CN113255577B - 一种斜拉桥施工振动参数的主动控制智能数据处理方法 - Google Patents

一种斜拉桥施工振动参数的主动控制智能数据处理方法 Download PDF

Info

Publication number
CN113255577B
CN113255577B CN202110675098.0A CN202110675098A CN113255577B CN 113255577 B CN113255577 B CN 113255577B CN 202110675098 A CN202110675098 A CN 202110675098A CN 113255577 B CN113255577 B CN 113255577B
Authority
CN
China
Prior art keywords
vibration
filtering
cable
vibration parameters
construction
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
CN202110675098.0A
Other languages
English (en)
Other versions
CN113255577A (zh
Inventor
高军
汪正兴
林晓
王波
高峰
钟继卫
罗辉
王翔
张远征
彭旭民
纪常永
荆国强
王辉麟
肖龙
李力
王正一
戴青年
钱康
高宇馨
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.)
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute Ltd
Original Assignee
China Railway Major Bridge Engineering Group Co Ltd MBEC
China Railway Bridge Science Research Institute Ltd
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 China Railway Major Bridge Engineering Group Co Ltd MBEC, China Railway Bridge Science Research Institute Ltd filed Critical China Railway Major Bridge Engineering Group Co Ltd MBEC
Priority to CN202110675098.0A priority Critical patent/CN113255577B/zh
Publication of CN113255577A publication Critical patent/CN113255577A/zh
Application granted granted Critical
Publication of CN113255577B publication Critical patent/CN113255577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D19/00—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase
    • G05D19/02—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase characterised by the use of electric means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Abstract

本发明公开了一种斜拉桥施工振动参数的主动控制智能数据处理方法，包括：步骤一、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正；步骤二、对振动参数数据进行小波转换，去除参数数据中的噪声；步骤三、计算振动参数与振动类型之间的关联概率；步骤四、以关联概率作为特征提取函数的向量，构建异构融合模型；步骤五、构建异构融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。本发明将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。

