CN102938068B - 桥梁结构多体系损伤识别方法 - Google Patents
桥梁结构多体系损伤识别方法 Download PDFInfo
- Publication number
- CN102938068B CN102938068B CN201210017056.9A CN201210017056A CN102938068B CN 102938068 B CN102938068 B CN 102938068B CN 201210017056 A CN201210017056 A CN 201210017056A CN 102938068 B CN102938068 B CN 102938068B
- Authority
- CN
- China
- Prior art keywords
- damage
- identification
- entropy weight
- destructive tests
- pattern recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种桥梁结构多体系损伤识别方法,该方法的具体内容为:基于模式识别的损伤识别、基于***识别的损伤识别、基于人工巡检的局部损伤识别及基于熵权的损伤状态的融合。本发明提出联合采用模式识别和***辨识两种方法体系进行损伤识别,并引入熵权对识别结果进行整合,得到整体损伤信息,再结合人工巡检得到的结构局部损伤信息,对结构给予较为全面准确可靠的损伤识别结果。适用于结构健康监测损伤识别技术领域。
Description
技术领域
本发明属于结构健康监测损伤识别技术领域,涉及一种桥梁结构多体系损伤识别方法,尤其涉及一种基于熵权的多体系损伤识别方法。
背景技术
结构损伤识别问题是一个测量信息不完备、难度和复杂度都很大、费时费力的问题。但是,准确及时的损伤识别对防止恶性事故的发生、提高结构的可靠性和耐久性具有重要的现实意义。
目前损伤识别正处于研究阶段,各种理论与方法正日新月异地发展。主要的识别方法按照有无反演可分为有反演的优化识别方法和无反演的现代模式识别方法。
有反演的优化识别是将损伤识别问题看成一种***识别的反问题,采用优化算法进行求解。优点是思路清晰,易于理解和接受,缺点是最优化方法与有限元方法耦合在一起,相互之间不断地调用,增加了识别问题的复杂性,且容易使结果陷入局部极小值而变得不可靠。
无反演的现代模式识别方法是多学科领域的交叉,涉及统计学、模糊集论、工程学、人工智能、计算机科学等,采用模式识别的方法进行结构损伤识别研究。与优化识别相比,模式识别的优点是将结构有限元计算与模式识别两个计算过程分开,使其互不干涉,降低了识别难度,同时便于利用现有的结构计算理论分析损伤识别问题。缺点是由于模式识别过程较多,计算结果受计算规模、样本的选取,分类器的选择等众多因素的影响而可能变得不稳定。
现有的结构损伤识别,都是采用某一种方法进行,但由于结构的损伤识别问题属于较为复杂的反问题,不适定性是其本质属性,极易发生误判。因此,采用将多种方法结合起来识别结构的损伤具有很强的发展趋势,这样可以克服各自方法的缺点并相互检查,与损伤识别的复杂性相适应。
按照信息熵思想,从***获得信息多少和“质量”,是评估精度和可靠性的决定因素。所以在损伤识别结果融合时,若能从熵入手,通过分析各类指标的熵值,便可确定其对结构损伤的相对重要程度,从而确定权重-即熵权。进而对结果作出客观评价。
发明内容
为了克服现有技术中存在的以上缺陷,本发明提供一种桥梁结构多体系损伤识别方法,该方法解决的技术问题是如何对现有的各种损伤识别方法综合使用以获得最佳的损伤识别效果。基于方法优势互补的原则,本发明提出联合采用模式识别和***辨识两种方法体系进行损伤识别,并引入熵权对识别结果进行整合,得到整体损伤信息,再结合人工巡检得到的结构局部损伤信息,对结构给予较为全面准确可靠的损伤识别结果。
技术方案为:
一种桥梁结构多体系损伤识别方法,该方法的内容包括:基于模式识别的损伤识别、基于***识别的损伤识别、基于人工巡检的局部损伤识别及基于熵权的损伤状态的融合。
基于模式识别的结构损伤识别的关键在于损伤敏感指标的提取及面向损伤识别的分类器(神经网络或支持向量机等)的建立。其基本步骤为,首先对结构的可能损伤状态进行分析,对于每种可能的结构损伤状态基于概率参数结构基准模型进行有限元分析,从中提取结构损伤状态的敏感指标,确定分类器,并对样本进行大量训练,完成样本训练后,使用训练后的分类器,进行模式识别。
基于反演优化的损伤识别以较为成熟的***辨识理论为基础,将结构的损伤识别问题转化为最优化问题进行求解。
引入熵权对识别结果进行整合,得到整体损伤信息,再结合人工巡检得到的结构局部损伤信息,对结构给予较为全面准确可靠的损伤识别结果。
本发明的有益效果:
(1)本发明采用损伤识别方法的融合。基于熵权,将有反演的***识别与无反演的模式识别的整体损伤结果进行信息融合,获得更为可靠的结构整体损伤信息。
