CN101963536A - 一种索力实时监测方法 - Google Patents

Abstract

本发明公开一种索力实时监测方法，通过设置在拉索上的传感器获取拉索由环境激励产生的振动信号，对振动信号进行采样、处理，求得索力值；其中，对振动信号进行处理的方法为：对采集到的振动信号顺次进行频谱变换和归一化处理，对归一化处理后的单组数据做多次数组乘积或者对多组连续数据做一次数组乘积，将数组乘积处理后的数据输出到索力计算环节，得出索力。有益效果在于：该方法能够大幅提高信号处理的信噪比，大幅降低信号处理时间，高效、准确的实时识别出拉索的自振频率并得出索力值；结合本发明进一步提出的基频自动识别方法，可使索力求解时的精度、速度都得到大幅提高。

Description

一种索力实时监测方法

技术领域

本发明涉及桥梁、建筑领域，具体涉及一种索力实时监测方法。

背景技术

拉索作为索体系结构(如斜拉桥、大型场馆、过江管道等)的关键受力和传力构件，直接影响索体系结构的内力分布和结构线型，反映着整个索体系结构的安全状况。因此，在索体系结构运营过程中，需要长期在线监测拉索的索力，实时了解索体系结构的工作状态，及时提供维护。在众多索力测量方法中，振频法因测量方便、适合在建和已建桥梁等特点而得到广泛应用。由于振频法是通过对斜拉索的振动响应信号进行频谱分析得到拉索的基频，也称自振频率，从而利用振频与索力的关系求得索力，因此振频法的关键是准确获知拉索的自振频率。

当拉索长为L、线密度为ρ、所受拉力为T，在索长L远大于索径d的条件下，斜拉索可简化振弦等效模型。根据弦振动原理，弦所受的张力T与其基频f₁的简化关系为：T＝4ρL²f₁ ²。从式中容易看出，索力T监测的关键是斜拉索基频f₁的实时自动识别。由于拉索不仅存在第一阶自振频率f₁(即基频)，还存在如第二阶、三阶、四阶等高阶谐振频率f₂、f₃、f₄，因此也可以用式T＝4ρL²(f_N/N)²求解索力，即间接基频法，索力监测转化为对第n阶谐振频率f_N的实时自动识别。

但是在索体系结构监测的条件下，缆索所受的荷载是随机的(如风、雨等外界激励是随机，大桥桥面的交通荷载也是随机的)，因此拉索承受的是复杂的随机激励。在此复杂的激励条件下，拉索的各阶频率信号会与外界的强迫振动信号交织在一起，且其强度会随外界激励条件而变化，即它是一个非平稳频谱信号，其自振频率f_N的谐振峰值时强时弱、信噪比极低，有时甚至完全淹没在干扰与噪声中，产生频谱缺极现象。

还可以看出，由于高阶谐振的存在，在拉索任何位置安装振动传感器所获得的信号都是各阶振动的合成信号，且振动传感器安装在斜拉索索身的不同位置X₁、X₂、X₃时，其获得的拉索各阶振动信号的强度均不同，在某些位置上甚至为零，产生缺极现象，如在X₂位置时，f₄强度为零；在X₃位置时，f₂和f₄强度为零，因此振动传感器在拉索上的安装位置也对信号输出有一定影响。

实际工程中，拉索往往长达数十米甚至上百米，而受条件限制，传感器只能安装在斜拉索桥面端附近，一般为斜拉索几十分之一处。在此位置处，各阶的自振信号的振幅都很小，其对应的频谱很弱，且越靠近锚固端振幅越小、信号越弱，因此极易淹没在环境干扰与电路噪声中。

如一根基频为1Hz的斜拉索振动频谱实测结果，图1、图2分别表示同一拉索同一位置相邻两时刻t₁、t₂的拉索振动频谱。由图可知，基频f₁很弱，完全被噪声淹没；各阶自振频率f_n信号与外界干扰噪声以及外界的被迫振动信号交织在一起，噪声较大，某些谐振频率也被噪声淹没，产生缺极现象，且不同时刻缺极的频率不同，如t₁时刻为f₂、f₃、f₆、f₈及其以后各阶，而t₂时刻为f₃、f₈及其以后各阶。由于斜拉索振动信号强度随外界激励条件而变化，拉索各阶已存在的自振频率强度时强时弱，如t₁时刻f₄、f₅谐振峰较强，而t₂时刻f₄、f₅峰值均变弱，f₇峰值增强。然而，频谱图中有些频率峰值较强，但并不是斜拉索谐波成分，如虚线方框所标示，这些有可能是噪声或者被迫振动结构的频率。这些均增加了实时自动识别的难度，但仔细观察频谱图可知，同一拉索同一位置的频谱存在固定的谐振频率峰值，如f₄、f₅、f₇三阶谐波。

从以上分析可得，实际测量的拉索振动频谱极端复杂，且信号微弱，很难实时自动识别拉索自振频率。在此条件下的自振频率自动识别的结果误差较大且不稳定，常常识别不到有效的频率值。实际工程中，主要依靠人工对频谱进行自振频率的识别，一次的有效的识别需要数分钟到几小时不等，效率极低，且存在人为误差。

因此，需要针对以上问题，提出新的信号处理方法提高信噪比，强化谐振峰，实现自振频率的高效实时自动识别。以有效解决频谱信号微弱、复杂、非平稳，且外界干扰与噪声影响强烈的问题。

发明内容

为解决背景技术中存在的问题，本发明提出了一种索力实时监测方法，通过设置在拉索上的传感器获取拉索由环境激励产生的振动信号，对振动信号进行采样、处理，求得索力值；其中，对振动信号进行处理的方法为：对采集到的振动信号顺次进行频谱变换和归一化处理，对归一化处理后的单组数据做多次数组乘积或者对多组连续数据做一次数组乘积，将数组乘积处理后的数据输出到索力计算环节，得出索力。

所述归一化处理，具体步骤是，设长度为K的频谱X(f_k)的幅值为一个一维数组：

$(A_{k_1^s},\·\·\·A_{k_i^s},\·\·\·A_{k_M^s},A_{k_1^n},\·\·\·A_{k_j^n},\·\·\·A_{k_{K-M}^n})$

将此数组中的每个值都同除以此数组中的最大值，即得到归一化处理后的数组：

$(B_{k_1^s},\·\·\·B_{k_i^s},\·\·\·B_{k_M^s},B_{k_1^n},\·\·\·B_{k_j^n},\·\·\·B_{k_{K-M}^n});$

与

分别表示第i个信号频数和第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，为采样得到的振动信号频谱幅值，

为采样得到的噪声频谱幅值；

为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值。

所述单组数据做多次数组乘积，具体步骤是：设长度为K的频谱信号经归一化处理后所得的某一数组为：

$(B_{k_1^s},\·\·\·B_{k_i^s},\·\·\·B_{k_M^s},B_{k_1^n},\·\·\·B_{k_j^n},\·\·\·B_{k_{K-M}^n}),$

对此数组进行l次数组乘积，即对数组中的每个元素进行l次自乘后构成新的数组，所得新数组为：

$({\left(B_{k_1^s}\right)}^l,\·\·\·{\left(B_{k_i^s}\right)}^l,\·\·\·{\left(B_{k_M^s}\right)}^l,{\left(B_{k_1^n}\right)}^l,\·\·\·{\left(B_{k_j^n}\right)}^l,\·\·\·{\left(B_{k_{K-M}^n}\right)}^l),$

其中，l＝1，2，3…；

与

分别表示第i个信号频数和第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，

为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值。

所述多组连续数据做一次数组乘积，具体步骤是：设长度为K的频谱信号经归一化处理后所得的p个连续数组表示为：

$(B_{{\mathrm{pk}}_1^s},\·\·\·B_{p{k}_i^s},\·\·\·B_{{\mathrm{pk}}_M^s},B_{{\mathrm{pk}}_1^n},\·\·\·B_{{\mathrm{pk}}_j^n},\·\·\·B_{p{k}_{K-M}^n})$

$(B_{{(p-1)k}_1^s},\·\·\·B_{(p-1)k_i^s},\·\·\·B_{{(p-1)k}_M^s},B_{{(p-1)k}_1^n},\·\·\·B_{{(p-1)k}_j^n},\·\·\·B_{(p-1)k_{K-M}^n})$

$(B_{{(p-2)k}_1^s},\·\·\·B_{(p-2)k_i^s},\·\·\·B_{{(p-2)k}_M^s},B_{{(p-2)k}_1^n},\·\·\·B_{{(p-2)k}_j^n},\·\·\·B_{(p-2)k_{K-M}^n})$

......

$(B_{{1k}_1^s},\·\·\·B_{1k_i^s},\·\·\·B_{{1k}_M^s},B_{{1k}_1^n},\·\·\·B_{{1k}_j^n},\·\·\·B_{1k_{K-M}^n})$

从前述p个数组中，任取m个相邻数组，将m个数组中的相应元素分别相乘，构成新的数组：

$(\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_i^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_M^s},\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_j^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_{K-M}^n})$

式中：“∏”为连乘号，y＝1，2，…m，m＝1，2，3…；

与

分别表示第p组数组的第i个信号频数和第p组数组的第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值，p＝1，2，3…。

前述l和m均取3以上。

按前述的处理方法对振动信号进行处理后，即可使信号的信噪比大幅提高，将处理后得到的信号提供给后续的索力计算环节，按常规的人工识别基频方式对基频进行识别，然后代入索力求解公式，即可求得索力；但是，人工识别基频的速度十分缓慢，往往需要1个小时或更多时间才能得到一组有价值的数据，而且导致整个监测过程中存在大量的人为干扰，为此，发明人还针对人工识别基频存在缺陷的问题进行了研究，并提出了如下的自动识别基频的方法：

对数组乘积处理后得到的新频谱，进行基频自动识别，将自动识别出的倍频值f_N和其所对应的阶数值N代入索力计算公式，求得索力T；

所述的基频自动识别包括：

1)去噪：设定识别参考幅值a，将数组乘积处理后得到的新频谱的幅值与a进行比较，小于a的新频谱幅值置0，大于a的新频谱幅值不作处理，得到新序列

(C(0)，C(1)，…，C(k)，…，C(K-2)，C(K-1))

2)峰值识别：当k∈[2，K-2]时，从新序列中取满足条件

[C(k-1)-C(k-2)][C(k)-C(k-1)]＞0和[C(k+1)-C(k)][C(k)-C(k-1)]＜0的C(k)，

3)满足步骤2)中条件的C(k)，查找C(k)对应的频率值f_k；设定测量精度δ₀，判断条件(N＝1)是否成立，若不成立，则取N＝N+1，继续判断条件

是否成立，直至N的值满足条件

则满足条件的f_k即为所求的倍频值f_N，N为其对应的阶数；

4)将具备对应关系的倍频值f_N和阶数N代入索力求解公式，求得索力T；

其中，f₁为斜拉索安装时的理论基频值；δ₀∈δ， $\mathrm{\δ}\≤\frac{1}{5}{f}_1.$

从前述的基频自动识别步骤可以看出，本发明的基频自动识别方法用条件判断的方式代替了人工肉眼分辨，条件判断可由相关计算机软件完成，可实现实时自动识别基频，避免了人为干扰。

本发明与现有技术相比，有益效果在于：该方法能够大幅提高信号处理的信噪比，大幅降低信号处理时间，高效、准确的实时识别出拉索的自振频率并得出索力值；结合本发明进一步提出的基频自动识别方法，可使索力求解时的精度、速度都得到大幅提高。

附图说明

图1是现有技术拉索振弦等效模型图；

图2是现有技术拉索振型图；

图3是本发明同一拉索同一位置不同时刻的实测振动频谱对比图；

图4是本发明振频法监测示意图；

图5是本发明原始频谱图；

图6是本发明单组频谱数组乘积结果图；

图7是本发明多组频谱数组乘积的结果与多组频谱累加平均结果的对比图；

图8是本发明频谱识别及索力换算程序流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

见图1至图8所示，一种索力实时监测方法，通过设置在拉索上的传感器获取拉索由环境激励产生的振动信号，对振动信号进行采样、处理，求得索力值，对振动信号进行处理的方法为：对采集到的振动信号顺次进行频谱变换和归一化处理，对归一化处理后的单组数据做多次数组乘积或者对多组数据做一次数组乘积，将数组乘积处理后的数据输出到索力自动处理计算环节，得出索力。

拉索的振动频谱随外界激励而变动，但通过对缆索实际频谱的大量统计分析可发现，一般而言在缆索频谱中总会存在某几阶强于噪声频谱的信号频谱，因此经多组相邻频谱的数组乘积，缆索自振频谱中的那几阶频谱就可通过模式竞争方式，极快地达到预期的频谱增强效果。这种频谱数组乘积的增强效果，具体的理论分析如下：

