CN104870952A

CN104870952A - 土木结构的完整性

Info

Publication number: CN104870952A
Application number: CN201380038610.4A
Authority: CN
Inventors: 彼得·朗西; 阿萨纳修斯·布利; 马克西米利安·奥特; 罗德尼·贝里曼; 尤里·采利施切夫; 蒂埃里·拉库图阿里韦洛
Original assignee: National ICT Australia Ltd
Current assignee: National ICT Australia Ltd
Priority date: 2012-05-22
Filing date: 2013-03-27
Publication date: 2015-08-26
Anticipated expiration: 2033-03-27
Also published as: CN104870952B; EP2852819A4; US20150142337A1; WO2013173860A3; EP2852819A2; EP2852819B1; WO2013173860A2

Abstract

本公开涉及土木结构的完整性，并且尤其是土木结构的一个或多个接合处的完整性评估。在形成结构接合处(112)的不同子结构(102)和(106)上提供两个或更多个传感器(200a)和(200b)，其中每个传感器(200a)和(200b)产生与其上提供有所述传感器的所述子结构相关的传感器数据。在所述传感器数据之间确定相似性度量。所述结构接合处的完整性度量基于相似性度量。方法利用以下发现：当接合处受到应力并且健康(并且相应地具有良好的结构完整性)时，感测到的形成接合处的每个子结构的移动例如在频率或振幅上基本上是相似的。本发明的其它方面包括软件和计算机实现方法。

Description

土木结构的完整性

技术领域

本公开涉及土木结构的完整性，尤其涉及土木结构的一个或多个接合处的完整性评估。各方面包括计算机实现方法、软件和计算机系统。本领域技术人员将理解计算机系统和软件设计。

背景技术

土木结构通常是大型结构，并且通常是公共工程，例如桥梁、水坝或建筑物。

土木结构在结构(子结构)的结构子组件之间具有接合处。随着时间的推移，作为风化、腐朽和腐蚀的后果，这些接合处失去了一些它们的完整性。为了保存结构的完整性，优选的是恶化的早期检测并且执行适当的维护(预防性维护和/或反应性维护)。

检测通常通过定期的目视检查或者通过观察完整性损失的后果(例如结构故障)来检测。这个过程可能导致在损坏和故障检测之间延迟几个星期或者几个月。在这个时间期间，故障可能进一步扩散，使得维修更加困难和昂贵。

发明内容

在第一方面提供一种计算机实现方法，用于评估土木结构的结构接合处的完整性，该方法包括：

确定在两个或更多个传感器的传感器数据之间的相似性度量，每个传感器提供与形成结构接合处的不同子结构相关联的传感器数据，其中，结构接合处的完整性度量基于所述相似性度量。

这个方法通过结合在确定相似性步骤中的传感器数据，以连续的、实时的和低成本的方式提供了精确地评估结构接合处的完整性的能力。至少一个实施例的优点是：可以使用低精度传感器和高噪声传感器信号，同时仍然交付高精度的完整性评估。至少一个实施例的更进一步优点是：不要求传感器的精确放置。至少一个实施例的更进一步优点是：方法所评估的完整性与人的目测评估相比是非主观的，也是可靠的。至少一个实施例的进一步优点是：可以减少维修并且增加结构本身的寿命，这是由于可以作出更明智的关于应在何时、何处以及如何执行维护的决定。至少一个实施例的更进一步优点是：不要求激励或结构上的外部负荷的现有知识。

相似性度量可以基于两个或更多个传感器的时间校准的传感器数据中形成的模式相关性。

相似性度量可以基于在时间校准的传感器数据之间的距离度量。这个实施例的优点是，实际值不是主要确定因素，而传感器数据的相对值是主要确定因素。相似性度量可以进一步基于确定在时间校准的传感器数据之间的平均距离。传感器数据基本上可以表示移动的幅度而非移动的方向。

方法进一步包括确定完整性度量，其中，通过确定相似性度量的步骤所确定的相似性越大，则基本上完整性度量越大。

在替代例中，相似性度量可以基于在两个或更多个传感器的传感器数据中的交叉相关，以使得增加的相似性基于在基本上较短的时间周期内发生的最大交叉相关的传感器数据。

在这种情况下，相似性度量可以进一步基于确定达到时间校准的传感器数据的最大交叉相关所需的时移。

也在这种情况下，相似性度量可以基于当通过确定相似性度量的步骤所确定的相似性处在最大时在两个或更多个传感器的交叉相关传感器数据之间的时移分布。

进一步，方法可以进一步包括确定完整性度量，其中，分布越窄，则基本上完整性度量越大。

或者替代地，方法可以进一步包括确定完整性度量，其中，如通过确定相似性度量的步骤所确定的那样最相似的两个或更多个传感器的传感器数据在时间上越接近，则基本上完整性度量越大。

