CN114036974A - 一种基于健康监测数据的桥梁冲刷动力识别方法 - Google Patents
一种基于健康监测数据的桥梁冲刷动力识别方法 Download PDFInfo
- Publication number
- CN114036974A CN114036974A CN202111203755.8A CN202111203755A CN114036974A CN 114036974 A CN114036974 A CN 114036974A CN 202111203755 A CN202111203755 A CN 202111203755A CN 114036974 A CN114036974 A CN 114036974A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- bridge
- abnormal
- scour
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000009991 scouring Methods 0.000 title claims abstract description 28
- 230000036541 health Effects 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims abstract description 7
- 238000005315 distribution function Methods 0.000 claims description 15
- 238000011010 flushing procedure Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000005406 washing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002277 temperature effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于健康监测数据的桥梁冲刷动力识别方法，包括：采集桥梁基础结构振动时的加速度时间曲线：利用健康监测系统采集每个桥梁基础结构在冲刷状态下，每个桥梁基础结构产生振动时的加速度‑时间曲线；计算得到首次冲刷桥梁评估基准模态的时频变化异常警戒的警戒控制阀值；识别待识别冲刷桥梁频率片段中的异常片段；识别时频异常片段中的异常时频序列：异常序列完成冲刷预警后，更新桥梁冲刷基准模态时频特征自身随机波动的警戒控制阀值，为下一次的异变识别与冲刷预警做准备；本发明通过进行结构系统动力特性分析，从而动态识别基础冲刷深度的方法，本识别方法并可实现长期动态水下基础冲刷监测及预警的技术特点。
Description
技术领域
本发明涉及桥梁健康监测技术领域，具体涉及到一种基于桥梁监测振动加速度时程数据进行结构系统动力特性分析，从而动态识别基础冲刷深度的方法。
背景技术
桥梁基础冲刷病害是当今桥梁结构功能失效、丧失其安全性能的最主要原因之一。以美国为例，从1966年至2005年，全美倒塌桥梁中(1502座)58％的破坏桥梁与桥梁基础结构冲刷病害相关，美国交通部已将桥梁基础冲刷看作公路桥梁结构功能及安全性能失效的最常见原因之一。在我国特别是东部区域高速公路过水桥梁桩长一般为10-50m设计范围，根据老、旧桥现场病害定期检测数据发现，5m以上为桥梁基础冲刷常见深度，特定水文条件下冲刷深度甚至可超过10m。而对于跨越江河湖海的大型桥梁，基础结构平衡冲刷可达20m以上。另外，由于冲刷发生于水面以下，桥梁基础被冲刷破坏通常没有任何征兆，严重危及桥梁结构的安全性能以及交通公路网络的顺利运营。
为提前预测局部冲刷形态发展，合理进行运营阶段的桥梁基础结构安全评估与加固决策，防止桥梁基础冲刷而导致的结构灾难性倒塌，显然需要长期且定期地针对桥梁基础冲刷状态进行检测与诊断。长期以来，桥梁基础冲刷状态主要基于日常检查的主观经验判断，准确性不高。尽管针对个别特大型桥梁可进行冲刷模型实验，但模型相似比难以确定，且实验人力物力花费高额，也无法广泛应用于一般桥梁设计；近年来，新出现的水下检测设备，诸如声呐、TDR技术、多波束探测系统、水下机器人检测基础冲刷深度还受到地形因素限制，单次检测费用高昂，无法实现长期动态的水下监测。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，而提出一种基于桥梁监测振动加速度时程数据进行结构系统动力特性分析，从而动态识别基础冲刷深度的方法，且具有广泛适用性，费用相对低廉，并可实现长期动态水下基础冲刷监测及预警的技术特点。