由信号分析方法可知，经谱估计得到的斜拉索振动信号频谱X(f_k)是真实频谱X_r(f_k)与矩形窗函数w_R，K(n)的频谱W_R，K(f_k)的卷积，r表示真实信号real，R表示矩形窗函数Rectangle，K表示数据长度，即

X(f_k)＝X_r(f_k)*W_R，K(f_k)    (1)

式中，X_r(f_k)是M个各阶谐振频率信号

与K-M个噪声信号

的叠加，M为拉索振动谐振频率的总个数，

与

分别表示第i个信号频数和第j个噪声频数，

i与j之和为总频数K，Y与

各表示一个集合，并互为补集，

所对应的谐振频率

i＝1，2，…，M，为

所对应的真实振动信号频谱幅值，所对应的噪声频率

j＝1，2，…，K-M，

为

所对应的真实噪声频谱幅值，即

$X_r\left(f_k\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{A}_{k_i^s}^{\′}\left[\mathrm{\δ}(f_k-f_{k_i^s})\right]+\underset{j=1}{\overset{K-M}{\mathrm{\Σ}}}{A}_{k_j^n}^{\′}{N}_r\left(f_{k_j^n}\right)---\left(2\right)$

Delta函数 $\mathrm{\δ}(f_k-f_{k_i^s})=\left\{\begin{array}{cc}1,& f_k=f_{k_i^s}\\ 0,& f_k\≠f_{k_i^s}\end{array}\right.$

窗函数频谱为：

窗函数原型是：

将式(2)与式(3)代入式(1)中得：

$X\left(f_k\right)=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{A}_{k_i^s}\left\{\frac{{\sin }^2\left[\frac{K}{2}(f_k-f_{k_i^s})\right]}{{\sin }^2\left[\frac{1}{2}(f_k-f_{k_i^s})\right]}\right\}+\underset{j=1}{\overset{K-M}{\mathrm{\Σ}}}{A}_{k_j^n}N\left(f_{k_j^n}\right)---\left(5\right)$

由式(5)可知，采样后实际获得的频谱X(f_k)是M个对称轴在各阶谐振频率

上幅值为

的sinc信号与频率为

幅值为的采样后外界噪声信号

的叠加。将长度为K的频谱X(f_k)的幅值看成为一个一维数组：

$(A_{k_1^s},\·\·\·A_{k_i^s},\·\·\·A_{k_M^s},A_{k_1^n},\·\·\·A_{k_j^n},\·\·\·A_{k_{K-M}^n})---\left(6\right)$

式中，

与

分别表示第i个信号频数和第j个噪声频数，

i与j之和为总频数即长度K，Y与各表示一个集合，并互为补集，i＝1，2，…，M，j＝1，2，…，K-M，M为拉索振动谐振频率的总个数，

为采样后振动信号频谱幅值，

为

采样后噪声频谱幅值。

本发明方法可针对不同的数据形式要求进行分别处理，或者对单组数据进行处理(即单组数据做多次数组乘积)，或者对多组数据进行处理(即多组连续数据做一次数组乘积)，

对单组数据进行处理时：设长度为K的频谱信号经归一化处理后所得的某一数组为：

$(B_{k_1^s},\·\·\·B_{k_i^s},\·\·\·B_{k_M^s},B_{k_1^n},\·\·\·B_{k_j^n},\·\·\·B_{k_{K-M}^n}),$

对此数组进行l次数组乘积，即对数组中的每个元素进行l次自乘后构成新的数组，所得新数组为：

$({\left(B_{k_1^s}\right)}^l,\·\·\·{\left(B_{k_i^s}\right)}^l,\·\·\·{\left(B_{k_M^s}\right)}^l,{\left(B_{k_1^n}\right)}^l,\·\·\·{\left(B_{k_j^n}\right)}^l,\·\·\·{\left(B_{k_{K-M}^n}\right)}^l),$

其中，l＝1，2，3…。

对多组数据进行处理时：设长度为K的频谱信号经归一化处理后所得的p个连续数组表示为：

$(B_{{\mathrm{pk}}_1^s},\·\·\·B_{p{k}_i^s},\·\·\·B_{{\mathrm{pk}}_M^s},B_{{\mathrm{pk}}_1^n},\·\·\·B_{{\mathrm{pk}}_j^n},\·\·\·B_{p{k}_{K-M}^n})$

$(B_{{(p-1)k}_1^s},\·\·\·B_{(p-1)k_i^s},\·\·\·B_{{(p-1)k}_M^s},B_{{(p-1)k}_1^n},\·\·\·B_{{(p-1)k}_j^n},\·\·\·B_{(p-1)k_{K-M}^n})$

$(B_{{(p-2)k}_1^s},\·\·\·B_{(p-2)k_i^s},\·\·\·B_{{(p-2)k}_M^s},B_{{(p-2)k}_1^n},\·\·\·B_{{(p-2)k}_j^n},\·\·\·B_{(p-2)k_{K-M}^n})$

......

