CN115183963A - 桥梁异常状态检测方法、系统、设备及介质 - Google Patents
桥梁异常状态检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN115183963A CN115183963A CN202210907689.0A CN202210907689A CN115183963A CN 115183963 A CN115183963 A CN 115183963A CN 202210907689 A CN202210907689 A CN 202210907689A CN 115183963 A CN115183963 A CN 115183963A
- Authority
- CN
- China
- Prior art keywords
- bridge
- monitoring data
- time
- real
- space
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Bridges Or Land Bridges (AREA)
Abstract
本发明公开了一种桥梁异常状态检测方法、系统、设备及介质,包括:获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵,并进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;计算健康状态下待测桥梁的监测数据的均值的安全阈值;利用时间滑动窗口,对预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并得到每个时间滑动窗口内的监测数据的均值;将每个时间滑动窗口内的监测数据的均值与健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果;本发明对实时监测数据统计分析,实现桥梁异常状态的快速检测,分析结果具有可解释性,确保桥梁运行安全。
Description
技术领域
本发明属于桥梁安全检测技术领域,特别涉及一种桥梁异常状态检测方法、系统、设备及介质。
背景技术
桥梁作为重要的交通运输设施,其安全健康运行事关国民经济命脉;在役桥梁运营过程中,由于本体静载、交通动载、环境荷载的长期作用以及突发车船碰撞等因素影响,其强度和刚度会不断降低,可能会形成材料腐蚀老化、材料性能退化及结构损伤病害等一系列潜在结构安全风险;当发展到桥梁局部或整体失稳以至于不足以承载交通荷载时,有可能导致桥梁损坏、坍塌等安全事故,造成大量的财产损失甚至威胁到人身生命安全。
目前,针对桥梁结构损伤识别普遍采用修正桥梁有限元模型、数据驱动和深度学习等方法;其中,基于修正桥梁有限元模型的损伤识别方法需要准确的桥梁结构有限元模型,通过对模型进行修正,使修正后结构模型的力学特性与试验结果尽可能保持一致,从而发现或识别实际的结构损伤;但实际的桥梁结构较为复杂,有限元模型修正时往往需对多目标并行优化,优化参数过多、优化过程难以收敛和计算量过大;而桥梁有限元模型过少且随服役时间增长导致结构模型的力学特性与实际情况差异逐渐增大,所以该方法应用较少;另外,基于数据驱动的损伤识别方法通过分析结构健康监测数据,发现异常值,进而识别桥梁结构异常;但基于数据驱动的损伤识别方法可以直接对健康监测系统所获得的监测数据建立数学模型并分析,无需建立有限元模型等工作,节约时间成本和经济成本,识别结果的直观性和可解释性不高。随着人工智能、深度学习等方法越来越多的应用于土木工程领域并取得了良好效果;机器学习擅长于解决非线性多分类问题,将其应用于复杂大跨度桥梁结构损伤识别,具有巨大的科学价值和工程意义;但现有桥梁健康监测系统获取的多为一维数据,这些数据具有时序性、海量性、非线性等特点,而桥梁的复杂结构关系导致了桥梁健康监测参数之间存在强耦合、非等效性、多源异构等复杂的对应关系,基于深度学习的结构损伤识别方法存在损伤识别效率较低、分析结果可解释性差的问题。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种桥梁异常状态检测方法、系统、设备及介质,以解决现有的桥梁结构损伤识别方法存在损伤识别效率较低,分析结果可解释性差的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种桥梁异常状态检测方法,包括以下步骤:
获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列;
对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;
利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;
利用时间滑动窗口,对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值;
将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
进一步的,获取待测桥梁的传感器实时数据,构建桥梁实时监测数据的时空分布矩阵的过程,具体如下:
采用在待测桥梁的不同位置处预设挠度传感器,每经过一个采样间隔τ进行一次采样得到一组挠度传感器的实时监测数据,构建得到桥梁实时监测数据的时空分布矩阵X;
所述桥梁实时监测数据的时空分布矩阵X为:
其中,xi,j为第i个挠度传感器在第j时刻的实时监测数据;m为待测桥梁的不同位置处预设挠度传感器的总个数;n为每个挠度传感器的采样总数。
进一步的,对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的时空分布的实时监测数据矩阵的过程,具体如下:
对所述桥梁实时监测数据的时空分布矩阵中,每一行监测数据进行遍历,判断每一行监测数据是否全部为零;若其中一行监测数据全部为零,则将对应行的监测数据从所述桥梁实时监测数据的时空分布矩阵中剔除,得到除零后的桥梁实时监测数据的时空分布矩阵;
采用最可能值填补法,对所述除零后的桥梁实时监测数据的时空分布矩阵进行数据填补,得到数据填补后的桥梁实时监测数据的时空分布矩阵;
采用小波去噪方法,对所述数据填补后的桥梁实时监测数据的时空分布矩阵进行降噪处理,得到降噪处理后的桥梁实时监测数据的时空分布矩阵;
对所述降噪处理后的桥梁实时监测数据的时空分布矩阵进行归一化处理,得到归一化后的桥梁实时监测数据的时空分布矩阵;
对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的实时监测数据,进行修正,得到预处理后的桥梁实时监测数据的时空分布矩阵。
进一步的,对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的监测数据,进行修正,得到预处理后的桥梁实时监测数据的时空分布矩阵的过程,具体如下:
