CN112541516B - 一种基于能量谱的桥梁静态监测数据主分量聚类方法 - Google Patents

Abstract

本发明涉及一种基于能量谱的桥梁静态监测数据主分量聚类方法，属于桥梁结构监测领域，包括步骤：S1：桥梁静态监测数据时域重构；S2：对能量谱进行计算，将桥梁监测时域信息转化到频域，从频域的角度对结构原始响应进行分析处理；S3：频域内去除或减弱干扰成分；S4：采用主分量分析对样本特征进行降维；S5：采用k均值聚类方法对主分量样本数据集进行无监督学习，利用最终分类识别结果区分桥梁结构的各种运营状态。本发明通过对桥梁静态监测数据的重构，从频域角度对时域监测信号进行滤波，消除活荷载作用，减小了测试误差等干扰因素的影响，利用模式识别方法准确识别桥梁结构各种运营状态，为技术人员管养在役桥梁提供科学参考依据。

Description

一种基于能量谱的桥梁静态监测数据主分量聚类方法

技术领域

本发明属于桥梁结构监测领域，涉及一种基于能量谱的桥梁静态监测数据主分量聚类方法。

背景技术

为保障桥梁运营安全，国内自上世纪90年代末就开展对桥梁结构运营监测系统的研究，目前已在众多桥梁上部署完毕。受限于感知技术、通信技术、计算机技术等水平较低，监测系统存在设备精度低、寿命短、建设费用高、建设周期长、后期维护困难、预警不可靠、评估不准确等诸多问题。特别是在桥梁运营监测数据分析领域，桥梁管养人员非常希望快速准确地掌握桥梁运营状态，有着非常急迫的监测预警需求。然而，面对海量监测数据，现阶段的分析技术无法满足业主要求，主要问题是：监测传感器采集到的原始数据不但包含着桥梁结构响应信息，也含有温度荷载、活荷载、随机荷载、测试误差等干扰信息。现有的分析技术无法较好的分离各种信号，而是简单粗暴的依照规范或有限元模型计算结果设定报警阈值，直接造成：阈值设定偏小，监测系统频繁误报警；阈值设定偏大，监测系统一直不报警，无法起到运营监测的作用。

发明内容

有鉴于此，本发明的目的在于提供一种基于能量谱的桥梁静态监测数据主分量聚类方法，从频域角度去除活荷载影响，减小随机荷载、测试误差干扰，在提高信噪比的条件下采用主分量及聚类分析技术对桥梁结构真实运营状态进行分析判断。

为达到上述目的，本发明提供如下技术方案：

一种基于能量谱的桥梁静态监测数据主分量聚类方法，包括以下步骤：

S1：桥梁静态监测数据时域重构；

S2：对能量谱进行计算，将桥梁监测时域信息转化到频域，从频域的角度对结构原始响应进行分析处理；

S3：频域内去除或减弱干扰成分；

S4：采用主分量分析(PCA)对样本特征进行降维；

S5：采用k均值聚类方法对步骤S4得到的主分量样本数据集进行无监督学习，利用最终分类识别结果区分桥梁结构的各种运营状态。

进一步，步骤S1中，采集到的原始时间序列为{x(k),k＝1,2,…,N}，采用C-C方法计算得到最优嵌入维数m和时间延迟τ，重构相点状态矢量为

X_i＝[x(i),x(i+τ),x(i+2τ),…,x(i+(m-1)τ)],i＝1,2,…,M (1)

式中：M是重构相空间中的相点个数；通过对桥梁监测数据的重构，将一维时间序列扩展到高维空间中去，便于将原始信号中蕴藏的隐含信息充分表露出来。

进一步，步骤S2中，分别对X_i进行快速傅里叶变换，得到M个幅值谱；对同一频率下的所有幅值数值进行线性平均后再进行平方计算，最终得到桥梁静态监测数据能量谱。

进一步，步骤S3中，桥梁监测中采集到的原始数据是结构损伤、混凝土收缩徐变、温度效应、活荷载、测试误差多种因素影响下的综合效应，按照各种作用时间尺度的差异，通过步骤S1和步骤S2在频域内对几种干扰因素进行分离或削弱。

进一步，作用在桥梁上的活荷载主要包括车辆荷载、人群荷载以及风荷载。对于这三种荷载形式，以分钟为时间尺度对其进行衡量已具有足够的精度，故荷载效应的时间尺度可用分钟为单位。而在桥梁长期静态监测中，信号采样间隔相对较长(如间隔20分钟、间隔1小时以上等)，因此，对于活荷载效应在频域内的特征频率应该集中在信号采样率附近。另外，对于测试误差及其它干扰因素，其作用的时间尺度很广，可认为在信号全频带均有分布。

以时域信号采样率为截止频率，去除能量谱中大于等于截止频率的所有信号成分，这从频域角度去除了活荷载作用并减弱了测试误差等其它干扰因素的影响，提高了信噪比。

进一步，步骤S4具体包括以下步骤：

S41：将各个频率下的能量谱用一个向量表示，然后将所有样本组合起来构成一个矩阵Y，其中行为样本数，列为特征维度；

S42：计算该矩阵的协方差矩阵；

S43：求协方差矩阵的特征值和特征向量；

S44：将特征向量按特征值由大到小降序排列；

S45：计算贡献度，贡献度＝前u个特征值之和/总特征值之和；

S46：取前u个特征向量组成矩阵P，通过计算YP得到重构(降维)后的数据集R。

主分量样本集至少保留90％以上的原数据信息。通过主分量降维，约简了特征维数，剔除了冗余信息，可以避免维数灾难。

进一步，步骤S5具体包括以下步骤：

S51：初始化：输入样本矩阵作为对象集，输入指定聚类类数k，并在对象集中随机选取k个对象作为初始聚类中心；

S52：迭代：根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类；

S53：更新聚类中心：以每一类的平均向量作为新的聚类中心，重新分配数据对象；

S54：反复执行步骤S52和S53直至满足中止条件为止。

本发明的有益效果在于：本发明通过对桥梁静态监测数据的重构，从频域角度对时域监测信号进行滤波，消除了活荷载作用，减小了测试误差等干扰因素的影响，利用模式识别方法准确识别桥梁结构各种运营状态，为技术人员管养在役桥梁提供科学参考依据。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述基于能量谱的桥梁静态监测数据主分量聚类方法流程示意图；

图2为DEF B01-01-1挠度测点能量谱聚类分析结果；

图3为DEF B01-01-2挠度测点能量谱聚类分析结果。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明针对桥梁长期静态监测数据，采用主分量及聚类技术对采集到的时间序列信号进行能量谱分析，在去除活荷载影响，减小随机荷载、测试误差干扰后，发现隐含在监测数据中的本征特性，旨在提供一种基于能量谱的桥梁静态监测数据主分量聚类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于能量谱的桥梁静态监测数据主分量聚类方法，包括以下步骤：

步骤1)桥梁静态监测数据时域重构。采集到的原始时间序列为{x(k),k＝1,2,…,N}，采用C-C方法计算得到最优嵌入维数m和时间延迟τ，重构相点状态矢量为

X_i＝[x(i),x(i+τ),x(i+2τ),…,x(i+(m-1)τ)],i＝1,2,…,M (1)

式中：M是重构相空间中的相点个数。通过对桥梁监测数据的重构，将一维时间序列扩展到高维空间中去，便于将原始信号中蕴藏的隐含信息充分表露出来。

步骤2)能量谱计算。分别对X_i进行快速傅里叶变换，可以得到M个幅值谱；对同一频率下的所有幅值数值进行线性平均后再进行平方计算，最终得到桥梁静态监测数据能量谱。通过对能量谱的计算，将桥梁监测时域信息转化到频域，从频域的角度对结构原始响应进行分析处理。

步骤3)频域内去除或减弱干扰成分。桥梁监测中采集到的原始数据是结构损伤、混凝土收缩徐变、温度效应、活荷载、测试误差等多种因素影响下的综合效应。按照各种作用时间尺度的差异，通过步骤1)和步骤2)可以在频域内对几种干扰因素进行分离或削弱。

作用在桥梁上的活荷载主要包括车辆荷载、人群荷载以及风荷载。对于这三种荷载形式，以分钟为时间尺度对其进行衡量已具有足够的精度，故荷载效应的时间尺度可用分钟为单位。而在桥梁长期静态监测中，信号采样间隔相对较长(如间隔20分钟、间隔1小时以上等)，因此，对于活荷载效应在频域内的特征频率应该集中在信号采样率附近。另外，对于测试误差及其它干扰因素，其作用的时间尺度很广，可认为在信号全频带均有分布。

以时域信号采样率为截止频率，去除能量谱中大于等于截止频率的所有信号成分，这从频域角度去除了活荷载作用并减弱了测试误差等其它干扰因素的影响，提高了信噪比。

步骤4)主分量降维。步骤3)得到一个多频率成分的能量谱信号，具有几十甚至上百个维度，能量在高维特征空间中的分布规律不明显。现采用主分量分析(PCA)对样本特征进行降维，具体步骤如下：

步骤41)将各个频率下的能量谱用一个向量表示，然后将所有样本组合起来构成一个矩阵Y(行为样本数，列为特征维度)；

步骤42)计算该矩阵的协方差矩阵；

步骤43)求协方差矩阵的特征值和特征向量；

步骤44)将特征向量按特征值由大到小降序排列；

步骤45)计算贡献度，贡献度＝前u个特征值之和/总特征值之和；

步骤46)取前u个特征向量组成矩阵P，通过计算YP得到重构(降维)后的数据集R。

主分量样本集至少保留90％以上的原数据信息。通过主分量降维，约简了特征维数，剔除了冗余信息，可以避免维数灾难。

步骤5)聚类分析。采用k均值聚类方法对步骤4)得到的主分量样本数据集R进行无监督学习，利用最终分类识别结果区分桥梁结构的各种运营状态。

k均值聚类基本步骤：

步骤51)初始化。输入样本矩阵作为对象集，输入指定聚类类数k，并在对象集中随机选取k个对象作为初始聚类中心。

步骤52)迭代。根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类。

步骤53)更新聚类中心。以每一类的平均向量作为新的聚类中心，重新分配数据对象。

步骤54)反复执行第二步和第三步直至满足中止条件为止。

下面通过具体实施例对本发明进行说明：

如图2、图3所示，某悬索桥监测系统运营期间，在某一时间段内，跨中同一截面两个挠度测点获得的实测静态监测数据，从时间域内观察，曲线平稳，且两个测点实测数值均未超出预设报警阈值，整体表征说明无异常情况出现。但是，采用本发明方法分别对两个测点静态监测数据进行分析可以发现，DEF B01-01-02测点(图2)在2018年2月至4月期间的能量远大于DEF B01-01-01(图1)，这是普通桥梁监测数据分析方法没有发现的异常征兆。后经技术人员现场查验，确认是由于DEF B01-01-02测点连通管中混入大量气泡导致了监测数据的失真。2018年5月20日完成对挠度系统的维护后，同一截面两侧挠度能量变化规律恢复一致。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于能量谱的桥梁静态监测数据主分量聚类方法，其特征在于：包括以下步骤：

S1：桥梁静态监测数据时域重构；采集到的原始时间序列为{x(k),k＝1,2,…,N}，采用C-C方法计算得到最优嵌入维数m和时间延迟τ，重构相点状态矢量为

X_i＝[x(i),x(i+τ),x(i+2τ),…,x(i+(m-1)τ)],i＝1,2,…,M (1)

式中：M是重构相空间中的相点个数；通过对桥梁监测数据的重构，将一维时间序列扩展到高维空间中去，便于将原始信号中蕴藏的隐含信息充分表露出来；

S2：对能量谱进行计算，将桥梁监测时域信息转化到频域，从频域的角度对结构原始响应进行分析处理；分别对X_i进行快速傅里叶变换，得到M个幅值谱；对同一频率下的所有幅值数值进行线性平均后再进行平方计算，最终得到桥梁静态监测数据能量谱；

S3：频域内去除或减弱干扰成分；桥梁监测中采集到的原始数据是包括结构损伤、混凝土收缩徐变、温度效应、活荷载、测试误差的多种因素影响下的综合效应，按照各种作用时间尺度的差异，通过步骤S1和步骤S2在频域内对几种干扰因素进行分离或削弱；

用在桥梁上的活荷载包括车辆荷载、人群荷载以及风荷载；对于这三种荷载形式，荷载效应的时间尺度采用分钟为单位；

对于活荷载效应在频域内的特征频率集中在信号采样率附近；对于测试误差及其它干扰因素，定义为在信号全频带均有分布；

以时域信号采样率为截止频率，去除能量谱中大于等于截止频率的所有信号成分，提高信噪比；

S4：采用主分量分析PCA对样本特征进行降维，所述样本特征为：将各个频率下的能量谱用一个向量表示，然后将所有样本组合起来构成一个矩阵Y，其中行为样本数，列为特征维度；

S5：采用k均值聚类方法对步骤S4得到的主分量样本数据集进行无监督学习，利用最终分类识别结果区分桥梁结构的各种运营状态。

2.根据权利要求1所述的基于能量谱的桥梁静态监测数据主分量聚类方法，其特征在于：步骤S4具体包括以下步骤：

S41：将各个频率下的能量谱用一个向量表示，然后将所有样本组合起来构成一个矩阵Y，其中行为样本数，列为特征维度；

S42：计算该矩阵的协方差矩阵；

S43：求协方差矩阵的特征值和特征向量；

S44：将特征向量按特征值由大到小降序排列；

S45：计算贡献度，贡献度＝前u个特征值之和/总特征值之和；

S46：取前u个特征向量组成矩阵P，通过计算YP得到重构降维后的数据集R。

3.根据权利要求1所述的基于能量谱的桥梁静态监测数据主分量聚类方法，其特征在于：步骤S5具体包括以下步骤：

S51：初始化：输入样本矩阵作为对象集，输入指定聚类类数k，并在对象集中随机选取k个对象作为初始聚类中心；

S52：迭代：根据相似度准则将数据对象分配到最接近的聚类中心，从而形成一类；

S53：更新聚类中心：以每一类的平均向量作为新的聚类中心，重新分配数据对象；

S54：反复执行步骤S52和S53直至满足中止条件为止。

Images