CN104897180A - 用于桥梁监测信号的预处理方法 - Google Patents

Abstract

本申请涉及桥梁领域，尤其涉及一种用于桥梁监测信号的预处理方法。所述用于桥梁监测信号的预处理方法，包括：采用加入Kriging插值法的EMD分解方法(K-EMD)对桥梁监测信号进行预处理；其中，采用粒子群方法(PSO)对所述K-EMD过程中涉及的相关模型参数θ进行寻优。PSO法具有全局优化能力，避免信号处理陷入局部最优的陷阱，有效地保证取值达到全局最优。

Description

用于桥梁监测信号的预处理方法

技术领域

本申请涉及桥梁领域，尤其涉及一种用于桥梁监测信号的预处理方法。

背景技术

桥梁结构健康监测信号隐含结构的健康状态信息。对信号合适的预处理，能有效提高信噪比，使后续的信息挖掘具有更好的结果，如实反映结构状态。利用GPS系统能对桥梁结构进行健康监测，所获取的监测信号是非平稳的数据集，里面含有复杂的干扰信息(如长周期信号及噪声)，必须对GPS监测信号进行预处理，消除干扰信息，才能获取真实的桥梁结构动力特性。经验模态分解方法(EMD)在非平稳信号处理中具有独特优势，但存在端点效应和模态混叠现象的不足。加入Kriging插值法的K-EMD方法能够有效抑制端点效应，但是K-EMD方法利用模式搜索方法对相关模型参数θ寻优，其优化结果很大程度上依赖于参数θ的初始值，很难实现全局优化。

发明内容

本申请的目的在于避免现有技术中的上述不足之处而提供一种用于桥梁监测信号的预处理方法。

本申请的目的通过以下技术方案实现：

本申请实施例提供了一种用于桥梁监测信号的预处理方法，所述用于桥梁监测信号的预处理方法，包括：采用加入Kriging插值法的EMD分解方法(K-EMD)对桥梁监测信号进行预处理；其中，采用粒子群方法(PSO)对所述K-EMD过程中涉及的相关模型参数θ进行寻优，形成PSO优化的K-EMD方法。

优选地，所述K-EMD方法包括以下步骤：

步骤1，提取桥梁监测信号x(t)的极值点及其对应的时刻；

步骤2，将提取的时刻-极值作为已知样本点，根据所述样本点的特征，选定回归模型及相关模型，构建初始的DACE模型；

步骤3，利用PSO法对所述相关模型的参数θ进行优化，确定最优的参数θ；

步骤4，根据所述回归模型和所述最优的参数θ，构建最终的DACE模型；

步骤5，利用所述最终的DACE模型，对桥梁监测信号x(t)的极值点包络线进行预测插值、拟合，获得整个时间段内桥梁监测信号x(t)的极大值包络线e_max(t)和极小值包络线e_min(t)；

步骤6，计算所述极大值包络线e_max(t)和所述极小值包络线e_min(t)的极值包络线均值m₁：

$m_1=\frac{e_{\max }\left(t\right)+e_{\min }\left(t\right)}{2};$

步骤7，将桥梁监测信号x(t)减去所述极值包络线均值m₁，获得去均值信号y₁(t)：

y₁(t)＝x(t)-m₁

根据预设判断准则判定去均值信号y₁(t)是否是IMF分量，若去均值信号y₁(t)不满足所述预设判断准则，则将去均值信号y₁(t)作为原始数据，重复筛选，直至去均值信号y₁(t)满足所述预设判断准则，此时，记y₁(t)＝c₁(t)，则c₁(t)为桥梁监测信号x(t)的第一个IMF分量；

步骤8，计算剩余信号r₁(t)：

r₁(t)＝x(t)-c₁(t)；

步骤9，将剩余信号r₁(t)作为原始信号，重复步骤5、步骤6、步骤7和步骤8，分解n次得到n阶IMF和余项r_n(t)，分解第n次时的极值包络线均值记为m_n，若所述余项r_n(t)为一个单调信号或所述极值包络线均值m_n足够小时，EMD分解结束；