获取发生零点漂移状态下的待测桥梁的历史监测数据和正常状态下待测桥梁的历史监测数据,分别计算所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,以及计算正常状态下待测桥梁的历史监测数据的斜率和均值;
根据所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,得到待测桥梁的监测数据是否发生零点漂移的斜率阈值和方差阈值;
利用时间滑动窗口,对所述归一化后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并计算每个时间滑动窗口内的监测数据的斜率和方差;
将所述每个时间滑动窗口内的监测数据的斜率与待测桥梁的监测数据是否发生零点漂移的斜率阈值进行比较,或将所述每个时间滑动窗口内的监测数据的方差与待测桥梁的监测数据是否发生零点漂移的方差阈值进行比较;
若所述每个时间滑动窗口内的监测数据的斜率超出所述待测桥梁的监测数据是否发生零点漂移的斜率阈值,或所述每个时间滑动窗口内的实时监测数据的方差超出待测桥梁的监测数据是否发生零点漂移的方差阈值,则对应监测数据发生零点漂移;
针对发生零点漂移的监测数据,计算发生零点漂移前的监测数据的均值,得到第一均值;计算发生零点漂移后的监测数据的均值,得到第二均值;根据所述第一均值和所述第二均值,计算得到数据矫正值;
利用所述数据矫正值对归一化后的桥梁实时监测数据的时空分布矩阵中的监测数据进行修正,得到修正后的桥梁实时监测数据的时空分布矩阵,即得到预处理后的桥梁实时监测数据的时空分布矩阵;其中,修正过程具体为:将发生零点漂移的监测数据减去所述数据矫正值,得到修正值,并利用所述修正值对发生零点漂移对监测数据进行替换。
进一步的,利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值的过程,具体如下:
获取健康状态下待测桥梁的历史监测数据;
计算得到健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
根据所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ,得到健康状态下待测桥梁的监测数据的均值的安全阈值;
其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值为(μ-4σ,μ+4σ)。
进一步的,将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果之后,还包括异常状态定位步骤;
其中,所述异常状态定位步骤,具体如下:
根据正态分布原理,构建用于描述桥梁运行状态的数据分类器;
按照所述用于描述桥梁运行状态的数据分类器,对所述预处理后的桥梁实时监测数据的时空分布矩阵进行分级处理,得到分级结果;
根据所述分级结果,构建桥梁实时监测数据状态矩阵;
按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱;
对所述动态标准彩色图谱进行灰度处理,得到灰度图谱;根据所述灰度图谱,生成灰度图谱下的直方图;
将所述灰度图谱下的直方图进行二值化处理,得到损伤图谱;
根据所述损伤图谱,得到待测桥梁的异常状态定位结果。
进一步的,按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱的过程,具体如下:
确定所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值边界;根据预设着色标准中预设色彩相空间的色彩总数,对每个测点处的监测数据的数值边界进行区间划分,得到区间划分后的桥梁实时监测数据状态矩阵;
根据所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系,将所述区间划分后的桥梁实时监测数据状态矩阵映射到所述预设色彩相空间,得到动态标准彩色图谱;其中,所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系为:
其中,x:pij为二维图谱中第i行第j列的像素值;xij为桥梁实时监测数据状态矩阵中的第i行第j列的监测数据;N为预设色彩相空间的色彩总数;xmax为桥梁实时监测数据状态矩阵中的最大值;xmin为桥梁实时监测数据状态矩阵中的最小值。
本发明还提供了一种桥梁异常状态检测系统,包括:
时空矩阵模块,用于获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列;
数据预处理模块,用于对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;
阈值模块,用于利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;
数据统计模块,用于利用时间滑动窗口,对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值;
异常检测模块,用于将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
本发明还提供了一种桥梁异常状态检测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如所述的桥梁异常状态检测方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的桥梁异常状态检测方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明提供了一种桥梁异常状态检测方法及系统,利用时间滑动窗口对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行统计处理,将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,根据对比结果判断是否有损伤发生;通过对桥梁的实时监测数据的统计分析,实现桥梁异常状态的快速检测,损伤识别效率较高,分析结果具有可解释性,确保了桥梁运行安全和运营水平。
进一步的,在数据预处理过程中,对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的监测数据进行修正,有效提高了预处理后的桥梁实时监测数据的时空分布矩阵中数据的准确性,确保了检测结果的精确性。
进一步的,将预处理后的桥梁实时监测数据的时空分布矩阵进行分级处理,重构得到信息含义丰富、直观形象几可解释性强的图谱结构,利用数字图像处理技术对图像进行分析,极大程度上提高桥梁结构损伤识别的效率和精度,增加桥梁结构数据结果的可读性,有效提高了桥梁异常状态检测结果的效率和精度。
