CN113673623A - 基于改进主成分分析算法的桥梁损伤识别方法 - Google Patents
基于改进主成分分析算法的桥梁损伤识别方法 Download PDFInfo
- Publication number
- CN113673623A CN113673623A CN202111017457.XA CN202111017457A CN113673623A CN 113673623 A CN113673623 A CN 113673623A CN 202111017457 A CN202111017457 A CN 202111017457A CN 113673623 A CN113673623 A CN 113673623A
- Authority
- CN
- China
- Prior art keywords
- bridge
- principal component
- component analysis
- damage
- analysis algorithm
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于改进主成分分析算法的桥梁损伤识别方法,包括步骤:S1.采集桥梁的响应数据;所述响应数据包括应变响应、结构响应以及振动响应;S2.基于改进主成分分析算法对响应数据进行目标特征提取,得到损伤特征;S3.依据损伤特征对桥梁损伤程度进行评估,得到评估结果;S4.判断评估结果与设定结果之间的差值是否在正常范围内,若是,则桥梁状态正常;若否,则桥梁受损。本发明的基于改进主成分分析算法的桥梁损伤识别方法,能够对监测数据进行降维处理,减少分析时间,得到更为客观准确的特征数据,保证了桥梁损伤识别的准确性。
Description
技术领域
本发明涉及桥梁监测领域,具体涉及一种基于改进主成分分析算法的桥梁损伤识别方法。
背景技术
桥梁是一种重要的交通设施。桥梁在使用过程中,不可避免地会受到环境侵蚀、自然灾害以及荷载等多种因素的影响,这会导致桥梁结构出现渐变性损伤,随着时间的推移,损伤也将不断劣化。
通过对桥梁进行监测可以采集与桥梁相关联的大量监测数据,这些监测数据中含有大量桥梁结构信息。但目前缺乏对监测数据进行有效挖掘的手段,如何从桥梁监测数据中挖掘损伤信息,进而识别结构损伤,仍然是一个难题。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于改进主成分分析算法的桥梁损伤识别方法,能够对监测数据进行降维处理,减少分析时间,得到更为客观准确的特征数据,保证了桥梁损伤识别的准确性。
本发明的基于改进主成分分析算法的桥梁损伤识别方法,包括如下步骤:
S1.采集桥梁的响应数据;所述响应数据包括应变响应、结构响应以及振动响应;
S2.基于改进主成分分析算法对响应数据进行目标特征提取,得到损伤特征;
S3.依据损伤特征对桥梁损伤程度进行评估,得到评估结果;
S4.判断评估结果与设定结果之间的差值是否在正常范围内,若是,则桥梁状态正常;若否,则桥梁受损。
进一步,所述步骤S2,具体包括:
S21.将响应数据进行整理,得到数据矩阵E:
其中,ei,j为在i时刻第j个采集点得到的响应数据;k为采集总时长;n为采集点总数;
S22.将数据矩阵E中每列数据减去该列均值,得到变化后的数据矩阵D:
S24.计算协方差矩阵U的特征值λm与特征向量νm;
S25.以特征值为节点构建搜索树;
S26.对搜索树中每一层节点进行扩展排序,只保留l个节点;
S27.将l个节点作为目标特征值,并以目标特征值对应的特征向量作为元素,得到特征向量矩阵X;
S28.将数据矩阵D投影到l维空间,得到损伤特征结果Dl=XD。
进一步,步骤S24中,根据如下公式确定特征值λm与特征向量νm:
(U-λmQ)νm=0;
其中,Q为n阶单位矩阵。
进一步,步骤S25中,使用广度优先策略构建搜索树。
进一步,步骤S26中,按照启发代价对搜索树中每一层节点进行扩展排序。
本发明的有益效果是:本发明公开的一种基于改进主成分分析算法的桥梁损伤识别方法,通过对监测数据进行降维处理,减少分析时间,能够得到更为客观准确的特征数据,进而保证了桥梁损伤识别的准确性与可靠性。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于改进主成分分析算法的桥梁损伤识别方法,包括如下步骤:
S1.采集桥梁的响应数据;所述响应数据包括应变响应、结构响应以及振动响应;
S2.基于改进主成分分析算法对响应数据进行目标特征提取,得到损伤特征;
S3.依据损伤特征对桥梁损伤程度进行评估,得到评估结果;其中,对不同的损伤特征设定不同的权重系数,并计算损伤特征与损伤特征权重的乘积,进而得到所有乘积的累加和,并将所述累加和作为评估结果;
S4.判断评估结果与设定结果之间的差值是否在正常范围内,若是,则桥梁状态正常;若否,则桥梁受损。其中,所述设定结果可通过统计计算进行确定,所述统计计算采用现有技术,在此不再赘述。
本实施例中,所述步骤S2,具体包括:
S21.将响应数据进行整理,得到数据矩阵E:
其中,ei,j为在i时刻第j个采集点得到的响应数据;k为采集总时长;n为采集点总数;其中,所述采集点布置有对应功能的传感器,所述传感器用于采集桥梁的响应数据,所述采集总时长以及采集点总数均可根据实际工况进行设定;
S22.将数据矩阵E中每列数据减去该列均值,得到变化后的数据矩阵D:
S24.计算协方差矩阵U的特征值λm与特征向量νm;
S25.以特征值为节点构建搜索树;
S26.对搜索树中每一层节点进行扩展排序,只保留l个节点;其中,所述l取值为所有节点个数的中位数,通过在每一层中选取对应层中节点总数的中位数即可。
S27.将l个节点作为目标特征值,并以目标特征值对应的特征向量作为元素,得到特征向量矩阵X;
S28.将数据矩阵D投影到l维空间,得到损伤特征结果Dl=XD。
本实施例中,步骤S24中,根据如下公式确定特征值λm与特征向量νm:
(U-λmQ)νm=0;
其中,Q为n阶单位矩阵。
本实施例中,步骤S25中,使用广度优先策略构建搜索树。使用广度优先策略,寻找深度小,且每个节点只访问一遍,节点总是以最短路径被访问,构建速度快,效率高。
本实施例中,步骤S26中,按照启发代价对搜索树中每一层节点进行扩展排序。其中,所述启发代价为启发式搜索,减少了搜索所占用的空间和时间。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于改进主成分分析算法的桥梁损伤识别方法,其特征在于:包括如下步骤:
S1.采集桥梁的响应数据;所述响应数据包括应变响应、结构响应以及振动响应;
S2.基于改进主成分分析算法对响应数据进行目标特征提取,得到损伤特征;
S3.依据损伤特征对桥梁损伤程度进行评估,得到评估结果;