方法进一步可以包括接收传感器数据。

当接合处正在移动时或者处于应力之下时，传感器数据可以涉及一个或多个时间间隔。

可以靠近传感器本身本地执行确定相似性度量的步骤的一部分或者全部。

可以远离传感器执行确定相似性度量的步骤的一部分或者全部。

传感器中的一个或多个可以是加速度计。

方法可以进一步包括确定完整性度量。

方法可以进一步包括以下的任一项或者多项：

显示完整性度量；

将所述完整性度量存储到计算机存储器；

提出所述完整性度量低的通知；或者

将所述完整性度量作为输入提供给用于结构的维护调度系统。

在第二方面提供软件，亦即存储在计算机可读介质上的计算机可读指令，当该计算机可读指令由计算机执行时使计算机执行上述方法。

在第三方面提供计算机系统以评估土木结构的结构接合处的完整性，所述计算机系统包括：

在形成结构接合处的不同子结构上提供的两个或更多个传感器，其中，每个传感器产生与在其上提供所述传感器的子结构相关联的传感器数据；以及

处理器，用于确定在传感器数据之间的相似性度量；

其中，所述结构接合处的完整性度量基于相似性度量。

在适当的时候，第一方面所描述的可选特征也同样适用于此处所描述的第二和第三方面。

附图说明

现在将参考以下对(一个或多个)示例进行描述：

图1是具有结构接合处的土木结构的示例。

图2是在图1中所示的结构接合处的放大视图，并且在此处提供有传感器。

图3和图4是加速度传感器的示意图。

图5是示出了用于评估结构接合处的完整性的方法实施例的流程图。

图6通过图表示出了从三个不同的接合处所收集的传感器数据的相似性评估结果。

图7通过图表示出了来自三个不同的接合处的时移分布评估结果。

图8是可以执行这个方法的示例计算机系统的示意图。

图9(a)和图9(b)涉及使用相似性度量来确定完整性的方法的第一详细示例，该相似性度量基于在时间对准的传感器数据中形成的模式相关性。

图10(a)、图10(b)和图10(c)涉及使用相似性度量来确定完整性的方法的第二详细示例，该相似性度量基于当相似性度量最大时在交叉相关的传感器数据之间的时移分布。

具体实施方式

现在将描述用于评估土木结构的一个或多个接合处的完整性的方法、系统和软件。该方法提供了以实时地监视土木结构的结构健康的能力。

图1图示了土木基础设施100，其在这种情况下是桥梁的简化侧视图。将意识到的是，方法同样适用于任何具有一个或多个接合处的结构，无论是公共结构还是私人结构。示例为水坝和建筑物。接合处是结构的任何两个或更多个子结构，其相互接触并且通常将力施加到在那个接合处的一个或多个其它子结构。子结构可以是结构的正规的分立组件，例如单独的梁。替代地，子结构可以是不太正规的分立组件，例如结构的相同组件的不同部分(子结构)，例如相同的梁的不同部分，如那个梁中的裂缝或者空隙所限定的那样。

在这个示例中，桥梁100具有I形梁102和104以及拱106、108和110的子结构。在这种情况下，在每个I形梁102和104与拱106、108和110之间形成接合处，并且在112、114、116和118处指出。

方法利用了以下发现：当接合处受压并且健康时(并且相应地具有高结构完整性)，感测到的形成接合处的每个子结构的移动例如在频率或振幅上基本上是相似的。这意味着接合处连接良好。然而，当接合处不健康并且相应地具有低结构完整性时，感测到的形成接合处的每个子结构的移动基本上是不同的。

在每个接合处112、114、116和118处，传感器放置在接合处的任一侧以测量越过那个接合处的移动。亦即，两个或更多个传感器的集合被放置在每个接合处，其中，在形成接合处的两个不同的子结构上提供至少一个传感器。以这种方式，可以使用每个接合处的多个传感器读数来检测故障。

在图2中更详细地示出了接合处112和传感器的放置，在此处，提供传感器200a和200b的集合以感测那个接合处112中的移动。传感器放置在接合处112的任一侧，亦即，在形成接合处的每个结构子组件上各一个传感器，并且通常简单地粘合。亦即，传感器200a放置在靠近接合处112的拱106上，并且传感器200b放置在同样靠近接合处112的I形梁102上。

在这个示例中，当汽车在桥上驾驶经过接合处时，这将接合处置于应力之下，并且引起在各个接合处的移动，以及相应地通过传感器感测到移动。

在这个示例中，在每个接合处112、114、116和118处的传感器(包括传感器200a和200b)是通常廉价的三维加速度计。在图3中示出了三维加速度计300的示意图。

加速度计的单个传感器读数为三个独立的(亦即正交的)轴x 306、y304和z 302中的每一个提供了所感测的加速度的度量，并且因此来自传感器的单个读数返回一个以其自身为参考的加速度矢量A：(x，y，z)。

图8图示了用于评估土木结构的接合处(在这种情况下是接合处112)的完整性的计算机系统700。

在这个示例中，计算机系统700包括位于土木结构现场的传感器200a和200b、嵌入式计算机系统720和通信设备722。在这个示例中，使用I2C总线将传感器200a、200b连接到嵌入式计算机系统720，并且使用现场以太网网络将嵌入式计算机系统720连接到通信设备722。对于本领域技术人员将容易意识到的是，可以适当地使用一系列通信协议(包括有线的和无线的)，并且在200a、200b、720和722之间的最佳通信方法将受到物理布置和其它约束条件(例如天气因素和电源要求)的影响。

在这个示例中，提供一个嵌入式系统720用于两个传感器200a和200b，但是应意识到的是，嵌入式系统720可以连接到与相同接合处112或(一个或多个)不同接合处相关联的多个传感器(未示出)，并且可以从该多个传感器接收传感器数据。同时，在这个示例中通信设备722被示出连接到单个嵌入式系统720。应意识到的是，通信设备722可以从多个嵌入式系统720(未示出)接收传感器数据。

进一步，本领域技术人员还将意识到的是，在适当的时候，使用取决于为特定实施例而选择的通信架构的有源中继器扩展(未示出)或其它合适的通信技术以进行200a、200b、720和722之间的连接。

在这个示例中，嵌入式计算机系统720从传感器200a和200b接收传感器数据，并且处理数据(以下更详述地描述)。处理后的传感器数据被提供给通信设备722。通信设备能够将所接收到的传感器数据传输到计算机700。

本领域的技术人员将意识到的是，然后使用广域有线或无线的通信网络(例如移动电话网络)以传递这个传感器数据，随后在输入/输出端口706处接收传感器数据。在这个示例中，通信设备具有3G连接和/或ADSL连接。可以在广域通信网络上使用一个或多个通信协议发送传感器数据以随后在输入/输出端口706处接收传感器数据。

所接收的传感器数据通过处理器710存储在本地存储器708(b)中。处理器710使用同样存储在存储器708(a)中的应用软件来执行图5中所示的方法。在这个意义上，处理器710执行评估结构接合处的完整性度量的方法。

