CN111881949B - 一种结构损伤劣化间接识别方法 - Google Patents

一种结构损伤劣化间接识别方法 Download PDF

Info

Publication number
CN111881949B
CN111881949B CN202010662944.0A CN202010662944A CN111881949B CN 111881949 B CN111881949 B CN 111881949B CN 202010662944 A CN202010662944 A CN 202010662944A CN 111881949 B CN111881949 B CN 111881949B
Authority
CN
China
Prior art keywords
damage
rod piece
structural
sensitive
rod
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
Application number
CN202010662944.0A
Other languages
English (en)
Other versions
CN111881949A (zh
Inventor
卢伟
滕军
陈志鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202010662944.0A priority Critical patent/CN111881949B/zh
Publication of CN111881949A publication Critical patent/CN111881949A/zh
Application granted granted Critical
Publication of CN111881949B publication Critical patent/CN111881949B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种结构损伤劣化间接识别方法，包括基于一致缺陷模态法构建结构初始缺陷模型，基于初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件；基于图论Dijkstra算法确定结构在敏感杆件损伤后且在多种荷载工况下的重叠杆件，以重叠杆件作为传感器布置位置；基于敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标；基于目标杆件传感器分组集合与敏感杆件的损伤识别传感器集合的关系对目标杆件进行间接识别。通过本申请有助于实现通过已测杆件的响应信息间接分析未测杆件损伤情况，能够对敏感杆件损伤进行间接识别，并且考虑多荷载工况的影响，从而保证识别的有效性和可行性。

Description

一种结构损伤劣化间接识别方法
技术领域
本申请属于结构健康监测技术领域，具体涉及一种结构损伤劣化间接识别方法。
背景技术
结构健康监测通过布置传感器对结构状态进行实时监测，基于传感器数据可以获取实际结构的真实响应，充分利用有限的传感器数据可以对结构损伤进行识别。然而传感器只对所布置位置的损伤敏感，而且传感器布置的位置和数量有限无法覆盖杆件众多的结构，导致在损伤发生时无法及时识别未测位置的损伤。
国内外学者对于损伤识别方法进行了相关的研究，包括基于动态作用的结构损伤识别方法及基于静态作用的结构损伤识别方法。对于动态作用的损伤识别方法，结构损伤后，用于描述结构固有特性的结构参数也会随之变化，进而导致模态参数的变化。通过建立结构损伤与模态参数的关系，实现对损伤的识别。有学者基于结构模态振型对结构损伤进行识别，通过分析结构全局振动形态的变化来识别损伤，但该方法在损伤识别时由于传感器数量有限，容易受不完备振型信息的影响，虽然目前已有学者对基于不完备振型测量信息的损伤识别进行了研究，但仍有很多不足。有的学者基于曲率模态对结构损伤进行识别，利用构件曲率变化量来识别结构损伤，而该方法对测点要求较高，要求传感器位置与损伤位置接近，难以应用于较为复杂的大型结构中。对于静态作用的损伤识别方法，损伤会引起结构材料属性、有效截面的改变，从而导致结构刚度发生变化，结构受力性能的改变使结构出现内力重分布，最终表现为静力响应的改变。通过测量结构的静力响应参数，分析静力响应在结构损伤前后的变化情况实现对结构的损伤识别。但静态测量数据多为结构的局部特性，可利用的监测信息较少，不能获得比动态方法更多明确的信息。目前基于静态作用的损伤识别方法仍然有待深入研究和发展。
通过分析国内外学者对于损伤识别方法的研究，可以得出现有的无论是基于动态作用的结构损伤识别方法还是基于静态作用的结构损伤识别方法，都是通过设置传感器直接测量布置位置的损伤，而在损伤发生时无法及时识别未测位置的损伤。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本申请提供了一种结构损伤劣化间接识别方法，有助于实现通过已测构件的监测数据分析未测构件的损伤情况。
为实现以上目的，本申请采用如下技术方案：
一种结构损伤劣化间接识别方法，包括：
基于一致缺陷模态法构建结构初始缺陷模型，基于所述初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件；
基于图论Dijkstra算法确定结构在所述敏感杆件损伤后且在多种荷载工况下的重叠杆件，以所述重叠杆件作为传感器布置位置；
基于所述敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标；
基于目标杆件传感器分组集合与所述敏感杆件的损伤识别传感器集合的关系对所述目标杆件进行间接识别。
进一步地，所述基于一致缺陷模态法构建结构初始缺陷模型，基于所述初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件包括：
对结构进行屈曲分析，获取最低阶屈曲模态作为初始缺陷分布模式；
将所述初始缺陷分布模式的位移最大值取为跨度的1/300，得到所述初始缺陷模型；
提取所述初始缺陷模型中的结构缺陷前后的应力响应，根据敏感性指标确定所述敏感杆件。
进一步地，所述基于图论Dijkstra算法确定结构在所述敏感杆件损伤后且在多种荷载工况下的重叠杆件，以所述重叠杆件作为传感器布置位置包括：
基于结构损伤及图论Dijkstra算法特性，确定包含损伤效应及荷载效应的结构响应参数；
基于结构构件间的连接模式建立结构图论模型；
根据对称性对结构进行区域划分，并根据受影响杆件分布确定损伤影响区域；
按照预设原则选取顶点对，基于所述图论Dijkstra算法得到最短路径；
对所述最短路径进行分类筛选；
统计筛选后所述最短路径的杆件重叠次数，得到所述敏感杆件损伤时在不同荷载工况下的所述重叠杆件。
进一步地，所述包含损伤效应及荷载效应的结构响应参数具体包括：
确定第k个时间步风荷载作用下的m个结构应变响应向量为：
ε(k)＝[ε(k)(1) ε(k)(2) … ε(k)(i) … ε(k)(m)]T
提取结构在无损状态下的轴向应变响应ε以及风荷载作用k时刻的结构损伤后轴向应变响应ε'(k)为：
ε＝[ε(1) ε(2) … ε(i) … ε(m)]T
ε'(k)＝[ε'(k)(1) ε'(k)(2) … ε'(k)(i) … ε'(k)(m)]T
分别构造风荷载作用第k时刻的应变响应变化占比倒数及风荷载作用第k时刻的应变响应变化率倒数/>为：
进一步地，所述基于结构构件间的连接模式建立结构图论模型包括：
基于以下公式构建图论模型G：
G＝(V,E,W)
V＝[v1 v2 … vi … vn]
E＝[e1 e2 … ei … en]
W＝[w(e1) w(e2) … w(ei) … w(en)]
