CN103984875B - 复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法 - Google Patents

Abstract

复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，属于实际运营中的桥梁结构损伤诊断领域。本发明是为了解决复杂环境下基于海量监测数据的桥梁结构损伤诊断方法的准确性低的问题。本发明所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，采用健康状态下的桥梁结构监测数据构建损伤诊断阈值，通过对不同时刻待诊断状态下的累积损伤判别因子与损伤诊断阈值进行比较，从而判别桥梁结构产生损伤与否。同时本发明所述方法通过相关性置乱策略，能够剔除各种环境因素对桥梁结构监测数据的影响，本发明能够使复杂环境条件下桥梁结构损伤诊断的准确性得到提高，本发明适用于解决实际运营的桥梁结构损伤诊断问题。

Description

复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法

技术领域

本发明属于实际运营中的桥梁结构损伤诊断领域。

背景技术

桥梁结构是连接公路的重要枢纽，其结构的安全性对保障公路交通的安全与畅通举足轻重。为保障桥梁结构在运营期间的安全性、完整性和适用性，急需采用有效的技术手段对桥梁结构性能的变化过程给予准确的诊断，从而有效地诊断桥梁结构损伤。近年来，随着传感器技术、数值模拟、损伤识别技术的快速发展，结构健康监测技术开始广泛应用于大型桥梁结构。结构健康监测技术可以持续可靠地提供桥梁结构状态、响应信息；识别设计和建造中的各种缺陷、劣化和损伤；评估损伤对桥梁结构承载能力和可靠性的影响；为桥梁结构运营和维修决策者提供超载和损伤的警告信息。因此，结构健康监测技术逐渐成为准确诊断桥梁结构损伤的有效手段。

然而，由于运营的桥梁结构往往处于时变和复杂环境下，使得基于结构健康监测技术的桥梁结构损伤诊断方法的研究仍然面临巨大挑战。首先，健康监测系统的连续运行导致积累的数据已经趋于海量，而且监测得到的数据种类繁多、数据质量参差不齐；其次，由于这些海量数据是桥梁结构运行状态下遭受各种耦合作用的综合反应，所以各种环境及荷载因素对监测数据具有较大的影响，而且这些影响往往掩盖结构损伤导致的监测数据变化，从而使得桥梁结构损伤诊断仍具有较大难度。如何有效剔除多种环境及荷载因素对结构监测数据的影响，从而利用实时监测数据准确诊断桥梁结构损伤是一个颇具挑战性的课题。由此可知，多种环境及荷载因素对监测数据的影响是大跨度桥梁结构损伤诊断的瓶颈。复杂环境下基于实时监测数据的桥梁结构损伤诊断的准确性非常低。

发明内容

本发明是为了解决复杂环境下基于实时监测数据的桥梁结构损伤诊断方法的准确性低的问题，现提供复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法。

复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，该方法包括以下步骤：

步骤一：采集待诊断状态下桥梁结构的实时监测数据，并以监测时间的中间时间点作为划分点，将该监测数据平均划分为前段时间部分和后段时间部分；

步骤二：利用步骤一获得的前段时间部分监测数据建立待诊断状态下桥梁数据模型；

步骤三：根据步骤一获得的后段时间部分监测数据和步骤二获得的待诊断状态下桥梁数据模型，构建待诊断状态下桥梁累积损伤特征向量；

步骤四：根据步骤三获得的待诊断状态下桥梁累积损伤特征向量，利用累积控制图方法确定待诊断状态下桥梁结构累积损伤判别因子序列；

步骤五：采用相关性置乱方法对待诊断状态下桥梁结构累积损伤判别因子序列进行重置；

步骤六：将重置后的累积损伤判别因子序列与损伤诊断阈值进行比较，当累积损伤判别因子序列中的任意一个元素大于损伤诊断阈值时，则桥梁结构损伤。

本发明所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，采用健康状态下的桥梁结构监测数据构建损伤诊断阈值，通过对不同时刻待诊断状态下的累积损伤判别因子与损伤诊断阈值进行比较，从而判别桥梁结构产生损伤与否。同时本发明所述方法通过相关性置乱策略，能够剔除各种环境因素对桥梁结构监测数据的影响，本发明能够使复杂环境条件下桥梁结构损伤诊断的准确性得到提高，本发明适用于解决实际运营的桥梁结构损伤诊断问题。本发明还能够直接应用于桥梁结构健康监测系统，实现对桥梁结构状态的在线实时诊断。

附图说明

图1为三跨连续梁桥结构示意图。

图2为混凝土材料的弹性模量与环境温度的相关性曲线图。

图3为钢材材料的弹性模量与环境温度的相关性曲线图。

图4为模拟桥梁结构环境温度年变化规律曲线图。

图5为本发明所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法的损伤诊断结果数据曲线图。

图6为常规的桥梁结构异常诊断方法的损伤诊断结果数据曲线图。

图7为具体实施方式一所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法的流程图。

具体实施方式

具体实施方式一：参照图7具体说明本实施方式，本实施方式所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，该方法包括以下步骤：

步骤一：采集待诊断状态下桥梁结构的实时监测数据，并以监测时间的中间时间点作为划分点，将该监测数据平均划分为前段时间部分和后段时间部分；

步骤二：利用步骤一获得的前段时间部分监测数据建立待诊断状态下桥梁数据模型；

步骤三：根据步骤一获得的后段时间部分监测数据和步骤二获得的待诊断状态下桥梁数据模型，构建待诊断状态下桥梁累积损伤特征向量；

步骤四：根据步骤三获得的待诊断状态下桥梁累积损伤特征向量，利用累积控制图方法确定待诊断状态下桥梁结构累积损伤判别因子序列；

步骤五：采用相关性置乱方法对待诊断状态下桥梁结构累积损伤判别因子序列进行重置；

步骤六：将重置后的累积损伤判别因子序列与损伤诊断阈值进行比较，当累积损伤判别因子序列中的任意一个元素大于损伤诊断阈值时，则桥梁结构损伤。

累积损伤因子序列的损伤诊断方法，即利用桥梁结构损伤累积过程的特征判别桥梁产生损伤与否。复杂环境因素影响下，现有基于异常诊断的桥梁结构损伤诊断方法的基本思想为：采用健康状态下的桥梁结构监测数据构建结构损伤判别因子，通过对不同时刻的损伤判别因子进行异常诊断，从而判别桥梁结构产生损伤与否。但是，实际桥梁损伤发展过程是一个从微小损伤逐渐发展至严重损伤的不可逆过程，因此，利用待诊断状态下某个时刻的损伤判别因子与损伤诊断阈值进行比较，与利用不断累积的监测损伤因子序列与损伤诊断阈值进行比较进行异常诊断，后者对损伤的敏感程度远高于前者。

本实施方式中，提出利用相关性置乱策略对累积损伤因子进行重置，从而消除累积损伤因子序列中各损伤判别因子之间的相关性。由于桥梁结构损伤因子之间在监测时间、环境因素及荷载作用等方面均具有相关性，所以建立的累积损伤因子序列同样具有上述相关性，从而导致基于独立同分布假设的异常诊断算法均无法应用，即桥梁损伤诊断方法失效。综上，提出消除损伤判别因子相关性的有效方法对准确诊断桥梁损伤具有重要意义。

具体实施方式二：本实施方式是对具体实施方式一所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法作进一步说明，本实施方式中，步骤二所述建立待诊断状态下桥梁数据模型的方法为：

步骤二一：设监测数据向量为y_m×1，步骤一获得的前段时间部分监测数据矩阵为Y₁＝[y₁,y₂,…,y_n]，则Y₁的协方差定义为：

$\mathrm{\Σ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(y_i-\mathrm{\μ}){(y_i-\mathrm{\μ})}^T---\left(1\right)$

式中，μ为Y₁的均值向量，1≤i≤n，m为数据向量维数，n为监测时间的中间时间点；

步骤二二：对矩阵Σ进行奇异值分解，获得分解后的矩阵Σ′：

${\mathrm{\Σ}}^{\′}=\left[\begin{array}{cc}{U}_1& U_2\end{array}\right]\left[\begin{array}{cc}{S}_1& 0\\ 0& S_2\end{array}\right]\left[\begin{array}{c}{U}_1^T\\ U_2^T\end{array}\right]---\left(2\right)$

式中，S₁和S₂分别为由矩阵Σ′的奇异值构建的对角阵，且矩阵S₁中的最小奇异值远大于矩阵S₂中的最大奇异值；U₁为S₁对应的奇异向量；U₂为S₂对应的奇异向量；

步骤二三：根据分解后的矩阵Σ′，获得待诊断状态下桥梁数据模型{μ,U₂,S₂}。

具体实施方式三：本实施方式是对具体实施方式二所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法作进一步说明，本实施方式中，步骤三所述构建待诊断状态下桥梁累积损伤特征向量的方法为：

