CN107766630A - 高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法 - Google Patents

Abstract

本发明公开了一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，步骤10)对支座纵向位移进行监测，采集纵向位移监测数据；步骤20)提取纵向动位移值；步骤30)获取纵向动位移累积值；步骤40)将每天的纵向动位移累积值划分为两类；步骤50)将两类纵向动位移累积值视为随机变量，并确定纵向动位移累积值威布尔分布函数；步骤60)确定支座在设计使用寿命内的支座累积行程模拟值；步骤70)确定支座累积行程模拟值的广义极值分布函数；步骤80)计算支座累积行程模拟值超过支座磨损上限值的失效概率，比较失效概率与预设概率阈值。本发明可更准确地对桥梁支座在设计使用寿命内的累积磨损值进行安全评估。

Description

高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法

技术领域

本发明属于铁路桥梁结构健康监测与安全评估领域，具体来说，涉及一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法。

背景技术

目前，中国高速铁路网飞速发展。高速铁路桥梁多具有刚度较大、整体性好、减振性能和横向位移控制要求高等特点，高速铁路桥梁在服役期间的运营安全问题备受瞩目。随着服役时间增长，高速铁路桥梁结构会受到环境侵蚀、材料老化、列车荷载等多重因素影响，其安全性和耐久性会不可避免地发生退化，这必然影响到高速铁路桥梁结构的安全运营。与此同时，高速铁路桥梁结构中的一些关键性构件在复杂环境和各类荷载的共同作用下，很容易产生损伤。因此，针对关键性结构构件进行实时评估与安全预警显得尤为重要。支座是大跨铁路桥梁结构中最重要的构件之一，在实际服役运营中，支座会出现支座变形和磨损、橡胶圈液化和承载力下降等严重问题，将会直接影响到铁路桥梁结构的使用寿命，并危及桥梁结构的整体安全性。因此，对高速铁路桥梁支座在设计使用寿命内的累积磨损程度进行安全评估具有重要意义。

近年来桥梁健康监测系统已成为桥梁管理及养护的重要辅助手段。基于桥梁健康监测手段，可以直接监测到高速铁路桥梁支座的纵向动位移累积行程。但目前尚未提出利用纵向动位移累积行程监测数据对支座在服役期内的磨损程度进行安全评估的方法。环境荷载引起的支座纵向动位移与列车荷载引起的支座纵向动位移具有完全不同的随机特性。目前，研究尚未将这两种随机特性进行区别对待。此外，监测数据往往不能在支座服役期内持续采集，达不到对支座在服役期内的磨损程度进行安全评估所需的足够样本数量要求。

发明内容

技术问题：本发明所要解决的技术问题是：提供一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，能够考虑支座纵向动位移的双重随机特性，并能有效解决纵向动位移监测数据量过少的问题，使得支座在设计使用寿命内的累积磨损的评估更加准确。

技术方案：为解决上述技术问题，本发明采用以下的技术方案：

一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，包括如下步骤：

步骤10)：在桥梁主梁的支座上安装纵向位移监测传感器，对支座纵向位移进行监测，并采集纵向位移监测数据，其中，第t时刻支座纵向位移值记为v(t)，t表示时间，且t＝1/f、2/f、…、L/f，f表示采样频率，L表示采样总数，L＝86400df，d表示采样天数；

步骤20)：利用小波包分解法提取纵向位移监测数据中的纵向动位移值；

步骤30)：对所述纵向动位移值作一阶差分处理，并取绝对值累加，得到纵向动位移累积值；

步骤40)：将每天的纵向动位移累积值划分为两类，构建第一纵向动位移累积值序列和第二纵向动位移累积值序列；

步骤50)：将两类纵向动位移累积值视为随机变量，并确定纵向动位移累积值威布尔分布函数；

步骤60)：利用蒙特卡洛抽样方法确定支座在设计使用寿命内的支座累积行程模拟值；

步骤70)：将支座累积行程模拟值视为随机变量，并确定支座累积行程模拟值的广义极值分布函数；

步骤80)：计算支座累积行程模拟值超过支座磨损上限值的失效概率，比较失效概率与预设概率阈值，如果失效概率大于或等于预设概率阈值，则支座达到磨损上限，更换支座。

作为优选例，所述步骤20)包括：利用小波包分解技术，对支座纵向位移监测数据进行8层尺度的小波包分解，得到32个小波包分解系数，剔除第一个小波包分解系数后，对剩余小波包分解系数重构并叠加，得到支座纵向动位移值。

