CN113239492B - 一种塔吊塔身钢结构损伤定位监测方法 - Google Patents
一种塔吊塔身钢结构损伤定位监测方法 Download PDFInfo
- Publication number
- CN113239492B CN113239492B CN202110540269.9A CN202110540269A CN113239492B CN 113239492 B CN113239492 B CN 113239492B CN 202110540269 A CN202110540269 A CN 202110540269A CN 113239492 B CN113239492 B CN 113239492B
- Authority
- CN
- China
- Prior art keywords
- data
- node
- variance
- tower crane
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及大型塔机钢结构安全监测技术领域,具体为一种塔吊塔身钢结构损伤定位监测方法,该方法包括:采集记录各标准节位移偏移量;把各标准节位移偏移量根据实际情况均分成n段;根据完好塔机数据构建检测模型;根据检测模型计算特征值;计算完好塔机大量工况,构成数据库;计算待检测工况的特征值;用完好塔机的特征值和待判定塔机的特征值进行对比,判定待判定塔机是否损伤,本发明通过监测塔机的位移变化,建立两种塔机位移变化数学模型,通过大量数据建立数据库,可以提供多种工况对比分类,无需对塔机停机,可以实现塔机在吊重工作中对其塔身钢结构状态进行损伤定位,可以对微小损伤进行损伤位置准确定位。
Description
技术领域
本发明涉及大型塔机钢结构安全监测技术领域,具体为一种塔吊塔身钢结构损伤定位监测方法。
背景技术
随着社会的发展,建筑行业近几年突飞猛进,所有的高层建筑都会用到塔吊,随着建筑的工程量越来越大,塔吊的工作时间逐渐延长,一些塔吊的安全隐患无法及时发现。虽然现有技术已经对塔吊做出相应的研究,但是并未针对塔身的钢结构实时监测、判断危险系数、反馈安全信息,即对塔机钢结构状态的实时监测仍然是一个空白,目前针对塔机钢结构检测的方法多为目测、超声检查、磁粉探伤、停机测量等,常规检测手段基本上都是在停机状态下进行,不能实现对塔机工作过程中塔身结构状态的实时评价和监测。
发明内容
本发明的目的是针对上述存在的问题,提供一种塔吊塔身钢结构损伤定位监测方法。
为实现上述目的,本发明提供如下技术方案:一种塔吊塔身钢结构损伤定位监测方法,该方法包括:
步骤1:将位移传感器安装在每一节标准节的主肢上,共12节标准节,分别为第一标准节、第二标准节……第十二标准节;
步骤2:位移传感器分别采集和记录各自位置t时间内位移传感器监测到的位移偏移量,时间间隔为0.1秒,任一标准节的位移偏移量为Y1、Y2、Y3……YJ,J=1600;
步骤3:把记录t时间内的每节标准节的位移偏移量都均分成n段时间序列数据段,每段时间序列数据的代号分别为n1、n2、n3…nn,任一标准节的时间序列数据段的数据分为n1=[Y1、Y2、Y3……Y100]、n2=[Y101、Y102、Y103……Y200]……n16=[Y1501、Y1502、Y1503……Y1600];
步骤4:用均分成n段的时间序列数据建立数学模型提取损伤因子,所述数学模型包括基于数据均值的数学模型和基于数据的数学模型,所述基于数据均值的数学模型提取损伤因子的步骤为:
步骤a1:获取完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn},节点a和b之间的距离和节点b和c之间的距离相等,节点a处于节点b的下方,节点b处于节点c的下方,起始状态为节点a为第一标准节,节点b为第二标准节,节点c为第三标准节,则变化节点a后的第二状态为节点a为第二标准节,节点b为第三标准节,节点c为第四标准节,直至变化节点a后的最后状态为第十一标准节;
步骤b1:把每段动态位移数据取均值,得到[yam1,yam2,…,yamn]、[ybm1,ybm2,…,ybmn]和[ycm1,ycm2,…,ycmn],ya1=n1=[Y1、Y2、Y3……Y100],yam1为ya1中数据的均值,{Ya1,Ya2,…,Yan}表示变化节点a后所有数据的集即动态位移数据;
步骤c1:以[yam1,yam2,…,yamn]和[ycm1,ycm2,…,ycmn]为输入,[ybm1,ybm2,…,ybmn]为输出,建立基于数据均值的模型,求出[αam1,αam2,…,αamn]和[αcm1,αcm2,…,αcmn],对其取均值得到αma和αmc;所述的模型处理公式:
2ybm=αamyam+αcmycm (1)
ybm=αamyam
ybm=αcmycm
步骤d1:利用αma和αmc建立检测基于数据均值的模型;处理公式为:
2ybm=αmayam+αmcycm+εam
所述基于数据的数学模型提取损伤因子的步骤为:
步骤a2:所述基于数据的数学模型提取损伤因子所用的动态位移数据的处理方式与所述基于数据均值的数学模型的步骤a1相同,对所述基于数据均值的数学模型所述的步骤a1中的完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn}进行标准化处理,标准化处理是指{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn}各数据点减去各自均值[yam1,yam2,…,yamn]、[ybm1,ybm2,…,ybmn]和[ycm1,ycm2,…,ycmn]得到的值,得到{Yza1,Yza2,…,Yzan}、{Yzb1,Yzb2,…,Yzbn}和{Yzc1,Yzc2,…,Yzcn};