步骤10，综合上述结果，按需要将IMF与所述余项r_n(t)进行重构，获取重构信号λ(t)：

$\mathrm{\λ}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\left(t\right)-c_n\left(t\right).$

优选地，所述PSO法对相关模型参数θ的寻优过程包括以下步骤：

步骤1，设定所述相关模型参数θ的上下边界及粒子群参数，生成k个粒子；

步骤2，在可行解空间和速度空间内随机初始化所述粒子群，即确定所述粒子的初始位置和初始速度

步骤3，评价各个所述粒子获得的个体t时刻的最优位置和群体最优位置

步骤4，用下式更新所述粒子的速度和位置：

$V_i^t=\mathrm{\ω}{V}_i^{t-1}+c_1(P_i^{t-1}-X_i^{t-1})+c_2{r}_2(P_g^{t-1}-X_i^{t-1})$

$X_i^t=X_i^{t-1}+V_i^t$

式中，i和t分别是所述粒子的编号和迭代次数；ω是速度惯性权重；c₁和c₂分别是认知加速度因子和社会加速度因子；r₁和r₂是[0，1]之间分布的随机函数；

步骤5，将各个所述粒子的适应值和其搜索得到的所述最优位置进行比较，若符合预设条件，则将所述适应值作为当前的最好位置；

步骤6，若满足预设停止条件，搜索停止；反之，返回步骤4继续搜索。

优选地，所述预设判断准则包括：经过分解得到的时间序列，其极值点数量与过0点数量相差不超过1个；经过插值方式拟合的极值包络线在分析时间序列内的均值为0。

优选地，所述PSO优化的K-EMD方法与小波分解法(Wavelet)结合，形成优化的K-EMD-Wavelet法。

优选地，采用所述PSO优化的K-EMD方法用于桥梁监测信号x(t)中趋势项的提取剔除。

优选地，所述优化的K-EMD-Wavelet法用于对桥梁监测信号x(t)进行降噪处理。

优选地，所述桥梁监测信号为GPS监测信号。

优选地，采用所述PSO优化的K-EMD方法用于所述GPS监测信号中趋势项的提取剔除，获取消趋的GPS信号。

优选地，采用所述优化的K-EMD-Wavelet法对所述消趋的GPS信号进行降噪处理。

本申请实施例提供的优化的K-HHT方法可以包括以下有益效果：

(1)用PSO程序代替原始K-EMD分解法中的模式搜索方法，对Kriging相关模型的参数θ进行寻优，PSO法具有全局优化能力，避免信号处理陷入局部最优的陷阱，有效地保证取值达到全局最优。

(2)将PSO法对Kriging相关模型的参数θ进行寻优，不需要设定相关模型参数θ的初始值，只需确定其区间，即可方便地对待分析信号进行分解,且可获得更加真实的IMF分量。

(3)Kriging插值法带有预测性，它以已知的极值点作为样本点，预测端点处的数值，使获取的极值点曲线更平滑。而经过PSO优化的K-EMD方法能提高分解结果的稳定性，进一步控制端点效应。

(4)将PSO法用于对Kriging相关模型的参数θ进行寻优，优化后的K-EMD方法能把待分析信号中频率相近的信号分解出来，进一步控制模态混叠现象。

(5)由于不受初值影响、不需先验知识，对于不确定信号以及趋向性变化复杂信号，PSO优化的K-EMD方法对信号趋势项的分离效果更好。

(6)把PSO优化的K-EMD方法与Wavelet方法相结合，形成优化的K-EMD-Wavelet方法，用于非平稳信号的降噪处理，降噪后的信号曲线更加平滑。

(7)利用PSO优化的K-EMD方法及优化的K-EMD-Wavelet方法对桥梁GPS监测信号进行预处理，消除多路径效应、去除趋势项及噪声的影响，保证后续分析能获得桥梁结构真实的自振频率，以对桥梁结构进行健康监测，保障桥梁结构的安全。

