CN115169409A

CN115169409A - 基于滑窗的桥梁结构自振频率识别、预警方法及设备

Info

Publication number: CN115169409A
Application number: CN202210843472.8A
Authority: CN
Inventors: 张二华; 吴涤
Original assignee: Sichuan Highway Planning Survey and Design Institute Ltd
Current assignee: Sichuan Highway Planning Survey and Design Institute Ltd
Priority date: 2022-07-18
Filing date: 2022-07-18
Publication date: 2022-10-11
Anticipated expiration: 2042-07-18
Also published as: CN115169409B

Abstract

本发明提供一种基于滑窗的桥梁结构自振频率识别、预警方法及设备包括：获取第一时间窗口内的桥梁结构动态响应数据，基于滑动窗口机制将所述第一时间窗口分解为多个第二时间窗口；针对每个所述第二时间窗口，分别对窗口内的桥梁结构动态响应数据进行EEMD自适应信号分解，并对分解得到的多个IMF分量进行FFT变换，根据FFT变换结果确定该窗口对应的目标IMF分量；对多个所述第二时间窗口对应的目标IMF分量进行统计学分析，确定所述第一时间窗口内的结构自振频率。本方法克服了强噪声污染下动态响应数据仅一次FFT变换以后、桥梁真实微弱振动频率被强噪声频谱淹没、难以准确识别的难题，实现准确识别该段时间内结构频率的稳定结果，从而提高识别结果的鲁棒性。

Description

基于滑窗的桥梁结构自振频率识别、预警方法及设备

技术领域

本发明涉及桥梁监测预警领域，尤其涉及一种基于滑窗的桥梁结构自振频率识别、预警方法及设备。

背景技术

目前用于桥梁结构模态参数识别的单输入单输出的SISO振动频率识别方法主要有频域识别方法、时域识别方法和时频域识别方法。频域识别方法主要是通过快速傅里叶变换(FFT)或改进方法以及其他频域方法计算整段时间信号的傅里叶谱、功率谱或者频率响应函数，基于结构傅里叶谱、功率谱或者频率响应函数在固有频率附近出现峰值的原理，通过人工拾取峰值，求得对应峰值的结构固有频率。该类方法目前存在，当结构振动微弱，实际监测信号被强噪声污染以后，结构固有频率对应的峰值可能被噪声频率淹没，导致无法通过峰值拾取法获得结构的真实频率。时域识别方法以实测脉冲响应、自由衰减响应、随机激励响应、响应数据为基础，以时域模态模型为识别公式，辅之最小二乘法、参数模型估计等手段，对系统的模态参数进行整体估计，目前常用的是ARMA模型的时序分析法，其核心问题是识别环境激励下建立的结构时间序列模型的系数。基于ARMA模型的时间序列分析法进行结构模态参数识别的基本过程为：首先采用ARMA模型对结构振动响应信号进行拟合，得到ARMA模型系数；然后利用ARMA模型所对应的系统传递函数与结构模态参数之间的关系识别结构模态参数。虽然时间序列法识别的精度对噪声、采样频率都比较敏感，识别模态无能量泄露且分辨率高。但该方法仅限用于白噪声激励的情况，识别的精度对噪声、采样频率都比较敏感，且时序模型的定阶也比较难，阻尼识别误差较大，不利于处理较大数据量，鲁棒性差。上述一些识别方法都假设环境激励是白噪声或非白噪声平稳激励，它们对非平稳随机激励不能很好识别，而实际工程中很多环境激励是不能近似成平稳激励的，为此，人们开始研究对环境激励更具有鲁棒性的方法。

进而对信号进行时频变换直接识别参数的联合时频域方法被提出，最为典型的为小波时频域识别方法。该方法将一维信号映射成为时间—频率平面上的二维信号，使用时间和频率的联合函数来表示信号，旨在揭示信号中包含多少频率分量以及每一分量是如何随时间变化的。该方法可以识别多自由度非线性小阻尼机械系统的非线性模态参数，但是小波变换不是自适应的，需要人工选择小波基等参数，不适宜自动化监测预警。

