断Fig2Judgement of abnormal data2异常数据识别和处理2.1滑动窗口从监测数据序列中选取过去邻近一段时间内的n 个 数 据 点，建 立 容 量 为 n 的 视 口 样 本 队 列 xii=1，2，3，n，并计当前时刻需要做异常判断和处理的数据点为 xn+1。根据马尔可夫性，在结构平稳监测过程中，一旦过去邻近一段时间内的数据确定，则当前采集的数据与更早的数据无直接关联。基于此，以当前数据点为基准，从监测数据队列中选取过去邻近一段时间内的n 个数据点，建立滑动窗口，窗口内样本队列为:xN1=x1，x2，x
13、n(1)式中:n 为样本队列的容量;xi为样本队列内的监测数据。由于监测传感器安装、系统调试过程中，结构往往处于平稳状态，直至采集数据稳定后才正式采集，此时的监测序列起始的 m 个数据可以认为是稳定的，因此当监测数据总量 mn 时，不进行后续处理，结构监测数据的尖点异常识别方法 吴奎39窗口向后滑动，直至 mn。样本队列期望值为:=1nni=1xi(2)窗口样本队列中，标准差 为:=1n 1ni=1(xi)2(3)当采集到新数据 xn+1时，计算异常数据判别值 e:e=xn+1(4)式中:为判别式容差。若异常数据判别值 e 0，则 xn+1视为异常数据。反之，则为正常数据。根据数理统计理论，x
14、i与 差值服从正态分布。当数据总体趋于正态分布时，有:P(xi 3)0.003(5)式(5)表明，任意一个满足总体正态分布的样本数据大于+3 或小于 3 的概率小于0.003。根据 3 准则，当数据监测值与期望之间的偏差超过 3，则认为该数据为尖点异常数据，应将其剔除。因此，根据 3 准则，可取值为 3。2.2双滑动窗口判别法当滑动窗口滑至两施工步之间的阶跃点时，数据点 xn+1产生了突变且为正常数据，此时判别值 e的计算结果可能会大于0，但此时数据点xn+1不能被判别为异常数据。如图 2b 所示，假设滑动窗口容量n=5，计算前 5 个数据平均值 为198.76 kN，标准差 为0.13，阶跃
15、点与 的偏差为 0.992，大于3 倍标准差(0.39)，此时会错误地判断该阶跃点为异常数据。由于人眼判断尖点异常的普遍依据是该点数据值比左右两侧数据序列的偏差均为显著值，因此，引入右滑动窗口 N2，对每个监测数据采用左窗口N1和右窗口 N2共同判别异常数据，该方法称为判断异常数据的“双滑动窗口判别法”。以当前数据点为基准，从监测数据队列中选取当前时刻之后邻近一段时间内的 n2个数据点，建立滑动窗口 N2，窗口内样本队列为:xN2=xn+1，xn+2，xn+n2(6)式中:n2表示右窗口样本队列的容量;xi表示样本队列内的监测数据。按式(2)及式(3)计算 xN2的期望与标准差，按式(4)计算
16、右窗口中 xn+1的异常数据判别值，分别得到左窗口 N1的判别值 e1和右窗口 N2的判别值e2，其判别准则如下。准则 1:当 e1e2 0 且 e1 0 时，则该数据为尖点异常数据，并采用数据值 x*n+1代替写入监测数据队列:x*n+1=+(rand()3)10(7)准则 2:当 e1e2 0 时，说明此时数据发生了阶跃现象，判别为正常数据，采用原数据放入监测数据队列;准则 3:当 e1e2 0 且 e1 0 时，判别为正常数据，采用原数据放入监测数据队列。3实例3.1结构信息新建杭州西站(图 3)属于特大型铁路旅客车站，总建筑面积约 51 万 m2，其中站房面积约10 万 m2，屋盖面积约 8 万 m2。站房主体呈矩形，南北方向长302 m，东西方向长 230 m。站房屋盖结构采用空间网架和桁架混合结构体系，最大跨度 78 m。站房屋盖结构采用分块和整体提升相结合的施工工艺，整个施工过程包括分块提升、旋转提升、嵌补杆件、整体提升和卸载等过程。由于杭州西站站房规模大、结构跨度大且体系复杂、施工难度大，有必要对站房屋盖的施工和使用阶段进行监测和结构评估，并对危险状态即时预警。a竣工照