CN115389405B - 一种高架桥外挂花坛健康状态监测方法及装置 - Google Patents

一种高架桥外挂花坛健康状态监测方法及装置 Download PDF

Info

Publication number
CN115389405B
CN115389405B CN202210812047.2A CN202210812047A CN115389405B CN 115389405 B CN115389405 B CN 115389405B CN 202210812047 A CN202210812047 A CN 202210812047A CN 115389405 B CN115389405 B CN 115389405B
Authority
CN
China
Prior art keywords
rust
flower bed
corrosion
health state
degree
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
Application number
CN202210812047.2A
Other languages
English (en)
Other versions
CN115389405A (zh
Inventor
薛冬杰
谭文菁
汤添钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Institute of Trade and Commerce
Original Assignee
Suzhou Institute of Trade and Commerce
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Institute of Trade and Commerce filed Critical Suzhou Institute of Trade and Commerce
Priority to CN202210812047.2A priority Critical patent/CN115389405B/zh
Publication of CN115389405A publication Critical patent/CN115389405A/zh
Application granted granted Critical
Publication of CN115389405B publication Critical patent/CN115389405B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
    • G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4445—Classification of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/267—Welds

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Ecology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种高架桥外挂花坛健康状态监测方法及装置，所述方法通过对选取的不同参数的管段进行测量，通过提取传感器信号特征实现对锈蚀广度和深度的识别，进一步基于锈蚀广度和深度建立锈蚀度模型；通过脉冲时间差法实现对锈蚀位置识别；采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；基于锈蚀度和锈蚀位置得到高架桥外挂花坛健康状态，并根据监测的健康状态发送警报信息。本发明实现了对高架桥外挂花坛健康状态进行监测，避免由于锈蚀而断裂坠落，并锈蚀度进行了量化的表达，实现了更加客观地描述锈蚀程度；对锈蚀位置的精确定位，基于不同位置对整体结构的影响不同，综合得到健康度。

Description

一种高架桥外挂花坛健康状态监测方法及装置
技术领域
本发明涉及土木工程领域，尤其是一种高架桥外挂花坛健康状态监测方法及装置。
背景技术
近年来，随着高架道路系统的逐步完善，为进一步扩展城市绿化空间，美化城市环境，国内各个城市在推进地面绿化建设的同时，大力发展以高架桥垂直绿化为重点的立体绿化建设，取得了可喜的成绩。作为率先尝试高架绿化挂盆技术的城市，其绿化创新理念对全国其他各大城市的高架、立交绿化起到了一定的示范作用。这些高架上的绿化主要是以盆栽为主，采用外挂和顶置两种形式。
随着时间的推移，在使用过程中，常年的风晒雨淋，使这些挂盆在美化道路环境，形成空中绿链的同时也逐渐显现出一定的弊端及安全隐患。现有的高架桥外挂花坛常采用焊接的方式将花坛容器焊接于高架桥的护栏上或者与护栏连接的钢管上，由于雨水的侵蚀以及平时对花坛浇水等情况，在连接花坛的焊接部分容易出现锈蚀的情况，在严重的锈蚀加上花坛与泥土和植物的重量的压力下，焊接部分极为容易出现变形甚至断裂等严重危害公共安全的问题。
发明内容
（一）解决的技术问题
为了解决上述技术问题，本发明提供一种高架桥外挂花坛健康状态监测方法及装置，所述方法通过对传感器信号的分析，获取高架桥外挂花坛的锈蚀情况，对锈蚀度进行量化处理以及锈蚀位置定位，从而获得高架桥外挂花坛健康状态，根据健康状态采取相应的措施。
（二）技术方案
为了解决上述存在的技术问题，实现发明目的，本发明是通过以下技术方案实现的：
S1.选取试验管段进行测量，获得传感器信号；
S2.对采集到的信号进行信号分析，包括基于时频域和小波分析进行信号特征提取；
S3.锈蚀度模型建立，所述锈蚀度由锈蚀广度和锈蚀深度共同决定；
S4.锈蚀位置定位模型建立，基于脉冲时间差法来确定锈蚀位置；
S5.采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；具体为将传感器测量结果带入锈蚀度模型和锈蚀位置定位模型中，得到现场的监测段的锈蚀度和锈蚀位置；
S6：基于锈蚀度和锈蚀位置得到高架桥外挂花坛健康状态；
S7：根据监测的健康状态发送警报信息，根据步骤S6得到的健康状态选择养护维修措施，包括正常维护、局部修补、局部加固以及整体加固或重新安装。
进一步地，所述步骤S1中传感器可以为压电传感器；
进一步地，所述步骤S2中小波分析特征提取方法的过程如下：
i.对原始信号进行n层小波包分解，得到小波包树，在小波包树的第n层具有
Figure DEST_PATH_IMAGE001
个 频段信号，进行特征提取。
ii.对提取的每一个频段的信号的高频和低频系数进行重构，分别形成新的重构信号。
iii.求取各个频段的能量，计算公式如下：
Figure DEST_PATH_IMAGE003
其中，
Figure 423474DEST_PATH_IMAGE004
为小波包重构系数，i为分解的层数，j为每一层的节点数。
iv.构造小波特征向量
特定频段的相对小波包能量为：
Figure 606193DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为信号的总能量。
选取第n层的相对小波包能量特征向量为：
Figure DEST_PATH_IMAGE009
进一步得到小波包的能量熵谱：
Figure DEST_PATH_IMAGE011
进一步地，锈蚀度计算结合锈蚀广度和锈蚀深度得到锈蚀度计算式为：
Figure DEST_PATH_IMAGE013
其中b为偏置量。
进一步地，所述锈蚀广度基于锈蚀面积和锈蚀点决定，其定义为：
Figure DEST_PATH_IMAGE015
其中n为锈蚀点的数量，
Figure 166356DEST_PATH_IMAGE016
为第i个锈蚀点的锈蚀面积。
进一步地，基于二级支持向量机算法识别特征得到锈蚀点数量和面积，所述二级支持向量机算法为蜂群算法优化支持向量机算法，并基于两级支持向量机分类，第一级分类通过与输出关联性最大的部分特征，即主特征，对信号进行预分类，信号在第一级分类处理后就可以识别到信号的大类别，起到了初步过滤的作用；第二级分类中，基于剩余的特征，对第一级分类结果进行进一步精细化的分类。
进一步地，二级支持向量机算法步骤如下所述：
1）导入试验得到的数据，将数据分为训练集和测试集，并进行归一化处理；
2）设置初始化蜂群算法与支持向量机算法的参数；
3）通过蜂群算法得到支持向量机算法的最佳正则化系数c和核函数参数g；
4）将样本特征输入第一级支持向量机分类器进行预分类，得到第一级分类结果；
5）将第一级分类结果以及剩余的样本特征输入到第二级支持向量机分类器中，得到第二级分类结果。
蜂群算法获得支持向量机算法的最佳正则化系数c和核函数参数g的步骤如下：
1）计算当前的迭代次数是否小于最大迭代次数，若是，则进入步骤2），否则算法结束；
2）计算蜂群算法的适应度值，选择最佳适应度的蜜蜂位置作为最佳位置；
3）更新蜂群位置，计算新位置的适应度值，将新适应度与原适应度进行比较，选择最佳的适应度以及蜜蜂所在的位置；
4）计算当前的最佳适应度是否满足误差要求，若是，则退出循环，输出蜂群最佳位置，否则返回步骤1）。
进一步地，所述输入第一级分类器的样本特征包括小波包能量特征向量和小波包能量熵谱；
进一步地，所述锈蚀深度与频域峰值与重心频率呈如下拟合关系：
Figure 92724DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
为频域峰值，
Figure 579200DEST_PATH_IMAGE020
为无锈蚀时的频域峰值，
Figure DEST_PATH_IMAGE021
为重心频率，
Figure 306723DEST_PATH_IMAGE022
为无锈蚀时的 重心频率，A、B分别为频域峰值和重心频率的系数，其取值与管道的长度和直径有关，通过 试验分别得到两个系数值。
进一步地，所述锈蚀位置定位模型确定方法包括：
对一根长度为L的待测管道，设激励传感器位于与管道端头距离a处，接收传感器位于与管道端头距离b处，激励传感器、锈蚀位置和端头所对应的时间分别为t0、t1、t2。
从而计算激励信号的传播速度v为：
Figure 104914DEST_PATH_IMAGE024
锈蚀点与接收传感器的距离为：
Figure 710339DEST_PATH_IMAGE026
进一步地，所述健康状态模型如下：
Figure 644797DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为健康状态，m、n为影响因子，m>n；a,b为两个焊接连接点位置坐标；U为 锈蚀度。
本发明还提供一种高架桥外挂花坛健康状态监测装置，其具体包括：
模型建立模块，其用于根据选取的试验管段进行测量，根据对试验管段测量得到的信号分析结果建立锈蚀度模型和锈蚀位置模型；
现场锈蚀状态计算模块，其用于采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；
健康状态计算模块，其用于基于所述锈蚀度和锈蚀位置计算高架桥外挂花坛健康状态；
报警模块，其用于根据监测的健康状态发送警报信息。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
（三）有益效果
与现有技术相比，本发明的有益效果为：
（1）本发明实现了对高架桥外挂花坛健康状态进行监测，避免由于锈蚀而断裂坠落；
（2）本发明对锈蚀度进行了量化的表达，实现了更加客观地描述锈蚀程度；
（3）本发明实现了对锈蚀位置的精确定位，基于不同位置对整体结构的影响不同，综合得到健康度。
（4）本发明基于两级支持向量机分类算法，缓解了计算机的运算压力，保障了系统处理数据的实时性，并且提高了识别的准确率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是常见的高架桥外挂花坛容器的实物图；
图2是根据本申请实施例的高架桥外挂花坛健康状态监测方法流程示意图；
图3是根据本申请实施例的管道上布置压电传感器位置的示意图；
图4是根据本申请实施例的基于蜂群算法优化支持向量机算法的示意图；
图5是根据本申请实施例的健康状态模型计算示意图。
附图标记：1.管道 2.第一压电传感器 3.第二压电传感器 4.第三压电传感器5.第四压电传感器 6.锈蚀。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
高架桥外挂花坛容器存在容器结构暴露面大，易锈蚀的问题；如图1所示，现有的高架桥外挂花坛常采用焊接的方式将花坛容器焊接于高架桥的护栏上或者与护栏连接的钢管上，由于雨水的侵蚀以及平时对花坛浇水等情况，在连接花坛的焊接部分容易出现锈蚀的情况，在严重的锈蚀加上花坛与泥土和植物的重量的压力下，焊接部分极为容易出现变形甚至断裂等严重危害公共安全的问题。
因此，本发明分别基于护栏以及焊接部分的锈蚀情况和花坛的水平倾斜情况来判断高架桥外挂花坛健康状态。
护栏以及焊接部分的锈蚀状态监测
