CN115048998B - 一种基于监测数据的斜拉桥群索索力异常识别定位方法 - Google Patents
一种基于监测数据的斜拉桥群索索力异常识别定位方法 Download PDFInfo
- Publication number
- CN115048998B CN115048998B CN202210660025.9A CN202210660025A CN115048998B CN 115048998 B CN115048998 B CN 115048998B CN 202210660025 A CN202210660025 A CN 202210660025A CN 115048998 B CN115048998 B CN 115048998B
- Authority
- CN
- China
- Prior art keywords
- cable
- cable force
- group
- abnormal
- force
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000002955 isolation Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种基于监测数据的斜拉桥群索索力异常识别定位方法，步骤如下：(1)建立群索索力异常敏感特征指标；(2)建立基于k‑NN规则的斜拉索索力状态在线全局无监督评估模型；(3)构造斜拉索索力异常隔离和定位指标。本发明建立的群索索力异常评估指标有效反映了群索索力的分布特性；基于k‑NN规则的拉索索力状态在线评估模型有效消除了桥梁运营条件复杂外界因素对评估模型判别的干扰，进而构造预警指标并确定合理阈值，实现群索索力的在线状态评估和异常预警；通过构造并计算斜拉索异常隔离指标，可实现斜拉索的在线异常定位。该方法适用于各种结构类型的斜拉桥索力状态评估和异常定位，在斜拉桥性能评估领域的应用前景广阔。
Description
技术领域
本发明属于桥梁结构性能评估技术领域，具体涉及一种基于监测数据的斜拉桥群索索力异常识别定位方法。
背景技术
斜拉索是斜拉桥中传递荷载作用的关键构件，其内力变化对于全桥的受力状况有着显著的影响。斜拉桥在服役若干年后，由于受到不利的长期荷载作用和外界环境作用的影响，从而导致斜拉索劣化并引起索力的异常变化，实际索力与正常运营状态下的索力必然也会存在一定的偏差，严重时将影响全桥的受力状态和安全运营。因此，及时对大跨度斜拉桥的斜拉索的索力状态进行评估，对于评估斜拉桥整体受力状态具有重要意义。
目前，现有基于索力监测数据的斜拉索状态评估方法中主要包括基于相关性分析的方法，如公开号为CN111967185A的专利提出的基于索力与主梁位移的相关性建模的斜拉桥状态评估方法，公开号为CN109959493A的专利提出的基于静挠度值与温度值主成分之间的多元线性动态相关模型的拉索损伤实时定量评估方法。但此类方法均需要额外的温度或主梁位移监测数据，且数据分析处理过程更加复杂；此外，近年来也有学者提出了一些基于多根斜拉索索力分布特性的斜拉索状态评估方法，淡丹辉等提出了基于群索索力相异测度的斜拉桥健康状态评估方法，然而该方法需要复杂的有限元模型用于提取影响矩阵；秦伟亮等提出基于索力损伤向量的斜拉桥结构损伤识别方法，该方法以标准索力均值的改变量来构造结构损伤向量，但标准索力的获取需要额外已知温度数据。此外，该方法主要基于有限元进行损伤工况的模拟，导致其应用于实际大跨度斜拉桥监测数据上的有效性有待验证。李顺龙等提出的基于索力比模式识别的索力状态评估方法，该方法虽然可以有效避免外界环境因素影响，但其模式识别过程更为复杂，导致索力状态评估的效率较低，并且该方法需要综合决策才能判断拉索损伤位置。综上所述，现有基于监测数据的斜拉索状态评估方法需要同时获取索力和温度监测数据，或需要借助有限元模拟，致使索力状态评估条件苛刻，且无法做到拉索异常的实时在线识别和定位。因此，现有技术方法在基于索力监测数据的斜拉桥群索索力异常识别定位方面仍存在明显不足。
斜拉桥作为一种组合受力体系，所有拉索均锚固在共同的主梁和主塔上，在受力上体现出较强的整体性能，在空间对称位置以及相邻位置的斜拉索索力之间具有较强的相关性，当结构发生显著改变时，必然会导致群索索力分布特性发生显著变化。为此，从斜拉桥整体受力要求出发，研究一种基于监测数据的斜拉桥群索索力异常识别定位方法，可实现斜拉索索力异常的在线识别和定位，对评估斜拉桥群索索力分布异常状态具有重要意义。
发明内容
本发明的目的是提供一种基于监测数据的斜拉桥群索索力异常识别定位方法。
本发明的技术方案：
一种基于监测数据的斜拉桥群索索力异常识别定位方法，步骤如下：
步骤1.群索索力异常敏感特征指标的建立
(1.1)通过桥梁健康监测系统获取斜拉索的实时索力数据，采用滑动平均法将实时索力数据中的车致响应成分与恒载、温度响应成分进行分离，其中，滑动窗口设置为1800个样本点，从而提取得到车辆荷载引起的斜拉索索力时程数据；
(1.2)根据车致斜拉索索力的单峰特征对单车工况即单车过桥的情况进行识别和提取；首先，通过差分法初步识别车辆荷载引起的斜拉索索力时程数据中的峰值点和谷值点，即差分值大于零即为峰值点，反之则为谷值点；其次，进行单车工况的识别和提取，识别准则为峰值两侧的谷值均小于某一阈值，阈值设置为2kN，此外，峰的宽度即车辆作用于相应斜拉索的时间不应小于10秒且峰值不宜小于10kN；
(1.3)进行单峰特征下的索力峰值匹配，该过程即在同侧相邻的几根不同斜拉索之间找到同一车辆的索力响应峰值，峰值匹配根据相邻几根斜拉索的索力峰值出现的时间依次存在时间滞后现象，以相邻两根斜拉索的峰值滞后时间不应大于2s为判定准则进行峰值匹配；
(1.4)定义在单车工况下同一车辆引起的同侧不同斜拉索的索力变化量的集合x＝[x1x2···xi···xn]T为群索索力异常敏感特征向量，其中包含n根斜拉索的车致斜拉索峰值索力变化量；定义不同时刻单车工况作用下的群索索力异常敏感特征向量组成索力异常敏感特征矩阵为式(1)：
其中，X为群索索力异常敏感特征矩阵；xm为第m次车载工况下车致同侧斜拉索峰值索力变化量所构成的群索索力异常敏感特征向量；xmn为第m次车载工况下第n根斜拉索的车致斜拉索峰值索力变化量；
步骤2.建立基于k-NN规则的斜拉索索力状态在线全局无监督评估模型
(2.1)提取斜拉桥索力正常状态下一段时间内的群索索力异常敏感特征矩阵作为训练集，训练集的选取应尽可能多的包含斜拉桥运营期间多种环境作用和车载工况下的群索索力敏感特征向量；同时，选择斜拉桥索力正常状态下一段时间内的群索索力异常敏感特征矩阵作为验证集，用于斜拉索索力状态评估模型的验证；其中，训练集和验证集中特征向量的个数比为4:1；
(2.2)在斜拉索索力状态在线全局无监督评估模型的训练阶段，通过计算欧几里得距离，在训练集x1,x2,...,xi-1,xi+1,…,xm中找到第i个特征向量xi的全部近邻，其中特征向量间的欧几里得距离计算公式如式(2)：
ESD＝(xi-xi+1)T(xi-xi+1) (2)
其中，xi为训练集中第i个单车工况作用下的群索索力异常敏感特征向量，xi+1为训练集中除xi以外的其他时刻下的群索索力异常敏感特征向量；
(2.3)根据公式(2)提取群索索力异常敏感特征向量xi的前K个的最近邻并定义为
通过公式(3)估计局部协方差矩阵；
其中，
为前K个最近邻的均值；
(2.4)进一步通过计算的均值
和协方差矩阵SK(xi)计算马氏距离，再次按照步骤1通过公式(4)计算马氏距离并重新提取特征向量xi新的k个最近邻并定义为
特征向量xi不参与马氏距离计算；
(2.5)对(2.3)和(2.4)中K和k的选取，采用以下原则：K值的选取范围为[10,50]，k的选取不应大于K值，K和k的具体数值采用交叉验证方法综合判定，以斜拉索索力状态在线全局无监督评估模型中验证集的误报率为判定准则，从而选取误报率最低时对应的K和k值作为模型设置参数；
(2.6)利用式(5)计算的前k个最近邻的累计距离，表征不同时刻、不同单车工况下群索索力分布特征间的相异度量，并将其定义为群索索力状态评估预警指标；
(2.7)通过核密度估计方法，对训练阶段斜拉桥索力正常状态的群索索力状态评估预警指标DI进行概率密度拟合，并给定显著性水α下的评估指标值τα作为阈值用于在线评估模型在测试阶段对群索索力状态评估和异常预警，α取0.01；当预警指标超过其设定阈值式，判断群索索力状态出现异常；
(2.8)在测试阶段，重复步骤1-步骤2，进行群索索力状态的在线评估和异常预警；
步骤3.构造并计算斜拉索索力异常隔离和定位指标
(3.1)将群索索力状态评估预警指标DI进行解耦，分解为各根斜拉索车致索力对应的贡献值之和：
S＝PΛ-1PT(9)
其中，ξj为单位矩阵的第j列，Λ＝diag(λ1,λ2,...,λn)表示由所有n个特征值所组成的对角矩阵，λi表示第i个特征值，P＝[p1,p2,W,pn]表示所有n个特征向量组成的标准正交矩阵，pi表示第i个特征向量；
(3.2)当某根或某几根斜拉索索力出现异常时，群索索力分布特性则会发生变化，群索索力异常敏感特征向量中每根斜拉索的贡献分布发生改变，因此定义斜拉索索力异常隔离和定位指标为：
其中，CDC表示索力异常和指标，通过CDC找到索力异常斜拉索的位置，当群索索力异常敏感特征向量中某一变量对应的异常隔离和定位指标显著增大时，对索力异常的斜拉索进行定位。
本发明的有益效果：
1、本发明中建立了一种具备物理意义且可以有效表征斜拉索受力特性的群索索力异常敏感特征指标，该特征指标不仅可以反映群索中各斜拉索的固有特性，同时具备群索索力的时间序列信息和空间分布的特性，对于群索索力异常状态具有很强的敏感性；
2、本发明中建立基于k-NN规则的斜拉索索力状态在线全局无监督评估模型可以有效消除斜拉桥在实际运营条件下其他车道的车辆的影响、车桥耦合作用以及外界环境等因素对群索索力异常判别的干扰，以斜拉索索力正常状态下组成特征矩阵作为训练集，实现了群索索力的在线状态评估和异常预警，可以有效避免现有索力状态评估方法中使用复杂的有限元模型和索力设计值或理论值以及实时性难以保证的问题；
3、本发明中建立的斜拉索索力异常隔离和定位指标可以在群索索力状态异常时，可实现群索索力特征矩阵的解耦进而快速准确的判定索力异常斜拉索的位置，从而可对管养部门的决策提供必要的信息。
附图说明
图1为本发明方法的流程图；
图2为本发明方法实施得到斜拉桥十天内的单车工况交通量；
图3(a)和3(b)为本发明方法实施得到的车致峰值索力数据集；
图4为本发明方法实施得到群索索力在线状态评估模型；
图5为本发明方法实施得到的斜拉索索力异常隔离和定位结果。
具体实施方式
下面结合附图和一个算例来对本发明做进一步的详细说明。
本发明的用于斜拉桥索力异常识别和定位方法分为“群索索力异常敏感特征指标的建立”，“基于k-NN规则的斜拉索索力状态在线全局无监督评估模型的建立”和“构造并计算斜拉索索力异常隔离和定位指标”三步，方法实施流程如图1所示。具体实施方式上文已经给出，接下来结合具体算例说明发明的使用方法和特点。
在本具体数值算例中，利用中国某座双塔双索面的斜拉桥十天的斜拉索索力监测数据进行测试，以上游侧相邻的五根拉索为例，根据步骤一建立群索索力异常敏感特征指标，通过对车致斜拉索索力的单峰特征对单车工况进行识别和提取以及索力峰值匹配步骤后，最终符合以上准则的单车工况十天内共计4568辆，即群索索力异常敏感特征矩阵由4568个5维特征向量X∈R5×4568所组成，并且每天的波动很小，如图2所示，在第十天单车工况较之前出现的了较大的波动，单车工况频次降低，与拉索损坏后进行了车流量的限制有关。
进行训练集、验证集、测试集的建立，训练集和验证集特征向量的个数一般为4:1，因此，对于训练期间的离线学习，训练数据集采用80％的正常状态的群索索力异常敏感特征向量组成，即群索索力异常敏感特征矩阵中的第1-3357个车致峰值索力序列组成了训练矩阵X∈R5×3357。另一方面，其余的20％的正常状态的特征向量(即x3358...x4196)组成验证集用于验证所提方法的正确性和适用性。已知在第十天斜拉索中的一根斜拉索发生损坏，因此，提取的最后一天372个斜拉索索力异常敏感特征向量作为测试集(即z1...z372)。图3(a)和图3(b)给出了CU11、CU12的车致峰值索力变化量。
建立基于k-NN规则的斜拉索索力状态在线全局无监督评估模型并用于测试集的群索索力状态评估。图4可以得出，最后一天群索索力的统计量全部在设定的阈值之外，表明斜拉索在最后一天某一根或多根出现异常。
构造并计算斜拉索索力在第十天的异常隔离和定位指标，由图5可以得出，索力异常的斜拉索被准确定位。证明了本发明的基于监测数据的斜拉桥群索索力异常识别定位方法对于斜拉索的状态评估具有重要意义。
Claims (1)
1.一种基于监测数据的斜拉桥群索索力异常识别定位方法，特征在于，步骤如下：
步骤1.群索索力异常敏感特征指标的建立
(1.1)通过桥梁健康监测系统获取斜拉索的实时索力数据，采用滑动平均法将实时索力数据中的车致响应成分与恒载、温度响应成分进行分离，其中，滑动窗口设置为1800个样本点，从而提取得到车辆荷载引起的斜拉索索力时程数据；
(1.2)根据车致斜拉索索力的单峰特征对单车工况即单车过桥的情况进行识别和提取；首先，通过差分法初步识别车辆荷载引起的斜拉索索力时程数据中的峰值点和谷值点，即差分值大于零即为峰值点，反之则为谷值点；其次，进行单车工况的识别和提取，识别准则为峰值两侧的谷值均小于某一阈值，阈值设置为2kN，此外，峰的宽度即车辆作用于相应斜拉索的时间不应小于10秒且峰值不宜小于10kN；
(1.3)进行单峰特征下的索力峰值匹配，该过程即在同侧相邻的几根不同斜拉索之间找到同一车辆的索力响应峰值，峰值匹配根据相邻几根斜拉索的索力峰值出现的时间依次存在时间滞后现象，以相邻两根斜拉索的峰值滞后时间不应大于2s为判定准则进行峰值匹配；
(1.4)定义在单车工况下同一车辆引起的同侧不同斜拉索的索力变化量的集合x＝[x1x2…xi…xn]T为群索索力异常敏感特征向量，其中包含n根斜拉索的车致斜拉索峰值索力变化量；定义不同时刻单车工况作用下的群索索力异常敏感特征向量组成索力异常敏感特征矩阵为式(1)：
其中，X为群索索力异常敏感特征矩阵；xm为第m次车载工况下车致同侧斜拉索峰值索力变化量所构成的群索索力异常敏感特征向量；xmn为第m次车载工况下第n根斜拉索的车致斜拉索峰值索力变化量；
