CN111626000B - 一种桥梁状态的评估方法、装置、设备和存储介质 - Google Patents
一种桥梁状态的评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111626000B CN111626000B CN202010607620.7A CN202010607620A CN111626000B CN 111626000 B CN111626000 B CN 111626000B CN 202010607620 A CN202010607620 A CN 202010607620A CN 111626000 B CN111626000 B CN 111626000B
- Authority
- CN
- China
- Prior art keywords
- probability density
- frequency domain
- data
- bridge
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种桥梁状态的评估方法、装置、设备和存储介质,该桥梁状态的评估方法包括:获取目标桥梁的加速度数据,并将加速度数据转换为频域数据;获取频域数据的固有频率的初始值和窗口宽度,以根据窗口宽度获取至少两组频域子数据;基于贝叶斯工作模态分析方法、各个初始值和各个窗口宽度,确定目标桥梁的至少两组频域子数据的至少两个后验概率密度函数;根据至少两个后验概率密度函数对目标桥梁进行模态参数识别,并根据识别结果对目标桥梁进行状态评估,其中,模态参数至少包括固有频率。本发明实施例的技术方案,通过多组数据进行模态分析,如多个窗口对应的数据或者多次采集的数据,提高了评估精度。
Description
技术领域
本发明实施例涉及桥梁监测技术领域,尤其涉及一种桥梁状态的评估方法、装置、设备和存储介质。
背景技术
桥梁动力特性参数的变化(固有频率、振型、模态阻尼系数)是桥梁构件性能改变的标志。桥梁自振频率的变化可能预示着结构的刚度降低和局部破坏,是进行结构损伤评估的重要依据。
现有的桥梁模态参数识别方法仅能针对一次采集的数据进行评估,无法融合多组数据进行评估,评估结果的准确度较低,且传统的评估方法在进行模态参数识别时所采用的窗宽固定,参数识别精度严重受限于窗宽的选取精度。
发明内容
本发明提供了一种桥梁状态的评估方法、装置、设备和存储介质,实现了基于多组数据进行桥梁状态评估的方法,评估精度高。
第一方面,本发明实施例提供了一种桥梁状态的评估方法,该桥梁状态的评估方法包括:
获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;
获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;
基于贝叶斯工作模态分析方法、各个初始值和各个窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;
根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数至少包括固有频率。
第二方面,本发明实施例还提供了一种桥梁状态的评估装置,该桥梁状态的评估装置包括:
加速度数据获取模块,用于获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;
固有频率初始值获取模块,用于获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;
后验概率密度函数确定模块,用于基于贝叶斯工作模态分析方法、各个初始值和各个窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;
桥梁状态评估模块,用于根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数至少包括固有频率。
第三方面,本发明实施例还提供了一种桥梁状态的评估设备,该设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例提供的桥梁状态的评估方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的桥梁状态的评估方法。
本发明实施例的技术方案,通过将目标桥梁的加速度数据转换为多组频域数据,如多个窗宽对应的数据或者将多组加速度数据转换为多组频域数据,基于该多组频域数据以及贝叶斯模态分析方法得到目标桥梁的后验概率密度函数,根据该后验概率密度函数进行模态参数识别,并基于识别结果对目标桥梁进行状态评估,实现了桥梁模态参数的自动识别,且可以通过自适应窗口获取多组频域数据,提高了评估的效率和精度;同时还可以通过获取多次采集的加速度数据进行桥梁的综合评估,提高了评估的范围和准确度。
附图说明
图1是本发明实施例一中的一种桥梁状态的评估方法的流程图;
图2是本发明实施例二中的一种桥梁状态的评估方法的流程图;
图3是本发明实施例三中的一种桥梁状态的评估方法的流程图;
图4是本发明实施例四中的一种桥梁状态的评估装置的结构示意图;
图5是本发明实施例五中的一种桥梁状态的评估设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种桥梁状态的评估方法的流程图,本实施例可适用于对桥梁健康状态进行监测和评估的情况,该方法可以由桥梁状态的评估系统来执行,如图1所示,该方法包括如下步骤:
