CN114091160A - 一种桥梁结构损伤的智能化检测方法及*** - Google Patents
一种桥梁结构损伤的智能化检测方法及*** Download PDFInfo
- Publication number
- CN114091160A CN114091160A CN202111414693.5A CN202111414693A CN114091160A CN 114091160 A CN114091160 A CN 114091160A CN 202111414693 A CN202111414693 A CN 202111414693A CN 114091160 A CN114091160 A CN 114091160A
- Authority
- CN
- China
- Prior art keywords
- bridge
- train
- bridge structure
- damage
- condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种桥梁结构损伤的智能化检测方法,应用于桥梁结构检测技术领域,包括以下步骤:S1、采集桥梁结构在列车上桥前后的响应信号;S2、采用EEMD分解算法对响应信号进行分解,得到各本征模态函数IMF;S3、采用评价指标筛选所有IMF分量中的有效分量,重组;S4、采用DATA‑SSI方法识别在列车未上桥情况下重组信号的基准固有频率值;S5、采用DATA‑SSI方法,识别在列车上桥情况的实际固有频率值;S6、对比分析桥梁响应频率的相对变化情况来辨识损伤情况;而***能够快速地输出检测结果;该方法有利于提高采集数据的有效性,避免筛选结果的主观性,使得结果客观、真实地反应简支梁结构损伤情况,提高对既有桥梁结构进行损伤识别的准确性。
Description
技术领域
本发明涉及桥梁结构检测技术领域,特别涉及一种桥梁结构损伤的智能化检测方法及***。
背景技术
桥梁结构的正常使用过程中,由于其会受到诸多因素的影响,以致其健康状态均会随时间发生一定的变化,其中主要的因素包括车辆的运行、环境的变化、边界条件的改变等。目前,对既有桥梁结构的损伤识别已经成为了人们不得不面对的一个问题,近年来,基于桥梁动力特性的损失识别算法应运而生。该识别算法之所以能到被广泛运用于实际工程中,主要原因在于,该损失识别算法的工作原理是通过在桥梁结构的特定位置布置一定数量的传感器,接着采用相关算法对传感器采集的信号数据进行识别,其次通过对比分析桥梁结构自身参数的变化情况来实现对结构是否发生损失进行判定,使得该方法具有非破坏性、经济性和便捷性。
但随着该算法的不断运用,研究学者发现其依然存在一定的缺陷,主要体现在如下三个方面:
(1)因传感器是设置于实际桥梁结构的特定位置上,以致其在采集信号时不得不受到环境因素的影响,导致采集的结构响应信号中含有一定的噪声,进而影响最终的损伤识别结果;
(2)尽管有学者提出采用EEMD分解算法对传感器采集的响应信号进行分解,能够在一定程度上降低噪声对损伤识别的影响;但EEMD分解算法的最大弊端在于,无法实现有效IMF分量的智能化辨识,而是需要人为参与有效分量的辨识,导致分量的筛选结果中带有一定的主观性;
(3)研究表明桥梁结构的固有频率值往往会因为受到温度及边界条件改变等环境因素的影响而发生较大的变化。
综上所述,可知如何高效地实现对既有桥梁结构的损伤检测是一个亟待解决的问题。
发明内容
本发明的目的在于克服现有技术中所存在的上述桥梁结构的损伤检测准确度不高的不足,提供一种桥梁结构损伤的智能化检测方法及***,有利于提高采集数据的有效性,避免筛选结果的主观性,使得结果客观、真实地反应简支梁结构损伤情况,提高对既有桥梁结构进行损伤识别的准确性。
为了实现上述发明目的,本发明提供了以下技术方案:
一种桥梁结构损伤的智能化检测方法,其包括以下步骤:
S1、将传感器安装于每跨桥梁结构,通过传感器分别采集桥梁结构在列车未上桥的环境激励下和在列车上桥运行工况下的动力响应信号;
S2、采用总体平均经验模态分解算法EEMD对采集的响应信号进行信号的分解,得到各本征模态函数IMF;
S3、采用基于相关系数和K-L散度的评价指标筛选所有IMF分量中的有效分量进行结构信号的重组;
S4、采用数据驱动随机子空间识别法DATA-SSI,识别在列车未上桥采样时间段内环境激励下重组信号的模态参数结果,并作为该桥梁结构的基准固有频率值;
S5、采用数据驱动随机子空间识别法DATA-SSI,识别在列车上桥时间段内重组信号的模态参数结果,并作为该桥梁结构的实际固有频率值;
S6、对比分析同一座桥梁结构中,相同跨度桥梁结构的频率值相对变化情况;并对比分析列车上桥前后桥梁响应频率的相对变化情况;通过分析各跨简支梁各阶固有频率值的变化幅度,来对简支梁结构发生损伤状况进行辨识。