阮育铭，刘敏，汪慧云，付海燕等人在2021年中国航空工业技术装备工程协会年会论文集，测控技术》杂志社,2021:4发表的基于滑窗的傅里叶变换在振动分析中的应用中提出提出采用基于滑移时窗的傅里叶变换方法进行数据删选，根据所计算出的相位曲线判定某一时间段内的原始数据是否正常，将所受干扰比较大的数据剔除。该方法主要是采用滑窗的FFT或DFT方法在进行数据分析时，可通过分析相位连续变化的趋势是否为周期性的线性关系，判明某一组数据是否正常；同时结合相应的幅值曲线的波动幅度来判明某一组振动数据是否正常或因所受干扰较大而失去其使用价值。该方法本质上属于信号滤波的一种方法。

刘兴旺在公开号为CN2020101074690的中国专利中公开了一种基于合成功率谱桥梁模态频率识别方法及系统，采用合成后的功率谱值向量识别主梁模态频率，避免了因某一阶模态频率功率谱能量较大而导致其他阶次模态频率功率谱峰值难以识别的问题，同时，合成后的功率谱由于桥梁结构模态频率区段能量较为集中，各阶模态频率功率谱峰值点较大，减小了因噪声对模态频率识别的影响，大大增强了桥梁模态频率识别精准，为后续桥梁结构数据分析及安全状态评估工作提供有力的技术支撑。

发明内容

本发明的目的在于克服现有技术中所存在的对桥梁时频模态参数识别不够准确的缺陷，提供一种基于滑窗的桥梁结构自振频率识别、预警方法及设备，本方法能够对桥梁频率进行有效识别与预警。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于滑窗的桥梁结构自振频率识别方法，包括：

获取第一时间窗口内的桥梁结构动态响应数据，基于滑动窗口机制将所述第一时间窗口分解为多个第二时间窗口；

针对每个所述第二时间窗口，分别对窗口内的桥梁结构动态响应数据进行EEMD自适应信号分解，并对分解得到的多个IMF分量进行FFT变换，根据FFT变换结果确定该窗口对应的目标IMF分量；

对多个所述第二时间窗口对应的目标IMF分量进行统计学分析，确定所述第一时间窗口内的结构自振频率。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率识别方法中，所述对窗口内的桥梁结构动态响应数据进行EEMD自适应信号分解，包括：

步骤201、将一个具有标准正态分布的白噪声信号加到窗口内的原始信号上，以产生一个新的信号：

步骤202、对所得含噪声的新信号分别进行EMD分解，得到IMF函数：

步骤203、改变所述白噪声信号的幅值，返回步骤201，直到得到M个IMF函数集合，其中，M为预设平均次数；

步骤204、对步骤203所得的IMF进行集合平均运算，得到EEMD分解后最终的IMF函数及其多个IMF分量。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率识别方法中，所述步骤204中，通过下式进行所述集合平均运算：

式中，IMF_j(t)是EEMD分解的第j个IMF，i＝1,2,…M，j＝1,2,…J，J是IMF的数量。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率识别方法中，所述根据FFT变换结果确定该窗口对应的目标IMF分量，包括：

将每个IMF分量对应的傅里叶频谱中的峰值频率与预先获取的预估自振频率进行匹配，根据匹配结果，确定所述目标IMF分量；

其中，通过桥梁结构有限元分析获取所述预设频率。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率识别方法中，所述对多个所述第二时间窗口对应的目标IMF分量进行统计学分析，包括：