在这个示例中，基本上实时地接收传感器数据。然而，在其它实施例中，传感器数据可以是历史的，并且已经存储在存储器708(b)上而且由处理器718访问以执行方法。替代地，历史传感器数据可以存储在嵌入式系统720中，并且随后传送到计算机系统700。

软件提供了可以在监视器712上展示给用户的用户界面。监视器712能够显示方法的结果，例如通过图形。方法的结果也可以被存储在存储器708(b)中。

也可以由用户使用输入设备(未示出)提供用户输入，并且向输入/输出端口706提供该用户输入。

在这个示例中，存储器708对计算机700来说是本地的，但替代地可以对计算机700来说是远程的，例如云计算服务。

现在将参照图5对评估这个示例的结构接合处112的完整性的方法进行描述。

方法假定的是，如上所述在结构100上提供传感器，亦即，在这种情况下，在形成结构接合处112的两个或更多个子结构102和106上提供两个或更多个传感器200a和200b。还提供了图8的计算机系统。

在第一步，传感器200a和200b产生(502)传感器数据。亦即，每个传感器提供关于与借助于传感器在那个子结构的放置相关的子结构的移动的数据。传感器的采样率对组件的材料来说是合适的，例如110Hz。再次参考图3，每个样本包括加速度矢量A:(x，y，z)和时间戳。理所当然地，时间戳与围绕接合处112的其它传感器同步。替代地，取决于传感器200a和200b与嵌入式系统之间的数据传输速率，可以通过嵌入式系统720将时间戳添加到传感器数据。

在这个示例中，随后传感器数据被提供给开始处理传感器数据的嵌入式系统720。

为了处理传感器数据，在瞬时加速度矢量值和静止加速度矢量值之间确定(504)距离的度量。距离的度量被本领域的技术人员理解为这两个矢量之间的比较的任何适当的度量。距离的度量的示例是瞬时和静止加速度矢量值之间的数值差异。

如图3和图4中所示，传感器200a和200b是在任意未知位置中的加速度计，所以每个加速度计很可能具有与其它在那个相同接合处上的加速度计不同的取向。重力350总是作用于传感器，其意味着为每个传感器样本所生成的三个值取决于传感器300的取向。例如，当处于静止时，每个轴的值将根据它们相对于重力的取向。进一步，每个传感器具有不同的偏差(在每个轴上范围为从0.05g至0.4g)，极大地促成了这些值。

在这个示例中，来自传感器的读数被认为是离开静止位置402的距离，而非绝对测量值。以这种方式，避免了了解加速度计和校准的具体偏差以考虑随时间的变化的代价。图4示出了具有在静止矢量Ar 402处的加速度矢量的加速度计400，并且还示出了示例瞬时加速度矢量Ai 404。在406处还示出了描述在Ar 402和Ai 404之间的测量距离的矢量。

这个测量距离406的取向取决于传感器300的取向。在这个示例中，传感器的取向未知，并且因此不考虑距离406的取向，而仅使用距离406的值。

在这个示例中，测量距离被认为是矢量幅度||Ar||-||Ai||的差异。这是在图4中所示的矢量406的幅度并且可以如下进行计算：

\sqrt{{(Arx - Aix)}^{2} + {(Ary - Aiy)}^{2} + {(Arz - Aiz)}^{2}} - - - (1)

将理解的是，在Ar和Ai之间的测量距离的替代计算是可能的，例如确定矢量差||Ar-Ai||的幅度，其可以如下进行计算：

\sqrt{{Arx}^{2} + {Ary}^{2} + {Arz}^{2}} - \sqrt{{Aix}^{2} + {Aiy}^{2} + {Aiz}^{2}} - - - (2)

在这个示例中，首先嵌入式系统722为每个传感器200a和200b确定在静止Ar 406处的加速度矢量值。

如上所述，使用在静止Ar 402矢量处所确定的加速度值，嵌入式系统722确定在加速度矢量404的时间校准的传感器数据值和Ar 402的值之间的瞬时差异。实时地并且持续地对从传感器200a和200b所接收的传感器数据执行该方法。

嵌入式系统持续地缓冲最新2.5秒的数据，亦即，2.5秒的距离度量406的值。

嵌入式系统720将来自200a和200b的样本标上时间。

接下来，确定(506)在接合处112处是否已经发生事件。事件定义为在接合处上产生足够量的移动或应力的动作或力，该接合处将产生适合于在这个方法中使用的传感器样本。例如，嵌入式系统720具有事件阈值，其例如可以是表示为mG的预定值或者是作为在静止时的加速度的函数的动态值。一个简单示例是使用百分比。在当前示例中，将用于||Ar||-||Ai||的100mg阈值预定为在接合处112上的显著的力，其通常表示在接合处112顶部的区域内的桥梁100上的车辆的通过。如果为一个或多个传感器200a和200b所确定的距离406大于该阈值，则已经检测到事件。

一旦已经检测到事件，就将与该事件相关的传感器数据(亦即，包括检测到该事件的时间的传感器数据的预定时间间隔)从传感器200a和200b传输(508)到计算机700。亦即，将在嵌入式系统720处的当前2.5秒的缓冲数据和当前所确定的用于在静止矢量402中的加速度值传输到通信设备722。

然后，通信设备722收集所接收的差值，将它们记录到文件中并且使用通信网络(例如无线广域网)以将文件的内容传输到计算机700。

将一些方法的处理分布在接合处的现场的好处在于，它降低了在通信设备722和计算机700之间的通信负荷，其有助于降低通信成本、减少在计算机700处实时接收传感器数据的延迟和实现在由计算机700所接收的传感器读数之间的时间同步。当然，虽然描述了对传感器值的距离度量进行传输，但是可以传输未处理的传感器值本身，并且可以远程确定距离度量。

