CN111062083B - 一种基于逐步删除模型的结构损伤识别方法 - Google Patents
一种基于逐步删除模型的结构损伤识别方法 Download PDFInfo
- Publication number
- CN111062083B CN111062083B CN201911371937.9A CN201911371937A CN111062083B CN 111062083 B CN111062083 B CN 111062083B CN 201911371937 A CN201911371937 A CN 201911371937A CN 111062083 B CN111062083 B CN 111062083B
- Authority
- CN
- China
- Prior art keywords
- damaged
- node
- model
- mwk
- damage
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于逐步删除模型的结构损伤识别方法,包括以下步骤:获取结构当前状态与完好状态的曲率模态差;建立曲率模态差多项式回归模型;将回归模型进行矩阵化,进行参数估计;删除某个节点曲率模态差,重新建立多项式回归模型并矩阵化,进行参数估计;用MWK统计量分析节点删除前后的回归系数的差异,寻找判定为可能损伤的节点集合;可能损伤节点集合中MWK统计量绝对值最大者被判定为损伤节点;删除损伤集合中MWK统计量绝对值最大的节点剩余的样本数据重复上述步骤直至将所有损伤点找出。本发明提供的方法,参数提取过程适用于单损伤或多损伤的情况,能够解决现有动力损伤识别中由于噪声和测量误差原因导致损伤位置判断不明确的技术问题。
Description
技术领域
本发明涉及工程检测技术领域,具体涉及一种基于逐步删除模型的结构损伤识别方法。
背景技术:
基于动力指纹的损伤研究方法综合运用了结构振动理论、振动测试技术和数据处理技术等跨学科技术,被认为是当前最有前途的结构无损检测方法。动力学指纹的损伤诊断方法中,曲率模态表现出局部损伤的高度敏感,已成为结构工程界研究的热点。但是曲率模态敏感性较高,容易受到随机误差和测量误差的影响,使得该指标鲁棒性较差。
发明内容
本发明的目的在于提供一种基于逐步删除模型的结构损伤识别方法,以解决现有技术中导致的噪声和测量误差原因导致损伤位置判断不明确的缺陷。
一种基于逐步删除模型的结构损伤识别方法,所述方法包括如下步骤:
获取结构当前状态与完好状态的曲率模态差;
根据曲率模态差构建回归模型,将回归模型进行矩阵化后进行参数估计,并计算得到每个节点的MWK值;
根据节点的MWK值确定损伤单元集合;
根据损伤单元集合找出损伤节点;
通过节点删除法找出所有损伤节点,确定结构损伤。
进一步的,所述曲率模态差的获取方法包括如下步骤:
通过振动测试获得结构的初始曲率模态;
定期观测当前状态的曲率模态;
将当前的曲率模态与完好状态的曲率模态对比获取曲率模态差。
进一步的,根据曲率模态差构建回归模型,将回归模型进行矩阵化后进行参数估计的方法包括如下步骤:
设节点曲率模态差数据为{xi,yi},i=1,2,…,n;其中xi为测点编号,yi为对应单元的曲率模态差;建立回归模型:
该模型可以写成矩阵形式:
Y=Xβ+ε;
进一步的,节点的MWK值的计算方法包括如下步骤:
删除第i个数据点以后的模型记为数据删除模型(后称为CDM),其表达式为:
yj=Xj Tβ+εj,j=1,2,…,n,j≠i;
其中j≠i的含义为该模型不包含第i个数据点;
模型矩阵形式为:
Y(i)=X(i)β+ε(i);
采用WK统计量(Welsch-Kuh Statistics,韦尔施-库拉统计量)分析数据点,定义为:
进一步的,根据节点的MWK值确定损伤单元集合的方法包括如下步骤:
将每个节点的MWK值取绝对值;
确定损伤阈值;
将MWK值大于损伤阈值的节点组成损伤单元集合。
进一步的,根据损伤单元集合找出损伤节点的方法为:
将损伤单元集合中的绝对值最大的节点判定为损伤节点。
进一步的,通过节点删除法找出所有损伤节点,确定结构损伤的方法包括如下步骤:
将确定的损伤节点删除;
重新计算剩余节点的MWK值;
再根据节点MWK值重新确定损伤单元集合;
根据损伤单元集合找出损伤节点,直至找出所有损伤节点;
将所有损伤节点组合起来,确定损伤结构。
进一步的,损伤节点判定方法包括如下步骤:
且|MWKk|为满足上述条件的数据中的最大值,则判断第k节点为损伤节点。
本发明的优点在于:本发明提供的方法,在较大环境噪声情况下,可准确找到结构损伤位置,具有强鲁棒性,实现对结构损伤检测和健康评估提供数据支撑;可应用于桥梁、高层建筑、水利工程等土木工程,应用范围广;可与编程结合实施,数据处理自动、高效。
