大贝尔特通道，连接丹麦的菲英岛和新西兰，由6.8公里长的东桥和6.6公里长的西桥组成，并通过斯普罗岛上3公里长的高速公路相互连接。桥梁为四车道高速公路，并设有应急车道。东桥的上部结构是一个空气动力学外形的全焊封闭钢箱梁。桥塔之间的距离为1624米，因此大贝尔特桥也成为世界第三大悬索桥。西桥的上部结构则为钢筋混凝土，由桥墩之间的110米悬臂箱梁组成。该桥于1998年通车。如今，每天约有3.5万辆汽车通行，一天内高峰期的交通量可达到5万辆。
2018年，大贝尔特桥通车20周年，桥梁状况仍旧良好。即便如此，纵然桥龄尚轻，但其许多系统的运维仍然是首要任务。因此，Sund＆Blt公司开始寻求技术上的飞跃，以保持大贝尔特桥的运营效率。通过在难以进入的地方采用检测技术，包括使用无人机等，将运营数字化。此外，Sund＆Blt正在布设传感器技术，以在无须人工检查的情况下，更好地监控桥梁的健康状况。
图1 大贝尔特通道
数据和桥梁资产管理系统
Sund＆Blt公司通过资产管理（AM）系统，处理从检查和检测中获取的大量数据。目的是使整个维护系统由数据驱动，可以精准地预测维护需求，从而以更低的成本完成更高效的操作。在与外部技术合作伙伴及其他专家的合作下，大贝尔特桥将作为Sund＆Blt公司未来技术飞跃的平台，与全球的桥梁所有者和运营商分享相关的知识和经验。
大贝尔特桥每年的运营成本超过4亿丹麦克朗，因此，桥梁维护是年度预算中的一个重要部分。Sund＆Blt公司通过引入新技术，优化维护流程，确定了潜在的财政开支节省方案。该桥的预计使用寿命超过100年。然而，随着新的维护技术的出现，预计在未来150年内，大贝尔特桥将继续保持良好状态，造福于丹麦人民和欧洲其他国家。
数字化桥梁资产管理系统Maximo是一个基于网络的程序，包含运维活动规划、执行、报告所需的所有信息，即时间、资源和技术信息。维护活动的结果会登记到Maximo系统中，可用于优化运维工作。该核心系统包含四个模块：工作指令管理（补救、紧急和预见性维护和改进）；备件管理（关键和非关键）；预见性维护计划（协调和优化）；位置/资产（层次结构）。此外，该核心系统还包含建筑信息模型（BIM）集成系统，并且会用到移动设备。
系统可以通过模块访问数据，从而访问物联网（IoT）数据、机器人和无人机的照片数据。相关数据也可以使用Watson人工智能系统进行分析。
将从传感器和系统中收集的大量数据，运用到施工监测系统、监测控制和数据采集（SCADA）系统中。此外，数据也存储在数据存储库中，并可用于Maximo维护系统，目的是将测量结果与其他类型的信息相结合，通过数字双胞胎模拟，监测各个资产的健康状况以及桥梁本身的健康状况。
Maximo系统存储线性信息的能力，是能够测量道路和轨道等结构的整体健康状况。每次更换道路或轨道零部件进行维修时，或整体更换零部件时，类型、寿命、成本、材料、地理位置方面的相关信息，以及整个结构的健康状况，都需要更新。
AI检测混凝土结构损伤
桥梁表面（包括外部和内部零部件）的检查是每年最耗成本的维护项目之一。对于大型桥梁，桥梁表面积广，检查则是一项巨大的任务。混凝土或钢结构表面检查通过使用平台、架设脚手架或通过穿戴特殊钢索的检查员来完成。
2017年10月，首次测试了使用无人机技术进行混凝土表面检查。此次测试在一个地锚结构上进行。通过正确的设置，使用无人机进行结构检查可以在短时间内获取数千张图像和视频片段。获取的所有数据均是参照地理坐标和有时间标记的数据。这意味着，数据可以直接导入并做进一步处理。
图2 具有数据链接的Maximo系统和Watson AI
一个3D模型中拼接了约9000张照片，然后使用COWI的多视图系统，将检查过程传送到办公室进行虚拟检查。该系统节省了大量的时间。因为不需要使用维护平台，人们在办公室就可以对所有表面进行检查。
图3 绳索人工检查
图4 平台人工检查
当然，这也是一项重大任务，因此，接下来的一步显然就是利用机器学习。为此，Sund＆Blt公司与微软合作开展了一项新的人工智能项目。所有图像都将通过专门开发的算法进行分析，检测锈蚀、裂缝等损伤情况。该项目尚未完成，但可行项目（MVP）现已启动并运行。
图5 虚拟检测
图6 损伤分组
