CN113945633B - 一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 - Google Patents
一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 Download PDFInfo
- Publication number
- CN113945633B CN113945633B CN202111163746.0A CN202111163746A CN113945633B CN 113945633 B CN113945633 B CN 113945633B CN 202111163746 A CN202111163746 A CN 202111163746A CN 113945633 B CN113945633 B CN 113945633B
- Authority
- CN
- China
- Prior art keywords
- dimension
- mode
- damage
- vibration
- parting
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
Abstract
针对目前的损伤方法对于结构微弱损伤识别精度不高的问题,本发明公开一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法。该方法首先利用光流算法对结构进行高空间分辨率运动进行测量,采用盲源分离算法获得结构的振型,然后计算振型分型维数;其次,通过分型维数和高斯多尺度差分空间理论,将振型分型维数映射到高斯多尺度差分空间,提出了基于高斯多尺度差分空间的分型维数的损伤特征计算方法,得到高斯多尺度差分空间分型维数的损伤概率分布;最后,采用D‑S证据理论对高斯多尺度差分空间分型维数的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行识别。所提方法测量装置简单,测量精度、效率高。
Description
技术领域
本发明属于结构健康检测技术领域,特别涉及一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法。
背景技术
根据结构的振动进行健康监测技术应用极为广泛。目前,大多数现有的SHM系统都配备了加速度传感器或位移传感器,取得了一些重要的研究成果。然而,对系统投入大量的传感器使得成本极大提升,同时操作系统较为繁琐,耗费时间。另一个主要瓶颈在于传感器在测量过程中,只提供稀疏点、离散点方式的测量,产生的空间传感分辨率较低,对结构的局部损伤难以识别。
常用的非接触式位移测量装置有激光位移传感器和GPS,激光位移传感器空间分辨率低,激光功率低,因此对远距离测量效果较差。GPS具有较低的位移测量精度,且价格昂贵,对成本要求较高。而基于计算机视觉的方法作一种非接触式的测量方法,具有较高的空间分辨率,能够提供更多的运动信息。与其他类型的传感器相比,视觉传感器具有成本低、操作方便、提取信息灵活等优点。基于此,本发明提出一种结合计算机视觉和分型维数的结构微弱损伤识别方法,将计算机视觉的高空间分辨率振动测量方法与先进的信号处理技术相结合,能够对结构损伤进行有效识别。
发明内容
为解决目前的结构损伤方法对于微弱损伤识别精度的问题,本发明提供一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法。
为了实现上述目的,本发明采用的技术方案是:
步骤1),对结构的振动进行视频采集,采用光流算法获取结构的高分辨率振动信息;
步骤2),根据结构振动响应和模态之间的依存关系,采用盲源分离算法,获取结构的高空间分辨率振型,然后计算振型分型维数;
步骤3),通过分型维数和高斯多尺度差分空间理论,将振型分型维数映射到高斯多尺度差分空间,得到高斯多尺度差分空间的振型分型维数,对结构的损伤特征进行计算,得到高斯多尺度差分空间分型维数的损伤概率分布;
步骤4),采用D-S证据理论对高斯多尺度差分空间分型维数的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行识别。
进一步的,所述步骤1具体为,利用高速相机对结构振动进行视频记录,选择Gabor小波核函数对灰度图像进行处理,获取图像的相位信息:
其函数表示为:
式中:λ表示Gabor小波的波长,θ表示Gabor小波的方向,ψ表示相位的偏差,γ表示空间宽高比,σ表示Gabor小波的标准差,表示Gabor小波的实部,表示Gabor小波的虚部,x′、y′表示小波变换后的图像像素坐标,记为:
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
基于计算机视觉理论,图像的相位可以描述图像轮廓与运动信息的关系,在t时刻,坐标在(x,y)处的图像相位值是恒定的,表示为如下形式:
φθ(x,y,t)=c
式中:c表示常数。
对上式等号两边求关于时间t的导数,可得到如下形式:
通过上式,可求解图像中任意像素的光流,通过对光流值进行积分,可以得到结构高空间分辨率振动响应。
进一步的,所述步骤2具体为,基于结构振动响应和模态的依存关系,时域振动δ(l,t)可以表示为:
由于结构像素点较多,计算量大,为提高计算效率,本发明对运动矩阵δ进行奇异值分解:
式中:U=[u1,u2,...,un]、V=[v1,v2,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σn]为奇异值。
设前r阶奇异值大于0:
σ1≥σ2≥...≥σr>0≥...≥σn
运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量。
根据前文所述结构振动响应和模态的依存关系,运动主成分η可分解为:
结合前文公式,可得:
采用盲源分离算法,对主运动矩阵η进行解耦:
q(t)=W(l)η(l,t)
γ=W-1
进一步的,所述步骤3具体为,基于盒子分型维数理论,分型维数表示为:
式中:K为常数,表示盒子分型维数中盒子的大小,在本发明中K=2,d表示相邻两点间的距离,H表示盒子内振型边界点间的距离;