步骤110、获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据。
其中,目标桥梁可以是任意一座桥梁,还可以是一座桥梁的指定区域或部分区域。当然目标桥梁也可以是超高层建筑,或者体育场等大型建筑物。
具体的,获取目标桥梁的加速度数据,可以是获取目标桥梁的至少两组加速度数据,如获取目标桥梁至少两个预设时间段的加速度数据,或者获取目标桥梁至少两个指定区域的加速度数据。预设时间段可以是1个小时、3个小时、6个小时或者其他时间段,可以累积收集1个月的每个小时的加速度数据,从而根据这1个月的加速度数据进行桥梁状态的评估。相应的,将所述加速度数据转换为频域数据,包括:将所述至少两组加速度数据转换为至少两者频域数据,即将每组加速度数据转换为对应的频域数据。
具体的,可以基于快速傅里叶变换将加速度数据转换为频域数据。
具体的,加速度数据的获取或采集可以通过在目标桥梁的预设监测点设置加速度传感器的方式获取。
由于加速度传感器的数量有限,且桥梁通常较为庞大,因此,有时需要通过多次安装一组加速度传感器来进行整个桥梁的加速度数据。
步骤120、获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据。
具体的,该频域数据的固有频率的初始值可以是一个默认值,也可以根据目标桥梁的结构特征确定固有频率的初始值,如初始值可以是0.5Hz、1Hz、2Hz、3Hz或者其他值。还可以获取固有频率的给定区间,即获取固有频率的初始值和终止值(终止频率),终止频率的取值可以根据目标桥梁的结构特征进行确定,也可以是一个固定值,如5Hz、6Hz、8Hz或者其他值。相应的给定频率区间可以是[0.5Hz,5Hz]、[1Hz,6Hz]或者其他值,当然也可以选定一个固定的较大的频率区间作为给定频率区间如[0.2Hz,10Hz]。
具体的,窗口宽度可以是一个或者多个固定值,如窗口宽度可以是5至10内的任意一个整数。
进一步地,该窗口宽度可以是在一个指定区间内变化的值,即窗口宽度为变化的宽度,从而可以确定一组宽度在指定区间内自适应变化的窗口,如宽度为4~10的窗口。
可选的,根据所述窗口宽度获取至少两组频域子数据,包括:
生成所述频域数据功率谱密度曲线;根据所述功率谱密度曲线和窗口宽度,确定至少两组频域子数据。
具体的,功率谱密度曲线是用于描述各个频率对应的振动能量的分布,而通常固有频率对应为功率谱密度曲线中的一个波峰所对应的频率。首先,根据功率谱密度曲线确定目标波峰,接着,确定可选的各个窗口宽度,最后,确定以该目标波峰为中心,以各个窗口宽度为宽度的频域子数据。
可选的,所述窗口宽度包括至少两个不同的窗口宽度,相应的,根据所述窗口宽度获取至少两组频域子数据,包括:
根据至少两个不同的窗口宽度,将所述频域数据划分至少两个不同的窗口宽度对应的至少两组频域子数据。
步骤130、基于贝叶斯工作模态分析方法、初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数。
其中,贝叶斯模态参数识别算法指的是基于贝叶斯分析方法(BayesianAnalysis)的模态参数识别算法。贝叶斯分析方法是一种计算假设概率的方法,首先给定一个先验概率分布函数,通过贝叶斯公式将加速度数据、先验概率分布函数和总体分布结合起来,得到后验概率密度函数,通过后验概率密度函数进行模态分析或模态参数识别。
具体的,每组频域子数据对应一个后验概率密度函数。在进行贝叶斯工作模态分析时,需要先确定目标桥梁在经典阻尼下的动力特性模型,基于该动力特性模型得到目标模态的响应方程,以基于该响应方程以及加速度数据进行贝叶斯工作模态分析,其中,目标模态即为需要识别的模态参数。
将上述响应方程进行快速傅里叶变换,便得到频域下的响应方程,基于此,便得到目标桥梁的基本形式,根据该基本形式可以确定先验概率分布函数,如均匀分布。进而根据先验概率分布函数、加速度数据、初始值和窗口宽度,确定贝叶斯工作模态分析方法的各个频域子数据对应的后验概率密度函数。
示例性的,在经典阻尼的情形下,贝叶斯结构的动力特性模型为:
其中,为测量自由度为n、样本量为N的加速度数据(时域数据);εj∈Rn为观测误差;Φi∈Rn表示模态振型,ηi(t)为满足以下解耦的模态方程的模态响应:
其中,ωi=2πfi,fi、ξi和pi分别表示固有频率、阻尼比和模态力。
进一步地,对进行快速傅里叶变换,得到频域数据{Fj,k=1,2,…,N},得到的频域数据Fj的具体表达式为:
其中,j=1,2,…,N;i2=-1;Δt为采样时间间隔;对于j=2,3,…,Nq,频域数据Fj相应的频率fj=(j-1)/(NΔt),Nq为Nyquist频率。
示例的,选用均匀的先验概率分布函数,得到目标桥梁的后验概率密度函数的形式如下:
P(θ|D)∝exp[-L(θ)]
其中,L(θ)为负对数似然函数,θ表示给定参数,P(θ|D)表示模态参数D在给定参数θ的条件下的概率。
进一步地,负对数似然函数L(θ)的表达式为:
其中,Zk=[Re(Fk);Im(Fk)]∈R2n,表示Fk的实部和虚部,Fk为频域下的加速度数据;Ck(θ)的具体形式为:
其中,Φ=[Φ1,Φ2,…,Φm]∈Rn×m,表示模态振型矩阵;Se为测量误差的功率谱密度;I2n为2n×2n的单位矩阵;Hk∈Cm×m,为模态加速度响应的功率谱密度矩阵,Hk的第(i,j)个元素的表达式为:
Hk(i,j)=Sijhikhik *
其中,S∈Cm×m为模态力的功率谱密度;hk∈Cm表示模态迁移函数向量,其第i个元素为:
hik=[(βik 2-1)+i(2ζiβik)]-1
其中,ζi为阻尼比;βik为固有频率fi和频率fk的比值。