作为优选例，所述步骤30)具体包括：将每天凌晨0时至6时的纵向动位移监测数据划分为n₁份，其中第i天中第j份纵向动位移监测数据采用v_i,j表示，其中i＝1、2、…、d，j＝1、2、…、n₁，对每份纵向动位移值v_i,j作一阶差分处理，并取绝对值累加，得到第i天中第j份纵向动位移监测数据的动位移累积值C_i,j，如式(1)所示：

式中，N_i,j表示第i天中第j份纵向动位移监测数据中的数据总数，v_i,j,p+1表示第i天中第j份纵向动位移监测数据中的第p+1个值，v_i,j,p表示第i天中第j份纵向动位移监测数据中的第p个值；

将每天凌晨6时至夜晚24时的纵向动位移监测数据划分为n₂份，其中第m天中第n份纵向动位移监测数据采用v_m,n表示，其中m＝1、2、…、d，n＝1、2、…、n₂，对每份纵向动位移值v_m,n作一阶差分处理，并取绝对值累加，得到第m天中第n份纵向动位移监测数据的动位移累积值D_m,n，如式(2)所示：

式中，N_m,n表示第m天中第n份纵向动位移监测数据中的数据总数，v_m,n,q+1表示第m天中第n份纵向动位移监测数据中的第q+1个值，v_m,n,q表示第m天中第n份纵向动位移监测数据中的第q个值。

作为优选例，所述步骤40)具体包括：将所有天数在每天凌晨0时至6时的纵向动位移累积值组合构成第一纵向动位移累积值序列C，C＝[C_1,1、C_1,2、…、C_1,n1、C_2,1、C_2,2、…、C_2,n1、…、C_d,1、C_d,2、…、C_d,n1]；

将所有天数在每天凌晨6时至24时的纵向动位移累积值组合构成第二纵向动位移累积值序列D，D＝[D_1,1、D_1,2、…、D_1,n2、D_2,1、D_2,2、…、D_2,n2、…、D_d,1、D_d,2、…、D_d,n2]。

作为优选例，所述步骤50)具体包括：将第一纵向动位移累积值序列C中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量的概率密度值，再利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第一形状参数k₁和第一比例参数λ₁的拟合值，从而确定第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(3)所示：

式中，g(C)表示第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，k₁表示威布尔分布函数的第一形状参数，λ₁表示威布尔分布函数的第一比例参数，e表示指数函数的底，e＝2.71828；

将第二纵向动位移累积值序列D中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量概率密度值，在利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第二形状参数k₂和第二比例参数λ₂的拟合值，从而确定第二纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(4)所示：

式中，g(D)表示第二纵向动位移累积值序列D中纵向动位移累积值的威布尔分布函数，k₂表示威布尔分布函数的第二形状参数，λ₂表示威布尔分布的第二比例参数。

作为优选例，所述步骤60)具体包括：设支座的设计使用寿命为R年，利用第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(C)对支座在R年内每天凌晨0时至6时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_C＝365Rn₁；利用第二纵向动位移累积值序列D中纵向动位移累积值的威布尔分布函数g(D)对支座在R年内每天凌晨6时至24时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_D＝365Rn₂；

在R年内共得到31536000Rf个模拟的纵向动位移累积值，即N_C+N_D＝31536000Rf，将31536000Rf个纵向动位移累积模拟值进行求和，得到支座在设计使用寿命内的累积行程模拟值。