通过在每跨桥梁结构安装传感器,对桥梁结构的振动数据进行采集,进一步地,传感器安装于每跨桥梁结构跨中的梁底处,一个传感器对应一跨桥梁结构,传感器采集的桥梁结构响应信号数据中常常含有一定的噪声,以致如果直接采用模态参数识别算法对传感器采集的信号进行识别,则会导致识别结果的精确性较差;所以,本申请考虑了噪声对识别结果的影响,通过EEMD算法分解响应信号,能够有效的剔除噪声对信号的影响,进而保留结构最为真实的有效信号,但是该算法的主要弊端在于无法有效的对分解结果进行智能化的筛选,以致人为参与IMF分量的筛选时,导致筛选结果存在主观性,于是再通过基于相关系数和K-L散度的评价指标筛选有效分量并重组有效IMF分量,获得最为真实有效的响应信号的数据,省去了人为参与有效分量的辨识,避免了筛选结果的主观性,使得结果客观、真实地反应简支梁结构损伤情况,最后通过DATA-SSI方法分别对列车未上桥和列车上桥的数据进行识别,识别得到更为精确的模态参数结果,获取桥梁结构的基准固有频率值和实际固有频率值,能够在试验环境下直接反映出桥梁结构的固有频率情况,避免了对温度及其他边界条件的考虑,最后通过对比分析相对变化情况来对简支梁结构损伤状况进行辨识,提高了对既有桥梁简支梁结构损伤识别的准确性,获取结果更加接近真实情况。
在本发明较佳的实施例中,上述传感器为加速度传感器,加速度传感器的采样频率为20~50Hz,加速度传感器采样数据点在1200以上;当采样频率为20Hz时,采样时间在60s以上,当采样频率为50Hz时,采样时间在24s以上,通过加速度传感器能够采集每跨桥梁结构的振动数据,通过不同的采样频率保持不同的采样时间,采集足够的数据点,避免样本数较少产生误差,更加综合、真实地反映试验结果。
在本发明较佳的实施例中,上述S2中,通过算法EEMD对采集的响应信号进行分解过程中,在原始响应信号中添加等幅值的随机白噪声;通过采用算法EEMD,对现有的经验模态分解算法EMD进行改进,通过添加白噪声信号,使得原始响应信号中的极值点分布更加均匀化,避免由间歇性高频分量带来的影响。
在本发明较佳的实施例中,上述步骤S3的具体步骤为:
S31、对加速度采集的响应信号x(t)进行EEMD处理后,可以得到k个IMF分量和一个残余项rk;
S32、采用多元统计学中的“相关性分析”求解每个IMF分量与x(t)之间的相似程度值XSD;
S33、采用K-L散度计算每个IMF分量与x(t)之间的相似散度值KL,通过散度值KL判断IMF分量的真实性,剔除虚假成分,留下有效IMF分量;
S34、基于线性加权的原理对相似程度值XSD和相似散度值KL进行组合得到用于筛选有效IMF分量的综合指标SX;
S35、基于综合指标SX对有效IMF分量进行重构,得到重构信号Cx(t)。
通过EEMD算法处理响应信号,然后求解每个分量与响应信号之间的关系,再通过散度值判断IMF分量真实性,并保留有效分量,能够对响应信号进一步地筛选,获得更加有效的数据,使得输出结果更加客观和真实反应桥梁结构的振动情况。
在本发明较佳的实施例中,上述S35中,当SXi≥0.6时,IMF分量认定为有效,对有效的IMF分量进行重构;通过SXi的大小来对有效性进行区分,通过筛选符合条件的SXi,对IMF分量有效性进行认定,SXi越接近1,则表示第i个IMF分量有效性更高。
在本发明较佳的实施例中,上述S4中,具体步骤为:
S41、根据重构信号Cx(t)建立Hankel矩阵,并求解Hankel矩阵得到正交投影矩阵Oi;
S43、对状态矩阵A进行特征值分解,求解出桥梁结构的固有频率值,识别出桥梁结构的前三阶固有频率值,作为桥梁结构的基准固有频率值。
通过建立Hankel矩阵,求解正交投影矩阵,通过SVD分解获得状态矩阵A和输出矩阵C,通过特征值分解矩阵A,求解出桥梁结构的固有频率值。
在本发明较佳的实施例中,上述S5中,具体步骤与S41-S43相同;步骤S5中对列车上桥的情况进行试验,求解桥梁结构的实际频率值,与列车未上桥的情况下求解方法一致。
在本发明较佳的实施例中,上述S5中,列车上桥时间段为列车在运行工况下,从列车的第一对轮轴驶入该桥梁至最后一对轮轴驶离该桥梁经历的时间段;通过列车运动工况获取列车上桥时间段的响应信号,通过第一对轮轴和最后一对轮轴确定列车上桥时,对桥梁结构产生激振的时间点,能够准确地对列车上桥的时间进行统计。
在本发明较佳的实施例中,上述S6中,辨识简支梁结构发生损伤状况的依据是:
当相同跨度桥梁结构的同一片T梁在列车未上桥和上桥两种工况下,各阶频率值间的差值百分比超过5%,则初步判断怀疑该片T梁发生损伤;
当列车上桥前后桥梁响应频率,即简支梁在列车运行后自身的各阶固有频率发生的变化超过5%,则认定简支梁内部存在损伤。
通过对相同跨度桥梁结构的各阶频率值的变化情况和列车上桥前和上桥后的桥梁响应频率的变化情况,判断桥梁结构的简支梁是否存在损伤。
一种桥梁结构损伤的智能化检测***,***包括:存储器和处理器,存储器上储存有实现上述桥梁结构损伤的智能化检测方法的计算机代码,处理器用于接收传感器的响应信号和运行计算机代码,并输出辨识简支梁结构发生损伤状况的结果;通过***,将桥梁结构损伤的智能化检测方法的计算公式和运算步骤储存在存储器上,通处理器即可直接读取并进行运算,能够直接输出结果,智能化、快速地对桥梁结构简支梁的损伤情况进行识别。
与现有技术相比,本发明的有益效果:
1、通过检测方法,省去了人为参与有效分量的辨识,避免了筛选结果的主观性,使得结果客观、真实地反应简支梁结构损伤情况,能够在试验环境下直接反映出桥梁结构的固有频率情况,避免了对温度及其他边界条件的考虑,最后通过对比分析相对变化情况来对简支梁结构损伤状况进行辨识,提高了对既有桥梁简支梁结构损伤识别的准确性,获取结果更加接近真实情况。
2、通过***,能够将桥梁结构损伤的智能化检测方法的计算公式和运算步骤储存在存储器上,通处理器即可直接读取并进行运算,能够直接输出结果,智能化、快速地对桥梁结构简支梁的损伤情况进行识别。
附图说明
图1为本发明实施例1的简支梁结构的标准横断面图;
图2为本发明实施例1的连续两跨30m简支梁的桥型布置图;
图3为本发明实施例1的桥梁结构损伤的智能化检测方法的步骤图;
图4为本发明实施例1的桥梁结构损伤的智能化检测方法实现流程图;
图5为本发明实施例1的桥梁结构在白噪声激励下60s内的时程曲线图;
图6为本发明实施例1的简支梁跨中加速度时程曲线图;
图7为本发明实施例1的EEMD分解算法的基本流程图;
图8为本发明实施例1的列车未上桥工况下某片T梁在连续100s时间内的信号分解结果;
图9为人为筛选有效IMF分量所得的Hilbert-Huang谱图;
图10为本发明实施例1的智能筛选有效IMF分量所得的Hilbert-Huang谱图;
图11为本发明实施例1的列车上桥前环境激烈下桥梁结构的某片T梁的稳定图;
图12为本发明实施例1的列车上桥运行工况下的桥梁结构的某片T梁的稳定图;
图13为本发明实施例1的30m简支梁T梁前三阶频率结果图;
图中标记:1-桥墩,2-盖梁;3-接触网立柱;4-钢筋混凝土板;5-预应力钢筋混凝土T梁;6-加速度传感器。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
请参照图1和图2,本实施例提供一种桥梁结构损伤的智能化检测方法,对桥梁结构进行检测,整座桥梁结构总长1.3km,总共有44跨预应力钢筋混凝土简支梁,包括7跨25m梁,30跨30m梁及7跨35m梁,每跨简支梁由4片T梁组成,通过在顶板浇筑25cm厚的钢筋混凝土板4来增加4片T梁间的横向连接,提高结构的整体稳定性。整座桥梁包括桥墩1、盖梁2、接触网立柱3、钢筋混凝土板4和预应力钢筋混凝土T梁5和加速度传感器6,盖梁2设置在桥梁的顶部,接触网立柱3和预应力钢筋混凝土T梁5分别设在盖梁2的顶部,接触网立柱3位于预应力钢筋混凝土T梁5的两侧,钢筋混凝土板4设在预应力钢筋混凝土T梁5底部,以下对30m跨度简支梁的仿真模拟来进行说明。
请参照图3和图4,检测方法包括以下步骤:
S1、将传感器安装于每跨桥梁结构,传感器采用加速度传感器6,也可采用振动传感器或能够测出振动信号的其他传感器,加速度传感器6设置有一个或多个,为了快速准确地检测出具体是哪片T梁发生损伤,同时降低成本获取有效的数据,在每跨桥梁结构跨中的梁底处安装一个加速度传感器6,一个传感器对应一跨桥梁结构,为一一对应,如图1,为该简支梁结构的标准横断面图以及加速度传感器6的具体设置位置。
模拟列车未上桥之前桥梁结构所受到环境激励,因为白噪声激励的特点在于其功率谱密度在整个频域内呈现均匀分布的现象,所以需利用数学软件MATLAB中的Randn函数生成一组均值为0,且方差为1的数据组,并将其作为环境信号数据添加到CSIBRIDGE软件建立的3D模型中以模拟桥梁结构所处的环境激励,请参照图5,为白噪声激励在60s内的时程曲线图。还需要将相关数据与对应的加速度传感器6采集的响应信号数据值整合为一个数据包,以标签的形式储存所有的响应信号数据,相关数据包括桥梁名称、桥梁跨度、桥梁编号、各片T梁的编号、跨中里程和传感器编码,请参照图6,为某跨简支梁4片T梁跨中底部对应的加速度响应信号的时程曲线图。
在CSIBRIDGE软件中通过模拟列车的荷载图示并进行动荷载的施加以模拟列车上桥的运行动态,采集在列车运行工况下各加速度传感器6对应的结构响应信号,并以桥梁名称、桥梁跨度、桥跨编号、各片T梁的编号、跨中里程及传感器编码的信息作为标签存储所有的响应信号数据。
通过加速度传感器6分别采集桥梁结构在列车未上桥的环境激励下和在列车上桥运行工况下的动力响应信号;加速度传感器6的采样频率为20~50Hz,加速度传感器6采样数据点在1200以上,即当采样频率为20Hz时,采样时间在60s以上,当采样频率为50Hz时,采样时间在24s以上,本实施例采用20Hz频率采样1200个数据点,通过加速度传感器6能够采集每跨桥梁结构的振动数据,通过不同的采样频率保持不同的采样时间,采集足够的数据点,避免样本数较少产生误差,更加综合、真实地反映试验结果。
S2、采用总体平均经验模态分解算法EEMD对采集的响应信号进行信号的分解,分别对列车上桥前的桥梁结构响应信号和列车上桥后的桥梁结构响应信号进行分解,请参照图7,为EEMD算法的基本流程图,分解能得到一系列的IMF分量和一组残余项,该分解算法是对经验模态分解算法EMD的重大改进,得到各本征模态函数IMF;通过算法EEMD对采集的响应信号进行分解的过程中,在原始响应信号中添加等幅值的随机白噪声,添加白噪声在模拟环境信号是已经加入,通过采用算法EEMD添加白噪声信号,使得原始响应信号中的极值点分布更加均匀化,避免由间歇性高频分量带来的影响。请参照图8,为列车未上桥工况下某一片T梁在连续100s时间内的信号分解结果,图中的X轴代表100s时间内的总测点数2000,Y轴代表所得各本征模态函数IMF和残余值,单位为Hz,因传感器采样频率为20Hz,即每秒钟采集20次,100s的时间共采集2000个测点数。
S3、实际运用中,虽然EEMD分解算法是在EMD算法的基本上改进得到的,能够在一定程度上提高分解的效率和准确性,但其依然避免不了需要人为残余有效IMF分量的辨识。为了避免这一缺陷,采用基于相关系数和K-L散度的评价指标筛选所有IMF分量中的有效分量进行结构信号的重组;采用线性加权算法构建了用于筛选有效IMF分量的综合筛选指标,由于EEMD分解算法无法实现对IMF分量的智能化筛选和辨识,采用评价指标进行筛选,具体包括以下步骤S31-S35。
S31、对加速度采集的响应信号x(t)进行EEMD处理后,可以得到k个IMF分量和一个残余项rk,通过下列公式1计算:
其中,t为采集信号的时间点,k为IMF分量的总个数,i为第i个IMF分量中。
S32、采用多元统计学中的“相关性分析”求解每个IMF分量与x(t)之间的相似程度值XSD,通过下列公式2计算:
其中,j为采集的原始响应信号的时刻,x(j)表示原始信号中第j时刻的加速度响应信号;L为加速度传感器6采集信号的点数。
S33、采用K-L散度计算每个IMF分量与x(t)之间的相似散度值KL,通过散度值KL判断IMF分量的真实性,剔除虚假成分,留下有效IMF分量;其中,K-L散度计算的过程为:假设A(x)、B(x)表示随机变量x的两个概率密度函数,根据K-L散度定义,建立下列公式3:
其中,δ(A,B)≥0,仅当A(x)=B(x)时,δ(A,B)=0;同时,δ(A,B)≠δ(B,A)。所以,再通过公式4来确定A(x)、B(x)之间的相似散度值:
KL(A,B)=δ(A,B)+δ(B,A) (4)
为了计算每个IMF分量与x(t)之间的相似散度值KL,令每个IMF分量表示为A(x),原始响应信号x(t)为B(x),通过对比IMF分量与原始响应信号x(t)之间的K-L散度,可以判断IMF分量的真实性,进而剔除虚假成分。
S34、基于线性加权的原理对相似程度值XSD和相似散度值KL进行组合得到用于筛选有效IMF分量的综合指标SX,由于这两项参数均为原始响应信号与各IMF分量间的相似程度,具有相同的重要性,所以将这两项参数的权重值均取为0.5,如下列公式5:
SXi=0.5KLi+0.5XSDi (5)
其中,KLi为第i个IMF分量与原始响应信号之间的相似散度值;XSDi为第i个IMF分量与原始响应信号之间的相似程度值。
S35、基于综合指标SX对有效IMF分量进行重构,得到重构信号Cx(t),计算公式6如下:
其中,NN表示EEMD分解所得有效IMF分量的总个数。
当SXi≥0.6时,IMF分量认定为有效,对有效的IMF分量进行重构,通过SXi的大小来对有效性进行区分,通过筛选符合条件的SXi,对IMF分量有效性进行认定,SXi越接近1,则表示第i个IMF分量有效性更高。
通过EEMD算法处理响应信号,然后求解每个IMF分量与响应信号x(t)之间的关系,再通过散度值判断IMF分量真实性,并保留有效分量,能够对响应信号进一步地筛选,获得更加有效的数据,使得输出结果更加客观和真实反应桥梁结构的振动情况。请参照图9,为现有人为筛选有效IMF分量所得的Hilbert-Huang谱图,请参照图10,为基于综合筛选指标智能化筛选有效IMF分量所得的Hilbert-Huang谱图,对比图9和图10可知,本实施例中提出的筛选算法所得的Hilbert-Huang谱图中的前三阶频率值更加清晰明显。
S4、采用数据驱动随机子空间识别法DATA-SSI,识别在列车未上桥采样时间段内环境激励下重组信号的模态参数结果,并识别出桥梁结构的前三阶固有频率值,作为该桥梁结构的基准固有频率值,基于步骤S1采集在列车未上桥的采样时间段内,环境激励下各加速度传感器6对应的加速度响应信号,基于步骤S2对上述加速度响应信号进行EEMD分解,并基于步骤S3实现有效IMF分量的智能化辨识以得到重构信号Cx(t),具体步骤如下:
S41、根据重构信号Cx(t)建立Hankel矩阵,通过下列公式7计算:
其中:Yp为过去某个时间点的输出数据矩阵,Yf为将来某个对应时间点的输入数据矩阵,i为矩阵的行数,j为矩阵的列数,其中yi(yi)为具体的数据值;
通过建立Hankel矩阵,求解正交投影矩阵Oi,通过SVD分解获得状态矩阵A和输出矩阵C,通过特征值分解矩阵A,求解出桥梁结构的固有频率值。