步骤140、根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数包括固有频率。
其中,模态参数除了固有频率之外,还可以包括阻尼比和模态振型。
具体的,针对各个模态参数,可以选择后验概率密度函数概率取值最大的模态参数(最大可能值,MPV,Maximum Possible Value)作为模态参数的识别结果,进而根据各个模态参数的识别结果对目标桥梁进行状态评估。
进一步地,可以重复进行步骤110至140获取多组加速度数据和多个识别结果,如可以是一段时间对应的加速度数据和识别结果,从而根据该段时间内模态参数的变化曲线或变化量对目标桥梁进行状态评估。
本发明实施例的技术方案,通过将目标桥梁的加速度数据转换为多组频域数据,如多个窗宽对应的数据或者将多组加速度数据转换为多组频域数据,基于该多组频域数据以及贝叶斯模态分析方法得到目标桥梁的后验概率密度函数,根据该后验概率密度函数进行模态参数识别,并基于识别结果对目标桥梁进行状态评估,实现了桥梁模态参数的自动识别,且可以通过自适应窗口获取多组频域数据,提高了评估的效率和精度;同时还可以通过获取多次采集的加速度数据进行桥梁的综合评估,提高了评估的范围和准确度。
实施例二
图2为本发明实施例二提供的一种桥梁状态的评估方法的流程图,本实施例是对上一实施例的进一步细化,如图2所示,本实施例所提供的桥梁状态的评估方法包括如下步骤:
步骤210、获取目标桥梁的至少两组加速度数据,并将至少两组所述加速度数据转换为至少两组频域数据。
具体的,可以是获取目标桥梁不同时间段对应的至少两组加速度数据,或者获取目标桥梁至少两个指定区域对应的至少两组加速度数据。
其中,该时间段可以是1天、1周或者其他值。
步骤220、获取至少两组频域数据的固有频率的初始值和窗口宽度。
具体的,每组频域数据可以对应不同的固有频率的初始值和不同的窗口宽度,或者每组频域数据可以对应相同的固有频率的初始值和不同的窗口宽度,或者每组频域数据可以对应相同的固有频率的初始值和相同的窗口宽度。
步骤230、生成至少两组频域数据的功率谱密度曲线。
具体的,根据每组频域数据,绘制其对应的功率谱密度曲线。
进一步地,还可以对各个功率谱密度进行平均化处理,并对平均化处理的功率谱密度进行奇异值分解,以确定该组频域数据对应的模态的个数,即需使用单模态还是多模态(密集模态)形式的算法。
步骤240、根据所述窗口宽度和功率谱密度曲线,将至少两组频域数据划分为至少两组频域子数据。
步骤250、基于贝叶斯工作模态分析方法、所述初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数。
步骤260、对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验边缘概率密度函数。
其中,边缘化处理又称为边际化处理,是一种变量消除的方法。
具体的,由于后验概率密度函数中包括了多个模态参数(多个变量),甚至是全部的模态参数,而我们真正感兴趣的是其中一个或者几个变量(即目标模态参数)。为了获得目标模态参数的后验概率密度函数,可以通过积分运算将其他模态参数消除或归一化,从而得到目标模态参数(如固有频率)的后验边缘概率密度函数。还可以运用贝叶斯算法的抽样工具,如马尔可夫链蒙特卡罗算法(Markov chain Monte Carlo Algorithm,MCMC),对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验边缘概率密度函数。
步骤270、基于预设算法,对所述目标模态参数的至少两个后验边缘概率密度函数进行聚类,以得到类概率密度函数。
其中,预设算法可以是K-means聚类算法、层级(Hierarchical)聚类算法、Mean-Shift聚类算法或Medioid-Shift聚类算法。
具体的,可以基于改进的Wasserstein距离以及预设算法对所述目标模态参数的至少两个后验边缘概率密度函数进行聚类,以得到类概率密度函数。
步骤280、计算各个后验边缘概率密度函数与所述类概率密度函数的重心的距离。
具体的,可以基于边际距离(Marginal Distance,MD)、变换的高斯逼近(Transformed Gaussian Approximation,TGA)等算法计算各个后验边缘概率密度函数与所述类概率密度函数的重心(Barycenter)的距离。
可选的,计算任意两个概率密度函数的重心,包括:
基于改进的Wasserstein距离计算两个概率密度函数的重心,其中,所述改进的Wasserstein距离的表达式为:
其中,ZX为第一概率密度函数,X表示第一概率密度函数ZX对应的频域数据,ZY为第二概率密度函数,Y表示第二概率密度函数ZY对应的频域数据,且ZX~N(μX,ΣX),ZY~N(μY,ΣY),N(μ,Σ)表示均值为μ,方差为Σ的正态分布,μX=E(X),ΣX=Var(X),μY=E(Y),ΣY=Var(Y);W2(ZX,ZY)表示第一概率密度函数ZX和第二概率密度函数ZY的2-Wasserstein距离; 为基于切空间逼近算法构建的和/>的距离。
示例性的,WS的具体形式可由多种方式构建,如可基于切空间逼近的方式(具体步骤如可结合密度估计,置换平滑及再抽样技术实现)。具体实现算法如下:
1.选定一个整数m;
2.选取U1,U2,…,Um∈R,并从抽取子样/>和从/>抽取子样/>
3.求得使取最小值的置换πj,以及使得/> 取最小值的置换πk,此时,可以根据匈牙利算法计算耗时O(m3),本实施例所提供的算法复杂度较低,耗时较少;