作为优选例，所述步骤70)具体包括：将步骤50)和步骤60)重复操作100次，得到100个累积行程模拟值，将累积行程模拟值视为统计变量，并采用H表示；利用统计学方法计算所述100个累积行程模拟值的广义极值分布值，利用广义极值分布函数对累积行程模拟值广义极值分布值进行拟合，得到广义极值分布函数的形状参数r₃、比例参数a₃和位置参数b₃的拟合值，从而确定支座累积行程模拟值广义极值分布函数，如式(5)所示：

式中，t(H)表示累积行程模拟值的广义极值分布函数，r₃表示广义极值分布函数的形状参数，a₃表示广义极值分布函数的比例参数，b₃表示广义极值分布函数的位置参数。

作为优选例，所述步骤80)具体包括：设支座磨损上限值为[H]，利用式(6)计算支座累积行程模拟值超过支座磨损上限值的失效概率β：

其中，d表示采样天数；

若β大于或等于预设概率阈值，则认为支座已经达到磨损上限，需要及时更换。

作为优选例，所述预设概率阈值为5％。

作为优选例，所述步骤10)中，采样频率f≥1Hz，采样天数d≥1；所述步骤20)中，n₁的取值在30～360之间，n₂的取值在90～1080之间。

有益效果：与现有技术相比，本发明具有以下优点：本发明实施例的方法评估准确性更高。环境荷载引起的支座纵向动位移与列车荷载引起的支座纵向动位移具有完全不同的随机特性。本发明实施例步骤30)将每天内的纵向动位移累积值划分为两类：由随机环境引起的纵向动位移累积值、随机环境与列车荷载共同引起的纵向动位移累积值，区别这两种随机特性，从而更准确地考虑了支座纵向动位移的两种随机特性，以提高评估准确性。另外，现有技术中，不能在支座服役期内持续采集纵向动位移监测数据，从而达不到对支座在服役期内的磨损程度进行安全评估所需的足够样本数量要求。本发明利用步骤40)首先确定了纵向动位移累积值的概率密度函数，然后利用步骤50)通过蒙特卡洛抽样模拟得到了支座在设计使用寿命内的支座累积行程模拟值，从而满足了样本数量要求，使得评估准确性更高。

附图说明

图1为本发明实施例中对支座采集的纵向位移监测数据示意图；

图2为本发明实施例中对支座采集的纵向动位移监测数据示意图；

图3为本发明实施例中纵向动位移累积值序列C的变化趋势；

图4为本发明实施例中纵向动位移累积值序列D的变化趋势；

图5为本发明实施例中威布尔分布函数g(C)的拟合曲线；

图6为本发明实施例中威布尔分布函数g(D)的拟合曲线；

图7为本发明实施例中100个累积行程模拟值的变化趋势；

图8为本发明实施例中广义极值分布函数t(H)的拟合曲线。

具体实施方式

下面将参照附图，对本发明的技术方案进行详细的说明。

本发明实施例的一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，包括如下步骤：

步骤10)：在桥梁主梁的支座上安装纵向位移监测传感器，对支座纵向位移进行监测，并采集纵向位移监测数据，其中，第t时刻支座纵向位移值记为v(t)，t表示时间，且t＝1/f、2/f、…、L/f，f表示采样频率，L表示采样总数，L＝86400df，d表示采样天数。

步骤10)中，采样频率f≥1Hz，采样天数d≥1；所述步骤20)中，n₁的取值在30～360之间，n₂的取值在90～1080之间。

步骤20)：利用小波包分解法提取纵向位移监测数据中的纵向动位移值。

步骤20)具体包括：利用小波包分解技术，对支座纵向位移监测数据进行8层尺度的小波包分解，得到32个小波包分解系数，剔除第一个小波包分解系数后，对剩余小波包分解系数重构并叠加，得到支座纵向动位移值。小波包分解法是一种精细分析方法，能够根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力。