$(B_{{1k}_1^s},\·\·\·B_{1k_i^s},\·\·\·B_{{1k}_M^s},B_{{1k}_1^n},\·\·\·B_{{1k}_j^n},\·\·\·B_{1k_{K-M}^n})$

从前述p个数组中，任取m个相邻数组，将m个数组中的相应元素分别相乘，构成新的数组：

$(\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_i^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_M^s},\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_j^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_{K-M}^n})$

上式中：“∏”为连乘号，y＝1，2，…m，m＝1，2，3…；

与

分别表示第p组数组的第i个信号频数和第p组数组的第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，

为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值，p＝1，2，3…。

经过本发明方法处理后的数据所构成的新频谱的信噪比记为

单组数据多次数组乘积后的频谱信噪比

(单组)为：

式(7)中，SNR为此单组数据的信噪比。

多组数据一次数组乘积后的频谱信噪比

(多组)为：

多组数据的信号分析较为复杂，但理论上，只要频谱信噪比大于1，总有：

式(9)中，SNR为多组数据中任一一组数据的信噪比。

由此可知，对于多组信号，频谱数组乘积将信噪比至少提高m倍，是累加平均法的

倍；单组信号频谱的l次数组乘积使频谱信噪比提高了l倍信噪比，而累加平均法不能通过对单组信号频谱的多次累加提高信噪比。为使多组信号的信噪比提高m倍，单组信号频谱倍增只需一组信号的m次数组乘积，多组信号频谱倍增也只需m组信号一次数组乘积，而累加平均法需要m²组信号进行累加平均，一组信号的采集时间约几秒至几十秒，从此角度考虑，频谱倍增法极大的缩短了识别所用的时间，效率高。

按前述方法对采样数据进行处理并得到信噪比提高的频谱后，现有技术中一般需要通过人工识别的方法对频谱进行峰值识别，找到峰值所对应的频率值，再利用迭代的方法将频率值换算成基频，将基频代入索力计算公式，求得索力；但是，采用人工识别的方法将使索力长期在线监测中存在大量的人为干扰，且效率低下，针对这一缺陷，本发明还提出了一种基频自动识别的方法，其具体步骤如下：

对数组乘积处理后得到的新频谱，进行基频自动识别，将自动识别出的基频值和基频值对应的阶数代入索力计算公式，求得索力；

所述的基频自动识别包括：

1)去噪：设定识别参考幅值a，将数组乘积处理后得到的新频谱的幅值与a进行比较，小于a的新频谱幅值置0，大于a的新频谱幅值不作处理，得到新序列

(C(0)，C(1)，…，C(k)，…，C(K-2)，C(K-1))

2)峰值识别：当k∈[2，K-2]时，从新序列中取满足条件

[C(k-1)-C(k-2)][C(k)-C(k-1)]＞0和[C(k+1)-C(k)][C(k)-C(k-1)]＜0的C(k)，

3)满足步骤2)中条件的C(k)，查找C(k)对应的频率值f_k；设定测量精度δ₀，判断条件(

N＝1)是否成立，若不成立，则取N＝N+1，继续判断条件

是否成立，直至N的值满足条件则满足条件的f_k即为所求的倍频值f_N，N为其对应的阶数；

4)将具备对应关系的倍频值f_N和阶数N代入索力求解公式，求得索力T；

其中，f₁为斜拉索安装时的理论基频值；δ₀∈δ， $\mathrm{\δ}\≤\frac{1}{5}{f}_1.$

采用此方法对基频进行识别，操作人员只需设定好参数，其余处理由计算机高速完成，利用基频自动识别方法对频谱倍增法处理后的频谱进行基频识别，平均每10至15秒即可得到一组有价值的数据，并将其代入后续的索力计算公式，即可求得索力，显然，此方法可使索力平均每10至15秒就被求解一次，得出索力的实时值。