计算多个所述第二时间窗口对应的目标IMF分量的平均值与标准差；

根据3σ准则，基于所述平均值与标准差，取出多个所述目标IMF分量中的奇异值；

求取去除奇异值后的多个目标IMF分量的平均值，以所述平均值为所述第一时间窗口内的结构自振频率。

本发明的另一方面，提供一种基于滑窗的桥梁结构自振频率预警方法，包括：

预先获取目标桥梁的预设自振频率、结构自振频率阈值、安全自振频率；

实时采集目标桥梁的结构动态响应数据，并采用如权利要求1～4任一所述的基于滑窗的桥梁结构自振频率识别方法获取所述第一时间窗口内的结构自振频率；

分别计算所述结构自振频率与所述预设自振频率、结构自振频率阈值、安全自振频率的相对变化量，根据所得相对变化量进行预警。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率预警方法中，所述预先获取目标桥梁的预设自振频率、结构自振频率阈值、安全自振频率，包括：

对目标桥梁进行有限元分析确定所述预设自振频率；

结合桥梁结构监测相关技术标准规范以及目标桥梁的设计信息，确定所述结构自振频率阈值与安全自振频率。

根据一种具体的实施方式，上述基于滑窗的桥梁结构自振频率预警方法中，所述根据所得相对变化量进行预警，包括：

取所得三个相对变化量的最大值，当所述最大值超过变化量阈值时，进行预警；

其中，通过结构破坏性试验或倒塌计算分析获取所述变化量阈值。

本发明的另一方面，提供一种电子设备，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述基于滑窗的桥梁结构自振频率识别方法，或者，如上述基于滑窗的桥梁结构自振频率预警方法。

与现有技术相比，本发明的有益效果：。

本发明实施例所提供的方法通过获取第一时间窗口内的桥梁结构动态响应数据，基于滑动窗口机制将所述第一时间窗口分解为多个第二时间窗口；针对每个所述第二时间窗口，分别对窗口内的桥梁结构动态响应数据进行EEMD自适应信号分解，并对分解得到的多个IMF分量进行FFT变换，根据FFT变换结果确定该窗口对应的目标IMF分量；对多个所述第二时间窗口对应的目标IMF分量进行统计学分析，确定所述第一时间窗口内的结构自振频率；本发明通过滑动窗口算法、EEMD分解统计学分析得到准确的频率数据，有效能够克服当桥梁结构实际振动较微弱、动态响应数据被强噪声污染后、直接由原始数据的傅里叶频谱无法识别结构自振频率的缺陷，从而实现从强噪声污染、结构振动微弱的动态响应数据中获得结构稳定的自振频率识别结果，提高了桥梁结构自振频率识别结果的鲁棒性。

附图说明

图1为本发明实施例所述的基于滑窗的桥梁结构自振频率识别方法流程图；

图2是本发明实施例所述的基于滑窗的桥梁结构自振频率预警方法本流程图；

图3是本发明实施例所述的某大桥有限元数值模型图；

图4是本发明实施例所述的有限元数值分析结果示意图(预估基频1.58Hz)；

图5是本发明实施例所述的实例中某大桥实测原始动态数据信号示意图；

图6是本发明实施例所述的原始信号傅里叶频谱示意图；

图7是本发明实施例所述的滑窗机制示意图；

图8是本发明实施例所述的窗口内信号波形示意图；

图9是本发明实施例所述的窗口数据信号分解结果示意图；

图10是本发明实施例所述的窗口数据信号分解的IMF各分量频谱结果示意图；

图11是本发明实施例所述的根据结构预估峰值频率选取的IMF分量对应的频谱结果示意图；

图12是本发明实施例所述的N个时间窗的峰值频谱识别结果散点图；

图13是本发明实施例所述的N个时间窗的峰值频谱识别结果的概率密度函数估计图

图14为本发明实施例所述的电子设备结构框图。

具体实施方式

下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

实施例1

图1示出了本发明示例性实施例的基于滑窗的桥梁结构自振频率识别方法，所述方法包括：

本实施例中，通过滑动窗口算法、EEMD分解统计学分析得到准确的频率数据，有效能够克服当桥梁结构实际振动较微弱、动态响应数据被强噪声污染后、直接由原始数据的傅里叶频谱无法识别结构自振频率的缺陷，从而实现从强噪声污染、结构振动微弱的动态响应数据中获得结构稳定的自振频率识别结果，提高了桥梁结构自振频率识别结果的鲁棒性。

