CN115824481A - 一种基于递归演化的实时索杆力识别方法 - Google Patents

Abstract

本发明公开一种基于递归演化的实时索杆力识别方法，整合块递归的带通滤波与块递归的希尔伯特变换法作为高精度、高分辨率的索杆模态频率识别算法，针对索杆的某阶目标时变频率实现在线地识别和跟踪，结合现有的索杆力识别理论，对索杆力进行实时在线地识别，实现了由实时的信号到实时的模态频率再到实时的索杆力的智慧感知。本发明的优点是识别时变索杆力无须事先知道阶次、对噪声的鲁棒性较好，体现了较高的抗噪性能和计算精度与效率，适于流式数据计算或接入在线计算环境。

Description

一种基于递归演化的实时索杆力识别方法

技术领域

本发明涉及结构监测领域，特别涉及一种基于递归演化的实时索杆力识别方法。

背景技术

工程中对于运营阶段的索杆体系桥梁主要使用振动法确定索杆力，实时获取索力便于工程中先决地进行决策。振动法是基于模态频率和力之间的理论关系，可将问题转化为对模态频率的实时识别。

传统的时频分析方法是一种事后的批处理算法，为实现在线识别，使用滑动窗口的方式，连续应用传统时频分析方法识别频率。但其分辨率有限，窗口长度影响了分析的实时性，且在目标信号受到噪声污染时，通过检测脊线在时频分析结果上提取识别时变频率，会存在不连续、隐没不见的情况，可信度较低的缺点；另一类常用的自适应非参数时频分析方法，通过信号的模态分解和构建子信号的希尔伯特谱，也可通过连续应用实现在线地识别，但模态分解的阶数对结果有较大影响，多次样条内插，均会造成模态混淆。目前使用的时频分析方法，受限于其分辨率以及计算效率的原因，并不适于实时识别实际工程中的实时索频，限制了实时索力的识别。这是本申请需要着重改善的地方。

发明内容

本发明所要解决的技术问题是要提供一种基于递归演化的实时索杆力识别方法，采用块递归的带通滤波结合块递归的希尔伯特变换方法，提升了数据的利用效率，节省了计算空间，体现了较高的抗噪性能和计算精度与效率。

为了解决以上的技术问题，本发明提供了一种基于递归演化的实时索杆力识别方法，包括以下步骤：

S1：输入用户参数，输入的参数包括：

1)采样频率

；

2）拉索的设计参数：索长L、弹性模量E、截面抗弯刚度I、单位长度质量m；

3）至少5分钟的实测索杆加速度信号D；

S2：数据预处理，并构造仿真信号：

S21：计算索杆加速度信号D的频谱：

使用快速傅里叶变换FFT计算频谱，读取频谱中能量峰值突出点的横坐标f_n、纵坐标A_n和带宽△ω_n；

S22：构造仿真信号S：

以S21提取到的模态特点为基准，构造相同数目的调谐调幅信号叠加，幅值变化范围△ω_n为中心频率的±5%，仿真信号的形式如下：

S3：确定块递归滤波器的初始形式：

S31：反向设置法确定△f：

在正常交通荷载下，索杆力的变化在平均索杆力的10%以内，此外还应满足窄带信号的定义，即中心频率与频率带宽之比应小于10%，△f由下式确定：

S31：由△f，f_center得到块递归滤波器的具体形式：

f_center是识别到的中心频率，带通滤波参数的输入参数由△f和f_center的运算得到：

式中，(x₀,x₁,x₂,…,x_M)——滤波器的输入信号序列；

(f₀,f₁,f₂,…,f_N)——滤波器的权重函数；

(y₀,y₁,y₂,…,y_N+M)——滤波器的输出信号序列；

S4：使用仿真信号S，优化块递归滤波器和块递归希尔伯特变换的块计算参数，即两部分的采样帧、计算帧：

S41：块递归滤波器RBF（Bock Recursive Bandpass Filter)的块计算参数；

初始加速度数据集组后的采样帧为X_RBF(n)，是长度为N_{RBF_S}的向量，经单步RBF计算后的数据为Y_RBF(n)，原始加速度数据为X=[x₀ … x_newest]^T，此处元素下标意为在原始加速度数据中的绝对位置索引，则块递归的形式如下：

S42：块递归希尔伯特变换RHT（Block Recursive Hilbert Transform)的块计算参数；设置数据的缓冲池Y，由RBF多个的输出帧组成：

进入RHT计算系统重新组合后的采样帧长度为N_{RHT_S}，由N_{RHT_S}个采样数据点重组后得到，计算帧长度为N_{RHT_C}；

X_RHT(n)是Y中最新N个元素的第n个重组向量：

离散信号的希尔伯特变换表达为：

其中：m=0,1,...,N-1；ω=2πmn/N；

第n步时：

第n+1步时：

其中：

H₁为N_{RHT_S}阶方阵，H₄为（N_{RHT_C}-N_{RHT_S}）的矩阵，H₃为N_{RHT_S}×（N_{RHT_C}-N_{RHT_S}）的方阵，H₂为（N_{RHT_C}-N_{RHT_S}）×N_{RHT_S}阶矩阵；

S43：块递归组合参数优化；

以最高的识别精度作为优化函数，下式为识别的精度：

式中，

为识别到的索杆力，

为索杆仿真信号的索杆力，对于索杆的空间布置而言，索杆的平均间距a在5-10m之间，小轿车的平均车重为15Kn；定义索杆

范围的区域为当前索杆的可识别区域，即车辆驶入该范围时，通过该索杆的实测信号被准确识别；

算法的整体乘法计算量为：

将计算精度及乘法计算量作为目标函数；最小化仿真索杆力值与识别值之间的绝对差异，并且在此基础上使得计算复杂度最小；同时考虑到采样的速率，用以确定控制参数的最佳值；

因此优化函数写作：

S5：将优化后的参数与初始参数，置于流式数据或者是接入在线计算环境后，计算索杆的实时频率，结合索杆力识别理论对索杆力进行实时识别；

S51：输入优化后的块递归参数N_{RBF_S}，N_{RHT_S}；

S52：进行块递归运算：

S53：输出实时索杆频率和索杆力：

式中，Z_RHT(t)为解析信号，i为虚数单位；其幅值和相位分别为A(t)和Φ(t)，利用相位求解瞬时频率为f(t)，由此在相位图上得到信号中任意位置处的频率；

式中，fs为采样频率，张紧弦法得到最终索杆力H(t)；

S6：重复步骤S5得到目标索杆的实时频率与实时索杆力。

本发明的优越功效在于：

1）本发明采用块递归的带通滤波结合块递归的希尔伯特变换方法，提升了数据的利用效率，减少边际效应；节省了计算空间，体现了较高的抗噪性能和计算精度与效率，实时计算频率的特点使其适于流式数据计算或接入在线计算环境，解决了索杆实时频率识别的关键性问题，实现了由信号到频率再到时变索力的实时在线的智慧感知；

2）块递归的索频识别方法单次计算耗时远小于采样时间间隔，并且通过调整块的大小可以调节计算效率；

3）相较传统的时频分析，本方法识别时变索杆力无须事先知道阶次、对噪声的鲁棒性较好，人为参与因素少，体现了较高的抗噪性能和计算精度与效率，适于流式数据计算或接入在线计算环境，解决了索杆实时频率识别的关键性问题，数值模拟及实测数据验证了所述方法的实时性与准确性，可进一步用于索杆运营期间的各项评价指标的计算；

4）本发明方法过程简单，通过实桥监测数据处理分析结果表明，本发明提出的方法可以时间连续准确地识别索杆力，计算效率高，可持续稳定运行；

5）本发明可用于悬索桥、斜拉桥等大跨桥梁建筑的索杆构件，比如拉索、主缆和吊索中，为桥梁业主监控管理服务；可服务于桥梁的振动控制和运营维护工作，并且满足在线监测环境下的实时性，连续性要求，易于程序实现，具有很高的工程应用价值和广阔的应用前景。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明具体实施例的带通滤波器的参数示意图；

图2a和图2b为本发明具体实施例AI识别精度的物理意义示意图；

图3为本发明具体实施例的块递归计算示意图；

图4为本发明具体实施例的流程图；

图5a和图5b为本发明具体实施例的方法识别到的实际长索的识别情况；

图6a和图6b为本发明具体实施例的方法识别到的实际短索的识别情况。

具体实施方式

下面通过一个最佳实施例，对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

如图4所示，本发明提供了一种基于递归演化的实时索杆力识别方法，采用实桥健康监测系统的拉索振动加速度传感器获取的实时加速度数据进行计算分析，采样频率为50Hz，包括以下步骤：

S1：输入用户初始参数，输入的参数包括：

1）采样频率F_S；

2）拉索的设计参数：索长L，弹性模量E，截面抗弯刚度I，单位长度质量m；

3）至少5分钟的实测索杆加速度信号D；

S2：数据预处理，并构造仿真信号：

1）计算D的频谱：

使用快速傅里叶变换FFT计算频谱，读取频谱中能量峰值突出的点的横坐标f_n、纵坐标A_n、带宽△ω_n；

2）构造仿真信号S：

以1）提取到的模态特点为基准，构造相同数目的调谐调幅信号叠加，此处取不利情况，幅值变化范围△ω_n为中心频率的±5%，仿真信号的形式如下：

S3：确定块递归滤波器的初始形式：

1）反向设置法确定△f：

以张紧弦理论索杆力识别理论公式为例，在正常交通荷载下，索杆力的变化在平均索杆力的10%以内，此外还应满足窄带信号的定义，即中心频率与频率带宽之比应小于10%，△f由下式确定：

2）由△f、f_center得到块递归滤波器的具体形式：

f_center是识别到的中心频率，带通滤波参数的输入参数如图1所示，根据带通滤波的示意图看出，带通滤波参数的输入参数中，f_pass1,f_pass2是重要的带通参数，由Δf和f_center的运算中得到；f_center在计算中是识别到的中心频率，计算中用一段时间的中心频率近似代替；Δf是带通参数，频谱中信号的带宽为Δω，由△f和f_center的运算得到：

式中，(x₀,x₁,x₂,…,x_M)——滤波器的输入信号序列；

(f₀,f₁,f₂,…,f_N)——滤波器的权重函数；

(y₀,y₁,y₂,…,y_N+M)——滤波器的输出信号序列；

S4：使用仿真信号S，优化块递归滤波器和块递归希尔伯特变换的块计算参数，即两部分的采样帧、计算帧：

1）块递归滤波器RBF（Block Recursive Bandpass Filter)的块计算参数，如图3所示；

初始加速度数据集组后的采样帧为X_RBF(n)，是长度为N_{RBF_S}的向量，经单步RBF计算后的数据为Y_RBF(n)，原始加速度数据为X=[x₀ … x_newest]^T，此处元素下标意为在原始加速度数据中的绝对位置索引，则块递归的形式如下:

2）块递归希尔伯特变换RHT（Block Recursive Hilbert Transform)的块计算参数；

设置数据的缓冲池Y，由RBF多个的输出帧组成：

进入RHT计算系统重新组合后的采样帧长度为N_{RHT_S}，由N_{RHT_S}个采样数据点重组后得到，计算帧长度为N_{RHT_C}；

X_RHT(n)是Y中最新N个元素的第n个重组向量：

离散信号的希尔伯特变换表达为：

其中，m=0,1,...,N-1;ω=2πmn/N；

第n步时：

第n+1步时：

其中：

H₁为N_{RHT_S}阶方阵，H₄为（N_{RHT_C}-N_{RHT_S}）的矩阵，H₃为N_{RHT_S}×（N_{RHT_C}-N_{RHT_S}）的方阵，H₂为（N_{RHT_C}-N_{RHT_S}）×N_{RHT_S}阶矩阵；

3）块递归组合参数的优化：

以最高的识别精度作为优化函数，下式为识别的精度：

式中，

为识别到的索杆力，

为索杆仿真信号的索杆力，对于索杆的空间布置而言，索杆的平均间距a在5-10m之间，小轿车的平均车重为15Kn；

AI的物理意义表示如图2a和图2b，本具体实施例取索杆的最不利情况，认为车辆仅对相邻的两根索杆有影响，进一步将索杆对桥面系的支撑简化为铰支座，由支座（索杆）的影响线可得，在车辆驶入吊索A的AI×a范围内时，通过吊索A的索频识别到该车，车辆与吊索A距离为(AI×a，a-AI×a)时，通过吊索A和吊索AB的索频识别到该车，在大于a-AI×a时，则通过吊索B的索频识别到该车；所以定义索杆a-AI×a范围的区域为当前索杆的可识别区域，即车辆驶入该范围时，通过该索杆的实测信号被准确识别；

算法的整体乘法计算量为：

将计算精度及乘法计算量作为目标函数，最小化仿真索杆力值与识别值之间的绝对差异，并且在此基础上使得计算复杂度最小；同时考虑到采样的速率，用以确定控制参数的最佳值；

因此优化函数写作：

S5：将优化后的参数与初始参数，置于流式数据或者是接入在线计算环境后，计算索杆的实时频率，结合索杆力识别理论对索杆力进行实时识别；

1）输入优化后的块递归参数N_{RBF_S}，N_{RHT_S}；

2）进行块递归运算：

3）输出实时索杆频率和索杆力；

式中，Z_RHT(t)为解析信号，i为虚数单位；其幅值和相位分别为A(t)和Φ(t)，利用相位求解瞬时频率为f(t)，由此在相位图上得到信号中任意位置处的频率，式中fs为采样频率,根据张紧弦法得到最终索杆力H(t)；

重复步骤S5到目标索杆的实时索杆频率与实时索杆力。

图5a和图5b为本发明具体实施例的方法识别到的实际长索的识别情况，图6a和图6b为本发明具体实施例的方法识别到的实际短索的识别情况，可见块递推算法的累计计算时间小于15秒，单步计算时间远远小于采样时间0.02秒，满足实时计算的要求，索力时程体现了本方法能够连续地对索杆力进行实时准确的计算。

以上所述仅为本发明的优先实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围内之内。

Claims (1)

1.一种基于递归演化的实时索杆力识别方法，包括以下步骤：

S1：输入用户参数，输入的参数包括：

1）采样频率

；

2）拉索的设计参数：索长L、弹性模量E、截面抗弯刚度I、单位长度质量m；

3）至少5分钟的实测索杆加速度信号D；

S2：数据预处理，并构造仿真信号：

S21：计算索杆加速度信号D的频谱：

使用快速傅里叶变换FFT计算频谱，读取频谱中能量峰值突出点的横坐标f_n、纵坐标A_n和带宽△ω_n；

S22：构造仿真信号S：

以S21提取到的模态特点为基准，构造相同数目的调谐调幅信号叠加，幅值变化范围△ω_n为中心频率的±5%，仿真信号的形式如下：

S3：确定块递归滤波器的初始形式：

S31：反向设置法确定△f，由下式确定：

S32：由△f，f_center得到块递归滤波器的具体形式：

f_center是识别到的中心频率，带通滤波参数的输入参数由△f和f_center的运算得到：

式中，(x₀,x₁,x₂,…,x_M)——滤波器的输入信号序列；

(f₀,f₁,f₂,…,f_N)——滤波器的权重函数；

(y₀,y₁,y₂,…,y_N+M)——滤波器的输出信号序列；

S4：使用仿真信号S，优化块递归滤波器和块递归希尔伯特变换的块计算参数，即两部分的采样帧、计算帧：

S41：块递归滤波器RBF的块计算参数；

初始加速度数据集组后的采样帧为X_RBF(n)，是长度为N_{RBF_S}的向量，经单步RBF计算后的数据为Y_RBF(n)，原始加速度数据为X=[x₀ … x_newest]^T，此处元素下标意为在原始加速度数据中的绝对位置索引，则块递归的形式如下：

S42：块递归希尔伯特变换RHT的块计算参数；设置数据的缓冲池Y，由RBF多个的输出帧组成：

进入RHT计算系统重新组合后的采样帧长度为N_{RHT_S}，由N_{RHT_S}个采样数据点重组后得到，计算帧长度为N_{RHT_C}；

X_RHT(n)是Y中最新N个元素的第n个重组向量：

离散信号的希尔伯特变换表达为：

其中：m=0,1,...,N-1；ω=2πmn/N；

第n步时：

第n+1步时：

其中：

H₁为N_{RHT_S}阶方阵，H₄为（N_{RHT_C}-N_{RHT_S}）的矩阵，H₃为N_{RHT_S}×（N_{RHT_C}-N_{RHT_S}）的方阵，H₂为（N_{RHT_C}-N_{RHT_S}）×N_{RHT_S}阶矩阵；

S43：块递归组合参数的优化；

以最高的识别精度作为优化函数，下式为识别的精度：

式中，

为识别到的索杆力，

为索杆仿真信号的索杆力，定义索杆

范围的区域为当前索杆的识别区域，该索杆的实测信号被准确识别；

算法的整体乘法计算量为：

将计算精度及乘法计算量作为目标函数；因此优化函数写作：

S5：将优化后的参数与初始参数，置于流式数据或者是接入在线计算环境后，计算索杆的实时频率，结合索杆力识别理论对索杆力进行实时识别；

S51：输入优化后的块递归参数N_{RBF_S}，N_{RHT_S}；

S52：进行块递归运算：

S53：输出实时索杆频率和索杆力：

式中，Z_RHT(t)为解析信号，i为虚数单位；其幅值和相位分别为A(t)和Φ(t)，利用相位求解瞬时频率为f(t)，在相位图上得到信号中任意位置处的频率，式中fs为采样频率，根据张紧弦法可得最终索力H(t)；

重复步骤S5得到目标索杆的实时频率与实时索力。

Images