附图说明
图1为本发明所述的桥梁异常状态检测方法的流程图;
图2为实施例1中桥梁1的第二个挠度传感器监测数据的归一化及均值统计结果图;
图3为实施例1中桥梁1的第二个挠度传感器监测数据的动态标准彩色图谱;
图4为实施例1中桥梁1的动态标准彩色图谱;
图5为实施例1中桥梁1的灰度图谱;
图6为实施例1中桥梁1的损伤图谱;
图7为实施例2中桥梁2的第四个挠度传感器监测数据的归一化及均值统计结果图;
图8为实施例2中桥梁2的第四个挠度传感器监测数据的动态标准彩色图谱;
图9为实施例2中桥梁2的动态标准彩色图谱;
图10为实施例2中桥梁2的灰度图谱;
图11为实施例2中桥梁2的损伤图谱。
具体实施方式
为了使本发明所解决的技术问题,技术方案及有益效果更加清楚明白,以下具体实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如附图1所示,本发明提供了一种桥梁异常状态检测方法,包括以下步骤:
步骤1、根据中小跨径桥梁的主要病害以及监测成本和可操作性,依据TCCES 15-2020《桥梁健康监测传感器选型与布设技术规程》对桥梁预设位置布设挠度传感器,对桥梁的挠度进行实时监测,获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列。
所述待测桥梁的实时监测数据为实时采集桥梁健康检测系统的挠度数据;具体为:采用在待测桥梁的不同位置处预设挠度传感器,每经过一个采样间隔τ进行一次采样得到;并将每经过一个采样间隔τ进行一次采样得到一组挠度传感器的实时监测数据,构成的一个m×n阶的桥梁实时监测数据的时空分布矩阵X,以反映待测桥梁在检测周期内的健康状态。
其中,所述桥梁实时监测数据的时空分布矩阵X为:
其中,xi,j为第i个挠度传感器在第j时刻的实时监测数据;m为待测桥梁的不同位置处预设挠度传感器的总个数,即待测桥梁的测点个数;n为每个挠度传感器的采样总数。
步骤2、对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;具体过程如下:
对所述桥梁实时监测数据的时空分布矩阵中,每一行监测数据进行遍历,判断每一行监测数据是否全部为零;若其中一行监测数据全部为零,则将对应行的监测数据从所述桥梁实时监测数据的时空分布矩阵中剔除,得到除零后的桥梁实时监测数据的时空分布矩阵;
采用最可能值填补法,对所述除零后的桥梁实时监测数据的时空分布矩阵进行数据填补,得到数据填补后的桥梁实时监测数据的时空分布矩阵;
采用小波去噪方法,对所述数据填补后的桥梁实时监测数据的时空分布矩阵进行降噪处理,得到降噪处理后的桥梁实时监测数据的时空分布矩阵;
对所述降噪处理后的桥梁实时监测数据的时空分布矩阵进行归一化处理,以将时空分布矩阵中每行的值映射到[0,1]范围,得到归一化后的桥梁实时监测数据的时空分布矩阵。
步骤3、对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的监测数据,进行修正,得到修正后的桥梁实时监测数据的时空分布矩阵;其中,具体步骤如下:
获取发生零点漂移状态下的待测桥梁的历史监测数据和正常状态下待测桥梁的历史监测数据,分别计算所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,以及计算正常状态下待测桥梁的历史监测数据的斜率和均值;
根据所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,得到待测桥梁的监测数据是否发生零点漂移的斜率阈值和方差阈值;
利用时间滑动窗口,对所述归一化后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并计算每个时间滑动窗口内的监测数据的斜率和方差;
将所述每个时间滑动窗口内的监测数据的斜率与待测桥梁的监测数据是否发生零点漂移的斜率阈值进行比较,或将所述每个时间滑动窗口内的监测数据的方差与待测桥梁的监测数据是否发生零点漂移的方差阈值进行比较;
若所述每个时间滑动窗口内的监测数据的斜率超出所述待测桥梁的监测数据是否发生零点漂移的斜率阈值,或所述每个时间滑动窗口内的实时监测数据的方差超出待测桥梁的监测数据是否发生零点漂移的方差阈值,则对应监测数据发生零点漂移;
针对发生零点漂移的监测数据,计算发生零点漂移前的监测数据的均值,得到第一均值;计算发生零点漂移后的监测数据的均值,得到第二均值;根据所述第一均值和所述第二均值,计算得到数据矫正值;
利用所述数据矫正值对归一化后的桥梁实时监测数据的时空分布矩阵中的监测数据进行修正,得到修正后的桥梁实时监测数据的时空分布矩阵,即得到预处理后的桥梁实时监测数据的时空分布矩阵;其中,修正过程具体为:将发生零点漂移的监测数据减去所述数据矫正值,得到修正值,并利用所述修正值对发生零点漂移对监测数据进行替换。
步骤4、利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值的计算过程,具体如下:
获取健康状态下待测桥梁的历史监测数据;
计算得到健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
根据所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ,得到健康状态下待测桥梁的监测数据的均值的安全阈值;
其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值为(μ-4σ,μ+4σ)。
步骤5、利用时间滑动窗口,对修正后的时空分布的实时监测数据矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的实时监测数据的均值。
步骤6、将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果;具体的,若所述每个时间滑动窗口内的监测数据的均值未超出所述健康状态下待测桥梁的监测数据的均值的安全阈值,则说明对应桥梁实时监测数据正常;若所述每个时间滑动窗口内的监测数据的均值超出所述健康状态下待测桥梁的监测数据的均值的安全阈值,则说明对应桥梁实时监测数据存在异常。
步骤7、根据正态分布,构建用于描述桥梁运行状态的数据分类器;按照所述用于描述桥梁运行状态的数据分类器,对所述预处理后的桥梁实时监测数据的时空分布矩阵进行分级处理,得到分级结果;根据所述分级结果,构建桥梁实时监测数据状态矩阵。
其中,构建桥梁实时监测数据状态矩阵的过程;具体如下:
获取健康状态下待测桥梁的历史监测数据,并计算得到所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