附图说明

利用附图对申请作进一步说明，但附图中的实施例不构成对本申请的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本申请实施例提供的PSO优化的K-EMD流程图；

图2是桥梁监测点在纵向、横向、竖向三个方向上的GPS监测信号；

图3是图2中GPS监测信号的分析流程图；

图4是图2中纵向GPS监测信号的EMD分解图；

图5是图2中横向GPS监测信号的EMD分解图；

图6是图2中竖向GPS监测信号的EMD分解图；

图7是图2中纵向、横向、竖向三个方向上的GPS监测信号去除趋势项后信号的图谱；

图8是图7中去除趋势项后的信号进行降噪处理后的结果图；

图9是图2中纵向GPS监测信号经过去除趋势项和降噪处理后的位移频谱图；

图10是图2中横向GPS监测信号经过去除趋势项和降噪处理后的位移频谱图；

图11是图2中竖向GPS监测信号经过去除趋势项和降噪处理后的位移频谱图。

具体实施方式

结合以下实施例对本申请作进一步描述。

本申请实施例提供了用于桥梁监测信号的预处理方法，包括采用加入Kriging插值法的EMD分解方法(K-EMD)对桥梁监测信号进行预处理。K-EMD过程中涉及有相关模型参数θ的优化，本申请实施例采用粒子群方法(PSO)代替原始K-EMD采取的模式搜索方法，对相关模型参数θ进行寻优。PSO法具有全局优化能力，避免信号处理陷入局部最优的陷阱，有效地保证取值达到全局最优。且PSO法不需要设定相关模型参数θ的初始值，只需确定其区间，即可方便地对待分析信号进行分解,且获取的IMF分量更加真实。

K-EMD分解法对桥梁监测信号的分解过程包括以下步骤：

步骤1，提取桥梁监测信号x(t)的极值点及其对应的时刻；

步骤2，将提取的时刻-极值作为已知样本点，根据所述样本点特征，选定回归模型及相关模型，构建初始的DACE模型；

步骤3，利用PSO法对相关模型的参数θ进行优化，确定最优的参数θ；

步骤4，根据回归模型和最优的参数θ，构建最终的DACE模型；

步骤5，利用最终的DACE模型，对桥梁监测信号x(t)的极值点包络线进行预测插值、拟合，获得整个时间段内桥梁监测信号x(t)的极大值包络线e_max(t)和极小值包络线e_min(t)；

步骤6，计算极大值包络线e_max(t)和极小值包络线e_min(t)的极值包络线均值m₁：

$m_1=\frac{e_{\max }\left(t\right)+e_{\min }\left(t\right)}{2};$

步骤7，将桥梁监测信号x(t)减去极值包络线均值m₁，获得去均值信号y₁(t)：

y₁(t)＝x(t)-m₁

根据预设判断准则判定去均值信号y₁(t)是否是IMF分量，若去均值信号y₁(t)不满足预设判断准则，则将去均值信号y₁(t)作为原始数据，重复筛选，直至去均值信号y₁(t)满足预设判断准则，此时，记y₁(t)＝c₁(t)，则c₁(t)为桥梁监测信号x(t)的第一个IMF分量；

其中，预设的判断准则包括：经过分解得到的时间序列，其极值点数量与过0点数量相差不超过1个；经过插值方式拟合的极值包络线在分析时间序列内的均值为0；

步骤8，计算剩余信号r₁(t)：

r₁(t)＝x(t)-c₁(t)；

步骤9，将剩余信号r₁(t)作为原始信号，重复步骤5、步骤6、步骤7和步骤8，分解n次得到n阶IMF和余项r_n(t)，分解第n次时的极值包络线均值记为m_n，若余项r_n(t)为一个单调信号或极值包络线均值m_n足够小时，EMD分解结束；

