CN114791928A - 一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法 - Google Patents

Abstract

本发明涉及结构健康监测技术领域，公开了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，包括：在结构体上布置多个传感器组成的传感器序列，对结构体施加激励，采集结构体上不同位置处的位移时程响应曲线，建立时程数据的数据库；根据数据库中的数据集，基于信息熵度量时域响应信号紊乱程度，得到采集结构上不同位置处时程响应的信息熵值，根据多个传感器所在的位置，将得到时程响应的信息熵值依次连接，得到结构体整体的时程信息熵曲线；分析时程信息熵曲线，信息熵曲线产生跳跃现象，从而确定裂缝产生的位置，这种方法，能够有效辨识疲劳裂缝的发生、程度及位置，具备较好的鲁棒性和抗噪能力。

Description

一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法

技术领域

本发明涉及结构健康监测技术领域，特别涉及一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法。

背景技术

新时期以来我国桥梁建设总量不断增加，对于桥梁监测养护需求呈现快速的增长趋势。为保证桥梁运维的安全，对桥梁状况的监测是必不可少的。随着传感技术，数据传输、存储、处理技术的发展，海量的结构健康检测数据被提取，这些海量的数据中包含丰富的表征结构损伤的信息，海量监测数据的充分利用，需要能够高效率地提取海量数据中的损伤特征的损伤识别算法。桥梁结构状态的整体演变虽是长期的，桥梁结构在服役期间其中蕴含的诸多的微观的疲劳裂缝损伤，疲劳裂缝经过一次次交变载荷循环，不断向前扩张最终从裂源点向外辐射，造成构件断裂，但低频的检测不具有时效性，难以完整及时观测变化过程，需要通过高频率、时效性的检测数据才能保证对结构疲劳裂缝发展趋势判别的准确程度。由于结构状态的诸多不确定性，通过单一的理论假设难以建立较准确的数学模型，传统的基于理论驱动的建模方法已经无法满足需求。

数据驱动的分析方法以其对随机扰动的稳定性和强适应性的优势，可以为结构状态疲劳裂缝分析提供解决方案。目前常用疲劳裂缝识别方法主要基于已知系统及其动力输出信号，利用监测传感器采集的响应数据，通过恢复力曲面模型方法(RFS)、Volterra级数高阶频响函数法、短时傅立叶变换(STFT)等方法进行裂缝的识别，研究方法如下：恢复力曲面模型方法(RFS)将速度、位移相关的力作为系统的内部恢复力，建立系统恢复力、位移、速度的三维关系来研究疲劳裂缝，对线性系统识别较好，缺乏对非线性系统裂缝损伤识别；Volterra级数高阶频响函数法在简谐激励下，研究非线性结构系统的损伤识别和双线性参数估计，参数的大小取值与裂缝大小和结构退化程度有关，参数估计采用递归迭代求解，在裂缝深度较小的情况下能够识别裂缝，但方法依赖于参数大小取值；短时傅立叶变换(STFT)方法提出了短时傅立叶变换(STFT)，作为一种信号的时频分析方法，采用不同中心频率的带通滤波器对信号的谱分量进行分割提取，再对输出的包络求平方，以此来反映信号中频段范围内频率分量的功率随时间的变化规律，从而识别裂缝损伤，其不能在频率和时间这两个方面同时实现较高的分辨率，从而在一定程度上影响了时频分析的准确性。

目前缺少一种能够快速简易分析各传感器海量数据，提取疲劳裂缝的信息，达到轻量化的目的。本发明方法针对时域数据中提取疲劳裂缝的信息，通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线，根据信息熵将疲劳裂缝信息独立化特性，通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下，对不同深度、不同位置疲劳裂缝进行敏感性分析，避免因边界条件变化无法识别缺点，同时具备较好的鲁棒性和抗噪能力。

发明内容

本发明提供一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，能够快速判断对多疲劳裂缝的所在区域下，对不同深度、不同位置疲劳裂缝进行敏感性分析，同时具备较好的鲁棒性和抗噪能力。

本发明提供了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，包括以下步骤：

S1、在结构体上布置多个传感器组成的传感器序列，对结构体施加激励，采集结构体上不同位置处的位移时程响应曲线，建立时程数据的数据库；

S2、根据数据库中的数据集，基于信息熵度量时域响应信号紊乱程度，得到采集结构上不同位置处时程响应的信息熵值，根据多个传感器所在的位置，将得到时程响应的信息熵值依次连接，得到结构体整体的时程信息熵曲线；

S3、分析时程信息熵曲线，因疲劳裂缝具有“一张一合”特性，信息熵会突出疲劳裂缝张开的信息量，即信息熵值会产生突变，信息熵曲线产生跳跃现象，从而确定裂缝产生的位置。

上述施加激励为Л分布的激励、高斯分布的激励或者对数分布的激励。

上述时程响应的信息熵值为：

其中，x₀,x₁,x₂,x₃,…,x_N-1,表示在所有事件的时间记录中，事件i的概率为P(x_i)的信号X得到的结果，P(x_i)为第i时刻结构位移占全时刻位移和的比重。

与现有技术相比，本发明的有益效果在于：

本发明方法相比传统方法会因边界条件的变化无法辨识疲劳裂缝，克服了传统方法难以及时有效地提取裂纹信息且没有良好的抗噪能力，本发明针对时域数据中提取疲劳裂缝的信息，通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线，根据信息熵将疲劳裂缝信息独立化特性，通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下，对不同深度、不同位置疲劳裂缝进行敏感性分析，避免因边界条件变化无法识别缺点，同时具备较好的鲁棒性和抗噪能力。

附图说明

图1是本发明方法具体流程示意图。

图2是本发明中梁裂缝的建模模型。

图3是本发明中单呼吸裂缝悬臂边界情况下不同位置处香农熵曲线。

图4是本发明中单呼吸裂缝固定-简支情况下不同位置处香农熵曲线。

图5是本发明中单呼吸裂缝两端简支情况下不同位置处香农熵曲线。

图6是本发明中单呼吸裂缝两端固定情况下不同位置处香农熵曲线。

图7是本发明中多呼吸裂缝不同位置处偏香农熵曲线。

图8是本发明中不同噪音条件下香农熵曲线。

具体实施方式

下面结合附图1-8，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，本发明实施例提供的一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，包括：

步骤一、结构上施加Л分布的激励，沿结构体布置由多个传感器组成的传感器序列，采集结构上不同位置处的位移时程响应曲线，建立时程数据的数据库。

步骤二、导入步骤一数据库中的数据集，基于信息熵度量时域响应信号紊乱程度，得到不同采集点处的信息熵值，根据传感器所在的位置，将得到时程响应的信息熵值依次连接，得到结构整体时程信息熵曲线。

其中，x₀,x₁,x₂,x₃,…,x_N-1,表示在所有事件的时间记录中，事件i的概率为P(x_i)的信号X得到的结果，P(x_i)为第i时刻结构位移占全时刻位移和的比重。

步骤三、分析信息熵曲线，因疲劳裂缝具有“一张一合”特性，信息熵会突出疲劳裂缝张开的信息量，信息熵值会产生突变，信息熵曲线产生跳跃现象，从而确定裂缝产生的位置。

下面结合具体实施例作具体实施方式的详细说明。

实施例为梁结构中可能发生的不同深度和位置、不同噪声条件、不同边界条件下下单呼吸及多疲劳裂缝下的方法。数值模拟梁结构的非线性动态特征，包括单呼吸裂纹和多呼吸裂纹，并利用高阶时域响应统计分析方法，详细计算步骤如下：

悬臂梁在固定端使用高斯白噪声激发进行激励，而测量点同样位于梁表面的10个不同位置，以记录纵向位移，如图2所示，呼吸性裂纹的位置和深度可以使用无量纲参数来指定，位置为ζ＝x_c/l，深度为ξ＝a/c,x_c为监测点的位置，l为梁的长度，a为裂缝深度，c为横截面高度，设置的工况的如下：

考虑了3种不同的裂纹深度，即3.5mm(ξ1＝0.1)、10.5mm(ξ2＝0.3)和17.5mm(ξ3＝0.5)。

考虑了6种情况下的噪声情况，SNR＝85,65,45,25,10,0db。

考虑4种条件单呼吸裂缝下不同边界条件下(悬臂、固定-简支、两端固定、两段简支)的裂缝识别与定位；

步骤一、结构上施加Л分布的激励，沿结构体布置由多个传感器组成的传感器序列，采集结构上不同位置处的位移时程响应曲线，建立时程数据的数据库。

步骤二、导入步骤一数据库中的数据集，基于信息熵度量时域响应信号紊乱程度，得到不同采集点处的信息熵值，根据传感器所在的位置，将得到时程响应的信息熵值依次连接，得到结构整体时程信息熵曲线。见图3-8。

步骤三、分析信息熵曲线，因疲劳裂缝具有“一张一合”特性，信息熵会突出疲劳裂缝张开的信息量，信息熵值会产生突变，信息熵曲线产生跳跃现象，从而确定裂缝产生的位置。由图3-8可得：

信息熵法对所有研究位置的呼吸性裂纹都很敏感，该方法对裂纹位置的灵敏度从裂纹两侧的跳跃中可以明显看出，这表明了裂纹的位置。此外，可以观察到在裂纹位置有一个散射点，表明裂纹的位置。当裂纹深度显著时，跳转更为明显，并随着裂纹深度的减小而逐渐减小。同时显示了噪声水平对此方法性能的影响，结果表明，该方法具有良好的鲁棒性，证明该方法能够检测不同噪声条件下的单个和多个呼吸性裂纹。

本发明公开了一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，该方法的具体技术元素包括：结构含有疲劳裂缝，在激励下经过疲劳裂缝调制后位移响应的信息分布会发生跳变，采用信息熵反映了疲劳裂缝信息量，沿结构体布置多个传感器组成的传感器序列，将传感器序列所采集的多点信息熵的统计分析，形成信息熵曲线，信息熵跳变揭示了疲劳裂缝的位置和程度。相比传统统计量，信息熵将疲劳裂缝信息独立化，避免因边界条件变化无法有效辨识疲劳裂缝的发生、程度及位置，用统计属性表征损伤赋予该方法良好的噪声鲁棒性，该方法不依赖数值或物理模型，提供了一种采用监测数据对实际结构进行疲劳裂损伤监(检)测的轻量化技术。

本发明方法相比传统方法会因边界条件的变化无法辨识疲劳裂缝，克服了传统方法难以及时有效地提取裂纹信息且没有良好的抗噪能力，本发明针对时域数据中提取疲劳裂缝的信息，通过传感器位置和其得到的时程位移曲线得到结构时域信息熵的分布曲线，根据信息熵将疲劳裂缝信息独立化特性，通过曲线跳动能够快速判断对多疲劳裂缝的所在区域下，对不同深度、不同位置疲劳裂缝进行敏感性分析，避免因边界条件变化无法识别缺点，同时具备较好的鲁棒性和抗噪能力。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (3)

1.一种时域信息熵驱动的边界自适应结构疲劳损伤检测方法，其特征在于，包括以下步骤：

S1、在结构体上布置多个传感器组成的传感器序列，对结构体施加激励，采集结构体上不同位置处的位移时程响应曲线，建立时程数据的数据库；

S2、根据数据库中的数据集，基于信息熵度量时域响应信号紊乱程度，得到采集结构上不同位置处时程响应的信息熵值，根据多个传感器所在的位置，将得到时程响应的信息熵值依次连接，得到结构体整体的时程信息熵曲线；

S3、分析时程信息熵曲线，因疲劳裂缝具有“一张一合”特性，信息熵会突出疲劳裂缝张开的信息量，即信息熵值会产生突变，信息熵曲线产生跳跃现象，从而确定裂缝产生的位置。

2.如权利要求1所述的时域信息熵驱动的边界自适应结构疲劳损伤检测方法，其特征在于，所述施加激励为Л分布的激励、高斯分布的激励或者对数分布的激励。

3.如权利要求1所述的时域信息熵驱动的边界自适应结构疲劳损伤检测方法，其特征在于，所述时程响应的信息熵值为：

其中，x₀,x₁,x₂,x₃,…,x_N-1,表示在所有事件的时间记录中，事件i的概率为P(x_i)的信号X得到的结果，P(x_i)为第i时刻结构位移占全时刻位移和的比重。

Images