步骤三一：设步骤一获得的另一部分监测数据为则监测数据向量为：

${\hat{y}}_j=y_{n+j}-\mathrm{\μ}---\left(3\right)$

式中，j＝1,2,…,k₁，且k₁为正整数；

步骤三二：根据数据模型{μ,U₂,S₂}和监测数据向量能够获得向量p_j：

$p_j=U_2^T{\hat{y}}_j---\left(4\right)$

步骤三三：根据向量p_j，能够构建待诊断状态下桥梁累积损伤特征向量其中每个元素定义为：

$r_j=p_j^T{S_2}^{-1}{p}_j---\left(5\right).$

具体实施方式四：本实施方式是对具体实施方式三所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法作进一步说明，本实施方式中，步骤四所述确定待诊断状态下桥梁结构累积损伤判别因子序列为：

设待诊断状态下桥梁累积损伤特征向量r服从正态分布，则有概率分布模型：

$f\left(r_j\right|\mathrm{\θ})=e^{\{r_{j}b\left(\mathrm{\θ}\right)+c\left(r_j\right)+d\left(\mathrm{\θ}\right)\}}---\left(6\right)$

式中，为c(r_j)概率分布模型中的参数；θ为特征参数，对于正态分布，该参数能够取均值μ和方差σ，则有和

由式(6)可知：

$f\left(r\right|\mathrm{\θ})=e^{\{b\left(\mathrm{\θ}\right)\underset{j=1}{\overset{k_1}{\Σ}}{r}_j+\underset{j=1}{\overset{k_1}{\Σ}}c\left(r_j\right)+d\left(\mathrm{\θ}\right)\}}---\left(7\right)$

设假设检验，

$\left\{\begin{array}{c}{H}_0:\mathrm{\θ}={\mathrm{\θ}}_0\\ H_1:\mathrm{\θ}={\mathrm{\θ}}_1\end{array}\right.---\left(8\right)$

式中，θ₀代表桥梁结构健康，θ₁代表桥梁产生损伤；

通过对待诊断状态下桥梁累积损伤特征向量的概率分布模型进行假设检验，并定义如下判断因子：

$A=\frac{f\left(r\right|{\mathrm{\θ}}_1)}{f\left(r\right|{\mathrm{\θ}}_0)}=e^{\{\left(b\right({\mathrm{\θ}}_1)-b({\mathrm{\θ}}_0\left)\right)\underset{j=1}{\overset{k_1}{\Σ}}{r}_j+k\left(d\right({\mathrm{\θ}}_1)-d({\mathrm{\θ}}_0\left)\right)\}}---\left(9\right)$

对式(9)等号两端取对数，

$\ln \left(\mathrm{\Λ}\right)={\mathrm{\Ξ}}_k={\mathrm{\Ξ}}_{k-1}+(b\left({\mathrm{\θ}}_1\right)-b\left({\mathrm{\θ}}_0\right))(r_{k_1}+\mathrm{\ρ})---\left(10\right)$

式中，当k＝0时，Ξ₀＝0，ρ的定义如下：

$\mathrm{\ρ}=\frac{d\left({\mathrm{\θ}}_1\right)-d\left({\mathrm{\θ}}_0\right)}{b\left({\mathrm{\θ}}_1\right)-b\left({\mathrm{\θ}}_0\right)}---\left(11\right)$

当Ξ_j的值小于零时，令Ξ_j为零，进而根据待诊断状态下的累积损伤特征向量获得累积损伤判别因子序列Ξ＝{Ξ₁,Ξ₂,…,Ξ_j,…,Ξ_k}。

具体实施方式五：本实施方式是对具体实施方式四所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法作进一步说明，本实施方式中，在步骤一之前，首先定义损伤诊断阈值，定义损伤诊断阈值的方法为：

子步骤一：采集健康状态下桥梁结构的实时监测数据，并将该健康状态下桥梁结构的实时监测数据平均划分为两部分；

子步骤二：根据子步骤一获得的一部分监测数据，利用步骤二的方法建立健康状态下桥梁数据模型；

子步骤三：根据子步骤一获得的另一部分监测数据和子步骤二获得的健康状态下桥梁数据模型，利用步骤三的方法构建健康状态下桥梁累积损伤特征向量；

子步骤四：根据子步骤三获得的桥梁累积损伤特征向量，利用步骤四的方法确定健康状态下桥梁结构累积损伤判别因子序列；并按照该累积损伤判别因子序列5％的误差概率确定损伤诊断阈值。