附图说明
图1为本发明中高桩码头实验模型俯瞰图。
图2为本发明中高桩码头实验模型断面图。
图3为本发明中5号测点后方10%损伤图。
图4为本发明中传感器布置图。
图5为本发明中工况1和工况4曲率模态差曲线。
图6为本发明中工况1损伤识别过程。
图7为本发明中工况2损伤识别过程。
图8为本发明中码头模型损伤工况示意图。
图9为本发明方法的流程示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
在统计意义上,损伤识别本质上是找出其结构单元行为不同于总体规律的异常点。实际工程中,损伤区域对于整体结构来说是局部的、小范围的,因此非损伤区域内的观测数据特征在总体的观测数据中是占有优势和主导地位,而损伤区域观测数据特征异于非损伤观测区域观测数据特征,故发现与整体数据不协调的异常值即为结构损伤识别的数学本质。本发明根据结构损伤位置损伤前后曲率模态差的曲线特点,通过删除各样本点数据对总体曲率模态差曲线形态影响,建立自动识别且强鲁棒性的基于数据逐步删除模型的曲率模态损伤识别方法。通过高桩码头模型损伤实验,证明了该方法具有较好的应用性。
在实验室制作高桩码头模型,高桩码头模型长2.05m、宽0.9m、高1.65m,共3跨,排架间距0.65m,码头前沿和中间为单直桩,后方为一对叉桩,桩身直径0.06m、壁厚2mm钢管桩,码头上部横梁、纵梁、面板为钢筋混凝土结构。模型具体尺寸如图1和图2所示。选取一根桩为损伤桩,该桩身在底部混凝土面以上由13个单元组成,如图8所示,每单元长度0.1m,单元节点自上而下编号依次为1,2,……,14。桩基损伤采用切割桩身截面减小截面惯性矩模拟,破损照片和传感器布置图如图3、图4。损伤工况设置见图8。
本发明提供一种基于逐步删除模型的结构损伤识别方法,所述方法包括如下步骤:
步骤一:获取结构当前状态与完好状态的曲率模态差;
所述曲率模态差的获取方法包括如下步骤:
通过振动测试获得结构的初始曲率模态;
定期观测当前状态的曲率模态;
将当前的曲率模态与完好状态的曲率模态对比获取曲率模态差。
试验数据采集后使用成熟的商业软件DHDAS进行模态分析,得到各损伤工况与完好状态下的曲率模态差,工况1和工况4曲率模态差如图5所示:
步骤二:根据曲率模态差构建回归模型,将回归模型进行矩阵化的方法,并进行最小二乘参数估计:
设节点曲率模态差数据为{xi,yi},i=1,2,…,n;其中xi为测点编号,yi为对应单元的曲率模态差;建立回归模型:
该模型可以写成矩阵形式:
Y=Xβ+ε;
步骤三:将采用数据删除模型方法,计算每个节点MWK值:
删除第i个数据点以后的模型记为数据删除模型(后称为CDM),其表达式为:
yj=Xj Tβ+εj,j=1,2,…,n,j≠i;
其中j≠i的含义为该模型不包含第i个数据点;
模型矩阵形式为:
Y(i)=X(i)β+ε(i);
采用WK统计量(Welsch-Kuh Statistics,韦尔施-库拉统计量)分析数据点,定义为:
步骤四:分析每个节点MWK的绝对值,大于给定阈值的节点构成可能损伤单元集合S;S集合中MWK统计量绝对值最大者被判定为损伤节点:
且|MWKk|为满足上述条件的数据中的最大值。则判断第k节点为损伤节点。
步骤五:采用逐步策略判别损伤节点,即当找到一个损伤节点后,删除该损伤节点数据,重新进行回归及计算剩余节点MWK值,重复上述方法,直至找出所有损伤点:
先对观测得到的曲率模态差进行多项式回归,寻找满足:
根据分析结果判断损失点:
针对工况1使用逐步数据删除模型,损伤识别过程如图6所示:删除模型第一步识别5号单元为损伤单元,删除5号单元模态数据后没有任何点识别为异常点,可以确定5号单元为损伤单元,与实际情况相符。针对双损伤工况4使用逐步数据删除模型,损伤识别过程如图7所示:第一步识别5号单元MWK值最大且超过阈值,首先判定故5号单元为损伤单元,删除5号单元模态数据后,继续做第二步损伤识别,这时13号单元MWK值超过阈值,判定为损伤单元。删除13号单元后进入第三步识别,发现剩余单元中9号单元MWK值仍超过阈值,判定9号单元为损伤单元,删除9号单元后,未发现任何单元MWK值超过阈值,故判定5,9,13号单元为损伤单元。需要指出的是,13号单元为误判,这是由于13号单元位于桩基底部,受边界条件影响较大,边界条件会导致试验中边界单元出现误判,这是动力损伤识别普遍存在的问题,并不是本方法的动力损伤识别效果不好,因此可以看出数据删除模型的曲率模态损伤识别方法具有很好的实用性
基于上述,在统计意义上,损伤识别本质上是找出其结构单元行为不同于总体规律的异常点。实际工程中,损伤区域对于整体结构来说是局部的、小范围的,因此非损伤区域内的观测数据特征在总体的观测数据中是占有优势和主导地位,而损伤区域观测数据特征异于非损伤观测区域观测数据特征,故发现与整体数据不协调的异常值即为结构损伤识别的数学本质。本发明根据结构损伤位置损伤前后曲率模态差的曲线特点,通过删除各观测点数据对总体曲率模态差曲线形态影响,建立自动识别且强鲁棒性的基于数据删除模型的曲率模态损伤识别方法。通过高桩码头模型损伤实验,证明了该方法具有较好的应用性。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (6)
1.一种基于逐步删除模型的结构损伤识别方法,其特征在于,所述方法包括如下步骤:
获取结构当前状态与完好状态的曲率模态差;
根据曲率模态差构建回归模型,将回归模型进行矩阵化后进行参数估计,并计算得到每个节点的MWK值;
根据节点的MWK值确定损伤单元集合;
根据损伤单元集合找出损伤节点;
通过节点删除法找出所有损伤节点,确定结构损伤位置;
其中,根据曲率模态差构建回归模型,将回归模型进行矩阵化后进行参数估计的方法包括如下步骤:
设节点曲率模态差数据为{xi,yi},i=1,2,…,n;其中xi为测点编号,yi为对应单元的曲率模态差;建立回归模型:
该模型写成矩阵形式:
Y=Xβ+ε;
其中,节点的MWK值的计算方法包括如下步骤:
删除第i个数据点以后的模型记为数据删除模型,其中,数据删除模型称为CDM,其表达式为:
yj=Xj Tβ+εj,j=1,2,…,n,j≠i;
其中j≠i的含义为该模型不包含第i个数据点;
模型矩阵形式为:
Y(i)=X(i)β+ε(i);
其中Y(i),X(i),ε(i)表示Y,X,ε删除对应的第i个分量后的向量或矩阵;此时CDM模型最小二乘回归系数为:
采用WK统计量分析数据点,WK统计量为Welsch-Kuh Statistics韦尔施-库拉统计量,定义为:
2.根据权利要求1所述的一种基于逐步删除模型的结构损伤识别方法,其特征在于:所述曲率模态差的获取方法包括如下步骤:
通过振动测试获得结构的初始曲率模态;
定期观测当前状态的曲率模态;
将当前的曲率模态与完好状态的曲率模态对比获取曲率模态差。
3.根据权利要求1所述的一种基于逐步删除模型的结构损伤识别方法,其特征在于:根据节点的MWK值确定损伤单元集合的方法包括如下步骤:
将每个节点的MWK值取绝对值;
确定损伤阈值;
将MWK值大于损伤阈值的节点组成损伤单元集合。
4.根据权利要求3所述的一种基于逐步删除模型的结构损伤识别方法,其特征在于:根据损伤单元集合找出损伤节点的方法为:
将损伤单元集合中的绝对值最大的节点判定为损伤节点。
5.根据权利要求4所述的一种基于逐步删除模型的结构损伤识别方法,其特征在于:通过节点删除法找出所有损伤节点,确定结构损伤的方法包括如下步骤:
将确定的损伤节点删除;
重新计算剩余节点的MWK值;
再根据节点MWK值重新确定损伤单元集合;
根据损伤单元集合找出损伤节点,直至找出所有损伤节点;
将所有损伤节点组合起来,确定损伤结构位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371937.9A CN111062083B (zh) | 2019-12-27 | 2019-12-27 | 一种基于逐步删除模型的结构损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911371937.9A CN111062083B (zh) | 2019-12-27 | 2019-12-27 | 一种基于逐步删除模型的结构损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062083A CN111062083A (zh) | 2020-04-24 |
CN111062083B true CN111062083B (zh) | 2022-08-12 |
Family
ID=70303910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911371937.9A Active CN111062083B (zh) | 2019-12-27 | 2019-12-27 | 一种基于逐步删除模型的结构损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062083B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464896A (zh) * | 2020-12-14 | 2021-03-09 | 北京易华录信息技术股份有限公司 | 一种基于学生行为的身心状态分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106897543A (zh) * | 2017-04-25 | 2017-06-27 | 湘潭大学 | 模态柔度曲率矩阵范数的梁结构损伤识别方法 |
