CN110688963A - 基于聚类算法的大跨度桥梁涡激振动自动识别方法 - Google Patents

基于聚类算法的大跨度桥梁涡激振动自动识别方法 Download PDF

Info

Publication number
CN110688963A
CN110688963A CN201910939086.7A CN201910939086A CN110688963A CN 110688963 A CN110688963 A CN 110688963A CN 201910939086 A CN201910939086 A CN 201910939086A CN 110688963 A CN110688963 A CN 110688963A
Authority
CN
China
Prior art keywords
vortex
induced vibration
vibration
sample
acceleration
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.)
Pending
Application number
CN201910939086.7A
Other languages
English (en)
Inventor
黎善武
赖马树金
李惠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910939086.7A priority Critical patent/CN110688963A/zh
Publication of CN110688963A publication Critical patent/CN110688963A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种基于聚类算法的大跨度桥梁涡激振动识别方法，通过构建涡激振动识别特征空间，以主梁振动加速度时程数据为输入，经过特征提取和聚类分析，输出得到各振动样本类别，进而实现涡激振动样本的识别，最终通过连接时间相邻的样本实现完整涡激振动事件的识别。本发明针对大跨度桥梁涡激振动识别问题，构建了桥梁涡激振动识别特征空间，实现了对原型桥梁在复杂环境激励下振动的特征提取、涡激振动样本识别、涡激振动事件识别及结果展示的全过程自动化处理。本发明提高了大跨度桥梁涡激振动识别的自动化、智能化、准确性和鲁棒性，为土木工程桥梁涡激振动的自动识别提供了解决方案。

Description

基于聚类算法的大跨度桥梁涡激振动自动识别方法
技术领域
本发明涉及桥梁风工程领域，具体涉及一种基于聚类算法的大跨度桥梁涡激振动自动识别方法。
背景技术
随着我国国民经济和交通的快速发展，大跨度桥梁成为了桥梁工程的发展趋势。越来越多的大跨度桥梁在交通运输中发挥着至关重要的作用。桥梁跨度的增大使得结构柔性增大、固有频率降低，从而致使结构对风作用愈发敏感、涡激振动诱发风速降低，最终导致大跨度桥梁涡激振动的频发。由于颤振等发散性振动已在桥梁设计阶段绝对避免，涡激振动几乎成为了现代大跨度桥梁振幅最大的风致振动形式。大幅振动不仅造成桥梁结构疲劳损伤，而且还可能威胁行车安全。因此，对大跨度桥梁涡激振动的研究具有充分的必要性和紧迫性。
随着结构健康监测***的快速发展，以考虑足尺结构和真实环境为优势的原型监测，已成为了大跨度桥梁风致振动的重要研究方法之一。集成于结构健康监测***的主梁振动监测模块，通过长期在线监测，积累了海量的主梁振动数据，其中包含了车致振动、风致抖振、风致涡激振动等多种振动形式。为了研究涡激振动，从海量振动数据中自动、高效、准确的识别和提取桥梁涡激振动成为了研究的首要任务。
传统的原型桥梁涡激振动识别方法基本停留在全人工手动阶段：按时间逐一分段查看振动信号幅值；根据经验选取振幅较大的样本进一步分析振动信号频率特性；根据经验将振幅较大和频率成分比较单一的样本识别为涡激振动。显然，传统方法存在两大不足：(1)对于海量数据的处理需要大量时间；(2)识别过程缺乏有力依据，识别结果过于依赖个人经验而不稳定、不可靠。
发明内容
基于以上不足之处，本发明提供一种基于聚类算法的大跨度桥梁涡激振动自动识别方法，既可用于首次离线识别，也可以用于二次在线识别，提升了桥梁涡激振动识别的效率以及识别结果的稳定性和可靠性。
本发明所采用的技术步骤如下：一种基于聚类算法的大跨度桥梁涡激振动自动识别方法，步骤如下：
步骤一，主梁振动样本特征计算：以一段时间为基本时距，将长期监测的主梁振动加速度时程信号划分为若干该段时间内的样本；计算每个样本的加速度均方根值
Figure BDA0002222390560000011
作为表征主梁振幅大小的特征；计算每个样本的加速度功率谱，拾取功率谱中的前两大峰值，将第二大峰值与第一大峰值的比值R作为表征振动频率单一程度的特征；最终，每个振动样本由加速度均方根值
Figure BDA0002222390560000021
和加速度功率谱峰值比值R表征；
步骤二，基于聚类算法的涡激振动样本识别：将每个振动样本视为由加速度均方根值
Figure BDA0002222390560000022
和加速度功率谱峰值比值R张成的二维特征空间中的一个样本点，计算每两个样本点之间的距离dij，并以此计算每个样本点的局部密度ρi和自身距离δi，生成由局部密度ρi和自身距离δi为横纵坐标轴的决策图；决策图中自身距离δi异常大的点将自动被识别为簇心点，每个簇心点便代表一个簇类；按照局部密度ρi由大到小的顺序，依次将每个非簇心点分配到局部密度ρi更大且距其最近的样本点所在的簇类；回到振动特征空间，将加速度功率谱峰值比值R在0附近的簇类全部识别为涡激振动簇类，其中的样本为涡激振动样本；
步骤三，涡激振动事件识别：由于原型桥梁涡激振动事件的持续时间往往大于分析时距，可达几十分钟甚至数小时，在步骤二中识别出的涡激振动样本往往是某一次桥梁涡激振动事件中的一段，因此将在时间轴上连续的涡激振动样本拼接，形成完整的桥梁涡激振动事件。
本发明还具有如下技术特征：
1、在如上所述的步骤一中，加速度均方根值
Figure BDA0002222390560000023
和加速度功率谱峰值比值R的计算公式如下：
Figure BDA0002222390560000024
式中，
Figure BDA0002222390560000026
为主梁某截面的竖向加速度，N为以一段时间为基本时距内的采样数；p2和p1分别是加速度功率谱中第二和第一大峰值。
2、在如上所述的步骤二中，每两个样本点之间的距离dij、每个样本点的局部密度ρi和每个样本点的自身距离δi的计算公式下：
Figure BDA0002222390560000027
Figure BDA0002222390560000028
Figure BDA0002222390560000029
式中，dc为指定的截断距离，其大小取为全部距离dij从小到大排第10％的值；对于全部样本中局部密度最大的样本点，由于没有比它局部密度更大的样本点，其自身距离定义为：
本发明针对大跨度桥梁涡激振动识别问题，构建了桥梁涡激振动识别特征空间，实现了对原型桥梁在复杂环境激励下振动的特征提取、涡激振动样本识别、涡激振动事件识别及结果展示的全过程自动化处理。本方法便捷、准确，提升了桥梁涡激振动识别的效率以及识别结果的稳定性和可靠性。整个识别过程通过运行相应程序代码一次性完成，无需人为干预，实现了全自动化。此外，本发明还能满足桥梁涡激振动识别的在线预警和实时数据处理的要求，即通过事先离线识别的结果直接对实时监测振动样本进行分类，从而实现涡激振动的在线识别和数据处理。本发明提高了大跨度桥梁涡激振动识别的自动化、智能化、准确性和鲁棒性，为土木工程桥梁涡激振动的自动识别提供了解决方案。
附图说明
图1基于聚类算法的大跨度桥梁涡激振动识别流程图；
图2加速度功率谱峰值比值计算示意图；
图3聚类分析决策图；
图4识别出的桥梁涡激振动事件加速度时程图。
具体实施方式
下面结合说明书附图举例对本发明做进一步说明：
实施例1：
本实例在MATLAB环境下开发，可直接用于大跨度桥梁主梁竖向振动监测数据，识别精度高，速度快，成本低，既可用于首次离线识别，也可用于二次在线识别，提高了大跨度桥梁涡激振动识别的自动化、智能化、准确性和鲁棒性。
如图1所示，一种基于聚类算法的大跨度桥梁涡激振动识别流程如下：
第一步，主梁振动样本特征计算：以10分钟为基本时距，将长期监测的主梁振动加速度时程信号划分为若干10分钟样本；按照公式(1)计算每个样本的加速度均方根值
Figure BDA0002222390560000032
作为表征主梁振幅大小的特征；按照公式(2)计算每个样本的加速度功率谱，拾取功率谱中的前两大峰值，将第二大峰值与第一大峰值的比值R作为表征振动频率单一程度的特征，如图2所示；最终，每个振动样本由加速度均方根值
Figure BDA0002222390560000033
和加速度功率谱峰值比值R表征。
Figure BDA0002222390560000034
Figure BDA0002222390560000041
式中，
Figure BDA0002222390560000042
为主梁某截面的竖向加速度，N为以10分钟为基本时距内的采样数；p2和p1分别是加速度功率谱中第二和第一大峰值。
第二步，基于聚类算法的涡激振动样本识别：将每个振动样本视为由加速度均方根值
Figure BDA0002222390560000043
和加速度功率谱峰值比值R张成的二维特征空间中的一个样本点，按照公式(3)计算每两个样本点之间的距离dij，并以此按照公式(4)和公式(5)分别计算每个样本点的局部密度ρi和自身距离δi，生成由局部密度ρi和自身距离δi为横纵坐标轴的决策图，如图3所示；决策图中自身距离δi异常大的点将自动被识别为簇心点，每个簇心点便代表一个簇类；按照局部密度ρi由大到小的顺序，依次将每个非簇心点分配到局部密度ρi更大且距其最近的样本点所在的簇类；回到振动特征空间，将加速度功率谱峰值比值R在0附近的簇类全部识别为涡激振动簇类，其中的样本为涡激振动样本。
Figure BDA0002222390560000044
Figure BDA0002222390560000045
Figure BDA0002222390560000046
式中，dc为指定的截断距离，其大小取为全部距离dij从小到大排第10％的值；对于全部样本中局部密度最大的样本点，由于没有比它局部密度更大的样本点，其自身距离定义为：
Figure BDA0002222390560000047
第三步，涡激振动事件识别：将在时间轴上连续的涡激振动样本拼接，形成若干完整的桥梁涡激振动事件，并可得到振动加速度功率谱，如图4所示。

Claims (3)

1.一种基于聚类算法的大跨度桥梁涡激振动识别方法，其特征在于，步骤如下：
步骤一，主梁振动样本特征计算：以一段时间为基本时距，将长期监测的主梁振动加速度时程信号划分为若干该段时间内的样本；计算每个样本的加速度均方根值
Figure FDA0002222390550000011
作为表征主梁振幅大小的特征；计算每个样本的加速度功率谱，拾取功率谱中的前两大峰值，将第二大峰值与第一大峰值的比值R作为表征振动频率单一程度的特征；最终，每个振动样本由加速度均方根值
Figure FDA0002222390550000012
和加速度功率谱峰值比值R表征；
步骤二，基于聚类算法的涡激振动样本识别：将每个振动样本视为由加速度均方根值
Figure FDA0002222390550000013
和加速度功率谱峰值比值R张成的二维特征空间中的一个样本点，计算每两个样本点之间的距离dij，并以此计算每个样本点的局部密度ρi和自身距离δi，生成由局部密度ρi和自身距离δi为横纵坐标轴的决策图；决策图中自身距离δi异常大的点将自动被识别为簇心点，每个簇心点便代表一个簇类；按照局部密度ρi由大到小的顺序，依次将每个非簇心点分配到局部密度ρi更大且距其最近的样本点所在的簇类，完成全部样本点的类别分配；回到振动特征空间，将加速度功率谱峰值比值R在0附近的簇类全部识别为涡激振动簇类，其中的样本即为涡激振动样本；
步骤三，涡激振动事件识别：将在时间轴上连续的涡激振动样本拼接，形成完整的桥梁涡激振动事件。
2.根据权利要求1所述的一种基于聚类算法的大跨度桥梁涡激振动识别方法，其特征在于：步骤一中，加速度均方根值
Figure FDA0002222390550000014
和加速度功率谱峰值比值R的计算公式如下：
式中，
Figure FDA0002222390550000017
为主梁某截面的竖向加速度，N为以一段时间为基本时距内的采样数；p2和p1分别是加速度功率谱中第二和第一大峰值。
3.根据权利要求1所述的一种基于聚类算法的大跨度桥梁涡激振动识别方法，其特征在于：步骤二中，每两个样本点之间的距离dij、每个样本点的局部密度ρi和每个样本点的自身距离δi的计算公式下：
Figure FDA0002222390550000021
式中，dc为指定的截断距离，其大小取为全部距离dij从小到大排第10％的值；
对于全部样本中局部密度最大的样本点，由于没有比它局部密度更大的样本点，其自身距离定义为：
CN201910939086.7A 2019-09-30 2019-09-30 基于聚类算法的大跨度桥梁涡激振动自动识别方法 Pending CN110688963A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910939086.7A CN110688963A (zh) 2019-09-30 2019-09-30 基于聚类算法的大跨度桥梁涡激振动自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910939086.7A CN110688963A (zh) 2019-09-30 2019-09-30 基于聚类算法的大跨度桥梁涡激振动自动识别方法

Publications (1)

Publication Number Publication Date
CN110688963A true CN110688963A (zh) 2020-01-14

Family

ID=69111258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910939086.7A Pending CN110688963A (zh) 2019-09-30 2019-09-30 基于聚类算法的大跨度桥梁涡激振动自动识别方法

Country Status (1)

Country Link
CN (1) CN110688963A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829747A (zh) * 2020-07-18 2020-10-27 扬州大学 一种基于固定翼无人机的沿海大桥涡激共振风场监控***
CN113343541A (zh) * 2021-07-08 2021-09-03 石家庄铁道大学 长大跨桥梁的涡激振动预警方法、装置及终端
CN114777910A (zh) * 2022-04-02 2022-07-22 东衢智慧交通基础设施科技(江苏)有限公司 一种拉索多模态涡激振动监测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254068A (zh) * 2010-12-01 2011-11-23 东南大学 大跨度桥梁抖振响应的多尺度分析方法
CN107491783A (zh) * 2017-07-31 2017-12-19 广东电网有限责任公司惠州供电局 基于改进密度峰值聚类算法的变压器故障类型分类方法
CN108318129A (zh) * 2018-02-01 2018-07-24 石家庄铁道大学 桥梁结构模态参数真假甄别方法及终端设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102254068A (zh) * 2010-12-01 2011-11-23 东南大学 大跨度桥梁抖振响应的多尺度分析方法
CN107491783A (zh) * 2017-07-31 2017-12-19 广东电网有限责任公司惠州供电局 基于改进密度峰值聚类算法的变压器故障类型分类方法
CN108318129A (zh) * 2018-02-01 2018-07-24 石家庄铁道大学 桥梁结构模态参数真假甄别方法及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHAN WULI 等: "Cluster analysis of winds and wind-induced vibrations on a long-span bridge based on long-term field monitoring data", 《ENGINEERING STRUCTURES》 *
秦浩等: "大跨度变截面连续钢箱梁桥涡激振动线性分析法", 《振动工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829747A (zh) * 2020-07-18 2020-10-27 扬州大学 一种基于固定翼无人机的沿海大桥涡激共振风场监控***
CN113343541A (zh) * 2021-07-08 2021-09-03 石家庄铁道大学 长大跨桥梁的涡激振动预警方法、装置及终端
CN113343541B (zh) * 2021-07-08 2023-07-25 石家庄铁道大学 长大跨桥梁的涡激振动预警方法、装置及终端
CN114777910A (zh) * 2022-04-02 2022-07-22 东衢智慧交通基础设施科技(江苏)有限公司 一种拉索多模态涡激振动监测方法

Similar Documents

Publication Publication Date Title
CN110761947B (zh) 一种风电机组偏航校准方法及***
CN110688963A (zh) 基于聚类算法的大跨度桥梁涡激振动自动识别方法
Oliveira et al. Continuous dynamic monitoring of an onshore wind turbine
CN113836762B (zh) 一种风力机及风电场数字镜像模拟展示***
CN112629647B (zh) 大跨悬索桥涡振事件的实时识别和监测预警方法
CN109508835B (zh) 一种融合环境反馈的智慧电网短期电力负荷预测方法
CN201945429U (zh) 用于风力机叶片的振动特性分析装置
CN115358332A (zh) 面向多源数据的大气污染溯源方法
CN112985671B (zh) 基于全索系索力测试和误差自适应分析的损伤判定方法
CN112267972B (zh) 一种风电机组功率曲线异常智能判定方法
CN110332080B (zh) 一种基于共振响应的风机叶片健康实时监测方法
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN115577587A (zh) 一种历史建筑健康状态监测方法及***
CN116385913B (zh) 基于图像识别的监测方法及***
US20190242364A1 (en) Determining loads on a wind turbine
AU2023202496A1 (en) An on-line monitoring method and system for fugitive carbon emission in cement industrial plant area
CN108519073B (zh) 一种采用静力水准判定运营地铁隧道变形的方法
CN113504302A (zh) 风机叶片状态监测的方法、***、电子设备及存储介质
CN109765878A (zh) 新能源汽车can总线网络故障的辅助分析方法
CN115436037A (zh) 基于ssi参数识别的输电杆塔健康状态判别方法及装置
CN114935450A (zh) 一种大跨斜拉桥拉索阻尼器的失效监测报警方法
Sivapathasundaram Localised pull-through failures of thin steel roof battens subject to wind uplift loads
CN112084656A (zh) 一种叶片振动疲劳概率寿命预测***及预测方法
CN111044176A (zh) 一种发电机温度异常的监测方法
CN114913674B (zh) 大跨斜拉桥拉索风雨振监测预警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li Hui

Inventor after: Li Shanwu

Inventor after: Lai Mashujin

Inventor before: Li Shanwu

Inventor before: Lai Mashujin

Inventor before: Li Hui

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200114