步骤30)：对所述纵向动位移值作一阶差分处理，并取绝对值累加，得到纵向动位移累积值。

步骤30)具体包括：将每天凌晨0时至6时的纵向动位移监测数据划分为n₁份，其中第i天中第j份纵向动位移监测数据采用v_i,j表示，其中i＝1、2、…、d，j＝1、2、…、n₁。作为优选，n₁的取值在30～360之间，可使式(3)中威布尔分布函数的拟合效果更好。对每份纵向动位移值v_i,j作一阶差分处理，并取绝对值累加，得到第i天中第j份纵向动位移监测数据的动位移累积值C_i,j，如式(1)所示：

式中，N_i,j表示第i天中第j份纵向动位移监测数据中的数据总数，v_i,j,p+1表示第i天中第j份纵向动位移监测数据中的第p+1个值，v_i,j,p表示第i天中第j份纵向动位移监测数据中的第p个值；

将每天凌晨6时至夜晚24时的纵向动位移监测数据划分为n₂份，其中第m天中第n份纵向动位移监测数据采用v_m,n表示，其中m＝1、2、…、d，n＝1、2、…、n₂。作为优选，n₂的取值在90～1080之间，可使式(4)中威布尔分布函数的拟合效果更好。对每份纵向动位移值v_m,n作一阶差分处理，并取绝对值累加，得到第m天中第n份纵向动位移监测数据的动位移累积值D_m,n，如式(2)所示：

式中，N_m,n表示第m天中第n份纵向动位移监测数据中的数据总数，v_m,n,q+1表示第m天中第n份纵向动位移监测数据中的第q+1个值，v_m,n,q表示第m天中第n份纵向动位移监测数据中的第q个值。

步骤40)：将每天的纵向动位移累积值划分为两类，构建第一纵向动位移累积值序列和第二纵向动位移累积值序列。将每天内的纵向动位移累积值划分为两类：由随机环境引起的纵向动位移累积值，以及随机环境与列车荷载共同引起的纵向动位移累积值。在每天凌晨0时至6时的纵向动位移累积值主要由随机环境荷载引起，作为第一纵向动位移累积值序列。在每天凌晨6时至夜晚24时的纵向动位移累积值主要由随机环境荷载和列车荷载共同引起，作为第二纵向动位移累积值序列。

步骤40)具体包括：将所有天数在每天凌晨0时至6时的纵向动位移累积值组合构成第一纵向动位移累积值序列C，C＝[C_1,1、C_1,2、…、C_1,n1、C_2,1、C_2,2、…、C_2,n1、…、C_d,1、C_d,2、…、C_d,n1]；

将所有天数在每天凌晨6时至24时的纵向动位移累积值组合构成第二纵向动位移累积值序列D，D＝[D_1,1、D_1,2、…、D_1,n2、D_2,1、D_2,2、…、D_2,n2、…、D_d,1、D_d,2、…、D_d,n2]。

步骤50)：将两类纵向动位移累积值视为随机变量，并确定纵向动位移累积值威布尔分布函数。

步骤50)具体包括：将第一纵向动位移累积值序列C中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量的概率密度值。在统计学中，概率密度分析是在统计学中最常用的一种概率密度分析方法。概率密度等于一段区间的概率除以该段区间的长度。它的值是非负的，概率密度对区间的积分就是事件在这个区间发生的概率，概率密度区间中所有面积的和为1。在计算统计变量的概率密度值之后，利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第一形状参数k₁和第一比例参数λ₁的拟合值，从而确定第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(3)所示：

式中，g(C)表示第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，k₁表示威布尔分布函数的第一形状参数，λ₁表示威布尔分布函数的第一比例参数，e表示指数函数的底，e＝2.71828。

将实测第一纵向动位移累积值序列C中的纵向动位移累积值及其概率密度值代入式(3)中，并进行最小二乘拟合，便可确定g(C)中参数k₁和λ₁的具体取值。最小二乘法是函数拟合中最常用的一种方法，是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。

将第二纵向动位移累积值序列D中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量概率密度值，在利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第二形状参数k₂和第二比例参数λ₂的拟合值，从而确定第二纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(4)所示：

式中，g(D)表示第二纵向动位移累积值序列D中纵向动位移累积值的威布尔分布函数，k₂表示威布尔分布函数的第二形状参数，λ₂表示威布尔分布的第二比例参数。

将实测第二纵向动位移累积值序列D中的纵向动位移累积值及其概率密度值代入式(4)中并进行最小二乘拟合，便可确定g(D)中参数k₂和λ₂的具体取值。

步骤60)：利用蒙特卡洛抽样方法确定支座在设计使用寿命内的支座累积行程模拟值。

步骤60)具体包括：设支座的设计使用寿命为R年，利用第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(C)对支座在R年内每天凌晨0时至6时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_C＝365Rn₁。其中，蒙特卡罗抽样模拟方法又称统计模拟法、随机抽样技术，是使用随机数将所求解的问题同概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。利用第二纵向动位移累积值序列D中纵向动位移累积值的威布尔分布函数g(D)对支座在R年内每天凌晨6时至24时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_D＝365Rn₂；

在R年内共得到31536000Rf个模拟的纵向动位移累积值，即N_C+N_D＝31536000Rf，将31536000Rf个纵向动位移累积模拟值进行求和，得到支座在设计使用寿命内的累积行程模拟值。

步骤70)：将支座累积行程模拟值视为随机变量，并确定支座累积行程模拟值的广义极值分布函数。

步骤70)具体包括：将步骤50)和步骤60)重复操作100次，得到100个累积行程模拟值，将累积行程模拟值视为统计变量，并采用H表示；利用统计学方法计算所述100个累积行程模拟值的广义极值分布值，利用广义极值分布函数对累积行程模拟值广义极值分布值进行拟合，得到广义极值分布函数的形状参数r₃、比例参数a₃和位置参数b₃的拟合值，从而确定支座累积行程模拟值广义极值分布函数，如式(5)所示：

式中，t(H)表示累积行程模拟值的广义极值分布函数，r₃表示广义极值分布函数的形状参数，a₃表示广义极值分布函数的比例参数，b₃表示广义极值分布函数的位置参数。

将100个累积行程模拟值及其概率密度值代入式(5)中，并进行最小二乘拟合，便可确定t(H)中参数r₃、a₃和b₃的具体取值。

步骤80)：计算支座累积行程模拟值超过支座磨损上限值的失效概率，比较失效概率与预设概率阈值，如果失效概率大于或等于预设概率阈值，则支座达到磨损上限，更换支座。

步骤80)具体包括：设支座磨损上限值为[H]，利用式(6)计算支座累积行程模拟值超过支座磨损上限值的失效概率β：

其中，d表示采样天数；

若β大于或等于预设概率阈值，则认为支座已经达到磨损上限，需要及时更换。作为优选，所述预设概率阈值为5％。

上述实施例的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，支座磨损程度可以通过支座纵向动位移的累积行程来反映，因此本发明通过计算支座在服役期内的纵向动位移累积行程并与支座磨损上限值进行对比，来判断支座磨损程度。在计算支座纵向动位移累积行程时，现有方法不区分在0点至6点由随机环境荷载引起的纵向动位移和在6点至24点由随机环境荷载、列车荷载共同引起的纵向动位移。事实表明，这两种纵向动位移的概率密度特性是不一样的。本发明提出的方法充分考虑了这两种纵向动位移的差异性，并分别建立这两类纵向动位移的概率密度函数，使得评估结果更加准确。

