CN116861544B - 一种基于边云协同的建筑异常振动源定位方法及相关设备 - Google Patents
一种基于边云协同的建筑异常振动源定位方法及相关设备 Download PDFInfo
- Publication number
- CN116861544B CN116861544B CN202311131023.1A CN202311131023A CN116861544B CN 116861544 B CN116861544 B CN 116861544B CN 202311131023 A CN202311131023 A CN 202311131023A CN 116861544 B CN116861544 B CN 116861544B
- Authority
- CN
- China
- Prior art keywords
- vibration
- current
- amplitude
- abnormal vibration
- frequency
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 91
- 239000013598 vector Substances 0.000 claims abstract description 121
- 238000004088 simulation Methods 0.000 claims abstract description 82
- 230000004044 response Effects 0.000 claims abstract description 62
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000001845 vibrational spectrum Methods 0.000 claims description 62
- 238000001228 spectrum Methods 0.000 claims description 53
- 230000009471 action Effects 0.000 claims description 38
- 238000013016 damping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 abstract description 43
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000002245 particle Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000000695 excitation spectrum Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003696 structure analysis method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
本发明公开了一种基于边云协同的建筑异常振动源定位方法及相关设备，所述方法包括：边缘端采集目标建筑的历史振动数据和当前振动数据，当出现异常振动时，则提取异常振动频率和幅值；云端根据历史振动数据对结构动力学数值模型进行标定，得到实际动力特征数值模型；云端基于异常振动频率构建简谐激振，进行振动响应分析得到各层频响幅值，并构建模拟幅值特征矩阵；云端根据当前异常振动幅值的特征向量与模拟幅值特征矩阵得到相似度向量，以此来定位目标建筑的异常振动源所在楼层。本发明能够有效识别建筑环境中的异常振动，并能够准确定位异常振动源所在的楼层位置，同时，采用边云协同的方式还能够对建筑异常振动进行实时的自动化识别与定位。
Description
技术领域
本发明涉及振动定位技术领域，尤其涉及一种基于边云协同的建筑异常振动源定位方法、系统及计算机存储介质。
背景技术
在人口密集以及环境复杂的城市区域，引发建筑结构异常振动的风险因素普遍存在。准确且高效的异常振动检测技术是振动源溯源的关键。
然而，结构健康监测领域对于建筑结构在简谐激励作用下的异常振动的研究较为有限，缺乏异常振动的识别与定位方法，并且现行振动定位方法并不适用于建筑结构在简谐激励作用下的异常振动检测场景，从而导致建筑发生异常振动时，无法有效识别建筑环境中特定频率的异常振动且无法预测异常振动源所处的位置。
因此，现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于边云协同的建筑异常振动源定位方法、系统及计算机可读存储介质，旨在解决现有技术中无法有效实时自动识别建筑环境中特定频率的异常振动并准确预测异常振动源位置的问题。
为实现上述目的，本发明提供一种基于边云协同的建筑异常振动源定位方法，所述基于边云协同的建筑异常振动源定位方法包括如下步骤：
边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；
当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；
所述边缘端将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；
所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；
所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；
所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱，具体包括：
所述边缘端采集所述目标建筑的历史振动数据，并将所述历史振动数据进行短时傅里叶变换，得到历史振动频谱包络线；
所述边缘端采集所述目标建筑的当前振动数据，并将所述当前振动数据进行短时傅里叶变换，得到当前振动频谱。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值，具体包括：
所述边缘端将所述当前振动频谱与所述历史振动频谱包络线的预设频谱幅值阈值进行对比；
当所述当前振动频谱中任一频点幅值大于所述预设频谱幅值阈值时，所述边缘端判定所述当前振动数据为异常振动数据；
所述边缘端获取所述当前振动数据中大于所述预设频谱幅值阈值的频点对应的当前异常振动频率，并根据所述当前异常振动频率对应的频响幅值得到当前异常振动幅值。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型，具体包括：
当所述云端接收到所述历史振动数据时，所述云端根据所述历史振动数据进行运行模态分析，得到所述目标建筑的结构模态参数；
所述云端根据所述结构模态参数对结构动力学数值模型进行参数更新标定，得到所述目标建筑的实际动力特征数值模型。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵，具体包括：
所述云端根据所述当前异常振动频率设置对应的简谐荷载，并将所述简谐荷载分别施加至所述实际动力特征数值模型的各层，以对所述目标建筑进行多个加载工况作用下的振动响应分析，模拟得到所述目标建筑在多个加载工况作用下各个楼层的模拟振动响应数据；
获取所述模拟振动响应数据中所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，对所述频响模拟幅值向量进行归一化处理，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层，具体包括：
所述云端将所述边缘端提取的不同楼层的所述当前异常振动幅值进行归一化处理，得到当前异常振动幅值特征向量；
所述云端将所述当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量；
所述云端根据所述相似度向量中的最大值所在的位置确定所述目标建筑的实际异常振动源所在楼层。
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述结构模态参数包括固有频率、振型以及阻尼：
可选地，所述的基于边云协同的建筑异常振动源定位方法，其中，所述结构动力学数值模型包括多自由度模型、杆系单元模型、壳单元模型或实体单元模型。
此外，为实现上述目的，本发明还提供一种基于边云协同的建筑异常振动源定位系统，其中，所述基于边云协同的建筑异常振动源定位系统包括：边缘端和云端；
所述边缘端用于采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；
所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于边云协同的建筑异常振动源定位程序，所述基于边云协同的建筑异常振动源定位程序被处理器执行时实现如上所述的基于边云协同的建筑异常振动源定位方法的步骤。
本发明中，边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；所述边缘端将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。本发明通过设置边缘端采集建筑的历史振动数据以及当前振动数据，当判定发生异常振动时，获取当前振动数据中的特征向量，并将数据都发送至云端进行数据分析，云端通过建立的实际动力特征数值模型构建模拟幅值矩阵，并根据模拟幅值矩阵与特征向量来定位建筑发生异常振动的振动源所处的楼层，能够自动对建筑发生的振动进行监测，同时，还能够有效识别建筑环境中特定频率的异常振动并准确预测振动源位置，以此来实现建筑异常振动的自动定位。
附图说明
图1是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的流程图；
图2是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的异常振动源定位方法的组成模块示意图；
图3是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的边缘端与云端功能模块分布的示意图；
图4是本发明基于边云协同的建筑异常振动源定位系统的较佳实施例的当前振动频谱与历史振动频谱包络线对比的示意图；
图5是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的各层振动频谱和异常振动识别的示意图；
图6是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的异常振动判定的示意图；
图7是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的由试验和数值模拟进行模态分析获得的前四阶振型的示意图；
图8是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的频谱幅值特征向量的示意图；
图9是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的测试楼层模拟简谐激励频谱幅值特征向量的示意图；
图10是本发明基于边云协同的建筑异常振动源定位方法的较佳实施例的激振源位置预测结果的示意图；
图11为本发明的基于边云协同的建筑异常振动源定位系统的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在人口密集和环境复杂的城市区域，引发建筑结构异常振动的风险因素普遍存在。准确以及高效的异常振动检测技术是振动源溯源的关键。然而，结构健康监测领域对于建筑结构在简谐激励（简谐激励指的是简谐运动作为荷载输入对建筑进行激振，简谐运动指的是位移是时间的正弦或余弦函数的运动，那么简谐激励就是激励（加速度、速度以及位移等）和时间成正弦或余弦函数关系，例如本发明中的振动方程为 P = Asin ωt，其中P为加速度幅值，A为振幅，ω为频率，t为相对时间）作用下的异常振动的研究较为有限，缺乏异常振动的识别与定位方法，并且现有振动定位方法并不适用于建筑结构在简谐激励作用下的异常振动检测场景。
现有技术中的振动定位已应用于多个场景中，包括地震、行人步行、管道泄漏以及施工冲击等，这些场景的振动瞬时幅值变化较大，因此可以采用基于到达时间（ToA）或到达时间差（TDoA）的方法来进行振动源定位，其基本原理是由离散信号时域与频域分析拟合等方法获取到达时间（ToA）或到达时间差（TDoA），再通过建立振动源与多个振动传感器之间的几何方程组并求解得到振动源坐标，从而确定振动源位置。但建筑内的异常振动通常都不是短时脉冲激振，通过到达时间差预测振动源的难度较大。并且建筑结构动力特性复杂且影响因素较多，其振动源定位场景与现有定位方法的应用场景存在较大区别。目前的研究中未见针对建筑结构在简谐激励作用下的异常振动识别与定位方法。
为解决建筑结构异常振动溯源问题，本发明提出了一种基于边云协同的建筑异常振动源定位方法，该方法可以有效识别特定频率的异常振动并准确预测振动源所在楼层。
本发明涉及振动定位技术和结构健康监测领域，具体为一种基于边云协同的建筑异常振动源定位方法，该方法可以有效识别建筑环境中特定频率的异常振动并准确预测振动源位置，同时该方法对应的算法亦可嵌入边云协同的结构健康监测系统中，实现振动的自动化实时识别与定位，本发明的应用领域包括但不限于建筑以及桥梁等基础设施的异常诊断。
本发明较佳实施例所述的基于边云协同的建筑异常振动源定位方法，如图1所示，所述基于边云协同的建筑异常振动源定位方法包括以下步骤：
步骤S10、边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱。
本发明中的一种基于边云协同的建筑异常振动源定位方法包括两个阶段，其一是历史振动数据采集阶段，其二是异常振动识别与定位阶段。
历史振动数据采集阶段通过采集建筑结构在正常运行时的历史振动数据（加速度、速度以及位移，或者其他指标，能够得到结构的频率响应特性即可），利用历史振动数据的短时傅里叶谱建立频谱包络线（频谱图由振动时程数据如加速度-时间曲线经过STFT生成，频谱包络线指的是将频谱图不同频率幅值的最高点连接而成的曲线），并设定相应的频谱幅值阈值；同时，利用历史振动数据进行结构运行模态分析，将获取到的模态参数（固有频率、振型以及阻尼比等）用于结构动力学数值模型（弯剪耦合模型或精细有限元模型等）的标定（更新和修正），最终得到对应建筑实际动力特性的数值模型。
异常振动识别与定位阶段是在异常振动发生时，将当前振动频谱与前一阶段获取的历史频谱包络线对比，判别当前振动频谱是否超出阈值，若是，则提取异常（超出阈值部分）频率及其幅值，根据异常频率的幅值构建实测异常振动频谱幅值特征向量（也适用多源异常，多个异常频点，多个特征向量待定位）；利用前一阶段已标定好的数值模型开展仿真分析，根据识别的异常频率设置相应频率的简谐激励作为荷载输入，对建筑模型逐层进行激励（不同工况），得到在各个楼层激振的各层振动频谱，并提取异常频率（模拟特征库的个数取决于异常频率个数）对应的幅值构建不同楼层激励下的模拟简谐激励频谱幅值特征向量（多个向量，向量数=激振楼层数）；将实测异常振动频谱幅值特征向量与模拟简谐激励频谱幅值特征向量进行对比，根据相似度最高的模拟激励工况确定实际异常振动源的位置。
具体地，所述边缘端采集所述目标建筑的历史振动数据，并将所述历史振动数据进行短时傅里叶变换（STFT，短时傅里叶变换是一种数字信号处理技术，用于将振动信号从时域（时间为自变量）转化为频域（频率为自变量），频谱图可以显示不同频率的振动的分布，幅值越高则表示该频率的振动成分越高，例如，使用8Hz的简谐激励对大楼进行激振，得到的频谱图在8Hz处幅值明显高于历史振动数据FFT变换得到的频谱图中8Hz处的幅值），得到历史振动频谱包络线。
频谱图是一种将信号的频率信息进行可视化的图形表示，它展示了信号在不同频率上的能量分布。在本发明中，频谱图由振动数据通过短时傅里叶变换生成。
频谱包络线指的是将频谱图中不同频率幅值的最高点连接而成的曲线。
短时傅里叶变换（Short-Time Fourier Transform，STFT）是一种时频分析方法，用于在时域（时间为自变量）和频域（频率为自变量）之间转换信号。它可以提供信号在不同时间和频率上的频谱信息。其原理是傅里叶级数理论，即任何周期性信号可以表示为正弦和余弦函数的无限级数，该级数的每一项代表了信号中的一个频率分量。
短时傅里叶变换通过将信号分成较短的时间窗口，并对每个窗口应用傅里叶变换来计算每个时间窗口的频谱。这样，可以在时间轴上观察信号的变化，并在频率轴上分析不同频率成分的存在。
所述边缘端采集所述目标建筑的当前振动数据，并将所述当前振动数据进行短时傅里叶变换（也可用FFT，Fast Fourier Transformation，快速傅氏变换，能够得到结构的频谱即可），得到当前振动频谱。
如图2和如图3所示，本发明中设置了边缘端和云端，所述边缘端包括振动采集模块10、特征提取模块11、振动识别模块12；所述云端包括模态分析模块13、模型更新模块14、仿真分析模块15、振动定位模块16和显示模块17。
其中，振动采集模块10用于采集建筑环境振动（加速度、速度以及位移）；特征提取模块11用于利用历史振动数据提取（即将历史振动数据经过短时傅里叶变换后的频谱图不同频率幅值的最高点连接成为一条曲线）。
如图4所示，历史振动频谱包络线（图4中实线部分），利用当前振动数据提取当前振动频谱（图4中虚线部分）。
例如，本发明以一栋高77.7米，17层的办公楼为例，利用振动台产生的水平简谐激励模拟大楼的异常振动工况。将振动台布置于大楼5层，利用振动台牵引约21kg的质量块，以8Hz的频率沿大楼弱轴方向往复运动产生水平简谐激振。五个无线加速度传感器从上往下依次布置于第17层、第14层、第11层、第8层以及第5层，构成一个五节点的竖向链式传感器网络，用于实时同步采集建筑结构的振动数据。
首先，各传感器节点分别采集大楼在正常运行时的振动数据（即历史振动数据），该振动数据可保存在节点本地，同时也上传到云服务器。传感器节点利用历史振动数据进行短时傅里叶变换，窗的长度为100s（可以理解为每一次截取100s的数据进行分析）；然后从所有短时傅里叶谱中提取不同频率点相应幅值的最大值，得到各节点历史振动频谱包络线（如图5中虚线所示）。
步骤S20、当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值。
如图2所示，振动识别模块12用于将当前振动频谱与历史振动频谱包络线对比，判别是否发生异常振动，若是，提取异常频率ω及其幅值，并根据各个楼层识别的异常振动频率的幅值构建（如本实施例中第17、14、11、8、5层异常振动频率的幅值分别为0.00648、0.03716、0.00868、0.04029、0.02738，归一化的过程就是将数据映射到0-1范围内方便数据处理与对比，归一化后五个值的平方和等于1，v=[0.1041 0.5972 0.1395 0.64760.4401]）归一化的实测异常振动频谱幅值特征向量v，，其中，p j 为每一层的实测异常振动频谱幅值特征向量，j为测试楼层的层数。
具体地，所述边缘端将所述当前振动频谱与所述历史振动频谱包络线的预设频谱幅值阈值进行对比；当所述当前振动频谱中任一频点幅值大于所述预设频谱幅值阈值时，所述边缘端判定所述当前振动数据为异常振动数据。
如图6所示，所述边缘端获取所述当前振动数据中大于所述预设频谱幅值阈值（异常频率的识别阈值可根据实际需求自行设定）的频点对应的当前异常振动频率，并根据所述当前异常振动频率对应的频响幅值得到当前异常振动幅值。
本发明优选设定异常振动的识别条件为：若当前100s内振动对应频谱幅值超过历史振动频谱包络线幅值的2倍，则节点判定建筑环境中发生了超限幅值相应频率的异常振动事件。
步骤S30、所述边缘端将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端。
振动采集模块10、特征提取模块11、振动识别模块12可嵌入振动采集终端上以边缘计算的形式实现，其余模块可在云端服务器上实现。通过结合边缘计算超低的时延特性与云计算强大的资源服务能力，可以实现更好地整体性能，即实现高效的和近实时的异常振动识别与定位。边缘端实现功能也不仅只是采集振动数据，还包括发生异常振动时的特征提取和特征向量构建并发送至云端，这一步在边缘端就已经完成。
如图5所示，在本发明实施例中，当振动台于大楼第5层位置产生激振时，各传感器节点根据当前100s的振动数据分别计算短时傅里叶谱。可以看到全楼五个节点均识别到来自第5层超出阈值的8Hz异常振动，节点提取异常频率8Hz及其幅值并上传云服务器。
步骤S40、所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型。
云端负责模态分析模块13、模型更新模块14、仿真分析模块15、振动定位模块16和显示模块17。
具体地，当所述云端接收到所述历史振动数据时，所述云端根据所述历史振动数据进行运行模态分析，得到所述目标建筑的结构模态参数。
模态分析模块13用于利用历史振动数据进行结构的运行模态分析，识别建筑的结构模态参数；模态分析是一种工程结构分析方法（OMA），用于确定结构的固有特性，包括固有频率、振型和阻尼比，又称为环境激励模态分析或脉动法模态分析。这类分析最明显的特征是仅测量结构的输出响应即可进行分析，不需要测量荷载输入。常见的方法有随机子空间法（SSI-COV）。
土木工程中的模态分析是一种用于研究结构的振动特性和响应的分析方法。它主要用于评估结构的固有频率、振型和阻尼比等模态参数，以及结构在受到外部激励时的响应情况。
模态分析一般通过建立结构动力学数值模型或通过传感器实测数据进行分析，数值模型主要是根据结构的几何形状、构件尺寸、材料性质和边界条件等建立，这其中存在一定的假设和简化，同时结构也在不断老化，各类参数也在不断变化，所以通过数值模型分析获取的模态参数并不能很好的与实际建筑结构的模态参数吻合，利用原有的数值模型进行模拟激励获得的结构响应与实际情况也不能很好吻合，因此，本发明通过传感器实测得到的历史振动数据进行模态分析，从而获取结构实际的模态参数，并更新原有的数值模型参数，从而使判定异常振动时对各层的激振结果与实际吻合，进而能够准确的判定异常振动所在楼层。
模态分析的方法包括频率响应法、子结构法以及随机子空间法等，其中随机子空间法（SSI-COV）具有良好的抗噪声性能和高准确性，适用于复杂结构的模态分析，包括大型结构、非线性结构和有噪声干扰的结构。它在结构健康监测、结构识别以及结构损伤检测等方面具有广泛的应用。它首先经过预处理（去趋势和去噪音等）传感器获取的结构实测数据，然后通过计算协方差矩阵，使用特征值分解或奇异值分解的方法对数据进行降维和子空间分解，最后通过分解得到的子空间矩阵经过信号处理和统计分析的方法，提取出结构的模态信息。所述结构模态参数包括固有频率、振型以及阻尼。
所述云端根据所述结构模态参数对结构动力学数值模型进行参数更新标定，得到所述目标建筑的实际动力特征数值模型。
所述结构动力学数值模型包括多自由度模型、杆系单元模型、壳单元模型或实体单元模型（结构动力学模型类别和用于模型标定的指标，能够得到反映真实结构动力特性的模型即可）。
结构动力学数值模型的标定方法是保持初始建立参数不变，让粒子群算法以实测到的模态参数为目标，不断迭代，每标定一次输出结构的频率和振型，跟目标去对比，直至差距在可接受的范围内，得到精准的数值模型。
其中，粒子群算法过程包括：1.目标函数定义：定义一个目标函数，用于衡量模型的预测结果与实际观测数据之间的差异。这个目标函数可以衡量频率和振型之间的差距，或其他合适的度量指标。2.粒子群初始化：初始化一群粒子，每个粒子代表一个可能的参数组合。根据初始参数设置，为每个粒子分配一个初始位置和速度。3.迭代优化：通过不断迭代，更新粒子的位置和速度，以搜索更优的参数组合。在每次迭代中，根据当前的参数组合计算目标函数值，并与实际观测数据的目标值进行比较。4.参数更新：根据粒子的当前位置和速度，更新模型的参数。这可以通过调整初始参数的权重或比例来实现。
模型更新模块14用于利用识别的模态参数对结构动力学数值模型进行标定，得到反应建筑实际动力特性的数值模型；标定的过程指的是调整更新数值模型的参数，使得模型进行模态分析得到的模态参数与实际结构吻合，常常调整的参数有材料性质、几何参数以及阻尼参数等。
云服务器获得来自传感器网络各节点的历史振动数据，并采用协方差驱动的随机子空间法（SSI-COV，随机子空间法是一种通过分析系统的输入和输出数据来提取系统的振动模态和动态特性的方法。通过将采集到的数据进行预处理后计算协方差矩阵，并对矩阵进行特征值或奇异值分解得到信号子空间，最后选取适当的模态数目提取模态参数。）进行运行模态分析，识别出大楼弱轴方向的前四阶固有频率（见表1试验结果），前四阶振型见图7实线部分；将识别的建筑模态参数（固有频率、振型）用于建筑动力学数值模型（弯剪耦合模型）的标定，得到建筑动力学数值模型，标定后的数值模型沿大楼弱轴方向的前四阶固有频率见表1数值模拟结果，前四阶振型见图7虚线部分。由表1和图7可见，试验和数值模拟的前四阶模态结果吻合良好（如图7所示）。
表1：由试验和数值模拟进行模态分析获得的沿弱轴的四个固有频率表：
步骤S50、所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵。
具体地，所述云端根据所述当前异常振动频率设置对应的简谐荷载，并将所述简谐荷载分别施加至所述实际动力特征数值模型的各层，以对所述目标建筑进行多个加载工况作用下的振动响应分析，模拟得到所述目标建筑在多个加载工况作用下各个楼层的模拟振动响应数据；
获取所述模拟振动响应数据中所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，对所述频响模拟幅值向量进行归一化处理，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵。
仿真分析模块15用于对标定后的数值模型开展仿真分析，根据识别的异常振动频率ω设置相应频率的简谐荷载P = Asin ωt，将简谐荷载P逐层施加到标定后的数值模型，提取与实际测试中测点相同楼层的频谱响应（其他各楼层也会有振动影响，如图5所示，8Hz逐层激振模型后，提取与实际测试中测点相同楼层的频谱响应，即第17、14、11、8和5层的频谱图，都可以看到8Hz处有明显的幅值，将这五层激振后的幅值分别归一化后构建特征矩阵W），并根据激振频率的幅值构建模拟简谐激励频谱幅值特征矩阵W，
；
其中，矩阵W中的每一列（列向量）对应某一楼层激振的模拟工况，表示每一测试楼层模拟简谐激励频谱幅值，j对应激振模拟工况个数，k对应目标建筑层数；A为简谐荷载的振幅，t指的是相对时间，即以采集到的第一个数据的时间为时间零点，后续时间依次累加。
如图8所示，云服务器获取传感器网络的异常频率8Hz及相应幅值，并根据各传感器节点识别的异常频率幅值（即各楼层的异常频率幅值）构建实测异常振动频谱幅值特征向量。
如图9所示，利用标定后的建筑动力学数值模型开展仿真分析，设置振动频率为8Hz的简谐激励P = sin 8t作为数值模型的荷载输入，逐层进行激励，得到在各个楼层激振的振动频谱，并提取异常频率对应的幅值构建不同楼层激励下的模拟简谐激励频谱幅值特征向量（如图9所示）。
步骤S60、所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
具体地，所述云端将所述边缘端提取的不同楼层的所述当前异常振动幅值进行归一化处理，得到当前异常振动幅值特征向量；所述云端将所述当前异常振动幅值特征向量与所述模拟幅值特征矩阵中的向量进行相乘，得到相似度向量s，其中，特征向量v与矩阵W中每一个向量相乘，依据矩阵的乘法，最后组合得到相似度向量s，
；
其中，矩阵W中的每一列对应某一楼层激振的模拟工况，j对应激振模拟工况个数，k对应目标建筑层数，v、W、s中的所有元素的大小均在0~1之间，即ρj， φjk， sk ∈ [0，1]）j是指异常振动频谱幅值特征行向量v中的第j个数，jk 表示的是简谐激励频谱幅值特征矩阵W中的第j行k列的元素，j表示行数，k表示列数，例如表示矩阵W中第一行第二列的数，对应的工况为在17层对数值模型进行模拟激振时14层的频谱8Hz幅值归一化后的值。
所述云端根据所述相似度向量中的最大值所在的位置确定所述目标建筑的实际异常振动楼层。
振动定位模块16用于采用公式s = v×W来评价v与W中的任意一个向量的相似程度，即将特征向量v依次与矩阵W中的每一个向量φk相乘得到相似度系数sk，最终得到相似度向量s，根据相似度向量s中最大的元素（特征向量与矩阵中每个向量相乘都会得到一个数值，最后组合得到相似度向量s。相似度向量s中的最大值就是异常振动源所在楼层，如本发明实施例中，s=[0.9559 0.6861 0.7189 0.6597 0.6027]，最大值为第一个0.9559，即表明异常振动源在5层）对应的模拟激振楼层来确定实际异常振动源的楼层位置l，l =argmax(s)，argmax（）表示返回一个列表中最大值对应的编号，即为返回相似系数最大对应的楼层编号，并将该值附给变量l（楼层位置）。
显示模块17结合结构的BIM模型，用于显示异常振动特征信息（异常频率以及异常振动源位置）。
如图10所示，采用相似度计算公式s = v×W计算得到频谱幅值特征相似度向量s，结果表明，本发明准确预测出了8Hz简谐激振源（振动台）的位置为第5层（相似度最高）。据此验证了本发明提出的方法的可靠性。
如图10所示：当建筑物第5层发生8Hz异常振动，实测得到的第17、14、11、8、5层异常振动频率的幅值分别为0.00648、0.03716、0.00868、0.04029、0.02738。接着，对这五个幅值进行归一化，将数据映射到0-1范围内方便数据处理与对比，归一化的过程如下：
（1）计算0.00648、0.03716、0.00868、0.04029、0.02738平方和再开根，平方和约为0.00387，开平方根约为0.062；
（2）将每个数值除以该平方根，得到归一化后的值最终得到的实测异常振动频谱幅值特征向量v=[0.1041 0.5972 0.1395 0.6476 0.4401]向量里所有值的平方和等于1。
特征矩阵的构建方法与特征向量构建方法相同，对标定后的数值模型进行逐层激振，分别取在第17、14、11、8、5层的激振结果，得到五个列向量（注意此处为列向量，因为后面要采用s = v×W的方式得到相似度向量），将五个列向量得到5×5的矩阵W，即为模拟简谐激励频谱幅值特征矩阵。
最后采用公式s = v×W评判实测结果与模拟结果的相似程度，得到相似度向量s=[0.9559 0.6861 0.7189 0.6597 0.6027]，从左到右依次表示实际5层发生异常振动时的频谱特征与分别在5、8、11、14、17层模拟激振时的频谱特征的相似度，可以看到对应在5层激振时实测结果与模拟结果相似程度最高，即可判定发生于5层。
综上，本发明的对建筑异常振动源的定位过程可以分为7个步骤：
步骤一：多个加速度传感器节点同步采集结构正常运行时的振动响应作为历史振动数据。利用每个节点的历史振动数据进行短时傅里叶变换，获得每个窗的短时傅里叶谱。然后从所有短时傅里叶谱中提取不同频率点相应幅值的最大值，得到每个节点的历史振动频谱包络线；
步骤二：利用多个节点的历史振动数据进行运行模态分析，得到结构的模态参数（频率、振型等）；
步骤三：将结构的模态参数输入模型更新模块，得到更新后的结构动力学数值模型；
步骤四：多个节点采集结构发生异常振动时的当前振动数据经短时傅里叶变换得到当前振动频谱；
步骤五：根据历史振动频谱包络线提取当前振动频谱中的异常频率及其幅值。根据各层异常频率的幅值构建实测的异常振动频谱幅值特征向量；
步骤六：仿真分析模块设置异常频率对应的简谐荷载输入更新后的结构动力学数值模型，对模型进行逐层激振，得到结构各层频谱，根据频谱中异常频率的幅值构建模拟的异常振动频谱幅值特征向量，并输出特征矩阵；
步骤七：振动定位模块将实测的异常振动频谱幅值特征向量与模拟的异常振动频谱幅值特征矩阵相乘，得到相似度向量，根据相似度向量中最大的相似度系数确定异常振动源所在的楼层。
本发明有益效果：
1.本发明实现了结构异常振动溯源分析的科学化和高准确率。本发明提出了一种基于边云协同的建筑异常振动源定位方法。相比于传统的基于经验的振动异常检测方法，本发明可实现结构异常振动的快速检测和准确定位，为建筑以及桥梁等基础设施的安全运行和维护提供帮助，提高基础设施的安全应急响应水平。
2.实现了结构异常振动溯源分析的近实时性和高自动化。本发明提出了一种基于边云协同的建筑异常振动源定位方法，通过在边缘端自动开展振动数据巡检，提取异常振动的频率及幅值并上传云服务器，云端则根据边缘端识别的异常振动特征开展仿真分析，通过对比边缘端的实测结果和云端的仿真分析结果定位实际异常振动源的位置。相比于传统费时（往往数天或数月）费力的人工检测方法，本发明结合了边缘计算超低的时延特性与云计算强大的资源服务能力，可实现高效的、近实时（分钟级）的结构异常振动识别与定位，大大减少由于需进行异常诊断导致基础设施运营期长时间停转从而造成的社会经济损失，有助于维护生命安全和社会稳定。
进一步地，如图11所示，基于上述基于边云协同的建筑异常振动源定位方法，本发明还相应提供了一种基于边云协同的建筑异常振动源定位系统，其中，所述基于边云协同的建筑异常振动源定位系统包括：边缘端51和云端52；
所述边缘端用于采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；
所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有基于边云协同的建筑异常振动源定位程序，所述基于边云协同的建筑异常振动源定位程序被处理器执行时实现如上所述的基于边云协同的建筑异常振动源定位方法的步骤。
综上所述，本发明提供一种基于边云协同的建筑异常振动源定位方法及相关设备，所述方法包括：边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；所述边缘端将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。本发明通过设置边缘端采集建筑的历史振动数据以及当前振动数据，当判定发生异常振动时，获取当前振动数据中的特征向量，并将数据都发送至云端进行数据分析，云端通过建立的实际动力特征数值模型构建模拟幅值矩阵，并根据模拟幅值矩阵与特征向量来定位建筑发生异常振动的振动源所处的楼层，能够自动对建筑发生的振动进行监测，同时，还能够有效识别建筑环境中特定频率的异常振动并准确预测振动源位置，以此来实现建筑异常振动的自动定位。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的计算机可读存储介质中，所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于边云协同的建筑异常振动源定位方法，其特征在于，所述基于边云协同的建筑异常振动源定位方法包括：
边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；
当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；
所述边缘端将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；
所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；
所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；
所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
2.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述边缘端采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱，具体包括：
所述边缘端采集所述目标建筑的历史振动数据，并将所述历史振动数据进行短时傅里叶变换，得到历史振动频谱包络线；
所述边缘端采集所述目标建筑的当前振动数据，并将所述当前振动数据进行短时傅里叶变换，得到当前振动频谱。
3.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值，具体包括：
所述边缘端将所述当前振动频谱与所述历史振动频谱包络线的预设频谱幅值阈值进行对比；
当所述当前振动频谱中任一频点幅值大于所述预设频谱幅值阈值时，所述边缘端判定所述当前振动数据为异常振动数据；
所述边缘端获取所述当前振动数据中大于所述预设频谱幅值阈值的频点对应的当前异常振动频率，并根据所述当前异常振动频率对应的频响幅值得到当前异常振动幅值。
4.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型，具体包括：
当所述云端接收到所述历史振动数据时，所述云端根据所述历史振动数据进行运行模态分析，得到所述目标建筑的结构模态参数；
所述云端根据所述结构模态参数对结构动力学数值模型进行参数更新标定，得到所述目标建筑的实际动力特征数值模型。
5.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述云端将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵，具体包括：
所述云端根据所述当前异常振动频率设置对应的简谐荷载，并将所述简谐荷载分别施加至所述实际动力特征数值模型的各层，以对所述目标建筑进行多个加载工况作用下的振动响应分析，模拟得到所述目标建筑在多个加载工况作用下各个楼层的模拟振动响应数据；
获取所述模拟振动响应数据中所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，对所述频响模拟幅值向量进行归一化处理，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵。
6.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述云端将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层，具体包括：
所述云端将所述边缘端提取的不同楼层的所述当前异常振动幅值进行归一化处理，得到当前异常振动幅值特征向量；
所述云端将所述当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量；
所述云端根据所述相似度向量中的最大值所在的位置确定所述目标建筑的实际异常振动源所在楼层。
7.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述结构模态参数包括固有频率、振型以及阻尼。
8.根据权利要求1所述的基于边云协同的建筑异常振动源定位方法，其特征在于，所述结构动力学数值模型包括多自由度模型、杆系单元模型或壳单元模型。
9.一种基于边云协同的建筑异常振动源定位系统，其特征在于，所述基于边云协同的建筑异常振动源定位系统包括：边缘端和云端；
所述边缘端用于采集目标建筑的历史振动数据和当前振动数据，根据所述历史振动数据得到历史振动频谱包络线，并根据所述当前振动数据得到当前振动频谱；当所述边缘端根据所述当前振动频谱和所述历史振动频谱包络线判定所述当前振动数据为异常振动数据时，则提取所述当前振动数据对应的当前异常振动频率和当前异常振动幅值；将所述历史振动数据、所述当前异常振动频率以及所述当前异常振动幅值发送至云端；
所述云端根据所述历史振动数据进行运行模态分析，得到结构模态参数，并根据所述结构模态参数对结构动力学数值模型进行标定，得到所述目标建筑的实际动力特征数值模型；将所述当前异常振动频率对应的简谐荷载分别施加至所述实际动力特征数值模型的各层，进行多个加载工况作用下的振动响应分析，得到多个加载工况作用下的所述当前异常振动频率对应的所述目标建筑中各个楼层的频响模拟幅值向量，并根据多个加载工况作用下的所述频响模拟幅值向量构建模拟幅值特征矩阵；将所述当前异常振动幅值对应的当前异常振动幅值特征向量与所述模拟幅值特征矩阵进行相乘，得到相似度向量，并根据所述相似度向量定位所述目标建筑的实际异常振动源所在楼层。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于边云协同的建筑异常振动源定位程序，所述基于边云协同的建筑异常振动源定位程序被处理器执行时实现如权利要求1-8任一项所述的基于边云协同的建筑异常振动源定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131023.1A CN116861544B (zh) | 2023-09-04 | 2023-09-04 | 一种基于边云协同的建筑异常振动源定位方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131023.1A CN116861544B (zh) | 2023-09-04 | 2023-09-04 | 一种基于边云协同的建筑异常振动源定位方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116861544A CN116861544A (zh) | 2023-10-10 |
| CN116861544B true CN116861544B (zh) | 2024-01-09 |
Family
ID=88229010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311131023.1A Active CN116861544B (zh) | 2023-09-04 | 2023-09-04 | 一种基于边云协同的建筑异常振动源定位方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861544B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117081260B (zh) * | 2023-10-12 | 2023-12-22 | 南京江行联加智能科技有限公司 | 应用边缘计算的可视化人工智能巡检系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010276518A (ja) * | 2009-05-29 | 2010-12-09 | Central Res Inst Of Electric Power Ind | 常時微動計測に基づく建物の健全性診断法、診断装置及び診断プログラム |
| JP2015184140A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社Ｎｔｔファシリティーズ | 構造材の損傷探知システム、構造材の損傷探知方法、及びプログラム |
| JP2017058373A (ja) * | 2016-10-14 | 2017-03-23 | 株式会社Ｎｔｔファシリティーズ | 建物耐震性評価システム及び建物耐震性評価方法 |
| CN106768758A (zh) * | 2016-12-08 | 2017-05-31 | 北京科技大学 | 一种基于非线性振动的简支混凝土梁损伤识别方法 |
| CN110470738A (zh) * | 2019-08-22 | 2019-11-19 | 上海交通大学 | 基于振动响应差比函数的结构损伤识别方法 |
| CN112816352A (zh) * | 2021-01-06 | 2021-05-18 | 深圳大学 | 工程结构损伤识别方法、装置、计算机设备及存储介质 |
| CN114923650A (zh) * | 2022-05-06 | 2022-08-19 | 暨南大学 | 基于振型差比矩阵与模式匹配的结构损伤快速识别方法 |
| CN115577587A (zh) * | 2022-09-30 | 2023-01-06 | 华中科技大学 | 一种历史建筑健康状态监测方法及系统 |
| CN116226719A (zh) * | 2023-03-10 | 2023-06-06 | 杭州安脉盛智能技术有限公司 | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 |
| KR20230103456A (ko) * | 2021-12-31 | 2023-07-07 | 경북대학교 산학협력단 | 건축 구조물의 안전성을 평가하는 구조물 안전 평가 방법 및 상기 방법을 수행하는 구조물 안전 평가 장치 |
-
2023
- 2023-09-04 CN CN202311131023.1A patent/CN116861544B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010276518A (ja) * | 2009-05-29 | 2010-12-09 | Central Res Inst Of Electric Power Ind | 常時微動計測に基づく建物の健全性診断法、診断装置及び診断プログラム |
| JP2015184140A (ja) * | 2014-03-24 | 2015-10-22 | 株式会社Ｎｔｔファシリティーズ | 構造材の損傷探知システム、構造材の損傷探知方法、及びプログラム |
| JP2017058373A (ja) * | 2016-10-14 | 2017-03-23 | 株式会社Ｎｔｔファシリティーズ | 建物耐震性評価システム及び建物耐震性評価方法 |
| CN106768758A (zh) * | 2016-12-08 | 2017-05-31 | 北京科技大学 | 一种基于非线性振动的简支混凝土梁损伤识别方法 |
| CN110470738A (zh) * | 2019-08-22 | 2019-11-19 | 上海交通大学 | 基于振动响应差比函数的结构损伤识别方法 |
| CN112816352A (zh) * | 2021-01-06 | 2021-05-18 | 深圳大学 | 工程结构损伤识别方法、装置、计算机设备及存储介质 |
| KR20230103456A (ko) * | 2021-12-31 | 2023-07-07 | 경북대학교 산학협력단 | 건축 구조물의 안전성을 평가하는 구조물 안전 평가 방법 및 상기 방법을 수행하는 구조물 안전 평가 장치 |
| CN114923650A (zh) * | 2022-05-06 | 2022-08-19 | 暨南大学 | 基于振型差比矩阵与模式匹配的结构损伤快速识别方法 |
| CN115577587A (zh) * | 2022-09-30 | 2023-01-06 | 华中科技大学 | 一种历史建筑健康状态监测方法及系统 |
| CN116226719A (zh) * | 2023-03-10 | 2023-06-06 | 杭州安脉盛智能技术有限公司 | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 |
Non-Patent Citations (4)
| Title |
|---|
| Output-Only Damage Detection of Shear Building Structures Using an Autoregressive Model-Enhanced Optimal Subpattern Assignment Metric;Liu Mei .et;sensors;第1-32页 * |
| 古塔结构整体性损伤检测的微动测试技术应用研究;范岩旻;李森曦;彭冬;车爱兰;;应用力学学报;第33卷(第01期);第61-68页 * |
| 基于神经网络的建筑结构损伤识别方法;孙红跃;董峰;;控制工程;第22卷(第02期);第287-290页 * |
| 框架结构损伤定位的比例柔度矩阵分解法试验研究;安永辉;欧进萍;;振动工程学报;第27卷(第06期);第819-826页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116861544A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102027252B1 (ko) | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 | |
| Araújo et al. | Operational modal analysis using SVD of power spectral density transmissibility matrices | |
| EP1250579B1 (en) | Method for vibration analysis | |
| Frigui et al. | Global methodology for damage detection and localization in civil engineering structures | |
| KR101907589B1 (ko) | 확장 칼만 필터와 유전자 알고리즘을 이용한 건축 구조물 시스템 식별 장치 및 그 방법 | |
| CN104166804B (zh) | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 | |
| Ditommaso et al. | Damage detection on framed structures: modal curvature evaluation using Stockwell Transform under seismic excitation | |
| CN106525226B (zh) | 一种基于现场振动载荷识别的评估方法及系统 | |
| CN116861544B (zh) | 一种基于边云协同的建筑异常振动源定位方法及相关设备 | |
| Yao et al. | Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method | |
| KR101529690B1 (ko) | Tdd 기법을 이용한 건물 진동 모니터링 시스템 | |
| KR102064328B1 (ko) | 건축물 지진 피해 예측 정보 제공 장치 및 그 방법 | |
| JP6429042B2 (ja) | 地盤特性を自動校正する現地型地震早期警報システム及び関連方法 | |
| Le et al. | Computationally efficient stochastic approach for the fragility analysis of vertical structures subjected to thunderstorm downburst winds | |
| Lakshmi et al. | Output-only damage localization technique using time series model | |
| Jiang et al. | A hybrid multiple damages detection method for plate structures | |
| Wang et al. | Comparison of different independent component analysis algorithms for output-only modal analysis | |
| JP4996134B2 (ja) | 固有振動モード抽出方法、固有振動モード抽出装置、および固有振動モード抽出用プログラム | |
| Owerko et al. | Effective processing of radar data for bridge damage detection | |
| Souza et al. | Impact of damping models in damage identification | |
| Wang et al. | Damping identification with acceleration measurements based on sensitivity enhancement method | |
| Jiang et al. | Non-Gaussian random vibration fatigue analysis and accelerated test | |
| Rainieri et al. | Performance assessment of selected OMA techniques for dynamic identification of geotechnical systems and closely spaced structural modes | |
| JP2020112445A (ja) | 地震情報処理装置 | |
| Niri et al. | Acoustic emission (AE) source localization using extended Kalman filter (EKF) |
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 |