Обработка данных в мониторинге технического состояния конструкций: алгоритмы фильтрации шумов и прогнозирования

Проблема «грязных данных» в современных системах мониторинга 

Переход от периодических геодезических обследований к непрерывному мониторингу технического состояния конструкций породил новую инженерную парадигму. Современные системы, оснащенные сотнями высокочастотных датчиков (акселерометров, тензометров, инклинометров), генерируют терабайты сырых данных ежемесячно. Однако сама по себе эта информация бесполезна, а зачастую и вредна: без интеллектуальной обработки данных поток сырых сигналов превращается в «информационный шум», приводящий к ложным тревогам или, что хуже, к пропуску реальных структурных аномалий. 

Ключевой вызов современной инженерии заключается не в сборе данных, а в их интерпретации. Как отличить безопасное тепловое расширение бетонной плиты от начала процесса ее разрушения? Как выделить микротрещину в металлоконструкции на фоне вибраций от проходящего грузового поезда или порывов ветра? 

Именно для решения этих задач в экосистеме ГК «Иксперт» разработан аналитический модуль АСДКиМ.Интеллект. В данной статье мы проведем глубокий технический разбор алгоритмов цифровой фильтрации и методов машинного обучения, которые позволяют системе отделять эксплуатационные шумы от реальных дефектов, обеспечивая высочайшую достоверность прогнозов. 

Природа шумов и эксплуатационных нагрузок в СМИК 

Для построения эффективных алгоритмов фильтрации необходимо четко классифицировать источники сигналов, поступающих с датчиков. В мониторинге технического состояния конструкций данные можно разделить на три категории:

1. Детерминированные эксплуатационные нагрузки (Нормальный шум):
• Температурные деформации: Суточные и сезонные циклы расширения и сжатия материалов. Это предсказуемый, низкочастотный сигнал.
• Ветровые нагрузки: Вихревое возбуждение (vortex shedding) высотных зданий или мостов. Создает квазипериодические колебания.
• Транспортные вибрации: Высокочастотные, кратковременные импульсы от движения транспорта по мосту или рядом со зданием.
2. Случайные шумы измерительной системы:
• Электромагнитные наводки, тепловой шум электронных компонентов датчиков, квантование сигнала при аналого-цифровом преобразовании (АЦП).
3. Структурные аномалии (Целевые сигналы):
• Внезапные изменения жесткости (трещины, разрывы арматуры), необратимые осадки фундамента, усталостные деформации. Эти сигналы часто имеют низкую амплитуду и маскируются первыми двумя категориями. 

Традиционные системы, использующие простую пороговую логику (если значение > X, то тревога), неизбежно генерируют сотни ложноположительных срабатываний при сильном ветре или перепадах температур. АСДКиМ.Интеллект решает эту проблему за счет многоуровневой математической обработки. 

Архитектура конвейера обработки данных 

Эффективная фильтрация невозможна на одном уровне. Архитектура платформы построена по принципу распределенной обработки, чтобы минимизировать нагрузку на каналы связи и центральные серверы 

1. Уровень Edge (Первичная фильтрация на шлюзе): Промышленные контроллеры на объекте выполняют базовую очистку сигнала в реальном времени. Применяются скользящие средние (Moving Average) и медианные фильтры для отсечения высокочастотных импульсных помех (например, от разрядов статического электричества). Это снижает объем передаваемых данных на 60–70% без потери информативности.

2.  Уровень МИП Xpert (Нормализация и синхронизация): Интеграционная платформа приводит разнородные данные к единой временной шкале с точностью до миллисекунд (с использованием протоколов NTP/PTP). Это критически важно для корреляционного анализа: чтобы понять, вызвана ли деформация в точке А вибрацией в точке Б, их временные метки должны быть идеально синхронизированы. 

3. Уровень АСДКиМ.Интеллект (Глубокая аналитика и ML): Здесь применяются ресурсоемкие алгоритмы спектрального анализа и нейросетевые модели, которые строят «цифровой двойник» поведения конструкции и выявляют скрытые паттерны деградации. 

Математический аппарат: цифровые фильтры и спектральный анализ 

Ядром системы обработки сигналов в АСДКиМ.Интеллект является комбинация классических методов цифровой обработки сигналов (ЦОС) и современной вычислительной математики. 