本发明将传感器设置在外挂结构的连接处以及悬挂护栏上，通过对传感器的信号分析来确定护栏以及连接点的锈蚀程度和锈蚀位置。具体方法如图2所示：
S1.选取试验管段进行测量，获得传感器信号。
可选的，传感器可以为压电传感器。本实施例以压电传感器为例，对信号分析处理进行进一步的说明。
选取试验管段的原则包括不同的管道直径、长度，管道的锈蚀点数量，管道的锈蚀面积。采用电解液对管道的不同位置进行锈蚀操作。
如图3所示在管道上布置压电传感器，接收压电传感器的信号，进一步进行信号处理和分析。
在所述管道1上布置第一压电传感器2、第二压电传感器3、第三压电传感器4、第四压电传感器5，其中第一压电传感器2、第二压电传感器3为激励传感器，第三压电传感器4、第四压电传感器5为接收传感器；第一压电传感器2、第二压电传感器3分别输出频率不相等的两组激励信号，第三压电传感器4、第四压电传感器5分别接收来自第一压电传感器2、第二压电传感器3的信号，管道上存在锈蚀6，激励信号经过锈蚀6，其信号波形发生变化。
S2.信号分析，包括基于时频域和小波分析进行信号特征提取，具体方法如下：
设接收到的压电信号为
Figure 169319DEST_PATH_IMAGE030
，对压电信号为
Figure 330173DEST_PATH_IMAGE030
基于时频域分析和小波分析相结 合的方式进行信号分析。
a.时域分析
时域分析通过信号的均值、峰值、平均功率、有效值、方差、概率密度函数、概率分布函数、相关函数等统计特征来对信号进行分析。
b.频域分析
频域分析利用傅里叶变换将时域信号转换为频域信号，经过傅里叶变换之后的信号可以提供更加丰富的信息。
将时域信号通过傅里叶变换，得到信号的频域特征，如下所示：
Figure 332764DEST_PATH_IMAGE032
提取频域信号的特征，包括频域幅值、频域峰值、重心频率、均方频率、频率方差、峭度。
均方频率计算如下：
Figure 121729DEST_PATH_IMAGE034
峭度计算如下：
c.小波分析
小波分析特征提取方法的过程如下：
i.对原始信号进行n层小波包分解，得到小波包树，在小波包树的第n层具有
Figure 958098DEST_PATH_IMAGE001
个 频段信号，进行特征提取。
ii.对提取的每一个频段的信号的高频和低频系数进行重构，分别形成新的重构信号。
iii.求取各个频段的能量，计算公式如下：
Figure DEST_PATH_IMAGE035
其中，
Figure 730882DEST_PATH_IMAGE004
为小波包重构系数，i为分解的层数，j为每一层的节点数。
iv.构造小波特征向量
特定频段的相对小波包能量为：
Figure 911065DEST_PATH_IMAGE006
其中，
Figure 820115DEST_PATH_IMAGE007
为信号的总能量。
选取第n层的相对小波包能量特征向量为：
Figure 420861DEST_PATH_IMAGE009
进一步得到小波包的能量熵谱：
Figure 290728DEST_PATH_IMAGE036
S3.锈蚀度模型建立
锈蚀度由锈蚀广度和深度共同决定。
S31：锈蚀广度基于锈蚀面积和锈蚀点决定，其定义为：
Figure DEST_PATH_IMAGE037
其中n为锈蚀点的数量，
Figure 166280DEST_PATH_IMAGE016
为第i个锈蚀点的锈蚀面积。
本发明基于二级支持向量机识别特征得到锈蚀点数量和面积。
基于上述多个特征可以更加全面的反应管道锈蚀的信息，解决了单个特征域的特征无法全面描述的从而造成测量的准确性不高的特点。
为提高识别的准确性以及算法运行的速度，如图4所示，本发明基于蜂群算法优化支持向量机算法，并基于两级支持向量机分类，第一级分类通过与输出关联性最大的部分特征，即主特征，对信号进行预分类，信号在第一级分类处理后就可以识别到信号的大类别，起到了初步过滤的作用；第二级分类中，基于剩余的特征，对第一级分类结果进行进一步精细化的分类，基于两级分类算法，缓解了计算机的运算压力，保障了系统处理数据的实时性，并且提高了识别的准确率。
本发明的二级支持向量机算法步骤如下所述：
1）导入试验得到的数据，将数据分为训练集和测试集，并进行归一化处理；
2）设置初始化蜂群算法与支持向量机算法的参数；
3）通过蜂群算法得到支持向量机算法的最佳正则化系数c和核函数参数g；
4）将样本特征输入第一级支持向量机分类器进行预分类，得到第一级分类结果；
5）将第一级分类结果以及剩余的样本特征输入到第二级支持向量机分类器中，得到第二级分类结果。
蜂群算法获得支持向量机算法的最佳正则化系数c和核函数参数g的步骤如下：
1）计算当前的迭代次数是否小于最大迭代次数，若是，则进入步骤2），否则算法结束；
2）计算蜂群算法的适应度值，选择最佳适应度的蜜蜂位置作为最佳位置；
3）更新蜂群位置，计算新位置的适应度值，将新适应度与原适应度进行比较，选择最佳的适应度以及蜜蜂所在的位置；
4）计算当前的最佳适应度是否满足误差要求，若是，则退出循环，输出蜂群最佳位置，否则返回步骤1）。
可选的，所述输入第一级分类器的样本特征包括小波包能量特征向量和小波包能量熵谱。
S32.锈蚀深度基于锈蚀的厚度决定，由上述试验得到，对于同样大小和数量的锈蚀，其锈蚀深度与频域峰值与重心频率呈如下拟合关系：
Figure 805203DEST_PATH_IMAGE018
其中，
Figure 842429DEST_PATH_IMAGE019
为频域峰值，
Figure 58647DEST_PATH_IMAGE020
为无锈蚀时的频域峰值，
Figure 347677DEST_PATH_IMAGE021
为重心频率，
Figure 965740DEST_PATH_IMAGE022
为无锈蚀时的 重心频率，A、B分别为频域峰值和重心频率的系数，其取值与管道的长度和直径有关，通过 试验分别得到两个系数值。
S33.结合锈蚀广度和深度得到锈蚀度计算式为：
Figure 173867DEST_PATH_IMAGE013
其中b为偏置量。
本发明对锈蚀程度进行了量化处理，得到材料的锈蚀程度的量化表达式，对后续的监测和定位提供了基础。
S4.锈蚀位置定位模型建立
基于脉冲时间差法来确定锈蚀位置，其原理为：根据激励信号的传播速度结合锈蚀位置波包出现的时间来确定锈蚀的位置。
对一根长度为L的待测管道，设激励传感器位于与管道端头距离a处，接收传感器位于与管道端头距离b处，激励传感器、锈蚀位置和端头所对应的时间分别为t0、t1、t2。
从而计算激励信号的传播速度v为：
Figure 516862DEST_PATH_IMAGE024
锈蚀点与接收传感器的距离为：
Figure 203058DEST_PATH_IMAGE026
S5.采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态。
将传感器测量结果带入锈蚀度模型和锈蚀位置定位模型中，得到现场的监测段的锈蚀度和锈蚀位置。
S6：基于锈蚀度和锈蚀位置得到高架桥外挂花坛健康状态
基于不同的锈蚀位置对于外挂花坛的安全性有不同的影响，因此，对不同的锈蚀位置对监测结果的影响程度不同，例如，若锈蚀位置位于焊接点，则会严重影响连接部分的安全性，而如果锈蚀部分位于护栏其他部位，则对于花坛安全的影响性相对小一些。因此，本发明基于不同的锈蚀位置设置不同的权重。
以悬挂一个花坛的一段护栏为例，如图5所示，一个花坛通过两个焊接连接点A、B将花坛固定容器与高架桥护栏连接在一起，设该段护栏的首端为坐标0，A点坐标为a，B点为b，总长度为L，锈蚀6的坐标为x，建立健康状态模型：
Figure 347732DEST_PATH_IMAGE038
其中，m、n为影响因子，m>n。
S7：根据监测的健康状态发送警报信息
根据步骤S6得到的健康状态选择养护维修措施，包括正常维护、局部修补、局部加固以及整体加固或重新安装。
在本实施方式中，通过对传感器信号的分析，获取高架桥外挂花坛的锈蚀情况，对锈蚀度进行量化处理以及锈蚀位置定位，从而获得高架桥外挂花坛健康状态，根据健康状态采取相应的措施。
本发明实施例还提出一种高架桥外挂花坛健康状态监测装置，其具体包括：
模型建立模块，其用于根据选取的试验管段进行测量，根据对试验管段测量得到的信号分析结果建立锈蚀度模型和锈蚀位置模型；
现场锈蚀状态计算模块，其用于采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；
健康状态计算模块，其用于基于所述锈蚀度和锈蚀位置计算高架桥外挂花坛健康状态；
报警模块，其用于根据监测的健康状态发送警报信息。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种高架桥外挂花坛健康状态监测方法，其特征在于，包括如下步骤：
S1.选取试验管段进行测量，获得压电传感器信号；
S2.对采集到的信号进行信号分析，包括基于时频域和小波分析进行信号特征提取；
S3.基于试验管段测量的信号得到的信号特征建立锈蚀度模型，所述锈蚀度由锈蚀广度和锈蚀深度共同决定；
所述锈蚀度计算结合锈蚀广度和锈蚀深度得到锈蚀度计算式为：
U＝DeZ+b
其中b为偏置量，D为锈蚀深度，Z为锈蚀广度；
所述锈蚀广度基于锈蚀面积和锈蚀点数量决定，其定义为：
Figure FDA0004255887420000011
其中n为锈蚀点的数量，Si为第i个锈蚀点的锈蚀面积；
所述锈蚀深度D与频域峰值与重心频率呈如下拟合关系：
Figure FDA0004255887420000012
其中，H为频域峰值，H0为无锈蚀时的频域峰值，G为重心频率，G0为无锈蚀时的重心频率，A、B分别为频域峰值和重心频率的系数，其取值与管段的长度和直径有关，通过试验分别得到两个系数值；
S4.基于试验管段测量的信号建立锈蚀位置定位模型，基于脉冲时间差法来确定锈蚀位置；
S5.采集现场压电传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；具体为将传感器测量结果带入锈蚀度模型和锈蚀位置定位模型中，得到现场的监测段的锈蚀度和锈蚀位置；
S6：基于锈蚀度和锈蚀位置得到高架桥外挂花坛健康状态；
设花坛通过两个焊接连接点A、B将花坛固定容器与高架桥护栏连接在一起，设该段护栏的首端为坐标0，A点坐标为a，B点为b，总长度为L，锈蚀的坐标为x，所述健康状态模型如下：
Figure FDA0004255887420000013
其中，Hel为健康状态，m、n为影响因子，m>n；a,b为两个焊接连接点位置坐标；U为锈蚀度；
S7：根据监测的健康状态发送警报信息，根据步骤S6得到的健康状态选择养护维修措施，包括正常维护、局部修补、局部加固、整体加固或重新安装。
2.根据权利要求1所述的高架桥外挂花坛健康状态监测方法，其特征在于，所述步骤S2中小波分析特征提取方法的过程如下：
i.对原始信号进行n层小波包分解，得到小波包树，在小波包树的第n层具有2n个频段信号，进行特征提取；
ii.对提取的每一个频段的信号的高频和低频系数进行重构，分别形成新的重构信号；
iii.求取各个频段的能量，计算公式如下：
Figure FDA0004255887420000021
其中，djk为小波包重构系数，i为分解的层数，j为每一层的节点数；
iv.构造小波特征向量
特定频段的相对小波包能量为：
Figure FDA0004255887420000022
其中，Ei为信号的总能量；
选取第n层的相对小波包能量特征向量为：
Figure FDA0004255887420000024
进一步得到小波包的能量熵谱：
Figure FDA0004255887420000023
3.根据权利要求2所述的高架桥外挂花坛健康状态监测方法，其特征在于，基于二级支持向量机算法识别特征得到锈蚀点数量和面积，其中，第一级分类通过与输出关联性最大的部分特征，即主特征，对信号进行预分类，信号在第一级分类处理后就可以识别到信号的大类别；第二级分类中，基于剩余的特征，对第一级分类结果进行进一步精细化的分类。
4.根据权利要求3所述的高架桥外挂花坛健康状态监测方法，其特征在于，所述二级支持向量机算法为蜂群算法优化支持向量机算法。
5.一种基于如权利要求1-4任意项所述的高架桥外挂花坛健康状态监测方法的装置，其具体包括：
模型建立模块，其用于根据选取的试验管段进行测量，根据对试验管段测量得到的信号分析结果建立锈蚀度模型和锈蚀位置定位模型；
现场锈蚀状态计算模块，其用于采集现场传感器信号并进行处理，基于锈蚀度模型和锈蚀位置定位模型以及现场传感器的测量结果，确定监测对象的锈蚀状态；
健康状态计算模块，其用于基于所述锈蚀度和锈蚀位置计算高架桥外挂花坛健康状态；
报警模块，其用于根据监测的健康状态发送警报信息。
CN202210812047.2A 2022-07-12 2022-07-12 一种高架桥外挂花坛健康状态监测方法及装置 Active CN115389405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210812047.2A CN115389405B (zh) 2022-07-12 2022-07-12 一种高架桥外挂花坛健康状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210812047.2A CN115389405B (zh) 2022-07-12 2022-07-12 一种高架桥外挂花坛健康状态监测方法及装置

Publications (2)

Publication Number Publication Date
CN115389405A CN115389405A (zh) 2022-11-25
CN115389405B true CN115389405B (zh) 2023-07-07

Family

ID=84116227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210812047.2A Active CN115389405B (zh) 2022-07-12 2022-07-12 一种高架桥外挂花坛健康状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN115389405B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4580601B2 (ja) * 2001-09-21 2010-11-17 東京電力株式会社 水力発電機器のキャビテーション診断装置
US8285495B2 (en) * 2009-04-29 2012-10-09 Techno-Sciences, Inc Corrosion inspection and monitoring system
CN103940893B (zh) * 2014-05-13 2015-02-04 湖南大学 一种拉索锚固段锈蚀缺陷监测装置及方法
CN106959365B (zh) * 2017-01-16 2019-04-09 长沙理工大学 一种钢筋混凝土主梁结构锈胀裂缝开裂参数监测方法
CN106932485A (zh) * 2017-02-23 2017-07-07 长沙理工大学 一种基于压电智能骨料的预应力筋锈蚀深度监测方法
CN113325072A (zh) * 2021-04-30 2021-08-31 北京航空航天大学 一种金属板腐蚀损伤深度评估系统和方法

Also Published As

Publication number Publication date
CN115389405A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
US20220205956A1 (en) Detection of structural anomalies in a pipeline network
CN110807562B (zh) 一种区域性桥梁风险预测方法及系统
CN110398647B (zh) 变压器状态监测方法
CN110929359B (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN109357167A (zh) 一种燃气管道漏点检测装置及检测方法
CN111520615B (zh) 基于线谱对和三次插值搜索的管网漏损识别与定位方法
CN104373820B (zh) 降低管道泄漏监测误报率的方法
CN101963536A (zh) 一种索力实时监测方法
Wang et al. Establishment and application of the wind and structural health monitoring system for the Runyang Yangtze River Bridge
Zonno et al. Automated long-term dynamic monitoring using hierarchical clustering and adaptive modal tracking: validation and applications
Shu et al. A multi-task learning-based automatic blind identification procedure for operational modal analysis
CN115014617B (zh) 一种基于地基雷达的斜拉桥拉索索力同步监测方法
CN112985574A (zh) 基于模型融合的光纤分布式声波传感信号高精度分类识别方法
CN110321616B (zh) 基于小波变换和注意力模型的三跨杆塔故障诊断方法
CN108549847A (zh) 一种无基准数据条件下的梁式结构裂缝损伤识别方法
CN115389405B (zh) 一种高架桥外挂花坛健康状态监测方法及装置
CN107290047B (zh) 一种拟合次声台站风噪声-风速的方法
KR20200092503A (ko) 입출력 음향 데이터 기반의 딥러닝을 활용한 하수관 상태 판별 방법
CN105118516A (zh) 基于声音线性预测倒谱系数的工程机械的识别方法
CN110568081B (zh) 一种古建筑损伤测试装置及测试方法
CN117009788A (zh) 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法
CN103994816A (zh) 一种基于光纤多发事件的识别方法
CN109029711B (zh) 一种动态的桥梁结构多阶频率识别方法
CN101118286A (zh) 地下深层地震监测系统及其工作方法
CN116295637A (zh) 一种高空建筑安全智能监测的方法及系统

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