CN107687872B - 基于动态模型更新的桥梁结构健康状态监测方法及系统 - Google Patents
基于动态模型更新的桥梁结构健康状态监测方法及系统 Download PDFInfo
- Publication number
- CN107687872B CN107687872B CN201710692847.4A CN201710692847A CN107687872B CN 107687872 B CN107687872 B CN 107687872B CN 201710692847 A CN201710692847 A CN 201710692847A CN 107687872 B CN107687872 B CN 107687872B
- Authority
- CN
- China
- Prior art keywords
- bridge structure
- model
- model equation
- modal
- updating
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于动态模型更新的桥梁结构健康状态监测方法及系统,该方法包括步骤:获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;对该误差值进行分析判断,获得桥梁结构的健康监测状态。本发明可以更客观地获得桥梁结构的健康监测数据,准确度较高,而且成本较低,可广泛应用于桥梁结构的监测领域中。
Description
技术领域
本发明涉及桥梁结构监测领域,特别是涉及基于动态模型更新的桥梁结构健康状态监测方法及系统。
背景技术
大型桥梁是交通枢纽的重要环节之一,由于设计缺陷、超荷负载、材料老化和自然环境等因素,其结构在服役期间往往会受到损伤。因此,周期性检测桥梁结构健康状态,及时发现可能存在的损伤,具有很重要的现实意义。目前,大型桥梁结构健康检测采用有线传感器网络的方式,通过附加在结构主要部位的传感器信号,比如应力和应变信号,然后利用数理统计、模型参数识别等方法对结构的健康状态进行判断。这种方案,有线传感器网络由于线缆走线、维护和更换,采用此种技术的大型结构健康检测需要昂贵的部署费用。另外,现有的大型桥梁结构健康检测技术往往基于设计的有限元模型,因为设计模型与实际模型的不匹配,检测容易产生与实际不相符合的结果。除此之外,现有在大型桥梁部署的传感器往往不具备实时校准功能,当传感器所在的结构位置发生较大的偏差时,信号数据仍然以初始结构位置为基础,导致监测结果不准确,难以客观评价桥梁结构的监控状态。
总的来说,目前对桥梁结构健康状态的监测方案存在成本高、准确度低等问题,无法满足应用需求。
发明内容
为了解决上述的技术问题,本发明的目的是提供基于动态模型更新的桥梁结构健康状态监测方法,本发明的另一目的是提供基于动态模型更新的桥梁结构健康状态监测系统。
本发明解决其技术问题所采用的技术方案是:
基于动态模型更新的桥梁结构健康状态监测方法,包括步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态。
进一步,还包括模型训练步骤,所述模型训练步骤包括:
采集桥梁结构主体部位的多组加速度数据;
采用模态识别方法,识别获得加速度数据对应的模态参数,并将获得的多组模态参数作为训练数据;
构建桥梁结构的模型方程后,基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布;
分别根据每个模型参数的概率分布的峰值区域的平均值,对模型参数进行量化后,获得训练后的基准模型方程。
进一步,所述桥梁结构的模型方程为:
上式中,[M]表示质量矩阵,[C]表示阻尼矩阵,[K]表示刚度矩阵,ωi表示第i阶本征频率,表示第i阶振型,{ε}i表示第i阶误差矢量,ωi和为模态识别所获得的模态参数,[M]、[C]和[K]为模型方程的模型参数,且均为模型方程的参数向量{E}的线性函数。
进一步,所述基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布的步骤,其具体为:
基于贝叶斯原理,采用下式,根据训练数据对模型方程的参数向量进行基于马尔科夫链-蒙特卡洛方法的计算更新:
基于更新后的参数向量,更新模型方程的每个模型参数的概率分布。
进一步,还包括以下步骤:
将更新后的模型方程与预设的模型数据库进行比对后,获得桥梁结构中出现损伤的位置;
所述预设的模型数据库是通过采集和/或模拟桥梁结构在不同位置出现损伤时的加速度数据后,对桥梁结构的基准模型方程进行更新所获得的所有模型组成的数据库。
进一步,还包括以下步骤:
根据计算获得的健康监测数据,解析获得桥梁结构对应的伤害划分等级,进而根据该伤害划分等级自适应调整传感数据的采样频率。
进一步,还包括以下步骤:
定期采集桥梁结构主体部位的多组加速度数据,对基准模型方程进行更新训练。
本发明解决其技术问题所采用的另一技术方案是:
基于动态模型更新的桥梁结构健康状态监测系统,包括远程服务器以及设置在桥梁结构的主体部位的传感器模块,所述传感器模块包括中央传感器单元和多个无线传感器单元,所述无线传感器单元与中央传感器单元无线连接,所述中央传感器单元与远程服务器有线连接,所述远程服务器用于执行以下步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态。
进一步,所述中央传感器单元和无线传感器单元均包括控制器、GPS模块、温度计、加速度器、陀螺仪、3D罗盘、无线收发器以及电源模块,所述控制器分别与无线收发器、加速度器和电源模块连接,所述GPS模块、温度计、陀螺仪和3D罗盘均与加速度器连接。
进一步,所述基于分布式计算方法获得的桥梁结构的主体部位的传感数据,是通过以下方式获得的:
通过广播的方式,采用中央传感器单元向无线传感器单元周期性发射一段时间的模态参数;
无线传感器单元接收该模态参数后将其与各自存储的相同时间内的模态参数进行互功率谱密度运算,然后将运算结果回传至中央传感器单元;
中央传感器单元将接收的互功率谱密度与自身的功率谱密度作为传感数据发送到远程服务器。
本发明的有益效果是:本发明的基于动态模型更新的桥梁结构健康状态监测方法,包括步骤:获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;对该误差值进行分析判断,获得桥梁结构的健康监测状态。本方法通过获取基于分布式计算方法获得的传感数据,根据该传感数据与基于贝叶斯原理构建的桥梁结构的基准模型方程进行比对后,可以更客观地获得桥梁结构的健康监测数据,准确度较高。
本发明的另一有益效果是:本发明的基于动态模型更新的桥梁结构健康状态监测系统,包括远程服务器以及设置在桥梁结构的主体部位的传感器模块,所述传感器模块包括中央传感器单元和多个无线传感器单元,所述无线传感器单元与中央传感器单元无线连接,所述中央传感器单元与远程服务器有线连接,所述远程服务器用于执行以下步骤:获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;对该误差值进行分析判断,获得桥梁结构的健康监测状态。本系统通过构建中央传感器单元和多个无线传感器单元的分布式结构,然后获取基于分布式计算方法获得的传感数据,根据该传感数据与基于贝叶斯原理构建的桥梁结构的基准模型方程进行比对后,可以更客观地获得桥梁结构的健康监测数据,准确度较高。而且降低了系统的部署和维护费用,成本较低。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的基于动态模型更新的桥梁结构健康状态监测方法的流程图;
图2是本发明的实施例二的原理示意图;
图3是本发明的实施例三的基于动态模型更新的桥梁结构健康状态监测系统的结构框图;
图4是本发明的实施例三的中央传感器单元和无线传感器单元的结构示意图。
具体实施方式
实施例一
参照图1,一种基于动态模型更新的桥梁结构健康状态监测方法,包括步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态。
进一步作为优选的实施方式,还包括模型训练步骤,所述模型训练步骤包括:
采集桥梁结构主体部位的多组加速度数据;
采用模态识别方法,识别获得加速度数据对应的模态参数,并将获得的多组模态参数作为训练数据;
构建桥梁结构的模型方程后,基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布;
分别根据每个模型参数的概率分布的峰值区域的平均值,对模型参数进行量化后,获得训练后的基准模型方程。
进一步作为优选的实施方式,所述桥梁结构的模型方程为:
上式中,[M]表示质量矩阵,[C]表示阻尼矩阵,[K]表示刚度矩阵,ωi表示第i阶本征频率,表示第i阶振型,{ε}i表示第i阶误差矢量,ωi和为模态识别所获得的模态参数,[M]、[C]和[K]为模型方程的模型参数,且均为模型方程的参数向量{E}的线性函数。
进一步作为优选的实施方式,所述基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布的步骤,其具体为:
基于贝叶斯原理,采用下式,根据训练数据对模型方程的参数向量进行基于马尔科夫链-蒙特卡洛方法的计算更新:
基于更新后的参数向量,更新模型方程的每个模型参数的概率分布。
进一步作为优选的实施方式,还包括以下步骤:
将更新后的模型方程与预设的模型数据库进行比对后,获得桥梁结构中出现损伤的位置;
所述预设的模型数据库是通过采集和/或模拟桥梁结构在不同位置出现损伤时的加速度数据后,对桥梁结构的基准模型方程进行更新所获得的所有模型组成的数据库。
进一步作为优选的实施方式,还包括以下步骤:
根据计算获得的健康监测数据,解析获得桥梁结构对应的伤害划分等级,进而根据该伤害划分等级自适应调整传感数据的采样频率。
采样频率根据伤害划分等级的具体划分情况进行设置,例如根据健康监测数据将伤害划分为四种等级,则采样频率对应划分为四种情况:200Hz、600Hz、800Hz和1000Hz,通过设定不同的采样频率,对损伤可能性大和伤害等级高的位置更频繁采样,实现进行更细致的分析。
进一步作为优选的实施方式,还包括以下步骤:
定期采集桥梁结构主体部位的多组加速度数据,对基准模型方程进行更新训练。
实施例二
本实施例是实施例一的具体的进一步细化,本实施例的原理如图2所示,图2中振动数据指加速度传感器采集的加速度数据。
基于动态模型更新的桥梁结构健康状态监测方法,包括步骤:
S0、模型训练步骤,所述模型训练步骤包括:
S01、采集桥梁结构主体部位的多组加速度数据;
S02、采用模态识别方法,识别获得加速度数据对应的模态参数,并将获得的多组模态参数作为训练数据;
S03、构建桥梁结构的模型方程后,基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布;
具体的,构建所述桥梁结构的模型方程为:
上式中,[M]表示质量矩阵,[C]表示阻尼矩阵,[K]表示刚度矩阵,ωi表示第i阶本征频率,表示第i阶振型,{ε}i表示第i阶误差矢量,ωi和为模态识别所获得的模态参数,[M]、[C]和[K]为模型方程的模型参数,且均为模型方程的参数向量{E}的线性函数。初始训练过程中,{ε}i为0。训练完毕后,在后续的模型更新过程中,输入不同的ωi和会得到不同的误差{ε}i。
构建模型方程后,基于贝叶斯原理,采用下式,根据训练数据对模型方程的参数向量进行基于马尔科夫链-蒙特卡洛方法的计算更新:
基于更新后的参数向量,更新模型方程的每个模型参数的概率分布。
贝叶斯原理认为参数不是一个定值,而是一个在规定区间内的概率性分布,因此,本方法通过基于贝叶斯原理,对模型方程的参数向量{E}进行后验概率分布的迭代计算后,可以获得参数向量{E}的最新的概率分布区间,从而计算获得模型方程的模型参数[M]、[C]和[K]。最后根据计算每个模型参数的概率分布的峰值区域的平均值,对模型参数进行量化,获得每个模型参数的量化值,从而获得训练后的基准模型方程。基于贝叶斯原理的参数识别能够给予我们更客观的判断,获得更为准确的基准模型方程。
基于马尔科夫链-蒙特卡洛方法进行计算,可以解决更新过程中出现高维度积分计算量大的问题。
S04、分别根据每个模型参数的概率分布的峰值区域的平均值,对模型参数进行量化后,获得训练后的基准模型方程。
S1、获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
S2、基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;本发明中,进行模态识别可以采用FDD(frequency domaindecomposition,频域分解)、随机子空间等现有识别方法。
S3、根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;具体的,是将模态识别获得的ωi、代入已知模型参数[M]、[C]和[K]的基准模型方程中,计算最新的误差值{ε}i;
S4、对该误差值进行分析判断,获得桥梁结构的健康监测状态;
S5、将更新后的模型方程与预设的模型数据库进行比对后,获得桥梁结构中出现损伤的位置;
所述预设的模型数据库是通过采集和/或模拟桥梁结构在不同位置出现损伤时的加速度数据后,对桥梁结构的基准模型方程进行更新所获得的所有模型组成的数据库。对加速度数据进行模态识别后,可以获得对应的模态参数,从而获得ωi和后,对应更新基准模型方程,计算获得新的误差{ε}i,根据误差{ε}i建立对应的模型数据库,从而可以根据比对情况来获得出现损伤的位置。
S6、根据计算获得的健康监测数据,解析获得桥梁结构对应的伤害划分等级,进而根据该伤害划分等级自适应调整传感数据的采样频率。
采样频率根据伤害划分等级的具体划分情况进行设置,例如根据健康监测数据将伤害划分为四种等级,则采样频率对应划分为四种情况:200Hz、600Hz、800Hz和1000Hz,通过设定不同的采样频率,对损伤可能性大和伤害等级高的位置更频繁采样,实现进行更细致的分析。
S7、定期采集桥梁结构主体部位的多组加速度数据,对基准模型方程进行更新训练。步骤S7中对基准模型方程的更新训练方式与步骤S02~S04相同,这里不再赘述。这里定期更新是指按照设定的周期进行更新,例如一个月,每次更新,重新采集大量加速度数据,进行更新训练,获得基准方程的新的模型参数[M]、[C]和[K]。
步骤S5~S7的顺序可以根据用户的设置任意调整,不限于上述描述的方式。
步骤S1中基于分布式计算方法获得的桥梁结构的主体部位的传感数据,是通过以下方式获取的:
通过广播的方式,采用中央传感器单元向无线传感器单元周期性发射一段时间的模态参数;
无线传感器单元接收该模态参数后将其与各自存储的相同时间内的模态参数进行互功率谱密度运算,然后将运算结果回传至中央传感器单元;
中央传感器单元将接收的互功率谱密度与自身的功率谱密度作为传感数据发送到远程服务器。即这里的传感数据并不是加速度数据,而是对加速度数据进行处理后的数据。
中央传感器单元和无线传感器单元均设置在桥梁结构的主体部位上,用于采集桥梁结构的模态参数。
参照图3,本发明还提供了一种用于实现前述监测方法的基于动态模型更新的桥梁结构健康状态监测系统,包括远程服务器以及设置在桥梁结构的主体部位的传感器模块,所述传感器模块包括中央传感器单元和多个无线传感器单元,所述无线传感器单元与中央传感器单元无线连接,所述中央传感器单元与远程服务器有线连接。所述远程服务器用于执行以下步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态。
进一步作为优选的实施方式,参照图4,所述中央传感器单元和无线传感器单元均包括控制器、GPS模块、温度计、加速度器、陀螺仪、3D罗盘、无线收发器以及电源模块,所述控制器分别与无线收发器、加速度器和电源模块连接,所述GPS模块、温度计、陀螺仪和3D罗盘均与加速度器连接。
进一步作为优选的实施方式,所述基于分布式计算方法获得的桥梁结构的主体部位的传感数据,是通过以下方式获得的:
通过广播的方式,采用中央传感器单元向无线传感器单元周期性发射一段时间的模态参数;
无线传感器单元接收该模态参数后将其与各自存储的相同时间内的模态参数进行互功率谱密度运算,然后将运算结果回传至中央传感器单元;
中央传感器单元将接收的互功率谱密度与自身的功率谱密度作为传感数据发送到远程服务器。
图3中,CN表示中央传感器单元,Si(i=1,2,……n)表示第i个无线传感器单元,CSDi(i=1,2,……n)为第i个无线传感器单元与中央传感器单元的互功率谱密度。
分布式计算方法能够降低传输的数据量,降低中央传感器单元和无线传感器单元构成的传感器模块的能耗。
中央传感器单元和无线传感器单元均配置陀螺仪和3D罗盘对模态参数进行周期性位置校准,配置温度计对模态参数进行温度补偿,配置GPRS模块为模态参数提供时间标签。
所述电源模块包括太阳能板、射频模块和压电式器件,所述太阳能板、射频模块和压电式器件均与控制器连接,用于为控制器提供电源,作为控制器日常运行的能量。
所述中央传感器单元和无线传感器单元之间通过各自的无线收发器进行无线连接,所述中央传感器单元与远程服务器有线连接,通过有线电缆进行供电。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.基于动态模型更新的桥梁结构健康状态监测方法,其特征在于,包括步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态;
根据计算获得的健康监测数据,解析获得桥梁结构对应的伤害划分等级,进而根据该伤害划分等级自适应调整传感数据的采样频率;
其中,桥梁结构的基准模型方程为:
2.根据权利要求1所述的基于动态模型更新的桥梁结构健康状态监测方法,其特征在于,还包括模型训练步骤,所述模型训练步骤包括:
采集桥梁结构主体部位的多组加速度数据;
采用模态识别方法,识别获得加速度数据对应的模态参数,并将获得的多组模态参数作为训练数据;
构建桥梁结构的模型方程后,基于贝叶斯原理,根据训练数据对模型方程的参数向量进行计算更新,进而更新模型的每个模型参数的概率分布;
分别根据每个模型参数的概率分布的峰值区域的平均值,对模型参数进行量化后,获得训练后的基准模型方程。
4.根据权利要求1所述的基于动态模型更新的桥梁结构健康状态监测方法,其特征在于,还包括以下步骤:
将更新后的模型方程与预设的模型数据库进行比对后,获得桥梁结构中出现损伤的位置;
所述预设的模型数据库是通过采集和/或模拟桥梁结构在不同位置出现损伤时的加速度数据后,对桥梁结构的基准模型方程进行更新所获得的所有模型组成的数据库。
5.根据权利要求1所述的基于动态模型更新的桥梁结构健康状态监测方法,其特征在于,还包括以下步骤:
定期采集桥梁结构主体部位的多组加速度数据,对基准模型方程进行更新训练。
6.基于动态模型更新的桥梁结构健康状态监测系统,其特征在于,包括远程服务器以及设置在桥梁结构的主体部位的传感器模块,所述传感器模块包括中央传感器单元和多个无线传感器单元,所述无线传感器单元与中央传感器单元无线连接,所述中央传感器单元与远程服务器有线连接,所述远程服务器用于执行以下步骤:
获取基于分布式计算方法获得的桥梁结构的主体部位的传感数据;
基于获取的传感数据进行模态识别后,获得对应的模态参数;所述模态参数包括本征频率和对应阶数的振型;
根据获得的模态参数对基于贝叶斯原理构建的桥梁结构的基准模型方程进行更新,获得更新后的模型方程的误差值;
对该误差值进行分析判断,获得桥梁结构的健康监测状态;
根据计算获得的健康监测数据,解析获得桥梁结构对应的伤害划分等级,进而根据该伤害划分等级自适应调整传感数据的采样频率;
其中,桥梁结构的基准模型方程为:
7.根据权利要求6所述的基于动态模型更新的桥梁结构健康状态监测系统,其特征在于,所述中央传感器单元和无线传感器单元均包括控制器、GPS模块、温度计、加速度器、陀螺仪、3D罗盘、无线收发器以及电源模块,所述控制器分别与无线收发器、加速度器和电源模块连接,所述GPS模块、温度计、陀螺仪和3D罗盘均与加速度器连接。
8.根据权利要求6所述的基于动态模型更新的桥梁结构健康状态监测系统,其特征在于,所述基于分布式计算方法获得的桥梁结构的主体部位的传感数据,是通过以下方式获得的:
通过广播的方式,采用中央传感器单元向无线传感器单元周期性发射一段时间的模态参数;
无线传感器单元接收该模态参数后将其与各自存储的相同时间内的模态参数进行互功率谱密度运算,然后将运算结果回传至中央传感器单元;
中央传感器单元将接收的互功率谱密度与自身的功率谱密度作为传感数据发送到远程服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710692847.4A CN107687872B (zh) | 2017-08-14 | 2017-08-14 | 基于动态模型更新的桥梁结构健康状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710692847.4A CN107687872B (zh) | 2017-08-14 | 2017-08-14 | 基于动态模型更新的桥梁结构健康状态监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107687872A CN107687872A (zh) | 2018-02-13 |
CN107687872B true CN107687872B (zh) | 2020-10-27 |
Family
ID=61153274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710692847.4A Active CN107687872B (zh) | 2017-08-14 | 2017-08-14 | 基于动态模型更新的桥梁结构健康状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107687872B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254321B (zh) * | 2018-07-27 | 2020-06-26 | 同济大学 | 一种地震激励下快速贝叶斯模态参数识别方法 |
CN109935331B (zh) * | 2019-04-02 | 2021-04-16 | 北京航空航天大学 | 一种基于多模型动态综合的血糖预测方法及系统 |
CN111626000B (zh) * | 2020-06-29 | 2023-09-29 | 杭州鲁尔物联科技有限公司 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013449A (zh) * | 2006-12-31 | 2007-08-08 | 中国海洋大学 | 利用交叉模型交叉模态的结构模型修正方法 |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN101458205A (zh) * | 2008-08-29 | 2009-06-17 | 华中科技大学 | 一种机床固定结合部动力学参数的识别方法 |