4.设由定义的Voronoi铺嵌(tessellation)Vj1,Vj2,…,Vjm,以及由/>定义的Voronoi铺嵌(tessellation)Vk1,Vk2,…,Vkm。定义对所有x∈Vjs,s=1,2,…,m,/>其中,/>即表示参数x从Vj1,Vj2,…,Vjm至U1,U2,…,Um的映射;定义对所有x∈Vks,s=1,2,…,m,其中,/>即表示参数x从Vk1,Vk2,…,Vkm至U1,U2,…,Um的映射,I(x∈V)为示性函数,若x∈V,则函数I的值为1,反之则为0。
进而,便可以采用以下表达式作为WS的平方的估计:
步骤290、当所述后验边缘概率密度函数对应的距离大于预设阈值时,则确定所述目标桥梁存在异常。
其中,预设阈值可以是90%、95%或者其他数值的分位数。当距离大于该预设阈值时,说明目标桥梁的模态参数,如固有频率、振型等,发生了较大的变动,从而表示目标桥梁存在异常,如刚度下降。
本发明实施例的技术方案,通过获取目标桥梁的多组加速度数据,并对各组加速度数据进行频域转换,基于贝叶斯工作模态分析方法确定各个频域数据对应的后验概率密度函数,对后验概率密度函数进行边缘化处理,从而得到目标模态参数的后验边缘概率密度函数,并对各个后验边缘概率密度函数进行聚类,从而得到目标桥梁的该目标模态参数信息完整的类概率密度函数,计算各个后验边缘概率密度函数和该类概率密度函数的重心距离,从而根据该距离判断目标桥梁是否存在异常,实现了桥梁异常的自动评估,且融合了多组加速度数据进行评估,评估精度高。
实施例三
图3为本发明实施例三提供的一种桥梁状态的评估方法的流程图,本实施例是对实施例一的进一步细化,如图3所示,本实施例所提供的桥梁状态的评估方法包括如下步骤:
步骤310、获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据。
步骤320、获取频域数据的固有频率的初始值和窗口宽度,其中,所述窗口宽度包括至少两个不同的窗口宽度。
步骤330、生成所述频域数据功率谱密度曲线。
步骤340、根据至少两个不同的窗口宽度和功率谱密度曲线,将所述频域数据划分至少两个不同的窗口宽度对应的至少两组频域子数据。
步骤350、基于贝叶斯工作模态分析方法、所述初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数。
步骤360、对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验边缘概率密度函数。
步骤370、计算所述目标模态参数的至少两个后验边缘概率密度函数的重心。
具体的,可以基于加权算法,计算目标模态参数的至少两个后验边缘概率密度函数的重心(Barycenter),此时,该重心即为所识别的目标模态参数的值,即识别结果。
步骤380、根据所述重心评估所述目标桥梁的状态。
具体的,可以根据该重心与预设重心的差值评估目标桥梁的状态。若该差值位于预设范围内,则说明目标桥梁的状态为健康,而若该差值超出预设范围,则说明目标桥梁的状态存在异常。
进一步地,当目标桥梁存在异常时,还可以生成异常提醒信息。
本发明实施例的技术方案,通过确定多个窗宽,自适应选取加速度数据对应的频域数据的样本数据,并基于贝叶斯工作模态分析方法确定该样本数据的后验概率密度函数,并计算多个窗口宽度的后验概率密度函数的重心,从而得到目标模态的识别结果,自适应窗宽选取提高了评估方法的效率,同时提高了识别的精度,基于该识别结果进行目标桥梁的状态评估,提高了评估的效率和精度。
实施例四
图4为本发明实施例四提供的一种桥梁状态的评估装置的结果示意图,如图4所述,该桥梁状态的评估装置包括:加速度数据获取模块410、固有频率初始值获取模块420、后验概率密度函数确定模块430和桥梁状态评估模块440。
其中,加速度数据获取模块410,用于获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;固有频率初始值获取模块420,用于获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;后验概率密度函数确定模块430,用于基于贝叶斯工作模态分析方法、各个初始值和各个窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;桥梁状态评估模块440,用于根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数包括固有频率。
本发明实施例的技术方案,通过将目标桥梁的加速度数据转换为多组频域数据,如多个窗宽对应的数据或者将多组加速度数据转换为多组频域数据,基于该多组频域数据以及贝叶斯模态分析方法得到目标桥梁的后验概率密度函数,根据该后验概率密度函数进行模态参数识别,并基于识别结果对目标桥梁进行状态评估,实现了桥梁模态参数的自动识别,且可以通过自适应窗口获取多组频域数据,提高了评估的效率和精度;同时还可以通过获取多次采集的加速度数据进行桥梁的综合评估,提高了评估的范围和准确度。
可选的,固有频率初始值获取模块420,具体用于:
获取频域数据的固有频率的初始值和窗口宽度;生成所述频域数据功率谱密度曲线;根据所述功率谱密度曲线和窗口宽度,确定至少两组频域子数据。
可选的,加速度数据获取模块410,具体用于:
用于获取目标桥梁的至少两组加速度数据,并将至少两组所述加速度数据转换为至少两组频域数据。
可选的,桥梁状态评估模块440,包括:
第一边缘化处理单元,用于对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验概率密度函数;类概率密度函数确定单元,用于基于预设算法,对所述目标模态参数的至少两个后验概率密度函数进行聚类,以得到类概率密度函数;第一重心计算单元,用于计算各个后验概率密度函数与所述类概率密度函数的重心的距离;桥梁异常确定单元,用于当所述后验概率密度函数对应的距离大于预设阈值时,则确定所述目标桥梁存在异常。
可选的,固有频率初始值获取模块420,具体用于:
获取频域数据的固有频率的初始值和窗口宽度,其中,所述窗口宽度包括至少两个不同的窗口宽度;根据至少两个不同的窗口宽度,将所述频域数据划分至少两个不同的窗口宽度对应的至少两组频域子数据。
可选的,桥梁状态评估模块440,具体用于:
第二边缘化处理单元,用于对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验概率密度函数;第二重心计算单元,用于计算所述目标模态参数的至少两个后验概率密度函数的重心;桥梁状态评估单元,用于根据所述重心评估所述目标桥梁的状态。
可选的,第一重心计算单元或第二重心计算单元,包括,
重心计算子单元,用于基于改进的Wasserstein距离计算两个概率密度函数的重心,其中,所述改进的Wasserstein距离的表达式为:
其中,X为第一概率密度函数,X表示第一概率密度函数ZX对应的频域数据,ZY为第二概率密度函数,Y表示第二概率密度函数ZY对应的频域数据,且ZX~N(μX,ΣX),ZY~N(μY,ΣY),N(μ,Σ)表示均值为μ,方差为Σ的正态分布,μX=E(X),ΣX=Var(X),μY=E(Y),ΣY=Var(Y);W2(ZX,ZY)表示第一概率密度函数ZX和第二概率密度函数ZY的2-Wasserstein距离; 为基于切空间逼近算法构建的和/>的距离。
本发明实施例所提供的桥梁状态的评估装置可执行本发明任意实施例所提供的桥梁状态的评估方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种桥梁状态的评估设备的结构示意图,如图5所示,该设备包括处理器510、存储器520、输入装置530和输出装置540;设备处理器510的数量可以是一个或多个,图5中以一个处理器510为例;设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的桥梁状态的评估方法对应的程序指令/模块(例如,桥梁状态的评估装置中的加速度数据获取模块410、固有频率初始值获取模块420、后验概率密度函数确定模块430和桥梁状态评估模块440。)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的桥梁状态的评估方法。
存储器520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种桥梁状态的评估方法,该方法包括:
获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;
获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;
基于贝叶斯工作模态分析方法、所述初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;
根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数包括固有频率。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的桥梁状态的评估方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述用桥梁状态的评估系统和装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种桥梁状态的评估方法,其特征在于,包括:
获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;
获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;
基于贝叶斯工作模态分析方法、所述初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;
根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数包括固有频率;
所述基于贝叶斯工作模态分析方法、所述初始值和窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数,包括:
确定所述目标桥梁在经典阻尼下的动力特性模型,基于所述动力特性模型得到目标模态的响应方程,将所述响应方程进行快速傅里叶变换,得到频域下的响应方程,确定所述目标桥梁的基本形式,基于所述基本形式确定先验概率分布函数,根据所述先验概率分布函数、所述加速度数据、所述初始值和所述窗口宽度确定所述贝叶斯工作模态分析方法的各个频域子数据对应的后验概率密度函数;
所述根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,包括:
对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验边缘概率密度函数;
基于预设算法,对所述目标模态参数的至少两个后验边缘概率密度函数进行聚类,以得到类概率密度函数;
计算各个后验边缘概率密度函数与所述类概率密度函数的重心的距离;