步骤(1)：在主梁上的支座位置安装纵向位移监测传感器，对支座纵向位移进行长期监测和数据采集；步骤(2)：利用小波包分解法，提取出纵向位移监测数据中的动位移值；步骤(3)：对基本时距内所有纵向动位移值的一阶差分绝对值累加得到纵向动位移累积值；步骤(4)：将每天内的纵向动位移累积值划分为两类：由随机环境引起的纵向动位移累积值、随机环境与列车荷载共同引起的纵向动位移累积值；步骤(5)：分别将两类纵向动位移累积值视为随机变量并确定其概率密度函数；步骤(6)：利用蒙特卡洛抽样方法确定支座在设计使用寿命内的支座累积行程模拟值；步骤(7)：将支座累积行程模拟值视为随机变量并确定其概率密度函数；步骤(8)：计算支座累积行程模拟值超过支座磨损上限值的失效概率并进行安全评估。

下面例举一具体实施例：以南京大胜关长江大桥的支座纵向位移监测数据为例，说明本发明的具体实施过程以及评估效果。

步骤10)在南京大胜关长江大桥的支座位置安装纵向位移监测传感器，对支座纵向位移进行监测，并采集纵向位移监测数据，采样频率f为1Hz，采样天数d＝1；支座纵向位移数据的采样总个数为L＝86400。实际采集纵向位移监测数据，如图1所示。

步骤20)利用小波包分解技术，对支座纵向位移监测数据进行8层尺度的小波包分解，得到32个小波包分解系数，剔除第一个小波包分解系数后，对剩余小波包分解系数重构并叠加，得到支座纵向动位移值，如图2所示。

步骤30)将每天凌晨0时至6时的纵向动位移监测数据划分为200份，并对每份纵向动位移值作一阶差分处理，并取绝对值累加，得到第i天中第j份纵向动位移监测数据的动位移累积值C_i,j：

将每天凌晨6时至夜晚24时的纵向动位移监测数据划分为600份，并对每份纵向动位移值作一阶差分处理，并取绝对值累加，得到第m天中第n份纵向动位移监测数据的动位移累积值D_m,n：

步骤40)将凌晨0时至6时的纵向动位移累积值组合构成第一纵向动位移累积值序列C，如图3所示，C＝[C_1,1,C_1,2,…,C_1,200]；将凌晨6时至24时的纵向动位移累积值组合构成第二纵向动位移累积值序列D，如图4所示，D＝[D_1,1,D_1,2,…,D_1,600]。

步骤50)将第一纵向动位移累积值序列C中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量的概率密度值，再利用威布尔分布函数g(C)对统计变量概率密度值进行拟合，如图5所示，g(C)的表达式如下：

将第一纵向动位移累积值序列C中的纵向动位移累积值及其概率密度值代入上式中，并进行最小二乘拟合，便可确定g(C)中参数k₁和λ₁的具体取值分别为：k₁＝3.03406，λ₁＝2.6409。得到威布尔分布函数的第一形状参数k₁和第一比例参数λ₁的拟合值，从而确定第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数。

将第二纵向动位移累积值序列D中的纵向位移累积值视为统计变量，利用统计学方法计算其概率密度值，利用威布尔分布函数g(D)对其概率密度值进行拟合，如图6所示，其中g(D)的表达式如下：

将第二纵向动位移累积值序列D中的纵向动位移累积值及其概率密度值代入上式中，并进行最小二乘拟合，便可确定g(D)中参数k₂和λ₂的具体取值分别为：k₂＝2.50608，λ₂＝6.13737；

步骤60)设支座的设计使用寿命为15年。利用第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(C)对支座在15年内每天凌晨0时至6时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总个数N_C＝1095000；此外，利用第二纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(D)对支座在15年内每天凌晨6时至24时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总个数N_D＝3285000；在完成蒙特卡洛抽样模拟后，在15年内共得到4380000个模拟的纵向动位移累积值，即N_C+N_D＝4380000，将这4380000个纵向动位移累积模拟值进行求和，得到支座在设计使用寿命内的累积行程模拟值；