Фильтр Калмана (Kalman Filter) 

Это рекурсивный алгоритм оптимальной оценки состояния динамической системы по серии зашумленных измерений. В контексте мониторинга конструкций фильтр Калмана используется для разделения медленных, кумулятивных процессов (например, ползучесть бетона или осадка грунта) и быстрых, обратимых колебаний (ветер). Алгоритм предсказывает следующее состояние конструкции на основе физической модели, а затем корректирует это предсказание с учетом реальных показаний датчиков, эффективно «вычитая» шум. 

Быстрое преобразование Фурье (БПФ / FFT) и Вейвлет-анализ 

Для вибромониторинга критически важно перейти из временной области в частотную.

• БПФ позволяет разложить сложный сигнал вибрации на составляющие частоты. Любое структурное повреждение (трещина, ослабление узла) меняет собственные частоты колебаний конструкции. Система непрерывно отслеживает спектральные пики и сигнализирует о сдвиге резонансных частот.
• Вейвлет-преобразование используется для анализа нестационарных сигналов. В отличие от БПФ, вейвлеты позволяют локализовать кратковременные аномалии (например, звук зарождающейся трещины или удар) как во времени, так и в частоте, что делает их идеальными для акустической эмиссии и мониторинга усталости металлов 

Машинное обучение: от реактивного контроля к предиктивному 

Современный мониторинг технического состояния конструкций немыслим без алгоритмов машинного обучения (ML). АСДКиМ.Интеллект использует подход, основанный на обучении без учителя (Unsupervised Learning), что особенно ценно, так как размеченных данных об авариях исторически мало. 

Автокодировщики для обнаружения аномалий 

Нейронная сеть обучается на исторических данных, собранных в период нормальной эксплуатации объекта. Она учится сжимать (кодировать) нормальные паттерны поведения (например, зависимость прогиба моста от температуры и нагрузки) и восстанавливать (декодировать) их. Когда на объект воздействует новый, нехарактерный фактор (например, начало коррозии, снижающее жесткость), автокодировщик не может точно восстановить сигнал. Разница между реальным сигналом и восстановленным (ошибка реконструкции) резко возрастает. Если эта ошибка превышает статистически обоснованный порог, система генерирует предупреждение уровня К2, указывая на потенциальную структурную аномалию, еще до того, как абсолютные значения деформаций достигнут критических отметок 

Изолирующий лес (Isolation Forest)

Этот алгоритм используется для многомерного анализа. Он одновременно оценивает данные с десятков датчиков (температура, деформация, влажность, вибрация). Если комбинация параметров выходит за пределы многомерного «облака» нормальной работы, алгоритм изолирует эту точку данных как аномалию. Это позволяет выявлять комплексные проблемы, которые не видны при анализе каждого датчика по отдельности 

Технические характеристики и нормативная база 

Реализация описанных алгоритмов в АСДКиМ.Интеллект строго соответствует требованиям отечественных и международных стандартов, что гарантирует юридическую и техническую состоятельность результатов обработки данных: 

• ГОСТ 31937-2011 «Здания и сооружения. Правила обследования и мониторинга технического состояния». Регламентирует необходимость инструментального контроля и оценки фактических характеристик.
• ГОСТ Р 22.1.12-2005 «Структурированная система мониторинга и управления инженерными системами зданий и сооружений». Определяет требования к достоверности и непрерывности сбора данных.
• ISO 18649:2004 «Mechanical vibration — Evaluation of measurement results from dynamic tests and investigations of bridges». Международный стандарт, описывающий методы спектрального анализа для оценки динамических характеристик мостов.
• ГОСТ Р 8.688-2009 «Государственная система обеспечения единства измерений. Алгоритмы цифровой обработки сигналов». 

Все алгоритмы в платформе прошли верификацию на референсных наборах данных, а точность прогнозирования остаточного ресурса конструкций подтверждена независимыми метрологическими экспертизами. 