(2)本发明所述方法损伤识别与人工巡检信息的结合。通过人工巡检,得到结构局部损伤;将结构局部损伤与结构整体损伤识别的信息进行融合。
(3)通过本发明的方法,可获得可靠性高,更符合损伤识别不适定性的识别结果。
附图说明
图1为本发明桥梁结构多体系损伤识别方法的流程图。
具体实施方式
下面结合附图和本发明实施例作进一步详细地说明。
本发明提供的损伤识别方法分别采用反演分析方法和模式识别方法进行损伤识别,同时要进行人工巡检。
人工巡检如图1,是对实时监测有问题数据进行包括构件检查和外观检查在内的详细检查,通过该方法进一步确定结构局部性损伤。
反演优化如图1,是根据实时监测得到的数据作为初始变量,通过有限元计算和优化算法(现有优化算法的任何一种)最后是得有限元计算和实时监测到的数据差值在允许误差范围内,进而进行损伤识别。
模式识别如图1,首先对结构的可能损伤状态进行分析,对于每种可能的结构损伤状态基于概率参数结构基准模型进行有限元分析,从中提取结构损伤状态的敏感指标,形成样本库,然后确定分类器(可以是现有分类器的任何一种,如人工神经网络或支持向量机),并对样本进行大量训练,完成样本训练后,使用训练后的分类器,进行损伤识别。
然后计算模式识别和优化识别的损伤结果的熵权,再对熵权值进行比较,若有m个评价指标,n个评价***。首先,构造指标水平矩阵,并将其标准化:
按熵权公式可以算出各指标熵权
其中:
求方案集映射距离:
一般情况下,取p=1,注重偏差总和:
或取P=2,注重个别偏差较大者:
这样便可以按照L由小到大对各评价***进行排序,判断其优劣,距离小者更接近要求。
最后再将人工巡检的信息与整体损伤的结果进行对比,融合,得到最终的结构损伤信息。
以上所述,仅为本发明所述方法较佳的实施方式。本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (2)
1.一种桥梁结构多体系损伤识别方法,其特征在于,具体内容包括:
基于模式识别的损伤识别、基于***识别的损伤识别、基于人工巡检的局部损伤识别及基于熵权的损伤状态的融合;
首先对结构的可能损伤状态进行分析,对于每种可能的结构损伤状态基于概率参数结构基准模型进行有限元分析,从中提取结构损伤状态的敏感指标,形成样本库,确定分类器,并对样本进行大量训练,完成样本训练后,使用训练后的分类器,进行模式识别;
然后计算模式识别和优化识别的损伤结果的熵权,再对熵权值进行比较,若有m个评价指标,n个评价***;首先,构造指标水平矩阵,并将其标准化:
按熵权公式可以算出各指标熵权
其中:
求方案集映射距离:
取p=1,注重偏差总和:
或取P=2,注重个别偏差较大者:
这样便可以按照L由小到大对各评价***进行排序,判断其优劣,距离小者更接近要求;
最后再将人工巡检的信息与整体损伤的结果进行对比,融合,得到最终的结构损伤信息。
2.根据权利要求1所述的桥梁结构多体系损伤识别方法,其特征在于,基于熵权的损伤状态的融合,联合采用模式识别和***辨识两种方法体系进行损伤识别,并引入熵权对识别结果进行整合,得到整体损伤信息,再结合人工巡检得到的结构局部损伤信息,对结构给予损伤识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210017056.9A CN102938068B (zh) | 2012-01-19 | 2012-01-19 | 桥梁结构多体系损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210017056.9A CN102938068B (zh) | 2012-01-19 | 2012-01-19 | 桥梁结构多体系损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102938068A CN102938068A (zh) | 2013-02-20 |
CN102938068B true CN102938068B (zh) | 2017-02-22 |
Family
ID=47696963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210017056.9A Expired - Fee Related CN102938068B (zh) | 2012-01-19 | 2012-01-19 | 桥梁结构多体系损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102938068B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104122109B (zh) * | 2014-08-01 | 2016-12-07 | 山西省交通科学研究院 | 一种识别桥梁结构刚度损伤的*** |
CN105160359B (zh) * | 2015-09-17 | 2018-09-14 | 华南理工大学 | 一种基于超声导波的复杂结构损伤协同识别方法 |
CN107543581A (zh) * | 2017-08-09 | 2018-01-05 | 国网山东省电力公司经济技术研究院 | 多功能变电构架健康监测和损伤识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281116A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤检测*** |
CN102052935A (zh) * | 2010-11-09 | 2011-05-11 | 石家庄铁道大学 | 基于损伤识别的独塔斜拉桥模型试验*** |
-
2012
- 2012-01-19 CN CN201210017056.9A patent/CN102938068B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281116A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤检测*** |
CN102052935A (zh) * | 2010-11-09 | 2011-05-11 | 石家庄铁道大学 | 基于损伤识别的独塔斜拉桥模型试验*** |
Also Published As
Publication number | Publication date |
---|---|
CN102938068A (zh) | 2013-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件***损伤检测方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
CN104665849B (zh) | 一种基于多生理信号多模型交互的高铁调度员应激检测方法 | |
CN103942457B (zh) | 基于关联向量机回归的水质参数时间序列预测方法 | |
CN108257114A (zh) | 一种基于深度学习的输电设备缺陷自动识别方法 | |
CN105279365A (zh) | 用于学习异常检测的样本的方法 | |
CN106874693A (zh) | 一种医疗大数据分析处理***及方法 | |
CN107871161A (zh) | 一种基于神经网络的桥梁整体损伤预警方法 | |
CN109117380A (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
CN107203467A (zh) | 一种分布式环境下监督学习算法的基准测试方法和装置 | |
CN103675525A (zh) | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 | |
CN109543303A (zh) | 一种基于类柔度差曲率和频率摄动的结构损伤识别的方法 | |
CN107767191A (zh) | 一种基于医药大数据预测药品销售趋势的方法 | |
CN109345101A (zh) | 基于综合评价分析法的教育质量评价分析方法 | |
CN104880217B (zh) | 一种基于测量值关联度的故障传感器信息重构方法 | |
CN106548206A (zh) | 基于最小生成树的多模态磁共振影像数据分类方法 | |
CN106123771A (zh) | 基于激光位移传感器的轮对尺寸测量结果可信度的区间模糊评判方法 | |
WO2021179514A1 (zh) | 一种基于人工智能的新型冠状病毒患者病况分类*** | |
CN105629958A (zh) | 一种基于子时段mpca-svm的间歇过程故障诊断方法 | |
CN107152995B (zh) | 一种汽车碰撞试验中试验重复性的量化评价方法 | |
CN111626372B (zh) | 一种线上教学监督管理方法及*** | |
CN110046379A (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
CN101738998A (zh) | 一种基于局部判别分析的工业过程监测***及方法 | |
CN105678423A (zh) | 基于定量结构模型的故障诊断***传感器优化配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170222 Termination date: 20190119 |
|
CF01 | Termination of patent right due to non-payment of annual fee |