CN111797569A - 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
- CN111797569A CN111797569A CN202010608343.1A CN202010608343A CN111797569A CN 111797569 A CN111797569 A CN 111797569A CN 202010608343 A CN202010608343 A CN 202010608343A CN 111797569 A CN111797569 A CN 111797569A
- Authority
- CN
- China
- Prior art keywords
- bridge
- acceleration data
- time period
- natural frequency
- preset time
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 230000001133 acceleration Effects 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 41
- 230000006641 stabilisation Effects 0.000 claims abstract description 35
- 238000011105 stabilization Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 33
- 238000009499 grossing Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010207 Bayesian analysis Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (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：获取目标桥梁各个预设时间段的加速度数据；对所述加速度数据进行平稳化处理；基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。本发明实施例的技术方案，通过对桥梁的加速度数据进行平稳化处理，并通过模态参数识别算法确定目标桥梁的各个时间点的固有频率，以根据该固有频率进行桥梁状态的评估，实现了自然状态下的桥梁状态的评估，且评估精度高。
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，如频域分解法、时间序列法、随机减量法等，大都需要假定桥梁的环境激励为白噪声，对环境激励进行理想化处理，而实际上，桥梁的环境激励一般为非平稳激励，因此，现有的模态识别算法对正常运行的桥梁的模态评估精度无法满足需求。
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，实现了根据自然激励下的桥梁响应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：
获取目标桥梁各个预设时间段的加速度数据；
对所述加速度数据进行平稳化处理；
基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；
根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
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，用于获取目标桥梁各个预设时间段的加速度数据；
平稳化处理模块，用于对所述加速度数据进行平稳化处理；
固有频率确定模块，用于基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；
桥梁评估模块，用于根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
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，通过获取桥梁一段时间的加速度数据进行状态评估，可以是自然激励下的数据，提高了状态评估的适用范围；通过对加速度进行平稳化处理，并基于模态参数识别算法，确定桥梁该时间段的固有频率，根据固有频率的变化情况，对桥梁的状态进行评估，实现了对正常运行下的桥梁的状态评估，且评估精度较高。
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装置的结构示意图；
图4是本发明实施例四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、获取目标桥梁各个预设时间段的加速度数据。
其中，目标桥梁可以是任意一座桥梁，或者多座桥梁。预设时间段可以是30分钟、1个小时、3个小时或者其他时间段。各个预设时间段可以是连续的时间段，如可以是一个月内每个小时的加速度数据，当然也可以是非连续的时间段，即间隔的时间段。加速度数据可以是目标桥梁在自然状态下的加速度数据，即目标桥梁在正常使用或正常运营时的加速度数据，也可以是目标桥梁的测试阶段的加速度数据。
具体的，为了更准确和全面地评估桥梁的状态，可以获取多个预设时间段的加速度数据，即以预设时间段为单位，获取多组加速度数据。如预设时间段可以是1个小时，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。
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。
步骤120、对所述加速度数据进行平稳化处理。
需要了解的是，在自然激励下，由于交通载荷的随机性，会对加速度数据产生较大的非稳定影响，因此，在获取各个预设时间段的加速度数据之后，需要对各个加速度数据进行平稳化处理。
可选的，所述对所述加速度数据进行平稳化处理，包括：
基于预设振幅控制函数对所述加速度数据进行平稳化处理。
其中，预设振幅控制函数用于调整加速度数据的振幅，以使加速度数据收敛。
可选的，所述预设振幅控制函数Γ(t)的表达式为：
其中，a(t)为t时刻的加速度数据；
为平稳化处理后的t时刻的加速度数据；Tw为预设时间段的长度；C为预设时间段(t,t+Tw)加速度数据a(t)的平方根的期望。
步骤130、基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率。
具体的，预设模态参数识别算法可以是环境激励下的模态识别算法，采用该算法进行桥梁状态分析，可以不暂停桥梁的正常使用，节省了成本，且评估方法易于施行。模态参数识别主要任务是从角速度数据中，确定振动系统桥梁的模态参数固有频率，当然也可以通过预设模态参数识别算法识别桥梁的阻尼比和振型等模态参数。
可选的，所述预设模态参数识别算法为贝叶斯模态参数识别算法。
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，得到后验概率分布函数，通过后验概率分布函数进行模态分析。
具体的，基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率，包括：基于贝叶斯模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率。具体步骤为：将平稳化处理后的加速度数据转换为频域数据，基于贝叶斯模态参数识别算法，根据频率数据确定目标桥梁在各个预设时间段内的固有频率，其中，该固有频率为后验概率分布函数中概率值最大时对应的最优解。
步骤140、根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
通过上述步骤，对于每一个预设时间段的加速度数据均确定了一个目标桥梁的固有频率，从而得到了各个预设时间段对应的固有频率组成的固有频率集合，可以计算该固有频率集合的方差或极差，根据方差或极差判断该各个预设时间段组成的一段时间内目标桥梁的状态是否健康。
具体的，桥梁机构体的刚度与其自身的固有频率存在
关系，其中f为固有频率，k为桥梁刚度，m为桥梁自身的质量。即固有频率越高，桥梁的刚度越大。通过所确定的一段时间的固有频率的分布规律，可以评估在这段时间内桥梁的刚度是否下降，若是，则可以生成预警信息，以提醒相关人员进行进一步桥梁状态检测或维护。
本发明实施例的技术方案，通过获取桥梁一段时间的加速度数据进行状态评估，可以是自然激励下的数据，提高了状态评估的适用范围；通过对加速度进行平稳化处理，并基于模态参数识别算法，确定桥梁该时间段的固有频率，根据固有频率的变化情况，对桥梁的状态进行评估，实现了对正常运行下的桥梁的状态评估，且评估精度较高。
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、获取目标桥梁在环境激励下的各个预设时间段的加速度数据。
步骤220、基于预设振幅控制函数对所述加速度数据进行平稳化处理。
步骤230、基于快速傅里叶变换，将预设时间段的平稳化处理后的所述加速度数据转换为频域数据。
为了分析目标桥梁的固有频率，需要将所获取的每组加速度数据(一个预设时间段的加速度数据为一组)转换为频域数据。快速傅里叶变换(Fast Fourier Transform，FFT)是一种高效、快速的傅里叶变换，主要是根据离散傅里叶变换(Discrete FourierTransform，DFT)的奇、偶、虚、实等特性，对离散傅立叶变换的算法进行改进获得的。
步骤240、获取固有频率的初始值和给定频率区间。
具体的，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。给定频率区间为[f0,fz]，其中，f0表示固有频率的初始值或初始频率，fz表示固有频率的终止值或终止频率，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]。
步骤250、基于贝叶斯公式、固有频率的初始值、以及给定频率区间，构建所述频域数据的贝叶斯函数。
其中，贝叶斯公式的表达式为：
式中，事件Bi发生的概率为P(Bi)，在事件Bi发生的条件下事件A发生的概率为P(A|Bi)，事件A发生的条件下事件Bi发生的概率为P(Bi|A)。
由贝叶斯推断的基本形式，当选用均匀的先验分布,后验概率密度函数如下
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。
可选的，所述贝叶斯函数的表达式为：
其中，S表示目标桥梁的固有频率f的初始值，Se表示固有频率f的最大概率值；Fk表示第k个加速度数据对应的频域数据；Fk *为Fk的共轭转置；k＝2,3,…,Nf，
N为预设时间段的加速度数据的总数目，
为振型的特征向量，n表示自由度，具体表示采集加速度数据是的通道数，可以由用户自定义设置。
步骤260、根据所述贝叶斯函数概率最大时对应的最优解，确定所述目标桥梁的各个预设时间段对应的固有频率。
步骤270、根据各个预设时间段对应的所述固有频率确定频率分布拟合函数。
具体的，根据各个预设时间段对应的目标桥梁的固有频率的分布，确定频率分布拟合函数。
其中，该频率分布拟合函数为高斯函数。
进一步地，根据该频率分布拟合函数便可以得到各个预设时间组成一段时间的固有频率的标准偏差。
步骤280、计算所述固有频率的标准差。
当然也可以计算所述固有频率的方差，求取方差的平方根即得到上述标准差。
步骤290、基于拉依达准则和所述标准差，确定所述目标桥梁的刚度是否下降。
可选的，也可以基于拉依达准则和所述方差，确定所述目标桥梁的刚度是否下降。
其中，拉依达准则又称为3σ准则。当固有频率的标准差大于频率分布拟合函数标准偏差的3倍时，则表示目标桥梁在该段时间内(由各个预设时间段组成)的固有频率发生了明显地变化，即表示目标桥梁的刚度发生了下降，目标桥梁的结构存在损伤，需要进行维护或进一步检测。
本发明实施例的技术方案，根据各个时间点采集的环境激励下的加速度数据进行目标桥梁的模态参数识别，可以直接对使用中的桥梁进行评估，提高了评估的适用范围；通过对加速度数据进行平稳化处理，为后续的状态评估提供了基础；通过贝叶斯分析方法得到各个时间点的固有频率，并对所得到的固有频率进行拟合，得到拟合函数，并计算固有频率的标准差，根据拟合函数和标准差判断该时间段内的固有频率是否发生明显变化，若是，则说明桥梁的刚度下降，存在损伤，采用一段时间的固有频率进行分析，提高了分析的准确度和可靠性，实现了正常使用中的桥梁的高精度评估，为桥梁的安全运行和维护提供了保障。
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装置的结果示意图，如图3所述，该桥梁状态的评估装置包括：加速度数据获取模块310、平稳化处理模块320、固有频率确定模块330和桥梁评估模块340。
其中，加速度数据获取模块310，用于获取目标桥梁各个预设时间段的加速度数据；平稳化处理模块320，用于对所述加速度数据进行平稳化处理；固有频率确定模块330，用于基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；桥梁评估模块340，用于根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
本发明实施例的技术方案，通过获取桥梁一段时间的加速度数据进行状态评估，可以是自然激励下的数据，提高了状态评估的适用范围；通过对加速度进行平稳化处理，并基于模态参数识别算法，确定桥梁该时间段的固有频率，根据固有频率的变化情况，对桥梁的状态进行评估，实现了对正常运行下的桥梁的状态评估，且评估精度较高。
可选的，平稳化处理模块320，具体用于：
基于预设振幅控制函数对所述加速度数据进行平稳化处理。
可选的，所述预设振幅控制函数Γ(t)的表达式为：
其中，a(t)为t时刻的加速度数据；
为平稳化处理后的t时刻的加速度数据；Tw为预设时间段的长度；C为预设时间段内(t,t+Tw)加速度数据a(t)的平方根的期望。
可选的，所述预设模态参数识别算法为贝叶斯模态参数识别算法。
可选的，固有频率确定模块330，具体用于：
基于贝叶斯模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率。
可选的，固有频率确定模块330，包括：
频域转换单元，用于基于快速傅里叶变换，将预设时间段的平稳化处理后的所述加速度数据转换为频域数据；频率初始值获取单元，用于获取固有频率的初始值和给定频率区间；贝叶斯函数构造单元，用于基于贝叶斯公式、固有频率的初始值、以及给定频率区间，构建所述频域数据的贝叶斯函数；固有频率确定单元，用于根据所述贝叶斯函数概率最大时对应的最优解，确定所述目标桥梁的各个预设时间段对应的固有频率。
可选的，所述贝叶斯函数的表达式为：
其中，S表示目标桥梁的固有频率f的初始值，Se表示固有频率f的最大概率值；Fk表示第k个加速度数据对应的频域数据；Fk *为Fk的共轭转置；k＝2,3,…,Nf，
N为预设时间段的加速度数据的总数目，
为振型的特征向量，n表示自由度。
可选的，桥梁评估模块340，具体用于：
根据各个预设时间段对应的所述固有频率确定频率分布拟合函数；计算所述固有频率的标准差；基于拉依达准则和所述标准差，确定所述目标桥梁的刚度是否下降。
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。
实施例四
图4为本发明实施例四提供的一种桥梁状态的评估设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420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310、平稳化处理模块320、固有频率确定模块330和桥梁评估模块340。)。处理器410通过运行存储在存储器420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420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420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420可进一步包括相对于处理器410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430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440可包括显示屏等显示设备。
实施例五
发明实施例五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：
获取目标桥梁各个预设时间段的加速度数据；
对所述加速度数据进行平稳化处理；
基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；
根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
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 (10)
1.一种桥梁状态的评估方法，其特征在于，包括：
获取目标桥梁各个预设时间段的加速度数据；
对所述加速度数据进行平稳化处理；
基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；
根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
2.根据权利要求1所述的评估方法，其特征在于，所述对所述加速度数据进行平稳化处理，包括：
基于预设振幅控制函数对所述加速度数据进行平稳化处理。
3.根据权利要求2所述的评估方法，其特征在于，所述预设振幅控制函数Γ(t)的表达式为：
其中，a(t)为t时刻的加速度数据；
为平稳化处理后的t时刻的加速度数据；Tw为预设时间段的长度；C为预设时间段内(t,t+Tw)加速度数据a(t)的平方根的期望。
4.根据权利要求1所述的评估方法，其特征在于，所述预设模态参数识别算法为贝叶斯模态参数识别算法。