本发明中,依据正态分布,定义9个不同级状态区域,即得到所述用于描述桥梁运行状态的数据分类器;其中,所述9个不同级状态区域包括一级区域(-∞,μ-4σ)、二级区域(μ-4σ,μ-3σ)、三级区域(μ-3σ,μ-2σ)、四级区域(μ-2σ,μ-σ)、五级区域(μ-σ,μ+σ)、六级区域(μ+σ,μ+2σ)、七级区域(μ+2σ,μ+3σ)、八级区域(μ+3σ,μ+4σ)及九级区域(μ+4σ,+∞)。
根据所述数据分类器,对所述修正后的桥梁实时监测数据的时空分布矩阵进行分级划分,并将划分在同一级状态区域的监测数据采用同一数字进行替代,得到所述桥梁实时监测数据状态矩阵。
步骤8、按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱。
其中,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱;具体包括以下步骤:
确定所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值边界;根据预设着色标准中预设色彩相空间的色彩总数,对每个测点处的监测数据的数值边界进行区间划分,得到区间划分后的桥梁实时监测数据状态矩阵;
根据所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系,将所述区间划分后的桥梁实时监测数据状态矩阵映射到所述预设色彩相空间,得到动态标准彩色图谱;其中,所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系为:
其中,x:pij为动态标准彩色图谱中第i行第j列的像素值;xij为桥梁实时监测数据状态矩阵中的第i行第j列的监测数据;N为预设的色彩相空间的色彩总数;xmax为桥梁实时监测数据状态矩阵中的最大值;xmin为桥梁实时监测数据状态矩阵中的最小值。
步骤9、对所述动态标准彩色图谱进行灰度处理,得到灰度图谱;根据所述灰度图谱,生成灰度图谱下的直方图。
步骤10、将灰度图谱下的直方图进行二值化处理,得到损伤图谱。
步骤11、根据损伤图谱中黑色区域出现的位置和时间,可得到所述的桥梁异常状态的定位结果。
本发明所述的桥梁异常状态检测方法,通过时间滑动窗口对数据修正和数据预处理后的桥梁实时监测数据进行统计处理,利用其均值判断桥梁实时监测数据是否有损伤发生;本发明通过数据分析,能够快速确定桥梁有无损伤发生,再根据动态标准彩色图谱可以确定出桥梁损伤发生的位置和时间;其中,损伤识别先通过时间滑动窗口遍历监测数据,通过时间滑动窗口内均值判断有无损伤发生;当无损伤发生时,进行下一个监测数据识别;损伤定位可以通过桥梁实时监测数据形成的图谱去判断损伤发生的位置和时间,当图谱中有连续且大面积的异常颜色出现时,则判为损伤区域,位置可以精确到传感器在大桥中对应的实际位置附近,为了使损伤更明显利用图像处理手段进行损伤图谱生成。
本发明中,将桥梁健康监测数据重构成信息含义丰富、直观形象、可解释性强的动态标准彩色图谱,利用数字图像处理技术对图像的强大分析能力,极大程度的提高桥梁结构损伤识别的效率和精度,对于快速准确地识别出桥梁结构的异常数据和损伤程度,提高桥梁运行安全和运营水平,具有重要的科学意义和工程价值。
本发明还提供了一种桥梁异常状态检测系统,包括时空矩阵模块、数据预处理模块、数据统计模块及异常检测模块;时空矩阵模块,用于获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列;数据预处理模块,用于对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;阈值模块,用于利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;数据统计模块,用于利用时间滑动窗口,对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值;异常检测模块,用于将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
本发明还提供了一种桥梁异常状态检测设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现桥梁异常状态检测方法的步骤。或者,所述处理器执行所述计算机程序时实现上述桥梁异常状态检测系统中各模块的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成预设功能的一系列计算机程序指令段,所述指令段用于描述所述计算机程序在所述桥梁异常状态检测设备中的执行过程。
所述桥梁异常状态检测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述桥梁异常状态检测设备可包括,但不仅限于处理器、存储器。本领域技术人员可以理解,上述是桥梁异常状态检测设备的示例,并不构成对桥梁异常状态检测设备的限定,可以包括比上述更多的部件,或者组合某些部件,或者不同的部件,例如所述桥梁异常状态检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器也可以是任何常规的处理器等,所述处理器是所述桥梁异常状态检测设备的控制中心,利用各种接口和线路连接整个桥梁异常状态检测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述桥梁异常状态检测设备的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种桥梁异常状态检测方法的步骤。
所述桥梁异常状态检测系统集成的模块/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,本发明实现上述桥梁异常状态检测方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述桥梁异常状态检测方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
实施例1
以某桥梁1的异常状态检测过程为例,采集所述桥梁1实际工程中的数据,采集频率为每小时1次,对桥梁的挠度数据进行采集,总共收集9个月的历史数据作为研究对象;其中,所述桥梁1上共设三个挠度传感器,且第一个挠度传感器失效数据全为零;每个挠度传感器共计6562个采样点,共计13124条数据。
如附图1所示,本实施例1提供了一种桥梁异常状态检测方法,具体包括以下步骤:
步骤1、根据中小跨径桥梁的主要病害以及监测成本和可操作性,依据TCCES 15-2020《桥梁健康监测传感器选型与布设技术规程》对桥梁预设位置布设挠度传感器,对桥梁的挠度进行实时监测。
步骤2、获取待测桥梁1的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列。
其中,所述桥梁实时监测数据的时空分布矩阵X为m×n阶的数据矩阵;所述桥梁实时监测数据的时空分布矩阵X为,具体为:
其中,x1,j为第一个传感器在第j时刻的监测数据;x2,j为第二个传感器在第j时刻的监测数据。
步骤3、对所述桥梁实时监测数据的时空分布矩阵中每行监测数据进行遍历,判断是否该行监测数据全部为零,若全为零,则说明发生对应的挠度传感器失效,并将该行监测数据进行剔除,得到除零后的桥梁实时监测数据的时空分布矩阵。
步骤4、采用最优可能值填补方法,通过回归分析与贝叶斯统计推断方法,求解所述除零后的桥梁实时监测数据的时空分布矩阵中特定属性遗漏值的最大可能取值,并进行填补,得到数据填补后的桥梁实时监测数据的时空分布矩阵。
步骤5、采用小波去噪方法,对所述数据填补后的桥梁实时监测数据的时空分布矩阵进行降噪处理,得到降噪处理后的桥梁实时监测数据的时空分布矩阵;具体的,通过db30小波进行四层小波分解,利用硬阈值方法去噪,并进行小波重构,得到降噪处理后的桥梁实时监测数据的时空分布矩阵。
本实施例1中,所述小波去噪方法包括信号分解、阈值处理及信号重构,具体如下:
信号分解:选择合适的小波基函数和分解函数,在不同尺度下对信号进行小波分解;其中,所述小波基函数和分解函数,具体如下:
h0(k)=<φ1,0,φ0,k>
其中,cj,k为第j个尺度下的第k个实际尺度系数;h0(k),h1(k)为一对正交镜像滤波器组;n为第n个采样点;cj-1,k为第j-1个尺度下的第k个实际尺度系数;ωj,k为第j个尺度下的第k个实际小波系数;ωj-1,k为第j-1个尺度下的第k个实际小波系数;M为离散采样点数;φ1,0和φ0,k均为尺度函数;和均为小波函数。
阈值处理:经过小波分析后旋转合适的阈值;其中,所述阈值,用于对每层高频系数进行阈值处理。
信号重构:将经过预制处理后的小波系数进行重构;其中,所述重构公式为:
其中,h0(n-2k)和h1(n-2k)为一对正交镜像滤波器组。
步骤6、对所述降噪处理后的桥梁实时监测数据的时空分布矩阵中,所有元素进行线性变换,使每个元素的线性变换结果落入[0,1]的区间,得到归一化后的桥梁实时监测数据的时空分布矩阵。
步骤7、对归一化后的桥梁实时监测数据的时空分布矩阵中每行监测数据进行遍历,判断是否该传感器发生零点漂移;其中,具体步骤:
获取发生零点漂移状态下的待测桥梁的历史监测数据和正常状态下待测桥梁的历史监测数据,分别计算所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,以及计算正常状态下待测桥梁的历史监测数据的斜率和均值;
根据所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,得到待测桥梁的监测数据是否发生零点漂移的斜率阈值和方差阈值;
利用时间滑动窗口,对所述归一化后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并计算每个时间滑动窗口内的监测数据的斜率和方差;
将所述每个时间滑动窗口内的监测数据的斜率与待测桥梁的监测数据是否发生零点漂移的斜率阈值进行比较,或将所述每个时间滑动窗口内的监测数据的方差与待测桥梁的监测数据是否发生零点漂移的方差阈值进行比较;
若所述每个时间滑动窗口内的监测数据的斜率超出所述待测桥梁的监测数据是否发生零点漂移的斜率阈值,或所述每个时间滑动窗口内的实时监测数据的方差超出待测桥梁的监测数据是否发生零点漂移的方差阈值,则对应监测数据发生零点漂移。
针对发生零点漂移的监测数据,计算发生零点漂移前的监测数据的均值,得到第一均值;计算发生零点漂移后的监测数据的均值,得到第二均值;根据所述第一均值和所述第二均值,计算得到数据矫正值;
利用所述数据矫正值对归一化后的桥梁实时监测数据的时空分布矩阵中的监测数据进行修正,得到修正后的桥梁实时监测数据的时空分布矩阵;其中,修正过程具体为:将发生零点漂移的监测数据减去所述数据矫正值,得到修正值,并利用所述修正值对发生零点漂移对监测数据进行替换。
步骤8、利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值。
其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值的构建过程,具体如下:
获取健康状态下待测桥梁的历史监测数据;
计算得到健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
根据所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ,得到健康状态下待测桥梁的监测数据的均值的安全阈值;
其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值为(μ-4σ,μ+4σ)。
其中,所述均值μ和方差σ分别为:
步骤9、利用时间滑动窗口,对所述修正后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值。
其中,时间滑动窗口的设计原理为:初始固定一个时间滑动窗口,每次仅处理窗口内的数据;借助时间滑动窗口,计算每个时间滑动窗口内的数据的均值、斜率及方差,之后时间滑动窗口向后滑动一个步长距离,当前窗口内的数据即为新的待处理数据,统计处理后继续滑动;依次类推,直到最后一个时间滑动窗口内数据处理完成。
步骤10、将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
具体的,若所述每个时间滑动窗口内的监测数据的均值未超出所述健康状态下待测桥梁的监测数据的均值的安全阈值,则说明对应桥梁实时监测数据正常;若所述每个时间滑动窗口内的监测数据的均值超出所述健康状态下待测桥梁的监测数据的均值的安全阈值,则说明对应桥梁实时监测数据存在异常。
步骤11、依据正态分布,构建用于描述桥梁运行状态的数据分类器;按照所述数据分类器,对所述归一化后的时空分布矩阵进行分级,得到分级结果,构建桥梁实时监测数据状态矩阵。
其中,构建桥梁实时监测数据状态矩阵的过程;具体过程如下:
获取健康状态下待测桥梁的历史监测数据,并计算得到所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
依据正态分布,定义9个不同级状态区域,即得到所述用于描述桥梁运行状态的数据分类器;其中,所述9个不同级状态区域包括一级区域(-∞,μ-4σ)、二级区域(μ-4σ,μ-3σ)、三级区域(μ-3σ,μ-2σ)、四级区域(μ-2σ,μ-σ)、五级区域(μ-σ,μ+σ)、六级区域(μ+σ,μ+2σ)、七级区域(μ+2σ,μ+3σ)、八级区域(μ+3σ,μ+4σ)及九级区域(μ+4σ,+∞);