步骤70)将步骤50)和步骤60)重复操作100次，得到100个累积行程模拟值，如图7所示。将累积行程模拟值视为统计变量并采用H表示，利用统计学方法计算这100个累积行程模拟值的广义极值分布值，在此基础上利用广义极值分布函数t(H)对广义极值分布值行拟合，如图8所示，其中t(H)的表达式为：

将100个累积行程模拟值及其广义极值分布值代入式中，并进行最小二乘拟合，得到r₃＝-0.200867，a₃＝0.004297，b₃＝20.47。

步骤80)支座磨损上限值在制作出厂时标定为[H]＝25km，利用下式计算支座累积行程模拟值超过支座磨损上限值的失效概率β：

预设概率阈值为5％。因为β＝0<5％，则认为支座尚未达到磨损上限，无需更换。

上述实施例的评估方法，可以更加真实、准确和全面地反映出高速铁路桥梁支座在设计使用寿命内的实际磨损程度，从而能够实现对磨损支座进行及时地保养、维护和更换。同时，上述实施例的评估方法完全可在高速铁路桥梁支座的累积磨损安全评估领域得到广泛推广和应用。

以上实施例仅仅是对本发明方案的进一步具体说明，在阅读了本发明实施例之后，本领域普通技术人员对本发明的各种等同形式的修改和替换均属于本发明申请权利要求所限定的保护的范围。

Claims (10)

1.一种高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，该方法包括如下步骤：

步骤10)：在桥梁主梁的支座上安装纵向位移监测传感器，对支座纵向位移进行监测，并采集纵向位移监测数据，其中，第t时刻支座纵向位移值记为v(t)，t表示时间，且t＝1/f、2/f、…、L/f，f表示采样频率，L表示采样总数，L＝86400df，d表示采样天数；

步骤20)：利用小波包分解法提取纵向位移监测数据中的纵向动位移值；

步骤30)：对所述纵向动位移值作一阶差分处理，并取绝对值累加，得到纵向动位移累积值；

步骤40)：将每天的纵向动位移累积值划分为两类，构建第一纵向动位移累积值序列和第二纵向动位移累积值序列；

步骤50)：将两类纵向动位移累积值视为随机变量，并确定纵向动位移累积值威布尔分布函数；

步骤60)：利用蒙特卡洛抽样方法确定支座在设计使用寿命内的支座累积行程模拟值；

步骤70)：将支座累积行程模拟值视为随机变量，并确定支座累积行程模拟值的广义极值分布函数；

步骤80)：计算支座累积行程模拟值超过支座磨损上限值的失效概率，比较失效概率与预设概率阈值，如果失效概率大于或等于预设概率阈值，则支座达到磨损上限，更换支座。

2.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤20)包括：利用小波包分解技术，对支座纵向位移监测数据进行8层尺度的小波包分解，得到32个小波包分解系数，剔除第一个小波包分解系数后，对剩余小波包分解系数重构并叠加，得到支座纵向动位移值。

3.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤30)具体包括：将每天凌晨0时至6时的纵向动位移监测数据划分为n₁份，其中第i天中第j份纵向动位移监测数据采用v_i,j表示，其中i＝1、2、…、d，j＝1、2、…、n₁，对每份纵向动位移值v_i,j作一阶差分处理，并取绝对值累加，得到第i天中第j份纵向动位移监测数据的动位移累积值C_i,j，如式(1)所示：

式中，N_i,j表示第i天中第j份纵向动位移监测数据中的数据总数，v_i,j,p+1表示第i天中第j份纵向动位移监测数据中的第p+1个值，v_i,j,p表示第i天中第j份纵向动位移监测数据中的第p个值；

将每天凌晨6时至夜晚24时的纵向动位移监测数据划分为n₂份，其中第m天中第n份纵向动位移监测数据采用v_m,n表示，其中m＝1、2、…、d，n＝1、2、…、n₂，对每份纵向动位移值v_m,n作一阶差分处理，并取绝对值累加，得到第m天中第n份纵向动位移监测数据的动位移累积值D_m,n，如式(2)所示：

