CN115452282A - 一种基于数据融合的铁路桥梁结构健康监测方法 - Google Patents
一种基于数据融合的铁路桥梁结构健康监测方法 Download PDFInfo
- Publication number
- CN115452282A CN115452282A CN202211074817.4A CN202211074817A CN115452282A CN 115452282 A CN115452282 A CN 115452282A CN 202211074817 A CN202211074817 A CN 202211074817A CN 115452282 A CN115452282 A CN 115452282A
- Authority
- CN
- China
- Prior art keywords
- strain
- deflection
- bridge
- matrix
- bridge structure
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000036541 health Effects 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 42
- 230000006378 damage Effects 0.000 claims abstract description 35
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000611 regression analysis Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000000873 masking effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0041—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress
- G01M5/005—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining deflection or stress by means of external apparatus, e.g. test benches or portable test systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明的基于数据融合的铁路桥梁结构健康监测方法包括:获取铁路桥梁结构应变‑挠度训练数据集,提取应变与挠度初始特征矩阵;进行考虑应变‑挠度测点两两组合的稳健回归分析,获得三维回归系数矩阵;进行第一次特征融合,得到对应各应变测点的残差特征向量;计算残差特征向量的协方差矩阵和均值向量,据此进行基于马氏距离的第二次特征融合,计算距离特征的控制限;获取新的应变‑挠度监测数据,采用相同方法经初始特征提取、两次特征融合得到应变‑挠度监测数据的对应各应变测点的距离特征;根据距离特征和控制限进行铁路桥梁结构局部损伤的判别与定位。本发明将应变‑挠度测点的车激振动响应数据融合,增强了铁路桥梁结构局部损伤的可探测性。
Description
技术领域
本发明属于结构健康监测技术领域,涉及一种基于数据融合的铁路桥梁结构健康监测方法。
背景技术
铁路桥梁是铁路运输网络安全运营的重要载体和关键节点。随着列车提速、运量增加,基础设施运营压力增大;与此同时,在长达几十年、上百年的服役期间,这些基础设施不断老化,自然灾害、疲劳、腐蚀等因素的共同作用将导致桥梁结构的损伤累积和性能退化,增加了失效甚至倒塌的风险。近二十年来,结构健康监测技术发展迅速,其目的是实时监控工程基础设施的运营状态,并在结构损伤累积至性能严重退化之前识别损伤,以提供预防式维护策略。这些工作能够弥补目视检测的不足,特别有助于进行难以中断运营的桥梁结构的状态评估。
对于铁路桥梁,尤其是处于服役中后期的老旧桥梁,提供表征桥梁与列车运营安全与稳定的指标是实施健康监测的关键任务。目前基于监测信息的安全指标可划分为两类:整体指标和局部指标。整体指标主要包括桥梁静、动挠度以及模态频率等;这类指标适合评价车-桥耦合***的运行稳定性,但难以识别结构局部损伤,并且这些指标会受到环境与车辆荷载因素的干扰,引起的“掩蔽效应”将“掩盖”原有指标的变化,进而影响指标的实用性。局部指标主要包括桥梁结构重点监测的易损部位的应力、疲劳等,这类指标一般利用测试更加稳定的应力/应变传感器测得的数据计算得到;尽管这些指标对构件的损伤更加敏感,但仍然会受到环境与车辆荷载因素引起的“掩蔽效应”的不利影响,将导致局部的损伤效应难以被探测到。
结构健康监测***通过布设在结构上的或非接触的各类传感器获取数据,对这些来源离散的异构监测数据的高效处理与充分利用一直是该领域的热点问题。目前先进的做法是采用以云计算为代表的信息处理技术对监测数据进行集成化、自动化地存储与管理,进而降低监测***的硬件成本并增进***的效率与兼容性。然而,目前的软件平台对监测数据的分析与解释能力较为薄弱。对于铁路桥梁,上述整体与局部指标尚不足以实现结构早期损伤的探测,缺乏能够充分利用桥梁健康监测信息以增强结构早期损伤可探测性的数据分析算法。
发明内容
本发明的目的是为了解决铁路桥梁结构健康监测数据易受环境与车辆荷载等时变因素的不利影响,难以实现结构早期损伤探测的问题,以及监测***软件平台缺乏充分利用异构数据的数据分析算法,提出一种基于数据融合的铁路桥梁结构健康监测方法。
本发明提供一种基于数据融合的铁路桥梁结构健康监测方法,包括:
步骤1:获取铁路桥梁结构应变-挠度训练数据集,提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵;
步骤2:进行考虑应变-挠度测点两两组合的稳健回归分析,获得应变-挠度训练数据集的三维回归系数矩阵;
步骤3:进行基于稳健回归分析的第一次特征融合,得到应变-挠度训练数据集的对应各应变测点的残差特征向量;
步骤4:计算残差特征向量的协方差矩阵和均值向量;
步骤5:根据协方差矩阵和均值向量,进行基于马氏距离的第二次特征融合,得到应变-挠度训练数据集的对应各应变测点的距离特征;
步骤6:计算距离特征的控制限;
步骤7:获取新的应变-挠度监测数据,采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征;并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位。
本发明的一种基于数据融合的铁路桥梁结构健康监测方法,至少具有以下有益效果:
其一,本发明充分利用了来源离散且异构的应变与挠度响应数据,实现了列车过桥所激发的应变与挠度响应数据的融合,其中应变关联结构局部性态而挠度表征结构整体行为,本发明将两者融合得到的距离特征作为铁路桥梁结构早期损伤探测指标,实现了互补性的数据融合。整个过程涉及在初始特征提取基础上的两次特征融合:第一次特征融合依据列车过桥时,桥上不同测点位置的荷载效应具有相关性,第二次特征融合依据高维特征的基于距离的聚类,两次融合均具有明确的物理意义。本发明能够消除环境与车辆荷载引起的掩蔽效应,增强了铁路桥梁结构局部小损伤的可探测性。
其二,本发明提供的基于数据融合的铁路桥梁结构健康监测方法,可以与结构健康监测云平台的数据采控同步执行。具有以下优势有助于实现铁路桥梁的预防式维护:
1、本发明所需的数据是易于获取的列车过桥所激发的应变与挠度响应数据,这些时历数据规律性较强且幅值较大,时变影响因素较少;
2、提出的方法为无监督的,不需要结构损伤状态的标签数据;
3、提取的初始特征为动态应变与挠度响应数据的积分/求和,后续算法仅处理这些初始特征,减少了数据存储量;
4、基于稳健回归分析和马氏距离的两次特征融合均为参数不敏感;
5、无论是训练阶段还是探测阶段,本发明方法仅需少量计算资源,满足结构健康监测的在线预警的数据处理要求;
6、本发明方法不依赖结构的物理模型,案例依赖性较低。
附图说明
图1是本发明的一种基于数据融合的铁路桥梁结构健康监测方法的流程图;
图2(a)-(b)是本发明一个实施例的钢制单跨系杆拱桥数值算例;其中,2(a)为桥梁三维有限元模型图,2(b)为桥梁支座约束简化示意图;
图3(a)-(b)是本发明一个实施例的应变与挠度传感器布置与损伤位置示意图;其中,图3(a)为桥梁南侧视图,图3(b)为桥梁北侧视图;
图4是本发明一个实施例的环境与车辆荷载作用模拟的主要输入数据;
图5(a)-(d)是本发明一个实施例的环境与车辆荷载因素影响下典型的应变与挠度响应;其中,图5(a)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的应变测点s4的应变响应;图5(b)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的挠度测点d5的挠度响应;图5(c)Intercity型列车、过桥速度50km/h、温度26℃条件下的应变测点s6的应变响应;图5(d)Intercity型列车、过桥速度50km/h、温度26℃条件下的挠度测点d5的挠度响应;
图6是本发明一个实施例的两个应变测点s9和应变测点s17所对应的初始特征数据;
图7(a)-(b)是本发明一个实施例的所有应变测点与挠度测点所对应的初始特征数据的箱线图;其中,图7(a)为应变初始特征,图7(b)为挠度初始特征;
图8是本发明一个实施例的应变测点s9和应变测点s17所对应的距离特征数据;
图9是本发明一个实施例的所有应变测点所对应的距离特征数据的箱线图。
具体实施方式
如图1所示,本发明的一种基于数据融合的铁路桥梁结构健康监测方法,包括:
步骤1:获取铁路桥梁结构应变-挠度训练数据集,提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵,步骤1具体包括:
步骤1.1:针对具有m个应变测点和n个挠度测点的铁路桥梁结构,根据桥梁当前运营状态、定期检测与健康监测历史,将桥梁结构未损伤状态下获取的kB次列车过桥所激发的应变与挠度响应数据联合作为应变-挠度训练数据集;
步骤1.2:第k次列车应变测点i测得应变响应为εi,k(t),i=1,2,…,m,k=1,2,…,kB,将应变响应时程积分作为该应变初始特征SFi,k:
式中:Tk为第k次列车过桥荷载效应作用的总时间;
应变-挠度训练数据集中,共kB次列车过桥可得m个应变测点的应变初始特征矩阵SFM:
步骤1.3:第k次列车过桥时挠度测点j测得挠度响应为δj,k(t),j=1,2,…,n,将挠度响应时程积分作为该挠度初始特征DFj,k:
应变-挠度训练数据集中,共kB次列车过桥可得n个挠度测点的挠度初始特征矩阵DFM:
步骤2:进行考虑应变-挠度测点两两组合的稳健回归分析,获得应变-挠度训练数据集的三维回归系数矩阵,所述步骤2具体为:
步骤2.1:应变初始特征矩阵SFM和挠度初始特征矩阵DFM中,拾取应变-挠度测点组合(i,j)所对应的SFM矩阵第i行和DFM矩阵第j行,对两行数据做稳健回归分析,得到对应该应变-挠度测点组合的回归系数向量CVi,j∈R1×2;
步骤2.2:考虑m个应变测点和n个挠度测点的两两组合,得到应变-挠度训练数据集的三维回归系数矩阵CM∈Rm×n×2。
具体实施时,用以获取应变与挠度响应数据的应变测点和挠度测点,分别由测量桥梁结构易损部位应力/应变的应变传感器和测量桥梁挠度的位移传感器构成;应变传感器和位移传感器在列车过桥前后均为正常工作状态。
步骤3:进行基于稳健回归分析的第一次特征融合,得到应变-挠度训练数据集的对应各应变测点的残差特征向量,具体包括:
步骤3.1:根据步骤1,第k次列车过桥可得m个应变测点的应变初始特征向量SFVk:
SFVk={SF1,k SF2,k … SFm-1,k SFm,k}T (5)
步骤3.2:根据步骤1,第k次列车过桥可得n个挠度测点的挠度初始特征向量DFVk:
DFVk={DF1,k DF2,k … DFn-1,k DFn,k}T (6)
步骤3.3:取三维回归系数矩阵CM中应变测点i对应的二维回归系数矩阵CMi∈Rn ×2,将其点乘矩阵[In,DFVk],并将所得的矩阵各行求和,得到针对应变测点i的回归估计向量In∈Rn×1为单位列向量,上角标e代表估计值;计算针对应变测点i的残差特征向量RFVi,k∈Rn×1:
依次计算m个应变测点所对应的残差特征向量。
步骤4:计算残差特征向量的协方差矩阵和均值向量,所述步骤4具体为:
步骤5:根据协方差矩阵和均值向量,进行基于马氏距离的第二次特征融合,得到应变-挠度训练数据集的对应各应变测点的距离特征,所述步骤5具体为:
步骤5.1:考虑第k次列车过桥,计算针对应变测点i的残差特征向量的马氏距离,得到距离特征MDi,k:
步骤5.2:依次计算m个应变测点所对应的距离特征。
步骤6:计算距离特征的控制限,所述步骤6具体为:
计算针对应变测点i的应变-挠度训练数据集共kB次列车过桥的距离特征,将这些距离特征的均值加3倍标准差作为应变测点i所在桥梁结构易损部位的控制限值CLi;依次计算m个应变测点所对应的控制限值。
步骤7:获取新的应变-挠度监测数据,采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征;并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位,所述步骤7具体为:
步骤7.1:每当获取运营状态下新的列车过桥所激发的应变-挠度监测数据,重复执行步骤1、3和5并使用步骤2中得到的三维回归系数矩阵以及步骤4中得到的协方差矩阵和均值向量,获得对应各应变测点的距离特征;其中对于第z次列车过桥,z>kB,获得针对应变测点i的距离特征MDi,z;
步骤7.2:若MDi,z≤CLi,则表明应变测点i所在的桥梁结构易损部位未发生损伤;若MDi,z>CLi,则表明应变测点i所在的桥梁结构易损部位发生损伤;获得m个应变测点所在的桥梁结构易损部位的损伤判别和定位结果。
实施例
本实施例中通过进行某实际铁路桥梁的模拟试验,验证所提出方法的可行性和鲁棒性。图2(a)所示为该单跨系杆拱桥的有限元模型,图2(b)为桥梁支座约束简化示意图。桥梁主体为钢结构,双轨道桥面,由两根主梁和33根横梁组成平面框架桥面系,桥面系通过32个斜撑杆悬挂在南北两侧拱肋上,桥梁两端各有两个橡胶支座支撑。
图3(a)-(b)是本发明一个实施例的应变测点与挠度传感器布置与损伤位置示意图;图3(a)为桥梁南侧视图,图3(b)为桥梁北侧视图;如图,每个斜撑杆上布置一个应变测点,通过应变传感器测量斜撑杆轴向应变响应;在桥梁南侧主梁与斜撑杆节点处布设挠度测点,通过位移传感器测量主梁与斜撑杆节点位置的竖向位移响应。其中,上述应变测点的编号依次为s1-s32。
在实桥检测时发现该桥各斜撑杆与主梁和拱之间的螺栓连接存在建造缺陷,随后对这些节点连接的薄弱部位进行了加固。因此本实施例在模拟中考虑斜撑杆端节点位置的局部损伤及其发展演化。考虑了三种损伤工况(DamageScenario,DS),分别代表桥梁的三种损伤状态:其中,DS1为斜撑杆8和杆9与主梁的连接部位发生损伤,连接刚度减少20%;DS2损伤位置与DS1相同,但损伤程度即连接刚度减少50%;DS3是在DS2的基础上,斜撑杆17与主梁的连接部位发生损伤,连接刚度减少50%;此外,DS0代表桥梁未损伤状态。
为充分验证本发明提出的数据融合算法算法在时变的环境与车辆荷载影响下的鲁棒性,模拟了共135次完全随机的列车过桥事件,如图4所示。每次以50km/h至200km/h呈均匀分布的行车速度沿B方向,参见图2(b),随机通过Suburban和Intercity两种欧洲列车,每次列车过桥事件的记录温度也在-3℃至37℃之间呈均匀分布。其中前45次列车过桥时桥梁处于未损状态DS0,第46至75次列车过桥时桥梁处于损伤状态DS1,第76至105次列车过桥时桥梁处于损伤状态DS2,第106至135次列车过桥时桥梁处于损伤状态DS3。图5(a)-(d)是本发明一个实施例的环境与车辆荷载因素影响下典型的应变与挠度响应。其中,图5(a)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的应变测点s4的应变响应;图5(b)Suburban型列车、过桥速度107km/h、温度18.2℃条件下的挠度测点d5的挠度响应;图5(c)Intercity型列车、过桥速度50km/h、温度26℃条件下的应变测点s6的应变响应;图5(d)Intercity型列车、过桥速度50km/h、温度26℃条件下的挠度测点d5的挠度响应。
图6列出了135次列车过桥事件中提取的应变测点s9和s17所对应初始特征数据。可以观察到初始特征数据中存在一些离群点,而经过分析可知这些离群点仅为较大载重的Intercity列车在低速过桥时的响应特征,与局部损伤无关。应变测点s9和s17所在斜撑杆与主梁的连接部位发生损伤,理论上损伤后这两个应变测点所对应的响应特征应有所反映,但图中未看到损伤前后响应特征,即初始特征数据的显著变化,说明仅利用单应变测点的初始特征数据难以识别损伤,应变初始特征数据中的损伤效应被时变的环境与车辆荷载引起的掩蔽效应所掩盖。
图7(a)-(b)利用箱线图进一步给出了135次列车过桥事件中所有应变与挠度测点对应的初始特征数据的量化分布。可观察到车辆荷载主导了响应初始特征的幅值变化,导致局部小损伤,例如DS1和DS3,难以直接被探测到。
图8列出了基于本发明提出的数据融合算法得到的135次列车过桥事件中应变测点s9和s17所对应距离特征数据及其控制限。控制限可对损伤前后的距离特征进行有效分类,没有发生损伤误判;由此可知,将融合得到的距离特征作为铁路桥梁结构早期损伤探测指标是有效的。
将所有应变测点对应的距离特征,即损伤探测结果以箱线图的形式展示在图9中。损伤探测结果表明,本发明充分利用了不同测点且异构的监测数据,消除了本实施例中时变的环境与车辆荷载引起的掩蔽效应,增强了局部小损伤,例如DS1和DS3,的可探测性。
以上所述仅为本发明的较佳实施例,并不用以限制本发明的思想,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据融合的铁路桥梁结构健康监测方法,其特征在于,包括:
步骤1:获取铁路桥梁结构应变-挠度训练数据集,提取应变-挠度训练数据集的应变初始特征矩阵与挠度初始特征矩阵;
步骤2:进行考虑应变-挠度测点两两组合的稳健回归分析,获得应变-挠度训练数据集的三维回归系数矩阵;
步骤3:进行基于稳健回归分析的第一次特征融合,得到应变-挠度训练数据集的对应各应变测点的残差特征向量;
步骤4:计算残差特征向量的协方差矩阵和均值向量;
步骤5:根据协方差矩阵和均值向量,进行基于马氏距离的第二次特征融合,得到应变-挠度训练数据集的对应各应变测点的距离特征;
步骤6:计算距离特征的控制限;
步骤7:获取新的应变-挠度监测数据,采用步骤1、3和5相同方法经初始特征提取与两次特征融合得到应变-挠度监测数据的对应各应变测点的距离特征;并根据距离特征和步骤6中得到的控制限进行铁路桥梁结构局部损伤的判别与定位。
2.如权利要求1所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,步骤1具体包括:
步骤1.1:针对具有m个应变测点和n个挠度测点的铁路桥梁结构,根据桥梁当前运营状态、定期检测与健康监测历史,将桥梁结构未损伤状态下获取的kB次列车过桥所激发的应变与挠度响应数据联合作为应变-挠度训练数据集;
步骤1.2:第k次列车应变测点i测得应变响应为εi,k(t),i=1,2,…,m,k=1,2,…,kB,将应变响应时程积分作为该应变初始特征SFi,k:
式中:Tk为第k次列车过桥荷载效应作用的总时间;
应变-挠度训练数据集中,共kB次列车过桥可得m个应变测点的应变初始特征矩阵SFM:
步骤1.3:第k次列车过桥时挠度测点j测得挠度响应为δj,k(t),j=1,2,…,n,将挠度响应时程积分作为该挠度初始特征DFj,k:
应变-挠度训练数据集中,共kB次列车过桥可得n个挠度测点的挠度初始特征矩阵DFM:
3.如权利要求2所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,所述步骤2具体为:
步骤2.1:应变初始特征矩阵SFM和挠度初始特征矩阵DFM中,拾取应变-挠度测点组合(i,j)所对应的SFM矩阵第i行和DFM矩阵第j行,对两行数据做稳健回归分析,得到对应该应变-挠度测点组合的回归系数向量CVi,j∈R1×2;
步骤2.2:考虑m个应变测点和n个挠度测点的两两组合,得到应变-挠度训练数据集的三维回归系数矩阵CM∈Rm×n×2。
4.如权利要求1所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,用以获取应变与挠度响应数据的应变测点和挠度测点,分别由测量桥梁结构易损部位应力/应变的应变传感器和测量桥梁挠度的位移传感器构成;应变传感器和位移传感器在列车过桥前后均为正常工作状态。
5.如权利要求3所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,步骤3中所述的基于稳健回归分析的第一次特征融合,具体包括:
步骤3.1:根据步骤1,第k次列车过桥可得m个应变测点的应变初始特征向量SFVk:
SFVk={SF1,k SF2,k…SFm-1,k SFm,k}T (5)
步骤3.2:根据步骤1,第k次列车过桥可得n个挠度测点的挠度初始特征向量DFVk:
DFVk={DF1,k DF2,k…DFn-1,k DFn,k}T (6)
步骤3.3:取三维回归系数矩阵CM中应变测点i对应的二维回归系数矩阵CMi∈Rn×2,将其点乘矩阵[In,DFVk],并将所得的矩阵各行求和,得到针对应变测点i的回归估计向量为单位列向量,上角标e代表估计值;计算针对应变测点i的残差特征向量RFVi,k∈Rn×1:
依次计算m个应变测点所对应的残差特征向量。
8.如权利要求7所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,所述步骤6具体为:
计算针对应变测点i的应变-挠度训练数据集共kB次列车过桥的距离特征,将这些距离特征的均值加3倍标准差作为应变测点i所在桥梁结构易损部位的控制限值CLi;依次计算m个应变测点所对应的控制限值。
9.如权利要求8所述的基于数据融合的铁路桥梁结构健康监测方法,其特征在于,所述步骤7具体为:
步骤7.1:每当获取运营状态下新的列车过桥所激发的应变-挠度监测数据,重复执行步骤1、3和5并使用步骤2中得到的三维回归系数矩阵以及步骤4中得到的协方差矩阵和均值向量,获得对应各应变测点的距离特征;其中对于第z次列车过桥,z>kB,获得针对应变测点i的距离特征MDi,z;
步骤7.2:若MDi,z≤CLi,则表明应变测点i所在的桥梁结构易损部位未发生损伤;若MDi,z>CLi,则表明应变测点i所在的桥梁结构易损部位发生损伤;获得m个应变测点所在的桥梁结构易损部位的损伤判别和定位结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074817.4A CN115452282B (zh) | 2022-09-02 | 2022-09-02 | 一种基于数据融合的铁路桥梁结构健康监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211074817.4A CN115452282B (zh) | 2022-09-02 | 2022-09-02 | 一种基于数据融合的铁路桥梁结构健康监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115452282A true CN115452282A (zh) | 2022-12-09 |
CN115452282B CN115452282B (zh) | 2024-07-02 |
Family
ID=84301673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211074817.4A Active CN115452282B (zh) | 2022-09-02 | 2022-09-02 | 一种基于数据融合的铁路桥梁结构健康监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115452282B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839659A (zh) * | 2023-06-21 | 2023-10-03 | 中交三航局第三工程有限公司 | 架桥机主梁的损伤识别方法、*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120106038A (ko) * | 2011-03-17 | 2012-09-26 | 현대건설주식회사 | 변형률 측정을 이용한 장대 교량 구조물의 변위측정방법과, 이를 이용한 장대 교량구조물의 변위측정장치 |
US20150226633A1 (en) * | 2014-01-14 | 2015-08-13 | Iowa State University Research Foundation, Inc. | Method and system for bridge damage detection |
CN106197910A (zh) * | 2016-07-01 | 2016-12-07 | 东南大学 | 一种基于车桥耦合振动分析的桥梁检测方法与检测*** |
WO2017202139A1 (zh) * | 2016-05-26 | 2017-11-30 | 东南大学 | 一种基于长标距应变影响包络线的桥梁损伤识别方法 |
CN111272366A (zh) * | 2020-03-02 | 2020-06-12 | 东南大学 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
CN112308826A (zh) * | 2020-10-23 | 2021-02-02 | 南京航空航天大学 | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 |
CN113283130A (zh) * | 2021-04-21 | 2021-08-20 | 中国铁路设计集团有限公司 | 基于应变模态的高速铁路32米标准梁动挠度监测方法 |
-
2022
- 2022-09-02 CN CN202211074817.4A patent/CN115452282B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120106038A (ko) * | 2011-03-17 | 2012-09-26 | 현대건설주식회사 | 변형률 측정을 이용한 장대 교량 구조물의 변위측정방법과, 이를 이용한 장대 교량구조물의 변위측정장치 |
US20150226633A1 (en) * | 2014-01-14 | 2015-08-13 | Iowa State University Research Foundation, Inc. | Method and system for bridge damage detection |
WO2017202139A1 (zh) * | 2016-05-26 | 2017-11-30 | 东南大学 | 一种基于长标距应变影响包络线的桥梁损伤识别方法 |
CN106197910A (zh) * | 2016-07-01 | 2016-12-07 | 东南大学 | 一种基于车桥耦合振动分析的桥梁检测方法与检测*** |
CN111272366A (zh) * | 2020-03-02 | 2020-06-12 | 东南大学 | 一种基于多传感器数据融合的桥梁位移高精度测量方法 |
CN112308826A (zh) * | 2020-10-23 | 2021-02-02 | 南京航空航天大学 | 一种基于卷积神经网络的桥梁结构表面缺陷检测方法 |
CN113283130A (zh) * | 2021-04-21 | 2021-08-20 | 中国铁路设计集团有限公司 | 基于应变模态的高速铁路32米标准梁动挠度监测方法 |
Non-Patent Citations (1)
Title |
---|
劳晓春, 汤立群, 任鹏, 罗立峰: "桥梁内部预应力钢绞线应变的长久监测与分析", 华南理工大学学报(自然科学版), no. 11, 28 November 2003 (2003-11-28) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116839659A (zh) * | 2023-06-21 | 2023-10-03 | 中交三航局第三工程有限公司 | 架桥机主梁的损伤识别方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN115452282B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
Cheung et al. | The application of statistical pattern recognition methods for damage detection to field data | |