接下来，确定(510)在接合处上提供的传感器的传感器数据之间的相似性度量。本领域技术人员将理解的是，相似性度量是可以一般地描述在传感器之间的相似性的任何度量。例如，相似性度量是定义在给定集合S的所有元素之间的值的数学函数F，以使得如果A和B是S的元素，则F(A，B)＝F(B，A)。相似性度量的一些示例是相关因数或者索伦森指数。值得注意的是，距离度量也是相似性度量，例如，欧式距离是相似性度量。

在这里以两种不同的方式(510(a)或510(b))描述步骤510。

参考510(a)，形成具有高完整性的接合处的子结构基本上将以同样的方式移动，亦即一起移动(好像它们实际上是单一结构)。亦即，所测得的(在这种情况下是与静止位置的差异)传感器数据的模式(例如行为)将在时间上相关联。

在这个示例中，比较在传感器200a和200b的成对的时间校准的差值406之间的相似性。例如，成对的传感器的20次时移+/-10采样周期＝+/-50ms。让我们称这个为函数D(时移)。然后，接合处的相似性可以如下进行计算：

similarity＝1-(min(D(t)))/avg(D(t)) (3)

本领域的技术人员将理解，可以使用其它的数学运算来执行在时间校准的传感器数据之间的相似性，该数学运算识别在从接合处所接收的传感器数据之间的相关性。示例包括模式匹配方法、机器学习和基于距离度量的回归技术。然而，我们注意到简单观察在时间校准之间的差异的技术通常对于噪声不是稳健的，并且因此不是优选的相似性度量。

使用这种方法，事件检测分布在多个嵌入式设备720中，其意味着传输的传感器数据没有自动地在时间上校准。所有的传感器样本包括时间戳，因此当比较406的差值时，处理器318保证要比较的时间校准的传感器值具有相同的时间戳，亦即，比较在时间校准的传感器数据之间的差异。

替代方法510(b)使用的是，健康的接合处的每个子结构的相关感测的移动基本上在短时间周期内发生。同时，在接合处是不健康的并且相应地具有低结构完整性的地方，形成接合处的每个子结构的任何类似或相关感测的移动基本上在相当长的时间周期内发生，其可以比健康的接合处大至少一个数量级。

对于在给定范围[-T，T]内的给定时移t确定在接合处上提供的传感器的时间校准的传感器数据之间的交叉相关。这个计算针对在范围[-T，T]内的所有t来进行，并且产生一系列交叉相关值R。这一系列给定值Ri是针对时移t＝i的在接合处上提供的传感器的时间校准的传感器数据之间的交叉相关。

接下来，从系列R中选择最大值Rmax。因此，Rmax表示了在跨越[-T，T]范围内的所有可能的t值的最大可达到的交叉相关。在Rmax发生处的特定的t值进一步被称为Tmax，并且表示了在达到最大交叉相关值处的时移。

也参考上述的事件针对不同的后续独立时间周期重复Rmax和Tmax的计算。从这些重复计算得到的结果Tmax值表示新系列TS。因此TS是一系列针对在来自给定接合处的传感器的传感器数据之间达到最大交叉相关时的时移值。

在TS系列内的值的统计分布提供了接合处112的完整性的指示。如果接合处是健康的，则TS分布基本上是窄的，并且其均值或中位数约为0。如果接合处是不健康的，则TS分布基本上是宽的，并且其均值或中位数可以不为0。

接下来，确定(512)接合处112的完整性度量。如果使用方法510(a)，则这可以仅仅是相似性结果，但是更典型地将表示在特定时间周期上的相似性确定的组合，并且针对那些时间周期分别地报告以给出接合处完整性的更广泛的长期观点。

图6通过图表示出了三个接合处602、604和606的完整性度量。在这个示例中，X轴表示以天数为单位的时间，并且Y轴是在那天所测量的事件的相似性的平均结果。在这个示例中，超过0.3的完整性度量表示在接合处中缺乏良好的完整性。可以看出，用于接合处602的完整性度量的值总是在0.3以上，因此现在理解这个接合处具有低完整性。将这个与具有小于0.3的完整性度量值的接合处604和606进行比较，意味着在接合处602的子结构中存在加速度的相似性，并且这表示了接合处604和606的良好完整性。

如果使用510(b)中的方法，则这个完整性可以简单地是TS分布的四分位距(IQR)大小的数值。图7通过图形示出了用于三个接合处的TS系列的分布。在这个示例中，用于接合处604和606的TS系列的IQR度量基本上是低的，并且这表示了接合处604和606的良好完整性。将这个与具有较大数量级的IQR度量的接合处602进行比较，其表示了低完整性。

这个方法的优势是，组合多个传感器输入以形成结构接合处的虚拟表现。然后可以在不了解潜在传感器的取向和位置的情况下对多个接合处的行为进行比较。即使传感器没有被准确地放置，也可以达到自动校准。

第一详细示例

以下是详细示例，其使用以上所指的510(a)方法确定在土木结构上的给定接合处的完整性。结果是来自由附接到接合处的传感器所收集的数据的健康指数。这个健康指数提供了接合处的结构完整性的指示。

在部署在PC式计算设备(也称为“节点”)上的“sampleEvents”软件中实现这个算法。这个节点位于要被监视的结构上的给定接合处(例如桥梁的接合处)，并且具有固定数量的传感器与其附接。以下描述假定(但不限于)3个附接的传感器。可以在给定的结构上部署任意多数量的节点，例如具有500个接合处的桥梁可以有500个节点，亦即，一个节点附接到一个接合处。

我们对监视在桥梁上的多个接合处的结构健康感兴趣。对于每个接合处，我们希望提供单一的值，其给出关于那个接合处如何健康的分数，亦即，0＝不好的健康和1＝良好的健康。为了这样做，我们在每个接合处部署若干传感器以测量经过接合处的信息。在本文的其余部分，这个传感器的数量称为MAX_SENSORS＝3个传感器(亦即S1、S2和S3)。如在图9(a)中所示，这3个传感器都连接到单一节点，亦即，每个接合处都有一个节点。这个节点是PC式计算设备，并且从3个传感器收集信息以及针对接合处计算健康指数H。