频谱识别及索力换算的流程如图8所示。

实际效果，以重庆马桑溪长江大桥为实验对象进行识别实验。马桑溪长江大桥是一座三跨双塔双索面漂浮体混凝土斜拉桥，主梁全长179m+360m+179m，共有118对斜拉索，对其中最长的一根斜拉索采用振频法进行试验。现场监测系统原理示意如图4所示，其中低频加速度传感器获取桥梁受环境随机激励所产生的斜拉索振动信号，经cRIO模块采集至计算机，利用LabVIEW编制程序对信号进行频谱处理，最终实现拉索自振频率的自动实时识别。

试验的主要条件为：缆索的基频理论值为1Hz，传感系统的采样频率与数据长度分别为100Hz、1024，每组信号的采集时间为10s。兼顾监测实时性，取m＝5。某时刻第五组以及前四组信号原始频谱如图5，对单组信号频谱进行5次数组乘积频谱数组乘积处理，其结果如图6，对相邻五组信号频谱累加平均和一次数组乘积频谱数组乘积后的频谱如图7。可知，单组和多组频谱数组乘积法的频谱信噪比均高于累加平均法，多组频谱数组乘积法的信噪比最高。频谱数组乘积后的频谱中，拉索自振频率的某些谐波成分非常明显，有利于自振频率的自动识别。采用相同的振频自动识别程序，将识别到的谐振峰值转换成基频再求平均。分别对图5、图6和图7频谱进行自动识别，结果如表1所示。多组数组乘积误差最小，精度最高；单组数组乘积次之；累积平均法误差小于原始信号，确实提高了识别精度，但不及频谱数组乘积法。

表1各频谱的识别结果及误差

若要提高5倍信噪比，理论上频谱数组乘积法只需5组信号，而累积平均法需要25组信号。实验中一组信号的采集时间为10s，单组频谱数组乘积能在10s内识别一次，多组频谱数组乘积在50s内识别一次，而累积平均法需250s才能识别一次，频谱数组乘积法识别时间远少于累积平均法。同时采用这三种方式实测振动信号30分钟，单组频谱数组乘积法和多组频谱数组乘积法识别到的有效频率值远多于累加平均法，分别为160个、28个和6个，单组频谱数组乘积法的实时性最高。

实验结果证明，相比于累加平均法，拉索振动频谱经频谱倍增法处理后，自振频率识别误差小，精度高，耗时短，效率高。其中，单组频谱数组乘积法的实时性相对较好，而多组频谱数组乘积法的测量结果精度相对较高。

本发明能够大幅提高信号处理的信噪比，大幅降低信号处理时间，结合本发明提出的基频自动识别，可高效、准确的实时识别出拉索的自振频率并得出索力值。

Claims (6)

1.一种索力实时监测方法，通过设置在拉索上的传感器获取拉索由环境激励产生的振动信号，对振动信号进行采样、处理，求得索力值，其特征在于：对振动信号进行处理的方法为：对采集到的振动信号顺次进行频谱变换和归一化处理，对归一化处理后的单组数据做多次数组乘积或者对多组连续数据做一次数组乘积，将数组乘积处理后的数据输出到索力计算环节，得出索力。

2.如权利要求1所述的一种索力实时监测方法，其特征在于：所述的索力计算环节包括：对数组乘积处理后得到的新频谱，进行基频自动识别，将自动识别出的倍频值f_N和其所对应的阶数值N代入索力计算公式，求得索力T；

所述的基频自动识别包括：

1)去噪：设定识别参考幅值a，将数组乘积处理后得到的新频谱的幅值与a进行比较，小于a的新频谱幅值置0，大于a的新频谱幅值不作处理，得到新序列

(C(0)，C(1)，…，C(k)，…，C(K-2)，C(K-1))；

2)峰值识别：当k∈[2，K-2]时，从新序列中取满足条件

[C(k-1)-C(k-2)][C(k)-C(k-1)]＞0和[C(k+1)-C(k)][C(k)-C(k-1)]＜0的C(k)；

3)满足步骤2)中条件的C(k)，查找C(k)对应的频率值f_k；设定测量精度δ₀，判断条件(

N＝1)是否成立，若不成立，则取N＝N+1，继续判断条件是否成立，直至N的值满足条件

则满足条件的f_k即为所求的倍频值f_N，N为其对应的阶数；

4)将具备对应关系的倍频值f_N和阶数N代入索力求解公式，求得索力T；

其中，f₁为斜拉索安装时的理论基频值；δ₀∈δ， $\mathrm{\δ}\≤\frac{1}{5}{f}_1.$

3.如权利要求1所述的一种索力实时监测方法，其特征在于：所述归一化处理，具体步骤是，设长度为K的频谱X(f_k)的幅值为一个一维数组：

$(A_{k_1^s},\·\·\·A_{k_i^s},\·\·\·A_{k_M^s},A_{k_1^n},\·\·\·A_{k_j^n},\·\·\·A_{k_{K-M}^n})$

将此数组中的每个值都同除以此数组中的最大值，即得到归一化处理后的数组：

$(B_{k_1^s},\·\·\·B_{k_i^s},\·\·\·B_{k_M^s},B_{k_1^n},\·\·\·B_{k_j^n},\·\·\·B_{k_{K-M}^n});$

与

分别表示第i个信号频数和第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，

为采样得到的振动信号频谱幅值，

为采样得到的噪声频谱幅值；为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值。

4.如权利要求1所述的一种索力实时监测方法，其特征在于：所述单组数据做多次数组乘积，具体步骤是：设长度为K的频谱信号经归一化处理后所得的某一数组为：

$(B_{k_1^s},\·\·\·B_{k_i^s},\·\·\·B_{k_M^s},B_{k_1^n},\·\·\·B_{k_j^n},\·\·\·B_{k_{K-M}^n}),$

对此数组进行l次数组乘积，即对数组中的每个元素进行l次自乘后构成新的数组，所得新数组为：

$({\left(B_{k_1^s}\right)}^l,\·\·\·{\left(B_{k_i^s}\right)}^l,\·\·\·{\left(B_{k_M^s}\right)}^l,{\left(B_{k_1^n}\right)}^l,\·\·\·{\left(B_{k_j^n}\right)}^l,\·\·\·{\left(B_{k_{K-M}^n}\right)}^l),$

其中，l＝1，2，3…；

与分别表示第i个信号频数和第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，

为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值。

5.如权利要求1所述的一种索力实时监测方法，其特征在于：所述多组连续数据做一次数组乘积，具体步骤是：设长度为K的频谱信号经归一化处理后所得的p个连续数组表示为：

$(B_{{\mathrm{pk}}_1^s},\·\·\·B_{p{k}_i^s},\·\·\·B_{{\mathrm{pk}}_M^s},B_{{\mathrm{pk}}_1^n},\·\·\·B_{{\mathrm{pk}}_j^n},\·\·\·B_{p{k}_{K-M}^n})$

$(B_{{(p-1)k}_1^s},\·\·\·B_{(p-1)k_i^s},\·\·\·B_{{(p-1)k}_M^s},B_{{(p-1)k}_1^n},\·\·\·B_{{(p-1)k}_j^n},\·\·\·B_{(p-1)k_{K-M}^n})$

$(B_{{(p-2)k}_1^s},\·\·\·B_{(p-2)k_i^s},\·\·\·B_{{(p-2)k}_M^s},B_{{(p-2)k}_1^n},\·\·\·B_{{(p-2)k}_j^n},\·\·\·B_{(p-2)k_{K-M}^n})$

......

$(B_{{1k}_1^s},\·\·\·B_{1k_i^s},\·\·\·B_{{1k}_M^s},B_{{1k}_1^n},\·\·\·B_{{1k}_j^n},\·\·\·B_{1k_{K-M}^n})$

从前述p个数组中，任取m个相邻数组，将m个数组中的相应元素分别相乘，构成新的数组：

$(\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_i^s},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_M^s},\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_1^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_j^n},\·\·\·,\underset{y=1}{\overset{m}{\mathrm{\Π}}}{B}_{{\mathrm{yk}}_{K-M}^n})$

式中：“∏”为连乘号，y＝1，2，…m，m＝1，2，3…；

与

分别表示第p组数组的第i个信号频数和第p组数组的第j个噪声频数，

i＝1，2，…，M，j＝1，2，…，K-M，i与j之和为总频数即长度K，M为拉索振动谐振频率的总个数，

为归一化处理后的振动信号频谱幅值，

为归一化处理后的噪声频谱幅值，p＝1，2，3…。

6.如权利要求4或5所述的一种索力实时监测方法，其特征在于：l和m均取3以上。

Images