为解决上述技术问题，本发明采用的技术方案是：一种基于健康监测数据的桥梁冲刷动力识别方法，包括以下步骤：
步骤1、采集桥梁基础结构振动时的加速度时间曲线：利用健康监测系统采集每个桥梁基础结构在冲刷状态下，每个桥梁基础结构产生振动时的加速度-时间曲线，并对加速度-时间曲线进行抗干扰因素预处理；
步骤2、获得桥梁冲刷基准模态频率-时间曲线：将步骤1中的加速度-时间曲线通过傅里叶变换，得到冲刷基准模态频率-时间曲线；
步骤3、确定显著性水平值α的取值；
步骤3.1、利用核密度估计方法建立桥梁冲刷评估基准模态时频的概率分布模型，将冲刷基准模态频率转换为服从标准正态分布的随机变量；
步骤3.2、根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，并获得显著性水平值α对应的概率分布函数，建立正态分布概率模型；
步骤3.3、根据初步设定的显著性水平值α的取值范围，进行识别灵敏度校准；
步骤4、将α带入正态分布概率模型，计算得到首次冲刷桥梁评估基准模态的时频变化异常警戒的上控制阀值UCL和下控制阀值LCL；
步骤5、识别待识别冲刷桥梁频率片段中的异常片段：
步骤5.1、将超过上控制阀值UCL或下控制阀值LCL的待识别冲刷桥梁的频率片段判定为时频异常片段；
步骤6、识别时频异常片段中的异常时频序列：
步骤6.1、所述时频异常片段包含多个时频序列，识别多个时频序列中的时频异常序列：
设置时频异常序列的识别参数，时频异常序列的识别参数包括异常基准频率序列时间长度比参数PL/U'、相邻两个异常频率之间的时间间隔参数Ts'、冲刷基准频率均值变化差值参数Ms'；
步骤6.2、计算异常片段的异常频率序列的时间长度比参数PL/U：
PL/U＝Tab/Tt0
其中，Tab为超过上控制阀值UCL或下控制阀值LCL的频率序列时间长度，Tt0为异常片段总时间长度；
计算异常片段的Ts，Ts为相邻的两个Tab之间的时间间隔；
当PL/U>PL/U'，且Ts<Ts'时，则判定该时频序列为异常序列，并进入步骤6.3，反之，则判定该时频序列为无异常；
步骤6.3、计算时频异常序列中的冲刷基准频率时序均值变化差Ms：
Ms＝|M1-M2|
其中，M1为时频异常序列的频率均值，M2为异常片段的前一个相同时间间隔的健康状态下的频率均值；
当Ms≤Ms'，则判定该异常序列为正常信号振荡；当Ms＞Ms'，则对异常序列进行冲刷预警；
步骤7、异常序列完成冲刷预警后，重复步骤5-步骤6，更新桥梁冲刷基准模态时频特征自身随机波动的上控制阀值和下控制阀值，为下一次的异变识别与冲刷预警做准备。
作为本发明的进一步的优选方案，所述步骤1中，具体包括以下步骤：
步骤1.1、利用健康监测系统采集每个桥梁基础在冲刷状态下，获得每个桥梁基础振动时的加速度-时间曲线后，并利用滤波器和信号去趋势函数，去除加速度-时间曲线中的高阶频率信号；
步骤1.2、计算并处理得到频率-时间曲线中缺失的信号长度：
首先，定义索引结构体missing：
其中，sm、em分别为第m段缺失数据的起、止索引；k为缺失数据的总段数；第m段缺失的信号长度即为missing.longm＝em-sm；
当缺失的信号长度小于长度容忍临界值时，采用延拓填补法填充缺失的信号长度；
当缺失的信号长度大于长度容忍临界值时，则舍弃缺失的信号长度；
步骤1.3、识别并剔除频率-时间曲线中的离群值，并采用数值插值法补充剔除的离群值；
步骤1.4、去除步骤1.3处理得到的加速度-时间曲线中的温度效应，得到桥梁冲刷基准模态频率-时间曲线：预先通过温度传感器测得桥梁基础结构在特定温度下的桥梁基础结构频率，通过EMD算法分解加速度-时间曲线得到多阶子模态加速度-时间曲线，将多阶子模态加速度-时间曲线通过傅里叶变换获得主要频率，并将其中与特定温度下的桥梁基础结构频率相近的加速度-时间曲线剔除，再重构后得到冲刷基准模态加速度-时间曲线。
作为本发明的进一步的优选方案，所述步骤3.1具体步骤为：
将待识别的频率信号作为一维连续的样本向量fi，并利用选定的核密度函数得到样本向量fi的核密度估计向量PDF(fi)，
其中，K(x)是选定的核密度函数，l是设定的1个时间序列的数据长度，h是设定的时间间隔值，i是阶次，fi,j是模态频率向量fi的第j个数据；
通过核密度估计向量PDF(fi)，计算得到样本向量fi的累计概率估计向量CDF(fi)：
最后，对累积概率估计向量CDF(fi)进行标准正态分布函数的逆变换，将其转换为Q统计量：
Qi＝Φ-1(CDF(fi))
其中，Φ-1(·)为标准正态分布函数的反函数，此时完成将非正态数据转换为服从标准正态分布的随机变量。