α＝[α(1) α(2) … α(i) … α(n)]
vi及vj代表节点i及节点j，ei及α(i)代表杆件及其对应的结构响应参数；
若节点i和节点j由杆件ei相连，则w(vi,vj)＝α(i)；
若不相连，则w(vi,vj)＝∞。
进一步地，所述根据对称性对结构进行区域划分，并根据受影响杆件分布确定损伤影响区域包括：
将结构进行区域划分，划分为l个区域，所划分的区域为Ri，i＝1～l，公式表示为：
计算结构响应参数α1，并由小到大对杆件进行排序，提取前10％的杆件作为受影响杆件，在所述受影响杆件包含于区域Ri内时，将Ri确定为损伤影响区域，可用公式表示为：
进一步地，所述按照预设原则选取顶点对包括：
基于对称原则在损伤影响区域的边界上选取顶点，并且每条路径的两个顶点分别分布于损伤影响区域的两侧；
对所选的顶点对进行验证并剔除无效顶点对。
进一步地，所述基于所述图论Dijkstra算法得到最短路径包括：
确定两个顶点间各杆件的边权值之和W(L)：
W(L)＝[W(L1) W(L2) … W(Li) … W(Ln)]
A和B之间的最短路径指的是A和B之间所经过的各杆件边权值之和最小的一条通路，其最短路径为：
则最短路径边权值满足：
根据所选取的顶点可得到最短路径为：
进一步地，所述对所得到的最短路径进行分类筛选包括：
对最短路径按照分支数进行分类；
在每一类中选出边权值之和最小的路径；
其中所述边权值之和包括：
对于每条最短路径则均有一个边权值的和值为：
进一步地，所述基于所述敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标包括：
每一种损伤状态对应一个传感器布置的集合则敏感杆件si损伤时的传感器分组集合为：
其中，mi(j)表示第i根敏感杆件损伤时的第j个传感器，ni表示第i根敏感杆件损伤时传感器布置集合的元素个数；
确定损伤识别指标应变变化占比D为：
D＝[Δ1/∑Δ Δ2/∑Δ … Δi/∑Δ … Δp/∑Δ]
其中，Δi表示第i个传感器所测得的应变响应差值，∑Δ表示所有传感器测得的损伤前后应变响应差值之和，p表示所布置应变传感器的数量。
进一步地，所述基于目标杆件传感器分组集合与所述敏感杆件的损伤识别传感器集合的关系对所述目标杆件进行间接识别包括：
损伤识别传感器集合Mmax表示为：
Mmax＝{mmax(1) mmax(2) … mmax(j) … mmax(n)}
若基于所述目标杆件即某根敏感杆件确定的传感器集合包含于损伤识别传感器集中，则认为损伤杆件为该敏感杆件；损伤识别方法可用下列公式表示为：
其中n的取值根据数值模拟的结果确定，通常取为3；基于敏感杆件si布置的传感器分组集合Msi及损伤识别传感器集合Mmax满足上式，则认为此时的损伤杆件为敏感杆件si；如不满足则继续进行测试直至找到符合的敏感杆件。
本申请采用以上技术方案，至少具备以下有益效果：
本申请提供的基于最短路径变化规律的间接识别方法，通过一直缺陷模态法构建结构的初始缺陷模型获取结构前后的结构响应，从而确定敏感杆件，再根据最短路径变化规律确定出现次数最高的重叠杆件，再基于损伤可识别性进行传感器的布置，实现对敏感杆件损伤的间接识别。通过本申请有助于实现通过已测杆件的响应信息间接分析未测杆件损伤情况，能够对敏感杆件损伤进行间接识别，并且考虑多荷载工况的影响，从而保证识别的有效性和可行性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据一示例性实施例提供的结构损伤劣化间接识别方法的流程示意图；
图2为根据一示例性实施例提供的确定最短路径的流程示意图；
图3为根据一示例性实施例提供的基于传感器分组的损伤识别方法流程示意图。
图4为根据一示例性实施例提供的损伤识别指标应变变化占比表。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将对本申请的技术方案进行详细的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
参照图1所示本发明的实施例提供了一种结构损伤劣化间接识别方法，该方法包括如下步骤：
步骤S1、基于一致缺陷模态法构建结构初始缺陷模型，基于初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件；
步骤S2、基于图论Dijkstra算法确定结构在敏感杆件损伤后且在多种荷载工况下的重叠杆件，以重叠杆件作为传感器布置位置；
步骤S3、基于敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标；
步骤S4、基于目标杆件传感器分组集合与敏感杆件的损伤识别传感器集合的关系对目标杆件进行间接识别。
具体的，上述实施例方案是基于最短路径变化规律对敏感杆件损伤进行间接识别，其通过敏感性指标确定考虑结构初始几何缺陷后内力变化较大的杆件作为敏感杆件，对此类杆件进行损伤模拟得到结构损伤模型，分别对其施加多种荷载工况，获取结构响应信息，构造包含损伤效应及荷载效应的结构响应参数，建立结构图论模型，对结构按照对称原则进行区域划分，根据受影响杆件分布确定损伤影响区域，在区域的边界上选取顶点对，得到最短路径，按照路径分支数对其进行分类，在每一类中选出边权值之和最小的路径，统计筛选后路径的杆件重叠次数，得到敏感杆件损伤时在不同荷载工况下的重叠杆件，将多次重复的重叠杆件作为传感器的布置位置，根据敏感杆件对传感器进行分组，确定损伤识别指标，最后根据传感器分组集合及损伤识别传感器集合的关系对敏感杆件进行间接识别。实现了通过已测杆件的响应信息间接分析未测杆件损伤情况，能够对敏感杆件损伤进行间接识别，并且考虑多荷载工况的影响，从而保证识别的有效性和可行性。
作为上述实施例可行的实现方式步骤S1中采用一致缺陷模态法得到初始缺陷模型，获取缺陷前后的结构响应，根据敏感性指标确定敏感杆件，具体包括：
S11、对结构进行屈曲分析，获取最低阶屈曲模态作为初始缺陷分布模式；
S12、将缺陷分布模式的位移最大值取为跨度的1/300，得到初始缺陷模型；
S13、提取结构缺陷前后的应力响应，根据敏感性指标确定敏感杆件。
参照图2所示，在本发明的另一具体实施例中步骤S2中利用最短路径算法(图论Dijkstra算法)确定结构在敏感杆件损伤后且在多种荷载工况下的重叠杆件，以此类杆件作为传感器布置位置，包括：
S21、根据结构损伤及最短路径算法特性，确定包含损伤效应及荷载效应的结构响应参数；
S22、根据结构构件间的连接模式建立结构图论模型；
S23、根据对称性对结构进行区域划分，根据受影响杆件分布确定损伤影响区域；
S24、按照一定的原则选取顶点对，利用最短路径算法得到最短路径；
S25、对所得到的最短路径进行分类筛选；
S26、统计筛选后路径的杆件重叠次数，得到敏感杆件损伤时在不同荷载工况下的重叠杆件。
其中，包含损伤效应及荷载效应的结构响应参数，具体包括：
第k个时间步风荷载作用下的m个结构应变响应向量可用公式表示为：
ε(k)＝[ε(k)(1) ε(k)(2) … ε(k)(i) … ε(k)(m)]T (2)
提取结构在无损状态下的轴向应变响应ε以及风荷载作用k时刻的结构损伤后轴向应变响应ε'(k)为：
ε＝[ε(1) ε(2) … ε(i) … ε(m)]T (3)
ε'(k)＝[ε'(k)(1) ε'(k)(2) … ε'(k)(i) … ε'(k)(m)]T (4)
分别构造风荷载作用第k时刻的应变响应变化占比倒数及风荷载作用第k时刻的应变响应变化率倒数/>为：
结构图论模型具体包括：
结构图论模型G表示为：
G＝(V,E,W) (7)
V＝[v1 v2 … vi … vn] (8)
E＝[e1 e2 … ei … en] (9)
W＝[w(e1) w(e2) … w(ei) … w(en)] (10)
α＝[α(1) α(2) … α(i) …α(n)] (11)
具体的，分别以vi及vj代表节点i及节点j，以ei及α(i)代表杆件及其对应的结构响应参数，若节点i和节点j由杆件ei相连，则有w(vi,vj)＝α(i)；若节点不相连，则w(vi,vj)＝∞。所建立的图论模型为无向图，无须考虑最短路径的方向问题。
根据对称性对结构进行区域划分，根据受影响杆件分布确定损伤影响区域，具体包括：
按照一定的原则将结构进行区域划分(对于对称结构则按照对称性进行划分)，将结构划分为l个区域，所划分的区域为Ri，i＝1～l，公式表示为：
进行区域划分后，需要计算结构响应参数α1即杆件轴应变变化占比倒数，根据该值的由小到大对杆件进行排序，提取前10％的杆件并将此类杆件定义为受影响杆件，观察受影响杆件的位置分布，当且仅当受影响杆件包含于区域Ri内时，将Ri确定为损伤影响区域，可用公式表示为：
然后按照一定的原则选取顶点对，具体选取原则包括：
S241、为保证最短路径在区域内有足够的跨度使路径能够覆盖整个区域，所有顶点对需要在损伤影响区域的边界上选取，且每条路径的两个顶点应分别分布于损伤影响区域的两侧；
S242、为提高最短路径的可比性，所有顶点对应遵循对称原则；
S243、在顶点对选取的初期，需要先以穷举法选取顶点对，然而由于结构形式或各构件连接模型的缘故，部分顶点对对应的最短路径无法反映损伤效应，因此需要进行多种损伤预设，对所选的顶点对进行验证并剔除无效顶点对。
其中，利用最短路径算法得到最短路径，具体包括：
两节点A、B间通路L的权表示为各杆件的边权值之和W(L)：
W(L)＝[W(L1) W(L2) … W(Li) … W(Ln)] (14)
A和B之间的最短路径指的是A和B之间所经过的各杆件边权值之和最小的一条通路，其最短路径为：
则最短路径边权值满足
根据所选取的顶点，可得到最短路径为：
在一个实施例中，对所得到的最短路径进行分类筛选，具体步骤如下：
S251、对最短路径按照分支数进行分类；
S252、在每一类中选出边权值之和最小的路径。
所述边权值之和，包括：
对于每条最短路径则均有一个边权值的和值为：
在图论Dijkstra算法中，边权值之和越小则表示该条最短路径越有可能经过损伤杆件或越靠近损伤杆件。因此，在每一类(分支数相同)的最短路径中筛选出边权值之和最小的一条路径作为分析对象，认为筛选后的最短路径与损伤具有较强的联系。
参照图3所示，在本发明的一些具体实施例中根据敏感杆件对传感器进行分组，确定损伤识别指标，具体包括：
结构出现的每一种损伤状态对应着有一个传感器布置的集合，而敏感杆件si损伤时的传感器分组集合Msi用公式可表示为
Msi＝{mi(1) mi(2) … mi(j) … mi(ni)} (19)
其中，mi(j)表示第i根敏感杆件损伤时的第j个传感器，ni表示第i根敏感杆件损伤时传感器布置集合的元素个数。
确定损伤识别指标应变变化占比D为：
D＝[Δ1/∑Δ Δ2/∑Δ … Δi/∑Δ … Δp/∑Δ] (20)
其中，Δi表示第i个传感器所测得的应变响应差值，∑Δ表示所有传感器测得的损伤前后应变响应差值之和，p表示所布置应变传感器的数量。
根据传感器分组集合及损伤识别传感器集合的关系对敏感杆件进行间接识别，具体包括：
损伤识别传感器集合Mmax表示为：
Mmax＝{mmax(1) mmax(2) … mmax(j) … mmax(n)} (21)
若基于某根敏感杆件(目标杆件)确定的传感器集合包含于损伤识别传感器集中，则认为损伤杆件为该敏感杆件。损伤识别方法可用下列公式表示为：
若n的取值根据数值模拟的结果确定，通常取为3。基于敏感杆件si布置的传感器分组集合Msi及损伤识别传感器集合Mmax满足公式(22)，则认为此时的损伤杆件为敏感杆件si。如不满足则继续进行测试直至找到符合的敏感杆件。
作为上述实施例的实现方式，在一个具体应用场景中，所确定的传感器布置方案为：
{M1 M2 M3 M4 M5 M6 M7 M8 M9 M10}
其中，基于敏感杆件103(103为敏感杆件的编号下同)所确定的传感器分组集合为M103＝{M2 M5}，基于敏感杆件102所确定的传感器分组集合为 M102＝{M3 M6}，基于敏感杆件88所确定的传感器分组集合为M88＝{M1 M4}，基于敏感杆件67所确定的传感器分组集合为M67＝{M7 M9}，基于敏感杆件76 所确定的传感器分组集合为M76＝{M8 M10}。
获取不同时刻的传感器数据，计算损伤识别指标应变变化占比，如图4所示：
取n＝3，可得到损伤识别传感器集合为Mmax＝{M5 M2 M10}。可见，根据传感器分组集合及损伤识别传感器集合的关系，即也可表示为因此可判断此时的损伤位置为敏感杆件103。
本发明上述实施例所提供的结构损伤劣化间接识别方法，通过采用基于最短路径变化规律的间接识别方法，该方法根据最短路径变化规律，基于损伤可识别性进行传感器的布置，实现对敏感杆件损伤的间接识别。通过本申请有助于实现通过已测杆件的响应信息间接分析未测杆件损伤情况，能够对敏感杆件损伤进行间接识别，并且考虑多荷载工况的影响，从而保证识别的有效性和可行性。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”、“多”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为：表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种结构损伤劣化间接识别方法，包括：
基于一致缺陷模态法构建结构初始缺陷模型，基于所述初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件；
基于图论Dijkstra算法确定结构在所述敏感杆件损伤后且在多种荷载工况下的重叠杆件，以所述重叠杆件作为传感器布置位置，包括：基于结构损伤及图论Dijkstra算法特性，确定包含损伤效应及荷载效应的结构响应参数；基于结构构件间的连接模式建立结构图论模型；根据对称性对结构进行区域划分，并根据受影响杆件分布确定损伤影响区域；按照预设原则选取顶点对，基于所述图论Dijkstra算法得到最短路径；对所述最短路径进行分类筛选；统计筛选后所述最短路径的杆件重叠次数，得到所述敏感杆件损伤时在不同荷载工况下的所述重叠杆件；其中，所述包含损伤效应及荷载效应的结构响应参数具体包括：
确定第k时刻步风荷载作用下的m个结构应变响应向量为：
ε(k)＝[ε(k)(1) ε(k)(2) … ε(k)(i) … ε(k)(m)]T
提取结构在无损状态下的轴向应变响应ε以及风荷载作用k时刻的结构损伤后轴向应变响应ε'(k)为：
ε＝[ε(1) ε(2) … ε(i) … ε(m)]T
ε'(k)＝[ε'(k)(1) ε'(k)(2) … ε'(k)(i) … ε'(k)(m)]T
分别构造风荷载作用第k时刻的应变响应变化占比倒数及风荷载作用第k时刻的应变响应变化率倒数/>为：
基于所述敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标；
基于目标杆件传感器分组集合与所述敏感杆件的损伤识别传感器集合的关系对所述目标杆件进行间接识别。
2.根据权利要求1所述的结构损伤劣化间接识别方法，其特征在于，所述基于一致缺陷模态法构建结构初始缺陷模型，基于所述初始缺陷模型获取结构缺陷前后的结构响应，并基于敏感性指标确定结构中的敏感杆件包括：
对结构进行屈曲分析，获取最低阶屈曲模态作为初始缺陷分布模式；
将所述初始缺陷分布模式的位移最大值取为跨度的1/300，得到所述初始缺陷模型；
提取所述初始缺陷模型中的结构缺陷前后的应力响应，根据敏感性指标确定所述敏感杆件。
3.根据权利要求1所述的结构损伤劣化间接识别方法，其特征在于，所述基于结构构件间的连接模式建立结构图论模型包括：
基于以下公式构建图论模型G：
G＝(V,E,W)
V＝[v1 v2 … vi … vn]
E＝[e1 e2 … ei … en]
W＝[w(e1) w(e2) … w(ei) … w(en)]
α＝[α(1) α(2) … α(i) … α(n)]
vi及vj代表节点i及节点j，ei及α(i)代表杆件及其对应的结构响应参数；
若节点i和节点j由杆件ei相连，则w(vi,vj)＝α(i)；
若不相连，则w(vi,vj)＝∞。
4.根据权利要求2所述的结构损伤劣化间接识别方法，其特征在于，所述根据对称性对结构进行区域划分，并根据受影响杆件分布确定损伤影响区域包括：
将结构进行区域划分，划分为l个区域，所划分的区域为Ri，i＝1～l，公式表示为：
计算结构响应参数α1，并由小到大对杆件进行排序，提取前10％的杆件作为受影响杆件，在所述受影响杆件包含于区域Ri内时，将Ri确定为损伤影响区域，可用公式表示为：
5.根据权利要求4所述的结构损伤劣化间接识别方法，其特征在于，所述按照预设原则选取顶点对包括：
基于对称原则在损伤影响区域的边界上选取顶点，并且每条路径的两个顶点分别分布于损伤影响区域的两侧；
对所选的顶点对进行验证并剔除无效顶点对。
6.根据权利要求5所述的结构损伤劣化间接识别方法，其特征在于，所述基于所述图论Dijkstra算法得到最短路径包括：
确定两个顶点间各杆件的边权值之和W(L)：
W(L)＝[W(L1) W(L2) … W(Li) … W(Ln)]
A和B之间的最短路径指的是A和B之间所经过的各杆件边权值之和最小的一条通路，其最短路径为：
则最短路径边权值满足：
根据所选取的顶点可得到最短路径为：
7.根据权利要求6所述的结构损伤劣化间接识别方法，其特征在于，所述对所得到的最短路径进行分类筛选包括：
对最短路径按照分支数进行分类；
在每一类中选出边权值之和最小的路径；
其中所述边权值之和包括：
对于每条最短路径则均有一个边权值的和值为：
8.根据权利要求1至7任一项所述的结构损伤劣化间接识别方法，其特征在于，所述基于所述敏感杆件的损伤状态对传感器进行分组，并确定损伤识别指标包括：
每一种损伤状态对应一个传感器布置的集合则敏感杆件si损伤时的传感器分组集合为：
其中，mi(j)表示第i根敏感杆件损伤时的第j个传感器，ni表示第i根敏感杆件损伤时传感器布置集合的元素个数；
确定损伤识别指标应变变化占比D为：
D＝[Δ1/∑Δ Δ2/∑Δ … Δi/∑Δ…Δp/∑Δ]
其中，Δi表示第i个传感器所测得的应变响应差值，表示所有传感器测得的损伤前后应变响应差值之和，p表示所布置应变传感器的数量。
9.根据权利要求8所述的结构损伤劣化间接识别方法，其特征在于，所述基于目标杆件传感器分组集合与所述敏感杆件的损伤识别传感器集合的关系对所述目标杆件进行间接识别包括：
损伤识别传感器集合Mmax表示为：
Mmax＝{mmax(1) mmax(2) … mmax(j) …mmax(n)}
若基于所述目标杆件即某根敏感杆件确定的传感器集合包含于损伤识别传感器集中，则认为损伤杆件为该敏感杆件；损伤识别方法可用下列公式表示为：
其中n的取值根据数值模拟的结果确定，通常取为3；基于敏感杆件si布置的传感器分组集合及损伤识别传感器集合Mmax满足上式，则认为此时的损伤杆件为敏感杆件si；如不满足则继续进行测试直至找到符合的敏感杆件。
CN202010662944.0A 2020-07-10 2020-07-10 一种结构损伤劣化间接识别方法 Active CN111881949B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010662944.0A CN111881949B (zh) 2020-07-10 2020-07-10 一种结构损伤劣化间接识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010662944.0A CN111881949B (zh) 2020-07-10 2020-07-10 一种结构损伤劣化间接识别方法

Publications (2)

Publication Number Publication Date
CN111881949A CN111881949A (zh) 2020-11-03
CN111881949B true CN111881949B (zh) 2023-08-08

Family

ID=73150088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010662944.0A Active CN111881949B (zh) 2020-07-10 2020-07-10 一种结构损伤劣化间接识别方法

Country Status (1)

Country Link
CN (1) CN111881949B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105973619A (zh) * 2016-04-27 2016-09-28 厦门大学 结构健康监测系统下基于影响线的桥梁局部损伤识别方法
CN107256322A (zh) * 2017-08-17 2017-10-17 北京航空航天大学 一种基于高灵敏度融合指标的复合材料层合板分层损伤识别方法
JP2019122040A (ja) * 2017-12-27 2019-07-22 广州大学 ネットワークソースリユース及びソフトウェアによりマルチソースを定義するルーティングメカニズム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150032871A1 (en) * 2010-09-08 2015-01-29 Telefonaktiebolaget L M Ericsson (Publ) Automated traffic engineering based upon the use of bandwidth and unequal cost path utilization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105973619A (zh) * 2016-04-27 2016-09-28 厦门大学 结构健康监测系统下基于影响线的桥梁局部损伤识别方法
CN107256322A (zh) * 2017-08-17 2017-10-17 北京航空航天大学 一种基于高灵敏度融合指标的复合材料层合板分层损伤识别方法
JP2019122040A (ja) * 2017-12-27 2019-07-22 广州大学 ネットワークソースリユース及びソフトウェアによりマルチソースを定義するルーティングメカニズム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动荷载激励下基于时空信息融合技术的弯桥损伤识别;孙珂;张延庆;;振动与冲击(11);第145-152页 *

Also Published As

Publication number Publication date
CN111881949A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
Zhang Statistical damage identification for bridges using ambient vibration data
Sohn et al. Damage diagnosis using time series analysis of vibration signals
CN110704801B (zh) 桥梁集群结构运营安全智能监测与快速检测成套方法
Chandrashekhar et al. Structural damage detection using modal curvature and fuzzy logic
CN103884593B (zh) 基于少量静态测量数据的结构损伤定位与程度识别方法
CN111581867B (zh) 一种桥梁损伤快速检测方法
Yang et al. Hybrid two‐step method of damage detection for plate‐like structures
KR20170126786A (ko) 음향 방출 시험을 위한 방법 및 장치
CN109325263A (zh) 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法
CN107085633B (zh) 基于支持向量机的多点振动响应频域预测的装置及方法
Chencho et al. Development and application of random forest technique for element level structural damage quantification
CN110555235A (zh) 基于向量自回归模型的结构局部缺陷检测方法
Shen et al. Damage location and identification of the wing structure with Probabilistic Neural Networks
CN115270238A (zh) 基于动载的桥梁静力行为预测方法
Zhang et al. Structural damage detection based on vibration signal fusion and deep learning
Luo et al. Regularization strategies for contiguous and noncontiguous damage detection of structures
CN113742983A (zh) 基于深度自编码器神经网络的长跨结构损伤识别方法
CN111881949B (zh) 一种结构损伤劣化间接识别方法
CN113723496A (zh) 一种电抗器铁心松动故障诊断方法、装置和设备
Slimani et al. Improved ANN for Damage Identification in Laminated Composite Plate
CN117291072A (zh) 一种桥梁损伤识别方法
Kim et al. Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
Zhang et al. Structural damage detection using convolutional neural networks based on modal strain energy and population of structures
Knitter-Piatkowska et al. Damage detection through wavelet transform and inverse analysis

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