Экономический эффект и снижение рисков 

Внедрение интеллектуальной обработки данных в системах мониторинга напрямую влияет на финансовые показатели эксплуатации объекта:

1. Ликвидация «штрафных» простоев из-за ложных тревог: Традиционные системы могут инициировать остановку движения по мосту или эвакуацию из здания при сильном, но безопасном ветре. Алгоритмы фильтрации АСДКиМ.Интеллект снижают количество ложноположительных срабатываний на 95%, сохраняя непрерывность бизнес-процессов.
2. Оптимизация затрат на ТОиР (Техническое обслуживание и ремонт): Переход от календарного обслуживания к обслуживанию по фактическому состоянию. Инспекции назначаются не «раз в год», а только тогда, когда ML-модель фиксирует деградацию параметров. Это снижает операционные расходы на обследования до 40%.
3. Предотвращение катастрофических отказов: Раннее выявление усталостных трещин или крена фундамента за месяцы до их визуального проявления позволяет провести точечный ремонт стоимостью в сотни тысяч рублей, избежав капитального восстановления или обрушения, оцениваемого в сотни миллионов. 

Кейс: Фильтрация ветровых нагрузок и выявление скрытых дефектов на высотном здании 

Объект: 42-этажный административный комплекс в приморском городе (зона ветровых нагрузок и высокой сейсмичности). Проблема: При сильных штормовых ветрах традиционная система мониторинга фиксировала превышение допустимых значений крена на верхних этажах, генерируя тревоги уровня К3. Это требовало экстренного выезда комиссии и создавало репутационные риски. При этом реального угрозы обрушения не было. 

Решение на базе АСДКиМ.Интеллект: 

1. Был внедрен фильтр Калмана, настроенный на динамическую модель здания. Алгоритм научился «вычитать» расчетную упругую деформацию от ветровой нагрузки из показаний инклинометров.
2. Параллельно запущен модуль спектрального анализа (БПФ) для непрерывного мониторинга первой собственной частоты колебаний здания.
3. Через 4 месяца эксплуатации, в безветренный день, автокодировщик зафиксировал стойкую аномалию: незначительное, но систематическое снижение первой собственной частоты колебаний (на 1.8%) при неизменной температуре. 

Результат: Система сгенерировала целевое предупреждение К2. Внеплановое обследование, инициированное этим сигналом, выявило усталостную трещину в одном из узлов связи диафрагмы жесткости на 28-м этаже, скрытую под облицовкой. 

Экономический эффект: Локальный ремонт узла обошелся в 450 тыс. руб. и был выполнен за 2 дня. Потенциальный ущерб от развития трещины и последующего капитального ремонта оценивался экспертами более чем в 35 млн руб. Система доказала свою окупаемость в первый же год. 

Конверсионные элементы и следующие шаги 

Понимание математических основ работы системы — первый шаг к построению надежной инфраструктуры мониторинга. 

Эксклюзивный материал для инженеров и технических директоров:

Скачать Whitepaper: «Математические модели и алгоритмы предиктивной аналитики в СМИК» (PDF, 2.4 МБ)

В документе подробно разобраны формулы фильтрации, архитектура нейросетей и примеры кода интеграции.

 

Готовы перевести мониторинг вашего объекта на интеллектуальный уровень? 

• Заказать аудит существующей системы сбора данных на предмет возможности внедрения ML-алгоритмов 
• Получить демо-доступ к аналитическому модулю АСДКиМ.Интеллект для оценки качества фильтрации на ваших исторических данных.
• Рассчитать стоимость модернизации системы под задачи предиктивного обслуживания. 

+7 (495) 532-52-62

info@ikspert.ru 

Оставить заявку на технический аудит

 

Читайте также на ikspert.ru: 

Архитектура системы мониторинга инженерных конструкций: от датчиков до платформы АСДКиМ.Интеллект (Глубокий разбор уровней Edge, МИП Xpert и облачной аналитики)

Интеграция СК ПБ с корпоративными системами: SAP, 1С, MES, EAM (Как данные о техническом состоянии превращаются в заявки на ремонт)

Протоколы передачи данных в системах мониторинга: Modbus, OPC UA, MQTT (Обеспечение целостности данных при обрывах связи)

 

Решение для вашей отрасли:

·       Мониторинг конструкций высотных зданий и небоскребов (Специфика борьбы с ветровыми и сейсмическими нагрузками)

·       Мониторинг конструкций мостов и путепроводов (Контроль усталости металла и вибраций от транспортного потока)