CN109885938B - 一种大跨度金属屋面板性能退化评估方法及装置 - Google Patents

Abstract

本发明涉及一种大跨度金属屋面板性能退化评估方法及装置，该方法包括：获取表征金属屋面板状态长期传感器监测数据；将所述监测数据进行预处理；将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；所述性能退化评估模型输出估算损伤程度。该方法对采集到的监测数时间序列历史数据进行分析，根据性能退化评估模型，掌握金属屋面板的退化趋势，可用于指导维护人员的视情维修，且易于在实际工程中实现，从而避免严重事故的发生。

Description

一种大跨度金属屋面板性能退化评估方法及装置

技术领域

本发明涉及结构疲劳损伤和数据分析技术领域，特别涉及一种大跨度金属屋面板性能退化评估方法及装置。

背景技术

目前，随着建筑业及科学技术的发展，金属屋面以其良好的性能在现代建筑中的应用越来越广泛。城市中新建成的场馆，比如体育馆、火车站、汽车站、演出剧院等等，大部分都是钢结构屋面，属于大跨度、开阔式空间结构。

其中钢结构屋面的板材种类很多，有镀锌板、镀铝锌板、铝合金板、铝镁合金板、钛合金板、铜板、不锈钢板等；厚度一般为0.4～1.5mm，板的表面一般进行涂装处理。金属屋面按系统可分为：立边咬合系统、直立锁边屋顶系统、古典式扣盖系统、平锁扣式系统、平面板条系统、压型板系统、单元板块式系统等。

但是，在钢结构体系中，所谓结构疲劳损伤，是指由于重复荷载作用而引起的结构材料性能衰减的过程，也就是通常所说的疲劳裂纹的发生、发展、形成宏观裂纹、发生破坏的全过程。疲劳损伤与普通损伤的最大区别在于随着荷载循环次数的增加，疲劳中的损伤存在一个累积的过程。

目前有关复合材料的疲劳损伤模型大致可以分为三类：第一类模型不考虑实际的性能劣化机理，使用S－N曲线或类似的图，提供若干疲劳破坏准则；第二类是剩余刚度或剩余强度的表象模型；第三类是损伤发展模型，使用一个或多个可测的能衡量损伤情况的变量。

现有的技术中，一部分侧重疲劳寿命试验。如上述第二类情况，通过获取设备在使用过程中自身状态变化和产品经历的外界环境条件(气候环境、力学环境等等)数据，进行综合分析与计算，用于测试和评估设备的使用寿命或残余寿命，预测判断故障发生期间。该项技术在国外已用于大型飞机、机电设备、道路桥梁等重大设备的故障检测、寿命预测和安全评估中，但该方法需要彻底了解设备的损伤退化机理，理论分析较复杂。

另外一部分侧重基于数据驱动的方式，如上述第三类情况，根据传感器的采集数据来分析状态趋势，这种方法较为灵活。

金属屋面的塑性变形和疲劳损伤是导致屋面板失效的主要因素。屋面的塑性变型导致屋面在无风的情况下无法恢复到最初状态，金属屋面系统的抗风揭、风掀能力减弱，导致金属屋面会被小于设计载荷的负风压所掀飞。金属屋面的疲劳损伤是一个长期积累的过程，屋面长期受到周期性脉动载荷的作用，疲劳损伤会导致屋面的故障几率。

但目前的现有技术大多应用于机械设备的性能退化评估，尚未有针对大跨度金属屋面性能退化评估的有效方法。

因此，如何提供一种面向大跨度金属屋面板的性能退化评估方法，对屋面板损伤程度进行量化，避免严重事故的发生，是同行从业人员亟待解决的问题。

发明内容

鉴于上述问题，本发明提出了一种大跨度金属屋面板性能退化评估方法及装置，通过传感器采集屋面板应变和/或位移等特征量，对采集到的时间序列历史数据进行分析，根据性能退化评估模型，掌握金属屋面板的退化趋势，输出估算损伤程度，用于指导维护人员的视情维修，从而避免严重事故的发生。

第一方面，本发明实施例提供一种大跨度金属屋面板性能退化评估方法，包括：

获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

将所述监测数据进行预处理；

将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

所述性能退化评估模型输出估算损伤程度。

在一个实施例中，所述根据预设算法提取数据的趋势信号、周期信号和噪声信号，包括：

将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号。

在一个实施例中，所述塑性变形性能评价指标的表达式如下：

(1)式中，H_r表示塑性变形性能评价指标，R_c表示塑性变形的阈值，R表示塑性变形的计算值；

所述疲劳损伤性能评价指标的表达式如下：

(2)式中，H_D表示疲劳损伤性能评价指标，k表示应力载荷循环次数；β_i为第i次变形量对应损伤量的权值；σ_i表示应力幅值；σ_u表示材料的极限应变大小。

在一个实施例中，所述性能退化评估模型，包括：

金属屋面板性能退化程度由所述塑性变形和疲劳损伤性能评价指标确定，所述性能退化评估模型为：

D＝αH_r+γH_D (3)

(3)式中，D表示性能退化评估模型，0＜D＜1，H_r表示塑性变形性能评价指标，H_D表示疲劳损伤性能评价指标，α、γ为评估系数。

第二方面，本发明还提供一种大跨度金属屋面板性能退化评估装置，包括：

获取模块，用于获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

预处理模块，用于将所述监测数据进行预处理；

提取模块，用于将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

生成模块，用于根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

输入模块，用于将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

输出模块，用于所述性能退化评估模型输出估算损伤程度。

在一个实施例中，所述提取模块，具体用于将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号。

在一个实施例中，所述生成模块中：

所述塑性变形性能评价指标的表达式如下：

(1)式中，H_r表示塑性变形性能评价指标，R_c表示塑性变形的阈值，R表示塑性变形的计算值；

所述疲劳损伤性能评价指标的表达式如下：

(2)式中，H_D表示疲劳损伤性能评价指标，k表示应力载荷循环次数；β_i为第i次变形量对应损伤量的权值；σ_i表示应力幅值；σ_u表示材料的极限应变大小。

在一个实施例中，所述输入模块中的所述性能退化评估模型，包括：

金属屋面板性能退化程度由所述塑性变形和疲劳损伤性能评价指标确定，所述性能退化评估模型为：

D＝αH_r+γH_D (3)

(3)式中，D表示性能退化评估模型，0＜D＜1，H_r表示塑性变形性能评价指标，H_D表示疲劳损伤性能评价指标，α、γ为评估系数。

本发明的优点在于，本发明提出了一种大跨度金属屋面板性能退化评估方法，以大跨度金属屋面板为研究对象，通过传感器采集屋面板应变和/或位移等特征量，对采集到的时间序列历史数据进行分析，根据性能退化评估模型，通过数据分析得到金属屋面板的塑性变形和损伤累积特征量，进而量化屋面损伤程度，掌握金属屋面板的退化趋势，可用于指导维护人员的视情维修，且易于在实际工程中实现，从而避免严重事故的发生。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明提供的大跨度金属屋面板性能退化评估方法的流程图；

图2为本发明提供的一个屋面板区域布置传感器采集点的示意图；

图3为本发明提供的历史数据奇异谱分析效果图；

图4为本发明提供的算法逻辑图；

图5为本发明提供的原始应力数据示意图；

图6为本发明提供的轨迹矩阵奇异谱曲线图；

图7为本发明提供的趋势提取信号及噪声信号示意图；

图8为本发明提供的大跨度金属屋面板性能退化评估装置的框图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明以大跨度金属屋面为研究对象，提出的一种大跨度金属屋面板性能退化评估方法，将将数据分析算法与工程应用背景相结合，且易于在实际工程中实现。另外，由于结构监测信号是以时间作为标签的连续时间序列，由于监测环境和网络的复杂性，监测数据容易受到节点故障、混入噪声、电磁干扰、传感器零点漂移等多种因素干扰，屋面结构监测数据可能出现非线性、非平稳和噪声混杂的数据特征。传统的自回归滑动平均模型等时间序列分析方法适用于对平稳序列的分析，机器学习算法相对复杂，因而本发明根据预设算法提取数据的趋势信号、周期信号和噪声信号。通过数据分析得到金属屋面的塑性变形和损伤累积特征量，进而量化屋面损伤程度。

参照图1所示，本发明实施例提供一种大跨度金属屋面板性能退化评估方法，包括：

S11、获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

S12、将所述监测数据进行预处理；

S13、将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

S14、根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

S15、将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

S16、所述性能退化评估模型输出估算损伤程度。

上述步骤S11中，参照图2所示，表示一个屋面板区域布置传感器采集点的示意图，布置的具体位置可视具体环境而定；其中该传感器的采集周期，比如可以是30秒、1分钟、2分钟或5分钟等；每一个传感器采集点包括应力片和/或激光传感器；其中，应变片是由敏感栅等构成用于测量应变的元件。电阻应变片的工作原理是基于应变效应制作的，即导体或半导体材料在外界力的作用下产生机械变形时，其电阻值相应的发生变化，这种现象称为“应变效应”。激光传感器利用激光技术监测屋面板弯曲时的纵向位移，它由激光器、激光检测器和测量电路组成，优点是能实现无接触远距离测量，速度快，精度高，量程大，抗光、电干扰能力强等。

本发明提出的大跨度金属屋面板性能退化评估方法，是基于分布式传感器网络采集数据的分析处理。每一个数据采集节点布设两种传感器：应变片采集屋面板应力应变信号，激光传感器监测屋面板弯曲时的纵向位移，两种异构传感器综合判断屋面板状态。在大跨度屋面板的关键部位、易失效部位、檐口部位均布设传感器数据采集节点。其中关键部位根具体使用环境有关，比如屋面下为人行通道、人流密集区域等；易失效部位根屋顶结构有关，比如迎风屋顶外缘，女儿墙与钢板等材料制成的水沟连接处、屋面采光带等部位。

本步骤中，具体的可获取应变片采集屋面板应力应变信号，也可以获取激光传感器监测屋面板弯曲时的纵向位移，可选择两种传感器数据中的任意一种进行分析。也可均获取两种数据，分别对两种传感器数据进行分析。

步骤S12中，将上述采集的监测数据，比如通过滑动平均滤波的方法进行数据预处理，也才采用其他方式进行预处理，可实现去噪声处理均可。

步骤S13-S16中，预处理后，根据预设算法提前数据的趋势信号、周期信号和噪声信号等，生成表征金属屋面板的性能评价指标，并将该两个性能评价指标输入性能退化评估模型，输出金属屋面板的估算损伤程度。

本实施例中，金属屋面板的塑性变形和疲劳损伤是导致屋面板失效的主要因素。屋面的塑性变型导致屋面在无风的情况下无法恢复到最初状态，金属屋面系统的抗风揭、风掀能力减弱，导致金属屋面会被小于设计载荷的负风压所掀飞。金属屋面的疲劳损伤是一个长期积累的过程，屋面长期受到周期性脉动载荷的作用，疲劳损伤会导致屋面的故障几率。因此，通过对于屋面状态量长期的时间序列分析，可以得到屋面状态的长期变化趋势、受季节因素天气因素的影响的周期性变化趋势。通过对历史数据的分析可以掌握金属屋面的塑性变形和疲劳损伤情况，该历史数据为结构监测数据，是以时间作为标签的连续时间序列；进而根据性能退化评估模型，掌握金属屋面板的退化趋势，可用于指导维护人员的视情维修，且易于在实际工程中实现，从而避免严重事故的发生。

在一个实施例中，上述步骤S13中，预设算法提取数据的趋势信号、周期信号和噪声信号，具体是采用奇异谱分析方法，将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号。

由于监测环境和网络的复杂性，监测数据容易受到节点故障、混入噪声、电磁干扰、传感器零点漂移等多种因素干扰，屋面结构监测数据可能出现非线性、非平稳和噪声混杂的数据特征。传统的自回归滑动平均模型适用于对平稳序列的分析，机器学习算法相对复杂，因而本实施例中采用较为灵活的奇异谱分析方法对历史数据进行特征序列提取。奇异谱分析是一种时频域相结合的非参数分析方法，通过提取时间序列主要成分分析序列的趋势特征、周期特征，并且可分离噪声，可适用于非线性、非平稳序列的特征提取。

奇异谱分析方法的一般步骤为：首先，将待分析的时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列信号主成分，例如反映信号特征的长期趋势信号、周期信号、噪声信号等，进而对提取结果做下一步的分析或预测未来趋势。奇异谱分析主要包括两个部分——分解和重构，分解过程包括嵌入和奇异值分解，重构过程包括分组和对角平均，下面分别对各部分作详细介绍。

(1)嵌入

已知原始待分析的一维时间序列表达式为X_N＝(x₁,x₂,L,x_N)，原始时间序列数据点为N个，选择时间窗口截取时间序列数据，假设时间窗口长度为L，1＜L＜N/2，K＝N-L+1，定义延迟向量X_i＝(x_i,x_i+1,L,x_i+L-1)^T，X_N的轨迹矩阵为

(2)奇异值分解SVD

对轨迹矩阵X进行奇异值分解，得到降序排列的非负特征值为λ₁,λ₂,Lλ_L，其中非零特征值d个，则将X进行奇异值分解表示为

为X的奇异值，

为奇异谱，U_i通常由经验正交函数表示，V_i为主成分

称为特征向量，

称为X的特征三元组，有

X＝X₁+X₂+L+X_d

(3)分组

分组即把特征向量X_i划分到M个组，并在组内进行相加。记I＝{i₁,i₂,L i_p}，相应的X_i＝X_i1+X_i2+L+X_ip，进而X可划分成不相交的M个矩阵合成之和，X_I＝X_I1+X_I2+L+X_IM，其中X_I的贡献率为

(4)对角平均

对角平均是将每个X_In(n＝1,2,L,M)转化为时间序列，具体操作如下：令L^*＝min(L,K)，K^*＝max(L,K)，记X_In的元素为

则X_In还原为对应的时间序列{g₀,g₁,Lg_N-1}，转化过程如下：

对角平均是嵌入的逆过程，将提取的主成分特征向量还原为一维时间序列的形式，产生长度为N的新序列R_n(n＝1,2,L,M)，这些重构后的新序列可以体现原序列的趋势变化或周期变化。

采用奇异谱分析方法对金属屋面历史数据分析，可以将时间序列历史数据的长期趋势信号、周期信号、噪声信号分离开，分离后的期望效果如图3所示，其中长期趋势信号表征屋面板塑性变形，用R表示塑性变形的计算值；周期性信号可以用来衡量屋面板疲劳损伤，采用应力幅值σ_i来表征。

提取屋面性能评价指标，归纳如下：

1)塑性变形

金属屋面板在静风状态下应力应变和初始状态相比的偏移量即为屋面板塑性变形。金属屋面风掀事故发生的一个主要原因在于在长期的脉动风载荷和温度载荷的作用下，金属面板发生塑性变形，即使在无风的情况下面板也无法恢复到初始状态，导致金属屋面系统的抗风揭、风掀能力减弱，金属屋面可能会被小于设计载荷的负风压所掀飞。因而塑性变形指标是评价金属屋面板健康状态的重要指标。

采用塑性指标H_r作为屋面健康评估指标，表达式如下：

其中，R_c表示塑性变形的阈值，本实施例中，R_c可采用工程上以材料使用长度的15％作为失效的阈值。由于屋面板立边咬合处松动是由面板沿宽度方向上的鼓起导致的，因此面板使用长度认为是屋面板宽度。以标准屋面板宽度为400mm为例，则R_c＝15％×400＝60mm；R代表塑性变形的计算值，R＝R₀'-R₀，R′₀为静风下测量值，R₀为初始状态测量值。

2)疲劳损伤

通过奇异谱分析方法，分离周期信号，根据周期信号的应力幅值σ_i来估计屋面板疲劳损伤程度。

采用疲劳损伤累积指标H_D作为健康评估指标，根据Miner线性损伤累积准则，具体计算过程如下：

其中，k表示应力载荷循环次数，H_D可表示为每次循环应力对屋面板性能影响的累加量。β_i为第i次变形量对应损伤量的权值，β_i＝1/N_i，应力幅值越大，对应的权值越大。N_i为幅值大小为σ_i的对称循环应力持续作用下对应的材料疲劳寿命，即发生疲劳损伤的应力循环次数。不同幅值的对称循环应力对应的金属屋面板的疲劳寿命大小借助于疲劳试验数据和有限元仿真结果获得，得到σ–N拟合曲线，进而可以通过载荷应力幅值估算对应的疲劳寿命。σ_u表示材料的极限应变大小，其中根据金属屋面板风洞实验结果，可设定σ_u＝200KPa。

金属屋面性能退化程度由塑性变形和疲劳损伤两项的损伤程度综合确定，因此估算金属屋面损伤程度模型为：

D＝αH_r+γH_D (3)

D为屋面性能退化程度估算结果，α,γ为评估系数，表征评估两种指标的相对重要程度，比如根据金属屋面所处的环境，合理设置评估系数。当金属屋面所处环境中，塑性变形和疲劳损伤对性能退化程度相当时，可取α＝0.5,γ＝0.5。因此，在屋面未损伤的情况下，0＜H_r,H_D＜1，0＜D＜1。

参照图4所示，本实施例的算法具体步骤如下：

1、数据准备：获取表征金属屋面状态长期传感器监测数据(应变或纵向位移)。

2、数据预处理。通过滑动平均滤波的方法数据预处理，减少噪声干扰。

3、奇异谱分析。通过时间序列分析方法提取数据的趋势信号、周期信号和噪声信号。

4、提取性能评价指标。根据奇异谱分析方法得到的特征趋势提取塑性变形、疲劳损伤等特征屋面性能退化评价指标。

5、估算性能退化程度。根据模型估算屋面性能退化程度。

下面通过一个具体实施例来说明本大跨度金属屋面板性能退化评估方法：

以某建筑物金属屋面板为例：

分析数据来源于应变片采集到2017年11月20日到2017年11月24号5天的应力数据。如图5所示，原始待分析的一维时间序列表达式为X_N＝(x₁,x₂,L x_N)＝(-10.78,-10.99,L-8.61)，共34500个。

先对图5中这些数据进行奇异谱分析，观测信号时间序列变化趋势。

嵌入：该时间序列长度N＝34500，选择时间窗口长度L＝500，构建轨迹矩阵奇异谱。

奇异值分解与分组：

从图6可以看出特征值λ₁贡献率最大，达到87％，因此提取特征值λ₁对应的特征向量重构趋势序列，其余特征向量分为一组构成噪声序列。

对角平均：得到原序列的趋势序列和噪声序列，如图7所示。

根据图7中，对于应变序列的特征提取，可以看出两个节点在5天之内的应变中值没有改变，可以确定5天之内屋面板没有明显的塑性变形；应变呈周期性趋势变化，大约在每天早上8:00达到波峰，下午2:00达到波谷，其原因是受到温度变化的影响，每天早上8:00温度达到一天最低，下午2:00达到温度最高；温度的变化引起金属面板的伸缩，导致屋面板内部应力产生变化，造成屋面板疲劳损伤。因此可确定提取的数据变化趋势符合实际情况。

由于当前实验的局限性，实际采集到的数据点仅为5天的数据量，而对于屋面的性能退化分析，需要采集长期的月度、年度数据，在大量可分析历史数据的基础上，分离提取塑性变形指标、疲劳损伤指标作为健康评估指标，用于评估金属屋面性能退化程度。

1)塑性变形

5天内没有明显塑性变形，H_r≈0。

2)疲劳损伤

5天内4个周期应力幅为σ₁＝10,σ₂＝10,σ₃＝5,σ₄＝5(KPa)

根据金属屋面性能退化程度评估模型估算损伤程度：

D＝αH_r+γH_D＝0.5×0+0.5×1.5×10^-4＝7.5×10^-5

由于7.5×10^-5＜＜1，可认为该金属面板尚未发生明显性能退化。对于屋面的性能退化的分析，需要采集长期的月度、年度数据，在大量可分析历史数据的基础上，分离提取塑性变形指标、疲劳损伤指标作为健康评估指标，用于评估金属屋面性能退化程度。

基于同一发明构思，本发明实施例还提供了一种大跨度金属屋面板性能退化评估装置，由于该装置所解决问题的原理与一种大跨度金属屋面板性能退化评估方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。

第二方面，本发明还提供一种大跨度金属屋面板性能退化评估装置，参照图8所示，包括：

获取模块81，用于获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

预处理模块82，用于将所述监测数据进行预处理；

提取模块83，用于将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

生成模块84，用于根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

输入模块85，用于将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

输出模块86，用于所述性能退化评估模型输出估算损伤程度。

在一个实施例中，所述提取模块83，具体用于将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号。

在一个实施例中，所述生成模块84中：

所述塑性变形性能评价指标的表达式如下：

(1)式中，H_r表示塑性变形性能评价指标，R_c表示塑性变形的阈值，R表示塑性变形的计算值；

所述疲劳损伤性能评价指标的表达式如下：

(2)式中，H_D表示疲劳损伤性能评价指标，k表示应力载荷循环次数；β_i为第i次变形量对应损伤量的权值；σ_i表示应力幅值；σ_u表示材料的极限应变大小。

在一个实施例中，所述输入模块85中的所述性能退化评估模型，包括：

金属屋面板性能退化程度由所述塑性变形和疲劳损伤性能评价指标确定，所述性能退化评估模型为：

D＝αH_r+γH_D (3)

(3)式中，D表示性能退化评估模型，0＜D＜1，H_r表示塑性变形性能评价指标，H_D表示疲劳损伤性能评价指标，α、γ为评估系数。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种大跨度金属屋面板性能退化评估方法，其特征在于，包括：

获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

将所述监测数据进行预处理；包括：通过滑动平均滤波去噪声处理；

将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

所述性能退化评估模型输出估算损伤程度；

所述根据预设算法提取数据的趋势信号、周期信号和噪声信号，包括：

采用奇异谱分析方法，将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号；其中，趋势信号表征屋面板塑性变形，用R表示塑性变形的计算值；周期信号可以用来衡量屋面板疲劳损伤，采用应力幅值σ_i来表征；

所述塑性变形性能评价指标的表达式如下：

(1)式中，H_r表示塑性变形性能评价指标，R_c表示塑性变形的阈值，R表示塑性变形的计算值；

所述疲劳损伤性能评价指标的表达式如下：

(2)式中，H_D表示疲劳损伤性能评价指标，k表示应力载荷循环次数；β_i为第i次变形量对应损伤量的权值；σ_i表示应力幅值；σ_u表示材料的极限应变大小；

所述性能退化评估模型，包括：

金属屋面板性能退化程度由所述塑性变形和疲劳损伤性能评价指标确定，所述性能退化评估模型为：

D＝αH_r+γH_D (3)

(3)式中，D表示性能退化评估模型，0＜D＜1，H_r表示塑性变形性能评价指标，H_D表示疲劳损伤性能评价指标，α、γ为评估系数。

2.一种大跨度金属屋面板性能退化评估装置，其特征在于，包括：

获取模块，用于获取表征金属屋面板状态长期传感器监测数据；所述监测数据为：应变片采集屋面板应力应变信号和/或激光传感器监测屋面板弯曲时的纵向位移；

预处理模块，用于将所述监测数据进行预处理；包括：通过滑动平均滤波去噪声处理；

提取模块，用于将预处理后的监测数据，根据预设算法提取数据的趋势信号、周期信号和噪声信号；

生成模块，用于根据所述数据的趋势信号、周期信号和噪声信号，生成表征金属屋面板的性能评价指标；所述性能评价指标包括：塑性变形和疲劳损伤性能评价指标；

输入模块，用于将所述塑性变形和疲劳损伤性能评价指标，输入性能退化评估模型；

输出模块，用于所述性能退化评估模型输出估算损伤程度；

所述提取模块，具体用于采用奇异谱分析方法，将待分析的监测数据时间序列按时间窗口分段截取，构造轨迹矩阵；对轨迹矩阵进行分解、重构，提取时间序列的趋势信号、周期信号和噪声信号；其中，趋势信号表征屋面板塑性变形，用R表示塑性变形的计算值；周期信号可以用来衡量屋面板疲劳损伤，采用应力幅值σ_i来表征；

所述生成模块中：

所述塑性变形性能评价指标的表达式如下：

(1)式中，H_r表示塑性变形性能评价指标，R_c表示塑性变形的阈值，R表示塑性变形的计算值；

所述疲劳损伤性能评价指标的表达式如下：

(2)式中，H_D表示疲劳损伤性能评价指标，k表示应力载荷循环次数；β_i为第i次变形量对应损伤量的权值；σ_i表示应力幅值；σ_u表示材料的极限应变大小；

所述输入模块中的所述性能退化评估模型，包括：

金属屋面板性能退化程度由所述塑性变形和疲劳损伤性能评价指标确定，所述性能退化评估模型为：

D＝αH_r+γH_D (3)

(3)式中，D表示性能退化评估模型，0＜D＜1，H_r表示塑性变形性能评价指标，H_D表示疲劳损伤性能评价指标，α、γ为评估系数。

Images