5.根据权利要求4所述的评估方法，其特征在于，基于贝叶斯模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率，包括：
基于快速傅里叶变换，将预设时间段的平稳化处理后的所述加速度数据转换为频域数据；
获取固有频率的初始值和给定频率区间；
基于贝叶斯公式、固有频率的初始值、以及给定频率区间，构建所述频域数据的贝叶斯函数；
根据所述贝叶斯函数概率最大时对应的最优解，确定所述目标桥梁的各个预设时间段对应的固有频率。
6.根据权利要求5所述的评估方法，其特征在于，所述贝叶斯函数的表达式为：
其中，S表示目标桥梁的固有频率f的初始值，Se表示固有频率f的最大概率值；Fk表示第k个加速度数据对应的频域数据；Fk *为Fk的共轭转置；k＝2,3,…,Nf，
N为预设时间段的加速度数据的总数目，
为振型的特征向量，n表示自由度。
7.根据权利要求1所述的评估方法，其特征在于，根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估，包括：
根据各个预设时间段对应的所述固有频率确定频率分布拟合函数；
计算所述固有频率的标准差；
基于拉依达准则和所述标准差，确定所述目标桥梁的刚度是否下降。
8.一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，用于获取目标桥梁各个预设时间段的加速度数据；
平稳化处理模块，用于对所述加速度数据进行平稳化处理；
固有频率确定模块，用于基于预设模态参数识别算法，根据所述平稳化处理后的加速度数据确定所述目标桥梁的各个预设时间段对应的固有频率；
桥梁评估模块，用于根据各个预设时间段对应的所述固有频率对所述目标桥梁的状态进行评估。
9.一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1-7中任一所述的桥梁状态的评估方法。
10.一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1-7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 |
|---|---|---|---|
| CN202010608343.1A CN111797569A (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 |
|---|---|---|---|
| CN202010608343.1A CN111797569A (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 (1)
| Publication Number | Publication Date |
|---|---|
| CN111797569A true CN111797569A (zh) | 2020-10-20 |
Family
ID=72809637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010608343.1A Pending CN111797569A (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) | CN111797569A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485030A (zh) * | 2020-11-09 | 2021-03-12 | 深圳市桥博设计研究院有限公司 | 基于频率耦合的桥梁结构动态监测方法、系统和装备 |
| CN113743808A (zh) * | 2021-09-09 | 2021-12-03 | 中国电子信息产业集团有限公司第六研究所 | 一种区块链边缘安全运行状态评估方法、系统、电子设备 |
| CN114199445A (zh) * | 2021-11-17 | 2022-03-18 | 陕西高速星展科技有限公司 | 轨道螺栓状态检测方法、装置、电子设备及存储介质 |
| CN114756936A (zh) * | 2022-04-20 | 2022-07-15 | 嘉兴南湖学院 | 基于机器视觉的桥梁动力特性识别方法 |
| CN116050914A (zh) * | 2023-01-19 | 2023-05-02 | 上海理工大学 | 机床设备安装一致性定量评价方法 |
Citations (3)
| 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 |
| 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 |
| 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 |
-
2020
- 2020-06-29 CN CN202010608343.1A patent/CN111797569A/zh active Pending
Patent Citations (3)
| 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 |
| 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 |
| 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 (3)
| Title |
|---|
| SUNJOONG KIM等: "Damping Identification of Bridges Under Nonstationary Ambient Vibration", 《ENGINEERING》, pages 839 - 844 * |
| 张鹏等: "环境激励下桥梁结构模态参数识别FFT方法的贝叶斯修正", 《广州建筑》 * |
| 韩建平等: "环境激励下基于快速贝叶斯FFT的实桥模态参数识别", 《工程力学》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485030A (zh) * | 2020-11-09 | 2021-03-12 | 深圳市桥博设计研究院有限公司 | 基于频率耦合的桥梁结构动态监测方法、系统和装备 |
| CN112485030B (zh) * | 2020-11-09 | 2023-03-14 | 深圳市桥博设计研究院有限公司 | 基于频率耦合的桥梁结构动态监测方法、系统和装备 |
| CN113743808A (zh) * | 2021-09-09 | 2021-12-03 | 中国电子信息产业集团有限公司第六研究所 | 一种区块链边缘安全运行状态评估方法、系统、电子设备 |
| CN114199445A (zh) * | 2021-11-17 | 2022-03-18 | 陕西高速星展科技有限公司 | 轨道螺栓状态检测方法、装置、电子设备及存储介质 |
| CN114199445B (zh) * | 2021-11-17 | 2024-06-07 | 陕西高速星展科技有限公司 | 轨道螺栓状态检测方法、装置、电子设备及存储介质 |
| CN114756936A (zh) * | 2022-04-20 | 2022-07-15 | 嘉兴南湖学院 | 基于机器视觉的桥梁动力特性识别方法 |
| CN116050914A (zh) * | 2023-01-19 | 2023-05-02 | 上海理工大学 | 机床设备安装一致性定量评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797569A (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
| Bajrić et al. | Evaluation of damping estimates by automated operational modal analysis for offshore wind turbine tower vibrations | |
| Preece et al. | Assessing the applicability of uncertainty importance measures for power system studies | |
| EP2814218A1 (en) | Detecting anomalies in work practice data by combining multiple domains of information | |
| CN106897717A (zh) | 基于环境激励数据的多次测试下贝叶斯模型修正方法 | |
| JP2015530599A (ja) | 非接触測定を用いたタービンブレード疲労寿命分析および動的応答再構築技術 | |
| Motte et al. | Operational modal analysis in the presence of harmonic excitations: a review | |
| Ali-Eldin et al. | Measuring cloud workload burstiness | |
| JP2019067197A (ja) | 故障予兆検知手法 | |
| CN104239193A (zh) | 一种基于Linux的CPU和内存使用率收集的方法 | |
| Torkamani et al. | Detection of system changes due to damage using a tuned hyperchaotic probe | |
| CN117980707A (zh) | 操作振动信号的自主辨别 | |
| WO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、記録媒体 | |
| CN117471227A (zh) | 汽车线束参数性能测试方法及测试系统 | |
| CN111626000B (zh) | 一种桥梁状态的评估方法、装置、设备和存储介质 | |
| CN109116183B (zh) | 谐波模型参数辨识方法、装置、存储介质及电子设备 | |
| Gres et al. | Operational modal analysis of rotating machinery | |
| CN114048879A (zh) | 故障检测方法、装置、系统、计算机设备及可读存储介质 | |
| CN111293706A (zh) | 一种电力系统低频振荡参数辨识方法和装置 | |
| Guan et al. | Output-only modal identification with recursive dynamic mode decomposition for time-varying systems | |
| Ye et al. | Analysis of non-stationary wind characteristics at an arch bridge using structural health monitoring data | |
| CN109978204B (zh) | 确定风电场的风功率的预测准确率的方法和装置 | |
| 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 | |
| JP2019095315A (ja) | 騒音評価装置、騒音評価方法および騒音評価プログラム | |
| Jonscher et al. | Heteroscedastic Gaussian processes for data normalisation in probabilistic novelty detection of a wind turbine |
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 |