步骤10，综合上述结果，按需要将IMF与所述余项r_n(t)进行重构，获取重构信号λ(t)：

$\mathrm{\λ}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i\left(t\right)-c_n\left(t\right).$

其中，PSO法对相关模型参数θ的优化过程包括以下步骤：

步骤1，设定所述相关模型参数θ的上下边界及粒子群参数，生成k个粒子；

步骤2，在可行解空间和速度空间内随机初始化所述粒子群，即确定所述粒子的初始位置和初始速度

步骤3，评价各个所述粒子获得的个体t时刻的最优位置和群体最优位置

步骤4，用下式更新所述粒子的速度和位置：

$V_i^t=\mathrm{\ω}{V}_i^{t-1}+c_1(P_i^{t-1}-X_i^{t-1})+c_2{r}_2(P_g^{t-1}-X_i^{t-1})$

$X_i^t=X_i^{t-1}+V_i^t$

式中，i和t分别是所述粒子的编号和迭代次数；ω是速度惯性权重；c₁和c₂分别是认知加速度因子和社会加速度因子；r₁和r₂是[0，1]之间分布的随机函数；

步骤5，将各个所述粒子的适应值和其搜索得到的所述最优位置进行比较，若符合预设条件，则将所述适应值作为当前的最好位置；

步骤6，若满足预设停止条件，搜索停止；反之，返回步骤4继续搜索。

如图1所示，为PSO优化的K-EMD方法的流程图。首先对待分析信号X的极值点信息进行提取；然后采用Kriging方法对极值点包络线预测插值，在kriging插值过程中涉及的相关模型的参数θ，使用PSO法进行寻优；根据寻优得到的最佳参数值θ和目标函数值，利用Kriging插值拟合上、下包络线，并获取极值包络线的均值m；随后进行EMD分解，获取IMF分量。图1中所示的SD，为标准偏差，它是IMF分量的筛选停止条件，通过设定一定的停止准则进行重复筛选，以获得趋于真实的IMF分量。

本申请实施例以桥梁监GPS监测信号为待分析信号。GPS监测系统可用于监测桥梁的位移变形，所获取的GPS信号是非线性非平稳的数据集。大多数的GPS信号受到多路径效应、趋势项以及高频噪声的影响，直接分析会对造成分析误差，因此必须对数据进行预处理，以获取桥梁真实的自振频率。多路径效应按频率不同可分为低频部分和高频部分，低频部分一般混合于趋势项当中。对GPS信号的预处理一般包括去除趋势项和降噪处理，去除趋势项时可同时除去多路径效应的低频部分；去除高频噪声时，可同时可削弱高频多路径效应。

如图2所示，为桥梁监测点某时间段内的GPS监测信号，GPS监测信号分为纵向(GPS-X)、横向(GPS-Y)、竖向(GPS-Z)信号。把图2所示的GPS监测信号导入MATLAB，采取PSO优化的K-EMD方法对GPS监测信号进行预处理，分析流程如图3所示。

首先，采用PSO优化的EMD方法，削弱GPS信号中多路径效应的低频部分以及趋势项的影响。如图4、图5、图6所示，分别是桥梁GPS监测信号纵向、横向、竖向监测数据的EMD分解图。按照预设的EMD停止分解的R准则，GPS-X、GPS-Y、GPS-Z三个方向的监测信号可以确定分别分解到第6、5、6层时停止分解。停止分解后的各阶IMF分量之和为车辆荷载、风载等振动位移信号，即削弱了大部分的多路径效应的影响以及去除了趋势性的动态位移振动。将停止分解后的各阶IMF分量之和记为S1，其余为多路径效应以及趋势项成分，GPS-X、GPS-Y、GPS-Z三个方向的S1信号如图7所示。