根据所述数据分类器,对所述修正后的桥梁实时监测数据的时空分布矩阵进行分级划分,并将划分在同一级状态区域的监测数据采用同一数字进行替代,得到所述桥梁实时监测数据状态矩阵。
若所述预处理后的时空分布矩阵中的数据位于二级区域到八级区域内时,则对应数据处于安全状态;若所述预处理后的时空分布矩阵中的数据位于一级区域或九级区域内时,则对应数据存在异常;其中,将划分在同一级状态区域的数据采用同一数字进行替代时,一级区域至九级区域内的数据依次采用数字1-9进行替代;
其中,所述桥梁实时监测数据状态矩阵X′为:
步骤12、按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,经计算机图像处理后,得到动态标准彩色图谱;所述动态标准彩色图谱能够为表征系统异常位置和异常发生时间的动态标准彩色图谱,以实现桥梁结构异常的识别。
具体过程如下:
确定所述桥梁实时监测数据状态矩阵中,每个测点处的监测数据的数值边界[xmin,xmax];根据预设色彩相空间的色彩总数N,对每个测点处的监测数据的数值边界进行区间划分,得到区间划分后的桥梁实时监测数据状态矩阵;色彩相空间遵循由蓝色渐变到黄色。
其中,变量区间长度为:
根据所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系,将所述区间划分后的桥梁实时监测数据状态矩阵映射到所述预设色彩相空间,得到动态标准彩色图谱。
其中,所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系为:
其中,x:pij为动态标准彩色图谱中第i行第j列的像素值;xij为桥梁实时监测数据状态矩阵中的第i行第j列的监测数据;N为预设的色彩相空间的色彩总数;xmax为桥梁实时监测数据状态矩阵中的最大值;xmin为桥梁实时监测数据状态矩阵中的最小值。
步骤13、对所述动态标准彩色图谱进行灰度处理,得到灰度图谱;根据所述灰度图谱,生成灰度图谱下的直方图。
步骤14、预设自定义阈值,将所述灰度图谱下的直方图进行二值化处理,即将所述灰度图谱下的直方图中的异常区域转换为黑色区域,其余部位转换为白色,得到损伤图谱;其中,所述异常区域为所述损伤图谱中的黑色区域。
步骤15、根据损伤图谱,得到所述的桥梁异常状态的定位结果;具体的,根据损伤图谱中黑色区域出现的位置和时间,可得到所述的桥梁异常状态的定位结果。
如附图2-3所示,附图2中给出了实施例1中桥梁1的第二个挠度传感器监测数据的归一化及均值统计结果图;附图3中给出了实施例1中桥梁1的第二个挠度传感器监测数据的动态标准彩色图谱;从附图2-3可以看出,当监测数据发生异常时,均值会超出阈值范围,对应位置的图谱颜色也会发生异常变化。
如附图4所示,附图4中给出了实施例1中桥梁1的动态标准彩色图谱,从附图4中可以看出,桥梁1的第二个传感器和第三个传感器在大约3500h时均出现蓝色,且后期一直持续蓝色,则桥梁1在3500h之后可能出现结构损伤,损伤位置为第二个传感器和第三个传感器中所对应的位置。
如附图5-6所示,附图5给出了实施例1中桥梁1的灰度图谱,附图6中给出了实施例1中桥梁1的损伤图谱;从附图5-6中可以看出,动态标准彩色图谱中的异常颜色区域就是发生损伤的区域,而且损伤图谱可以将损伤区域更明显的表示出来。
实施例2
以某桥梁2的异常状态检测过程为例,采集所述桥梁2实际工程中的实时监测数据,采集频率为每小时1次,对桥梁的挠度数据进行采集,总共收集8个月的历史数据作为研究对象;其中,所述桥梁2上共设28个挠度传感器,且7个挠度传感器失效数据全为零,则直接剔除该行数据;每个挠度传感器共计5840个采样点,共计122640条数据。
本实施例2提供了一种桥梁异常状态检测方法,具体包括以下步骤:
步骤1、实时采集桥梁健康检测系统的挠度数据,构建一个m×n阶的时空分布矩阵,即构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,列表示当前时刻所有传感器监测数据的空间序列分布,行表示传感器监测数据的时间序列分布。
步骤2、对预处理后的时空矩阵中每行数据进行遍历,判断是否该行数据全部为零,若全为零,则说明发生传感器失效,并将该行数据进行剔除。
步骤3、采用最可能值填补方法,通过回归分析与贝叶斯统计推断方法,求解所述时空分布矩阵中特定属性遗漏值的最大可能取值,并进行填补,得到数据填补后的时空分布矩阵。
步骤4、采用db30小波进行四层小波分解,利用硬阈值方法去噪,并进行小波重构,得到降噪处理后的时空分布矩阵。
步骤5、对所述降噪处理后的时空分布矩阵中,所有元素进行线性变换,使每个元素的线性变换结果落入[0,1]的区间,即得到所述预处理后的时空分布矩阵。
步骤6、对预处理后的时空矩阵中每行数据进行遍历,判断是否该传感器发生零点漂移,并修正数据。
步骤7、收集桥梁健康状态下的历史监测数据,计算桥梁健康状态下均值的安全阈值。
步骤8、利用时间滑动窗口,对所述预处理后的时空分布矩阵的每一行数据进行遍历,计算每个时间滑动窗口内数据的均值。
步骤9、将所述桥梁实时监测数据的均值与均值的安全阈值进行比较,若未超出均值安全阈值则说明对应桥梁实时监测数据正常,若超出均值安全阈值则说明对应桥梁实时监测数据存在异常。
步骤10、依据正态分布,构建用于描述桥梁运行状态的数据分类器;按照所述数据分类器,对所述预处理后的时空分布矩阵进行分级,得到分级结果,构建桥梁实时监测数据状态矩阵。
步骤11、按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,经计算机图像处理后,得到动态标准彩色图谱;所述动态标准彩色图谱能够为表征系统故障位置和故障程度的动态标准彩色图谱,以实现异常数据的识别。
步骤12、将所述动态标准彩色图谱转换为灰度图谱,并生成灰度图谱下的直方图。
步骤13、预设自定义阈值,将所述灰度图谱下的直方图进行二值化处理,即将所述灰度图谱下的直方图中的异常区域转换为黑色区域,其余部位转换为白色,得到损伤图谱;其中,所述异常区域为所述损伤图谱中的黑色区域。
步骤14、根据损伤图谱,得到所述的桥梁异常状态的定位结果;具体的,根据损伤图谱中黑色区域出现的位置和时间,可得到所述的桥梁异常状态的定位结果。
如附图7-8所示,附图7中给出了实施例2中桥梁2的第四个挠度传感器监测数据的归一化及均值统计结果图;附图8中给出了实施例2中桥梁2的第四个挠度传感器监测数据的动态标准彩色图谱;从附图7-8中可以看出,当数据发生异常时,均值会超出阈值范围,对应位置的图谱颜色也会发生异常变化。
如附图9所示,附图9中给出了实施例2中桥梁2的动态标准彩色图谱;从附图9中可以看出,第四个传感器和第五个传感器在大约3000h开始一直出现黄色,则出现损伤的位置为第四个传感器和第五个传感器在桥梁上所对应的位置,需要去进行现场勘察;第14个传感器在4000h左右出现黄色,则出现损伤的位置为第14个传感器在桥梁上所对应的位置,需要去进行现场勘察。
