CN115597901A - 一种桥梁伸缩缝损伤的监测方法 - Google Patents

一种桥梁伸缩缝损伤的监测方法 Download PDF

Info

Publication number
CN115597901A
CN115597901A CN202211592368.2A CN202211592368A CN115597901A CN 115597901 A CN115597901 A CN 115597901A CN 202211592368 A CN202211592368 A CN 202211592368A CN 115597901 A CN115597901 A CN 115597901A
Authority
CN
China
Prior art keywords
hilbert
comparison
expansion joint
impact
energy
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.)
Granted
Application number
CN202211592368.2A
Other languages
English (en)
Other versions
CN115597901B (zh
Inventor
杨才千
李君石
马增胜
杨晓钱
潘勇
杨国玉
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.)
Jiangsu Menglianqiao Civil Technology Co ltd
Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute Co ltd
Original Assignee
Jiangsu Menglianqiao Civil Technology Co ltd
Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute Co ltd
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 Jiangsu Menglianqiao Civil Technology Co ltd, Jiangsu Zhongyunzhu Intelligent Operation And Maintenance Research Institute Co ltd filed Critical Jiangsu Menglianqiao Civil Technology Co ltd
Priority to CN202211592368.2A priority Critical patent/CN115597901B/zh
Publication of CN115597901A publication Critical patent/CN115597901A/zh
Application granted granted Critical
Publication of CN115597901B publication Critical patent/CN115597901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种桥梁伸缩缝损伤的监测方法，包括以下步骤：S1.在桥梁伸缩缝纵向布设传感器，获取传感器的振动信号，对振动信号进行预处理；S2.对预处理后的振动信号进行希尔伯特黄变换得到希尔伯特边际谱，并计算希尔伯特边际谱能量，通过希尔伯特边际谱能量建立能量指标；S3.计算车辆冲击时固定距离内的所有传感器的能量指标，将每个传感器的能量指标收集并定义为特征向量，将特征向量按时间顺序排列，并以此建立数据集，通过特征向量计算不同时间段的灰色关联度；S4.若灰色关联度持续低于最低值则发生损伤。本发明可以实时进行损伤识别，解决桥梁伸缩缝损伤监测的不足，提高桥梁的安全性。

Description

一种桥梁伸缩缝损伤的监测方法
技术领域
本发明涉及桥梁监测技术领域，具体涉及一种桥梁伸缩缝损伤的监测方法。
背景技术
桥梁伸缩缝是桥梁结构中必不可少的部件，在其使用过程中，由于车辆的循环荷载，温度作用以及自身的反复伸缩的作用下，会造成其发生疲劳损伤并且影响桥梁的正常使用。许多学者统计，伸缩缝的使用寿命一般多为十几年，寿命比桥梁使用寿命短的很多。
目前桥梁伸缩缝的损伤识别方法主要是人工检测，该方法的主要缺点有：1. 误差较大，损伤识别的成功取决于检测人员的判断；2. 实时性差，只能定期进行检查，不能实时识别损伤；3. 损伤识别影响交通。因此，需要利用先进的传感技术收集数据，科学地对数据进行分析，并确定一种在线监测的方法，进而提高伸缩缝损伤检测的准确性和效率。
发明内容
本发明的目的在于：针对桥梁伸缩缝实时监测的不足，提出了一种桥梁伸缩缝损伤的监测方法，以提高桥梁的安全性。
本发明公开了一种桥梁伸缩缝损伤的监测方法，包括以下步骤：
S1.在桥梁伸缩缝纵向布设传感器，获取传感器的振动信号，对振动信号进行预处理；
S2.对预处理后的振动信号进行希尔伯特黄变换得到希尔伯特边际谱，并计算希尔伯特边际谱能量，通过希尔伯特边际谱能量建立能量指标；
S3.计算车辆冲击时固定距离内的所有传感器的能量指标，将每个传感器的能量指标收集并定义为特征向量，将特征向量按时间顺序排列，并以此建立数据集，通过特征向量计算不同时间段的灰色关联度；
S4.若灰色关联度持续低于最低值则发生损伤，若灰色关联度不低于最低值则更新数据集并持续监测。
进一步地，在S1中，所述传感器均匀布设在桥梁伸缩缝的各个部位，用于获取桥梁伸缩缝的各部位的冲击振动信号，所述预处理为去噪处理。
进一步地，所述S2的具体步骤为：
S201：利用经验模态分解将预处理后的振动信号
Figure 340496DEST_PATH_IMAGE001
分解为多个本征模态函数分量
Figure 70686DEST_PATH_IMAGE002
和残差
Figure 850423DEST_PATH_IMAGE003
，
Figure 307949DEST_PATH_IMAGE004
，使得每个本征模态函数分量将满足希尔伯特变换的条件，预处理后的振动信号经验模态分解的公式为：
Figure 122322DEST_PATH_IMAGE005
Figure 256369DEST_PATH_IMAGE006
为时间，
Figure 523402DEST_PATH_IMAGE007
为分解得到的本征模态函数的个数；
S202：将每个本征模态函数分量
Figure 784619DEST_PATH_IMAGE008
进行希尔伯特变换，公式为：
Figure 453498DEST_PATH_IMAGE009
其中P代表柯西主值，