CN101915733A (zh) * | 2010-07-30 | 2010-12-15 | 中国海洋大学 | 一种基于频率变化的结构损伤程度评估方法 |
CN102034021A (zh) * | 2010-11-29 | 2011-04-27 | 李惠 | 一种结构健康诊断的整体局部信息融合方法 |
CN102043019A (zh) * | 2010-10-21 | 2011-05-04 | 重庆大学 | 一种框架结构损伤识别方法 |
CN102759573A (zh) * | 2012-07-25 | 2012-10-31 | 中国海洋石油总公司 | 基于频率变化的结构损伤定位与损伤程度的评估方法 |
CN103076394A (zh) * | 2013-01-06 | 2013-05-01 | 中国海洋石油总公司 | 基于振动识别频率和振型综合的海洋平台安全评定的方法 |
CN103902754A (zh) * | 2012-12-28 | 2014-07-02 | 浙江海洋学院 | 一种深海钢悬链线立管触地点动力响应分析方法 |
CN104502533A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种损伤识别中数据处理方法 |
CN105064420A (zh) * | 2015-08-06 | 2015-11-18 | 交通运输部天津水运工程科学研究所 | 一种基于结构残余模态力的高桩码头基桩损伤诊断方法 |
CN105183933A (zh) * | 2015-07-15 | 2015-12-23 | 中山大学 | 一种基于人工蜂群算法的结构损伤识别方法 |
CN106840256A (zh) * | 2017-01-17 | 2017-06-13 | 赵玉 | 一种土木工程结构健康检测系统 |
CN106897717A (zh) * | 2017-02-09 | 2017-06-27 | 同济大学 | 基于环境激励数据的多次测试下贝叶斯模型修正方法 |
-
2017
- 2017-08-14 CN CN201710692847.4A patent/CN107687872B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013449A (zh) * | 2006-12-31 | 2007-08-08 | 中国海洋大学 | 利用交叉模型交叉模态的结构模型修正方法 |
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
CN101458205A (zh) * | 2008-08-29 | 2009-06-17 | 华中科技大学 | 一种机床固定结合部动力学参数的识别方法 |
CN101915733A (zh) * | 2010-07-30 | 2010-12-15 | 中国海洋大学 | 一种基于频率变化的结构损伤程度评估方法 |
CN102043019A (zh) * | 2010-10-21 | 2011-05-04 | 重庆大学 | 一种框架结构损伤识别方法 |
CN102034021A (zh) * | 2010-11-29 | 2011-04-27 | 李惠 | 一种结构健康诊断的整体局部信息融合方法 |
CN102759573A (zh) * | 2012-07-25 | 2012-10-31 | 中国海洋石油总公司 | 基于频率变化的结构损伤定位与损伤程度的评估方法 |
CN103902754A (zh) * | 2012-12-28 | 2014-07-02 | 浙江海洋学院 | 一种深海钢悬链线立管触地点动力响应分析方法 |
CN103076394A (zh) * | 2013-01-06 | 2013-05-01 | 中国海洋石油总公司 | 基于振动识别频率和振型综合的海洋平台安全评定的方法 |
CN104502533A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种损伤识别中数据处理方法 |
CN105183933A (zh) * | 2015-07-15 | 2015-12-23 | 中山大学 | 一种基于人工蜂群算法的结构损伤识别方法 |
CN105064420A (zh) * | 2015-08-06 | 2015-11-18 | 交通运输部天津水运工程科学研究所 | 一种基于结构残余模态力的高桩码头基桩损伤诊断方法 |