当所述后验边缘概率密度函数对应的距离大于预设阈值时,则确定所述目标桥梁存在异常。
2.根据权利要求1所述的方法,其特征在于,根据所述窗口宽度获取至少两组频域子数据,包括:
生成所述频域数据功率谱密度曲线;
根据所述功率谱密度曲线和窗口宽度,确定至少两组频域子数据。
3.根据权利要求1所述的方法,其特征在于,所述加速度数据包括至少两组加速度数据,相应的,将所述加速度数据转换为频域数据,包括:将至少两组所述加速度数据转换为至少两组频域数据;
相应的,根据所述窗口宽度获取至少两组频域子数据,包括:
根据所述窗口宽度,将至少两组频域数据划分为至少两组频域子数据。
4.根据权利要求1所述的方法,其特征在于,所述窗口宽度包括至少两个不同的窗口宽度,相应的,根据所述窗口宽度获取至少两组频域子数据,包括:
根据至少两个不同的窗口宽度,将所述频域数据划分至少两个不同的窗口宽度对应的至少两组频域子数据。
5.根据权利要求4所述的方法,其特征在于,根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,包括:
对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验边缘概率密度函数;
计算所述目标模态参数的至少两个后验边缘概率密度函数的重心;
根据所述重心评估所述目标桥梁的状态。
6.根据权利要求4-5任一项所述的方法,其特征在于,计算任意两个概率密度函数的重心,包括:
基于改进的Wasserstein距离计算两个概率密度函数的重心,其中,所述改进的Wasserstein距离的表达式为:
其中,ZX为第一概率密度函数,X表示第一概率密度函数ZX对应的频域数据,ZY为第二概率密度函数,Y表示第二概率密度函数ZY对应的频域数据,且ZX~N(μX,ΣX),ZY~N(μY,ΣY),N(μ,Σ)表示均值为μ,方差为Σ的正态分布,μX=E(X),ΣX=Var(X),μY=E(Y),ΣY=Var(Y);W2(ZX,ZY)表示第一概率密度函数ZX和第二概率密度函数ZY的2-Wasserstein距离; 为基于切空间逼近算法构建的和/>的距离。
7.一种桥梁状态的评估装置,其特征在于,包括:
加速度数据获取模块,用于获取目标桥梁的加速度数据,并将所述加速度数据转换为频域数据;
固有频率初始值获取模块,用于获取频域数据的固有频率的初始值和窗口宽度,以根据所述窗口宽度获取至少两组频域子数据;
后验概率密度函数确定模块,用于基于贝叶斯工作模态分析方法、各个初始值和各个窗口宽度,确定所述目标桥梁的至少两组所述频域子数据的至少两个后验概率密度函数;
桥梁状态评估模块,用于根据至少两个所述后验概率密度函数对所述目标桥梁进行模态参数识别,并根据识别结果对所述目标桥梁进行状态评估,其中,所述模态参数包括固有频率;
所述后验概率密度函数确定模块,还用于确定所述目标桥梁在经典阻尼下的动力特性模型,基于所述动力特性模型得到目标模态的响应方程,将所述响应方程进行快速傅里叶变换,得到频域下的响应方程,确定所述目标桥梁的基本形式,基于所述基本形式确定先验概率分布函数,根据所述先验概率分布函数、所述加速度数据、所述初始值和所述窗口宽度确定所述贝叶斯工作模态分析方法的各个频域子数据对应的后验概率密度函数;
所述桥梁状态评估模块,包括:
第一边缘化处理单元,用于对至少两个后验概率密度函数进行边缘化处理,以得到目标模态参数的至少两个后验概率密度函数;
类概率密度函数确定单元,用于基于预设算法,对所述目标模态参数的至少两个后验概率密度函数进行聚类,以得到类概率密度函数;
第一重心计算单元,用于计算各个后验概率密度函数与所述类概率密度函数的重心的距离;
桥梁异常确定单元,用于当所述后验概率密度函数对应的距离大于预设阈值时,则确定所述目标桥梁存在异常。
8.一种桥梁状态的评估设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的桥梁状态的评估方法。
9.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6中任一所述的桥梁状态的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607620.7A CN111626000B (zh) | 2020-06-29 | 2020-06-29 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010607620.7A CN111626000B (zh) | 2020-06-29 | 2020-06-29 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626000A CN111626000A (zh) | 2020-09-04 |
CN111626000B true CN111626000B (zh) | 2023-09-29 |
Family
ID=72261070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010607620.7A Active CN111626000B (zh) | 2020-06-29 | 2020-06-29 | 一种桥梁状态的评估方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626000B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569315B (zh) * | 2021-07-27 | 2023-11-28 | 中铁大桥局集团有限公司 | 桥梁集群动态评估方法、装置、设备和可读存储介质 |