其中,U、V分别为正交矩阵;S为奇异对角矩阵;T为转置矩阵。
S43、对状态矩阵A进行特征值分解,求解出桥梁结构的固有频率值,该频率值即为环境激励下桥梁结构各简支梁跨度对应的各阶固有频率值,将其作为理论值,假设结果为其中i表示简支梁的第几跨,j表示第j阶频率值,M表示简支梁的总跨数,N表示需统计的***阶次数,t1表示在时刻t1的结果值,识别出桥梁结构的前三阶固有频率值,作为桥梁结构的基准固有频率值。
Step1、建立含有状态矩阵(A)、输入矩阵(B)、输出矩阵(C)及中途传递矩阵(D)的线性方程式,下列公式9:
Step2、对状态矩阵A进行特征值分解,如下列公式10:
式中:λi为离散时间***的特征值,为两两共轭的复数,Δt为列车上桥时间段,ωi为固有振动频率,ξ为桥梁结构的固有频率。
Step3、基于下列公式11求解结构的固有频率值ω、阻尼比ξ及模态振型Ф。
其中,a、b分别为Step2中两两共轭的复数,Ψ为***的特征向量矩阵,也为复数。
请参照图11,为DATA-SSI识别某跨简支梁中一片T梁所得的稳定图,根据该图可知,该简支梁的第1阶模态频率值为2.06Hz,第2阶模态频率值为8.23Hz,第3阶模态频率值为16.68Hz。
S5、采用数据驱动随机子空间识别法DATA-SSI,识别在列车上桥时间段内重组信号的模态参数结果,并识别得到桥梁结构的前三阶固有频率值,作为该桥梁结构的实际固有频率值;其中,步骤S5的具体步骤与S41-S43相同,步骤S5中对列车上桥的情况的桥梁结构进行试验,列车上桥时间段为列车在运行工况下,从列车的第一对轮轴驶入该桥梁至最后一对轮轴驶离该桥梁经历的时间段;通过列车运动工况获取列车上桥时间段的响应信号,通过第一对轮轴和最后一对轮轴确定列车上桥时,对桥梁结构产生激振的时间点,能够准确地对列车上桥的时间进行统计。
求解桥梁结构的实际频率值,与列车未上桥的情况下求解方法一致,基于步骤S5中的相同原理识别出列车运行工况下,列车上桥时间段内重组信号的模态参数结果,将其定义为现场实测值其中i表示简支梁的第几跨,j表示第几阶频率值,M表示简支梁的总跨数,N表示需统计的***阶次数,t1、t2表示时刻,且t2是紧随t1的时刻段。
请参照图12,为DATA-SSI识别某跨简支梁中一片T梁所得的稳定图,根据该图可知,该简支梁的第1阶模态频率值为2.08Hz,第2阶模态频率值为8.07Hz,第3阶模态频率值为16.69Hz。
S6、通过对相同跨度桥梁结构的各阶频率值的变化情况和列车上桥前和上桥后的桥梁响应频率的变化情况,判断桥梁结构的简支梁是否存在损伤,为辨识某跨简支梁结构是否发生损伤状况,需对比分析两方面的数据:
(1)首先对比分析同一座桥梁结构中,相同跨度桥梁结构所对应的的各阶频率值相对变化情况,以便确定同跨度简支梁的各阶固有频率值间是否存在差异性,当相同跨度桥梁结构的同一片T梁在列车未上桥和上桥两种工况下,各阶频率值间的差值百分比超过5%,即当某片T梁的频率值与同跨T梁的频率平均值间的差值百分比超过5%,则认为差异性较大,则初步判断怀疑该片T梁发生损伤,找到具体是哪片梁,并对其进行重新的加速度响应信号采集,如果这时识别的参数结果依然和理论平均值存在较大差异,则可判定该片T梁本身就存在一定的损伤,则需安排相关专业人士对其进行更为详细的检测。当所有T梁的频率值与同跨T梁的频率平均值间的差值百分比均未超过5%时,则可判定所有的T梁在列车未上桥时均处于良好的健康状态,即未发生损伤。
单通过对比该跨简支梁在列车上桥前后的频率值变化情况,可知:第2阶频率值相比列车未上桥的工况发生了一定的变化,经计算其变化百分比为1.9%。同时第1阶和第3阶频率值基本处于未变化的状态,表明在列车运行情况下,该简支梁的各阶固有频率值均处于稳定状态,即未发生损失情况。
(2)其次对比分析列车上桥前后桥梁响应频率的相对变化情况,判断某跨简支梁在列车运行的过程中其自身的各阶固有频率值是否发生了较大的变化,相对变化情况的对比分析是通过分析各跨简支梁各阶固有频率值的变化幅度,来对简支梁结构发生损伤状况进行辨识,当列车上桥前后桥梁响应频率,即简支梁在列车运行后自身的各阶固有频率发生的变化超过5%,相同位置的同一片T梁在列车未上桥和上桥这两种工况下的各阶频率值间的差值百分比超过5%,则认定简支梁内部存在损伤,此时,可再次验算下一班列车在上桥前和上桥后两种工况下的频率变化情况,当频率差值百分比依然存在较大差异性,则可判定该片T梁发生损伤的概率很大,则需安排相关专业人士对其进行更为详细的检测。
请参照图13,为本座桥中共7跨30m简支T梁(延线路方向左侧第1片T梁)在某一个时间段内,列车上桥时段前三阶固有频率值的结果,将该结果与对应的理论值进行对比分析,得到表1所示结果,可知该7片T梁的前三阶频率值在列车未上桥和上桥两种工况下的频率值误差百分比均在5%内,即表明这7片T梁在该测试时间段内均未发生损伤情况。
表1频率结果对比分析表(单位:%)
第1跨 | 第2跨 | 第3跨 | 第4跨 | 第5跨 | 第6跨 | 第7跨 | |