传感器是3D加速度计，其返回加速度矢量A：(x，y，z)(以其自身为参考)。在任意未知的位置将它粘合到接合处。因此在接合处的传感器具有不同于在那个相同的接合处上的其它传感器的取向。

在接合处的情况下，事件(宽泛地)定义为时间周期，在该时间周期期间“显著”的物理动作施加于该接合处，例如机动车驾驶经过那个接合处。更具体地说，当接合处的传感器的其中一个报告与静止位置(见下文定义)的差别大于预定阈值时，我们认为针对接合处的事件开始。

定义

在静止(Ar)处的平均加速度

在理想的情况下，在水平面上的静止处(亦即，当没有事件在进行中时)的传感器应当返回加速度A：(0，0，-G)。然而，由于它的任意取向，所以一旦粘在接合处上，重力分量就将沿它的3个轴分布：A：(Gx，Gy，Gz)。此外，由于硬件偏差，由所部署的传感器所测得的实际加速度将是：(Gx+Ex，Gy+Ey，Gz+Ez)，其中(Ex，Ey，Ez)为偏置矢量。一个这样的测量是样本。

当没有事件发生时，我们定义对于传感器在静止(Ar)处的平均加速度为在给定数目的样本M上的A的平均值。(当前M＝SAMPLES_AVG_CALCULATION＝200)。我们定义Ar：(Arx，Ary，Arz)。

与在瞬时i处的静止的数量差别(V1和V2)

在搜索事件和它的整个持续时间的期间，传感器在给定的采样时间i记录瞬时加速度：A(i)：(Aix，Aiy，Aiz)。

对于给定的样本i，我们在瞬时和静止加速度之间定义了2个数量差别指标：

在幅度上的差别：

V1(i)＝|A(i)|-|Ar|＝sqrt(Aix^2+Aiy^2+Aiz^2)-sqrt(Arx^2+Ary^2+Arz^2)

差别的幅度：

V 2 (i) = | A (i) \cdot Ar | = sqrt ((Aix - Arx)^\overset{\cdot}{2} + (Aiy - Ary)^2 + (Aiz - Arz)^2)

事件采样窗口

参考图9(b)，当已经检测到事件时，我们围绕那个事件采集固定数量的样本N，其中当前N＝DEFAULT_SAMPLES＝600。更确切地说，我们采集事件开始点之前的SAMPLES_KEPT_BFR_EVENT＝100个样本和在那个点之后的剩余的DEFAULT_SAMPLES–SAMPLES_KEPT_BFR_EVENT＝500个样本。这是事件采样窗口。

启发式算法

直观知识和概述

在事件期间：

●(a)如果接合处是健康的，则它附接的所有3个传感器应当“一起移动”。因此它们在加速度的幅度上的差异(V1)应当或多或少地“类似”。

●(b)如果接合处是不健康的，则它的3个传感器应当“不同地移动”。因此，对于一对或多对传感器，它们在加速度的幅度上的差异(V1)应当“很大地不同”。

●(c)对于给定的传感器，如果在瞬时和静止的加速度之间的差异的幅度(V2)为“低”，那么瞬时加速度矢量最可能由噪声主导，并且不会提供关于接合处如何健康的信息。

(注：初始所采集的数据的经验分析支持(c)，已知的健康接合处针对它们的传感器具有低V2值)

因此，在事件期间，提供接合处的健康指数的启发式算法是：

●我们在所有所测得的N个样本上，针对每对S1、S2和S3计算在V1(i)值之间的差异。这需要考虑的事实是，在事件期间的物理刺激可以以略有不同的时间到达不同的传感器(亦即，样本数中的偏移)。

●我们保留这些差异的最小值，并且在所有计算的差异上将它归一化。

●我们基于不同的加速度的最大幅度(V2)将归一化后的最小值乘以因子，以考虑以上(c)的直观知识。

●这些操作的结果给了我们一个值h。

●我们定义健康指数H为h的1补(亦即，H＝1-h，因为公众往往更容易将低值与故障相联系，而不是相反的)。

解释：

当在足够大的数目的事件和以上给定的(a)、(b)、(c)上运行这个启发式算法时，对于给定接合处的平均H：如果它可能是“故障的”，则H应当为低；并且如果它可能是“健康的”，则H应当为高。当前使用来自已知故障和健康的接合处的数据凭经验来进行用于这个决定的截止值的选择。

当前启发式算法实现的细节

以下是以上强调的启发式算法实现的详细描述。

采样和触发(在timerHandler方法中实现)

通过由周期定时器触发的任务方框持续地进行样本采集和事件检测。

对于每个传感器：

●我们首先采集M＝SAMPLES_AVG_CALCULATION＝200个样本以计算Ar：(Arx，Ary，Arz)。

●因此我们具有Ar＝sum(Ai)/200，其中i＝[1，200]。

●对于每个后续的样本A(i)，其中i>200

○我们计算在瞬时和静止加速度之间的差异的幅度：

V2(i)＝|Ar-A(i)|

○如果这个值大于事件检测阈值(＝DEFAULT_THRESHOLD＝20(mG))，那么我们假设事件已经开始。对于不同的节点，这个默认阈值可以不同。

■我们继续采集额外的

DEFAULT_SAMPLES-

SAMPLES_KEPT_BFR_EVENT＝500个样本。

■在那之后，我们停止采样，并且将整个事件采样窗口所保留的600个样本传给下个任务。

○否则我们保持如上的对新样本的采样和测试。

○(注：DEFAULT_SAMPLES大小的循环缓冲的使用允许事件采样窗口捕捉围绕事件检测的100个和500个样本)

能量计算(在sampleEvent方法中实现)