其中，预设的EMD停止分解的R准则指根据R的大小来判断是否停止EMD分解，本申请实施例中当R大于3时停止分解，R的计算公式如下：

$R_k=|({\mathrm{ET}}_k-{\mathrm{ET}}_{k-1})/\left(\frac{1}{k-1}\underset{i=1}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{ET}}_i\right)|$

式子中：ET＝E_n·T，E为能量密度：T为平均周期：(c为第n个IMF分量的极值点总数，即极大值和极小值的个数之和)。

然后，对消除趋势项和多路径效应低频部分影响的GPS信号S1进行降噪处理，同时削弱多路径效应的高频部分。采取K-EMD-Wavelet法进行降噪处理，经过降噪处理后的GPS信号记为对GPS监测信号经过EMD分解后，通过小波法对高频的IMF分量进行降噪处理。

Wavelet-EMD方法降噪时，选用的软阀值：

$w=\left\{\begin{array}{cc}\mathrm{sign}\left(W\right)\&CenterDot;\left(\right|W|-t)& \left|W\right|\&GreaterEqual;t\\ 0& \left|W\right|<t\end{array}\right.$

其中，W为小波系数的取值，t是Donoho-Johnstone的阀值模型中的阀值：σ≈mad/0.6754，mad为该信号的中位数绝对偏差。

如图8所示，为GPS信号S1的降噪结果图。从图8中可以看出，采取经过PSO优化的K-EMD-Wavelet方法对GPS信号进行降噪处理，可剔除了大量的高频噪声。

最后，对降噪后的GPS信号进行功率谱分析。GPS-X、GPS-Y、GPS-Z三个方向的监测信号分析结果分别如图9、图10、图11所示。图中显示的频率范围为0.1～1.5Hz，从图中可看出，经过采用PSO优化的K-EMD-Wavelet方法处理后的GPS监测信号，能很好的识别出桥梁的自振频率。

采用PSO优化的K-EMD方法对GPS监测信号进行预处理，能很好地控制端点效应和模态混叠现象，GPS监测信号中趋势项的去除效果和降噪处理效果好，预处理后的GPS监测信号能很好的识别出桥梁的自振频率。通过桥梁的自振频率，可以分析桥梁的运营状态，更好地对桥梁的进行监测。

最后应当说明的是，以上实施例仅用以说明本申请的技术方案，而非对本申请保护范围的限制，尽管参照较佳实施例对本申请作了详细地说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或者等同替换，而不脱离本申请技术方案的实质和范围。

Claims (10)

1.用于桥梁监测信号的预处理方法，其特征在于，包括：

采用加入Kriging插值法的EMD分解方法(K-EMD)对桥梁监测信号进行预处理，

其中，采用粒子群方法(PSO)对所述K-EMD过程中涉及的相关模型参数θ进行寻优，形成PSO优化的K-EMD方法。

2.根据权利要求1所述的用于桥梁监测信号的预处理方法，其特征在于，所述K-EMD方法包括以下步骤：

步骤1，提取桥梁监测信号x(t)的极值点及其对应的时刻；

步骤2，将提取的时刻-极值作为已知样本点，根据所述样本点的特征，选定回归模型及相关模型，构建初始的DACE模型；

步骤3，利用PSO法对所述相关模型的参数θ进行优化，确定最优的参数θ；

步骤4，根据所述回归模型和所述最优的参数θ，构建最终的DACE模型；

步骤5，利用所述最终的DACE模型，对桥梁监测信号x(t)的极值点包络线进行预测插值、拟合，获得整个时间段内桥梁监测信号x(t)的极大值包络线e_max(t)和极小值包络线e_min(t)；