步骤b2:以{Yza1,Yza2,…,Yzan}和{Yzc1,Yzc2,…,Yzcn}为输入,{Yzb1,Yzb2,…,Yzbn}为输出,建立基于数据的数学模型,求出系数a1、a2、…ap+1,b1、b2、…bp,c1、c2、…cp+1;所述基于数据的数学模型的处理公式为:
yb(m)+b1yb(m-1)+…+bpyb(m-p)=a1ya(m)+a2ya(m-1)+…+ap+1yb(m-p) (2)+c1yc(m)+c2yc(m-1)+…+cp+1yc(m-p)+em
式中:b1、b2、…bp为输出函数的系数,a1、a2、…ap+1和c1、c2、…cp+1为输入函数的系数,p为阶次,em为基于数据的数学模型残差,ya(m)为{Yza1,Yza2,…,Yzan}中某个数据段中第m个数据点,yb(m)为{Yzb1,Yzb2,…,Yzbn}中某个数据段中第m个数据点,yc(m)为{Yzc1,Yzc2,…,Yzcn}中某个数据段中第m个数据点;
系数计算公式为:
Yn=[yb(m) yb(m+1)…yb(N)]T (5)
步骤c2:利用粒子群优化算法对模型系数a1、a2、…ap+1、b1、b2、…bp、c1、c2、…cp+1进行无约束优化处理;
系数优化的目标函数为:
假设优化问题是d维优化,在d维空间中,M个粒子组成一个种群,其中第i个粒子表示为:
第i个粒子的飞行速度为:
vi=(vi1 vi2…vid)T i=1,2,…,M (9)
每个粒子的飞行速度影响该粒子下一步的飞行方向和位置,其基本算法如下:
式中:pi为对应个体极值;为对应个体极值到t时刻为止求得的历史最优解;为对应系数到t时刻为止求得的历史最优解;是所有粒子到t时刻为止求得的历史最优解;为第i个粒子到t时刻为止的最优飞行速度;w为惯性权重因子;c1和c2为加速因子,在0~2间取值;r1和r2为两个[0~1]之间变化的相对独立的随机均匀数,把优化后m组系数取均值得到系数aj1、aj2、…、ajp+1,bj1、bj2、…、bjp,cj1、cj2、…、cjp+1作为公式(2)的系数建立基于数据的双输入单输出的模型损伤识别模型:
步骤d2:待检测数据标准化处理后得到的{Yza1,Yza2,…,Yzan}、{Yzb1,Yzb2,…,Yzbn}和{Yzc1,Yzc2,…,Yzcn},带入步骤c2的公式(11),根据下述公式计算数据残差的方差:
式中:E为步骤b2中的em的矩阵;
步骤e2:变更节点a的位置,重复步骤a2-d2,求出不同标准节的数据残差的方差σ2;
步骤7:所述步骤6计算得出的均值残差的方差和数据残差的方差σ2与所述步骤5的数据库中相同工况的均值残差的方差和数据残差的方差σ2进行距离对比分析,以步骤4步骤f1计算出的为x轴,步骤4步骤e2计算出的σ2为y轴构件待检测损伤特征,对其进行归一化后得到损伤因子,归一化后得到损伤因子D,σ2归一化后得到损伤因子F,如果两个状态的损伤因子被判别成一类,那么此时的塔机没有出现损伤,如果没有被判别成一类,那么出现异常的标准节出现了损伤;
所述步骤7所述的距离分析的方法为:
(2)计算数据之间的欧几里得距离;
(3)根据距离和数据组数计算出截断距离dc,同时根据dc计算出任意数据点的ρi和δi;所述ρi和δi计算公式为:
式中:M为损伤因子D、F数据点的数量,dij为yi与yj之间的距离,dc为截断距离,dc为所有数据点之间第nd小的距离值,X(·)为逻辑判断函数,如果(·)<0,则X(·)=1,否则,则X(·)=0;
(4)以ρi为x轴,δi为y轴画出决策图;
(5)根据决策图选择出簇中心点和异常点,ρi和δi都较大的点为簇中心点,ρi较小但δi较大的点为异常点;
(6)将剩余点进行分类,将每个剩余的数据点分配到它的最近邻且密度比其大的数据点所在的簇。
与现有技术相比,本发明的有益效果是:本发明通过监测塔机的位移变化,建立两种塔机位移变化数学模型,通过大量数据建立数据库,可以提供多种工况对比分类,所述应用方法无需对塔机停机,可以实现塔机在吊重工作中对其塔身钢结构状态进行损伤定位,可以对微小损伤进行损伤位置准确定位,弥补了现有塔机安全监控领域的不足。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。
附图1为塔吊塔身钢结构损伤监测判定方法的基本流程图;
附图2为利用本发明所述监测方法对塔机进行的检测结果决策图;
附图3为利用本发明所述监测方法对塔机进行的检测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”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,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1-3
实施例一
本发明提供如下技术方案:步骤1:将位移传感器安装在每一节标准节的主肢上,共12节标准节,分别为第一标准节、第二标准节……第十二标准节;
步骤2:位移传感器分别采集和记录各自位置160s内位移传感器监测到的位移偏移量,时间间隔为0.1秒,为Y1、Y2、Y3……YJ,J=1600时,第一标准节的位移偏移量为Y1=-0.000072、Y2=-0.000096、Y3=-0.00011……Y1600=0.0000718;
步骤3:把记录t时间内的每节标准节的位移偏移量都均分成n段时间序列数据段,每段时间序列数据的代号分别为n1、n2、n3…nn,比如第一标准节的数据分为其中n1=[Y1、Y2、Y3……Y100]、n2=[Y101、Y102、Y103……Y200]……n16=[Y1501、Y1502、Y1503……Y1600];
步骤4:用均分成n段的时间序列数据建立数学模型提取损伤因子,所述数学模型包括基于数据均值的数学模型和基于数据的数学模型,所述基于数据均值的数学模型提取损伤因子的步骤为:
步骤a1:获取完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn},节点a和b之间的距离和节点b和c之间的距离相等,节点a处于节点b的下方,节点b处于节点c的下方,比如起始状态为a点为第一标准节,b点为第二标准节,c点为第三标准节,则变化a点后的第二状态为a点为第二标准节,b点为第三标准节,c点为第四标准节,依次类推,a点最后状态为第十一标准节;
步骤b1:把每段数据(动态位移数据)取均值,得到[yam1,yam2,…,yamn]、[ybm1,ybm2,…,ybmn]和[ycm1,ycm2,…,ycmn],比如ya1=n1=[Y1、Y2、Y3……Y100],yam1为ya1中数据的均值,{Ya1,Ya2,…,Yan}表示变化a点后所有数据的集,即动态位移数据,如表1所示为第一标准节的数据均值;
n | 数据均值(mm) |
1 | 3.16934E-06 |
2 | 1.94114E-06 |
3 | 2.72449E-06 |
4 | 1.91465E-06 |
5 | 2.33371E-06 |
6 | 1.8333E-06 |
7 | 2.05692E-06 |
8 | 1.78661E-06 |
9 | 1.86232E-06 |
10 | 1.80983E-06 |
11 | 1.7955E-06 |
12 | 1.8759E-06 |
13 | 1.86442E-06 |
14 | 2.00859E-06 |
15 | 2.01692E-06 |
16 | 2.20822E-06 |
表1
步骤c1以[yam1,yam2,…,yamn]和[ycm1,ycm2,…,ycmn]为输入,[ybm1,ybm2,…,ybmn]为输出,建立基于数据均值的模型,求出[αam1,αam2,…,αamn]和[αcm1,αcm2,…,αcmn],对其取均值得到αma和αmc,所述的基于数据均值的模型处理公式:
2ybm=αamyam+αcmycm (1)
ybm=αamyam
ybm=αcmycm
如表2所示为完好工况各标准节的αma和αmc;
标准节 | α<sub>ma</sub> | α<sub>mc</sub> |
一 | 2.140603329 | 0.663512892 |
二 | 1.507504986 | 0.693792132 |
三 | 1.441699577 | 0.717845695 |
四 | 1.393324465 | 0.739765255 |
五 | 1.351968487 | 0.759286888 |
六 | 1.317153819 | 0.777701732 |
七 | 1.285925795 | 0.79714684 |
八 | 1.254529056 | 0.820397388 |
九 | 1.218954311 | 0.851165151 |
十 | 1.174877083 | 0.894634651 |
十一 | 1.117780934 | 0.944043967 |
表2
步骤d1:利用αma和αmc建立检测基于数据均值的模型;公式为:
2ybm=αmayam+αmcycm+εam
表3
所述基于数据的数学模型提取损伤因子的步骤为:
步骤a2:所述基于数据的数学模型提取损伤因子所用的动态位移数据的处理方式与所述基于数据均值的数学模型的步骤a1相同,对所述基于数据均值的数学模型所述的步骤a1中的完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn}进行标准化处理,标准化处理是指{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn}各数据点减去各自均值[yam1,yam2,…,yamn]、[ybm1,ybm2,…,ybmn]和[ycm1,ycm2,…,ycmn]得到的值,得到{Yza1,Yza2,…,Yzan}、{Yzb1,Yzb2,…,Yzbn}和{Yzc1,Yzc2,…,Yzcn};
步骤b2:以{Yza1,Yza2,…,Yzan}和{Yzc1,Yzc2,…,Yzcn}为输入,{Yzb1,Yzb2,…,Yzbn}为输出,建立基于数据的数学模型,求出系数a1、a2、…ap+1,b1、b2、…bp,c1、c2、…cp+1,所述基于数据的数学模型的处理公式为:
yb(m)+b1yb(m-1)+…+bpyb(m-p)=a1ya(m)+a2ya(m-1)+…+ap+1yb(m-p) (2)+c1yc(m)+c2yc(m-1)+…+cp+1yc(m-p)+em
式中:b1、b2、…bp为输出函数的系数,a1、a2、…ap+1和c1、c2、…cp+1为输入函数的系数,p为阶次,这里取p值为3,em为基于数据的数学模型残差,ya(m)为{Yza1,Yza2,…,Yzan}中某个数据段中第m个数据点,yb(m)为{Yzb1,Yzb2,…,Yzbn}中某个数据段中第m个数据点,yc(m)为{Yzc1,Yzc2,…,Yzcn}中某个数据段中第m个数据点;
系数计算公式为:
Yn=[yb(m) yb(m+1)…yb(N)]T (5)
如表4所示为优化前的参数;
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | |
b1 | -1.22329 | -1.259 | -1.38091 | -1.28044 | -1.33391 | -1.241 | -1.25241 | -1.06316 | -1.29843 | -1.13676 | -1.12229 | -1.07943 | -0.87128 | -0.94262 | -0.78156 | -0.95898 |
b2 | -0.32409 | -0.09712 | 0.255845 | -0.23859 | -0.24299 | -0.34705 | -0.35979 | -0.63248 | -0.15973 | -0.39852 | -0.1472 | -0.2794 | -0.30661 | -0.24425 | -0.36912 | -0.24717 |
b3 | 0.656225 | 0.577264 | 0.416685 | 0.618033 | 0.582198 | 0.653656 | 0.653796 | 0.754776 | 0.50198 | 0.584721 | 0.309316 | 0.395213 | 0.219108 | 0.221699 | 0.194571 | 0.236235 |
a1 | 0.526696 | 0.32193 | 0.00404 | 0.712093 | 0.873245 | 0.839231 | 0.878936 | 0.671987 | 0.884467 | 0.911923 | 0.780794 | 0.754634 | 0.83 | 0.902351 | 0.677843 | 0.632572 |
a2 | -0.38796 | -0.4227 | -0.0282 | -0.94619 | -0.99358 | -1.11446 | -1.09116 | -0.36239 | -1.26646 | -1.2387 | -0.85415 | -0.9434 | -0.83297 | -1.19358 | -0.49623 | -0.57742 |
a3 | -0.64667 | 0.134793 | 0.351774 | -0.0999 | -0.54851 | -0.15638 | -0.34555 | -1.10022 | 0.076508 | 0.00655 | -0.14922 | 0.049868 | -0.10912 | 0.314621 | -0.31504 | -0.19646 |
a4 | 0.580139 | 0.107888 | -0.14309 | 0.399454 | 0.675313 | 0.476357 | 0.588223 | 0.832791 | 0.334932 | 0.353866 | 0.248926 | 0.160383 | 0.14064 | -0.00107 | 0.159692 | 0.159631 |
c1 | 0.5259 | 0.633036 | 0.792952 | 0.431497 | 0.351416 | 0.369906 | 0.348284 | 0.465943 | 0.36229 | 0.360751 | 0.470114 | 0.471249 | 0.484963 | 0.432853 | 0.558709 | 0.549684 |
c2 | -0.78441 | -0.79302 | -1.07765 | -0.54619 | -0.57774 | -0.44169 | -0.46026 | -0.71618 | -0.45556 | -0.37814 | -0.68452 | -0.57321 | -0.61275 | -0.44345 | -0.7054 | -0.71297 |
c3 | 0.093397 | -0.13571 | 0.014131 | -0.11594 | 0.129062 | -0.1578 | -0.07243 | 0.129858 | -0.08152 | -0.1982 | 0.20017 | -0.03462 | 0.168606 | -0.03819 | 0.217436 | 0.164298 |
c4 | 0.214635 | 0.39976 | 0.409473 | 0.275719 | 0.097297 | 0.258404 | 0.201277 | 0.145298 | 0.194019 | 0.237202 | 0.031982 | 0.154051 | -0.02302 | 0.064623 | -0.04977 | 0.013151 |
表4
步骤c2:利用粒子群优化算法对模型系数a1、a2、…ap+1、b1、b2、…bp、c1、c2、…cp+1进行无约束优化处理。
系数优化的目标函数为:
假设优化问题是d维优化,在d维空间中,M个粒子组成一个种群,其中第i个粒子表示为:
第i个粒子的飞行速度为:
vi=(vi1 vi2…vid)T i=1,2,…,M (9)
每个粒子的飞行速度影响该粒子下一步的飞行方向和位置,其基本算法如下:
式中:pi为对应个体极值;为对应个体极值到t时刻为止求得的历史最优解;为对应系数到t时刻为止求得的历史最优解;是所有粒子到t时刻为止求得的历史最优解;为第i个粒子到t时刻为止的最优飞行速度;w为惯性权重因子;c1和c2为加速因子,在0~2间取值;r1和r2为两个[0~1]之间变化的相对独立的随机均匀数,把优化后m组系数取均值得到系数aj1、aj2、…、ajp+1,bj1、bj2、…、bjp,cj1、cj2、…、cjp+1作为公式(2)的系数建立基于数据的双输入单输出的模型损伤识别模型;
如表5所示为优化后的参数ay1、ay2、ay3、ay4,by1、by2、by3,cy1、cy2、cy3、cy4,如表6所示为优化后的am1、am2、am3、am4,bm1、bm2、bm3,cm1、cm2、cm3、cm4;
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | |
by1 | -1.22329 | -1.259 | -1.38091 | -1.28044 | -1.33391 | -1.241 | -1.25241 | -1.06316 | -1.29843 | -1.13676 | -1.12229 | -1.07943 | -0.87128 | -0.94262 | -0.78156 | -0.95898 |
by2 | -0.32409 | -0.09712 | 0.255845 | -0.23859 | -0.24299 | -0.34705 | -0.35979 | -0.63248 | -0.15973 | -0.39852 | -0.1472 | -0.2794 | -0.30661 | -0.24425 | -0.36912 | -0.24717 |
by3 | 0.656225 | 0.577264 | 0.416685 | 0.618033 | 0.582198 | 0.653656 | 0.653796 | 0.754776 | 0.50198 | 0.584721 | 0.309316 | 0.395213 | 0.219108 | 0.221699 | 0.194571 | 0.236235 |
ay1 | 0.526696 | 0.32193 | 0.00404 | 0.712093 | 0.873245 | 0.839231 | 0.878936 | 0.671987 | 0.884467 | 0.911923 | 0.780794 | 0.754634 | 0.83 | 0.902351 | 0.677843 | 0.632572 |
ay2 | -0.38796 | -0.4227 | -0.0282 | -0.94619 | -0.99358 | -1.11446 | -1.09116 | -0.36239 | -1.26646 | -1.2387 | -0.85415 | -0.9434 | -0.83297 | -1.19358 | -0.49623 | -0.57742 |
ay3 | -0.64667 | 0.134793 | 0.351774 | -0.0999 | -0.54851 | -0.15638 | -0.34555 | -1.10022 | 0.076508 | 0.00655 | -0.14922 | 0.049868 | -0.10912 | 0.314621 | -0.31504 | -0.19646 |
ay4 | 0.580139 | 0.107888 | -0.14309 | 0.399454 | 0.675313 | 0.476357 | 0.588223 | 0.832791 | 0.334932 | 0.353866 | 0.248926 | 0.160383 | 0.14064 | -0.00107 | 0.159692 | 0.159631 |
Cy1 | 0.5259 | 0.633036 | 0.792952 | 0.431497 | 0.351416 | 0.369906 | 0.348284 | 0.465943 | 0.36229 | 0.360751 | 0.470114 | 0.471249 | 0.484963 | 0.432853 | 0.558709 | 0.549684 |
Cy2 | -0.78441 | -0.79302 | -1.07765 | -0.54619 | -0.57774 | -0.44169 | -0.46026 | -0.71618 | 0.45556 | -0.37814 | -0.68452 | -0.57321 | -0.61275 | -0.44345 | -0.7054 | -0.71297 |
Cy3 | 0.093397 | -0.13571 | 0.014131 | -0.11594 | 0.129062 | -0.1578 | -0.07243 | 0.129858 | -0.08152 | -0.1982 | 0.20017 | -0.03462 | 0.168606 | -0.03819 | 0.217436 | 0.164298 |
Cy4 | 0.214635 | 0.39976 | 0.409473 | 0.275719 | 0.097297 | 0.258404 | 0.201277 | 0.145298 | 0.194019 | 0.237202 | 0.031982 | 0.154051 | -0.02302 | 0.064623 | -0.04977 | 0.013151 |
表5
b<sub>m1</sub> | -1.13885 |
b<sub>m2</sub> | -0.25888 |
b<sub>m3</sub> | 0.473443 |
a<sub>m1</sub> | 0.700148 |
a<sub>m2</sub> | -0.79666 |
a<sub>m3</sub> | -0.17088 |
a<sub>m4</sub> | 0.317035 |
c<sub>m1</sub> | 0.475652 |
c<sub>m2</sub> | -0.62272 |
c<sub>m3</sub> | 0.01763 |
c<sub>m4</sub> | 0.163996 |
表6
步骤d2:待检测数据标准化处理后得到的{Yza1,Yza2,…,Yzan}、{Yzb1,Yzb2,…,Yzbn}和{Yzc1,Yzc2,…,Yzcn},带入步骤c2的公式(11),根据下述公式计算数据残差的方差:
式中:E为步骤b2中的em的矩阵;
步骤e2:变更节点的位置,重复步骤a2-d2,求出不同标准节的数据残差的方差σ2。如表7所示为完好工况和检测工况的数据残差的方差σ2。
表7
步骤7:所述步骤6计算得出的均值残差的方差和数据残差的方差σ2与所述步骤5的数据库中相同工况的均值残差的方差和数据残差的方差σ2进行距离对比分析,以步骤4步骤f1计算出的为x轴,步骤4步骤e2计算出的σ2为y轴构建待检测损伤特征,对其进行归一化后得到损伤因子,归一化后得到损伤因子D,σ2归一化后得到损伤因子F,如果两个状态的损伤因子被判别成一类,那么此时的塔机没有出现损伤,如果没有被判别成一类,那么出现异常的标准节出现了损伤。
作为优选所述步骤7所述的距离分析的方法为:
(2)计算任意两组数据之间的欧几里得距离;
(3)根据距离和数据组数计算出截断距离dc,同时根据dc计算出任意数据点的ρi和δi,所述ρi和δi计算公式为:
式中:M为损伤因子D、F数据点的数量,dij为yi与yj之间的距离,dc为截断距离,dc为所有数据点之间第nd小的距离值,X(·)为逻辑判断函数,如果(·)<0,则X(·)=1,否则,则X(·)=0;
(4)以ρi为x轴,δi为y轴画出决策图,如附图2所示;
(5)根据决策图选择出簇中心点和异常点,ρi和δi都较大的点为簇中心点,ρi较小但δi较大的点为异常点;
(6)将剩余点进行分类,将每个剩余的数据点分配到它的最近邻且密度比其大的数据点所在的簇,检测结果如表8所示,检测结果对比图如附图3所示。
根据检测结果表8和附图3可以得出,完好工况和待检测工况的大部分数据接近簇中心点,所以被判别为一类,代码为“1”,代表着待检测工况的这部分标准节没有出现损伤,而待检测工况的第二标准节的数据接近异常点,被判别成另一类,代码为“2”,既待检测工况的第二标准节出现损伤。
表8
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (1)
1.一种塔吊塔身钢结构损伤定位监测方法,其特征在于:该方法包括:
步骤1:将位移传感器安装在每一节标准节的主肢上,共12节标准节,分别为第一标准节、第二标准节……第十二标准节;
步骤2:位移传感器分别采集和记录各自位置t时间内位移传感器监测到的位移偏移量,时间间隔为0.1秒,任一标准节的位移偏移量为Y1、Y2、Y3……YJ,J=1600;
步骤3:把记录t时间内的每节标准节的位移偏移量都均分成n段时间序列数据段,每段时间序列数据的代号分别为n1、n2、n3…nn,任一标准节的时间序列数据段的数据分为n1=[Y1、Y2、Y3……Y100]、n2=[Y101、Y102、Y103……Y200]……n16=[Y1501、Y1502、Y1503……Y1600];
步骤4:用均分成n段的时间序列数据建立数学模型提取损伤因子,所述数学模型包括基于数据均值的数学模型和基于数据的数学模型,所述基于数据均值的数学模型提取损伤因子的步骤为:
步骤a1:获取完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn},节点a和b之间的距离和节点b和c之间的距离相等,节点a处于节点b的下方,节点b处于节点c的下方,起始状态为节点a为第一标准节,节点b为第二标准节,节点c为第三标准节,则变化节点a后的第二状态为节点a为第二标准节,节点b为第三标准节,节点c为第四标准节,直至变化节点a后的最后状态为第十一标准节;
步骤b1:把每段动态位移数据取均值,得到[yam1,yam2,…,yamn]、[ybm1,ybm2,…,ybmn]和[ycm1,ycm2,…,ycmn],ya1=n1=[Y1、Y2、Y3......Y100],yam1为ya1中数据的均值,{Ya1,Ya2,…,Yan}表示变化节点a后所有数据的集即动态位移数据;
步骤c1:以[yam1,yam2,…,yamn]和[ycm1,ycm2,…,ycmn]为输入,[ybm1,ybm2,…,ybmn]为输出,建立基于数据均值的模型,求出[αam1,αam2,…,αamn]和[αcm1,αcm2,…,αcmn],对其取均值得到αma和αmc,所述的模型处理公式:
2ybm=αamyam+αcmycm (1)
ybm=αamyam
ybm=αcmycm
步骤d1:利用αma和αmc建立检测基于数据均值的模型;处理公式为:
2ybm=αmayam+αmcycm+εam
所述基于数据的数学模型提取损伤因子的步骤为:
步骤a2:所述基于数据的数学模型提取损伤因子所用的动态位移数据的处理方式与所述基于数据均值的数学模型的步骤a1相同,对所述基于数据均值的数学模型所述的步骤a1中的完好状态和检测状态塔机a、b和c三节点的动态位移数据{Ya1,Ya2,…,Yan}、{Yb1,Yb2,…,Ybn}和{Yc1,Yc2,…,Ycn}进行标准化处理;
步骤b2:以{Yza1,Yza2,…,Yzan}和{Yzc1,Yzc2,…,Yzcn}为输入,{Yzb1,Yzb2,…,Yzbn}为输出,建立基于数据的数学模型,求出系数a1、a2、…ap+1,b1、b2、…bp,c1、c2、…cp+1,所述基于数据的数学模型的处理公式为:
式中:b1、b2、…bp为输出函数的系数,a1、a2、…ap+1和c1、c2、…cp+1为输入函数的系数,p为阶次,em为基于数据的数学模型残差,ya(m)为{Yza1,Yza2,…,Yzan}中某个数据段中第m个数据点,yb(m)为{Yzb1,Yzb2,…,Yzbn}中某个数据段中第m个数据点,yc(m)为{Yzc1,Yzc2,…,Yzcn}中某个数据段中第m个数据点;
系数计算公式为:
Yn=[yb(m) yb(m+1)…yb(N)]T (5)
步骤c2:利用粒子群优化算法对模型系数a1、a2、…ap+1、b1、b2、…bp、c1、c2、…cp+1进行无约束优化处理;
系数优化的目标函数为:
假设优化问题是d维优化,在d维空间中,M个粒子组成一个种群,其中第i个粒子表示为:
第i个粒子的飞行速度为:
vi=(vi1 vi2…vid)Ti=1,2,…,M (9)
每个粒子的飞行速度影响该粒子下一步的飞行方向和位置,其基本算法如下:
式中:pi为对应个体极值;为对应个体极值到t时刻为止求得的历史最优解;为对应系数到t时刻为止求得的历史最优解;是所有粒子到t时刻为止求得的历史最优解;为第i个粒子到t时刻为止的最优飞行速度;w为惯性权重因子;c1和c2为加速因子,在0~2间取值;r1和r2为两个[0~1]之间变化的相对独立的随机均匀数;把优化后m组系数取均值得到系数aj1、aj2、…、ajp+1,bj1、bj2、…、bjp,cj1、cj2、…、cjp+1作为公式(2)的系数建立基于数据的双输入单输出的模型损伤识别模型:
步骤d2:待检测数据标准化处理后得到的{Yza1,Yza2,…,Yzan}、{Yzb1,Yzb2,…,Yzbn}和{Yzc1,Yzc2,…,Yzcn},带入步骤c2的公式(11),根据下述公式计算数据残差的方差:
式中:E为步骤b2中的em的矩阵;
步骤e2:变更节点a的位置,重复步骤a2-d2,求出不同标准节的数据残差的方差σ2;
步骤7:所述步骤6计算得出的均值残差的方差和数据残差的方差σ2与所述步骤5的数据库中相同工况的均值残差的方差和数据残差的方差σ2进行距离对比分析,以步骤4步骤f1计算出的为x轴,步骤4步骤e2计算出的σ2为y轴构件待检测损伤特征,对其进行归一化后得到损伤因子,归一化后得到损伤因子D,σ2归一化后得到损伤因子F,如果两个状态的损伤因子被判别成一类,那么此时的塔机没有出现损伤,如果没有被判别成一类,那么出现异常的标准节出现了损伤;
所述步骤7所述的距离分析的方法为:
(2)计算数据之间的欧几里得距离;
(3)根据距离和数据组数计算出截断距离dc,同时根据dc计算出任意数据点的ρi和δi;所述ρi和δi计算公式为:
式中:M为损伤因子D、F数据点的数量,dij为yi与yj之间的距离,dc为截断距离,dc为所有数据点之间第nd小的距离值,X(·)为逻辑判断函数,如果(·)<0,则X(·)=1,否则,则X(·)=0;
(4)以ρi为x轴,δi为y轴画出决策图;
(5)根据决策图选择出簇中心点和异常点,ρi和δi都较大的点为簇中心点,ρi较小但δi较大的点为异常点;
(6)将剩余点进行分类,将每个剩余的数据点分配到它的最近邻且密度比其大的数据点所在的簇。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021103825167 | 2021-04-09 | ||
CN202110382516 | 2021-04-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239492A CN113239492A (zh) | 2021-08-10 |
CN113239492B true CN113239492B (zh) | 2022-08-05 |
Family
ID=77135052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540269.9A Active CN113239492B (zh) | 2021-04-09 | 2021-05-18 | 一种塔吊塔身钢结构损伤定位监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239492B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113868785A (zh) * | 2021-09-02 | 2021-12-31 | 山东建筑大学 | 一种塔机塔身损伤状态特征点映射模型的建立方法与快速判别损伤的方法 |
CN115374575B (zh) * | 2022-10-25 | 2023-03-24 | 山东建筑大学 | 一种基于相邻空间点距模型的塔机塔身结构损伤定位方法 |
CN115374660B (zh) * | 2022-10-25 | 2023-03-24 | 山东建筑大学 | 基于局部特征提取模型的塔机塔身损伤严重程度确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103274319A (zh) * | 2013-04-23 | 2013-09-04 | 济南富友慧明监控设备有限公司 | 一种判断塔机塔身钢结构单肢损伤及损伤方位的方法 |
CN111238427A (zh) * | 2020-01-10 | 2020-06-05 | 山东建筑大学 | 一种塔吊塔身钢结构损伤实时监测方法 |
CN111639450A (zh) * | 2020-06-03 | 2020-09-08 | 太原科技大学 | 基于支持向量机的塔式起重机损伤识别方法 |
WO2020218433A1 (ja) * | 2019-04-26 | 2020-10-29 | 住友重機械建機クレーン株式会社 | クレーン点検システムおよびクレーン |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108466947B (zh) * | 2018-05-25 | 2019-05-07 | 山东建筑大学 | 一种实时监测评价平衡臂侧塔身刚度状态的方法 |