CN115169409B (zh) * | 2022-07-18 | 2023-05-09 | 四川省公路规划勘察设计研究院有限公司 | 基于滑窗的桥梁结构自振频率识别、预警方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106802222A (zh) * | 2017-01-13 | 2017-06-06 | 重庆大学 | 一种基于车桥耦合系统的桥梁损伤诊断方法 |
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 |
CN107687872A (zh) * | 2017-08-14 | 2018-02-13 | 深圳市智能机器人研究院 | 基于动态模型更新的桥梁结构健康状态监测方法及系统 |
JP2018031187A (ja) * | 2016-08-24 | 2018-03-01 | 公益財団法人鉄道総合技術研究所 | 鉄道橋の構造性能調査方法 |
CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
CN108318129A (zh) * | 2018-02-01 | 2018-07-24 | 石家庄铁道大学 | 桥梁结构模态参数真假甄别方法及终端设备 |
CN110243465A (zh) * | 2019-07-19 | 2019-09-17 | 上海市建筑科学研究院 | 桥梁振动加速度和固有频率在线实时监控装置、终端及方法 |
CN110595601A (zh) * | 2019-04-26 | 2019-12-20 | 深圳市豪视智能科技有限公司 | 桥梁振动检测方法及相关装置 |
JP6664777B1 (ja) * | 2019-03-28 | 2020-03-13 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101490308B1 (ko) * | 2013-04-30 | 2015-02-16 | 대한민국 | 지진가속도 계측을 통한 건축물 건전성 평가 장치 |
US11170070B2 (en) * | 2018-03-06 | 2021-11-09 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
-
2020
- 2020-06-29 CN CN202010607620.7A patent/CN111626000B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018031187A (ja) * | 2016-08-24 | 2018-03-01 | 公益財団法人鉄道総合技術研究所 | 鉄道橋の構造性能調査方法 |
CN106802222A (zh) * | 2017-01-13 | 2017-06-06 | 重庆大学 | 一种基于车桥耦合系统的桥梁损伤诊断方法 |
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 |
CN107687872A (zh) * | 2017-08-14 | 2018-02-13 | 深圳市智能机器人研究院 | 基于动态模型更新的桥梁结构健康状态监测方法及系统 |
CN108052958A (zh) * | 2017-11-09 | 2018-05-18 | 同济大学 | 基于已知激励且同时考虑环境激励影响的贝叶斯模态识别方法 |
CN108318129A (zh) * | 2018-02-01 | 2018-07-24 | 石家庄铁道大学 | 桥梁结构模态参数真假甄别方法及终端设备 |
JP6664777B1 (ja) * | 2019-03-28 | 2020-03-13 | ポート・アンド・アンカー株式会社 | 構造物の状態判別モデル作成方法及びその作成システム |
CN110595601A (zh) * | 2019-04-26 | 2019-12-20 | 深圳市豪视智能科技有限公司 | 桥梁振动检测方法及相关装置 |
CN110243465A (zh) * | 2019-07-19 | 2019-09-17 | 上海市建筑科学研究院 | 桥梁振动加速度和固有频率在线实时监控装置、终端及方法 |
Non-Patent Citations (2)
Title |
---|
姚晓征 ; 李爱群 ; 孙鹏 ; .大跨斜拉桥环境模态频率识别的最大熵法研究.特种结构.2010,(第06期),全文. * |
潘浩然 ; 谢壮宁 ; .改进贝叶斯谱密度法及其在超高层结构振动模态参数识别中的应用.建筑结构学报.2016,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111626000A (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lilly | Element analysis: A wavelet-based method for analysing time-localized events in noisy time series | |
Ouyang et al. | Monthly rainfall forecasting using EEMD-SVR based on phase-space reconstruction | |