KR102158192B1 (ko) | 오토인코더를 이용한 psc 교량의 텐던 손상 추정 방법 | |
CN105956216A (zh) | 大跨钢桥基于均匀温度响应监测值的有限元模型修正方法 | |
US9969507B2 (en) | Method for performing diagnostics of a structure subject to loads and system for implementing said method | |
CN117291072B (zh) | 一种桥梁损伤识别方法 | |
JP6458055B2 (ja) | 損傷推定装置 | |
CN112765881A (zh) | 基于神经网络的可扩展至多桥的动态称重方法及*** | |
CN110704911A (zh) | 一种基于集群结构相似性的桥梁损伤交叉定位方法 | |
Shahsavari et al. | Damage detection and decreased load-carrying capacity assessment of a vertical-lift steel truss bridge | |
CN115452282B (zh) | 一种基于数据融合的铁路桥梁结构健康监测方法 | |
Shi et al. | Uncertain identification method of structural damage for beam-like structures based on strain modes with noises | |
CN106446384B (zh) | 一种桥式起重机主梁结构的损伤识别方法 | |
Gao et al. | Detection of multi-type data anomaly for structural health monitoring using pattern recognition neural network | |
Karakostas et al. | Seismic assessment of bridges through structural health monitoring: a state-of-the-art review | |
CN101487791A (zh) | 轻质栅格夹层材料的损伤诊断方法 | |
Meixedo et al. | Structural health monitoring strategy for damage detection in railway bridges using traffic induced dynamic responses | |
CN116910879A (zh) | 一种随机车载作用下桥梁斜拉索的索力异常诊断方法及装置 | |
CN109781442B (zh) | 一种磁浮列车转向架裂缝故障的检测方法 | |
Phares et al. | Evolution of a bridge damage-detection algorithm | |
CN115308054A (zh) | 一种使用车致应变响应数据的铁路桥梁局部损伤诊断方法 | |
CN115356133A (zh) | 一种转向架运行工况在线监测、实时分类与识别算法 | |
Silva et al. | Traffic monitoring using a structural health monitoring system | |
CN111259494B (zh) | 重机设备健康监测分析方法 | |
Sitton et al. | Damage scenario analysis of bridges using crowdsourced smartphone data from passing vehicles |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240528 Address after: 110044 Liaoning Province, Shenyang City District wanghuanan Street No. 21 Applicant after: SHENYANG University Country or region after: China Address before: 110186 No. 3, Wenhua street, Hunnan District, Shenyang City, Liaoning Province Applicant before: Ren Peng Country or region before: China |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant |