CN110645899B - 一种结构裂缝分布式光纤监测方法及装置 - Google Patents

Abstract

本发明专利涉及光纤传感技术领域，提供了一种结构裂缝分布式光纤监测方法及装置，该装置包括分布式传感光缆、分布式光纤解调仪、监测主机、数据中心；分布式传感光缆安装在结构体表面或内部，分布式光纤解调仪安装在结构体附近，与分布式传感光缆连接，采集结构体表面或内部的特征数据，并传送至监测主机，监测主机对特征数据进行处理后进行指定分发，数据中心管理整个装置，并根据再处理后的数据控制客户终端；解决了现有技术进行裂检测时，无法智能寻缝和控缝、存在检测盲区的问题，进而能够对结构裂缝进行有效识别，克服检测盲区。

Description

一种结构裂缝分布式光纤监测方法及装置

技术领域

本发明涉及光纤传感技术领域，主要是一种结构裂缝分布式光纤监测方法及装置。

背景技术

随着服役年限的增长，桥梁、隧道、边坡等公路结构物表面和内部可能产生裂缝，出现钢筋混凝土保护层脱落、钢筋外露、绞缝破坏。而车辆超限超载加重结构裂缝的生长恶化，造成结构发生应力重分配，形成结构内部的力学间断面，破坏结构的整体性，直接危害结构的稳定，严重时更有可能导致结构失效甚至发生结构整体坍塌，严重影响交通工程的运营安全及人民生命财产安全。

传统裂缝检测技术包括：直接观察法、超声波无损检测法、微波无损检测法、敲击回弹法、超声脉冲法等。但是现有技术中存在如下技术问题：

传统裂缝检测一般通过人工寻缝的方式，裂缝的发现一般采用人工定期巡检，不能实现自动化、智能化、网络化应用，往往是在定检过程中通过人工检查发现裂缝后再对裂缝进行定点检测，无法及时防缝、控缝，很容易造成险情或重要的先兆信息漏检。

此外，传统方法一般采用单点检测：在信息的采集上有相当的局限性，收集的信息在时间、空间上是不连续的，无法实现分布式实时监测。有采用斜交光纤组对结构裂缝进行检测的，但也属于发现裂缝后的控缝措施，无法实现智能寻缝。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种结构裂缝分布式光纤监测方法及装置，解决现有技术进行裂检测时，无法智能寻缝和控缝、存在检测盲区的问题。

本发明的目的是通过如下技术方案来完成的。一种结构裂缝分布式光纤监测装置，包括分布式传感光缆、分布式光纤解调仪、监测主机和数据中心，分布式传感光缆安装在结构体表面或内部，分布式光纤解调仪安装在结构体附近，与分布式传感光缆连接，采集结构体表面或内部的特征数据，并传送至监测主机，监测主机对特征数据进行处理后进行指定分发，数据中心管理整个装置，并根据再处理后的数据控制客户终端。

进一步地，监测主机包括数据预处理模块、裂缝分析定位模块和人工神经网络缝宽计算模块。

进一步地，信号预处理模块用于接收由分布式光纤传感器采集到的特征数据，并经过归一化、滤波降噪、数据清洗，获得绝对应变分布、相对应变分布等处理结果。

进一步地，特征数据具体为应变数据和环境温度数据。

进一步地，裂缝分析定位模块用于对处理结果进行时域分析和频域分析，根据分析结果获得裂缝位置分布信息。

进一步地，人工神经网络缝宽计算模块用于根据已建立的裂缝伤损数据库对绝对应变分布、相对应变分布进行深度学习，使用人工神经网络获得缝宽分布数据。

进一步地，所述数据中心完成监测主机上传数据的接收和分类存储，管理整个结构裂缝分布式光纤监测装置的业务处理，对客户终端、各报警设备进行数据支持。

进一步地，所述客户终端对裂缝出现事件、裂缝生长恶化事件及时进行报警。

另一方面，本发明还提供了一种结构裂缝分布式光纤监测方法，采用分布式光纤对结构进行长时应变监测，通过区域寻峰算法实现裂缝定位，采用人工神经网络算法实现裂缝缝宽分布数据获取，监测周期内环境温度的变化可引起裂缝处应变的剧烈抖动，从而实现裂缝识别，具体包括如下内容：

(1)、以固定周期为单位，采集固定周期内的特征数据；

(2)、对采集的特征数据进行归一化，获得归一化特征数据；

(3)、对归一化特征数据采用滑动平均法进行滤波降噪；

(4)、根据绝对应变分布的陡变点和端点，对相对应变分布数据进行相应位置标记剔除，获得清洗后数据；

(5)、对清洗后数据进行时域分析和频域分析，通过区域寻峰获得裂缝位置分布信息；

(6)、根据已建立的裂缝伤损数据库对裂缝位置的清洗后数据进行人工神经网络深度学习，根据处理结果获得缝宽分布数据；

(7)、对裂缝位置分布、缝宽分布数据进行分类管理以及存储，并根据裂缝伤损数据控制客户终端。

本发明采用以上技术方案，具备以下有益效果：

1、由于采用分布式光纤对结构进行长时应变监测，监测周期内环境温度的变化可引起裂缝处应变的剧烈抖动，从而实现裂缝识别。解决了现有技术进行裂检测时，无法智能寻缝和控缝、存在检测盲区的问题，进而能够对结构裂缝进行有效识别，克服检测盲区。

2、通过区域寻峰算法实现裂缝定位，解决了裂缝自动定位问题；

3、采用人工神经网络算法实现裂缝缝宽分布数据获取，提高分布式光纤裂缝监测精度；

4、由于连接数据中心的客户终端对裂缝出现事件、裂缝生长恶化事件能及时报警，进而避免了不安全事故的发生，保障了安全性。

附图说明

图1为本发明实施例中结构裂缝分布式光纤监测装置的结构示意图；

图2为本发明实施例中监测主机的模块示意图；

图3为本发明实施例中数据中心的模块示意图；

图4为本发明实施例中分布式光纤解调仪、监测主机与数据中心之间交互的模块示意图；

图5为结构裂缝分布式光纤监测方法的流程图。

具体实施方式

为了更好的理解上述技术方案，下面结合说明书附图以及具体实施方式对上述技术方案进行详细说明。

如图1所示，本发明提供一种结构裂缝分布式光纤监测装置，包括分布式传感光缆101、分布式光纤解调仪102、监测主机103、数据中心104。

分布式传感光缆101安装在结构体表面或内部，以主梁为例，可安装在梁底部，沿纵向进行加装。

分布式光纤解调仪102安装在结构体附近，与分布式传感光缆101连接，以固定周期(一天、一个月或一年)采集结构体表面或内部的特征数据，并传送至监测主机103，监测主机103对特征数据进行处理后进行指定分发，数据中心104管理整个装置，并根据再处理后的数据控制客户终端。整个监测装置通过数据传输通道完成数据链路上各层级之间的连接，并以特定的数据报文实现信息快速、安全、稳定地上下行传输。

在具体的实施方式中，具体是采用分布式应变传感光缆和分布式温度传感光缆采集结构表面或内部所受的应力和温度分布特征数据，根据特征数据，通过特定算法将可能发生的裂缝伤损数据提取，给出裂缝定位和裂缝的缝宽分布信息。

具体地，如图2所示，该监测主机103包括数据预处理模块301、裂缝分析定位模块302和人工神经网络缝宽计算模块303。

该监测主机还包括为监测主机供电的供电模块304，以及数据传输模块305，通过供电模块304对数据传输模块305供电，使得由分布式光纤解调仪102对特征数据采集之后，通过数据传输模块305将特征数据转发至监测主机103。

在具体的实施方式中，数据预处理模块301接收由分布式光纤解调仪102采集到的特征数据，具体地，采集到的特征数据具体是温度分布和应变分布等特征数据，接着将这些特征数据经过归一化、滤波降噪、数据清洗，从而获得处理结果。

归一化的具体方法如下：

(1)对t₀时刻单次测量的特征数据x(z,t₀)可以分出直流分量x_dc(z,t₀)和交流分量x_ac(z,t₀)，表示为：

x(z,t₀)＝x_dc(z,t₀)+x_ac(z,t₀)

滤除直流分量x_dc(z,t₀)，得到交流分量x_ac(z,t₀)为：

x_ac(z,t₀)＝x(z,t₀)-x_dc(z,t₀)

(2)对每一时刻t，重复步骤(1)，得到交流分量x_ac(z,t)；

(3)找出最大值

x_max＝max{x_ac(z,t)}

(4)对该组特征数据实现归一化，得出归一化特征数据x_norm(z,t)

x_norm(z,t)＝x_ac(z,t)/x_max

滤波降噪可采用滑动平滑，具体方法如下：

(1)设置窗口点数M＝2K+1，K可取1～5之间固定自然数；

(2)对于x_norm(z,t)，得到滤波降噪后的处理结果x_f

数据清洗的具体方法如下：

(1)根据归一化特征数据x_norm(z,t)，找出陡变点和端点

(2)对进行相应位置处的数据赋零，得出预处理后的特征数据x_p(z,t)。

在获取预处理后的特征数据后，通过裂缝分析定位模块302对特征数据进行时域分析和频域分析，根据分析结果获得裂缝位置分布信息，具体方法如下：

(1)对于预处理后的特征数据x_p(z,t)，沿t方向计算方差x_rms(z,t)

(2)设置方差阈值x_rms0；

(3)对于x_p(z,t)，沿z方向遍历，若该点z₀的方差x_rms(z₀,t)超过方差阈值x_rms0，则找出该位置点z₀处极大值x_pmax(z₀)和最小值x_pmin(z₀)

x_pmax(z₀)＝max{x_p(z₀,t)}

x_pmin(z₀)＝min{x_p(z₀,t)}

(4)计算该点z₀处的抖动幅度x_pa(z₀)

x_pa(z₀)＝|x_pmax(z₀)-x_pmin(z₀)|

(5)设置抖动阈值x_pat；

(6)若x_pa(z₀)>x_pat，则标记该点为裂缝发生；

(7)沿z方向重复上述步骤，获得裂缝位置分布信息。

在获得裂缝位置分布信息后，在人工神经网络缝宽计算模块303中，根据已建立的裂缝伤损数据库对相对应变和温度分布进行深度学习，使用人工神经网络获得缝宽分布数据，具体方法如下：

(1)对于每个裂缝出现位置z₀，输入层节点为x_i，包括：该点固定周期内温度信息T_i，以及应变信息E_i；

(2)输出层节点为裂缝缝宽D_i；

(3)使用随机值初始化权值向量w⁽⁰⁾；

(4)对于裂缝伤损数据库中的每个样本，计算预测输出D_i0；

(5)更新权值向量：

w_q ^(j+1)＝w_q ^(j)+λ(D_i-D_i0)x_ij

(6)应用更新后的权值向量，重复步骤(4)，直至预测输出与真值偏差小于预设值；

(7)对于每个裂缝出现位置，通过输入的相对应变和温度分布，利用经训练的权值向量，计算获得缝宽分布。

通过上述计算，最终获得有效的裂缝伤损分布数据，从而提高裂缝伤损监测的识别准确率。

监测主机103在获得伤损数据后，将这些裂缝伤损分布数据通过数据传输模块305上传到数据中心104。

数据中心104完成监测主机103上传数据的接收和分类存储，管理整个结构裂缝分布式光纤监测装置的管理，根据业务逻辑处理相关数据，包括数据的分类、深度处理、平台转发以及数据库存储，并对各级客户端进行数据支持。

其中，如图3所示，在数据中心104中包括有：数据查询模块401，用户通信模块402，主机通信模块403，数据库模块404。主机通信模块403从监测主机103获得裂缝伤损分布数据后，向数据库模块404输出数据并进行分类存储，数据查询模块401从数据库模块中获取裂缝伤损数据并查询伤损数据的类型，从而触发用户通信模块402向用户终端发送报警信息，可以是通过短信形式进行报警，或者是通过互联网网络的推送信息形式通知终端进行报警。

如图4所示，为分布式光纤解调仪102、监测主机103与数据中心104之间的数据交互模块图，其中数据中心104具体为结构安全监测管理平台，分布式光纤解调仪102以及监测主机103都能够与结构安全监测管理平台之间进行数据的交互。具体地，靠近分布式光纤解调仪102侧设置有下端通讯模块以及数据传输模块，在靠近结构安全监测管理平台侧设置有上端通讯模块以及数据传输模块，在上端通讯模块与下端通讯模块之间通过协议栈模块将监测主机分布式光纤解调仪102上传的数据传输至结构安全监测管理平台，同时也将结构安全监测管理平台下发的指令在两个数据传输模块之间通过状态处理模块对传输的数据进行处理，从而使得结构安全监测管理平台能够获得可识别的数据。

有线或无线连接在数据中心104的客户终端能够展现该结构裂缝分布式光纤监测装置产生的预报警信息及设备状态信息，同时用户可通过动态的传感器部署图直观地看见到裂缝出现事件、裂缝生长恶化事件、结构裂缝伤损报警的位置和缝宽分布。

基于相同的发明构思，本申请还提供了一种结构裂缝分布式光纤监测方法，如图5所示，包括如下步骤：

S10、以固定周期为单位，采集固定周期内的特征数据x(z,t)，z为位置点，t为时刻点；

S20、对采集的特征数据x(z,t)进行归一化，获得归一化特征数据x_norm(z,t)；

x_norm(z,t)＝{x(z,t)-min[x(z,t)]}/max({x(z,t)-min[x(z,t)]})

S30、对归一化特征数据x_norm(z,t)采用滑动平均法进行滤波降噪，获得降噪后特征数据x_f；

其中N为位置点数，窗口点数M＝2K+1，K可取1～5之间固定自然数。

S40、根据绝对应变分布(归一化特征数据)的陡变点和端点，对相对应变分布数据进行相应位置标记剔除，获得清洗后数据x_p(z,t)；

ε可以取200。

S50、对清洗后数据x_p(z,t)进行时域分析和频域分析，通过区域寻峰获得裂缝位置分布信息z_i，同时满足：

N_T为时刻点数，x_rms0为设置的方差阈值，一般可取100，x_pat为设置的抖动阈值，一般可取500。

S60、根据已建立的裂缝伤损数据库对裂缝位置的清洗后数据进行人工神经网络深度学习，根据处理结果获得缝宽分布数据D_i；

w_ij为经人工神经网络深度学习得出的权值向量。

S70、对裂缝位置分布、缝宽分布数据进行分类管理以及存储，并根据裂缝伤损数据控制客户终端。

在具体的实施方式中，在S10中具体是以1日、1月、1年为固定周期，每隔30分钟采集结构表面或内部的绝对应变分布和相对应变分布、温度分布作为特征数据。

在S20中具体是对相对应变分布去直流、并进行正则归一化，获得归一化的相对应变分布特征数据。

在S30中具体是对相对应变分布数据采用滑动平均法进行滤波降噪。

在S40中具体是根据绝对应变分布数据，找出陡变点和端点，并对相对应变分布数据进行相应位置处的数据赋零，得出预处理后的相对应变分布数据。

在S50中具体是对相对应变分布数据进行时域分析和频域分析，根据分析结果获得裂缝位置分布信息，其中，具体是采用区域寻峰法，对于相对应变分布数据沿t方向计算方差，设置方差阈值，若方差超过方差阈值，则求出抖动幅度，根据阈值判别并标记裂缝分布信息。

在S60中具体是根据已建立的裂缝伤损数据库经过训练获得权值向量，对裂缝位置的相对应变分布和温度分布，通过训练得出的权值向量，通过人工神经网络法，获得缝宽分布数据。

由S60获得裂缝位置分布、裂缝缝宽分布数据后，S70根据裂缝位置分布、裂缝缝宽分布数据进行分类管理以及存储，可以传输至报警客户终端，进行报警。

对于结构裂缝分布式光纤监测方法在本申请实施例中就不再详细赘述了。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种采用结构裂缝分布式光纤监测装置的监测方法，其特征在于：结构裂缝分布式光纤监测装置，包括分布式传感光缆、分布式光纤解调仪、监测主机和数据中心，分布式传感光缆安装在结构体表面或内部，分布式光纤解调仪安装在结构体附近，与分布式传感光缆连接，采集结构体表面或内部的特征数据，并传送至监测主机，监测主机对特征数据进行处理后进行指定分发，数据中心管理整个装置，并根据再处理后的数据控制客户终端；

采用分布式光纤对结构进行长时应变监测，通过区域寻峰算法实现裂缝定位，采用人工神经网络算法实现裂缝缝宽分布数据获取，监测周期内环境温度的变化可引起裂缝处应变的剧烈抖动，从而实现裂缝识别；

具体包括如下步骤：

(1)、以固定周期为单位，采集固定周期内的特征数据x(z,t)，z为位置点，t为时刻点；

(2)、对采集的特征数据x(z,t)进行归一化，获得归一化特征数据x_norm(z,t)；

x_norm(z,t)＝{x(z,t)-min[x(z,t)]}/max({x(z,t)-min[x(z,t)]})

(3)、对归一化特征数据x_norm(z,t)采用滑动平均法进行滤波降噪，获得降噪后特征数据x_f；

其中N为位置点数，窗口点数M＝2K+1，K为1～5之间固定自然数；

(4)、根据绝对应变分布的陡变点和端点，对相对应变分布数据进行相应位置标记剔除，获得清洗后数据x_p(z,t)；

(5)、对清洗后数据x_p(z,t)进行时域分析和频域分析，通过区域寻峰获得裂缝位置分布信息z_i，同时满足：

N_T为时刻点数，x_rms0为设置的方差阈值，设定为100，x_pat为设置的抖动阈值；

(6)、根据已建立的裂缝伤损数据库对裂缝位置的清洗后数据进行人工神经网络深度学习，根据处理结果获得缝宽分布数据D_i；

w_ij为经人工神经网络深度学习得出的权值向量；

(7)、对裂缝位置分布、缝宽分布数据进行分类管理以及存储，并根据裂缝伤损数据控制客户终端。

2.根据权利要求1所述的结构裂缝分布式光纤监测方法，其特征在于：所述归一化的具体方法如下：

(1)对t₀时刻单次测量的特征数据x(z,t₀)可以分出直流分量x_dc(z,t₀)和交流分量x_ac(z,t₀)，表示为：

x(z,t₀)＝x_dc(z,t₀)+x_ac(z,t₀)

滤除直流分量x_dc(z,t₀)，得到交流分量x_ac(z,t₀)为：

x_ac(z,t₀)＝x(z,t₀)-x_dc(z,t₀)

(2)对每一时刻t，重复步骤(1)，得到交流分量x_ac(z,t)；

(3)找出最大值

x_max＝max{x_ac(z,t)}

(4)对该组特征数据实现归一化，得出归一化特征数据x_norm(z,t)

x_norm(z,t)＝x_ac(z,t)/x_max

滤波降噪采用滑动平滑，具体方法如下：

(1)设置窗口点数M＝2K+1，K为1～5之间固定自然数；

(2)对于x_norm(z,t)，得到滤波降噪后的处理结果x_f

3.根据权利要求1所述的结构裂缝分布式光纤监测方法，其特征在于：数据清洗的具体方法如下：

(1)根据归一化特征数据x_norm(z,t)，找出陡变点和端点；

(2)对进行相应位置处的数据赋零，得出预处理后的特征数据x_p(z,t)；

在获取预处理后的特征数据后，通过裂缝分析定位模块对特征数据进行时域分析和频域分析，根据分析结果获得裂缝位置分布信息，具体方法如下：

(1)对于预处理后的特征数据x_p(z,t)，沿t方向计算方差x_rms(z,t)；

(2)设置方差阈值x_rms0；

(3)对于x_p(z,t)，沿z方向遍历，若该点z₀的方差x_rms(z₀,t)超过方差阈值x_rms0，则找出该位置点z₀处极大值x_pmax(z₀)和最小值x_pmin(z₀)；

x_pmax(z₀)＝max{x_p(z₀,t)}

x_pmin(z₀)＝min{x_p(z₀,t)}

(4)计算该点z₀处的抖动幅度x_pa(z₀)；

x_pa(z₀)＝|x_pmax(z₀)-x_pmin(z₀)|

(5)设置抖动阈值x_pat；

(6)若x_pa(z₀)>x_pat，则标记该点为裂缝发生；

(7)沿z方向重复上述步骤，获得裂缝位置分布信息。

4.根据权利要求1所述的结构裂缝分布式光纤监测方法，其特征在于：在获得裂缝位置分布信息后，在人工神经网络缝宽计算模块中，根据已建立的裂缝伤损数据库对相对应变和温度分布进行深度学习，使用人工神经网络获得缝宽分布数据，具体方法如下：

(1)对于每个裂缝出现位置z₀，输入层节点为x_i，包括：该点固定周期内温度信息T_i，以及应变信息E_i；

(2)输出层节点为裂缝缝宽D_i；

(3)使用随机值初始化权值向量w⁽⁰⁾；

(4)对于裂缝伤损数据库中的每个样本，计算预测输出D_i0；

(5)更新权值向量：

w_q ^(j+1)＝w_q ^(j)+λ(D_i-D_i0)x_ij

(6)应用更新后的权值向量，重复步骤(4)，直至预测输出与真值偏差小于预设值；

(7)对于每个裂缝出现位置，通过输入的相对应变和温度分布，利用经训练的权值向量，计算获得缝宽分布。

Images