当已经采集完整的事件采样窗口时，执行以下任务：

●我们停止先前的采样和检测过程，从而防止当我们处理这个事件时的进一步采样。

●对于每个传感器的每个所采集的样本i，我们计算它的V1(i)和V2(i)(如上所定义的)。

健康指标计算(在computeAggregates方法中实现)

我们基于最大所测得的幅度差来计算乘法因子K，见以上直观的知识(c)：

●对于每个传感器，我们挑选具有最高V2(i)值的maxSamplesNum＝30个样本，并且计算它们的平均值。

●我们将最高平均值保持为maxEnergy值。

●如果maxEnergy<lowerlimit(其中lowerlimit＝2),则K＝0。

●如果maxEnergy>upperlimit(其中upperlimit＝10),则K＝1。

●否则K＝在lowerlimit和upperlimit之间的maxEnergy的线性函数

●K＝maxEnergy×(1/(upperlimit-lowerlimit))-lowerlimit/(upperlimit-lowerlimit)对于每对传感器(A，B)，并假设SHIFT_LEN＝15：

●对于每个在范围[-15，0]内的位移值u：

○我们计算在所有N个样本上的A的V1(i)和B的V1(i+u)之间的绝对差异的和diffShifted，diffShifted＝在所有的样本i上的|V1(A，i)-V1(B，i+u)|的和。

●对于每个在范围[0，15]内的位移值u：

○我们计算在所有N个样本上的A的V1(i+u)和B的V1(i)之间的绝对差异的和diffShifted，diffShifted＝在所有的样本i上的|V1(A，i+u)-V1(B，i)|的和。

●我们将在上述两种情况下在所有位移u上的最小计算得到的diffShifted存储在变量minDiff中。

●我们将在上述两种情况下在所有位移u上的所有diffShifted的和累加到变量sumDiff中。

●我们在上述所有计算得到的diffShifted的和上将minDiff归一化normalised_minDiff＝minDiff/((sumDiff-minDiff)/2×SHIFT_LEN-1)。

(注1：在当前正在运行的实施例中，这个归一化通过最后的除数等于SHIFT_LEN-1来执行。这是确认的误差，其似乎并没有显著改变最后的结果。)

(注2：这个normalised_mindiff可以看作是在A和B的V1之间的“相似性指数”。)

我们选择所有传感器对上的normalised_mindiff指数最小值min_normalised_mindiff。

最后我们定义接合处的健康指数H为：

H＝1-K min_normalised_minDiff

参数总结和推论

threshold＝DEFAULT_THRESHOLD＝20(mG)

改变阈值将改变在传感器的加速度上的V1幅度差，其要求触发事件。因此这对事件检测有影响。较小的值将因为在加速度的幅度V1上的较小变化而触发事件。这是针对给定节点的参数，因此不同的节点可以有不同的配置阈值(例如，节点44和45具有在75mg的阈值)。可以在config文件中找到这个参数配置，该config文件影响sampleEvents后台程序在每个节点上的执行。在这个sampleEvents软件的下一个版本中，我们可能决定使用更通用的方法来检测事件，例如使用等同于在静止处的加速度的百分比的阈值。

DEFAULT_SAMPLES＝600和SAMPLES_KEPT_BFR_EVENT＝100

定义样本范围以围绕事件进行捕获。较小的范围可能错过在事件前/后的令人感兴趣的信息，而较大的范围可能导致不必要的不相关信息被捕获。

SHIFTJLEN＝15(样本)

在比较一对传感器的V1幅度差时，改变这个参数将改变应用于它们的数据的在采样位置的+/-位移范围。因此，这对在一对传感器之间的数据进行比较的能力有影响。较小的值可能导致类似的幅度差不被检测到(亦即“假的负值”)，较高的值可能检测到假的类似幅度差(亦即“假的正值”)。

K乘法因子

通过以下这个参数的子参数来改变这个参数将改变最终的健康指标值和通过启发式算法返回的它的潜在变化范围。

●maxSamplesNum＝30

改变这个参数将改变用于计算最大值V2的幅度差的样本数目。给定的值假设任何超出那个值的样本不会添加太多到平均最大值V2。因此，较小的值可能低估那个平均值，而较高的值可能导致不必要的计算。这个平均最大值是K乘法因子的主要成分之一。

●upperlimit＝10和lower limit＝2

改变这些参数将改变K乘法因子的线性行为的范围。较小的范围使K因子像二进制开关(在0和1之间跳跃)那样动作，用于考虑在启发式算法中的V1幅度差。

附加说明

传感器的位置仅仅是名义上未知的。我们对传感器粘合的方式有一些想法。例如，s2非常接近水平位置，所以理论上(没有偏差)Zr应当是-g(＝-256)，并且Xr和Yr应当是0。从s2读取真正的Ar矢量，我们可以很容易对这个传感器所具有的偏差有很好的估计。

传感器s1和s3也在它们的放置上具有有限的自由度，所以可以再次推断这个。

第二详细示例

以下是使用以上所指的510(b)方法来确定在土木结构上的给定接合处的结构完整性的详细示例。

这个第二示例假设与第一详细示例相同的情况、假设与定义。在R脚本文件中实现在本文中所提出的分析，脚本文件在R统计环境软件中使用。在其它语言或平台中的其它实现是可能的。

分析和结果

概述

我们做出以下假设：

●如果接合处是健康的，它附接的所有3个传感器应当“一起移动”。因此它们在加速度的幅度上的差异(V1)应当或多或少地“类似”，并且那个相似性在时间上应当围绕“相同”的点发生。

●如果接合处是不健康的，它的3个传感器应当“不同地移动”。因此，对于一对或多对传感器，它们在加速度的幅度上的差异(V1)应当“相当大地不同”，并且任何薄弱的剩余相似性在时间上应当发生在“不同”的点。