式中，N_m,n表示第m天中第n份纵向动位移监测数据中的数据总数，v_m,n,q+1表示第m天中第n份纵向动位移监测数据中的第q+1个值，v_m,n,q表示第m天中第n份纵向动位移监测数据中的第q个值。

4.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤40)具体包括：将所有天数在每天凌晨0时至6时的纵向动位移累积值组合构成第一纵向动位移累积值序列C，C＝[C_1,1、C_1,2、…、C_1,n1、C_2,1、C_2,2、…、C_2,n1、…、C_d,1、C_d,2、…、C_d,n1]；

将所有天数在每天凌晨6时至24时的纵向动位移累积值组合构成第二纵向动位移累积值序列D，D＝[D_1,1、D_1,2、…、D_1,n2、D_2,1、D_2,2、…、D_2,n2、…、D_d,1、D_d,2、…、D_d,n2]。

5.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤50)具体包括：将第一纵向动位移累积值序列C中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量的概率密度值，再利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第一形状参数k₁和第一比例参数λ₁的拟合值，从而确定第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(3)所示：

式中，g(C)表示第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，k₁表示威布尔分布函数的第一形状参数，λ₁表示威布尔分布函数的第一比例参数，e表示指数函数的底，e＝2.71828；

将第二纵向动位移累积值序列D中的纵向动位移累积值视为统计变量，利用统计学方法计算统计变量概率密度值，再利用威布尔分布函数对统计变量概率密度值进行拟合，得到威布尔分布函数的第二形状参数k₂和第二比例参数λ₂的拟合值，从而确定第二纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数，如式(4)所示：

式中，g(D)表示第二纵向动位移累积值序列D中纵向动位移累积值的威布尔分布函数，k₂表示威布尔分布函数的第二形状参数，λ₂表示威布尔分布的第二比例参数。

6.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤60)具体包括：设支座的设计使用寿命为R年，利用第一纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(C)对支座在R年内每天凌晨0时至6时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_C＝365Rn₁；利用第二纵向动位移累积值序列中纵向动位移累积值的威布尔分布函数g(D)对支座在R年内每天凌晨6时至24时的所有纵向动位移累积值进行蒙特卡洛抽样模拟，模拟总数N_D＝365Rn₂；

在R年内共得到31536000Rf个模拟的纵向动位移累积值，即N_C+N_D＝31536000Rf，将31536000Rf个纵向动位移累积模拟值进行求和，得到支座在设计使用寿命内的累积行程模拟值。

7.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤70)具体包括：将步骤50)和步骤60)重复操作100次，得到100个累积行程模拟值，将累积行程模拟值视为统计变量，并采用H表示；利用统计学方法计算所述100个累积行程模拟值的广义极值分布值，利用广义极值分布函数对累积行程模拟值广义极值分布值进行拟合，得到广义极值分布函数的形状参数r₃、比例参数a₃和位置参数b₃的拟合值，从而确定支座累积行程模拟值广义极值分布函数，如式(5)所示：

式中，t(H)表示累积行程模拟值的广义极值分布函数，r₃表示广义极值分布函数的形状参数，a₃表示广义极值分布函数的比例参数，b₃表示广义极值分布函数的位置参数。

8.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤80)具体包括：设支座磨损上限值为[H]，利用式(6)计算支座累积行程模拟值超过支座磨损上限值的失效概率β：

其中，d表示采样天数；

若β大于或等于预设概率阈值，则认为支座已经达到磨损上限，需要及时更换。

9.按照权利要求8所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述预设概率阈值为5％。

10.按照权利要求1所述的高速铁路桥梁支座在设计使用寿命内累积磨损的评估方法，其特征在于，所述步骤10)中，采样频率f≥1Hz，采样天数d≥1；所述步骤20)中，n₁的取值在30～360之间，n₂的取值在90～1080之间。