作为本发明的进一步的优选方案，所述步骤3.2具体步骤为：根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，并获得显著性水平值α对应的概率分布函数：
其中，μ0为总体均值，σ为样本总体标准差，α为显著性水平值，Zα/2为标准正态分布的上α/2分位点，f为概率密度函数的中的参数，n为待测样本的总量；
通过显著性水平值α对应的概率分布函数得到建立正态分布概率模型。
作为本发明的进一步的优选方案，所述步骤4中，所述上控制阀值UCL的计算方式为：
所述下控制阀值LCL的计算方式为：
作为本发明的进一步的优选方案，其特征在于：在步骤3.2中，所述初步设定的显著性水平值α的取值范围为0.05-0.15。
作为本发明的进一步的优选方案，所述步骤6.1中，令PL/U'＝1％，Ts'＝0.1s、Ms'＝0.01Hz。
本发明具有如下有益效果：
1、本发明公开了一种基于健康监测数据的桥梁冲刷动力识别方法，通过采集桥梁基础结构在冲刷状态下的加速度随时间的变化情况，得到桥梁基础结构在冲刷状态下的变化振动变化频率，从而达到桥梁基础结构变化情况的识别预警，最终达到桥梁基础结构变形情况的快速检测与诊断，为有选择的进一步水下检测及区域性的桥梁冲刷快速筛查提供理论依据，为桥梁结构安全的提前预警提供重要支撑，与常规冲刷检测技术相比，该方法不需要水下作业，不需要直接观测冲刷状态，仅通过对桥梁上部结构动力学响应的现场量测与参数跟踪。
2、通过对采集到的桥梁基础结构在冲刷状态下的变化振动变化频率提出温度效应的影响，提高对桥梁基础结构的变形程度的识别准确性。
附图说明
图1是本发明一种基于健康监测数据的桥梁冲刷动力识别方法的冲刷预警实施流程图；
图2是本发明在计算冲刷评估基准模态的时频特征变化异常警戒控制阈值，采用的休哈特控制图控制限设定示意图；
图3a是本发明在设定显著性水平α为0.05时，依据某大型斜拉桥实测数据冲刷预警结果图；
图3b是本发明在设定显著性水平α为0.10时，依据某大型斜拉桥实测数据冲刷预警结果图；
图3c是本发明在设定显著性水平α为0.15时，依据某大型斜拉桥实测数据冲刷预警结果图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中，需要理解的是，术语“左侧”、“右侧”、“上部”、“下部”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，“第一”、“第二”等并不表示零部件的重要程度，因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案，并不限制本发明的保护范围。
本发明需满足的基本条件为：桥梁结构仅受环境噪声或自然激励的情况，其中自然激励是指在不施加人工激励荷载的情况下，仅存在车辆荷载、波浪冲刷、风荷载等环境作用效应，结构系统所受外部信号输入均可视为白噪声。此后，桥梁结构系统所受的各项激励响应输出，均可由相关算法获得及动力特性。
本发明算法主要服务桥梁冲刷健康监测领域，所应用对象为桥梁结构野外实测数据，因而，相关算法步骤可基于专业软件工具包编写代码完成，在本实施例中，基于Matlab程序完成相关算法步骤的编程计算。
一种基于健康监测数据的桥梁冲刷动力识别方法，具体步骤如下：
步骤1、采集桥梁基础结构振动时的加速度时间曲线：利用健康监测系统采集每个桥梁基础结构在冲刷状态下，每个桥梁基础结构产生振动时的加速度-时间曲线，并对加速度-时间曲线进行抗干扰因素预处理。
步骤1.1、利用健康监测系统采集每个桥梁基础在冲刷状态下，获得每个桥梁基础振动时的加速度-时间曲线后，并利用滤波器和信号去趋势函数，去除加速度-时间曲线中的高阶频率信号；
步骤1.2、计算并处理得到频率-时间曲线中缺失的信号长度：
首先，定义索引结构体missing：
其中，sm、em分别为第m段缺失数据的起、止索引；k为缺失数据的总段数；第m段缺失的信号长度即为missing.longm＝em-sm；
当缺失的信号长度小于长度容忍临界值时，采用延拓填补法填充缺失的信号长度；
当缺失的信号长度大于长度容忍临界值时，则舍弃缺失的信号长度；
步骤1.3、识别并剔除频率-时间曲线中的离群值，并采用数值插值法补充剔除的离群值；
步骤1.4、去除步骤1.3处理得到的加速度-时间曲线中的温度效应，得到桥梁冲刷基准模态频率-时间曲线：预先通过温度传感器测得桥梁基础结构在特定温度下的桥梁基础结构频率，通过EMD算法分解加速度-时间曲线得到多阶子模态加速度-时间曲线，将多阶子模态加速度-时间曲线通过傅里叶变换获得主要频率，并将其中与特定温度下的桥梁基础结构频率相近的加速度-时间曲线剔除，再重构后得到冲刷基准模态加速度-时间曲线。
