专家问答:保护国家基础设施资产

包括风力涡轮机和桥梁在内的基础设施资产的监测和维护方式将在一个开创性的项目中发生改变。

由谢菲尔德大学领导，EPSRC项目拨款770万英镑资助，玫瑰果项目汇集来自学术界和工业界的专家，以解决安全、经济地保障当前和未来基础设施的挑战。ROSEHIPS(使用基于人口的SHM(结构健康监测)为高价值基础设施变革运行安全和经济)将持续到2027年，涉及贝尔法斯特女王大学、剑桥大学和埃克塞特大学。

满足专家

• 机械工程系主任伊丽莎白·克罗斯教授谢菲尔德大学
• 机械工程系的尼古拉斯·德维利斯教授，谢菲尔德大学
• David Hester博士，自然与建筑环境学院高级讲师，贝尔法斯特女王大学
• 詹姆斯·布朗约翰教授，结构动力学教授埃克塞特大学
• Keith Worden教授，谢菲尔德大学机械工程系

为什么ROSEHIPS是必要的?

千瓦:监控大型基础设施的一个真正挑战是缺乏来自这些结构的数据，特别是受损状态数据。也就是说，即使有给定结构的数据，也不清楚这些数据是否可以用于通知管理层，即为另一个大致相似的结构的维修或改进提供决策支持。

ROSEHIPS将开发并使用一种形式化的数学方法来计算结构之间的相似性得分。

虽然我们可以使用工程判断来识别结构之间潜在的相似性，但这是主观的，而且可能在不同的分析人员之间缺乏一致性。

为了克服这个问题，ROSEHIPS将开发并使用一种形式化的数学方法来计算结构之间的相似性得分。实现这一目标的方法是用数学图的形式表示结构，然后使用图论计算它们之间的相似度分数。对于相似度高的结构，其中一个的数据很可能有助于管理另一个。这种用于比较的系统方法是该领域的巨大进步，它首次允许利用有限的可用数据，通过利用它们来管理其他结构。

我想到了三座公路桥:奥威尔、达特福德和福斯。ROSEHIPS如何跨这样的结构应用?

DH:ROSEHIPS的一个关键概念是通过图形表示对感兴趣的结构进行数学建模，然后在ROSEHIPS框架/数据库中搜索有数据的类似结构。例如，如果您想对一个箱梁桥(如Orwell桥)进行诊断，那么您将把这座桥表示为一个图，然后在ROSEHIPs框架中搜索与Orwell桥具有较高相似度的其他桥。假设你能找到一些，那么你就有可能利用其他桥的可用数据来推断奥威尔。同样的概念也适用于达特福德(斜拉索)和福斯(悬挂)。因此，ROSEHIPS框架的两个关键优势是:(i)它可以作为可用数据的家，(ii)它可以以系统的方式搜索，以允许分析师在决策支持方面找到与感兴趣的桥相关的桥。

更广泛地说，如果我们以吊桥为例;虽然这些都是引人注目的独立结构，通常有复杂的监测系统(例如部署在远东的大跨度桥梁，如青马桥和昂船洲桥)，但它们有共同的行为特征;例如，跨端节点和轴承的行为。这种可能性意味着在一个桥上相对稀疏的SHM仪器包可以利用在被监测人群的其他成员上观察到的行为来识别实际或潜在的异常。这种策略在较小的(不引人注目的)桥梁上效果更好，在这些桥梁上，高速公路运营商很难提出广泛监控的商业理由。

机器学习方法的基本应用将包括识别结构相似但有一些关键差异的地方——在这里，我们将开发基于物理的和迁移学习方法，使比较成为可能。

对于海上，ROSHIPS如何应用于像Hornsea One这样的开发项目，该项目有174个风力涡轮机?

ND:该项目介绍了有关海上风电场、风能性能和健康监测以及数据分析和处理的新思路。直到最近，业界和研究界试图解决监控和性能问题的方法主要是基于单个结构或组件。然而，可以肯定的是，由于损坏状态数据缺乏、标签缺失、操作和环境波动和/或计算成本，风力涡轮机的监测和性能分析在这方面仍然面临挑战。因此，基于人口的监测将带来能够解决其中一些挑战的方法的一步变化——从将整个风力发电场作为一个群体，到将世界各地的不同风力发电场作为更大的群体。

你想要什么样的传感器配置?

简森-巴顿:传感器配置并不是规定的，ROSEHIPS框架将接受在给定结构上收集到的任何传感器数据．对于大型电缆支撑的桥梁，仪器仪表趋向于相似，并经常与东南亚的经验相联系;这些结构倾向于使用加速度计来收集振动数据。对于较小规模的结构，如更常见的公路或铁路桥梁，收集的数据类型将更加多样化，但可能包括几种不同的形式:振动、声学、静态/倾斜等。

机器学习(ML)将如何应用于这个项目?

电子商务:到目前为止，很少有ML被有效地用于管理大型文件的例子原位民用基础设施和更少的(如果有的话)，结构类型的人口的例子。因此，问题是如何最有效地利用和开发机器学习(或特定类型，如迁移学习)，以管理大规模的民用基础设施。此外，机器学习/人工智能与物理学的结合可以提供一种非常新颖和强大的方法，这将在健康监测环境中实现信息性和健壮性的预测。

有些人会认为，研究将走到同质/异质的十字路口。ROSEHIPS会产生分歧，还是你会提出一个“一刀切”的解决方案?

ND:ROSEHIPS框架的一个关键优势是，无论感兴趣的结构是来自(1)相对同质的种群(例如，风电场的所有涡轮机都非常相似)还是(2)异质的种群(例如，公路桥的桥与公路沿线的其他桥不同);ROSEHIPS以同样的方式处理这两种情况。

不可否认，对于(1)ROSEHIPS将可能发现更多的相似结构，使其更容易找到与感兴趣的结构相关的数据/信息。然而，关键的是，对于更具挑战性的情况(2);随着框架中存储的结构数量的增长，它更有可能找到匹配。

在一个框架中容纳所有结构的能力是一个巨大的进步，因为它第一次提供了一种机制来整理所有可用的数据，然后最大限度地利用数据。

随着框架中数据的增长，它们的功能也会增长。在这方面，它与开源计算机视觉库有一些相似之处;随着可用数据的增加，模式识别方法的能力不断提高。同样，基础机器学习的发展为弥合不同结构之间的差距提供了关键技术。