第1阶 | 0.6 | -3.6 | -2.0 | -0.9 | -0.2 | -0.9 | 2.2 |
第2阶 | -1.3 | 1.3 | 0.5 | 1.4 | 2.1 | -0.8 | -0.9 |
第3阶 | -2.7 | -3.2 | 0.7 | 0.8 | 2.0 | 1.3 | -3.0 |
该检测方法通过在每跨桥梁结构安装传感器,对桥梁结构的振动数据进行采集;该方法考虑了噪声对识别结果的影响,通过EEMD算法分解响应信号,通过评价指标筛选有效分量并重组,将响应信号进行处理,获得更加有效的响应信号的数据,省去了人为参与有效分量的辨识,避免了筛选结果的主观性,使得结果客观、真实地反应简支梁结构损伤情况,通过DATA-SSI方法分别对列车未上桥和列车上桥的数据进行识别,获取桥梁结构的基准固有频率值和实际固有频率值,能够在试验环境下直接反映出桥梁结构的固有频率情况,避免了对温度及其他边界条件的考虑,最后通过对比分析相对变化情况来对简支梁结构损伤状况进行辨识,提高了对既有桥梁简支梁结构损伤识别的准确性,获取结果更加接近真实情况。
实施例2
本实施例提供一种桥梁结构损伤的智能化检测***,基于实施例1的桥梁结构损伤的智能化检测方法,***可为硬件,可为软件,也可为软硬件结合的移动端,包含实施例1的方法的程序代码的计算机存储介质可采用一个或多个,存储介质包括但不限于磁盘存储器、CD-ROM、光学存储器,计算机程序代码,能够实现图4和/或图4各方框中的每一流程和/或方框;可提供上述的计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以制成一个机器,如移动端设备,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程,和/或方框图一个方框或多个方框中指定的功能的装置。上述的计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程,和/或方框图一个方框或多个方框中指定的功能。
本实施例的***包括:移动端和传感器端,移动端包括存储器、处理器、显示器、无线通信模块和电源模块,传感器端为加速度传感器6,其内置有无线通信模块、控制器和电源模块,移动端的电源模块用于为各硬件供电,存储器、显示器和无线通信模块电连接至处理器,加速度传感器6采集到信号后,控制器通过无线通信模块将响应信号传递至移动端的无线通信模块,处理器用于接收传感器的响应信号和运行计算机代码,并通过计算输出辨识简支梁结构发生损伤状况的结果,存储器中储存有实现上述实施例1中桥梁结构损伤的智能化检测方法的计算机代码。
通过***,将桥梁结构损伤的智能化检测方法的计算公式和运算步骤储存在存储器上,通处理器即可直接读取并进行运算,能够直接输出结果,智能化、快速地对桥梁结构简支梁的损伤情况进行识别,实现对实际桥梁结构损伤状态的在线监测,提升桥梁损伤判定的准确度,达到更准确的桥梁健康监测目的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种桥梁结构损伤的智能化检测方法,其特征在于,包括以下步骤:
S1、将传感器安装于每跨桥梁结构,通过传感器分别采集桥梁结构在列车未上桥的环境激励下和在列车上桥运行工况下的动力响应信号;
S2、采用总体平均经验模态分解算法EEMD对采集的响应信号进行信号的分解,得到各本征模态函数IMF;
S3、采用基于相关系数和K-L散度的评价指标筛选所有IMF分量中的有效分量进行结构信号的重组;
S4、采用数据驱动随机子空间识别法DATA-SSI,识别在列车未上桥采样时间段内环境激励下重组信号的模态参数结果,并作为该桥梁结构的基准固有频率值;
S5、采用数据驱动随机子空间识别法DATA-SSI,识别在列车上桥时间段内重组信号的模态参数结果,并作为该桥梁结构的实际固有频率值;
S6、对比分析同一座桥梁结构中,相同跨度桥梁结构的频率值相对变化情况;并对比分析列车上桥前后桥梁响应频率的相对变化情况;通过分析各跨简支梁各阶固有频率值的变化幅度,来对简支梁结构发生损伤状况进行辨识。
2.根据权利要求1所述的桥梁结构损伤的智能化检测方法,其特征在于,所述传感器为加速度传感器,所述加速度传感器的采样频率为20~50Hz,所述加速度传感器采样数据点在1200以上。
3.根据权利要求1所述的桥梁结构损伤的智能化检测方法,其特征在于,所述S2中,通过算法EEMD对采集的响应信号进行分解过程中,在原始响应信号中添加等幅值的随机白噪声。
4.根据权利要求1所述的桥梁结构损伤的智能化检测方法,其特征在于,所述步骤S3的具体步骤为:
S31、对加速度采集的响应信号x(t)进行EEMD处理后,可以得到k个IMF分量和一个残余项rk;
S32、采用多元统计学中的“相关性分析”求解每个IMF分量与x(t)之间的相似程度值XSD;
S33、采用K-L散度计算每个IMF分量与x(t)之间的相似散度值KL,通过散度值KL判断IMF分量的真实性,剔除虚假成分,留下有效IMF分量;