步骤2、获得桥梁冲刷基准模态频率-时间曲线：将步骤1中的加速度-时间曲线通过傅里叶变换，得到冲刷基准模态频率-时间曲线。
步骤3、确定显著性水平值α的取值
步骤3.1、利用核密度估计方法建立桥梁冲刷评估基准模态时频的概率分布模型，将冲刷基准模态频率转换为服从标准正态分布的随机变量；
将待识别的频率信号作为一维连续的样本向量fi，并利用选定的核密度函数得到样本向量fi的核密度估计向量PDF(fi)，
其中，K(x)是选定的核密度函数，l是设定的1个时间序列的数据长度，h是设定的时间间隔值，i是阶次，fi,j是模态频率向量fi的第j个数据；
通过核密度估计向量PDF(fi)，计算得到样本向量fi的累计概率估计向量CDF(fi)：
最后，对累积概率估计向量CDF(fi)进行标准正态分布函数的逆变换，将其转换为Q统计量：
Qi＝Φ-1(CDF(fi))
其中，Φ-1(·)为标准正态分布函数的反函数，此时完成将非正态数据转换为服从标准正态分布的随机变量。
步骤3.2、根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，在本实施例中，所述初步设定的显著性水平值α的取值范围为0.05-0.15，并获得显著性水平值α对应的概率分布函数，建立正态分布概率模型；
根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，并获得显著性水平值α对应的概率分布函数：
其中，μ0为总体均值，σ为样本总体标准差，α为显著性水平值，Zα/2为标准正态分布的上α/2分位点，f为概率密度函数的中的参数，n为待测样本的总量；
通过显著性水平值α对应的概率分布函数得到建立正态分布概率模型。
步骤3.3、根据初步设定的显著性水平值α的取值范围，进行识别灵敏度校准。
步骤4、将α’带入正态分布概率模型，计算得到首次冲刷桥梁评估基准模态的时频变化异常警戒的上控制阀值UCL和下控制阀值LCL：
步骤5、识别待识别冲刷桥梁频率片段中的异常片段：
步骤5.1、将超过上控制阀值UCL或下控制阀值LCL的待识别冲刷桥梁的频率片段判定为时频异常片段。
步骤6、识别时频异常片段中的异常时频序列：
步骤6.1、所述时频异常片段包含多个时频序列，识别多个时频序列中的时频异常序列：设置时频异常序列的识别参数，时频异常序列的识别参数包括异常基准频率序列时间长度比参数PL/U'、相邻两个异常频率之间的时间间隔参数Ts'、冲刷基准频率均值变化差值参数Ms'，在本实施例中令PL/U'＝1％，Ts'＝0.1s、Ms'＝0.01Hz。
步骤6.2、计算异常片段的异常频率序列的时间长度比参数PL/U：
PL/U＝Tab/Tt0
其中，Tab为超过上控制阀值UCL或下控制阀值LCL的频率序列时间长度，Tt0为异常片段总时间长度；
计算异常片段的Ts，Ts为相邻的两个Tab之间的时间间隔；
当PL/U>PL/U'，且Ts<Ts'时，则判定该时频序列为异常序列，并进入步骤6.3，反之，则判定该时频序列为无异常。
步骤6.3、计算时频异常序列中的冲刷基准频率时序均值变化差Ms：
Ms＝|M1-M2|
其中，M1为时频异常序列的频率均值，M2为异常片段的前一个相同时间间隔的健康状态下的频率均值；
当Ms≤Ms'，则判定该异常序列为正常信号振荡；当Ms＞Ms'，则对异常序列进行冲刷预警。
步骤7、异常序列完成冲刷预警后，重复步骤5-步骤6，更新桥梁冲刷基准模态时频特征自身随机波动的上控制阀值和下控制阀值，为下一次的异变识别与冲刷预警做准备。
以上方法步骤及基本公式原理也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以实现计算机处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能或步骤。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (7)
1.一种基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：包括以下步骤：
步骤1、采集桥梁基础结构振动时的加速度时间曲线：利用健康监测系统采集每个桥梁基础结构在冲刷状态下，每个桥梁基础结构产生振动时的加速度-时间曲线，并对加速度-时间曲线进行抗干扰因素预处理；
步骤2、获得桥梁冲刷基准模态频率-时间曲线：将步骤1中的加速度-时间曲线通过傅里叶变换，得到冲刷基准模态频率-时间曲线；
步骤3、确定显著性水平值α的取值；
步骤3.1、利用核密度估计方法建立桥梁冲刷评估基准模态时频的概率分布模型，将冲刷基准模态频率转换为服从标准正态分布的随机变量；
步骤3.2、根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，并获得显著性水平值α对应的概率分布函数，建立正态分布概率模型；
步骤3.3、根据初步设定的显著性水平值α的取值范围，进行识别灵敏度校准；
步骤4、将α带入正态分布概率模型，计算得到首次冲刷桥梁评估基准模态的时频变化异常警戒的上控制阀值UCL和下控制阀值LCL；
步骤5、识别待识别冲刷桥梁频率片段中的异常片段：
步骤5.1、将超过上控制阀值UCL或下控制阀值LCL的待识别冲刷桥梁的频率片段判定为时频异常片段；
步骤6、识别时频异常片段中的异常时频序列：
步骤6.1、所述时频异常片段包含多个时频序列，识别多个时频序列中的时频异常序列：
设置时频异常序列的识别参数，时频异常序列的识别参数包括异常基准频率序列时间长度比参数PL/U'、相邻两个异常频率之间的时间间隔参数Ts'、冲刷基准频率均值变化差值参数Ms'；
步骤6.2、计算异常片段的异常频率序列的时间长度比参数PL/U：
PL/U＝Tab/Tt0
其中，Tab为超过上控制阀值UCL或下控制阀值LCL的频率序列时间长度，Tt0为异常片段总时间长度；
计算异常片段的Ts，Ts为相邻的两个Tab之间的时间间隔；
当PL/U>PL/U'，且Ts<Ts'时，则判定该时频序列为异常序列，并进入步骤6.3，反之，则判定该时频序列为无异常；
步骤6.3、计算时频异常序列中的冲刷基准频率时序均值变化差Ms：
Ms＝|M1-M2|
其中，M1为时频异常序列的频率均值，M2为异常片段的前一个相同时间间隔的健康状态下的频率均值；
当Ms≤Ms'，则判定该异常序列为正常信号振荡；当Ms＞Ms'，则对异常序列进行冲刷预警；
步骤7、异常序列完成冲刷预警后，重复步骤5-步骤6，更新桥梁冲刷基准模态时频特征自身随机波动的上控制阀值和下控制阀值，为下一次的异变识别与冲刷预警做准备。
2.根据权利要求1所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：所述步骤1中，具体包括以下步骤：
步骤1.1、利用健康监测系统采集每个桥梁基础在冲刷状态下，获得每个桥梁基础振动时的加速度-时间曲线后，并利用滤波器和信号去趋势函数，去除加速度-时间曲线中的高阶频率信号；
步骤1.2、计算并处理得到频率-时间曲线中缺失的信号长度：
首先，定义索引结构体missing：
其中，sm、em分别为第m段缺失数据的起、止索引；k为缺失数据的总段数；第m段缺失的信号长度即为missing.longm＝em-sm；
当缺失的信号长度小于长度容忍临界值时，采用延拓填补法填充缺失的信号长度；
当缺失的信号长度大于长度容忍临界值时，则舍弃缺失的信号长度；
步骤1.3、识别并剔除频率-时间曲线中的离群值，并采用数值插值法补充剔除的离群值；
步骤1.4、去除步骤1.3处理得到的加速度-时间曲线中的温度效应，得到桥梁冲刷基准模态频率-时间曲线：预先通过温度传感器测得桥梁基础结构在特定温度下的桥梁基础结构频率，通过EMD算法分解加速度-时间曲线得到多阶子模态加速度-时间曲线，将多阶子模态加速度-时间曲线通过傅里叶变换获得主要频率，并将其中与特定温度下的桥梁基础结构频率相近的加速度-时间曲线剔除，再重构后得到冲刷基准模态加速度-时间曲线。
3.根据权利要求1所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：所述步骤3.1具体步骤为：
将待识别的频率信号作为一维连续的样本向量fi，并利用选定的核密度函数得到样本向量fi的核密度估计向量PDF(fi)，
其中，K(x)是选定的核密度函数，l是设定的1个时间序列的数据长度，h是设定的时间间隔值，i是阶次，fi,j是模态频率向量fi的第j个数据；
通过核密度估计向量PDF(fi)，计算得到样本向量fi的累计概率估计向量CDF(fi)：
最后，对累积概率估计向量CDF(fi)进行标准正态分布函数的逆变换，将其转换为Q统计量：
Qi＝Φ-1(CDF(fi))
其中，Φ-1(·)为标准正态分布函数的反函数，此时完成将非正态数据转换为服从标准正态分布的随机变量。
4.根据权利要求3所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：所述步骤3.2具体步骤为：根据服从标准正态分布的随机变量，结合休哈特均值控制图，初步设定显著性水平值α的取值，并获得显著性水平值α对应的概率分布函数：
其中，μ0为总体均值，σ为样本总体标准差，α为显著性水平值，Zα/2为标准正态分布的上α/2分位点，f为概率密度函数的中的参数，n为待测样本的总量；