步骤6，计算所述极大值包络线e_max(t)和所述极小值包络线e_min(t)的极值包络线均值m₁：

$m_1=\frac{e_{\max }\left(t\right)+e_{\min }\left(t\right)}{2};$

步骤7，将桥梁监测信号x(t)减去所述极值包络线均值m₁，获得去均值信号y₁(t)：

y₁(t)＝x(t)-m₁

根据预设判断准则判定去均值信号y₁(t)是否是IMF分量，若去均值信号y₁(t)不满足所述预设判断准则，则将去均值信号y₁(t)作为原始数据，重复筛选，直至去均值信号y₁(t)满足所述预设判断准则，此时，记y₁(t)＝c₁(t)，则c₁(t)为桥梁监测信号x(t)的第一个IMF分量；

步骤8，计算剩余信号r₁(t)：

r₁(t)＝x(t)-c₁(t)；

步骤9，将剩余信号r₁(t)作为原始信号，重复步骤5、步骤6、步骤7和步骤8，分解n次得到n阶IMF和余项r_n(t)，分解第n次时的极值包络线均值记为m_n，若所述余项r_n(t)为一个单调信号或所述极值包络线均值m_n足够小时，EMD分解结束；

步骤10，综合上述结果，按需要将IMF与所述余项r_n(t)进行重构，获取重构信号λ(t)：

$\mathrm{\&lambda;}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_i\left(t\right)-c_n\left(t\right).$

3.根据权利要求2所述的用于桥梁监测信号的预处理方法，其特征在于，所述PSO法对相关模型参数θ的寻优过程包括以下步骤：

步骤1，设定所述相关模型参数θ的上下边界及粒子群参数，生成k个粒子；

步骤2，在可行解空间和速度空间内随机初始化所述粒子群，即确定所述粒子的初始位置和初始速度

步骤3，评价各个所述粒子获得的个体t时刻的最优位置和群体最优位置

步骤4，用下式更新所述粒子的速度和位置：

$V_i^t=\mathrm{\&omega;}{V}_i^{t-1}+c_1(P_i^{t-1}-X_i^{t-1})+c_2{r}_2(P_g^{t-1}-X_i^{t-1})$

$X_i^t=X_i^{t-1}+V_i^t$

式中，i和t分别是所述粒子的编号和迭代次数；ω是速度惯性权重；c₁和c₂分别是认知加速度因子和社会加速度因子；r₁和r₂是[0，1]之间分布的随机函数；

步骤5，将各个所述粒子的适应值和其搜索得到的所述最优位置进行比较，若符合预设条件，则将所述适应值作为当前的最好位置；

步骤6，若满足预设停止条件，搜索停止；反之，返回步骤4继续搜索。

4.根据权利要求2所述的用于桥梁监测信号的预处理方法，其特征在于，所述预设判断准则包括：经过分解得到的时间序列，其极值点数量与过0点数量相差不超过1个；经过插值方式拟合的极值包络线在分析时间序列内的均值为0。

5.根据权利要求1所述的用于桥梁监测信号的预处理方法，其特征在于：所述PSO优化的K-EMD方法与小波分解法(Wavelet)结合，形成优化的K-EMD-Wavelet法。

6.根据权利要求1所述的用于桥梁监测信号的预处理方法，其特征在于：采用所述PSO优化的K-EMD方法用于桥梁监测信号x(t)中趋势项的提取剔除。

7.根据权利要求5所述的用于桥梁监测信号的预处理方法，其特征在于：所述优化的K-EMD-Wavelet法用于对桥梁监测信号x(t)进行降噪处理。

8.根据权利要求1所述的用于桥梁监测信号的预处理方法，其特征在于：所述桥梁监测信号为GPS监测信号。

9.根据权利要求8所述的用于桥梁监测信号的预处理方法，其特征在于：采用所述PSO优化的K-EMD方法用于所述GPS监测信号中趋势项的提取剔除，获取消趋的GPS信号。

10.根据权利要求9所述的用于桥梁监测信号的预处理方法，其特征在于：所述PSO优化的K-EMD方法与小波分解法(Wavelet)结合，形成优化的K-EMD-Wavelet法，采用所述优化的K-EMD-Wavelet法对所述消趋的GPS信号进行降噪处理。