对于点xi,可得到振型的分型维数:
根据相邻点距离间的关系,有:
本发明中,根据离散信号多尺度空间理论,二阶差分满足一维扩散方程,即方程右边的二阶差分可以改写为如下一般形式:
由于K,σ2-σ1为常数,因此,对于任意点,高斯差分空间下的振型分型维数可得:
利用得高斯多尺度差分空间的振型分型维数对结构的损伤特征进行计算,得到高斯多尺度差分空间分型维数的损伤概率分布。
进一步的,所述步骤4具体为,采用D-S证据理论对高斯多尺度差分空间分型维数的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行识别。
式中:Cn-1为两个尺度分型维数损伤概率分布融合之后的概率,q1表示两个尺度分型维数之间的冲突量。
采用上式对不同尺度上的振型分型维数损伤概率分布进行融合,利用融合后损伤概率分布结果对结构的损伤进行识别。
与现有技术相比,本发明的有益效果是:
1)所提计算机视觉方法,能够获得结构高空间分辨率振动信息,对结构运动细节能过够高精度捕捉。
2)将振型分型维数映射到高斯差分多尺度空间,具有较高的噪声鲁棒性,实现噪声环境下的结构损伤识别。
附图说明
图1为本发明所提出的结构损伤识别框架。
图2为高斯差分多尺度空间示意图。
图3为振型分型维数计算原理示意图。
图4为验证本发明所提方法采用的悬臂梁结构;其中(a)为结构示意图,(b)为结构几何尺寸。
图5为基于光流算法计算的结构振动响应。
图6为采用奇异值分解和独立成分分析算法得到的结构振型。
图7为振型分型维数计算结果。
图8为高斯差分空间下的振型分型维数计算结果。
图9为利用本发明所提方法损伤辨识结果。
具体实施方式
图1为本发明所提方法的流程示意图,下面结合附图和实施例详细说明本发明的实施方式。
步骤1:利用高速相机对结构振动进行视频记录,选择Gabor小波核函数对灰度图像进行处理,获取图像的相位信息:
其函数表示为:
式中:λ表示Gabor小波的波长,θ表示Gabor小波的方向,ψ表示相位的偏差,γ表示空间宽高比,σ表示Gabor小波的标准差,表示Gabor小波的实部,表示Gabor小波的虚部,x′、y′表示小波变换后的图像像素坐标,记为:
x′=xcosθ+ysinθ (3)
y′=-xsinθ+ycosθ (4)
基于计算机视觉理论,图像的相位可以描述图像轮廓与运动信息的关系,在t时刻,坐标在(x,y)处的图像相位值是恒定的,表示为如下形式:
φθ(x,y,t)=c (5)
式中:c表示常数。
对上式等号两边求关于时间t的导数,可得到如下形式:
通过上式,可求解图像中任意像素的光流,通过对光流值进行积分,可以得到结构高空间分辨率振动响应。
步骤2:基于结构振动响应和模态的依存关系,时域振动δ(l,t)可以表示为:
由于结构像素点较多,计算量大,为提高计算效率,本发明对运动矩阵δ进行奇异值分解:
式中:U=[u1,u2,...,un]、V=[v1,v2,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σn]为奇异值。
设前r阶奇异值大于0:
σ1≥σ2≥...≥σr>0≥...≥σn
运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量。
根据前文所述结构振动响应和模态的依存关系,运动主成分η可分解为:
结合前文公式,可得:
采用盲源分离算法,对主运动矩阵η进行解耦:
q(t)=W(l)η(l,t) (14)
γ=W-1 (15)
步骤3:基于盒子分型维数理论,分型维数表示为:
式中:K为常数,表示盒子分型维数中盒子的大小,在本发明中K=2,d表示相邻两点间的距离,H表示盒子内振型边界点间的距离;
对于点xi,可得到振型的分型维数:
根据相邻点距离间的关系,有:
本发明中,根据离散信号多尺度空间理论,二阶差分满足一维扩散方程,即方程右边的二阶差分可以改写为如下一般形式:
由于K,σ2-σ1为常数,因此,对于任意点,高斯差分空间下的振型分型维数可得:
利用得高斯多尺度差分空间的振型分型维数对结构的损伤特征进行计算,得到高斯多尺度差分空间分型维数的损伤概率分布。
步骤4:采用D-S证据理论对高斯多尺度差分空间分型维数的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行识别。
式中:Cn-1为两个尺度分型维数损伤概率分布融合之后的概率,q1表示两个尺度分型维数之间的冲突量。
采用上式对不同尺度上的振型分型维数损伤概率分布进行融合,利用融合后损伤概率分布结果对结构的损伤进行识别。
为了验证本发明所提方法的有效性,对带有损伤的悬臂梁结构进行实验,悬臂梁几何尺寸和损伤位置如图4中(a)和(b)所示。图5为采用光流算法计算的悬臂梁结构的振动响应。图6为基于盲源分离算法获得的结构振型,从图中可以看出,由于采用了计算机视觉方法,测量的结构振型平滑,空间分辨率高。图7为单一尺度下的振型分型维数,从图中可以看出,在结构损伤位置有峰值出现,但由于噪声的影响,其他区域也出现了一些比较低的峰。图8为高斯差分空间下的振型分型维数,从图中可以看出,结构损伤位置有明显的峰值,且受到噪声干扰较小,图9为采用D-S证据理论对不同尺度下的振型分型维数融合后的结果,结果表明本发明所提出方法能够对结构损伤进行高精度识别。
Claims (5)
1.一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法,其特征在于,包括以下步骤:
步骤1),对结构的振动进行视频采集,采用光流算法获取结构的高分辨率振动信息;
步骤2),根据结构振动响应和模态之间的依存关系,采用盲源分离算法,获取结构的高空间分辨率振型,然后计算振型分型维数;
步骤3),通过分型维数和高斯多尺度差分空间理论,将振型分型维数映射到高斯多尺度差分空间,得到高斯多尺度差分空间下的振型分型维数,对结构的损伤特征进行计算,得到高斯多尺度差分空间下的振型分型维数的损伤概率分布;
步骤4),采用D-S证据理论对高斯多尺度差分空间下的振型分型维数的损伤概率分布进行融合,根据融合后的结果对结构的损伤位置进行识别。
2.根据权利要求1所述一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法,其特征在于,所述步骤1)中,利用高速相机对结构振动进行视频记录,选择Gabor小波核函数对灰度图像进行处理,获取图像的相位信息:
φθ(x,y,t)=c
式中:c表示常数;
3.根据权利要求1所述一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法,其特征在于,所述步骤2)中,基于结构振动响应和模态的依存关系,位置l处时域振动δ(l,t)表示为:
对运动矩阵δ进行奇异值分解:
式中:U=[u1,u2,...,ui,...,un]、V=[v1,v2,...,vi,...,vn]分别为左右奇异值矩阵,∑=[σ1,σ2,...,σi,...,σn]为奇异值,前r阶奇异值大于0,σ1≥σ2≥...≥σr>0≥...≥σn;
根据主成分分析结果,运动矩阵δ的主成分η为:
式中:Ur=[u1,…,ur]为矩阵U的前r列向量;
采用盲源分离算法,对η进行解耦得到q(t)=W(l)η(l,t);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163746.0A CN113945633B (zh) | 2021-09-30 | 2021-09-30 | 一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111163746.0A CN113945633B (zh) | 2021-09-30 | 2021-09-30 | 一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113945633A CN113945633A (zh) | 2022-01-18 |
CN113945633B true CN113945633B (zh) | 2022-10-28 |
Family
ID=79329730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111163746.0A Active CN113945633B (zh) | 2021-09-30 | 2021-09-30 | 一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113945633B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730152A (zh) * | 2015-04-13 | 2015-06-24 | 西安交通大学 | 一种基于分形维数的复合材料结构件裂纹损伤监测方法 |
CN109471998A (zh) * | 2018-11-01 | 2019-03-15 | 上海海事大学 | 一种基于三维分形维数的腐蚀疲劳剩余寿命预测方法 |
WO2019201178A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 |
CN113155973A (zh) * | 2021-05-05 | 2021-07-23 | 温州大学 | 一种基于自适应奇异值分解的梁损伤识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100161244A1 (en) * | 2008-12-18 | 2010-06-24 | Sikorsky Aircraft Corporation | Method and apparatus for monitoring structural health |
US10024756B2 (en) * | 2014-10-28 | 2018-07-17 | Embraer S.A. | Method and system for structural health monitoring with frequency synchronization |
WO2019169544A1 (zh) * | 2018-03-06 | 2019-09-12 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
CN111709393B (zh) * | 2020-06-29 | 2022-04-12 | 重庆交通大学 | 联合卷积与循环神经网络的结构损伤识别方法 |
-
2021
- 2021-09-30 CN CN202111163746.0A patent/CN113945633B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104730152A (zh) * | 2015-04-13 | 2015-06-24 | 西安交通大学 | 一种基于分形维数的复合材料结构件裂纹损伤监测方法 |
WO2019201178A1 (zh) * | 2018-04-17 | 2019-10-24 | 江苏必得科技股份有限公司 | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 |
CN109471998A (zh) * | 2018-11-01 | 2019-03-15 | 上海海事大学 | 一种基于三维分形维数的腐蚀疲劳剩余寿命预测方法 |
CN113155973A (zh) * | 2021-05-05 | 2021-07-23 | 温州大学 | 一种基于自适应奇异值分解的梁损伤识别方法 |
Non-Patent Citations (7)
Title |
---|
Data fusion of multi-scale representations for structural damage detection;Tian Guo,Zili Xu;《Mechanical Systems and Signal Processing》;20170609;全文 * |
Extracting full-field subpixel structural displacements from videos via deep learning;Luan Lele,et al.;《Journal of Sound and Vibration》;20210524;全文 * |
Reference-free detection of minute, non-visible, damage using full-field, high-resolution mode shapes output-only identified from digital videos of structures;Yongchao Yang,et al.;《Structural health monitoring》;20180516;全文 * |
Structural health monitoring using DOG multi-scale space: an approach for analyzing damage characteristics;Tian Guo,Zili Xu;《Smart Materials and Structures》;20180202;全文 * |
基于车辆响应的连续梁桥振型识别数值模拟及影响参数分析;亓兴军 等;《地震工程与工程振动》;20210815;全文 * |
多裂纹梁不确定性损伤识别和实验研究;梁岗 等;《机械科学与技术》;20201014;全文 * |
试验模态分析中抑制频率混叠的采样改进措施;冯永新 等;《汽轮机技术》;20120425;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113945633A (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhiman et al. | Pothole detection using computer vision and learning | |
US11244197B2 (en) | Fast and robust multimodal remote sensing image matching method and system | |
CN109544629B (zh) | 摄像头位姿确定方法和装置以及电子设备 | |
US20190311494A1 (en) | Automatic camera calibration | |
US9396553B2 (en) | Vehicle dimension estimation from vehicle images | |
US11783507B2 (en) | Camera calibration apparatus and operating method | |
CN111339830A (zh) | 一种基于多模态数据特征的目标分类方法 | |
CN114495064A (zh) | 一种基于单目深度估计的车辆周围障碍物预警方法 | |
Sun et al. | Three-dimensional structural displacement measurement using monocular vision and deep learning based pose estimation | |
Xu et al. | Reconstruction method adopting laser plane generated from RANSAC and three dimensional reference | |
Zhang et al. | Noncontact measurement of tire deformation based on computer vision and Tire-Net semantic segmentation | |
CN113945633B (zh) | 一种基于高空间分辨率振型分型维数的结构微弱损伤识别方法 | |
Ning et al. | Automatic driving scene target detection algorithm based on improved yolov5 network | |
CN111310651B (zh) | 一种基于偏振相机和rgb-d传感器的水面检测方法 | |
CN116543032B (zh) | 冲击物测距方法、装置、测距设备及存储介质 | |
CN112669382A (zh) | 一种基于图像的距离确定方法及装置 | |
CN113947569B (zh) | 一种基于计算机视觉的梁型结构多尺度微弱损伤定位方法 | |
Loktev et al. | Image Blur Simulation for the Estimation of the Behavior of Real Objects by Monitoring Systems. | |
CN103473566A (zh) | 一种基于多尺度模型的车辆检测方法 | |
CN115294541A (zh) | 一种局部特征增强Transformer道路裂缝检测方法 | |
Zhang et al. | Tractor-trailer-train braking time sequence detection based on monocular vision | |
CN114549586A (zh) | 一种基于视觉感知机械臂的目标定位方法 | |
Yu et al. | 3D reconstruction and defect pattern recognition of bonding wire based on stereo vision | |
CN112200856A (zh) | 一种基于事件相机的视觉测距方法 | |
Prun et al. | Forward rectification: spatial image normalization for a video from a forward facing vehicle camera |
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 |