Figure 259911DEST_PATH_IMAGE010
表示时间积分变量，
Figure 14240DEST_PATH_IMAGE011
表示对应的希尔伯特谱，
Figure 813569DEST_PATH_IMAGE006
表示时间，
Figure 336954DEST_PATH_IMAGE012
表示圆周率值；
S203：根据希尔伯特谱
Figure 78383DEST_PATH_IMAGE011
，计算解析信号
Figure 320008DEST_PATH_IMAGE013
，得到本征模态函数的瞬时幅值和瞬时相位，公式为：
Figure 657449DEST_PATH_IMAGE014
Figure 300920DEST_PATH_IMAGE015
Figure 449135DEST_PATH_IMAGE016
其中
Figure 178057DEST_PATH_IMAGE017
和
Figure 319188DEST_PATH_IMAGE018
分别表示第
Figure 817166DEST_PATH_IMAGE019
层本征模态函数的瞬时幅值和瞬时相位，
Figure 900397DEST_PATH_IMAGE020
表示虚数符号，
Figure 851036DEST_PATH_IMAGE021
为时间；
S204：根据第
Figure 795858DEST_PATH_IMAGE022
层本征模态函数的瞬时相位
Figure 148342DEST_PATH_IMAGE023
计算第
Figure 903939DEST_PATH_IMAGE024
层本征模态函数的瞬时频率
Figure 341874DEST_PATH_IMAGE025
，公式为：
Figure 762491DEST_PATH_IMAGE026
S205：将每个本征模态函数分量
Figure 297378DEST_PATH_IMAGE027
的希尔伯特谱汇总，计算原始信号的希尔伯特谱
Figure 410827DEST_PATH_IMAGE028
，公式为：
Figure 647642DEST_PATH_IMAGE029
S206：在时域内对
Figure 871950DEST_PATH_IMAGE030
进行积分得到希尔伯特边际谱，公式为：
Figure 995764DEST_PATH_IMAGE031
其中
Figure 280115DEST_PATH_IMAGE032
表示希尔伯特边际谱，
Figure 505691DEST_PATH_IMAGE033
表示数据总长度；
S207：对希尔伯特边际谱幅值做归一化处理；
S208：通过归一化的希尔伯特边际谱
Figure 533690DEST_PATH_IMAGE032
获得希尔伯特边际谱能量
Figure 777589DEST_PATH_IMAGE034
，公式为：
Figure 967262DEST_PATH_IMAGE035
其中，
Figure 178670DEST_PATH_IMAGE036
为希尔伯特边际谱中的有效频率范围。
进一步地，所述S3中，将桥梁伸缩缝布置的传感器分为多组，每一组有M个沿着桥梁伸缩缝纵向布置的传感器，该组对应的区域单独成为一个监测区域，按照传感器的布置顺序，收集一次冲击时M个传感器的能量指标DI，将M个DI设置为一个特征向量，在无损状态下冲击所获得的该区域内的每个传感器的首个能量指标DI被用来作为一个特征向量，并设置为参考数列
Figure 744780DEST_PATH_IMAGE037
，将预设冲击振动次数所获得的特征向量设置为比较数列
Figure 108765DEST_PATH_IMAGE038
，
Figure 469339DEST_PATH_IMAGE039
，
Figure 669508DEST_PATH_IMAGE040
表示预设冲击振动次数，按时间顺序排列，计算灰色关联度，计算能量指标DI公式为：
Figure 39309DEST_PATH_IMAGE041
Figure 992222DEST_PATH_IMAGE042
为无损状态首次冲击所获得的希尔伯特边际谱能量
Figure 789276DEST_PATH_IMAGE043
，
Figure 709697DEST_PATH_IMAGE044
为对应冲击时所获得的希尔伯特边际谱能量
Figure 883189DEST_PATH_IMAGE043
；
M个传感器的能量指标DI被用来作为一个特征向量，并通过特征向量设置一个参考数列
Figure 956187DEST_PATH_IMAGE045
和
Figure 924143DEST_PATH_IMAGE046
个比较数列
Figure 833325DEST_PATH_IMAGE047
：
Figure 544929DEST_PATH_IMAGE048
计算参考数列
Figure 472434DEST_PATH_IMAGE049
和
Figure 611291DEST_PATH_IMAGE050
个比较数列
Figure 991457DEST_PATH_IMAGE051
之间的灰色关联度系数
Figure 241172DEST_PATH_IMAGE052
，计算公式为：
Figure 803610DEST_PATH_IMAGE053
其中
Figure 113368DEST_PATH_IMAGE049
和
Figure 997142DEST_PATH_IMAGE051
的参考数列，
Figure 50548DEST_PATH_IMAGE051
为比较数列，
Figure 952645DEST_PATH_IMAGE054
为分辨系数，其中
Figure 433305DEST_PATH_IMAGE052
表示参考数列
Figure 37331DEST_PATH_IMAGE049
与第
Figure 894428DEST_PATH_IMAGE055
个比较数列
Figure 385452DEST_PATH_IMAGE051
之间的灰色关联系数，
Figure 37014DEST_PATH_IMAGE056
表示样本个数；
计算灰色关联度
Figure 160959DEST_PATH_IMAGE057
，公式为：
Figure 556168DEST_PATH_IMAGE058
。
进一步地，当所述参考数列
Figure 167278DEST_PATH_IMAGE049
与最后一次冲击振动获得的比较数列的灰色关联度低于第一次冲击振动获得的比较数列与其他比较数列的灰色关联度最低值时，将最后一次冲击振动获得的比较数列替换为新的冲击荷载作用下的比较数列，若连续的参考数列与最后一次冲击振动获得的比较数列的灰色关联度低于最低值的灰色关联度，则进行损伤报警；若连续的参考数列中有一次不低于最低值则定为无损，丢弃疑似损伤数据，继续更新数据集。
进一步地,所述更新数据集具体为：将第一次冲击振动获得的比较数列更新为参考数列，将第二次冲击振动获得的比较数列更新为第一次冲击振动获得的比较数列，将第三次冲击振动获得的比较数列更新为第二次冲击振动获得的比较数列，以此类推，直至将新的冲击冲击荷载作用下的能量指标更新为最后一次冲击振动所获得的比较数列：
第一次冲击振动获得的数据集：
Figure 255319DEST_PATH_IMAGE059
第二次冲击振动获得的数据集：
Figure 319090DEST_PATH_IMAGE060
第n次冲击振动获得的数据集：
Figure 517991DEST_PATH_IMAGE061
其中第左端矩阵为参考数列，右端矩阵为比较数列数据集。
与现有技术相比，本发明的有益效果是：本发明为桥梁伸缩缝的损伤提供了一种监测的办法，该方法可以对不同温度作用和伸缩条件下的桥梁伸缩缝的损伤进行监测，提高了损伤识别的实时性和监测的有效性。同时节约了人力损伤识别的成本，保证了桥梁通车顺畅，提高了桥梁使用的安全性。此外，希尔伯特黄变换对信号分析的强大功能，桥梁伸缩缝在使用过程中往往会受到温度等环境作用的影响，也常常会处于伸缩的状态，这些影响为伸缩缝外界作用的影响，本发明将多个传感器关联到一起，当受到外界作用影响的时候，因为每个传感器都受到几乎一样的影响，每个传感器在受到冲击时所计算的损伤指标都会按比例改变，这样的影响对关联度的改变并不大。但是当某一处损伤时，个别的传感器的损伤指标与其他传感器明显不同，有损无损之间的关联度会发生巨大改变，提高了损伤识别的精确性，具有极好的鲁棒性，适用于实际工程。
附图说明
图1为本发明所提供的一种桥梁伸缩缝损伤的监测方法的流程图。
图2为本发明实施例所使用的桥梁伸缩缝示意图。
图3为本发明实施例所使用的桥梁伸缩缝点位和损伤位置示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本发明公开了一种桥梁伸缩缝损伤的监测方法，包括以下步骤：
步骤1.在桥梁伸缩缝纵向布设传感器，获取传感器的振动信号，对振动信号进行预处理。
如图2和图3所示的桥梁截段示例，包括中梁1、边梁2、钢筋3和混凝土4，伸缩箱5位于伸缩缝内部。损伤位置6位于中梁中部。将加速度传感器均匀布置在伸缩缝的各个部位，依次为通道z1、通道z2、通道z3、通道z4和通道z5，从而获取桥梁伸缩缝的各部位的冲击振动信号，并利用小波阈值去噪进行去噪处理。
步骤2.对预处理后的振动信号进行希尔伯特黄变换得到希尔伯特边际谱，并计算希尔伯特边际谱能量，通过希尔伯特边际谱能量建立能量指标，具体步骤如下：
步骤201：利用经验模态分解将预处理后的振动信号
Figure 521891DEST_PATH_IMAGE062
分解为多个本征模态函数分量
Figure 780834DEST_PATH_IMAGE063
和残差
Figure 331901DEST_PATH_IMAGE064
，使得每个本征模态函数分量将满足希尔伯特变换的条件，预处理后的振动信号经验模态分解的公式为：
Figure 68913DEST_PATH_IMAGE065
Figure 670927DEST_PATH_IMAGE066
为时间，
Figure 100771DEST_PATH_IMAGE067
为分解得到的本征模态函数的个数。
本征模态函数(IMF)，应满足以下两个条件：
（1）在整个数据中，
Figure 388402DEST_PATH_IMAGE068
极值数（即极大值和极小值）和过零数必须相等或最多相差一个；
（2）在任何点，由
Figure 929105DEST_PATH_IMAGE068
局部最大值定义的包络和由局部最小值定义的包络的平均值为零。
步骤202：将每个本征模态函数分量
Figure 369313DEST_PATH_IMAGE069
，进行希尔伯特变换，公式为：
Figure 704480DEST_PATH_IMAGE070
其中
Figure 512030DEST_PATH_IMAGE071
代表柯西主值，
Figure 590844DEST_PATH_IMAGE072
表示时间积分变量，
Figure 885559DEST_PATH_IMAGE073
表示对应的希尔伯特谱，
Figure 391627DEST_PATH_IMAGE074
表示时间，
Figure 670162DEST_PATH_IMAGE075
表示圆周率值；
步骤203：根据
Figure 552667DEST_PATH_IMAGE073
，计算解析信号
Figure 482315DEST_PATH_IMAGE076
，公式为：
Figure 424863DEST_PATH_IMAGE077
其中
Figure 659535DEST_PATH_IMAGE078
和
Figure 80152DEST_PATH_IMAGE079
分别表示第
Figure 631350DEST_PATH_IMAGE080
层本征模态函数的瞬时幅值和瞬时相位，
Figure 479221DEST_PATH_IMAGE081
表示虚数符号，
Figure 201189DEST_PATH_IMAGE082
为时间；
Figure 425497DEST_PATH_IMAGE083
，
Figure 64158DEST_PATH_IMAGE084
；
步骤204：根据瞬时相位
Figure 348508DEST_PATH_IMAGE085
，计算瞬时频率
Figure 839664DEST_PATH_IMAGE086
，公式为：
Figure 602083DEST_PATH_IMAGE087
步骤205：根据以上公式，将每个本征模态函数分量
Figure 580404DEST_PATH_IMAGE088
的希尔伯特谱汇总，计算原始信号的希尔伯特谱
Figure 35656DEST_PATH_IMAGE089
，公式为：
Figure 997796DEST_PATH_IMAGE090
步骤206：在时域内对
Figure 563906DEST_PATH_IMAGE091
进行积分得到希尔伯特边际谱，公式为：
Figure 911580DEST_PATH_IMAGE092
其中
Figure 537733DEST_PATH_IMAGE093
表示希尔伯特边际谱，
Figure 987169DEST_PATH_IMAGE094
表示数据总长度。
步骤207：对希尔伯特边际谱幅值做归一化处理；
由于不同力度的激励所计算的希尔伯特边际谱的幅值有所差别，做归一化处理让每次激励的最高幅值都一样，适应不同车重的激励。
步骤208：通过归一化的希尔伯特边际谱
Figure 91391DEST_PATH_IMAGE093
获得能量
Figure 326195DEST_PATH_IMAGE095
，公式为：
Figure 123249DEST_PATH_IMAGE096
其中，
Figure 528823DEST_PATH_IMAGE097
为希尔伯特边际谱中的有效频率范围。
步骤3. 计算车辆冲击时固定距离内的所有传感器的能量指标，将每个传感器的能量指标
Figure 702315DEST_PATH_IMAGE098
收集并定义为特征向量
Figure 24581DEST_PATH_IMAGE099
，
Figure 992537DEST_PATH_IMAGE100
，其中
Figure 150986DEST_PATH_IMAGE101
为传感器布设位置顺序，在无损状态下冲击所获得的首个特征向量设置为参考数列
Figure 597011DEST_PATH_IMAGE102
，将预设冲击振动次数所获得的特征向量设置为比较数列，在本实施例中，桥梁伸缩缝布置的传感器分为一组，该组长为1.5m，有5个沿着模数式伸缩缝的中梁纵向布置的传感器。预设冲击振动次数为十次，将十次冲击振动所获得的特征向量设置为十个比较数列：
Figure 540827DEST_PATH_IMAGE103
、
Figure 679685DEST_PATH_IMAGE104
、
Figure 325429DEST_PATH_IMAGE105
、
Figure 575145DEST_PATH_IMAGE106
、
Figure 872003DEST_PATH_IMAGE107
、
Figure 181762DEST_PATH_IMAGE108
、
Figure 314803DEST_PATH_IMAGE109
、
Figure 368210DEST_PATH_IMAGE110
、
Figure 21039DEST_PATH_IMAGE111
、
Figure 501699DEST_PATH_IMAGE112
，按时间顺序排列，通过特征向量计算不同时间段的灰色关联度。将参考数列和比较数列的集定义为数据集。
计算能量指标
Figure 856457DEST_PATH_IMAGE113
公式为：
Figure 713554DEST_PATH_IMAGE114
Figure 719425DEST_PATH_IMAGE115
为无损状态首次冲击所获得的希尔伯特边际谱能量
Figure 370987DEST_PATH_IMAGE116
，
Figure 478620DEST_PATH_IMAGE117
为对应冲击时所获得的希尔伯特边际谱能量
Figure 873829DEST_PATH_IMAGE116
。将能量指标
Figure 235671DEST_PATH_IMAGE118
按布置位置收集获得特征向量，将
Figure 323713DEST_PATH_IMAGE119
设置为参考数列
Figure 653063DEST_PATH_IMAGE120
，
Figure 586384DEST_PATH_IMAGE121
至
Figure 566848DEST_PATH_IMAGE122
按时间顺序设置为比较数列
Figure 825791DEST_PATH_IMAGE123
，
Figure 376858DEST_PATH_IMAGE124
，所获数据集如表1所示。
Figure 379449DEST_PATH_IMAGE125
灰色关联度系数
Figure 715883DEST_PATH_IMAGE126
的计算公式为：
Figure 880148DEST_PATH_IMAGE053
其中
Figure 184091DEST_PATH_IMAGE127
为
Figure 724793DEST_PATH_IMAGE128
的参考数列，
Figure 414270DEST_PATH_IMAGE128
为比较数列，
Figure 15015DEST_PATH_IMAGE129
为分辨系数取0.5，其中
Figure 540675DEST_PATH_IMAGE130
表示参考数列
Figure 885068DEST_PATH_IMAGE127
与第
Figure 196095DEST_PATH_IMAGE131
个比较数列
Figure 702163DEST_PATH_IMAGE128
之间的灰色关联系数，
Figure 980697DEST_PATH_IMAGE132
表示样本个数；
表1中
Figure 863203DEST_PATH_IMAGE133
为参考数列
Figure 527271DEST_PATH_IMAGE127
，
Figure 204240DEST_PATH_IMAGE134
至
Figure 704491DEST_PATH_IMAGE135
按时间顺序排列，为比较数列
Figure 577638DEST_PATH_IMAGE128
，
Figure 784629DEST_PATH_IMAGE136
，计算参考数列与各比较数列之间的灰色关联度系数
Figure 960395DEST_PATH_IMAGE130
，利用灰色关联度系数
Figure 885626DEST_PATH_IMAGE130
计算参考数列与各比较数列之间的灰色关联度
Figure 922983DEST_PATH_IMAGE137
，公式为：
Figure 250059DEST_PATH_IMAGE138
。
则第一次冲击作用下灰色关联度
Figure 596727DEST_PATH_IMAGE137
为表2所示：
Figure 743675DEST_PATH_IMAGE140
Figure 83258DEST_PATH_IMAGE141
为发生损伤时的比较数列。
Figure 264841DEST_PATH_IMAGE141
与
Figure 782410DEST_PATH_IMAGE142
的灰色关联度为0.61216，低于最低值0.80405，因此需要计算后三次冲击作用下的灰色关联度。
步骤4.若灰色关联度持续低于最低值则发生损伤，若灰色关联度不低于最低值则更新数据集并持续监测。
若
Figure 682232DEST_PATH_IMAGE142
与
Figure 61392DEST_PATH_IMAGE141
的灰色关联度低于
Figure 97481DEST_PATH_IMAGE142
与其他比较数列的灰色关联度最低值，则将
Figure 785952DEST_PATH_IMAGE141
替换为新的冲击荷载作用下的比较数列，若连续四次
Figure 907492DEST_PATH_IMAGE142
与
Figure 588877DEST_PATH_IMAGE141
的灰色关联度低于最低值的灰色关联度，则进行损伤报警。
因第一次出现
Figure 745052DEST_PATH_IMAGE141
与
Figure 604424DEST_PATH_IMAGE142
的灰色关联度低于最低值的情况，因此继续计算第二次冲击作用下的灰色关联度，参考数列和比较数列如表3所示：
Figure 26309DEST_PATH_IMAGE143
其中比较数列
Figure 934222DEST_PATH_IMAGE141
替换为第二次冲击作用下的特征向量，则第二次冲击作用下灰色关联度
Figure 7220DEST_PATH_IMAGE144
为表4 所示：
Figure 975176DEST_PATH_IMAGE146
Figure 382893DEST_PATH_IMAGE141
为发生损伤时的比较数列。
Figure 94497DEST_PATH_IMAGE141
与
Figure 287581DEST_PATH_IMAGE142
的灰色关联度为 0.61402，低于最低值 0.78506，因此继续计算第三次冲击作用下的灰色关联度。参考数列和比较数列如表5所示：
Figure 426438DEST_PATH_IMAGE147
其中比较数列
Figure 557336DEST_PATH_IMAGE141
替换为第三次冲击作用下的特征向量，则第三次冲击作用下灰色关联度
Figure 134948DEST_PATH_IMAGE148
为表6 所示：
Figure 120222DEST_PATH_IMAGE150
Figure 741565DEST_PATH_IMAGE141
为发生损伤时的比较数列。
Figure 546710DEST_PATH_IMAGE141
与
Figure 662433DEST_PATH_IMAGE142
的灰色关联度为0.62137，低于最低值 0.7781，因此继续计算第四次冲击作用下的灰色关联度。第四次冲击作用下的参考数列和比较数列如表7所示：
Figure 502213DEST_PATH_IMAGE151
其中比较数列
Figure 795923DEST_PATH_IMAGE141
替换为第四次冲击作用下的特征向量，则第四次冲击作用下灰色关联度
Figure 353943DEST_PATH_IMAGE144
为表8 所示：
Figure 7778DEST_PATH_IMAGE153
Figure 967644DEST_PATH_IMAGE141
为发生损伤时的比较数列。
Figure 766727DEST_PATH_IMAGE141
与
Figure 546464DEST_PATH_IMAGE142
的灰色关联度为 0.61624，低于最低值 0.79291。由于连续四次
Figure 3990DEST_PATH_IMAGE141
与
Figure 818363DEST_PATH_IMAGE142
的灰色关联度低于
Figure 453874DEST_PATH_IMAGE142
与其他比较数列的灰色关联度最低值，因此可以判断为结构发生损伤。
若后续四次监测的
Figure 783225DEST_PATH_IMAGE141
与
Figure 982125DEST_PATH_IMAGE142
的灰色关联度有一组大于最低值，则定义为未发生损伤，从而丢弃疑似损伤数据，更新数据集。即若三次监测的
Figure 962588DEST_PATH_IMAGE141
与
Figure 955952DEST_PATH_IMAGE142
的灰色关联度前两组小于最低值，但是第三次监测的
Figure 772598DEST_PATH_IMAGE141
与
Figure 775189DEST_PATH_IMAGE142
的灰色关联度大于最低值，则定义为无损，并丢弃前两组数据集的
Figure 111624DEST_PATH_IMAGE141
。以第三次监测无损的
Figure 275889DEST_PATH_IMAGE141
为基础，持续更新数据集，即将比较数列
Figure 579831DEST_PATH_IMAGE154
变成参考数列
Figure 120534DEST_PATH_IMAGE142
，
Figure 810010DEST_PATH_IMAGE155
变成
Figure 410756DEST_PATH_IMAGE154
，
Figure 936415DEST_PATH_IMAGE156
变成
Figure 280809DEST_PATH_IMAGE155
，以此类推，将新的冲击荷载作用下的比较数列变成
Figure 326256DEST_PATH_IMAGE141
，并持续监测。若没有疑似损伤数据则更新数据集，即将比较数列
Figure 160220DEST_PATH_IMAGE154
变成参考数列
Figure 110859DEST_PATH_IMAGE142
，
Figure 304948DEST_PATH_IMAGE155
变成
Figure 657432DEST_PATH_IMAGE154
，
Figure 662297DEST_PATH_IMAGE156
变成
Figure 100232DEST_PATH_IMAGE155
，以此类推，将新的冲击荷载作用下的比较数列变成
Figure 599478DEST_PATH_IMAGE141
，并持续监测。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种桥梁伸缩缝损伤的监测方法，其特征在于，包括以下步骤：
S1.在桥梁伸缩缝纵向布设传感器，获取传感器的振动信号，对振动信号进行预处理；
S2.对预处理后的振动信号进行希尔伯特黄变换得到希尔伯特边际谱，并计算希尔伯特边际谱能量，通过希尔伯特边际谱能量建立能量指标；
S3.计算车辆冲击时固定距离内的所有传感器的能量指标，将每个传感器的能量指标收集并定义为特征向量，将特征向量按时间顺序排列，并以此建立数据集，通过特征向量计算不同时间段的灰色关联度；
S4.若灰色关联度持续低于最低值则发生损伤，若灰色关联度不低于最低值则更新数据集并持续监测。
2.根据权利要求1 所述的桥梁伸缩缝损伤的监测方法，其特征在于，在S1中，所述传感器均匀纵向布设在桥梁伸缩缝的各个部位，用于获取桥梁伸缩缝的各部位的冲击振动信号，所述预处理为去噪。
3.根据权利要求1所述的桥梁伸缩缝损伤的监测方法，其特征在于，所述S2的具体步骤为：
S201：利用经验模态分解将预处理后的振动信号
Figure DEST_PATH_IMAGE001
分解为多个本征模态函数分量
Figure DEST_PATH_IMAGE002
和残差
Figure DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
，使得每个本征模态函数分量将满足希尔伯特变换的条件，预处理后的振动信号经验模态分解的公式为：
Figure DEST_PATH_IMAGE005
Figure DEST_PATH_IMAGE006
为时间，
Figure DEST_PATH_IMAGE007
为分解得到的本征模态函数的个数；
S202：将每个本征模态函数分量
Figure 542410DEST_PATH_IMAGE002
进行希尔伯特变换，公式为：
Figure DEST_PATH_IMAGE008
其中P代表柯西主值，
Figure DEST_PATH_IMAGE009
表示时间积分变量，
Figure DEST_PATH_IMAGE010
表示对应的希尔伯特谱，
Figure DEST_PATH_IMAGE011
表示时间，
Figure DEST_PATH_IMAGE012
表示圆周率值；
S203：根据希尔伯特谱
Figure DEST_PATH_IMAGE013
，计算解析信号
Figure DEST_PATH_IMAGE014
，得到本征模态函数的瞬时幅值和瞬时相位，公式为：
Figure DEST_PATH_IMAGE015
Figure DEST_PATH_IMAGE016
Figure DEST_PATH_IMAGE017
其中
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
分别表示第
Figure DEST_PATH_IMAGE020
层本征模态函数的瞬时幅值和瞬时相位，
Figure DEST_PATH_IMAGE021
表示虚数符号，
Figure DEST_PATH_IMAGE022
为时间；
S204：根据第
Figure 60985DEST_PATH_IMAGE020
层本征模态函数的瞬时相位
Figure 361385DEST_PATH_IMAGE019
计算第
Figure 286615DEST_PATH_IMAGE020
层本征模态函数的瞬时频率
Figure DEST_PATH_IMAGE023
，公式为：
Figure DEST_PATH_IMAGE024
S205：将每个本征模态函数分量
Figure DEST_PATH_IMAGE025
的希尔伯特谱汇总，计算原始信号的希尔伯特谱
Figure DEST_PATH_IMAGE026
，公式为：
Figure DEST_PATH_IMAGE027
S206：在时域内对
Figure 573240DEST_PATH_IMAGE026
进行积分得到希尔伯特边际谱，公式为：
Figure DEST_PATH_IMAGE028
其中
Figure DEST_PATH_IMAGE029
表示希尔伯特边际谱，
Figure DEST_PATH_IMAGE030
表示数据总长度；
S207：对希尔伯特边际谱幅值做归一化处理；
S208：通过归一化的希尔伯特边际谱
Figure 24950DEST_PATH_IMAGE029
获得希尔伯特边际谱能量
Figure DEST_PATH_IMAGE031
，公式为：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为希尔伯特边际谱中的有效频率范围。
4.根据权利要求1所述的桥梁伸缩缝损伤的监测方法，其特征在于，所述S3中，将桥梁伸缩缝布置的传感器分为多组，每一组有M个沿着桥梁伸缩缝纵向布置的传感器，该组对应的区域单独成为一个监测区域，按照传感器的布置顺序，收集一次冲击时M个传感器的能量指标DI，将M个DI设置为一个特征向量，在无损状态下冲击所获得的该区域内的每个传感器的首个能量指标DI被用来作为一个特征向量，并设置为参考数列
Figure DEST_PATH_IMAGE034
，将预设冲击振动次数所获得的特征向量设置为比较数列
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
表示预设冲击振动次数，按时间顺序排列，计算灰色关联度，计算能量指标DI公式为：
Figure DEST_PATH_IMAGE038
Figure DEST_PATH_IMAGE039
为无损状态首次冲击所获得的希尔伯特边际谱能量
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
为对应冲击时所获得的希尔伯特边际谱能量
Figure 417623DEST_PATH_IMAGE040
；
M个传感器的能量指标DI被用来作为一个特征向量，并通过特征向量设置一个参考数列
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE043
个比较数列
Figure DEST_PATH_IMAGE044
：
Figure DEST_PATH_IMAGE045
计算参考数列
Figure 954784DEST_PATH_IMAGE042
和
Figure 169733DEST_PATH_IMAGE043
个比较数列
Figure 351316DEST_PATH_IMAGE044
之间的灰色关联度系数
Figure DEST_PATH_IMAGE046
，计算公式为：
Figure 993519DEST_PATH_IMAGE047
其中
Figure 627762DEST_PATH_IMAGE042
和
Figure 380824DEST_PATH_IMAGE044
的参考数列，
Figure 682492DEST_PATH_IMAGE044
为比较数列，
Figure DEST_PATH_IMAGE048
为分辨系数，其中
Figure 246328DEST_PATH_IMAGE046
表示参考数列
Figure 554819DEST_PATH_IMAGE042
与第
Figure DEST_PATH_IMAGE049
个比较数列
Figure 862303DEST_PATH_IMAGE044
之间的灰色关联系数，
Figure DEST_PATH_IMAGE050
表示样本个数；
计算灰色关联度
Figure DEST_PATH_IMAGE051
，公式为：
Figure DEST_PATH_IMAGE052
。
5.根据权利要求4所述的桥梁伸缩缝损伤的监测方法，其特征在于,当所述参考数列与最后一次冲击振动获得的比较数列的灰色关联度低于第一次冲击振动获得的比较数列与其他比较数列的灰色关联度最低值时，将最后一次冲击振动获得的比较数列替换为新的冲击荷载作用下的比较数列，若连续的参考数列与最后一次冲击振动获得的比较数列的灰色关联度低于最低值的灰色关联度，则进行损伤报警；若连续的参考数列中有一次不低于最低值则定为无损，丢弃疑似损伤数据，继续更新数据集。
6.根据权利要求5所述的桥梁伸缩缝损伤的监测方法，其特征在于,所述更新数据集具体为：将第一次冲击振动获得的比较数列更新为参考数列，将第二次冲击振动获得的比较数列更新为第一次冲击振动获得的比较数列，将第三次冲击振动获得的比较数列更新为第二次冲击振动获得的比较数列，以此类推，直至将新的冲击冲击荷载作用下的能量指标更新为最后一次冲击振动所获得的比较数列。
CN202211592368.2A 2022-12-13 2022-12-13 一种桥梁伸缩缝损伤的监测方法 Active CN115597901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211592368.2A CN115597901B (zh) 2022-12-13 2022-12-13 一种桥梁伸缩缝损伤的监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211592368.2A CN115597901B (zh) 2022-12-13 2022-12-13 一种桥梁伸缩缝损伤的监测方法

Publications (2)

Publication Number Publication Date
CN115597901A true CN115597901A (zh) 2023-01-13
CN115597901B CN115597901B (zh) 2023-05-05

Family

ID=84853161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211592368.2A Active CN115597901B (zh) 2022-12-13 2022-12-13 一种桥梁伸缩缝损伤的监测方法

Country Status (1)

Country Link
CN (1) CN115597901B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116905297A (zh) * 2023-09-12 2023-10-20 大秦铁路股份有限公司大同工务段 一种错动轨道的归位方法、装置、设备及可读存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101000293A (zh) * 2007-01-18 2007-07-18 南京航空航天大学 飞行器层合结构冲击位置的监测方法及其监测装置
JP2007205885A (ja) * 2006-02-01 2007-08-16 Jtekt Corp 音又は振動の異常診断方法及び音又は振動の異常診断装置
CN103962888A (zh) * 2014-05-12 2014-08-06 西北工业大学 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法
US20150323507A1 (en) * 2014-05-09 2015-11-12 National Central University Method and system of implementing high dimensional holo-hilbert spectral analysis
CN108334872A (zh) * 2018-03-28 2018-07-27 天津大学 基于改进hht变换的特征提取方法
CN111397877A (zh) * 2020-04-02 2020-07-10 西安建筑科技大学 一种旋转机械拍振故障检测与诊断方法
US20200284687A1 (en) * 2019-02-19 2020-09-10 Dalian University Of Technology A method for automatically detecting free vibration response of high-speed railway bridge for modal identification
CN111899724A (zh) * 2020-08-06 2020-11-06 中国人民解放军空军预警学院 基于希尔伯特黄变换的语音特征系数提取方法及相关设备
CN113204850A (zh) * 2021-05-28 2021-08-03 重庆交通大学 一种桥梁挠度监测中的温度效应分离方法
CN113514246A (zh) * 2021-04-23 2021-10-19 河北科技大学 旋转机械系统损伤检测方法、装置及终端
CN113592861A (zh) * 2021-09-27 2021-11-02 江苏中云筑智慧运维研究院有限公司 一种基于动态阈值的桥梁裂缝检测方法
CN113624834A (zh) * 2021-08-11 2021-11-09 合肥工业大学 一种基于边际谱质心检测的缺陷深度识别方法、系统
CN113884567A (zh) * 2021-06-29 2022-01-04 北京交通大学 基于超声Lamb波的钢轨焊缝损伤检测方法和装置
CN114266008A (zh) * 2021-12-23 2022-04-01 石家庄铁道大学 桥梁损伤识别方法、装置及终端设备
US20220317095A1 (en) * 2021-01-14 2022-10-06 JANA Corporation Method, device and system for non-destructive evaluation of polyethylene pipe joints using ultrasound and machine learning

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007205885A (ja) * 2006-02-01 2007-08-16 Jtekt Corp 音又は振動の異常診断方法及び音又は振動の異常診断装置
CN101000293A (zh) * 2007-01-18 2007-07-18 南京航空航天大学 飞行器层合结构冲击位置的监测方法及其监测装置
US20150323507A1 (en) * 2014-05-09 2015-11-12 National Central University Method and system of implementing high dimensional holo-hilbert spectral analysis
CN103962888A (zh) * 2014-05-12 2014-08-06 西北工业大学 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法
CN108334872A (zh) * 2018-03-28 2018-07-27 天津大学 基于改进hht变换的特征提取方法
US20200284687A1 (en) * 2019-02-19 2020-09-10 Dalian University Of Technology A method for automatically detecting free vibration response of high-speed railway bridge for modal identification
CN111397877A (zh) * 2020-04-02 2020-07-10 西安建筑科技大学 一种旋转机械拍振故障检测与诊断方法
CN111899724A (zh) * 2020-08-06 2020-11-06 中国人民解放军空军预警学院 基于希尔伯特黄变换的语音特征系数提取方法及相关设备
US20220317095A1 (en) * 2021-01-14 2022-10-06 JANA Corporation Method, device and system for non-destructive evaluation of polyethylene pipe joints using ultrasound and machine learning
CN113514246A (zh) * 2021-04-23 2021-10-19 河北科技大学 旋转机械系统损伤检测方法、装置及终端
CN113204850A (zh) * 2021-05-28 2021-08-03 重庆交通大学 一种桥梁挠度监测中的温度效应分离方法
CN113884567A (zh) * 2021-06-29 2022-01-04 北京交通大学 基于超声Lamb波的钢轨焊缝损伤检测方法和装置
CN113624834A (zh) * 2021-08-11 2021-11-09 合肥工业大学 一种基于边际谱质心检测的缺陷深度识别方法、系统
CN113592861A (zh) * 2021-09-27 2021-11-02 江苏中云筑智慧运维研究院有限公司 一种基于动态阈值的桥梁裂缝检测方法
CN114266008A (zh) * 2021-12-23 2022-04-01 石家庄铁道大学 桥梁损伤识别方法、装置及终端设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FEI WANG: ""Comparison between Hilbert space based power theory and Traditional power theory"", 《2008 JOINT INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY AND IEEE POWER INDIA CONFERENCE》 *
周猛: ""镀镍钢带拉伸断裂过程的声发射特征"", 《压电与声光》 *
赵隆: ""考虑特征瞬变的导线微风振动在线监测及预警技术"", 《中国电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116905297A (zh) * 2023-09-12 2023-10-20 大秦铁路股份有限公司大同工务段 一种错动轨道的归位方法、装置、设备及可读存储介质
CN116905297B (zh) * 2023-09-12 2023-12-12 大秦铁路股份有限公司大同工务段 一种错动轨道的归位方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN115597901B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN106897543B (zh) 模态柔度曲率矩阵范数的梁结构损伤识别方法
CN109632963B (zh) 一种基于时不变特征信号构建的结构损伤四维成像方法
CN103033253A (zh) 一种塔式起重机结构的非接触振动检测方法
CN115597901A (zh) 一种桥梁伸缩缝损伤的监测方法
CN110901689B (zh) 一种基于模态识别的轨道结构扣件松脱检测方法
CN110470738B (zh) 基于振动响应差比函数的结构损伤识别方法
CN108573224A (zh) 一种利用单传感器信息的移动重构主成分的桥梁结构损伤定位方法
CN110704911A (zh) 一种基于集群结构相似性的桥梁损伤交叉定位方法
CN112131797B (zh) 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法
CN113850022A (zh) 一种基于声热信号的喷涂层接触疲劳寿命预测方法
Chegeni et al. New supervised learning classifiers for structural damage diagnosis using time series features from a new feature extraction technique
CN114061848B (zh) 一种航天器加筋密封结构漏孔辨识方法
Monavari et al. Structural deterioration detection using enhanced autoregressive residuals
Karimian et al. Neural network and particle filtering: a hybrid framework for crack propagation prediction
CN111709944B (zh) 一种基于数字化图像异常识别的桥隧结构裂缝监测方法
CN118070009A (zh) 一种基于阻抗-扭矩拟合算法的钢结构法兰螺栓健康检测识别方法
CN114186624A (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
CN113705721A (zh) 梁桥支座群脱空病害的联合概率密度函数差诊断方法
CN109840386B (zh) 基于因子分析的损伤识别方法
CN110008627B (zh) 一种用于高速铁路挡风墙结构的损伤预警方法
CN110348040B (zh) 一种基于均方收敛条件的不均匀沉降函数拟合方法
CN116804569A (zh) 一种铁路路基塌陷监测方法和系统
CN114692465B (zh) 桥梁损伤位置的无损识别方法、存储介质及设备
CN109670143A (zh) 一种环境激励下结构振动频域响应信号统计规律检测方法
CN113433850B (zh) 一种fpga异态逻辑修复方法

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