通过显著性水平值α对应的概率分布函数得到建立正态分布概率模型。
5.根据权利要求4所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：所述步骤4中，所述上控制阀值UCL的计算方式为：
所述下控制阀值LCL的计算方式为：
6.根据权利要求1所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：在步骤3.2中，所述初步设定的显著性水平值α的取值范围为0.05-0.15。
7.根据权利要求1所述的基于健康监测数据的桥梁冲刷动力识别方法，其特征在于：所述步骤6.1中，令PL/U'＝1％，Ts'＝0.1s、Ms'＝0.01Hz。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203755.8A CN114036974A (zh) | 2021-10-15 | 2021-10-15 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
| US17/798,685 US20230228618A1 (en) | 2021-10-15 | 2021-11-05 | A dynamic identification method of bridge scour based on health monitoring data |
| PCT/CN2021/128853 WO2023060672A1 (zh) | 2021-10-15 | 2021-11-05 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203755.8A CN114036974A (zh) | 2021-10-15 | 2021-10-15 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114036974A true CN114036974A (zh) | 2022-02-11 |
Family
ID=80135045
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111203755.8A Pending CN114036974A (zh) | 2021-10-15 | 2021-10-15 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230228618A1 (zh) |
| CN (1) | CN114036974A (zh) |
| WO (1) | WO2023060672A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115900906A (zh) * | 2022-06-15 | 2023-04-04 | 东南大学 | 一种基于跨中边梁测点应变的桥梁动态称重方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116662920B (zh) * | 2023-07-31 | 2023-10-24 | 深圳大学 | 钻爆法施工装备异常数据辨识方法、系统、装备及介质 |
| CN116713373B (zh) * | 2023-08-10 | 2023-10-31 | 聊城市誉林工业设计有限公司 | 基于量产工业数据分析的换向片冲压工艺力补偿系统 |
| CN116842348B (zh) * | 2023-08-31 | 2023-12-01 | 安徽省云鹏工程项目管理有限公司 | 基于人工智能的桥梁健康监测系统 |
| CN117216701B (zh) * | 2023-09-13 | 2024-03-15 | 华夏安信物联网技术有限公司 | 智慧桥梁监测预警方法及系统 |
| CN117392515B (zh) * | 2023-09-15 | 2024-04-30 | 中亿丰(苏州)城市建设发展股份有限公司 | 一种基于视觉传感的桥梁结构计量检测系统 |
| CN117708643A (zh) * | 2023-11-07 | 2024-03-15 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种基于融合序列特征的桥梁监测异常数据的识别方法及系统 |
| CN117349602A (zh) * | 2023-12-06 | 2024-01-05 | 江西省水投江河信息技术有限公司 | 一种水利设施运行状态预测方法、系统及计算机 |