Zhao et al. | Auto regressive and ensemble empirical mode decomposition hybrid model for annual runoff forecasting | |
CN111626000B (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
DelSole et al. | Average predictability time. Part II: Seamless diagnoses of predictability on multiple time scales | |
Cheng et al. | Source contribution evaluation of mechanical vibration signals via enhanced independent component analysis | |
Yu et al. | Oil price forecasting with an EMD-based multiscale neural network learning paradigm | |
Artemov et al. | Nonparametric decomposition of quasi-periodic time series for change-point detection | |
CN111797569A (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
CN112906282A (zh) | Sanger神经网络并行主元抽取的工作模态参数识别方法和系统 | |
Zhang et al. | Operation conditions monitoring of flood discharge structure based on variance dedication rate and permutation entropy | |
CN111631682B (zh) | 基于去趋势分析的生理特征集成方法、装置和计算机设备 | |
Yan et al. | Application of transmissibility matrix and random matrix to Bayesian system identification with response measurements only | |
Tian | Analysis and research on chaotic dynamics behaviour of wind power time series at different time scales | |
Liu et al. | Soil water content forecasting by ANN and SVM hybrid architecture | |
Wan et al. | Ultra-short-term wind speed prediction based on multi-scale predictability analysis | |
Dai et al. | A phase space reconstruction based single channel ICA algorithm and its application in dam deformation analysis | |
Ma et al. | Encoder-based weak fault detection for rotating machinery using improved Gaussian process regression | |
Zhao et al. | Impact monitoring on complex structure using VMD-MPE feature extraction and transfer learning | |
Hu et al. | Time-dependent reliability analysis in operation: prognostics and health management | |
Bielinskyi et al. | Identifying stock market crashes by fuzzy measures of complexity | |
CN109100103B (zh) | 基于连续监测的风机1p信号识别方法、装置、终端与计算机可读存储介质 | |
Balcı et al. | Soft vibrational force on stock market networks | |
Kargapoltsev et al. | Non-Parametric classification of technical condition parameters based on shift and scale tests | |
Nuño Ayón et al. | Extracting low-frequency spatio-temporal patterns in ambient power system data using blind source separation |
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 |