Description

一种斜拉桥施工振动参数的主动控制智能数据处理方法
技术领域
本发明涉及斜拉桥施工技术控制领域，特别涉及一种斜拉桥施工振动参数的主动控制职能数据处理方法。
背景技术
随着社会经济建设的迅猛发展，以及土木工程理论与技术的不断成熟，交通基础设施的建设日新月异，桥梁作为跨越障碍的主要结构，各类桥型如雨后春笋般层出不穷，斜拉桥作为其中一类因其跨越能力大而备受关注与重视，并得到广泛的应用。斜拉桥主要由主塔、主梁、拉索三部分构件组成，拉索的两端锚固于塔和梁上共同承受荷载作用，其中塔和梁承受压力，拉索承受拉力，在外部荷载作用下极易产生有害振动影响桥梁整体的舒适性和安全性，尤其是拉索因其质量轻、柔性大、固有频率低、阻尼小等特点，更容易产生大幅有害的振动，严重影响斜拉桥的运营安全和使用寿命，也严重限制了斜拉桥发展。
在国内很典型的事例就是岳阳的洞庭湖大桥上面的斜拉索，在整桥施工接近尾声的时候，在风雨天气下，拉索出现了严重的振动现象，在拉索的面内和面外都产生了大幅度的振动，最大振幅超过40cm，可想而知，这么大的振幅将给斜拉桥的运营带来很大的隐患，严重影响其舒适性和安全性。
为了避免在斜拉桥施工过程中出现拉索大幅振动产生的不利影响，可以在施工时采集拉索的振动数据，建立主动控制模型，减少拉索的振动和共振，然而，随着数据处理体量的不断增长，数据的降噪和识别也面临着愈发严重的问题，因此有必要提出一种斜拉桥施工振动参数的主动控制智能数据处理方法。
发明内容
本发明提供了一种斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息。
本发明的技术方案为：
一种斜拉桥施工振动参数的主动控制智能数据处理方法，包括：
步骤一、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正；
步骤二、对振动参数数据进行小波转换，去除参数数据中的噪声；
步骤三、计算振动参数与振动类型之间的关联概率；
步骤四、以关联概率作为特征提取函数的向量，构建异构融合模型；
步骤五、构建异构融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。
优选的是，异常值筛选和修正包括：
设定振动参数分布概率区间阈值；
将超出区间阈值的参数作为异常值，并剔除异常值；
采用平均滤波法对缺失的参数进行插值替补。
优选的是，小波转换包括：
选取小波基函数，并根据振动参数确定小波分解的尺度；
利用模极大值寻找振动参数突变位置作为奇异点，并选取自适应小波阈值；
将分解系数小于阈值的奇异点舍去，分解系数高于阈值的奇异点，使用修正系数进行修正；
从第一层开始，将各层识别出的奇异点经修正后再重构，达到预期畸变率时跳出小波分解层，否则继续下一层振动参数的重构。
优选的是，修正系数公式为：
Figure 4504DEST_PATH_IMAGE001
；
其中，
Figure 102910DEST_PATH_IMAGE002
表示修正系数，
Figure 791380DEST_PATH_IMAGE003
表示畸变率，
Figure 240816DEST_PATH_IMAGE004
表示预期畸变率。
优选的是，步骤三包括：
列出传感器振动参数与振动类型之间的组合关系的阵列；
Figure 204093DEST_PATH_IMAGE005
；
其中，
Figure 422584DEST_PATH_IMAGE006
表示
Figure 281956DEST_PATH_IMAGE007
时刻第
Figure 953109DEST_PATH_IMAGE008
个组合中与第
Figure 206496DEST_PATH_IMAGE009
类振动类型相关的第
Figure 279494DEST_PATH_IMAGE010
个传感器的振动参数，
Figure 44188DEST_PATH_IMAGE010
表示传感器
Figure 202637DEST_PATH_IMAGE011
，
Figure 710979DEST_PATH_IMAGE009
表示振动类型
Figure 638483DEST_PATH_IMAGE012
，
Figure 105237DEST_PATH_IMAGE008
表示组合
Figure 485403DEST_PATH_IMAGE013
；
计算组合关系的关联概率，遍历阵列得到关联概率集合。
优选的是，振动参数包括位移、刚度、阻抗值、风向、风攻角和雨量；振动类型包括风雨激振、涡激振动、参数振动和线性内部共振。
优选的是，振动参数融合模型为：
Figure 797435DEST_PATH_IMAGE014
；
其中，
Figure 579446DEST_PATH_IMAGE015
表示特征值提取函数，
Figure 685943DEST_PATH_IMAGE016
表示第
Figure 553405DEST_PATH_IMAGE017
个传感器振动参数数据与第
Figure 403549DEST_PATH_IMAGE018
类振动类型之间的关联概率。
优选的是，融合滤波模型为：
Figure 40067DEST_PATH_IMAGE019
；
其中，
Figure 317464DEST_PATH_IMAGE020
表示第
Figure 406643DEST_PATH_IMAGE021
个传感器在
Figure 60478DEST_PATH_IMAGE022
时刻的状态向量，
Figure 551502DEST_PATH_IMAGE023
表示第
Figure 999801DEST_PATH_IMAGE021
个传感器在
Figure 113294DEST_PATH_IMAGE024
时刻的特征值提取函数，
Figure 570820DEST_PATH_IMAGE025
表示第
Figure 181930DEST_PATH_IMAGE021
个传感器在
Figure 597868DEST_PATH_IMAGE026
时刻的量测矩阵，
Figure 629016DEST_PATH_IMAGE027
表示第
Figure 359074DEST_PATH_IMAGE021
个传感器在
Figure 824691DEST_PATH_IMAGE026
时刻的参数数据，
Figure 880371DEST_PATH_IMAGE028
表示传感器过程噪声，
Figure 165859DEST_PATH_IMAGE029
表示传感器量测噪声。
优选的是，融合滤波包括：
正向滤波：从输入数据的第一历元起，通过后续历元中观测向量及协方差矩阵对状态向量及其协方差阵进行估计与更新；
反向滤波：在正向滤波的最后一个历元，对其滤波估计结果进行反向卡尔曼滤波估计，递归从最后一个历元反向移动到第一个历元；
计算用于加权平均的卡尔曼平滑增益矩阵，对正向滤波解和反向滤波解进行加权平均。
优选的是，正向滤波包括：
计算噪声协方差阵并预测状态向量估计值；
计算观测矩阵及观测噪声协方差阵，并更新滤波增益矩阵和残差向量；
根据振动参数更新状态向量的估计值和协方差阵。
本发明的有益效果是：
1.本发明提供的的斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。
2.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，在构建融合模型前通过异常值筛选筛选和修正、小波转换对振动参数数据进行预处理，提高数据的信噪比，有利于融合模型的构建，减少融合误差与融合噪声。
3.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，根据联合概率设计的特征值提取函数，形成的振动参数数据融合模型能够充分利用振动参数之间相关关系，融合结果能够精确描述所有的振动信息，有利于提高后振动控制的精准度。
4.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，通过对正向滤波解与反向滤波解进行加权平均，使滤波误差最小化。
附图说明
图1为本发明提供的一种斜拉桥施工振动参数的主动控制智能数据处理方法的流程图。
图2为本发明的一个实施例中异常值筛选和修正的流程图。
图3为本发明的一个实施例中小波转换的流程图。
图4为本发明的一个实施例中融合滤波的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士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及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示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。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，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；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。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，斜拉桥施工振动参数的主动控制智能数据处理方法包括：
S110、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正。
优选的是，振动参数包括位移、刚度、阻抗值、风向、风攻角和雨量，但不限于这些参数。
S120、对振动参数数据进行小波转换，去除参数数据中的噪声。
S130、计算振动参数与振动类型之间的关联概率。
S140、以关联概率作为特征提取函数的向量，构建异构振动参数融合模型。
其中，振动参数融合模型为：
Figure 230767DEST_PATH_IMAGE030
；
其中，
Figure 810610DEST_PATH_IMAGE031
表示特征值提取函数，
Figure 771613DEST_PATH_IMAGE032
表示第
Figure 75555DEST_PATH_IMAGE033
个传感器振动参数数据与第
Figure 412995DEST_PATH_IMAGE034
类振动类型之间的关联概率。
S150、构建异构振动参数融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。
其中，融合滤波模型为：
Figure 853204DEST_PATH_IMAGE035
；
其中，
Figure 47425DEST_PATH_IMAGE036
表示第
Figure 307505DEST_PATH_IMAGE037
个传感器在
Figure 448636DEST_PATH_IMAGE038
时刻的状态向量，
Figure 743351DEST_PATH_IMAGE039
表示第
Figure 46157DEST_PATH_IMAGE037
个传感器在
Figure 59112DEST_PATH_IMAGE040
时刻的特征值提取函数，
Figure 3934DEST_PATH_IMAGE041
表示第
Figure 684314DEST_PATH_IMAGE037
个传感器在
Figure 892442DEST_PATH_IMAGE038
时刻的量测矩阵，
Figure 127114DEST_PATH_IMAGE042
表示第
Figure 875627DEST_PATH_IMAGE037
个传感器在
Figure 879355DEST_PATH_IMAGE038
时刻的参数数据，
Figure 789543DEST_PATH_IMAGE043
表示传感器过程噪声，
Figure 517370DEST_PATH_IMAGE044
表示传感器量测噪声。
本发明提供的将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。
进一步的，如图2所示，异常值筛选和修正包括：
S111、设定所述振动参数分布概率区间阈值。
优选的是，振动参数分布概率区间阈值为
Figure 538416DEST_PATH_IMAGE045
；
其中，
Figure 396650DEST_PATH_IMAGE046
表示样本均值，
Figure 477739DEST_PATH_IMAGE047
表示样本标准差。
S112、将超出所述区间阈值的参数作为异常值，并剔除所述异常值。
S113、采用平均滤波法对缺失的参数进行插值替补。
优选的是，插值公式为：
Figure 421424DEST_PATH_IMAGE048
；
其中，
Figure 246161DEST_PATH_IMAGE049
表示
Figure 224481DEST_PATH_IMAGE050
时刻振动参数的数据值。
进一步的，如图3所示，小波转换包括：
S121、选取小波基函数，并根据振动参数确定小波分解的尺度。
优选的是，小波函数包括Haar函数、Meyer小波函数、SymN小波函数、Coifle小波函数、墨西哥草帽函数和Daubechies小波函数，分解尺度为3-5。
一般情况下，小波基函数的选择原则是使小波波形与目标层回波波形有较大的相似度。
S122、利用模极大值寻找振动参数突变位置作为奇异点，并选取自适应小波阈值；
有选的是，自适应小波阈值为
Figure 476471DEST_PATH_IMAGE051
；
其中，
Figure 173031DEST_PATH_IMAGE052
表示小波阈值，
Figure 535880DEST_PATH_IMAGE053
表示噪声方差，
Figure 368706DEST_PATH_IMAGE054
表示信号长度，
Figure 791597DEST_PATH_IMAGE055
表示分解层数。
S123、将分解系数小于阈值的奇异点舍去，分解系数高于阈值的奇异点，使用修正系数进行修正；
S124、判断重构后的输出值是否达到畸变率，若是则跳出小波分解层，否则继续下一层振动参数的重构。
修正系数公式为：
Figure 709875DEST_PATH_IMAGE056
；
其中，
Figure 876414DEST_PATH_IMAGE057
表示修正系数，
Figure 94906DEST_PATH_IMAGE058
表示畸变率，
Figure 688698DEST_PATH_IMAGE059
表示预期畸变率。
在构建融合模型前通过异常值筛选筛选和修正、小波转换对振动参数数据进行预处理，提高数据的信噪比，有利于融合模型的构建，减少融合误差与融合噪声。
进一步的，步骤S130包括：
列出传感器振动参数与振动类型之间的组合关系的阵列。
Figure 94272DEST_PATH_IMAGE060
；
其中，
Figure 861239DEST_PATH_IMAGE061
表示
Figure 668658DEST_PATH_IMAGE062
时刻第
Figure 982089DEST_PATH_IMAGE063
个组合中与第
Figure 874958DEST_PATH_IMAGE064
类振动类型相关的第
Figure 383300DEST_PATH_IMAGE065
个传感器的振动参数，
Figure 310805DEST_PATH_IMAGE065
表示传感器
Figure 246400DEST_PATH_IMAGE066
，
Figure 360986DEST_PATH_IMAGE064
表示振动类型
Figure 673019DEST_PATH_IMAGE067
，
Figure 189451DEST_PATH_IMAGE063
表示组合
Figure 561526DEST_PATH_IMAGE068
；
计算组合关系的关联概率，遍历阵列得到关联概率集合。
优选的是，关联概率的计算公式为：
Figure 897830DEST_PATH_IMAGE069
其中，
Figure 747974DEST_PATH_IMAGE070
表示关联概率，
Figure 384492DEST_PATH_IMAGE071
表示归一化参数，
Figure 661889DEST_PATH_IMAGE072
表示
Figure 16647DEST_PATH_IMAGE073
时刻传感器获取到的异常值的个数，
Figure 404903DEST_PATH_IMAGE074
表示传感器检测区域，
Figure 161507DEST_PATH_IMAGE075
表示
Figure 609806DEST_PATH_IMAGE076
时刻第
Figure 983018DEST_PATH_IMAGE077
个传感器与第
Figure 706124DEST_PATH_IMAGE078
类振动类型的相关概率，
Figure 317234DEST_PATH_IMAGE079
表示
Figure 670854DEST_PATH_IMAGE078
类振动类型可以被成功检测的概率。
优选的是，振动类型包括风雨激振、涡激振动、参数振动和线性内部共振。
根据联合概率设计的特征值提取函数，形成的振动参数数据融合模型能够充分利用振动参数之间相关关系，融合结果能够精确描述所有的振动信息，有利于提高后振动控制的精准度。
进一步的，如图4所示，融合滤波包括：
S151正向滤波：从输入数据的第一历元起，通过后续历元中观测向量及协方差矩阵对状态向量及其协方差阵进行最佳的估计与更新。
S151a、计算噪声协方差阵并预测状态向量估计值；
优选的是，预测状态向量为
Figure 333960DEST_PATH_IMAGE080
；
优选的是，预测协方差矩阵为
Figure 595177DEST_PATH_IMAGE081
；
其中，
Figure 388690DEST_PATH_IMAGE082
表示状态向量预测值，
Figure 241108DEST_PATH_IMAGE083
表示状态方程的雅克比矩阵，
Figure 979126DEST_PATH_IMAGE084
表示协方差。
Figure 168668DEST_PATH_IMAGE085
。
S151b、计算观测矩阵及观测噪声协方差阵，并更新滤波增益矩阵和残差向量；
优选的是，增益矩阵的计算公式为：
Figure 223211DEST_PATH_IMAGE086
；
残差向量的计算公式为：
Figure 99726DEST_PATH_IMAGE087
；
其中，
Figure 528302DEST_PATH_IMAGE088
表示增益矩阵，
Figure 662480DEST_PATH_IMAGE089
表示协方差矩阵，
Figure 837110DEST_PATH_IMAGE090
表示残差向量。
S151c、根据振动参数更新状态向量的估计值和协方差阵。
优选的是，协方差更新为：
Figure 218281DEST_PATH_IMAGE091
；
其中，
Figure 743941DEST_PATH_IMAGE092
表示传感器数据集。
S152反向滤波：在正向滤波的最后一个历元，对其滤波估计结果进行反向卡尔曼滤波估计，递归从最后一个历元反向移动到第一个历元。
S153计算用于加权平均的卡尔曼平滑增益矩阵，对正向滤波解和反向滤波解进行加权平均。
通过对正向滤波解与反向滤波解进行加权平均，使滤波误差最小化。
本发明提供的的斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。

Claims (7)

1.一种斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，包括：
步骤一、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正；
步骤二、对所述振动参数数据进行小波转换，去除所述参数数据中的噪声；
步骤三、计算所述振动参数与振动类型之间的关联概率；
所述振动参数包括位移、刚度、阻抗值、风向、风攻角和雨量；
所述振动类型包括风雨激振、涡激振动、参数振动和线性内部共振；
步骤四、以所述关联概率作为特征值提取函数的向量，得到异构振动参数融合模型；
所述异构振动参数融合模型为：
Figure FDA0003250275600000011
其中，F表示特征值提取函数，αij表示第i个传感器振动参数数据与第j类振动类型之间的关联概率；
步骤五、利用卡尔曼滤波法对所述异构振动参数融合模型进行滤波，得到异构振动参数融合滤波模型；
所述异构振动参数融合滤波模型为：
Figure FDA0003250275600000012
Figure FDA0003250275600000013
其中，
Figure FDA0003250275600000014
表示第i个传感器在tk时刻的状态向量，
Figure FDA0003250275600000015
表示第i个传感器在tk-1时刻的特征值提取函数，
Figure FDA0003250275600000016
表示第i个传感器在tk时刻的量测矩阵，
Figure FDA0003250275600000017
表示第i个传感器在tk时刻的参数数据，ω表示传感器过程噪声，v表示传感器量测噪声。
2.如权利要求1所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述异常值筛选和修正包括：
设定所述振动参数分布概率区间阈值；
将超出所述区间阈值的参数作为异常值，并剔除所述异常值；
采用平均滤波法对缺失的参数进行插值替补。
3.如权利要求2所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述小波转换包括：
选取小波基函数，并根据所述振动参数确定小波分解的尺度；
利用模极大值寻找振动参数突变位置作为奇异点，并选取自适应小波阈值；
将分解系数小于阈值的奇异点舍去，分解系数高于阈值的奇异点，使用修正系数进行修正；
从第一层开始，将各层识别出的奇异点经修正后再重构，达到预期畸变率时跳出小波分解层，否则继续下一层振动参数的重构。
4.如权利要求3所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述修正系数公式为：
Figure FDA0003250275600000021
其中，
Figure FDA0003250275600000022
表示修正系数，thdλ表示畸变率，thde表示预期畸变率。
5.如权利要求4所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述步骤三包括：
列出所述传感器振动参数与振动类型之间的组合关系的阵列；
Figure FDA0003250275600000023
其中，θij，l(tk)表示tk时刻第l个组合中与第j类振动类型相关的第i个传感器的振动参数，i表示传感器i∈(1，n)，j表示振动类型j∈(1，m)，l表示组合i∈(1，mn)；
计算所述组合关系的关联概率，遍历所述阵列得到关联概率集合。
6.如权利要求5所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述滤波包括：
正向滤波：从输入数据的第一历元起，通过后续历元中观测向量及协方差矩阵对状态向量及其协方差阵进行估计与更新；
反向滤波：在正向滤波的最后一个历元，对其滤波估计结果进行反向卡尔曼滤波估计，递归从最后一个历元反向移动到第一个历元；
计算用于加权平均的卡尔曼平滑增益矩阵，对正向滤波解和反向滤波解进行加权平均。
7.如权利要求6所述的斜拉桥施工振动参数的主动控制智能数据处理方法，其特征在于，所述正向滤波包括：
计算噪声协方差阵并预测状态向量估计值；
计算观测矩阵及观测噪声协方差阵，并更新滤波增益矩阵和残差向量；
根据振动参数更新状态向量的估计值和协方差阵。
CN202110675098.0A 2021-06-18 2021-06-18 一种斜拉桥施工振动参数的主动控制智能数据处理方法 Active CN113255577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110675098.0A CN113255577B (zh) 2021-06-18 2021-06-18 一种斜拉桥施工振动参数的主动控制智能数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110675098.0A CN113255577B (zh) 2021-06-18 2021-06-18 一种斜拉桥施工振动参数的主动控制智能数据处理方法

Publications (2)

Publication Number Publication Date
CN113255577A CN113255577A (zh) 2021-08-13
CN113255577B true CN113255577B (zh) 2021-12-14

Family

ID=77188522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110675098.0A Active CN113255577B (zh) 2021-06-18 2021-06-18 一种斜拉桥施工振动参数的主动控制智能数据处理方法

Country Status (1)

Country Link
CN (1) CN113255577B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0410647A1 (en) * 1989-07-24 1991-01-30 Tokkyo Kiki Kabushiki Kaisha Method of controlling positions and vibrations and active vibration control apparatus therefor
CN104674644A (zh) * 2015-02-05 2015-06-03 中铁大桥局集团武汉桥梁科学研究院有限公司 一种悬索桥吊索的振动控制装置与方法
KR20150131605A (ko) * 2014-05-15 2015-11-25 한국도로공사 통합형 구조물 진단 장치 및 방법
CN105388926A (zh) * 2015-11-12 2016-03-09 东南大学 一种大跨度桥梁钢箱梁涡振控制的吹气方法
CN106197910A (zh) * 2016-07-01 2016-12-07 东南大学 一种基于车桥耦合振动分析的桥梁检测方法与检测系统
CN112161767A (zh) * 2020-09-25 2021-01-01 中铁大桥局集团有限公司 用于桥梁的激振抑振装置和激振方法以及抑振方法
WO2021097890A1 (zh) * 2019-11-22 2021-05-27 瑞声声学科技(深圳)有限公司 一种低频振感补偿方法、装置及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103335814B (zh) * 2013-06-09 2015-05-27 电子科技大学 风洞中实验模型倾角测量误差数据的修正方法
CN105203645B (zh) * 2015-06-08 2018-03-13 中国铁路总公司 一种基于振动信号融合的高速道岔裂纹伤损智能检测方法
CN108387205B (zh) * 2018-01-20 2021-01-01 西安石油大学 基于多传感器数据融合的钻具姿态测量系统的测量方法
CN109029992A (zh) * 2018-06-15 2018-12-18 深圳大学 机床主轴的轴承故障诊断的方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0410647A1 (en) * 1989-07-24 1991-01-30 Tokkyo Kiki Kabushiki Kaisha Method of controlling positions and vibrations and active vibration control apparatus therefor
KR20150131605A (ko) * 2014-05-15 2015-11-25 한국도로공사 통합형 구조물 진단 장치 및 방법
CN104674644A (zh) * 2015-02-05 2015-06-03 中铁大桥局集团武汉桥梁科学研究院有限公司 一种悬索桥吊索的振动控制装置与方法
CN105388926A (zh) * 2015-11-12 2016-03-09 东南大学 一种大跨度桥梁钢箱梁涡振控制的吹气方法
CN106197910A (zh) * 2016-07-01 2016-12-07 东南大学 一种基于车桥耦合振动分析的桥梁检测方法与检测系统
WO2021097890A1 (zh) * 2019-11-22 2021-05-27 瑞声声学科技(深圳)有限公司 一种低频振感补偿方法、装置及电子设备
CN112161767A (zh) * 2020-09-25 2021-01-01 中铁大桥局集团有限公司 用于桥梁的激振抑振装置和激振方法以及抑振方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
tudy on parameter vibration of stay cable and resistance measure in consideration of bridge deck vibration;N. Hou et al;《2011 Second International Conference on Mechanic Automation and Control Engineering》;20111231;全文 *
九江桥三大拱吊杆振动参数测试;余岭等;《振动.测试与诊断》;19941231(第3期);全文 *
沪苏通长江公铁大桥主航道桥斜拉索振动控制技术;胡勇等;《桥梁建设》;20200430;第50卷(第4期);全文 *

Also Published As

Publication number Publication date
CN113255577A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
US8036836B2 (en) Dynamic environmental change compensation of sensor data in structural health monitoring systems
CN112800634B (zh) 耦合干湿状态辨识与多源信息融合的降水估计方法及系统
CN107766877B (zh) 一种桥梁监测系统中超重车动态识别方法
CN112432644B (zh) 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法
CN110346821B (zh) 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统
CN102853836B (zh) 一种基于航迹质量的反馈加权融合方法
CN114036605B (zh) 基于自适应控制的卡尔曼滤波钢桁架桥梁结构参数监测方法
CN115931055B (zh) 一种基于大数据分析的农村供水运行诊断方法及系统
CN107994885A (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN116644281B (zh) 一种游艇船体偏移检测方法
CN113255577B (zh) 一种斜拉桥施工振动参数的主动控制智能数据处理方法
CN108444479A (zh) 基于自适应鲁棒无迹卡尔曼滤波的重力匹配方法
CN107064865A (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
Weerasinghe A missing values imputation method for time series data: an efficient method to investigate the health effects of sulphur dioxide levels
CN111999747B (zh) 一种惯导-卫星组合导航系统的鲁棒故障检测方法
KR101922176B1 (ko) 브릿지 구조의 성능을 측정하는 방법
CN102314687B (zh) 一种红外序列图像中的小目标检测方法
JP2003302479A (ja) 熱帯性低気圧風速予測方法および装置
CN113720917B (zh) 一种准静态未知时变载荷下结构损伤的自适应定位方法
CN111141276B (zh) 一种基于多源传感器的航迹关联置信度评估方法
CN109783889B (zh) 基于混合高斯隐马尔科夫模型的滑坡发生时间预测方法
CN109443343B (zh) 一种目标跟踪系统
CN111427090B (zh) 稳健矢量中值滤波方法
Radke et al. “Small data” anomaly detection for unmanned systems
CN108133287A (zh) 一种基于卡尔曼滤波台风过程电离层异常探测方法

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