CN110455476A (zh) * | 2019-07-29 | 2019-11-15 | 河海大学 | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 |
-
2019
- 2019-12-27 CN CN201911371937.9A patent/CN111062083B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106897543A (zh) * | 2017-04-25 | 2017-06-27 | 湘潭大学 | 模态柔度曲率矩阵范数的梁结构损伤识别方法 |
CN110455476A (zh) * | 2019-07-29 | 2019-11-15 | 河海大学 | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111062083A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364280B (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
KR100826153B1 (ko) | 영상의 농도치 히스토그램을 이용한 크랙의 폭 측정방법 | |
CN113838054B (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN115294139B (zh) | 基于图像的边坡裂缝监测方法 | |
CN110276752B (zh) | 基于android系统的混凝土表面裂缝特征的APP检测方法 | |
CN105717556B (zh) | 一种基于大数据的自分型雷达估测降水方法 | |
CN114842010B (zh) | 一种基于高斯滤波的建筑防火木材缺陷检测方法 | |
Truong-Hong et al. | Framework for bridge inspection with laser scanning | |
CN111062083B (zh) | 一种基于逐步删除模型的结构损伤识别方法 | |
CN113487722A (zh) | 一种基于三维激光扫描方法的混凝土构件自动化检测方法 | |
US20200393347A1 (en) | Imaging Method of Internal Defects in Longitudinal Sections of Trees | |
CN110852001A (zh) | 一种基于图像处理的桥梁结构安全评估方法 | |
CN110455476B (zh) | 一种基于mcd异常点检验算法的多维动力指纹损伤识别方法 | |
Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
Güldür Erkal et al. | Automated geometric imperfection detection and quantification of CFS members from point clouds | |
KR101791878B1 (ko) | 콘크리트 구조물의 염화물 침투에 대한 내구성 진단 및 수명 예측 장치 및 그 방법 | |
CN111125824B (zh) | 一种基于删除模型的结构损伤识别方法 | |
CN114638822B (zh) | 一种利用光学手段的汽车盖板表面质量检测方法及系统 | |
KR101255022B1 (ko) | 점군자료를 활용한 구조물 균열 검출방법 | |
CN114662525A (zh) | 一种基于子结构模态参数的损伤识别方法及系统 | |
CN111504232B (zh) | 一种混凝土裂缝数字化检测方法 | |
CN114186312A (zh) | 基于隧道变形特征的涉隧滑坡类型辨识方法 | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
CN113361104A (zh) | 一种基于概率化建模的低矮房屋屋面台风易损性分析方法 | |
CN117173179B (zh) | 一种防音布生产质量快速检测方法及系统 |
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 |