鉴于这些假设和一个传感器的数据是时间序列的事实，我们对来自在相同接合处上的两个传感器的V1数据之间的交叉相关感兴趣。对于2个给定时间序列s1和s2，它们的交叉相关(CCR)是这些系列在跨越时间上如何相似的度量。这个CCR度量通常利用给定的时间滞后T来进行计算，亦即，作为可能略有提前或延迟地与其它进行比较的系列中的一个，CCR通过将特定的时移(或滞后)T施加到系列中的一个来计算。

为了本文的目的，用于时移T的在s1和s2之间的CCR值由下式给出：

CCR = \frac{Σ_{i = 1}^{n} [(s 1 (i) - ms 1) * (s 2 (i - T) - ms 2)]}{\sqrt{Σ_{i = 1}^{n}} {(s 1 (i) - ms 1)}^{2} * \sqrt{Σ_{i = 1}^{n}} {(s 2 (i - T) - ms 2)}^{2}}

其中，

●s1和s2：n个样本的两个时间序列

●s1(i)：来自时间序列s1在时间i处的值

●s2(i-T)：来自时间序列s2在时间i-T处的值

●ms1和ms2：分别为时间序列s1和s2的均值我们知道：

●节点44是附接到故障接合处的节点

●节点41、42、43、45和46全部附接到健康的接合处

用于各个节点的最大V1CCR的趋势

我们首先为在120815期间的单一事件绘制用于不同的节点、不同的滞后值的最大V1CCR。

●在图10中示出这样绘制的用于节点41(健康的)和节点44(故障的)的示例。

观察：

●我们看到用于不同节点的不同对传感器的不同模式。

●在健康的接合处上的节点模式似乎约在T＝0时间滞后处具有最大CCR的清晰可视峰值。

●与之形成对照的是，对于节点44的模式，最大CCR的峰值似乎不太清晰并且远离T＝0时间滞后。

用于各个事件的单一节点的最大V1CCR的趋势

为进一步探讨上述的观察，我们为在120815期间的10个随机事件的单一节点绘制如以上的最大V1CCR。

我们为节点41(健康的)和节点44(故障的)执行这个绘制。

这20条曲线整体上类似于在图10中所示的那些。这些曲线似乎证实，针对图10绘制的曲线所进行的观察似乎在多个随机事件上成立。

用于各个节点和事件的最大V1CCR的值和位置

跟随以上观察，我们绘制以下两者：

●用于不同节点的最大V1CCR的分布。

●在最大V1CCR发生处的滞后的分布。

此外，完成这些(i)和(ii)曲线：

●用于在120815期间的不同数目的事件(10、20、50个事件)

●用于随机或者按顺序选择的事件

●在曲线中有或没有异常点

图10(b)的曲线示出了在一天内50个随机事件的每个节点的最大CCR值的分布。

图10(c)的曲线示出了当在一天内的50个随机事件的每个节点发生最大CCR时的滞后或时移值的分布。

观察–最大CCR的值：

●健康节点的最大CCR的分布似乎总在0.3以上，但具有不同IQR大小，亦即，它们中的一些具有大规模分散的IQR(例如节点41、节点45)，其它具有小的IQR(节点43)。在某些情况下，健康节点的这些IQR包括0.3的值。

●故障节点并且特别是故障周围的传感器对(2，3)的最大CCR的分布，似乎总低于0.3，并且集中在它的中位数周围(亦即，四分位距IQR的低分散)。

●对于特定的故障节点44，(1，3)的分布似乎高于(2，3)的分布。考虑到在(2，3)之间的故障也将(1，3)分离，我们将期望(1，3)和(2，3)的分布将是“相似”的。

观察–最大CCR的滞后(亦即位置)：

●健康节点的最大CCR滞后的分布似乎明确定位于T＝0周围，并且在[0，1]范围之间具有非常窄的IQR。

●故障节点的最大CCR滞后的分布似乎明确定位于远离T＝0，并且在[0，15]之间具有非常广的IQR，其与健康节点相比具有较大的数量级。

●从曲线中去除异常值不会改变上述观察。

一般观察：

●上述观察对10个事件来说不明确，但似乎在20个事件开始时进行定义，并且在50个事件时明确清晰。

●上述观察对于随机和按顺序选择的事件都成立。

在节点的传感器对之间的最大V1交叉相关(CCR)的值分布和时间位置(＝滞后)分布的两者的结合，似乎是用于检测故障接合处的好指标。

●的确，故障接合处的特征似乎在于：

○最大V1CCR的低值(“低”<0.3)的窄分布

○当最大V1CCR发生时的时移(或滞后)的高值的广分布(“广分布”＝IQR比健康接合处的时移分布的IQR高一个数量级)

因此，接合处的结构完整性的指标可以由在那个接合处的传感器对之间出现最大CCR值处的时移分布的IQR值来表示。较高的IQR指示较低的结构完整性。

本领域的技术人员将意识到的是，在不偏离如在权利要求中所限定的范围的情况下，可以对特定实施例进行很多的变化和/或修改。

例如，传感器可以向嵌入式计算机提供原始采样数据，该嵌入式计算机简单地把它传给计算机700，在计算机700中执行所有传感器数据的处理。在那种情况下，可以完全地移除嵌入式计算机。

如参考在图5中的流程图所描述的，对传感器数据的处理进行分布。可以远程完成确定(510)相似性的步骤，并且替代地将相似性评估(510)的结果或最终确定(512)的接合处的完整性的指示从通信设备722发送到适当的计算机系统。

在进一步的示例中，在远程完成什么样的处理量和由远程计算机700完成什么之间的划分可以进一步变化。例如，可以在结构上提供进一步的计算设备以协助分布的处理。同时，在由哪个组件(例如嵌入式系统720和通信设备722)完成什么处理之间的分割也可以变化，通常由具有较高的处理能力(其相应地改进了方法的效率)的设备来执行更复杂的计算。

