基于AI技术，成功推断出桥梁内部的损伤程度

本技术介绍参考了以下链接
English

2018年02月27日

株式会社富士通研究所（注1）（以下简称，富士通研究所）发出一项传感器数据分析技术，通过安装在桥梁表面的传感器收集振动数据，利用富士通的AI技术“FUJITSU Human Centric AI Zinrai”，可以推断出桥梁内部的损伤程度。

开发背景

日本在经济高速增长时期建设的很多桥梁正在逐渐老化，维护和修理这些桥梁的工作随之迅速增加，高额的维修成本和技术人员不足等正逐渐成为社会问题。

而如果将ICT技术应用在桥梁等社会基础设施的维护管理工作中，则有望解决这些问题。

课题

对桥梁的检查工作主要是通过目测桥梁结构的损坏情况来完成的。但仅凭目测的信息，我们只能捕捉到结构表面出现的异常，却无法掌握内部损伤程度的相关信息。

近年来，为了促进ICT技术在检查工作中的应用，研发人员正试图通过在桥面板（注2）表面安装传感器，利用振动数据来评价损伤程度，但目前使用的方法都无法准确掌握桥面板内部的损坏程度。

开发的技术

此次，我们开发出一项检测技术（图1），通过扩展富士通研究所独创的AI技术--针对时间序列数据的Deep Learning 技术（注3），从变化激烈的复杂时间序列振动数据（由安装在IoT设备等的传感器获取）中提取几何特征并进行学习，以此量化结构、设备等的异常程度（表示与状态正常值的差）和变化程度（表示状态的突变），来检测异常发生及特征变化。利用该技术，可以对各种社会基础设施和设备的故障及老化状态进行推断和验证。

此次，我们将这项技术应用到监测系统技术研究协会（注4）（英文名：Research Association for Infrastructure Monitoring System，以下简称，RAIMS）实施的桥梁疲劳老化验证实验（注5）的数据中，并进行了验证。

图1 基于该技术的振动数据分析

验证实验结果

富士通研究所将此次开发的技术应用到RAIMS加速测试（车轮负载行走测试）中取得的振动数据中，结果显示，基于该技术从振动数据中提取的几何特征，在桥梁未受损状态下会聚集在一起，而当桥梁发生内部损伤时，形状则会发生变化（图2）。另外，我们又将几何特征转换成数值，计算出异常程度和变化程度，该结果与埋在桥面板内部的应变传感器测量的结果相一致，验证了该技术的有效性。

图2 验证实验结果

效果

从安装在桥面一处的加速度传感器数据分析结果来看，利用该技术，可以对大范围的桥梁内部损伤程度进行推断（注6）。另外，由于该技术可检测到桥梁内部是否发生了变形，因此可以在早期推断出损伤，有助于在桥梁早期损伤时采取对策。今后基于反复的验证实验，预计可以通过安装在桥梁表面的传感器远程准确地判断桥梁内部的损伤程度，从而使桥梁的维护和管理工作更加精细化。

今后

将利用实际桥梁的振动数据进行反复验证，目标于2018年向社会实施安装。

注释

 注1 株式会社富士通研究所：

社长 佐佐木 繁
总公司所在地 日本神奈川县川崎市

 注2桥面板：

将从桥上经过车辆的重量传到桥主梁或桥墩的承重结构。

 注3 针对时间序列数据的Deep Learning技术：

富士通研究所自主研发的技术，采用一种称为拓扑数据分析的分析方法，对时间序列数据能够进行准确分析。

 注4 监测系统技术研究协会：

理事长 依田 照彦
总公司所在地 日本东京都千代田区
为了尽早实现监测技术的实际应用，由14家企业和法人参与的组织，作为协会成员的富士通也正在积极开展研发工作。

 注5桥梁疲劳老化验证实验：

该验证实验是由RAIMS实施的研究，它作为内阁府“SIP基础设施维护/更新/管理技术”的一个环节，属于国土交通省实施的“关于促进利用社会基础设施监测技术的研究与开发”委托研究项目的成果。
“RAIMS实施的验证实验概要”
目的：监测桥梁疲劳老化的技术研究
实施时间：2015年7月—8月
实施内容：采用负载设备（车轮负载行走测试机）和实物大小桥面板，加速模拟重现桥面板疲劳老化过程的测试。测试时，将应变传感器等嵌入实物大小桥面板内。另外，安装在桥面的加速度传感器负责收集要分析的振动数据。
实施地点：日本国立大学法人山口大学

 注6 损伤程度推断：

在加速测试中，技术人员根据国土交通省的“桥梁定期检修要领”，通过目测判断实验桥面板的损伤程度，并将结果与AI分析的结果相关联进行推断。