| CN117664484B (zh) * | 2024-01-31 | 2024-04-05 | 北京智城联合科技发展有限公司 | 一种智慧城市桥梁安全监测预警方法及系统 |
| CN117782228B (zh) * | 2024-02-26 | 2024-04-26 | 南京峟思工程仪器有限公司 | 用于分布式自动测量单元的数据处理方法及系统 |
| CN117789999B (zh) * | 2024-02-27 | 2024-05-03 | 济宁医学院附属医院 | 一种医疗健康大数据优化采集方法 |
| CN117852774B (zh) * | 2024-03-05 | 2024-05-14 | 贵州交通建设集团有限公司 | 一种山区峡谷桥梁长期性能数据采集方法及系统 |
| CN117889945B (zh) * | 2024-03-14 | 2024-05-31 | 河南鹏飞建设工程有限公司 | 一种公路桥梁施工振动测试方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002673A (zh) * | 2018-10-08 | 2018-12-14 | 哈尔滨工业大学 | 一种基于车辆制动冲击作用的桥梁基础冲刷识别方法 |
| US20210025120A1 (en) * | 2019-07-24 | 2021-01-28 | Andy Vanaman | Bridge Construction System and Method |
| CN112834193A (zh) * | 2021-01-11 | 2021-05-25 | 暨南大学 | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160266072A1 (en) * | 2013-11-12 | 2016-09-15 | Nec Corporation | Analysis device, analysis method, and analysis program |
| CN105241660B (zh) * | 2015-11-09 | 2019-04-23 | 西南交通大学 | 基于健康监测数据的高铁大型桥梁性能测试方法 |
| CN105953996B (zh) * | 2016-06-30 | 2017-04-19 | 东南大学 | 一种基于冲击振动的桥梁检测评估方法与设备 |
| US20200375480A1 (en) * | 2017-03-24 | 2020-12-03 | Beth Israel Deaconess Medical Center, Inc. | Non-Invasive Cardiovascular Risk Assessment Using Heart Rate Variability Fragmentation |
| WO2018190216A1 (ja) * | 2017-04-13 | 2018-10-18 | Ntn株式会社 | 状態監視装置、状態監視システムおよび状態監視方法 |
| CN109828033B (zh) * | 2019-01-08 | 2021-08-03 | 上海卫星工程研究所 | 基于振动响应相似度分析的损伤识别方法和系统 |
| CN112085354B (zh) * | 2020-08-21 | 2022-02-11 | 哈尔滨工业大学 | 一种基于车激动力响应互相关指标体系的桥梁基础冲刷诊断方法 |
-
2021
- 2021-10-15 CN CN202111203755.8A patent/CN114036974A/zh active Pending
- 2021-11-05 US US17/798,685 patent/US20230228618A1/en active Pending
- 2021-11-05 WO PCT/CN2021/128853 patent/WO2023060672A1/zh unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109002673A (zh) * | 2018-10-08 | 2018-12-14 | 哈尔滨工业大学 | 一种基于车辆制动冲击作用的桥梁基础冲刷识别方法 |
| US20210025120A1 (en) * | 2019-07-24 | 2021-01-28 | Andy Vanaman | Bridge Construction System and Method |