可以使冗余成为采样的一部分，例如采样比数据更频繁或者在每个子结构上放置多于一个的传感器。

在接合处具有三个或更多个传感器的地方，可以将传感器全部地或者以两个或更多个为一组进行比较(510)来确定与所比较的传感器相关联的子结构的完整性度量。例如，在接合处具有四个传感器的地方，可以将两个或三个传感器的独特组合进行比较，以识别哪个子结构没有以与相同接合处的其它子结构相同的方式来移动。

进一步，方法可以扩展到比较相同结构的接合处的相似性，以这种方式可以知道作为整体或其属性的结构的完整性。

可以使用不同的传感器。进一步，相似性度量可以结合不同传感器类型的分析。

也可以使用不同的数据采集和数据传输的方法。

可以在维护调度算法中使用完整性度量来优化维护。

相似性的确定可以扩展到包括机器学习技术的应用，以自动检测异常。

在以单一组件形成接合处的地方，例如由在那个组件中的裂缝或疑似故障创建的接合处，传感器放置在那个接合处的周围，以评估结构组件的结构完整性是否受到损害，其中在那个组件的每个子结构上具有至少一个传感器。

在由故障接合处所引起的不连续性导致与良好接合处的不同传感器读数的适当情况下，传感器可以是温度传感器、声学传感器、压力传感器、电导率传感器。视情况而定，在每种情况下实际比较算法可以是不同的。

应理解的是，可以使用各种不同的技术实现本公开的技术。例如，可以通过存在于合适的计算机可读介质上的一系列计算机可执行指令实现本文所描述的方法。合适的计算机可读介质可以包括易失性存储器(例如RAM)和/或非易失性存储器(例如ROM、磁盘)、载波和传输介质。示例性载波可以采用沿本地网络或公开访问的网络(例如互联网)传输数字数据流的电气、电磁或光学信号的形式。

也应理解的是，除非特别地说明，否则如从以下的讨论中明显的那样，可以意识到贯穿说明书，使用例如“估计”或“生成”或“处理”或“计算”或“运算”、“优化”或“确定”或“显示”或“最大化”等等的术语的讨论，指代计算机系统或类似的电子计算设备的动作和处理，该计算机系统或类似的电子计算设备对表示为在计算机系统的寄存器和存储器中的物理(电子)量的数据进行处理和转换为类似地表示为在计算机系统存储器或寄存器或其它信息存储、传输或显示设备中的物理量的其它数据。

Claims

1.一种计算机实现方法，用于评估土木结构的结构接合处的完整性，所述方法包括：

确定在两个或更多个传感器的传感器数据之间的相似性度量，每个传感器提供与形成所述结构接合处的不同子结构相关联的传感器数据，

其中，所述结构接合处的完整性度量基于所述相似性度量。

2.根据权利要求1所述的方法，其中，所述相似性度量基于在两个或更多个传感器的时间校准的传感器数据中形成的模式相关性。

3.根据权利要求1或2所述的方法，其中，所述相似性度量基于在时间校准的传感器数据之间的距离度量。

4.根据权利要求3所述的方法，其中，所述相似性度量进一步基于确定在时间校准的传感器数据之间的平均距离。

5.根据权利要求4所述的方法，其中，所述传感器数据基本上表示移动的幅度而非移动的方向。

6.根据前述权利要求中任一项所述的方法，其中，所述方法进一步包括：

确定所述完整性度量，其中，通过确定所述相似性度量的步骤所确定的相似性越大，则基本上由所述完整性度量表示的所述完整性越大。

7.根据权利要求1所述的方法，其中，所述相似性度量基于在两个或更多个传感器的传感器数据中的交叉相关，以使得增加的相似性基于在基本上较短的时间周期内发生的最大交叉相关的传感器数据。

8.根据权利要求7所述的方法，其中，所述相似性度量进一步基于确定达到时间校准的传感器数据的最大交叉相关所需的时移。

9.根据权利要求1、7或8所述的方法，其中，所述相似性度量基于当所确定的所述相似性处于最大值时在两个或更多个传感器的交叉相关传感器数据之间的时移分布。

10.根据权利要求9所述的方法，其中，所述方法进一步包括：

确定所述完整性度量，其中，所述分布越窄，则基本上由所述完整性度量表示的所述完整性越大。

11.根据权利要求7、8或9所述的方法，其中，所述方法进一步包括：

确定所述完整性度量，其中，如通过确定所述相似性度量的步骤所确定的那样最相似的两个或更多个传感器的传感器数据在时间上越接近，则基本上由所述完整性度量表示的所述完整性越大。

12.根据前述权利要求中任一项所述的方法，其中，所述方法进一步包括：

接收所述传感器数据。

13.根据前述权利要求中任一项所述的方法，其中，当所述接合处正在移动时或者处于应力之下时，所述传感器数据涉及一个或多个时间间隔。

14.根据前述权利要求中任一项所述的方法，其中，靠近所述传感器本身本地执行确定所述相似性度量的步骤的一部分或者全部。

15.根据权利要求1至13中任一项所述的方法，其中，远离所述传感器执行确定所述相似性度量的步骤的一部分或者全部。

16.根据前述权利要求中任一项所述的方法，其中，所述传感器中一个或多个是加速度计。

17.根据权利要求6、10或11所述的方法，其中，所述方法进一步包括以下的任一项或者多项：

显示所述完整性度量；

将所述完整性度量存储到计算机存储器；

提出所述完整性度量低的通知；或者

将所述完整性度量作为输入提供给用于所述结构的维护调度系统。

18.一种软件，所述软件是存储在计算机可读介质上的计算机可读指令，当所述计算机可读指令由计算机执行时，使所述计算机执行权利要求1至17中的任一项或者多项。

19.一种计算机系统，用于评估土木结构的结构接合处的完整性，所述计算机系统包括：

在形成所述结构接合处的不同子结构上所提供的两个或更多个传感器，其中，每个传感器产生与在其上提供有所述传感器的子结构相关联的传感器数据；以及

处理器，用于确定在所述传感器数据之间的相似性度量；其中，所述结构接合处的完整性度量基于所述相似性度量。