S34、基于线性加权的原理对相似程度值XSD和相似散度值KL进行组合得到用于筛选有效IMF分量的综合指标SX;
S35、基于综合指标SX对有效IMF分量进行重构,得到重构信号Cx(t)。
5.根据权利要求4所述的桥梁结构损伤的智能化检测方法,其特征在于,所述S35中,当SXi≥0.6时,IMF分量认定为有效,对有效的IMF分量进行重构。
7.根据权利要求6所述的桥梁结构损伤的智能化检测方法,其特征在于,所述S5中,具体步骤与S41-S43相同。
8.根据权利要求1所述的桥梁结构损伤的智能化检测方法,其特征在于,所述S5中,所述列车上桥时间段为列车在运行工况下,从列车的第一对轮轴驶入该桥梁至最后一对轮轴驶离该桥梁经历的时间段。
9.根据权利要求1所述的桥梁结构损伤的智能化检测方法,其特征在于,所述S6中,辨识简支梁结构发生损伤状况的依据是:
当相同跨度桥梁结构的同一片T梁在列车未上桥和上桥两种工况下,各阶频率值间的差值百分比超过5%,则初步判断怀疑该片T梁发生损伤;
当列车上桥前后桥梁响应频率,即简支梁在列车运行后自身的各阶固有频率发生的变化超过5%,则认定简支梁内部存在损伤。
10.一种桥梁结构损伤的智能化检测***,其特征在于,***包括:存储器和处理器,所述存储器上储存有实现权利要求1-9任一所述的桥梁结构损伤的智能化检测方法的计算机代码,所述处理器用于接收所述传感器的响应信号和运行所述计算机代码,并输出辨识简支梁结构发生损伤状况的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414693.5A CN114091160B (zh) | 2021-11-25 | 2021-11-25 | 一种桥梁结构损伤的智能化检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414693.5A CN114091160B (zh) | 2021-11-25 | 2021-11-25 | 一种桥梁结构损伤的智能化检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091160A true CN114091160A (zh) | 2022-02-25 |
CN114091160B CN114091160B (zh) | 2023-09-05 |
Family
ID=80304621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414693.5A Active CN114091160B (zh) | 2021-11-25 | 2021-11-25 | 一种桥梁结构损伤的智能化检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091160B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421554A (zh) * | 2023-10-23 | 2024-01-19 | 江苏科技大学 | 基于长期振动监测数据的大跨悬索桥结构损伤识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109357822A (zh) * | 2018-08-13 | 2019-02-19 | 东南大学 | 一种基于车桥耦合***时变动力特征改变的桥梁快速测试与评估方法 |
CN110619106A (zh) * | 2019-07-25 | 2019-12-27 | 中际物联科技(深圳)有限公司 | 一种桥梁损伤定位方法及其定量方法 |
CN111366317A (zh) * | 2020-03-13 | 2020-07-03 | 大连理工大学 | 一种使用主动激励车辆进行梁式桥桥面板损伤检测的方法 |
CN111581867A (zh) * | 2020-05-18 | 2020-08-25 | 天津大学 | 一种桥梁损伤快速检测方法 |
-
2021
- 2021-11-25 CN CN202111414693.5A patent/CN114091160B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109357822A (zh) * | 2018-08-13 | 2019-02-19 | 东南大学 | 一种基于车桥耦合***时变动力特征改变的桥梁快速测试与评估方法 |
CN110619106A (zh) * | 2019-07-25 | 2019-12-27 | 中际物联科技(深圳)有限公司 | 一种桥梁损伤定位方法及其定量方法 |
CN111366317A (zh) * | 2020-03-13 | 2020-07-03 | 大连理工大学 | 一种使用主动激励车辆进行梁式桥桥面板损伤检测的方法 |
CN111581867A (zh) * | 2020-05-18 | 2020-08-25 | 天津大学 | 一种桥梁损伤快速检测方法 |
Non-Patent Citations (2)
Title |
---|
何杰: "基于随机子空间算法的桥梁结构模态参数自动化识别", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 17 - 57 * |
范菲菲等: "船舶自动识别***的单通道信号分离优化研究", 《计算机仿真》, pages 167 - 171 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421554A (zh) * | 2023-10-23 | 2024-01-19 | 江苏科技大学 | 基于长期振动监测数据的大跨悬索桥结构损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114091160B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Road profile estimation, and its numerical and experimental validation, by smartphone measurement of the dynamic responses of an ordinary vehicle | |
Fauriat et al. | Estimation of road profile variability from measured vehicle responses | |
Johannesson et al. | Modelling of road profiles using roughness indicators | |
CN110795780B (zh) | 一种基于XGBoost算法的斜拉桥有限元修正方法 | |
CN113868749B (zh) | 一种基于车辆动态称重数据的车致桥梁疲劳损伤分析方法 | |
CN112834193B (zh) | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 | |
Johannesson et al. | Modelling roughness of road profiles on parallel tracks using roughness indicators | |
CN108444662B (zh) | 一种基于日温度效应的桥梁损伤在线监测方法 | |
DE10259609A1 (de) | Verfahren zur Bestimmung der Ermüdungsempfindlichkeit | |
CN117291072B (zh) | 一种桥梁损伤识别方法 | |
CN108846200B (zh) | 一种基于迭代法的准静态桥梁影响线识别方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及*** | |
CN113935384B (zh) | 一种信号自适应分解和识别的桥梁健康监测方法及*** | |
CN114091160A (zh) | 一种桥梁结构损伤的智能化检测方法及*** | |
Johannesson et al. | Laplace processes for describing road profiles | |
CN114880940A (zh) | 基于多域分析和人工神经网络的压实质量检测方法及装置 | |
CN114595721A (zh) | 一种基于路况识别的车辆零部件应变载荷预测方法 | |
Sharma et al. | Forecasts using Box–Jenkins models for the ambient air quality data of Delhi City | |
CN115982606A (zh) | 基于模糊c均值聚类算法的桥梁结构健康检测方法及*** | |
Arjomandi et al. | Monitoring time in operational modal tests with broad and narrow band excitations | |
Bogsjö | Evaluation of stochastic models of parallel road tracks | |
CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
CN114139383A (zh) | 一种燃料电池汽车的动态疲劳可靠性风险评估方法 | |
CN109993211B (zh) | 基于结构加速度ar模型系数的损伤识别方法 | |
CN114461979A (zh) | 一种结构参数不确定性量化与误差逐级传递方法及*** |
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 |