| CN112834193A (zh) * | 2021-01-11 | 2021-05-25 | 暨南大学 | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 熊文 等: "大跨度缆索支承桥梁基础冲刷动力识别方法", 《哈尔滨工业大学学报》, 31 March 2019 (2019-03-31), pages 92 - 97 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115900906A (zh) * | 2022-06-15 | 2023-04-04 | 东南大学 | 一种基于跨中边梁测点应变的桥梁动态称重方法 |
| CN115900906B (zh) * | 2022-06-15 | 2023-07-25 | 东南大学 | 一种基于跨中边梁测点应变的桥梁动态称重方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023060672A1 (zh) | 2023-04-20 |
| US20230228618A1 (en) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114036974A (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
| CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
| CN110008301B (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
| CN109783903B (zh) | 一种基于时间序列的工业用水管道故障诊断方法及系统 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| EP1818746A1 (en) | Method of condition monitoring | |
| CN108170925A (zh) | 一种基于arma模型的桥梁损伤预警方法 | |
| CN110598265A (zh) | 基于小波分析的桥梁健康数据异常修正方法及系统 | |
| CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
| CN114358091B (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
| Deng et al. | Probabilistic damage detection of long-span bridges using measured modal frequencies and temperature | |
| CN114897272A (zh) | 污水检查井的液位预测方法、装置、电子设备及存储介质 | |
| CN113326744B (zh) | 一种航天器在轨状态异常检测方法及系统 | |
| CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
| CN114547725A (zh) | 基于数字孪生的水下工程结构智能检测方法及系统 | |
| CN112632862B (zh) | 风场稳定性的确定方法、装置、电子设备及存储介质 | |
| CN116432527A (zh) | 一种空化预测方法、装置、存储介质及电子设备 | |
| Singh et al. | Damage identification using vibration monitoring techniques | |
| CN107083951B (zh) | 油气井监测方法和装置 | |
| CN115186702A (zh) | 一种基于振动信号的离心泵空化状态识别方法 | |
| CN111881978A (zh) | 海洋定点浮标设备故障诊断方法、装置及电子设备 | |
| CN112396015B (zh) | 一种用于核电站的核电机组的过冷信号识别方法及装置 | |
| CN115357646B (zh) | 一种桥梁状态监测方法及系统 | |
| CN117408855B (zh) | 水库工程安全管理方法、系统、存储介质及计算机设备 | |
| CN118013301B (zh) | 基于bim的公路桥梁施工信息数字化管理方法 |
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 |