实施例2

实时采集目标桥梁的结构动态响应数据，并采用上述基于滑窗的桥梁结构自振频率识别方法获取所述第一时间窗口内的结构自振频率；

本实施例中，通过预先获取目标桥梁的预设自振频率、结构自振频率阈值、安全自振频率，并将识别得到的结构自振频率与获取到的预设自振频率、结构自振频率阈值、安全自振频率进行相对变化分析，根据计算得到相对变化量进行桥梁的准确预警。

在一种可能的实现方式中，图2示出了本发明示例性实施例的通过滑窗机制的EEMD信号分解、傅里叶频谱分析、“3σ”准则奇异值判识方法识别桥梁结构稳定振动频率与监测预警的完整技术路线。该实施例的预警方法主要包括以下步骤：

步骤1：建立桥梁结构有限元模型，预估桥梁结构频率

通过工程结构有限元软件，建立桥梁结构数值模型，通过计算分析，获得桥梁结构预估自振频率。如图3～图4所示，建立某大桥有限元数值模型，预估基频为1.58Hz。

步骤2：实时采集桥梁结构动态响应数据，进而采用步骤3～步骤9的通过滑窗机制的EEMD信号分解、傅里叶频谱分析、“3σ”准则奇异值判识方法识别结构频率。

在桥梁结构适当位置处安装动态传感器，根据奈奎斯特采样定理，设置采集频率需不小于结构预估频率的2.56倍，采集桥梁结构动态响应信号S(t)(例如加速度、速度或动位移信号)。如图5所示，设置采集频率10Hz，获得该桥5月1日2:00～4:00之间2个小时的动挠度监测数据，通过传统方法，将动挠度监测数据直接进行FFT变换，其结果如图6所示，可见原始信号频谱完全被噪声隐没，无法识别结构自振峰值频率。

步骤3：并通过滑窗机制的EEMD信号分解、傅里叶频谱分析、“3σ”准则奇异值判识方法识别。

通过滑窗机制，将长时监测数据“化整为零”，划分为N个时间窗。

根据后续EEMD信号分解和傅里叶频谱分析对信号长度的要求，通过试算，确定滑窗机制下的窗口时间长度W和每次沿时间轴的滑动距离L，将长时监测数据划分为N个时间窗口S_i(i＝1,2,…N)。如图7所示，设定W为3600个数据点，即6分钟时长，L为900个数据点，将长时动挠度监测数据划分为75个时间窗口，某一窗口内数据如图7所示。

具体的，本方法中，滑窗的窗口大小，是根据3个条件来综合决定：

1)满足EEMD分解对信号最短长度的需要，窗口太小，EEMD方法将分解不出IMF分量，从而导致后续计算不能进行下去。

2)需要满足IMF经FFT分解以后的频率分辨率的需要。窗口长度太短，那么频率分辨率很低，将影响后续确定与预估基频相一致的目标IMF。

3)统计学分析对样本数量的要求。当窗口长度太大时，划分的时间窗口数量将变少，那么统计学样本减少，基于样本求得的统计指标(如均值和方差将不准确)。

据此，本实施例中，通过根据后续信号处理(EEMD与统计学)的数据需求，设定相应的滑窗参数，从而使得滑窗适配于后续的信号处理，利于桥梁模态参数的高精度识别。

步骤4：每个窗口内数据进行EEMD自适应信号分解，获得本征模态函数(IMF函数)分量

将每个窗口内的实际监测数据进行EEMD自适应信号分解，获得本征模态函数(IMF函数)，将噪声信号与包含桥梁结构振动信息的有用信号分离。具体分解步骤如下：

(1)设定总体平均次数M；

(2)将一个具有标准正态分布的白噪声n_i(t)加到原始信号S(t)上，以产生一个新的信号：x_i(t)＝S(t)+n_i(t)，式中n_i(t)表示第i次加入白噪声序列，x_i(t)表示第i次附加白噪声后的信号，i＝1,2,…M；