S4.判断评估结果与设定结果之间的差值是否在正常范围内,若是,则桥梁状态正常;若否,则桥梁受损。
2.根据权利要求1所述的基于改进主成分分析算法的桥梁损伤识别方法,其特征在于:所述步骤S2,具体包括:
S21.将响应数据进行整理,得到数据矩阵E:
其中,ei,j为在i时刻第j个采集点得到的响应数据;k为采集总时长;n为采集点总数;
S22.将数据矩阵E中每列数据减去该列均值,得到变化后的数据矩阵D:
S24.计算协方差矩阵U的特征值λm与特征向量νm;
S25.以特征值为节点构建搜索树;
S26.对搜索树中每一层节点进行扩展排序,只保留l个节点;
S27.将l个节点作为目标特征值,并以目标特征值对应的特征向量作为元素,得到特征向量矩阵X;
S28.将数据矩阵D投影到l维空间,得到损伤特征结果Dl=XD。
3.根据权利要求2所述的基于改进主成分分析算法的桥梁损伤识别方法,其特征在于:步骤S24中,根据如下公式确定特征值λm与特征向量νm:
(U-λmQ)νm=0;
其中,Q为n阶单位矩阵。
4.根据权利要求2所述的基于改进主成分分析算法的桥梁损伤识别方法,其特征在于:步骤S25中,使用广度优先策略构建搜索树。
5.根据权利要求2所述的基于改进主成分分析算法的桥梁损伤识别方法,其特征在于:步骤S26中,按照启发代价对搜索树中每一层节点进行扩展排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017457.XA CN113673623B (zh) | 2021-08-31 | 2021-08-31 | 基于改进主成分分析算法的桥梁损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111017457.XA CN113673623B (zh) | 2021-08-31 | 2021-08-31 | 基于改进主成分分析算法的桥梁损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673623A true CN113673623A (zh) | 2021-11-19 |
CN113673623B CN113673623B (zh) | 2023-10-20 |
Family
ID=78547844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111017457.XA Active CN113673623B (zh) | 2021-08-31 | 2021-08-31 | 基于改进主成分分析算法的桥梁损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673623B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332475A1 (en) * | 2009-06-25 | 2010-12-30 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
CN104331595A (zh) * | 2014-09-04 | 2015-02-04 | 天津大学 | 桥梁损伤预警的移动主成分相关系数法 |
CN108009566A (zh) * | 2017-11-09 | 2018-05-08 | 华南理工大学 | 一种时空窗口下的改进型pca损伤检测方法 |
CN110687895A (zh) * | 2019-10-24 | 2020-01-14 | 上海工程技术大学 | 一种基于自适应核主成分分析的化工过程故障检测方法 |
CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
CN111898312A (zh) * | 2020-06-30 | 2020-11-06 | 华南理工大学 | 一种基于时空窗下的pca结构损伤检测方法 |
AU2020103881A4 (en) * | 2020-12-03 | 2021-02-11 | Zhimin Li | A Diagnosis Method of Train Body Assembly Deviation in the Manufacturing Process of High-Speed Train |
CN112905583A (zh) * | 2021-04-01 | 2021-06-04 | 辽宁工程技术大学 | 一种高维大数据离群点检测方法 |
CN113139707A (zh) * | 2020-01-20 | 2021-07-20 | 上海递革检测有限公司 | 板梁桥铰缝损伤状态识别方法 |
CN113177594A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 |
-
2021
- 2021-08-31 CN CN202111017457.XA patent/CN113673623B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332475A1 (en) * | 2009-06-25 | 2010-12-30 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
CN104331595A (zh) * | 2014-09-04 | 2015-02-04 | 天津大学 | 桥梁损伤预警的移动主成分相关系数法 |
CN108009566A (zh) * | 2017-11-09 | 2018-05-08 | 华南理工大学 | 一种时空窗口下的改进型pca损伤检测方法 |
CN110687895A (zh) * | 2019-10-24 | 2020-01-14 | 上海工程技术大学 | 一种基于自适应核主成分分析的化工过程故障检测方法 |
CN111708343A (zh) * | 2019-10-31 | 2020-09-25 | 中国科学院沈阳自动化研究所 | 一种面向制造业行业现场工艺行为异常行为检测方法 |
CN113139707A (zh) * | 2020-01-20 | 2021-07-20 | 上海递革检测有限公司 | 板梁桥铰缝损伤状态识别方法 |
CN111898312A (zh) * | 2020-06-30 | 2020-11-06 | 华南理工大学 | 一种基于时空窗下的pca结构损伤检测方法 |
AU2020103881A4 (en) * | 2020-12-03 | 2021-02-11 | Zhimin Li | A Diagnosis Method of Train Body Assembly Deviation in the Manufacturing Process of High-Speed Train |
CN112905583A (zh) * | 2021-04-01 | 2021-06-04 | 辽宁工程技术大学 | 一种高维大数据离群点检测方法 |
CN113177594A (zh) * | 2021-04-29 | 2021-07-27 | 浙江大学 | 基于贝叶斯优化的pca-极限随机树的空调故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
AZIM M R 等: "Data-driven damage identification technique for steel truss railroad bridges utilizing principal component analysis of strain response", 《STRUCTURE AND INFRASTRUCTURE ENGINEERING》, vol. 17, no. 08, pages 1019 - 1035 * |
HASSANAT AHMAD B A等: "Furthest-pair-based binary search tree for speeding big data classification using k-nearest neighbors", 《BIG DATA》, vol. 06, no. 03, pages 225 - 235 * |
李欣 等: "利用移动主成分分析识别结构损伤", 《山西建筑》, vol. 47, no. 14, pages 132 - 134 * |
梁杰明: "基于机器学习的桥梁损伤识别研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 05, pages 034 - 174 * |
袁慎芳 等: "基于结构健康监测***的桥梁数据异常诊断研究", 《电子科技大学学报》, vol. 42, no. 01, pages 69 - 74 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673623B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Entezami et al. | Early damage assessment in large-scale structures by innovative statistical pattern recognition methods based on time series modeling and novelty detection | |
Niyirora et al. | Intelligent damage diagnosis in bridges using vibration-based monitoring approaches and machine learning: a systematic review | |
CN109145464B (zh) | 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN106501465B (zh) | 一种用于检测锚杆锚固质量的检测方法 | |
CN108009566B (zh) | 一种时空窗口下的改进型pca损伤检测方法 | |
CN114169374B (zh) | 一种斜拉桥斜拉索损伤识别方法及电子设备 | |
Hamidia et al. | Machine learning-based seismic damage assessment of non-ductile RC beam-column joints using visual damage indices of surface crack patterns | |
CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN116011077A (zh) | 一种面向结构损伤识别的多种传感器多目标优化布置方案 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及*** | |
García-Fernández et al. | A review on fatigue monitoring of structures | |
Pham‐Bao et al. | Energy dissipation‐based material deterioration assessment using random decrement technique and convolutional neural network: A case study of Saigon bridge in Ho Chi Minh City, Vietnam | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN113673623B (zh) | 基于改进主成分分析算法的桥梁损伤识别方法 | |
CN112883478A (zh) | 钢结构位移预测方法、装置、终端设备和*** | |
CN114692465B (zh) | 桥梁损伤位置的无损识别方法、存储介质及设备 | |
CN109766637B (zh) | 基于Krigng代理模型的桥式起重机结构可靠性优化方法 | |
Hakim et al. | Implementing fuzzy-based artificial intelligence approach for location of damage in structures | |
CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
CN114118249A (zh) | 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法 | |
Kauss et al. | Semi-supervised structural damage assessment via autoregressive models and evolutionary optimization | |
JP3771809B2 (ja) | 材料寿命の評価システム | |
CN117809433B (zh) | 一种支持精准融合预警的物联网关设备处理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |