CN116842348B - 基于人工智能的桥梁健康监测系统 - Google Patents
基于人工智能的桥梁健康监测系统 Download PDFInfo
- Publication number
- CN116842348B CN116842348B CN202311107306.2A CN202311107306A CN116842348B CN 116842348 B CN116842348 B CN 116842348B CN 202311107306 A CN202311107306 A CN 202311107306A CN 116842348 B CN116842348 B CN 116842348B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- vibration
- data
- decomposition
- time point
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 230000036541 health Effects 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 105
- 230000005856 abnormality Effects 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000000737 periodic effect Effects 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 67
- 230000000694 effects Effects 0.000 abstract description 6
- 230000001133 acceleration Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003679 aging effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
Abstract
本发明涉及桥梁监测技术领域,具体涉及一种基于人工智能的桥梁健康监测系统。该系统,包括:获取模块,用于获取振动数据,将振动数据划分为至少两个周期数据段;第一异常分析模块,用于确定每个振动数据的初始异常程度;振动预测模块,用于根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值;第二异常分析模块,用于获取所有车辆在不同时间点的预测振动幅值,对初始异常程度进行修正,获得每一时间点的目标异常程度;健康监测模块,用于根据目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据异常数据对桥梁振动情况进行监测,获得监测结果。本发明能够有效提升桥梁健康监测的可靠性与监测效果。
Description
技术领域
本发明涉及桥梁监测技术领域,具体涉及一种基于人工智能的桥梁健康监测系统。
背景技术
桥梁是人类历史上最重要的建筑之一,它们连接了不同区域,促进了人们的交流和发展。然而,随着时间的推移和自然灾害的影响,桥梁的健康状况可能会逐渐恶化。因此,对桥梁进行定期的健康检测是非常重要的。在桥梁健康检测中,使用加速度计检测桥梁承载车辆行驶时的物理形变是一个重要的环节和方法。
相关技术中,通过加速度计获取车辆在桥梁上运行时,桥梁振动的振动数据,并根据振动数据的变化对桥梁振动情况进行分析,得到健康监测结果,这种方式下,由于桥梁上车辆运行情况较为复杂,车辆运行时的振动会相互影响,也即前车通过时产生的振动对后车的振动数据会产生影响,因此,直接通过振动数据的变化对桥梁进行健康监测的可靠性不足,监测效果较差。
发明内容
为了解决桥梁上车辆运行情况较为复杂,导致直接通过振动数据的变化对桥梁进行健康监测的可靠性不足,监测效果较差的技术问题,本发明提供一种基于人工智能的桥梁健康监测系统,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的桥梁健康监测系统,系统包括:
获取模块,用于周期性获取车辆在桥梁上通行时桥梁振动的振动数据,根据所述振动数据在时序上拟合的外包络线中的峰值点将所述振动数据划分为至少两个周期数据段;
第一异常分析模块,用于获取峰值点对应的振动幅值;对所有峰值点进行直线拟合,获取所述峰值点的拟合幅值,根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度;
振动预测模块,用于将所述振动数据分解为至少两个正弦波形的分解数据;根据所述分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值;
第二异常分析模块,用于获取所有车辆在不同时间点在桥梁上通行的预测振动幅值,根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正,获得每一时间点的目标异常程度;
健康监测模块,用于根据所述目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据所述异常数据对桥梁振动情况进行监测,获得监测结果。
进一步地,所述根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度,包括:
计算每个峰值点的振动幅值和所述拟合幅值的差值绝对值作为所述峰值点的拟合差异;
对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度;
将相邻两个峰值点初始异常程度的均值作为相邻两个峰值点之间所有振动数据的初始异常程度。
进一步地,所述将所述振动数据分解为至少两个正弦波形的分解数据,包括:
对所述振动数据进行经验模态分解,将前预设数量个本征模态数据作为分解数据。
进一步地,所述根据所述分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,包括:
分别确定每个分解数据中峰值点的幅值的绝对值作为分解幅值系数;
将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异,将对应两个峰值点之间其他峰值点的数量加一作为间隔段数,计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度。
进一步地,所述根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值,包括:
任选某一时间点作为待测时间点,将所述分解幅值系数的最大值所对应的时间点作为参照时间点,获取所述分解数据的分解周期;
将所述待测时间点距所述参照时间点的时间间隔与所述分解周期的一半的比值向上取整作为所述待测时间点所处半周期的周期序号;
将所述周期序号与所述幅值变化速度的乘积作为幅值变化值,计算所述分解幅值系数的最大值与所述幅值变化值的差值作为待测时间点所处半周期的分解幅值系数的最大值;
计算所述待测时间点与所述待测时间点所处半周期的初始时间点的时间间隔与半周期的总时间间隔的比值作为待测周期系数;
使用正弦函数计算所述待测周期系数对应的正弦值,计算所述待测时间点所处半周期的分解幅值系数的最大值与所述正弦值的乘积作为对应分解数据的分解振动幅值;
计算所有分解数据的分解振动幅值的和值作为预测振动幅值。
进一步地,所述根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正,获得每一时间点的目标异常程度,包括:
将当前正在桥梁上通行的所有车辆作为影响车辆;
计算每一时间点的实际振动幅值与所有影响车辆对应预测振动幅值的差值绝对值作为影响幅值差异,计算所述影响幅值差异的归一化值作为影响系数;
计算所述影响系数与所述初始异常程度的乘积作为对应时间点的目标异常程度。
进一步地,所述根据所述目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,包括:
将所述目标异常程度大于预设异常程度阈值的时间点所对应振动数据作为异常数据。
进一步地,所述根据所述异常数据对桥梁振动情况进行监测,获得监测结果,包括:
计算所述异常数据的数量与振动数据总数量的比值作为异常比例;
在所述异常比例小于预设比例阈值时,确定所述监测结果正常;
在所述异常比例大于等于预设比例阈值时,确定所述监测结果异常。
进一步地,所述对所有峰值点进行直线拟合,获取所述峰值点的拟合幅值,包括:
基于最小二乘法按照时序对所有峰值点的幅值的绝对值进行直线拟合,得到拟合直线,将所述拟合直线中与所述峰值点处于同一时间点的直线值作为对应峰值点的拟合幅值。
进一步地,所述获取峰值点对应的振动幅值,包括:
将峰值点对应振动数据的数值绝对值作为振动幅值。
本发明具有如下有益效果:
本发明实施例通过周期性获取车辆在桥梁上通行时桥梁振动的振动数据,并对振动数据进行划分,确定振动数据在峰值点的振动幅值,并直线拟合得到拟合幅值,进而获得初始异常程度,其中,初始异常程度能够表征运行时的异常情况,但由于桥梁上车辆运行情况较为复杂,车辆运行时的振动会相互影响,因此,为了对影响进行进一步分析,本发明通过对振动数据进行分解,并根据分解结果进行数据分析;获得每一车辆在每个时间点的预测振动幅值;其中,预测振动幅值能够准确确定不同车辆的运行振动情况,而后,结合所有车辆在不同时间点在桥梁上通行的预测振动幅值对初始异常程度进行修正,获得每一时间点的目标异常程度,目标异常程度的获取能够准确表征对应的异常情况,保证目标异常程度的可靠性与准确性;根据目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据异常数据对桥梁振动情况进行监测,获得监测结果,从而根据异常数据对桥梁进行有效检测,使得监测结果更加可靠,提升桥梁健康监测效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的桥梁健康监测系统结构图。
实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的桥梁健康监测系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种基于人工智能的桥梁健康监测系统的实施例:
下面结合附图具体的说明本发明所提供的一种基于人工智能的桥梁健康监测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的桥梁健康监测系统结构图,该基于人工智能的桥梁健康监测系统10包括:获取模块101,第一异常分析模块102,振动预测模块103,第二异常分析模块104和健康监测模块105。
获取模块101,用于周期性获取车辆在桥梁上通行时桥梁振动的振动数据,根据振动数据在时序上拟合的外包络线中的峰值点将振动数据划分为至少两个周期数据段。
其中,车辆在桥梁上进行运动时,能够导致桥梁上发生对应的振动,在桥梁的材料发生形变,或者桥梁本身材料由于长久失修导致材料老化时,车辆通过桥梁的振动会发生变化,因此统计车辆通过桥梁时振动的振动信息,从而能够保证对桥梁的健康状态进行监测。
本发明实施例中,可以在桥梁上安装加速度传感器,获取桥梁在上下振动时的振动数据,可以设置加速度传感器的采样间隔为0.1秒,也即加速度传感器每隔0.1秒采集一次桥梁上下振动的振动数据。可以理解的是,由于桥梁在上下振动时的振动呈波形,也即时序上的振动数据呈现波形状态,但振动数据中包含有多个车辆所产生的影响,则本发明根据影响情况进行分析,获得桥梁健康监测的结果。本发明的一种具体的应用场景为,桥梁上有一辆车辆作为主体车辆产生主要振动,而其他车辆的振动对主体车辆的振动产生影响,基于该应用场景,本发明进行下述分析。
本发明实施例中,由于振动数据呈现波形状态,则可以将时序作为横坐标,对应的数值作为纵坐标,将振动数据映射至对应的坐标系中,得到不同时间点下振动数据的坐标,而后,获取所有振动数据的外包络线,其中,外包络线包括上包络线和下包络线,包络线的获取为本领域技术人员所熟知的技术,对此不再赘述,本发明实施例中,将与上包络线和下包络线重合的振动数据对应的坐标点作为峰值点,则将任意两个相邻峰值点间的振动数据作为一个周期数据段,由此,将所有振动数据划分为至少两个周期数据段。
第一异常分析模块102,用于获取峰值点对应的振动幅值;对所有峰值点进行直线拟合,获取峰值点的拟合幅值,根据振动幅值和拟合幅值的差异确定每个振动数据的初始异常程度。
进一步地,本发明的一些实施例中,获取峰值点对应的振动幅值,包括:将峰值点对应振动数据的数值绝对值作为振动幅值。
可以理解的是,为了更直观体现桥梁的振动,通常将部分数据在进行波形拟合时放在基准线的下方,也即放在横轴下方,使得该部分数据的数值为负值,例如下峰值点的数值通常为负值,本发明实施例旨在对幅值变化进行分析时,因此,可以将峰值点对应振动数据的数值绝对值作为振动幅值。
进一步地,本发明的一些实施例中,对所有峰值点进行直线拟合,获取峰值点的拟合幅值,包括:基于最小二乘法按照时序对所有峰值点的幅值的绝对值进行直线拟合,得到拟合直线,将拟合直线中与峰值点处于同一时间点的直线值作为对应峰值点的拟合幅值。
由于车辆从远端靠近加速度传感器时,所采集的振动数据是逐渐变强的,而在车辆远离加速度传感器时,所采集的振动数据是逐渐衰弱的,在主体车辆进行运动时,振动情况遵循该规律,则本发明实施例中使用最小二乘法按照时序对所有峰值点的幅值的绝对值进行直线拟合,其中,最小二乘法为本领域所熟知的技术,对此不再赘述。
本发明实施例中,在确定拟合直线之后,即可将拟合直线中与峰值点处于同一时间点的直线值作为对应峰值点的拟合幅值,由于车辆在桥梁行驶过程中通常为匀速行驶,也即振动的变化在正常情况下应为均匀变化,则本发明则根据振动幅值和拟合幅值的差异,确定实际振动与理想情况下的差距。
进一步地,本发明的一些实施例中,根据振动幅值和拟合幅值的差异确定每个振动数据的初始异常程度,包括:计算每个峰值点的振动幅值和拟合幅值的差值绝对值作为峰值点的拟合差异;对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度;将相邻两个峰值点初始异常程度的均值作为相邻两个峰值点之间所有振动数据的初始异常程度。
可以理解的是,振动数据包括峰值点的振动数据和峰值点之间的振动数据,则本发明可以根据峰值点的振动情况对峰值点之间的振动情况进行分析。
本发明实施例中,计算每个峰值点的振动幅值和拟合幅值的差值绝对值作为峰值点的拟合差异;对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度,峰值点的初始异常程度对应的计算公式可以具体例如为:
式中,表示第m个峰值点的初始异常程度,m表示振动数据中峰值点的索引,/>表示第m个峰值点的振动幅值,/>表示第m个峰值点的拟合幅值,/>表示取绝对值,G()表示归一化处理,在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
式中,振动幅值为实际值,拟合幅值为预测值,则本发明实施例将对应实际值与预测值的差异作为初始异常程度的判断依据,由于车辆保持匀速,随着车辆远离或者靠近加速度传感器,对应的振动应该呈现均匀的增大或者衰弱,因此,与拟合状态下均匀变化规律的差异即可作为初始异常程度。
可以理解的是,上述情况为主体车辆在桥梁上运行时的情况,而在现实生活中车辆运动情况较为复杂,桥梁上不止一辆车辆进行运动,往往前车的振动影响还未结束,后车造成的振动已经传递过来,此时当前传感器采集的振动数据即为前后车辆造成的振动共同作用下的数据,这种情况下,后车作为主体车辆,前车作为对振动产生影响的影响车辆,仅根据初始异常程度,会导致影响车辆对主体车辆对应的振动数据造成影响,无法有效提取桥梁对主体车辆通过时的振动情况,则本发明通过对所有车辆的运行分别进行分析,也即分析在前车为主体车辆时所获得的振动数据,从而对初始异常程度进行调整,具体参见后续实施例。
振动预测模块103,用于将振动数据分解为至少两个正弦波形的分解数据;根据分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值。
进一步地,本发明的一些实施例中,将振动数据分解为至少两个正弦波形的分解数据,包括:对振动数据进行经验模态分解,将前预设数量个本征模态数据作为分解数据。
其中,预设数量,为预设的经验模态分解后所得到的分解数据的数量,可选地,预设数量可以具体位置4,或者,本发明实施例中还可以根据实际情况调整预设数量。
可以理解的是,经验模态分解后前4位的本征模态数据包含较多的高频信息,而后续的本征模态数据中通常为残差信息或其它干扰信息,因此本发明将前4位的本征模态数据作为分解数据,有效对无关干扰振动信息进行筛除。
进一步地,本发明的一些实施例中,根据分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,包括:分别确定每个分解数据中峰值点的幅值的绝对值作为分解幅值系数;将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异,将对应两个峰值点之间其他峰值点的数量加一作为间隔段数,计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度。
也即是说,由于车辆通过时幅值变化在理想情况下应该呈均匀变化趋势,也即均匀增大或均匀衰减的趋势,则本发明实施例将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异,将对应两个峰值点之间其他峰值点的数量加一作为间隔段数,计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度,通过求均值的方式获取分解数据的幅值变化速度,可以理解的是,由于峰值点在一整个周期内有2个,则对应的幅值变化速度为半周期内的变化。
进一步地,本发明的一些实施例中,根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值,包括:任选某一时间点作为待测时间点,将分解幅值系数的最大值所对应的时间点作为参照时间点,获取分解数据的分解周期;将待测时间点距参照时间点的时间间隔与分解周期的一半的比值向上取整作为待测时间点所处半周期的周期序号;将周期序号与幅值变化速度的乘积作为幅值变化值,计算分解幅值系数的最大值与幅值变化值的差值作为待测时间点所处半周期的分解幅值系数的最大值;计算待测时间点与待测时间点所处半周期的初始时间点的时间间隔与半周期的总时间间隔的比值作为待测周期系数;使用正弦函数计算待测周期系数对应的正弦值,计算待测时间点所处半周期的分解幅值系数的最大值与正弦值的乘积作为对应分解数据的分解振动幅值;计算所有分解数据的分解振动幅值的和值作为预测振动幅值。
本发明实施例中,待测时间点所处半周期的分解幅值系数的最大值的计算公式可以具体例如为:
式中,t表示待测时间点,表示参照时间点,/>表示分解幅值系数的最大值,/>表示分解数据对应幅值变化速度,T表示分解数据对应的分解周期,/>表示向上取整函数,/>表示待测时间点t所处半周期的分解幅值系数的最大值。
本发明实施例中,表示待测时间点所处半周期的周期序号,表示幅值变化值,通过计算待测时间点所处半周期的周期序号,由于幅值变化呈均匀变化,则根据周期序号和每半周期内幅值的变化,计算得到幅值变化值,则通过计算分解幅值系数的最大值与幅值变化值的差值作为待测时间点所处半周期的分解幅值系数的最大值。
本发明实施例中,计算待测时间点与待测时间点所处半周期的初始时间点的时间间隔与半周期的总时间间隔的比值作为待测周期系数;使用正弦函数计算待测周期系数对应的正弦值,计算待测时间点所处半周期的分解幅值系数的最大值与正弦值的乘积作为对应分解数据的分解振动幅值,分解振动幅值的计算公式可以具体例如为:
式中,表示待测时间点t的分解振动幅值,/>表示待测时间点t所处半周期的分解幅值系数的最大值,/>表示待测时间点所处半周期的初始时间点,/>表示待测周期系数,/>表示正弦函数,通过正弦函数计算得到/>作为正弦值。
由于分解数据呈正弦函数的分布特点,也即是说,通过计算待测时间点与待测时间点所处半周期的初始时间点的时间间隔,从而根据该时间间隔,使用正弦函数获取待测时间点在对应分解数据中的分解振动幅值,该分解振动幅值为理想状态下的振动幅值,获取所有分解数据的分解振动幅值,并计算所有分解数据的分解振动幅值的和值作为预测振动幅值。
第二异常分析模块104,用于获取所有车辆在不同时间点在桥梁上通行的预测振动幅值,根据同一时间点预测振动幅值和实际振动幅值的差异对初始异常程度进行修正,获得每一时间点的目标异常程度。
可以理解的是,车辆在桥梁上运行时,每一车辆均可以作为主要的振动来源,也即作为主体车辆,则本发明实施例中统计在桥梁上通行的所有车辆的运行情况,根据不同时间点加速度传感器所获取的数据,将每一车辆在不同时间点作为主体车辆分别进行分析,结合对应周期情况,获取每个车辆在每一时间点的预测振动幅值。
进一步地,本发明的一些实施例中,根据同一时间点预测振动幅值和实际振动幅值的差异对初始异常程度进行修正,获得每一时间点的目标异常程度,包括:将当前正在桥梁上通行的所有车辆作为影响车辆;计算每一时间点的实际振动幅值与所有影响车辆对应预测振动幅值的差值绝对值作为影响幅值差异,计算影响幅值差异的归一化值作为影响系数;计算影响系数与初始异常程度的乘积作为对应时间点的目标异常程度。
可以理解的是,通过统计桥梁上所有车辆在运行时不同时间点的预测振动幅值,并计算每一时间点的实际振动幅值与所有影响车辆对应预测振动幅值的差值绝对值作为影响幅值差异,通过筛除所有车辆在正常运行时的影响,剩余的振动情况即为异常残差的振动情况,计算影响幅值差异的归一化值作为影响系数,影响系数越大,表征异常情况越严重,通过影响系数对初始异常程度进行修正,得到目标异常程度。
本发明实施例中,目标异常程度能够准确表征对应的异常情况,从而提升异常分析的可靠性。
健康监测模块105,用于根据目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据异常数据对桥梁振动情况进行监测,获得监测结果。
进一步地,本发明的一些实施例中,根据目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,包括:将目标异常程度大于预设异常程度阈值的时间点所对应振动数据作为异常数据。
其中,预设异常程度阈值,为异常程度的门限值,可选地,预设异常程度阈值可以具体例如为0.8,也即是说,将异常程度大于0.8的时间点所对应振动数据作为异常数据,当然,本发明实施例还可以根据实际情况调整预设异常程度阈值,对此不做限制。
进一步地,本发明的一些实施例中,根据异常数据对桥梁振动情况进行监测,获得监测结果,包括:计算异常数据的数量与振动数据总数量的比值作为异常比例;在异常比例小于预设比例阈值时,确定监测结果正常;在异常比例大于等于预设比例阈值时,确定监测结果异常。
本发明实施例中,通过计算异常数据的数量与振动数据总数量的比值作为异常比例,可以理解的是,在异常比例越大时,表征桥梁的异常振动越频繁,可能为天气影响或桥梁自身的结构老化影响,均应该引起注意,因此,通过设置预设比例阈值,在异常比例小于预设比例阈值时,确定监测结果正常;在异常比例大于等于预设比例阈值时,确定监测结果异常。
其中,预设比例阈值,为异常比例的门限值,可选地,预设比例阈值可以具体例如为80%,对此不做限制。
本发明实施例通过周期性获取车辆在桥梁上通行时桥梁振动的振动数据,并对振动数据进行划分,确定振动数据在峰值点的振动幅值,并直线拟合得到拟合幅值,进而获得初始异常程度,其中,初始异常程度能够表征运行时的异常情况,但由于桥梁上车辆运行情况较为复杂,车辆运行时的振动会相互影响,因此,为了对影响进行进一步分析,本发明通过对振动数据进行分解,并根据分解结果进行数据分析;获得每一车辆在每个时间点的预测振动幅值;其中,预测振动幅值能够准确确定不同车辆的运行振动情况,而后,结合所有车辆在不同时间点在桥梁上通行的预测振动幅值对初始异常程度进行修正,获得每一时间点的目标异常程度,目标异常程度的获取能够准确表征对应的异常情况,保证目标异常程度的可靠性与准确性;根据目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据异常数据对桥梁振动情况进行监测,获得监测结果,从而根据异常数据对桥梁进行有效检测,使得监测结果更加可靠,提升桥梁健康监测效果。
一种基于人工智能的桥梁异常程度检测方法的实施例:
在桥梁的健康检测中,使用加速度计检测桥梁振动是一个重要的环节和方法。相关技术中心,直接通过车辆通过桥梁时的振动数据对桥梁的异常程度进行分析,这种方式下,忽视了其他车辆运行时的干扰,进而导致分析得到的异常程度可靠性与准确性均较差。
为了解决该问题,本发明实施例提供了一种基于人工智能的桥梁异常程度检测方法,包括:
S101:周期性获取车辆在桥梁上通行时桥梁振动的振动数据,根据振动数据在时序上拟合的外包络线中的峰值点将振动数据划分为至少两个周期数据段;
S102:获取峰值点对应的振动幅值;对所有峰值点进行直线拟合,获取峰值点的拟合幅值,根据振动幅值和拟合幅值的差异确定每个振动数据的初始异常程度;
S103:将振动数据分解为至少两个正弦波形的分解数据;根据分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值;
S104:获取所有车辆在不同时间点在桥梁上通行的预测振动幅值,根据同一时间点预测振动幅值和实际振动幅值的差异对初始异常程度进行修正,获得每一时间点的目标异常程度。
其中,步骤S101-S104在上述一种基于人工智能的桥梁健康监测系统的实施例中已给出了详细说明,在此不再赘述。
本发明实施例通过周期性获取车辆在桥梁上通行时桥梁振动的振动数据,并对振动数据进行划分,确定振动数据在峰值点的振动幅值,并直线拟合得到拟合幅值,进而获得初始异常程度,其中,初始异常程度能够表征运行时的异常情况,但由于桥梁上车辆运行情况较为复杂,车辆运行时的振动会相互影响,因此,为了对影响进行进一步分析,本发明通过对振动数据进行分解,并根据分解结果进行数据分析;获得每一车辆在每个时间点的预测振动幅值;其中,预测振动幅值能够准确确定不同车辆的运行振动情况,而后,结合所有车辆在不同时间点在桥梁上通行的预测振动幅值对初始异常程度进行修正,获得每一时间点的目标异常程度,目标异常程度的获取能够准确表征对应的异常情况,保证目标异常程度的可靠性与准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于人工智能的桥梁健康监测系统,其特征在于,所述系统包括:
获取模块,用于周期性获取车辆在桥梁上通行时桥梁振动的振动数据,根据所述振动数据在时序上拟合的外包络线中的峰值点将所述振动数据划分为至少两个周期数据段;
第一异常分析模块,用于获取峰值点对应的振动幅值;对所有峰值点进行直线拟合,获取所述峰值点的拟合幅值,根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度;
振动预测模块,用于将所述振动数据分解为至少两个正弦波形的分解数据;根据所述分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值;
第二异常分析模块,用于获取所有车辆在不同时间点在桥梁上通行的预测振动幅值,根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正,获得每一时间点的目标异常程度;
健康监测模块,用于根据所述目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,根据所述异常数据对桥梁振动情况进行监测,获得监测结果。
2.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据所述振动幅值和所述拟合幅值的差异确定每个振动数据的初始异常程度,包括:
计算每个峰值点的振动幅值和所述拟合幅值的差值绝对值作为所述峰值点的拟合差异;
对每个峰值点的拟合差异进行归一化处理作为对应峰值点的初始异常程度;
将相邻两个峰值点初始异常程度的均值作为相邻两个峰值点之间所有振动数据的初始异常程度。
3.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述将所述振动数据分解为至少两个正弦波形的分解数据,包括:
对所述振动数据进行经验模态分解,将前预设数量个本征模态数据作为分解数据。
4.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据所述分解数据中峰值点的幅值的变化,确定不同分解数据的幅值变化速度,包括:
分别确定每个分解数据中峰值点的幅值的绝对值作为分解幅值系数;
将任意两个峰值点对应分解幅值系数的差值绝对值作为分解幅值差异,将对应两个峰值点之间其他峰值点的数量加一作为间隔段数,计算分解幅值差异与间隔段数的比值作为对应分解数据的幅值变化速度。
5.如权利要求4所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据所有分解数据对应幅值变化速度确定任一时间点的预测振动幅值,包括:
任选某一时间点作为待测时间点,将所述分解幅值系数的最大值所对应的时间点作为参照时间点,获取所述分解数据的分解周期;
将所述待测时间点距所述参照时间点的时间间隔与所述分解周期的一半的比值向上取整作为所述待测时间点所处半周期的周期序号;
将所述周期序号与所述幅值变化速度的乘积作为幅值变化值,计算所述分解幅值系数的最大值与所述幅值变化值的差值作为待测时间点所处半周期的分解幅值系数的最大值;
计算所述待测时间点与所述待测时间点所处半周期的初始时间点的时间间隔与半周期的总时间间隔的比值作为待测周期系数;
使用正弦函数计算所述待测周期系数对应的正弦值,计算所述待测时间点所处半周期的分解幅值系数的最大值与所述正弦值的乘积作为对应分解数据的分解振动幅值;
计算所有分解数据的分解振动幅值的和值作为预测振动幅值。
6.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据同一时间点所述预测振动幅值和实际振动幅值的差异对所述初始异常程度进行修正,获得每一时间点的目标异常程度,包括:
将当前正在桥梁上通行的所有车辆作为影响车辆;
计算每一时间点的实际振动幅值与所有影响车辆对应预测振动幅值的差值绝对值作为影响幅值差异,计算所述影响幅值差异的归一化值作为影响系数;
计算所述影响系数与所述初始异常程度的乘积作为对应时间点的目标异常程度。
7.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据所述目标异常程度对不同时间点的振动数据进行筛选,确定异常数据,包括:
将所述目标异常程度大于预设异常程度阈值的时间点所对应振动数据作为异常数据。
8.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述根据所述异常数据对桥梁振动情况进行监测,获得监测结果,包括:
计算所述异常数据的数量与振动数据总数量的比值作为异常比例;
在所述异常比例小于预设比例阈值时,确定所述监测结果正常;
在所述异常比例大于等于预设比例阈值时,确定所述监测结果异常。
9.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述对所有峰值点进行直线拟合,获取所述峰值点的拟合幅值,包括:
基于最小二乘法按照时序对所有峰值点的幅值的绝对值进行直线拟合,得到拟合直线,将所述拟合直线中与所述峰值点处于同一时间点的直线值作为对应峰值点的拟合幅值。
10.如权利要求1所述的一种基于人工智能的桥梁健康监测系统,其特征在于,所述获取峰值点对应的振动幅值,包括:
将峰值点对应振动数据的数值绝对值作为振动幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107306.2A CN116842348B (zh) | 2023-08-31 | 2023-08-31 | 基于人工智能的桥梁健康监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107306.2A CN116842348B (zh) | 2023-08-31 | 2023-08-31 | 基于人工智能的桥梁健康监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842348A CN116842348A (zh) | 2023-10-03 |
CN116842348B true CN116842348B (zh) | 2023-12-01 |
Family
ID=88174630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107306.2A Active CN116842348B (zh) | 2023-08-31 | 2023-08-31 | 基于人工智能的桥梁健康监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842348B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117091754B (zh) * | 2023-10-20 | 2023-12-19 | 山东远盾网络技术股份有限公司 | 基于数据分析的大型设备故障检测方法及系统 |
CN117113263B (zh) * | 2023-10-23 | 2024-01-26 | 鹏远建设有限公司 | 一种桥梁顶推结构实时监控方法 |
CN117743836A (zh) * | 2024-02-21 | 2024-03-22 | 聊城市产品质量监督检验所 | 一种轴承异常振动监测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
KR20120050704A (ko) * | 2010-11-11 | 2012-05-21 | 한국도로공사 | 교량의 내하력 산정방법 |
KR20120114439A (ko) * | 2011-03-25 | 2012-10-17 | 한국유지관리 주식회사 | 유에스엔 기반 지능형 교량 모니터링 및 안전성 평가 시스템 |
CN105005694A (zh) * | 2015-07-13 | 2015-10-28 | 天津大学 | 一种基于动态称重系统的桥梁疲劳寿命频域分析方法 |
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
CN109271406A (zh) * | 2018-09-26 | 2019-01-25 | 东莞幻鸟新材料有限公司 | 一种基于大数据的桥梁结构健康监测系统 |
CN109583314A (zh) * | 2018-10-31 | 2019-04-05 | 同济大学 | 一种混凝土梁式桥安全监测指标的优化方法及装置 |
WO2020168589A1 (zh) * | 2019-02-19 | 2020-08-27 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
JP2021012605A (ja) * | 2019-07-08 | 2021-02-04 | トヨタ自動車株式会社 | 伝達関数の予測方法 |
LU500362B1 (de) * | 2021-06-09 | 2022-01-06 | Harbin Inst Technology | Bridge Model Updating Method, System, Storage Medium and Device of Based on the Modification of Vehicle-Bridge Coupling Force |
CN114001993A (zh) * | 2021-11-03 | 2022-02-01 | 中交长大桥隧技术有限公司 | 一种基于科技智能的桥梁安全健康评定、监测系统 |
JP2022035161A (ja) * | 2020-08-20 | 2022-03-04 | 国立大学法人 筑波大学 | 異常検出方法 |
WO2023060672A1 (zh) * | 2021-10-15 | 2023-04-20 | 东南大学 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
CN116308305A (zh) * | 2023-05-25 | 2023-06-23 | 安徽省云鹏工程项目管理有限公司 | 一种桥梁健康监测数据管理系统 |
CN116481747A (zh) * | 2023-05-06 | 2023-07-25 | 重庆大学 | 一种考虑桥梁阻尼影响的桥梁模态振型驱车识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201035416A (en) * | 2009-03-26 | 2010-10-01 | Accuracy Structural Technology Corp | Method for evaluating bridge safety with vibration measurement |
-
2023
- 2023-08-31 CN CN202311107306.2A patent/CN116842348B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281117A (zh) * | 2008-05-29 | 2008-10-08 | 上海交通大学 | 大跨度轨道交通桥梁损伤识别方法 |
KR20120050704A (ko) * | 2010-11-11 | 2012-05-21 | 한국도로공사 | 교량의 내하력 산정방법 |
KR20120114439A (ko) * | 2011-03-25 | 2012-10-17 | 한국유지관리 주식회사 | 유에스엔 기반 지능형 교량 모니터링 및 안전성 평가 시스템 |
CN105005694A (zh) * | 2015-07-13 | 2015-10-28 | 天津大学 | 一种基于动态称重系统的桥梁疲劳寿命频域分析方法 |
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
CN109271406A (zh) * | 2018-09-26 | 2019-01-25 | 东莞幻鸟新材料有限公司 | 一种基于大数据的桥梁结构健康监测系统 |
CN109583314A (zh) * | 2018-10-31 | 2019-04-05 | 同济大学 | 一种混凝土梁式桥安全监测指标的优化方法及装置 |
WO2020168589A1 (zh) * | 2019-02-19 | 2020-08-27 | 大连理工大学 | 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法 |
JP2021012605A (ja) * | 2019-07-08 | 2021-02-04 | トヨタ自動車株式会社 | 伝達関数の予測方法 |
JP2022035161A (ja) * | 2020-08-20 | 2022-03-04 | 国立大学法人 筑波大学 | 異常検出方法 |
LU500362B1 (de) * | 2021-06-09 | 2022-01-06 | Harbin Inst Technology | Bridge Model Updating Method, System, Storage Medium and Device of Based on the Modification of Vehicle-Bridge Coupling Force |
WO2023060672A1 (zh) * | 2021-10-15 | 2023-04-20 | 东南大学 | 一种基于健康监测数据的桥梁冲刷动力识别方法 |
CN114001993A (zh) * | 2021-11-03 | 2022-02-01 | 中交长大桥隧技术有限公司 | 一种基于科技智能的桥梁安全健康评定、监测系统 |
CN116481747A (zh) * | 2023-05-06 | 2023-07-25 | 重庆大学 | 一种考虑桥梁阻尼影响的桥梁模态振型驱车识别方法 |
CN116308305A (zh) * | 2023-05-25 | 2023-06-23 | 安徽省云鹏工程项目管理有限公司 | 一种桥梁健康监测数据管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116842348A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842348B (zh) | 基于人工智能的桥梁健康监测系统 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
CN111508216B (zh) | 一种大坝安全监测数据智能预警方法 | |
CN109029589B (zh) | 一种桥梁结构安全状态监测系统 | |
CN104075730A (zh) | 一种步态计步方法及计步器 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN111776006B (zh) | 一种列车轴温的预报警方法及装置 | |
JP2019112049A (ja) | 陸上車両の運転者の運転スタイルを認識するための方法及び対応する装置 | |
CN110991828B (zh) | 一种基于信息熵理论的钢轨紧固件状态检测方法 | |
CN113568960B (zh) | 物联网数据实时分析方法、系统及计算机可读存储介质 | |
CN116308305B (zh) | 一种桥梁健康监测数据管理系统 | |
CN116992393A (zh) | 一种基于工业物联网的安全生产监测方法 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN115982896A (zh) | 一种轴承保持架的寿命检测方法及装置 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN104457644B (zh) | 轨道几何检测数据中非脉冲异常数据的检测方法及装置 | |
CN104820234B (zh) | 桥梁地震荷载的快速识别方法 | |
CN109916487B (zh) | 行车重量智能监控系统及方法 | |
CN105631238B (zh) | 一种滚动轴承振动性能变异的检测方法及系统 | |
CN116150592A (zh) | 基于人工智能的轮椅智能监测预警方法及系统 | |
CN115293274A (zh) | 一种基于对抗交替型滑动窗口的时间序列突变点检测方法 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN112781556A (zh) | 一种基于多数据融合滤波的井盖异动监测方法和装置 | |
Deuschle et al. | Robust sensor spike detection method based on dynamic time warping | |
CN113032907A (zh) | 基于波形相关关系的晃车病害数据偏差纠正方法及系统 |
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 |