通过无人机检查获得的所有图像将存储在Azure数据库中，并按检查组分类（例如，一般检查地锚）。使用该算法对图像进行后处理，将生成受损区域（锈蚀、裂缝等）的图像列表。例如，需要引起注意的图像，将从大约9000个减少到200个。此外，由于图像有地理标记，因此我们能够知道结构中不同类型的损伤所在的位置。将损伤分为若干组，如图6所示。检查员可以对每个损伤加以必要的注释（修理、持续观察等），如图7所示。所有类型的损伤都可以在excel文件或csv文件中显示，以便导入Maximo资产管理系统，并启动修复工作。
图7 用户界面
以前需要数周才能完成的传统检查可以缩短到几天。但是，如果发现特殊损伤，必须让检查员到现场进行进一步检查。此外，在其他资产上应用人工智能，例如IBM Watson已经经过测试，并使用人工智能分析若干不同的资产，如排水泵、地面沉降测量等。
人工智能也可用于其他类型的检查，例如，检查钢表面、吊索、主缆索、路面等。未来将看到人工智能的更多身影。
基于云的数字双胞胎
Sund＆Blt公司创建了一个系统，在该系统中，建筑信息模型中的对象与资产管理系统中的资产和层次结构相关。在资产管理系统中打开资产的建筑信息模型，并且能够访问3D建筑信息模型中的维护数据。这种相关性便于使用建筑信息模型并为资产分配不同的数据，在模型中进行模拟，以及以不同方式访问数据。目前正在测试与地理信息系统、监测控制和数据收集系统的信息，以及传感器和其他类型数据（例如检查图像）之间的集成。工程师以及参与桥梁特定资产相关工作的维护团队，可以获得不同类型的数据。
向数字化资产模型转变，可以通过对比数字双胞胎中的预期行为，更好地了解资产的实时行为。测试数字双胞胎模型的第一阶段，包括测试某一个地锚上的偏移。对混凝土的预期氯离子渗透性进行建模，并将模型与内置传感器和混凝土表面图像的数据相结合。
一般而言，预测何时以及如何进行维护的能力，与数字双胞胎模型的不断改进，以及对因果关系的理解密切相关。建筑信息模型与资产管理系统相结合，可以将所有测量数据和传感器数据关联到桥梁的数字双胞胎模型。
当前，正在研究结合了增强现实（AR）技术的模型应用，这样有助于访问指令和可视化维护程序，以及使用虚拟现实（VR）技术在不封闭交通的情况下进行维护。增强现实和虚拟现实技术还可以用于培训设施维护人员。与新承包商的合作就是一个很好的例子，展示了增强现实和虚拟现实技术如何进入设施，如何利用工作指令定位资产和待检查资产，当需要员工或第三方进行安全培训时，从哪里可以获得高层次的关于某个部位的特定信息。
作为桥梁的所有者和运营商，可以看到使用数字双胞胎的巨大好处，因为它可以作为整个桥梁及其子系统和组件的可视化工具。基于实时传感器数据，获得桥梁各个零部件的现状图。如果来自桥梁和数字双胞胎的实时数据之间存在任何偏差，则可能意味着传感器无法正常工作且需要更换，或传感器正在监测的组件中存在错误。
预计人工智能和机器学习将在未来十年中发挥更大的作用。例如，在收集的大量数据训练的管理算法的形式。另外，数字双胞胎还必须能够模拟所执行不同措施的效果，并帮助人们预测针对特定组件的下一个维护步骤。最后，如果在一个公共“数据湖”中共享所有数据，能够比较不同桥梁上的组件和结构元件。此外，大学可以在他们的研究中使用这些数据，供应商可以使用这些数据作进一步开发和质量保证。
目前数字双胞胎尚未完成，但已进展到一个比较不错的阶段，使用Maximo管理系统将所有桥梁资产以层次结构进行建模。
图8 Maximo系统中的BIM模型
未来的桥梁资产管理
如今，基础设施的所有者对数字化资产管理系统的需求与日俱增。因此，许多供应商都在不断开发新的系统。随着大数据分析和人工智能的使用机会不断增加，以及收集和存储数据的成本不断下降，在桥梁资产的更具预见性的维护方式也在不断改进。这将使资产的使用效率更高、维护条件更佳且使用寿命更长。
未来，人们将看到许多新的数据源，包括物联网、机器人和无人机，以及更好的分析和学习数据的方法。
通过机器人执行桥梁资产维护工作，将降低维护成本。桥梁资产模型，即建筑信息模型/地理信息系统正在改进，可用于模拟对桥梁产生的不同物理影响，包括交通、风力、温度、降水等。这将使我们更好地了解桥梁状况和进行更具预见性的桥梁维护工作。
最后，计算机的认知学习将使人们能够对大量标准运维任务进行数字化和自动化，并更加频繁地执行运维任务。
作者 / Lars Fuhr Pedersen Jens Peter Brorsen Finn Bormlund
作者单位 / Sund & Baelt控股有限公司
,