CN111896625B (zh) * | 2020-08-17 | 2023-07-14 | 中南大学 | 钢轨伤损实时监测方法及其监测系统 |
-
2021
- 2021-05-18 CN CN202110540269.9A patent/CN113239492B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103274319A (zh) * | 2013-04-23 | 2013-09-04 | 济南富友慧明监控设备有限公司 | 一种判断塔机塔身钢结构单肢损伤及损伤方位的方法 |
WO2020218433A1 (ja) * | 2019-04-26 | 2020-10-29 | 住友重機械建機クレーン株式会社 | クレーン点検システムおよびクレーン |
CN111238427A (zh) * | 2020-01-10 | 2020-06-05 | 山东建筑大学 | 一种塔吊塔身钢结构损伤实时监测方法 |
CN111639450A (zh) * | 2020-06-03 | 2020-09-08 | 太原科技大学 | 基于支持向量机的塔式起重机损伤识别方法 |
Non-Patent Citations (2)
Title |
---|
基于密度聚类的故障诊断方法研究;王胜春,安宏,董明晓,宋世军;《矿山机械》;20190831;第55-58页 * |
塔式起重机标准节斜腹杆布置形式对整机性能的影响分析;王胜春,李文豪,杨峻涵,王忠雷,董明晓;《起重运输机械》;20201215;第65-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239492A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113239492B (zh) | 一种塔吊塔身钢结构损伤定位监测方法 | |
CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
AU2020103923A4 (en) | Fault diagnosis method and system for gear bearing based on multi-source information fusion | |
CN108412710B (zh) | 一种风电机组风功率数据清洗方法 | |
CN110322048B (zh) | 一种生产物流输送装备故障预警方法 | |
Moosavian et al. | Comparison of two classifiers; K-nearest neighbor and artificial neural network, for fault diagnosis on a main engine journal-bearing | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN109597315B (zh) | 一种机械设备健康退化状态辨识方法、设备及系统 | |
Chang et al. | A two-stage neural network approach for process variance change detection and classification | |
CN109714311B (zh) | 一种基于聚类算法的异常行为检测的方法 | |
CN112196784B (zh) | 一种基于elm的高压隔膜泵健康状态预估系统及方法 | |
CN110428191B (zh) | 配电网脆弱节点辨识的方法 | |
CN111103137A (zh) | 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN110986407A (zh) | 一种离心式冷水机组故障诊断方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN106529161B (zh) | 一种基于火电机组运行数据确定升降负荷速率的方法 | |
CN110887899B (zh) | 一种汽轮机叶片水蚀缺陷监测与识别方法 | |
Xu et al. | Deep domain adversarial method with central moment discrepancy for intelligent transfer fault diagnosis | |
CN109325553B (zh) | 一种风电齿轮箱故障检测方法、系统、设备及介质 | |
CN108228977B (zh) | 一种基于飞行状态参数的直升机振动特征折算方法 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
Sun et al. | Intelligent fault warning method of rotating machinery with intraclass and interclass infographic embedding | |
CN110132566B (zh) | 一种基于模糊聚类的oltc故障诊断方法 | |
CN107544447A (zh) | 一种基于核学习的化工过程故障分类方法 |
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 |