步骤2.建立基于k-NN规则的斜拉索索力状态在线全局无监督评估模型
(2.1)提取斜拉桥索力正常状态下一段时间内的群索索力异常敏感特征矩阵作为训练集，训练集的选取应尽可能多的包含斜拉桥运营期间多种环境作用和车载工况下的群索索力敏感特征向量；同时，选择斜拉桥索力正常状态下一段时间内的群索索力异常敏感特征矩阵作为验证集，用于斜拉索索力状态评估模型的验证；其中，训练集和验证集中特征向量的个数比为4:1；
(2.2)在斜拉索索力状态在线全局无监督评估模型的训练阶段，通过计算欧几里得距离，在训练集x1,x2,...,xi-1,xi+1,...,xm中找到第i个特征向量xi的全部近邻，其中特征向量间的欧几里得距离计算公式如式(2)：
ESD＝(xi-xi+1)T(xi-xi+1) (2)
其中，xi为训练集中第i个单车工况作用下的群索索力异常敏感特征向量，xi+1为训练集中除xi以外的其他时刻下的群索索力异常敏感特征向量；
(2.3)根据公式(2)提取群索索力异常敏感特征向量xi的前K个的最近邻并定义为
通过公式(3)估计局部协方差矩阵；
其中，
为前K个最近邻的均值；
(2.4)进一步通过计算的均值
和协方差矩阵SK(xi)计算马氏距离，再次按照步骤1通过公式(4)计算马氏距离并重新提取特征向量xi新的k个最近邻并定义为
特征向量xi不参与马氏距离计算；
(2.5)对(2.3)和(2.4)中K和k的选取，采用以下原则：K值的选取范围为[10,50]，k的选取不应大于K值，K和k的具体数值采用交叉验证方法综合判定，以斜拉索索力状态在线全局无监督评估模型中验证集的误报率为判定准则，从而选取误报率最低时对应的K和k值作为模型设置参数；
(2.6)利用式(5)计算的前k个最近邻的累计距离，表征不同时刻、不同单车工况下群索索力分布特征间的相异度量，并将其定义为群索索力状态评估预警指标；
(2.7)通过核密度估计方法，对训练阶段斜拉桥索力正常状态的群索索力状态评估预警指标DI进行概率密度拟合，并给定显著性水α下的评估指标值τα作为阈值用于在线评估模型在测试阶段对群索索力状态评估和异常预警，α取0.01；当预警指标超过其设定阈值式，判断群索索力状态出现异常；
(2.8)在测试阶段，重复步骤1-步骤2，进行群索索力状态的在线评估和异常预警；
步骤3.构造并计算斜拉索索力异常隔离和定位指标
(3.1)将群索索力状态评估预警指标DI进行解耦，分解为各根斜拉索车致索力对应的贡献值之和：
S＝PΛ-1PT (9)
其中，ξj为单位矩阵的第j列，Λ＝diag(λ1,λ2,...,λn)表示由所有n个特征值所组成的对角矩阵，λi表示第i个特征值，P＝[p1,p2,...,pn]表示所有n个特征向量组成的标准正交矩阵，pi表示第i个特征向量；
(3.2)当某根或某几根斜拉索索力出现异常时，群索索力分布特性则会发生变化，群索索力异常敏感特征向量中每根斜拉索的贡献分布发生改变，因此定义斜拉索索力异常隔离和定位指标为：
其中，CDC表示索力异常和指标，通过CDC找到索力异常斜拉索的位置，当群索索力异常敏感特征向量中某一变量对应的异常隔离和定位指标显著增大时，对索力异常的斜拉索进行定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660025.9A CN115048998B (zh) | 2022-06-13 | 2022-06-13 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210660025.9A CN115048998B (zh) | 2022-06-13 | 2022-06-13 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115048998A CN115048998A (zh) | 2022-09-13 |
| CN115048998B true CN115048998B (zh) | 2023-04-07 |
Family
ID=83161060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210660025.9A Active CN115048998B (zh) | 2022-06-13 | 2022-06-13 | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115048998B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115452226B (zh) * | 2022-10-05 | 2023-12-19 | 大连理工大学 | 一种考虑两端半刚性约束的拉索索力识别算法 |
| CN116881819B (zh) * | 2023-09-07 | 2023-11-14 | 成都理工大学 | 一种基于孤立森林的斜拉索工作状态监测方法 |
| CN117935416B (zh) * | 2024-03-21 | 2024-06-25 | 成都赛力斯科技有限公司 | 一种预行区域的出入统计方法、设备及存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903452B (zh) * | 2014-03-11 | 2015-10-07 | 东南大学 | 交通流短时预测方法 |
| CN111967185B (zh) * | 2020-08-10 | 2022-08-02 | 哈尔滨工业大学 | 基于索力和位移分布相关性建模的斜拉桥状态评估方法 |
| CN114416423B (zh) * | 2022-01-25 | 2024-08-23 | 湖南大学 | 一种基于机器学习的根因定位方法和系统 |
| CN114547868A (zh) * | 2022-01-26 | 2022-05-27 | 中国铁建投资集团有限公司 | 一种基于bim的斜拉桥性能在线评估预测方法 |
| CN114529762A (zh) * | 2022-02-08 | 2022-05-24 | 北京交通大学 | 基于ds证据理论融合的社交网络异常用户检测方法 |
-
2022
- 2022-06-13 CN CN202210660025.9A patent/CN115048998B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115048998A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115048998B (zh) | 一种基于监测数据的斜拉桥群索索力异常识别定位方法 | |
| Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
| CN109583570B (zh) | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 | |
| CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
| CN104712542B (zh) | 一种基于物联网的往复压缩机敏感特征提取与故障诊断方法 | |
| CN110704911B (zh) | 一种基于集群结构相似性的桥梁损伤交叉定位方法 | |
| CN110728089B (zh) | 基于botda技术的大跨桥梁斜拉索结构损伤诊断方法 | |
| CN111273623A (zh) | 基于Stacked LSTM的故障诊断方法 | |
| CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
| CN113406524B (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN115950609B (zh) | 一种结合相关性分析和神经网络的桥梁挠度异常检测方法 | |
| CN110706213A (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
| CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| CN111310273B (zh) | 一种基于多源数据的全桥结构安全状态监测方法及系统 | |
| CN113705721B (zh) | 梁桥支座群脱空病害的联合概率密度函数差诊断方法 | |
| CN109781863A (zh) | 基于快速振动测试的结构腐蚀二阶段探测方法及其系统 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN113111416A (zh) | 基于数据驱动的钢筋混凝土结构地震损伤量化评估方法 | |
| CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
| CN114676587B (zh) | 基于载荷谱相似性的疲劳寿命评估方法 | |
| CN115456104A (zh) | 一种对传感器故障不敏感的桥梁拉索异常识别定位方法 |
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 |