CN106840256A (zh) * | 2017-01-17 | 2017-06-13 | 赵玉 | 一种土木工程结构健康检测系统 |
CN106897717A (zh) * | 2017-02-09 | 2017-06-27 | 同济大学 | 基于环境激励数据的多次测试下贝叶斯模型修正方法 |
Non-Patent Citations (2)
Title |
---|
基于环境激励网架结构的模态分析与损伤识别研究;丁北斗;《中国优秀博士学位论文全文数据库(电子期刊)工程科技II辑C038-18》;20110615(第6期);正文第12-13页 * |
基于离散动态贝叶斯网络的桥梁状态评估方法;贾布裕等;《桥梁建设》;20160628;第46卷(第3期);第75页第2部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN107687872A (zh) | 2018-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107687872B (zh) | 基于动态模型更新的桥梁结构健康状态监测方法及系统 | |
US10470441B2 (en) | Animal monitor | |
CN106897717B (zh) | 基于环境激励数据的多次测试下贝叶斯模型修正方法 | |
US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
CN106067079B (zh) | 一种基于bp神经网络的灰霾预测的系统和方法 | |
EP3206411B1 (en) | Arrangement and method for predicting road friction within a road network | |
Zhang et al. | Long-term modal analysis of wireless structural monitoring data from a suspension bridge under varying environmental and operational conditions: System design and automated modal analysis | |
WO2017012321A1 (zh) | 显示状态的调节方法、显示状态调节装置及显示装置 | |
JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN112713881A (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN115052258A (zh) | 一种基于大数据和数字孪生的工业监控系统 | |
CN114357567A (zh) | 基于bim的风振监测、系统、存储介质及计算机设备 | |
CN102509020A (zh) | 基于传感器网络的复杂环境下多目标信息融合方法 | |
CN113821535A (zh) | 一种模型训练的方法及装置、计算机设备和存储介质 | |
WO2015016409A1 (ko) | 차량 강우센서, 지상 강우 계측기, 레이더 강우 데이터와 빅 데이터 처리 기술을 접목한 강우 정보 시스템 및 강우 정보 서버 | |
EP2899676A1 (en) | Remaining useful life forecasting system | |
US7324002B2 (en) | Outdoor computer | |
CN116187153B (zh) | 基于层次贝叶斯的水工结构数字孪生模型更新方法 | |
CN110657939A (zh) | 颤振临界预测方法及装置 | |
CN116256016A (zh) | 一种建筑结构体系全过程健康监测系统 | |
US20230074474A1 (en) | Parameter adjustment apparatus, inference apparatus, parameter adjustment method, and computer-readable storage medium storing a parameter adjustment program | |
CN113954850B (zh) | 基于边缘计算和软测量的车轮轮心载荷估计方法和系统 | |
WO2020232639A1 (zh) | 配置参数的方法、装置、系统、计算设备、介质以及产品 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |