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 PDF

Info

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
Application number
CN202111017457.XA
Other languages
English (en)
Other versions
CN113673623B (zh
Inventor
漆玲玲
施庆伟
游凯瑞
罗声
高景鑫
任宏
蔡伟光
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202111017457.XA priority Critical patent/CN113673623B/zh
Publication of CN113673623A publication Critical patent/CN113673623A/zh
Application granted granted Critical
Publication of CN113673623B publication Critical patent/CN113673623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于改进主成分分析算法的桥梁损伤识别方法
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：
Figure BDA0003240437300000021
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：
Figure BDA0003240437300000022
其中，
Figure BDA0003240437300000023
S23.计算数据矩阵D的协方差矩阵U：
Figure BDA0003240437300000024
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：
Figure BDA0003240437300000041
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：
Figure BDA0003240437300000042
其中，
Figure BDA0003240437300000043
S23.计算数据矩阵D的协方差矩阵U：
Figure BDA0003240437300000044
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：
Figure FDA0003240437290000011
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：
Figure FDA0003240437290000012
其中，
Figure FDA0003240437290000013
S23.计算数据矩阵D的协方差矩阵U：
Figure FDA0003240437290000021
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。
CN202111017457.XA 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 Active CN113673623B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (10)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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