(3)对所得含噪声的信号x_i(t)分别进行EMD分解，得到各自IMF和的形式：

式中，c_i，j(t)为第i次加入白噪声后分解得到的第j个IMF，r_i，j(t)是残余函数，代表信号的平均趋势，J是IMF的数量；

(4)重复步骤(2)和步骤(3)进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合为：

c_1，j(t)c_2，j(t)…c_M，j(t)，j＝1，2，…，J

(5)利用不相关序列的统计平均值为零的原理，将上述对应的IMF进行集合平均运算，得到EEMD分解后最终的IMF，即：

式中，IMF_j(t)是EEMD分解的第j个IMF，i＝1,2,…M，j＝1,2,…J。

例如，将图8所示某窗口内数据进行EEMD分解，分解结果如图9所示。

步骤5：每个IMF函数进行傅里叶变换，将每个IMF分量对应的傅里叶频谱与预先获取的预估自振频率进行匹配，根据匹配结果，确定多个IMF分量中包含所述预估自振频率的目标IMF分量。

将分解获得的IMF函数分别进行FFT变换，获得每个IMF分量对应的傅里叶频谱。根据步骤1中桥梁结构数值分析获得的预估频率，确定包含桥梁结构预估峰值频率的IMF分量，通过该IMF分量的傅里叶频谱获得实际测得的桥梁结构频率。其中，IMF经FFT变换以后，峰值频率(也就是FFT幅值最大处对应的频率)与预估频率最接近时，才是目标IMF分量。

例如，确定第j个IMF分量IMF_j(t)包含结构的预估峰值频率，将该分量进行FFT变换，如下式所示：

式中，X_j(k)为IMF_j(t)在频域内的频谱；t、T、k均为正整数；T为信号采样点数或信号时长；k为频率。例如，图10为图8中各个IMF函数进行FFT变换获得的傅里叶频谱结果，图11为根据结构预估峰值频率选取的IMF分量经FFT变换以后的傅里叶频谱，其频谱曲线较原始信号频谱曲线更加清晰的可看出结构对应的实测峰值频率。

步骤6：根据滑窗机制，重复步骤4和步骤5，获得N个桥梁实测的振动频率值

根据前述划分的N个时间窗口，每个时间窗口重复步骤4和步骤5，获得桥梁结构实测的振动频率F_i(i＝1,2,…N)。例如，将步骤3中划分的75个时间窗口，分别进行上述操作，获得了75个实测振动频率F_i(i＝1,2,…75)，如图12所示。

步骤7：将步骤6中识别获得的N个峰值频率视为“实采”的原始监测数据，计算样本的平均值μ和标准差σ。

通过步骤6，获得N个窗口对应的峰值频率识别结果F_i(i＝1,2,…N)。将F_i(i＝1,2,…N)视作能够采集结构振动频率的传感器采集获得的桥梁结构原始监测数据，计算F_i(i＝1,2,…N)的平均值μ和标准差σ。例如，计算上述75个振动频率识别结果平均值和标准差，得到平均值μ＝1.2975，σ＝0.1552。

步骤8：根据“3σ”准则，判识N个峰值频率F_i中误差较大值，视为奇异值去除。

根据步骤7计算得到的平均值μ和标准差σ，由“3σ”准则，计算奇异值判识界限[μ-3σ,μ+3σ]，当

视为有效值，当

时，视为误差较大的奇异值，去除该奇异值，获得去除奇异值以后的K(K≤N)个峰值频率有效值TF_k(k＝1,2,…K)，例如，根据步骤7平均值μ和标准差σ计算结果，对识别到的75个频率结果值进行筛选，去除误差较大值，如图13所示。

步骤9：由峰值频率有效值TF_k，计算平均值，作为步骤3中长时监测数据识别到的桥梁结构频率稳定值F_final。

根据步骤8获得的K个峰值频率有效值TF_k(k＝1,2,…K)，由下式计算其平均值，视为步骤3中长时监测数据识别到的桥梁结构频率稳定值F_final：

例如，该实例中，经计算，其识别的频率稳定值为1.2996Hz，为验证识别结果的鲁棒性，分别选取同时间段5月2日2:00～4:00，5月3日2:00～4:00两个时间段信号进行识别，识别结果如表1所示，可知，识别结果稳定。表1中“-”代表未识别到有效峰值频率。

频率识别结果对比表(单位：Hz)

步骤10：取桥梁结构监测相关技术标准规范规定的结构自振频率阈值F_bz、有限元模拟结构损伤计算得到的结构自振频率F_sz、结构未损伤前实测自振频率F_sc，按下式计算实测频率F_final与上述三个值的变化量，当变化量超出由结构破坏性试验或倒塌计算分析得到的报警变化量κ×σ_bh，则进行结构安全预警。

其中，k为安全系数，σ_bh为由结构破坏性试验或倒塌计算分析得到的结构频率变化临界值。

综上，本发明实施例基于滑窗的EEMD自适应信号分解、FFT方法与“3σ”准则技术，本发明提出了强噪声干扰下从单测点桥梁动态响应监测数据中提取结构自振频率的完整实现方法与技术路径，通过滑窗机制，实现了将一段时间内桥梁结构长时监测动态响应数据“化整为零”，从而支持后续对该段数据每个窗口内信号进行EEMD分解，桥梁结构频谱进行多次计算和统计分析，该方法不同于将一段时间桥梁动态响应监测数据进行一次FFT计算，获取其频谱的传统方法。通过EEMD技术，实现对每个窗口内信号进行自适应分解，自动将噪声以及有用信号分离，并且实现将包含桥梁结构多阶模态信息的信号分解为仅包含桥梁某阶频率的IMF函数分量，克服了强噪声污染下动态响应数据仅一次FFT变换以后，桥梁真实微弱振动频率被强噪声频谱淹没，难以准确识别的难题。将多个窗口识别到的结构频率结果视为实际采集到的“结构频率”原始数据，通过“3σ”准则，自动剔除当结构信号质量很差，导致结构自振频率识别结果出现较大误差时的奇异值，实现准确识别该段时间内结构频率的稳定结果，从而提高识别结果的鲁棒性。

实施例3

本发明的另一方面，如图13所示，还提供一种电子设备，该设备包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述识别方法或预警方法。

在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。

存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。

其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。

易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。

本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，服务器或单元的间接耦合或通信连接，可以是电性或其它的形式。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于滑窗的桥梁结构自振频率识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于滑窗的桥梁结构自振频率识别方法，其特征在于，所述对窗口内的桥梁结构动态响应数据进行EEMD自适应信号分解，包括：

3.根据权利要求2所述的基于滑窗的桥梁结构自振频率识别方法，其特征在于，所述步骤204中，通过下式进行所述集合平均运算：

4.根据权利要求1所述的基于滑窗的桥梁结构自振频率识别方法，其特征在于，所述根据FFT变换结果确定该窗口对应的目标IMF分量，包括：

其中，通过桥梁结构有限元分析获取所述预设频率。

5.根据权利要求1所述的基于滑窗的桥梁结构自振频率识别方法，其特征在于，所述对多个所述第二时间窗口对应的目标IMF分量进行统计学分析，包括：

6.一种基于滑窗的桥梁结构自振频率预警方法，其特征在于，包括：

7.根据权利要求6所述的基于滑窗的桥梁结构自振频率预警方法，其特征在于，所述预先获取目标桥梁的预设自振频率、结构自振频率阈值、安全自振频率，包括：

对目标桥梁进行有限元分析确定所述预设自振频率；

8.根据权利要求6所述的基于滑窗的桥梁结构自振频率预警方法，其特征在于，所述根据所得相对变化量进行预警，包括：

9.一种电子设备，其特征在于，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的基于滑窗的桥梁结构自振频率识别方法，或者，如权利要求6～8任一所述的基于滑窗的桥梁结构自振频率预警方法。