由累积损伤判别因子序列就能够定义损伤诊断阈值Q，例如取Q＝0.95max{Ξ₁,Ξ₂,…,Ξ_k}。

采用下述试验来验证本发明的效果：

本试验是以图1所示的三跨连续梁桥结构为例，图1中为一个三跨连续梁桥结构，其主体结构为钢结构，部分结构为混凝土材料。为了便于模拟结构损伤，将该模型共划分为32个等尺寸的有限单元，其中单元7的刚度折减20％以模拟结构产生损伤。假设该结构中的混凝土及钢结构材料均与环境温度相关，其相关程度如图2和图3所示；同时，假设沿桥梁长度方向存在环境温度差如图1所示；该桥梁结构的环境温度的年变化规律如图4所示。

本试验具体如下：

采集三跨连续梁桥结构健康状态下前6阶前4个月的监测频率，建立健康状态下桥梁数据模型；

采集三跨连续梁桥结构健康状态下前6阶后4个月的监测频率，并根据健康状态下桥梁数据模型，建立健康状态下桥梁累积损伤特征向量；

利用健康状态下桥梁累积损伤特征向量，建立健康状态下桥梁结构累积损伤判别因子序列Ξ，并根据该序列确定损伤诊断阈值；

采集三跨连续梁桥结构待诊断状态下前6阶前4个月的监测频率，(本试验从待诊断状态下的1.5个月开始模拟结构损伤产生，损伤采用单元7的刚度折减20％进行模拟)，建立待诊断状态下桥梁数据模型；

采集三跨连续梁桥结构待诊断状态下前6阶后4个月的监测频率，并根据待诊断状态下桥梁数据模型，建立待诊断状态下桥梁累积损伤特征向量；

利用待诊断状态下桥梁累积损伤特征向量，建立待诊断状态下桥梁结构累积损伤判别因子序列；

采用相关性置乱方法对待诊断状态下桥梁结构累积损伤判别因子序列进行重置，消除该累积损伤因子序列中各损伤判别因子之间的相关性；并将获得的累积损伤判别因子序列与损伤诊断阈值进行比较，实现桥梁结构的损伤诊断，具体结果如图5所示。

采用常规的异常诊断方法得到的损伤诊断结果如图6所示，通过比较图5及图6的结果可知：相对现有异常诊断方法而言，本发明所提方法能够大幅提高复杂环境下桥梁损伤诊断的准确率。

Claims (4)

1.复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，其特征在于，该方法包括以下步骤：

步骤一：采集待诊断状态下桥梁结构的海量监测数据，并以监测时间的中间时间点作为划分点，将该监测数据平均划分为前段时间部分和后段时间部分；

步骤二：利用步骤一获得的前段时间部分监测数据建立待诊断状态下桥梁数据模型；

步骤三：根据步骤一获得的后段时间部分监测数据和步骤二获得的待诊断状态下桥梁数据模型，构建待诊断状态下桥梁累积损伤特征向量；

步骤四：根据步骤三获得的待诊断状态下桥梁累积损伤特征向量，利用累积控制图方法确定待诊断状态下桥梁结构累积损伤判别因子序列；

步骤五：采用相关性置乱方法对待诊断状态下桥梁结构累积损伤判别因子序列进行重置；

步骤六：将重置后的累积损伤判别因子序列与损伤诊断阈值进行比较，当累积损伤判别因子序列中的任意一个元素大于损伤诊断阈值时，则桥梁结构损伤；

步骤二所述建立待诊断状态下桥梁数据模型的方法为：

步骤二一：设监测数据向量为y_m×1，步骤一获得的前段时间部分监测数据矩阵为Y₁＝[y₁,y₂,…,y_n]，则Y₁的协方差定义为：

$\mathrm{\Σ}=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(y_i-\mathrm{\μ}){(y_i-\mathrm{\μ})}^T---\left(1\right)$

式中，μ为Y₁的均值向量，1≤i≤n，m为数据向量维数，n为监测时间的中间时间点；

步骤二二：对矩阵Σ进行奇异值分解，获得分解后的矩阵Σ′：

${\mathrm{\Σ}}^{\′}=\[\begin{array}{cc}{U}_1& U_2\end{array}\]\left[\begin{array}{cc}{S}_1& 0\\ 0& S_2\end{array}\right]\left[\begin{array}{c}{U}_1^T\\ U_2^T\end{array}\right]---\left(2\right)$

式中，S₁和S₂分别为由矩阵Σ′的奇异值构建的对角阵，且矩阵S₁中的最小奇异值远大于矩阵S₂中的最大奇异值；U₁为S₁对应的奇异向量；U₂为S₂对应的奇异向量；

步骤二三：根据分解后的矩阵Σ′，获得待诊断状态下桥梁数据模型{μ,U₂,S₂}。

2.根据权利要求1所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，其特征在于，步骤三所述构建待诊断状态下桥梁累积损伤特征向量的方法为：

步骤三一：设步骤一获得的另一部分监测数据为则监测数据向量为：

${\hat{y}}_j=y_{n+j}-\mathrm{\μ}---\left(3\right)$

式中，j＝1,2,…,k₁，且k₁为正整数；

步骤三二：根据数据模型{μ,U₂,S₂}和监测数据向量能够获得向量p_j：

$p_j=U_2^T{\hat{y}}_j---\left(4\right)$

步骤三三：根据向量p_j，能够构建待诊断状态下桥梁累积损伤特征向量其中每个元素定义为：

$r_j=p_j^T{S_2}^{-1}{p}_j---\left(5\right).$

3.根据权利要求2所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，其特征在于，步骤四所述确定待诊断状态下桥梁结构累积损伤判别因子序列为：

设待诊断状态下桥梁累积损伤特征向量r服从正态分布，则有概率分布模型：

$f\left(r_j\right|\mathrm{\θ})=e^{\{r_{j}b\left(\mathrm{\θ}\right)+c\left(r_j\right)+d\left(\mathrm{\θ}\right)\}}---\left(6\right)$

式中，为c(r_j)概率分布模型中的参数；θ为特征参数，对于正态分布，该参数能够取均值μ和方差σ，则有和

由式(6)可知：

$f\left(r\right|\mathrm{\θ})=e^{\{b\left(\mathrm{\θ}\right)\underset{j=1}{\overset{k_1}{\Σ}}{r}_j+\underset{j=1}{\overset{k_1}{\Σ}}c\left(r_j\right)+d\left(\mathrm{\θ}\right)\}}---\left(7\right)$

设假设检验，

$\left\{\begin{array}{c}{H}_0:\mathrm{\θ}={\mathrm{\θ}}_0\\ H_1:\mathrm{\θ}={\mathrm{\θ}}_1\end{array}\right.---\left(8\right)$

式中，θ₀代表桥梁结构健康，θ₁代表桥梁产生损伤；

通过对待诊断状态下桥梁累积损伤特征向量的概率分布模型进行假设检验，并定义如下判断因子：

$A=\frac{f\left(r\right|{\mathrm{\θ}}_1)}{f\left(r\right|{\mathrm{\θ}}_0)}=e^{\{\left(b\right({\mathrm{\θ}}_1)-b({\mathrm{\θ}}_0\left)\right)\underset{j=1}{\overset{k_1}{\Σ}}{r}_j+k\left(d\right({\mathrm{\θ}}_1)-d({\mathrm{\θ}}_0\left)\right)\}}---\left(9\right)$

对式(9)等号两端取对数，

$ln\left(\mathrm{\Λ}\right)={\mathrm{\Ξ}}_k={\mathrm{\Ξ}}_{k-1}+\left(b\right({\mathrm{\θ}}_1)-b({\mathrm{\θ}}_0\left)\right)(r_{k_1}+\mathrm{\ρ})---\left(10\right)$

式中，当k＝0时，Ξ₀＝0，ρ的定义如下：

$\mathrm{\ρ}=\frac{d\left({\mathrm{\θ}}_1\right)-d\left({\mathrm{\θ}}_0\right)}{b\left({\mathrm{\θ}}_1\right)-b\left({\mathrm{\θ}}_0\right)}---\left(11\right)$

当Ξ_j的值小于零时，令Ξ_j为零，进而根据待诊断状态下的累积损伤特征向量获得累积损伤判别因子序列Ξ＝{Ξ₁,Ξ₂,…,Ξ_j,…,Ξ_k}。

4.根据权利要求3所述的复杂环境下基于累积损伤因子序列的桥梁结构损伤诊断方法，其特征在于，在步骤一之前，首先定义损伤诊断阈值，定义损伤诊断阈值的方法为：

子步骤一：采集健康状态下桥梁结构的海量监测数据，并将该健康状态下桥梁结构的海量监测数据平均划分为两部分；

子步骤二：根据子步骤一获得的一部分监测数据，利用步骤二的方法建立健康状态下桥梁数据模型；

子步骤三：根据子步骤一获得的另一部分监测数据和子步骤二获得的健康状态下桥梁数据模型，利用步骤三的方法构建健康状态下桥梁累积损伤特征向量；

子步骤四：根据子步骤三获得的桥梁累积损伤特征向量，利用步骤四的方法确定健康状态下桥梁结构累积损伤判别因子序列；并按照该累积损伤判别因子序列5％的误差概率确定损伤诊断阈值。