如附图10-11所示,附图10中给出了实施例2中桥梁2的灰度图谱,附图11中给出了实施例2中桥梁2的损伤图谱;从附图10-11中可以看出,动态标准彩色图谱中的异常颜色区域就是发生损伤的区域,而且损伤图谱可以将损伤区域更明显的表示出来。
本实施例1、2提供的一种桥梁异常状态检测系统、设备及计算机可读存储介质中相关部分的说明可以参见本实施例1或2所述的一种桥梁异常状态检测方法中对应部分的详细说明,在此不再赘述。
本发明所述的桥梁异常状态检测方法及系统,可以快速数据分析得到有无损伤发生,再根据图谱可以确定出损伤发生的大概位置和时间;损伤识别先通过滑窗遍历监测数据通过滑窗内均值判断有无损伤发生,当无损伤发生时,进行下一个时监测数据识别;损伤定位可以通过整体的数据形成的图谱去判断损伤发生的位置和时间,当图谱中有连续且大面积的异常颜色出现时,则判为损伤区域,位置可以精确到传感器在大桥中对应的实际位置附近,为了使损伤更明显利用图像处理手段进行损伤图谱生成。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一,本发明所要求保护的范围并不仅仅受本实施例的限制,还包括在本发明所公开的技术范围内,任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (10)
1.一种桥梁异常状态检测方法,其特征在于,包括以下步骤:
获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列;
对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;
利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;
利用时间滑动窗口,对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值;
将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
3.根据权利要求1所述的一种桥梁异常状态检测方法,其特征在于,对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的时空分布的实时监测数据矩阵的过程,具体如下:
对所述桥梁实时监测数据的时空分布矩阵中,每一行监测数据进行遍历,判断每一行监测数据是否全部为零;若其中一行监测数据全部为零,则将对应行的监测数据从所述桥梁实时监测数据的时空分布矩阵中剔除,得到除零后的桥梁实时监测数据的时空分布矩阵;
采用最可能值填补法,对所述除零后的桥梁实时监测数据的时空分布矩阵进行数据填补,得到数据填补后的桥梁实时监测数据的时空分布矩阵;
采用小波去噪方法,对所述数据填补后的桥梁实时监测数据的时空分布矩阵进行降噪处理,得到降噪处理后的桥梁实时监测数据的时空分布矩阵;
对所述降噪处理后的桥梁实时监测数据的时空分布矩阵进行归一化处理,得到归一化后的桥梁实时监测数据的时空分布矩阵;
对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的实时监测数据,进行修正,得到预处理后的桥梁实时监测数据的时空分布矩阵。
4.根据权利要求3所述的一种桥梁异常状态检测方法,其特征在于,对所述归一化后的桥梁实时监测数据的时空分布矩阵中发生零点漂移的监测数据,进行修正,得到预处理后的桥梁实时监测数据的时空分布矩阵的过程,具体如下:
获取发生零点漂移状态下的待测桥梁的历史监测数据和正常状态下待测桥梁的历史监测数据,分别计算所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,以及计算正常状态下待测桥梁的历史监测数据的斜率和均值;
根据所述发生零点漂移状态下待测桥梁的历史监测数据的斜率和均值,得到待测桥梁的监测数据是否发生零点漂移的斜率阈值和方差阈值;
利用时间滑动窗口,对所述归一化后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并计算每个时间滑动窗口内的监测数据的斜率和方差;
将所述每个时间滑动窗口内的监测数据的斜率与待测桥梁的监测数据是否发生零点漂移的斜率阈值进行比较,或将所述每个时间滑动窗口内的监测数据的方差与待测桥梁的监测数据是否发生零点漂移的方差阈值进行比较;
若所述每个时间滑动窗口内的监测数据的斜率超出所述待测桥梁的监测数据是否发生零点漂移的斜率阈值,或所述每个时间滑动窗口内的实时监测数据的方差超出待测桥梁的监测数据是否发生零点漂移的方差阈值,则对应监测数据发生零点漂移;
针对发生零点漂移的监测数据,计算发生零点漂移前的监测数据的均值,得到第一均值;计算发生零点漂移后的监测数据的均值,得到第二均值;根据所述第一均值和所述第二均值,计算得到数据矫正值;
利用所述数据矫正值对归一化后的桥梁实时监测数据的时空分布矩阵中的监测数据进行修正,得到修正后的桥梁实时监测数据的时空分布矩阵,即得到预处理后的桥梁实时监测数据的时空分布矩阵;其中,修正过程具体为:将发生零点漂移的监测数据减去所述数据矫正值,得到修正值,并利用所述修正值对发生零点漂移对监测数据进行替换。
5.根据权利要求1所述的一种桥梁异常状态检测方法,其特征在于,利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值的过程,具体如下:
获取健康状态下待测桥梁的历史监测数据;
计算得到健康状态下待测桥梁的历史监测数据的均值μ及方差σ;
根据所述健康状态下待测桥梁的历史监测数据的均值μ及方差σ,得到健康状态下待测桥梁的监测数据的均值的安全阈值;
其中,所述健康状态下待测桥梁的监测数据的均值的安全阈值为(μ-4σ,μ+4σ)。
6.根据权利要求1所述的一种桥梁异常状态检测方法,其特征在于,将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果之后,还包括异常状态定位步骤;
其中,所述异常状态定位步骤,具体如下:
根据正态分布,构建用于描述桥梁运行状态的数据分类器;
按照所述用于描述桥梁运行状态的数据分类器,对所述预处理后的桥梁实时监测数据的时空分布矩阵进行分级处理,得到分级结果;
根据所述分级结果,构建桥梁实时监测数据状态矩阵;
按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱;
对所述动态标准彩色图谱进行灰度处理,得到灰度图谱;根据所述灰度图谱,生成灰度图谱下的直方图;
将所述灰度图谱下的直方图进行二值化处理,得到损伤图谱;
根据所述损伤图谱,得到待测桥梁的异常状态定位结果。
7.根据权利要求6所述的一种桥梁异常状态检测方法,其特征在于,按照预设着色标准,对所述桥梁实时监测数据状态矩阵进行着色处理,得到动态标准彩色图谱的过程,具体如下:
确定所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值边界;根据预设着色标准中预设色彩相空间的色彩总数,对每个测点处的监测数据的数值边界进行区间划分,得到区间划分后的桥梁实时监测数据状态矩阵;
根据所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系,将所述区间划分后的桥梁实时监测数据状态矩阵映射到所述预设色彩相空间,得到动态标准彩色图谱;其中,所述桥梁实时监测数据状态矩阵中每个测点处的监测数据的数值与预设色彩相空间的色彩的对应关系为:
其中,x:pij为二维图谱中第i行第j列的像素值;xij为桥梁实时监测数据状态矩阵中的第i行第j列的监测数据;N为预设色彩相空间的色彩总数;xmax为桥梁实时监测数据状态矩阵中的最大值;xmin为桥梁实时监测数据状态矩阵中的最小值。
8.一种桥梁异常状态检测系统,其特征在于,包括:
时空矩阵模块,用于获取待测桥梁的实时监测数据,构建桥梁实时监测数据的时空分布矩阵;其中,所述桥梁实时监测数据的时空分布矩阵中,每一列表示某个时刻所有监测数据的空间分布序列,每一行表示待测桥梁上某个测点处的监测数据的时间分布序列;
数据预处理模块,用于对所述桥梁实时监测数据的时空分布矩阵,进行数据预处理操作,得到预处理后的桥梁实时监测数据的时空分布矩阵;
阈值模块,用于利用健康状态下待测桥梁的历史监测数据,计算健康状态下待测桥梁的监测数据的均值的安全阈值;
数据统计模块,用于利用时间滑动窗口,对所述预处理后的桥梁实时监测数据的时空分布矩阵中的每一行监测数据进行遍历,并对每个时间滑动窗口内的监测数据进行统计处理,得到每个时间滑动窗口内的监测数据的均值;
异常检测模块,用于将所述每个时间滑动窗口内的监测数据的均值与所述健康状态下待测桥梁的监测数据的均值的安全阈值进行对比,得到待测桥梁异常状态检测结果。
9.一种桥梁异常状态检测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1-7任一项所述的桥梁异常状态检测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的桥梁异常状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907689.0A CN115183963A (zh) | 2022-07-29 | 2022-07-29 | 桥梁异常状态检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210907689.0A CN115183963A (zh) | 2022-07-29 | 2022-07-29 | 桥梁异常状态检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115183963A true CN115183963A (zh) | 2022-10-14 |
Family
ID=83521327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210907689.0A Pending CN115183963A (zh) | 2022-07-29 | 2022-07-29 | 桥梁异常状态检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115183963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746323A (zh) * | 2023-12-19 | 2024-03-22 | 国家电网有限公司 | 一种基于时空状态图的水电站辅助设备故障检测方法 |
-
2022
- 2022-07-29 CN CN202210907689.0A patent/CN115183963A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746323A (zh) * | 2023-12-19 | 2024-03-22 | 国家电网有限公司 | 一种基于时空状态图的水电站辅助设备故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947086B (zh) | 基于对抗学习的机械故障迁移诊断方法及系统 | |
WO2023060672A1 (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
US8347144B2 (en) | False alarm mitigation | |
CN112288021B (zh) | 一种医疗废水监测数据质控方法、装置及系统 | |
Sun et al. | An improved k-nearest neighbours method for traffic time series imputation | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN115183963A (zh) | 桥梁异常状态检测方法、系统、设备及介质 | |
CN116680643A (zh) | 一种深度对比学习与密度聚类结合的异常检测方法 | |
CN115526345A (zh) | 船舶维护管理方法、系统、可读存储介质及计算机设备 | |
CN117949821B (zh) | 一种异步电机故障诊断方法及相关设备 | |
CN113487223B (zh) | 一种基于信息融合的风险评估方法和评估系统 | |
CN113762795A (zh) | 一种基于层次分析的产业链诊断方法及系统 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
CN115169650B (zh) | 一种大数据分析的装备健康预测方法 | |
KR20230044124A (ko) | 설명 가능한 인공지능에 기반한 의료 데이터의 해석 방법, 프로그램 및 장치 | |
KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
Mikhailova et al. | Unsupervised deep-learning-powered anomaly detection for instrumented infrastructure | |
CN111985380B (zh) | 轴承退化过程状态监测方法、系统、设备及存储介质 |
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 |