CN117451113A - 基于光纤传感的自升式平台桩腿结构健康监测系统 - Google Patents
基于光纤传感的自升式平台桩腿结构健康监测系统 Download PDFInfo
- Publication number
- CN117451113A CN117451113A CN202311774929.5A CN202311774929A CN117451113A CN 117451113 A CN117451113 A CN 117451113A CN 202311774929 A CN202311774929 A CN 202311774929A CN 117451113 A CN117451113 A CN 117451113A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- data points
- points
- spectrogram
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 91
- 230000036541 health Effects 0.000 title claims abstract description 34
- 239000013307 optical fiber Substances 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000001186 cumulative effect Effects 0.000 claims description 19
- 238000005452 bending Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 239000000835 fiber Substances 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 7
- 201000010099 disease Diseases 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 22
- 230000008859 change Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 229920000049 Carbon (fiber) Polymers 0.000 description 5
- 238000009933 burial Methods 0.000 description 5
- 239000004917 carbon fiber Substances 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004744 fabric Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 239000002390 adhesive tape Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003822 epoxy resin Substances 0.000 description 2
- 239000003063 flame retardant Substances 0.000 description 2
- 239000003292 glue Substances 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 229920000647 polyepoxide Polymers 0.000 description 2
- 229920000098 polyolefin Polymers 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及基于光纤传感的自升式平台桩腿结构健康监测系统,包括:数据采集模块、匹配分量模块、预测模型模块和结构监测模块,通过匹配分量模块对数据进行分解和匹配,接着使用预测模型模块进行数据预测和补偿操作,最后通过结构监测模块实现对自升式平台状态结构的健康监测。本发明提高了应力数据的准确性,进一步提高了监测系统对自升式平台桩腿结构健康的监测结果的准确性,从而避免了潜在的安全风险,为自升式平台的运行和维护提供了科学依据,提高了其桩腿结构的安全性和可靠性。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及基于光纤传感的自升式平台桩腿结构健康监测系统。
背景技术
自升式平台作为一种移动式海上装备,能够搭载勘探设备和工程机械等设施,在海上进行勘探和开发作业。自升式平台由平台主体结构、桩腿和升降系统组成,通过插入海床中的桩腿来支撑平台,并可根据水深变化进行升降调整。然而,随着作业范围向深远海拓展,平台设计尺寸和作业水深不断增加,桩腿所受荷载和受力状况变得更加复杂,因此进行桩腿结构健康监测尤为重要。
目前,通过密集分布式光纤传感技术可以实现对桩腿主弦管全长的应变监测,相对于传统传感器来说,海洋环境下,传统光缆更加耐腐蚀,耐高温,在海洋平台等特殊环境下具有更好的可靠性和稳定性。但是,由于密集分布式光纤传感技术在监测过程中,为了保证数据准确性,使得对数据处理的要求较高,因此需要对获取的数据进行监控,并对数据损失部分进行补偿,以提高对桩腿结构健康监测的结果精度,避免桩腿结构的安全风险。
发明内容
本发明提供基于光纤传感的自升式平台桩腿结构健康监测系统,以解决现有的问题。
本发明的基于光纤传感的自升式平台桩腿结构健康监测系统采用如下技术方案:
本发明一个实施例提供了基于光纤传感的自升式平台桩腿结构健康监测系统,该系统包括以下模块:
数据采集模块,用于采集多维监测数据和应力数据;
匹配分量模块,用于对任意监测数据和应力数据分别进行分解获得监测数据和应力数据的若干IMF分量,构建二分图,将监测数据和应力数据的IMF分量作为二分图的节点,获取任意节点对应IMF分量的语谱图以及语谱图中的边缘线,根据语谱图中边缘线之间的距离以及边缘线之间数据点的斜率差异获取二分图中节点之间边的边权值,根据边的边权值大小获得在监测数据下节点对应的IMF分量在应力数据中的匹配分量;
预测模型模块,用于利用匹配分量对应语谱图中边缘线的端点,对匹配分量进行划分获得若干个分段分量,获取分段分量之间的累积距离矩阵,根据任意语谱图中任意时间点下所有数据点的能量值获得对应时间点下的能量分布曲线,根据语谱图中边缘线上相邻时间点下数据点在能量分布曲线中的斜率差异,获得数据点的分布特征,利用数据点的分布特征对分段分量之间的累积距离矩阵进行调节获得新累积距离矩阵,利用新累计距离矩阵对分段分量之间的数据点进行匹配获得匹配数据点,根据匹配数据点对应时间点之间的差异构建应力数据的ARIMA预测模型;
结构监测模块,用于利用应力数据的ARIMA预测模型进行自升式平台状态结构健康监测。
进一步地,所述对任意监测数据和应力数据进行分解获得监测数据和应力数据的若干IMF分量,构建二分图,将监测数据和应力数据的IMF分量作为二分图的节点,包括的具体方法为:
首先,将多维监测数据中的任意一个监测数据记为目标数据,利用EMD分解算法对目标数据和应力数据分别进行分解,获得目标数据和应力数据分别对应的若干IMF分量,将目标数据的IMF分量记为第一分量;将应力数据的IMF分量记为第二分量;
然后,构建二分图,将目标数据的每个第一分量作为二分图的一个左节点,将应力数据的每个第二分量作为二分图的一个右节点,将二分图中的左节点和右节点统称为节点。
进一步地,所述获取任意节点对应IMF分量的语谱图以及语谱图中的边缘线,根据语谱图中边缘线之间的距离以及边缘线之间数据点的斜率差异获取二分图中节点之间的边权值,根据边权值获得匹配分量,包括的具体方法为:
将二分图中的任意左节点和右节点进行组合获得若干匹配组合,在二分图中每一个匹配组合对应一个边;
获取二分图中任意节点对应IMF分量的语谱图,语谱图中一个数据点在水平轴上对应一个时间点,在垂直轴上对应一个频率值,数据点的亮度表示数据点的能量值;
预设梯度阈值,梯度阈值T在区间/>内从小到大迭代且迭代步长为/>,结合梯度阈值/>并利用Sobel算子对任意匹配组合中两个节点对应语谱图进行边缘检测,获得语谱图中对应梯度阈值下的若干边缘线,其中/>、/>和/>均为预设的超参数;
对于任意语谱图在任意梯度阈值下的若干个边缘线中,获取任意两个边缘线的端点,将一个边缘线的任意端点与另一个边缘线的任意端点之间的欧氏距离记为两个边缘线之间的距离因子,将两个边缘线之间的最小距离因子记为两个边缘线之间的距离参数;根据距离参数以及边缘线之间数据点的斜率差异获得边缘线之间的基准度;
根据基准度的大小将语谱图中的边缘线进行连接获得合边缘线,利用梯度阈值对匹配关系中两个节点对应的两个语谱图中合边缘线之间的距离进行加权,获得两个语谱图对应节点在二分图中对应边的边权值;
结合二分图中左节点和右节点之间对应边的边权值,利用KM算法获取二分图中左节点和右节点之间的匹配关系,在存在匹配关系的两个节点所对应的两个IMF分量中,将一个IMF分量称为另一个IMF分量的匹配分量。
进一步地,所述根据距离参数以及边缘线之间数据点的斜率差异获得边缘线之间的基准度,包括的具体方法为:
获取任意两个边缘线之间的基准度,具体计算方法为:
;
其中,表示边缘线/>和边缘线/>之间的基准度;/>表示边缘线/>和边缘线/>之间的距离参数;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示以自然常数为底数的指数函数;/>表示绝对值符号。
进一步地,所述根据基准度的大小将语谱图中的边缘线进行连接获得合边缘线,利用梯度阈值对匹配关系中两个节点对应的两个语谱图中合边缘线之间的距离进行加权,获得两个语谱图对应节点在二分图中对应边的边权值,包括的具体方法为:
当两个边缘线之间的基准度大于等于预设的基准度阈值时,将两个边缘线最近的两个端点进行连接获得新边缘线,获取新边缘线与语谱图像中其他边缘线之间的基准度,以此类推,直至边缘线之间的基准度小于基准度阈值时,停止连接,将语谱图中最终得到的任意边缘线记为合边缘线;
对于任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下得到的合边缘线,将所述两个语谱图的任意一个语谱图记为第一语谱图,将另一个语谱图记为第二语谱图,将第一语谱图中的合边缘线记为第一合边缘线,将第二语谱图中的合边缘线记为第二合边缘线,利用DTW算法获取第一语谱图中任意第一合边缘线与第二语谱图中所有第二合边缘线之间的DTW距离最小值,记为第一语谱图中第一合边缘线的相似参数,利用相似参数的获取方法获取所有合边缘线的相似参数;将任意语谱图中所有合边缘线的平均相似参数的倒数记为语谱图的综合相似参数;任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下,将两个语谱图的综合相似参数的均值记为所述两个语谱图在对应梯度阈值下的阈值相似参数;
将记为梯度阈值的权值参数,其中/>表示所有梯度阈值中的最小值,/>表示梯度阈值;将任意梯度阈值下的阈值相似参数与对应梯度阈值的权值参数之间的乘积,记为对应两个语谱图在的加权阈值相似参数,将两个语谱图在所有梯度阈值下的加权阈值相似参数的均值记为两个语谱图的最终相似参数,将最终相似参数作为两个语谱图对应节点在二分图中对应边的边权值。
进一步地,所述利用匹配分量对应语谱图中边缘线的端点,对匹配分量进行划分获得若干个分段分量,获取分段分量之间的累积距离矩阵,包括的具体方法为:
首先,对于任意两个匹配分量,获取匹配分量对应语谱图在最小梯度阈值下的边缘线,将任意两个边缘线形成的组合记为对比边缘组合,利用DTW算法获取对比边缘组合中边缘线之间的DTW距离,将DTW距离最小时对应的对比边缘组合记为目标边缘组合,将目标边缘组合中的边缘线记为目标边缘线,将目标边缘线的端点在语谱图中对应的时间点记为匹配分量的标记时刻;
然后,利用标记时刻将对应的匹配分量进行划分,获得若干个时间段下匹配分量的分段数据,记为分段分量,将两个匹配分量的相同时间段下对应的分段分量形成的组合记为分段分量组合,利用DTW算法获取分段分量组合中两个分段分量之间的累积距离矩阵。
进一步地,所述根据任意语谱图中任意时间点下所有数据点的能量值获得对应时间点下的能量分布曲线,根据语谱图中边缘线上相邻时间点下数据点在能量分布曲线中的斜率差异,获得数据点的分布特征,包括的具体方法为:
将语谱图中能量值不为0的数据点记为能量点,将语谱图中任意一个时间点下所有能量点对应能量值形成的曲线记为能量分布曲线;
获取任意分段分量的语谱图在任意梯度阈值下频率值最大的数据点对应的边缘线记为频率边缘线,将频率边缘线中的所有数据点记为目标数据点,获取每个目标数据点在对应能量分布曲线中的斜率值记为目标数据点的能量斜率,将语谱图中第个时间点下的目标数据点与第/>个时间点下的目标数据点之间能量斜率的比值记为第/>个时间点下的目标数据点的斜率比参数;
获取目标数据点的分布特征,具体计算方法为:
;
其中,表示第/>个时间点下的目标数据点的分布特征;/>表示第/>个时间点下的目标数据点所属边缘线中所有目标数据点的数量;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个目标数据点的序数;/>表示第/>个时间点下的目标数据点在所属边缘线中的序数;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个时间点下的目标数据点的斜率比参数;/>表示绝对值符号;
利用目标数据点的分布特征的获取方法,获取分段分量组合中两个分段分量分别在每个时间点下对应数据点的分布特征。
进一步地,所述利用数据点的分布特征对分段分量之间的累积距离矩阵进行调节获得新累积距离矩阵,包括的具体方法为:
分段分量组合的两个分段分量之间的累积距离矩阵中,第行与一个分段分量中的第/>个时间点下的数据点对应,第/>列与另一个分段分量中的第/>个时间点下的数据点对应,将/>记为累积距离矩阵中第/>行、第/>列对应元素的距离权重,其中/>表示第/>个数据点的分布特征,/>表示第/>个数据点的分布特征,/>表示绝对值符号,表示以自然常数为底数的指数函数,将累积距离矩阵中每个元素与对应的距离权重相乘,获得新累积距离矩阵。
进一步地,所述利用新累计距离矩阵对分段分量之间的数据点进行匹配获得匹配数据点,根据匹配数据点对应时间点之间的差异构建应力数据的ARIMA预测模型,包括的具体方法为:
首先,结合新累积距离矩阵,并利用DTW算法获取分段分量组合的两个分段分量内形成匹配关系的数据点,记为匹配数据点,将两个匹配数据点对应数据点之间的差值绝对值记为两个匹配数据点之间的时差参数,分别获取监测数据和应力数据中所有IMF分量在同时间点下数据点与对应匹配数据点之间的平均时差参数,记为监测数据中对应时间点下数据点的滞后时间间隔;
然后,将多维监测数据中所有监测数据的同时间点下数据点的滞后时间间隔均值,作为应力数据的ARIMA模型的自回归阶数,获得应力数据的ARIMA预测模型。
进一步地,所述利用应力数据的ARIMA预测模型进行自升式平台状态结构健康监测,包括的具体方法为:
利用应力数据的ARIMA预测模型获取应力数据的预测值,将应力数据的预测值作为对应时间点下数据点的应力值,获得新应力数据;
根据新应力数据获取自升式平台桩腿的主弦管的弯曲应变、轴向应变、挠度、轴力以及偏心力矩;
获取施工标准中主弦管上的轴向应变、弯曲应变、端部挠度、轴力和偏心力矩的阈值,当主弦管上的轴向应变、弯曲应变、挠度、轴力和偏心力矩任意一个物理量超过对应的阈值时,通过自升式平台上的报警器进行报警。
本发明的技术方案的有益效果是:通过对采集到的数据进行分解和匹配,可以更好地了解各种因素对平台桩腿结构健康产生的影响,即温度变化、湿度变化对应力变化产生的影响,并利用预测模型对应力数据进行预测和补偿操作,提高了应力数据的准确性,进一步提高了监测系统对自升式平台桩腿结构健康的监测结果的准确性,从而避免了潜在的安全风险,为自升式平台的运行和维护提供了科学依据,提高了其结构的安全性和可靠性。
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,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地介绍,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他的附图。
图1为本发明基于光纤传感的自升式平台桩腿结构健康监测系统的结构框图;
图2为本发明的桩腿光缆布设示意图;
图3为本发明的设备机柜及太阳能电板示意图;
图4为本发明的设备机柜内部设备示意图;
图5为本发明的光缆粘贴细节示意图;
图6为本发明的光缆组成示意图;
图7为本发明的桩腿三根主弦管示意图;
图8为桩腿应变与弯曲方位关系示意图;
图9为本发明的监测数据计算图;
其中,图2中的标号为:设备平台1、设备机柜2、太阳能板3、第一密集分布式应变传感光缆4、第二密集分布式应变传感光缆5;
图3中的标号为:设备机柜2、太阳能板3、外侧钢板结构盖板31、螺栓32;
图4中的标号为:电池组21、电池控制器22、分布式光纤解调仪23、光纤终端盒24、无线数传模块25;
图5中的标号为:第一密集分布式应变传感光缆4、第二密集分布式应变传感光缆5、主弦管6、碳纤维布7;
图6中的标号为:0.9mm光缆41、低烟无卤阻燃聚烯烃护套料42;
图7中的标号为:51、52、53均为桩腿的三根主弦管。
具体实施方式
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基于光纤传感的自升式平台桩腿结构健康监测系统,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。
下面结合附图具体的说明本发明所提供的基于光纤传感的自升式平台桩腿结构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基于光纤传感的自升式平台桩腿结构健康监测系统的结构框图,该系统包括以下模块:
数据采集模块,用于采集多维监测数据和应力数据。
为了实现本实施例提出的基于光纤传感的自升式平台桩腿结构健康监测系统,首先需要采集多维监测数据和应力数据,具体过程为:
利用温度传感器和湿度传感器获取自升式平台桩腿的多维监测数据,所述多维监测数据包括温度数据和湿度数据,利用光纤传感器获取平台桩腿所受应力的时序数据记为应力数据,所述温度数据中一个数据点对应一个时间点和一个温度值,湿度数据中一个数据点对应一个时间点和一个湿度值,应力数据中一个数据点对应一个时间点和一个应力值。
将数据点的温度值、湿度值和应力值统称为数据点的数据值。
需要说明的是,获取温度数据和湿度数据所采用的传感器分别为温度传感器、湿度传感器以及光纤传感器。
需要说明的是,如图2所示,基于分布式光纤传感技术的盾构式隧道沉降自动监测装置。设备平台1,在距离桩腿顶部6m处安装,设备机柜2由电焊固定安装在设备平台1上,如图3所示,太阳能板3除了下部固定支架外,在外侧钢板结构盖板31通过四个螺栓32固定在支架上。如图4所示,设备机柜2内部包括电池组21、电池控制器22、分布式光纤解调仪23、光纤终端盒24、无线数传模块25,均通过螺栓固定在机柜中。第一密集分布式应变传感光缆4通过胶水粘贴在主弦管内部,三根主弦管各一条光缆。第二密集分布式应变传感光缆5以相同方法铺设在主弦管的连接桁架上,以Z形进行铺设。如图5所示,第一密集分布式应变传感光缆4和第二密集分布式应变传感光缆5粘贴在到主弦管6上时,通过胶水粘贴,再将碳纤维布7粘贴覆盖在光缆上。如图6所示,41是0.9mm光缆,外面再包裹一层42低烟无卤阻燃聚烯烃护套料,最终光缆直径是2mm。
本实施例根据监测线路设计光纤传感器的位置,在已经焊接拼装完成的75m桩腿结构上选择具体安装位置,位置选择应保证光纤传感器通长平直且不易受到吊装、运输及平台组装过程中的施工破坏。
为避免安装过程中,环氧树脂流淌污染主弦管,在光缆布设前,在线路两侧黏贴纸胶带,两条纸胶带之间预留光缆布设施工宽度。其次,沿着路线布设密集分布应变传感光缆4/5,通过涂刷环氧树脂粘贴光缆4/5,要求布设过程平直,边布设边进行预张拉,并做临时固定。最后,用碳纤维布7覆盖光缆线路进行保护,在整条线上刷碳纤维浸渍胶,确保整条线路中浸渍胶完全浸入碳纤维布7中。每根主杆内侧竖向通长各布设1条监测光缆4;斜撑通过Z字形折线形状布设1条监测光缆5。
主弦管运输至海域现场进行拼装,每根主弦管两节拼装完成后,即可开始进行光缆对接。熔接位置将主弦管下部与主弦管上部多条引线分别进行对接,并用光纤不锈钢接续管进行熔接保护。
待主弦管光缆4安装完成后,将引线引至主弦管顶位置,连接在主弦管顶平台1安装的设备机柜2,包括电池组21、电池控制器22、分布式光纤解调仪23、光纤终端盒24、无线数传模块25。其中分布式应变光纤测得的为应变值,同时在布置光纤传感传感器时,还需要采集其他类型的传感器数据,包括不限于:温湿度,环境参数,将采集的多维传感器数据,并且采样频率设置为相同,即同一个时刻均会采集多维数据。采用自动中继无线数传电台通讯,采用LoRa扩频技术,利用设备中转扩展通信距离,可实现40km范围内的数据传输,将数据传给服务器和系统平台,自动实现主弦管结构的健康监测。
至此,通过上述方法得到多维监测数据和应力数据。
匹配分量模块,用于对任意监测数据和应力数据进行分解获得监测数据和应力数据的若干IMF分量,构建二分图,将监测数据和应力数据的IMF分量作为二分图的节点,获取任意节点对应IMF分量的语谱图以及语谱图中的边缘线,根据语谱图中边缘线之间的距离获取二分图中节点之间的边权值,根据边权值获得匹配分量。
需要说明的是,密集分布式光纤传感技术传输过程中,对其扩频信号数据进行采集,获取多维监测数据,由于无线扩频传输过程中,数据传输距离较远,数据存在滞后性,当监测数据存在误差干扰时,其对于滞后数据采样周期影响较大,因此往往需要对采集的多维数据进行补偿。而在补偿过程中,通过一些数据预测算法,来获取补偿的数据。ARIMA模型是一种时间序列预测模型,能够捕获数据的滞后依赖性和趋势行为,常用于数据的补偿。通过对采集的多维数据进行EMD分解分析其不同维度的环境信号与其监测信号数据的之间的频率尺度的上的变化相关关系特征,并通过匹配估计模型获取时间域的相关匹配程度特征,利用其特征对最优滞后采样周期进行估计,并将获取的最优滞后采样周期通过ARIMA算法,对其扩频传输过程中的信号损失进行补偿,校正。
需要说明的是,对采集的多维环境传感器数据以及光纤监测数据进行EMD分解,分析不同维度的监测数据与应力数据之间在频率尺度上的变化相关关系,但是在对数据进行EMD分解的过程中,获取不同维度的数据在频率尺度上的相关关系特征时,需要进行各个IMF分量的匹配,由于不同分量表示的频率不同,需要在相同的频率进行分析,因此需要对两个维度之间的各个分量进行匹配。
具体的,步骤(2.1),首先,将多维监测数据中的任意一个监测数据记为目标数据,利用EMD分解算法对目标数据和应力数据分别进行分解,获得目标数据和应力数据分别对应的若干IMF分量,将目标数据的IMF分量记为第一分量;将应力数据的IMF分量记为第二分量。
需要说明的是,由于EMD分解算法为现有的数据分解算法,因此本实施例不进行赘述。
然后,构建二分图,将目标数据的每个第一分量作为二分图的一个左节点,将应力数据的每个第二分量作为二分图的一个右节点,将二分图中的任意左节点和右节点进行组合获得若干匹配组合。
需要说明的是,需要对二分图中的左节点和右节点的每条相连的边进行边权的量化,由于不同IMF分量中包含着噪声的信息不同,并且是非线性非平稳性的数据分布,因此无法根据曲线的相似性来匹配,即无法根据数据值的大小相似性来匹配,而信号的语谱图了可以同时表现时间上的分布信息以及能量分布的信息,因此更适合处理处理非线性和非平稳信号。因此本实施例通过比较语谱图的相似性来获取。
最后,在二分图中每一个匹配组合对应一个边,将二分图中的左节点和右节点统称为节点,获取二分图中任意节点对应IMF分量的语谱图,语谱图中一个数据点在水平轴上对应一个时间点,在垂直轴上对应一个频率值,数据点的亮度表示数据点的能量值。
需要说明的是,语谱图的获取方法为现有技术,因此本实施例不进行赘述。
步骤(2.2),首先,预设梯度阈值,梯度阈值T在区间/>内从小到大迭代且迭代步长为/>,结合梯度阈值/>并利用Sobel算子对任意匹配组合中两个节点对应语谱图进行边缘检测,获得语谱图中对应梯度阈值下的若干边缘线,其中/>、/>和/>均为预设的超参数。
需要说明的是,根据经验预设区间为/>,预设步长/>为2,可根据实际情况进行调整,本实施例不进行具体限定。
然后,对于任意语谱图在任意梯度阈值下的若干个边缘线中,获取任意两个边缘线的端点,将一个边缘线的任意端点与另一个边缘线的任意端点之间的欧氏距离记为两个边缘线之间的距离因子,将两个边缘线之间的最小距离因子记为两个边缘线之间的距离参数;获取任意两个边缘线之间的基准度,具体计算方法为:
;
其中,表示边缘线/>和边缘线/>之间的基准度;/>表示边缘线/>和边缘线/>之间的距离参数;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示以自然常数为底数的指数函数;/>表示绝对值符号。
需要说明的是,所述基准度用于描述两个边缘线可以形成同一个边缘线的概率,基准度越大,两个边缘线可以形成同一个边缘线的概率越大,反之越小。
最后,当两个边缘线之间的基准度大于等于预设的基准度阈值时,将两个边缘线的最近的两个端点进行连接获得新边缘线,获取新边缘线与语谱图像中其他边缘线之间的基准度,以此类推,直至边缘线之间的基准度小于基准度阈值时,停止连接,将语谱图中最终得到的任意边缘线记为合边缘线。
需要说明的是,根据经验预设基准度阈值为0.65,可根据实际情况进行调整,本实施例不进行具体限定。
步骤(2.3),首先,对于任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下得到的合边缘线,将所述两个语谱图的任意一个语谱图记为第一语谱图,将另一个语谱图记为第二语谱图,将第一语谱图中的合边缘线记为第一合边缘线,将第二语谱图中的合边缘线记为第二合边缘线,利用DTW算法获取第一语谱图中任意第一合边缘线与第二语谱图中所有第二合边缘线之间的DTW距离最小值,记为第一语谱图中第一合边缘线的相似参数,利用相似参数的获取方法获取所有合边缘线的相似参数;将任意语谱图中所有合边缘线的平均相似参数的倒数记为语谱图的综合相似参数;将任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下获取的综合相似参数的均值记为所述两个语谱图在对应梯度阈值下的阈值相似参数。
需要说明的是,DTW(Dynamic Time Warping)算法的中文名称为动态时间规整算法,由于DTW算法为现有算法,因此本实施例不进行赘述。
然后,将记为梯度阈值的权值参数,其中/>表示所有梯度阈值中的最小值,/>表示梯度阈值;将任意梯度阈值下的阈值相似参数与对应梯度阈值的权值参数之间的乘积记为对应两个语谱图在的加权阈值相似参数,将两个语谱图在所有梯度阈值下的加权阈值相似参数的均值记为两个语谱图的最终相似参数,将最终相似参数作为两个语谱图对应节点在二分图中对应边的边权值。
需要说明的是,若梯度阈值越接近最小梯度阈值,表明该阈值越包含非必要的边缘信息,则权重参数越小。
最后,结合二分图中左节点和右节点之间对应边的边权值,利用KM算法获取二分图中左节点和右节点之间的匹配关系,在存在匹配关系的两个节点所对应的两个IMF分量中,将一个IMF分量称为另一个IMF分量的匹配分量。
需要说明的是,KM算法的中文名称为匈牙利算法,由于KM算法为现有算法,因此本实施例不进行赘述。
至此,通过上述方法得到匹配分量。
预测模型模块,用于利用匹配分量对应语谱图中边缘线的端点,对匹配分量进行划分获得若干个分段分量,获取分段分量之间的累积距离矩阵,根据任意语谱图中任意时间点下所有数据点的能量值获得对应时间点下的能量分布曲线,根据语谱图中边缘线上相邻时间点下数据点在能量分布曲线中的斜率差异,获得数据点的分布特征,利用数据点的分布特征对分段分量之间的累积距离矩阵进行调节获得新累积距离矩阵,利用新累计距离矩阵对分段分量之间的数据点进行匹配获得匹配数据点,根据匹配数据点对应时间点之间的差异构建应力数据的ARIMA预测模型。
需要说明的是,在获取到匹配后的IMF分量后,需要获取分量之间数据点的变化特征来获取滞后程度,但是对两个IMF分量之间数据点的时间点进行匹配时,若根据分量中数据点对应数据值的大小波动变化进行匹配得到的匹配结果会出现较大的误差,即在利用DTW算法进行匹配的过程中,若仅根据数据点之间的欧氏距离来进行匹配会受到应力数据相对于监测数据存在滞后性的影响,且由于受到噪声的干扰,导致DTW匹配结果错误,因此在获取到匹配的IMF分量后,需要进行DTW匹配校正。
具体的,步骤(3.1),首先,对于任意两个匹配分量,获取匹配分量对应语谱图在最小梯度阈值下的边缘线,将任意两个边缘线形成的组合记为对比边缘组合,利用DTW算法获取对比边缘组合中边缘线之间的DTW距离,将DTW距离最小时对应的对比边缘组合记为目标边缘组合,将目标边缘组合中的边缘线记为目标边缘线,将目标边缘线的端点在语谱图中对应的时间点记为匹配分量的标记时刻。
需要说明的是,根据对应的划分时刻划分匹配两个IMF分量,其中相邻的划分时刻组成一个时间段,其中保证了同一个时间段中两个分量表征的维度数据均是相同的变化。
然后,利用标记时刻将对应的匹配分量进行划分,获得若干个时间段下匹配分量的分段数据,记为分段分量,将两个匹配分量的相同时间段下对应的分段分量形成的组合记为分段分量组合,利用DTW算法获取分段分量组合中两个分段分量之间的累积距离矩阵。
需要说明的是,在梯度阈值迭代的过程中,随着阈值的增大,边缘的时刻变化均是在最小阈值下获取的划分时刻下变化的,因此本实施例以最小阈值下由目标边缘线得到的标记时刻对IMF分量进行划分,由于根据对比边缘组合得到的标记时刻,因此两个匹配分量的分段分量同样存在匹配关系。
最后,将语谱图中能量值不为0的数据点记为能量点,将语谱图中任意一个时间点下所有能量点对应能量值形成的曲线记为能量分布曲线。
需要说明的是,其中累积距离矩阵中每个元素值表示两个分段分量中数据点之间的欧氏距离;另外,分段分量中数据点均在累积距离矩阵中对应一行或一列。
步骤(3.2),首先,获取任意分段分量的语谱图在任意梯度阈值下频率值最大的数据点对应的边缘线记为频率边缘线,将频率边缘线中的所有数据点记为目标数据点,获取每个目标数据点在对应能量分布曲线中的斜率值记为目标数据点的能量斜率,将语谱图中第个时间点下的目标数据点与第/>个时间点下的目标数据点之间能量斜率的比值记为第/>个时间点下的目标数据点的斜率比参数。
然后,获取目标数据点的分布特征,具体计算方法为:
;
其中,表示第/>个时间点下的目标数据点的分布特征;/>表示第/>个时间点下的目标数据点所属边缘线中所有目标数据点的数量;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个目标数据点的序数;/>表示第/>个时间点下的目标数据点在所属边缘线中的序数;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个时间点下的目标数据点的斜率比参数;/>表示绝对值符号。
进一步地,利用目标数据点的分布特征的获取方法,获取分段分量组合中两个分段分量分别在每个时间点下对应数据点的分布特征。
需要说明的是,通过分析数据点所在边缘线中所有数据点的能量曲线分布变化,作为此数据点的分布特征表征,在两个分段分量中数据点进行匹配的过程中,若分段分量对应的语谱图中数据点的分布特征相近,则两个分段分量之间的变化具有相关性。
最后,分段分量组合中两个分段分量之间的累积距离矩阵中,第行与一个分段分量中的第/>个时间点下的数据点对应,第/>列与另一个分段分量中的第/>个时间点下的数据点对应,将/>记为累积距离矩阵中第/>行、第/>列对应元素的距离权重,其中/>表示第/>个数据点的分布特征,/>表示第/>个数据点的分布特征,/>表示绝对值符号,/>表示以自然常数为底数的指数函数,将累积距离矩阵中每个元素与对应的距离权重相乘,获得新累积距离矩阵。
需要说明的是,对累积距离矩阵中每个元素的大小所调节的幅度与两个分段分量中对应数据点的分布特征相关,数据点之间的分布特征越相近,在累积距离矩阵中对应元素的调节幅度越小。
步骤(3.3),首先,结合新累积距离矩阵,并利用DTW算法获取分段分量组合的两个分段分量内形成匹配关系的数据点,记为匹配数据点,将两个匹配数据点对应数据点之间的差值绝对值记为两个匹配数据点之间的时差参数,分别获取监测数据和应力数据中所有IMF分量在同时间点下数据点与对应匹配数据点之间的平均时差参数,记为监测数据中对应时间点下数据点的滞后时间间隔。
然后,将多维监测数据中所有监测数据的同时间点下数据点的滞后时间间隔均值,作为应力数据的ARIMA模型的自回归阶数,获得应力数据的ARIMA预测模型。
需要说明的是,ARIMA(Autoregressive Integrated Moving Average)模型的中文名称为自回归滑动平均模型,ARIMA预测模型的自回归阶数表示需要考虑多少时间间隔进行数据预测,由于ARIMA模型为现有的时间序列预测和分析的统计模型,因此本实施例不进行赘述。
至此,通过上述方法得到应力数据的ARIMA预测模型。
结构监测模块,用于利用应力数据的ARIMA预测模型进行自升式平台状态结构健康监测。
具体的,首先,利用应力数据的ARIMA预测模型获取应力数据的预测值,将应力数据的预测值作为对应时间点下数据点的应力值,获得新应力数据,实现对应力数据的补偿操作。
然后,获取自升式平台的主弦管的埋深,将埋深处主弦管轴向的新应力数据在当前时间点下的应力值记为/>,获取主弦管在埋深区间/>内的压缩变形量,具体计算方法为:
;
其中,表示主弦管在埋深区间/>内的压缩变形量;/>表示主弦管的埋深/>;/>表示主弦管的埋深/>;/>表示埋深/>处主弦管轴向在当前时间点下的应力值。
需要说明的是,主弦管在发生压缩变形的同时也伴随着弯曲变形,此时光纤所测得的应力值可以表示为轴向应变与弯曲应变/>之和。
最后,获取施工标准中主弦管发生压缩变形时的阈值记为变形阈值,将主弦管任意一个位置记为测试点,获取测试点处的曲率半径。当主弦管的压缩变形量大于变形阈值时,获取主弦管的弯曲中性面;获取主弦管由弯曲引起的应变,记为弯曲应变,具体计算方法为:
;
其中,表示主弦管的埋深/>处的测试点到弯曲中性面的距离,/>表示曲率半径。
需要说明的是,如图7所示为桩腿由三根主弦管组成分别标记为51、52、53,测试点与弯曲方向的夹角为120°,三根桩腿应变与弯曲方位关系如图8计算所示。
进一步地,轴向应变。
进一步地,获取主弦管的埋深处相对端部的挠度,记为端部挠度/>。
进一步地,主弦管的埋深处的轴力/>,其中/>为主弦管的弹性模量,/>为主弦管截面面积。
需要说明的是,主弦管的弹性模量和主弦管截面面积由实验测量获得,当埋深z为主弦管的长度时,/>就等于端部阻力。
进一步地,获取主弦管的偏心力矩。
需要说明的是,挠度和偏心力矩的具体计算方法为现有方法,因此本实施例不进行赘述。
如图9所示为桩腿各主弦管截面应力变化曲线,在拖航工况下,桩腿结构应力值较小,最大应力值在材料许用应力范围内。各主弦管应力值变化趋势相同,平台以上区域随桩腿深度的增加而增大,平台以下区域桩腿应力值很小,拖航工况桩腿结构应力最大位置出现在与平台相连接的区域。
进一步地,获取施工标准中主弦管上的轴向应变、弯曲应变、端部挠度、轴力和偏心力矩的阈值,当主弦管上的轴向应变、弯曲应变、端部挠度、轴力和偏心力矩超过对应的阈值时,通过自升式平台上的报警器进行报警。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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之内。
Claims (10)
1.基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,该系统包括以下模块:
数据采集模块,用于采集多维监测数据和应力数据;
匹配分量模块,用于对任意监测数据和应力数据分别进行分解获得监测数据和应力数据的若干IMF分量,构建二分图,将监测数据和应力数据的IMF分量作为二分图的节点,获取任意节点对应IMF分量的语谱图以及语谱图中的边缘线,根据语谱图中边缘线之间的距离以及边缘线之间数据点的斜率差异获取二分图中节点之间边的边权值,根据边的边权值大小获得在监测数据下节点对应的IMF分量在应力数据中的匹配分量;
预测模型模块,用于利用匹配分量对应语谱图中边缘线的端点,对匹配分量进行划分获得若干个分段分量,获取分段分量之间的累积距离矩阵,根据任意语谱图中任意时间点下所有数据点的能量值获得对应时间点下的能量分布曲线,根据语谱图中边缘线上相邻时间点下数据点在能量分布曲线中的斜率差异,获得数据点的分布特征,利用数据点的分布特征对分段分量之间的累积距离矩阵进行调节获得新累积距离矩阵,利用新累计距离矩阵对分段分量之间的数据点进行匹配获得匹配数据点,根据匹配数据点对应时间点之间的差异构建应力数据的ARIMA预测模型;
结构监测模块,用于利用应力数据的ARIMA预测模型进行自升式平台状态结构健康监测。
2.根据权利要求1所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述对任意监测数据和应力数据进行分解获得监测数据和应力数据的若干IMF分量,构建二分图,将监测数据和应力数据的IMF分量作为二分图的节点,包括的具体方法为:
首先,将多维监测数据中的任意一个监测数据记为目标数据,利用EMD分解算法对目标数据和应力数据分别进行分解,获得目标数据和应力数据分别对应的若干IMF分量,将目标数据的IMF分量记为第一分量;将应力数据的IMF分量记为第二分量;
然后,构建二分图,将目标数据的每个第一分量作为二分图的一个左节点,将应力数据的每个第二分量作为二分图的一个右节点,将二分图中的左节点和右节点统称为节点。
3.根据权利要求2所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述获取任意节点对应IMF分量的语谱图以及语谱图中的边缘线,根据语谱图中边缘线之间的距离以及边缘线之间数据点的斜率差异获取二分图中节点之间的边权值,根据边权值获得匹配分量,包括的具体方法为:
将二分图中的任意左节点和右节点进行组合获得若干匹配组合,在二分图中每一个匹配组合对应一个边;
获取二分图中任意节点对应IMF分量的语谱图,语谱图中一个数据点在水平轴上对应一个时间点,在垂直轴上对应一个频率值,数据点的亮度表示数据点的能量值;
预设梯度阈值,梯度阈值T在区间/>内从小到大迭代且迭代步长为/>,结合梯度阈值/>并利用Sobel算子对任意匹配组合中两个节点对应语谱图进行边缘检测,获得语谱图中对应梯度阈值下的若干边缘线,其中/>、/>和/>均为预设的超参数;
对于任意语谱图在任意梯度阈值下的若干个边缘线中,获取任意两个边缘线的端点,将一个边缘线的任意端点与另一个边缘线的任意端点之间的欧氏距离记为两个边缘线之间的距离因子,将两个边缘线之间的最小距离因子记为两个边缘线之间的距离参数;根据距离参数以及边缘线之间数据点的斜率差异获得边缘线之间的基准度;
根据基准度的大小将语谱图中的边缘线进行连接获得合边缘线,利用梯度阈值对匹配关系中两个节点对应的两个语谱图中合边缘线之间的距离进行加权,获得两个语谱图对应节点在二分图中对应边的边权值;
结合二分图中左节点和右节点之间对应边的边权值,利用KM算法获取二分图中左节点和右节点之间的匹配关系,在存在匹配关系的两个节点所对应的两个IMF分量中,将一个IMF分量称为另一个IMF分量的匹配分量。
4.根据权利要求3所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述根据距离参数以及边缘线之间数据点的斜率差异获得边缘线之间的基准度,包括的具体方法为:
获取任意两个边缘线之间的基准度,具体计算方法为:
其中,表示边缘线/>和边缘线/>之间的基准度;/>表示边缘线/>和边缘线/>之间的距离参数;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示边缘线/>中所有相邻两个数据点之间斜率的均值;/>表示以自然常数为底数的指数函数;/>表示绝对值符号。
5.根据权利要求3所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述根据基准度的大小将语谱图中的边缘线进行连接获得合边缘线,利用梯度阈值对匹配关系中两个节点对应的两个语谱图中合边缘线之间的距离进行加权,获得两个语谱图对应节点在二分图中对应边的边权值,包括的具体方法为:
当两个边缘线之间的基准度大于等于预设的基准度阈值时,将两个边缘线最近的两个端点进行连接获得新边缘线,获取新边缘线与语谱图像中其他边缘线之间的基准度,以此类推,直至边缘线之间的基准度小于基准度阈值时,停止连接,将语谱图中最终得到的任意边缘线记为合边缘线;
对于任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下得到的合边缘线,将所述两个语谱图的任意一个语谱图记为第一语谱图,将另一个语谱图记为第二语谱图,将第一语谱图中的合边缘线记为第一合边缘线,将第二语谱图中的合边缘线记为第二合边缘线,利用DTW算法获取第一语谱图中任意第一合边缘线与第二语谱图中所有第二合边缘线之间的DTW距离最小值,记为第一语谱图中第一合边缘线的相似参数,利用相似参数的获取方法获取所有合边缘线的相似参数;将任意语谱图中所有合边缘线的平均相似参数的倒数记为语谱图的综合相似参数;任意匹配关系中两个节点分别对应的两个语谱图在同一梯度阈值下,将两个语谱图的综合相似参数的均值记为所述两个语谱图在对应梯度阈值下的阈值相似参数;
将记为梯度阈值的权值参数,其中/>表示所有梯度阈值中的最小值,/>表示梯度阈值;将任意梯度阈值下的阈值相似参数与对应梯度阈值的权值参数之间的乘积,记为对应两个语谱图在的加权阈值相似参数,将两个语谱图在所有梯度阈值下的加权阈值相似参数的均值记为两个语谱图的最终相似参数,将最终相似参数作为两个语谱图对应节点在二分图中对应边的边权值。
6.根据权利要求3所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述利用匹配分量对应语谱图中边缘线的端点,对匹配分量进行划分获得若干个分段分量,获取分段分量之间的累积距离矩阵,包括的具体方法为:
首先,对于任意两个匹配分量,获取匹配分量对应语谱图在最小梯度阈值下的边缘线,将任意两个边缘线形成的组合记为对比边缘组合,利用DTW算法获取对比边缘组合中边缘线之间的DTW距离,将DTW距离最小时对应的对比边缘组合记为目标边缘组合,将目标边缘组合中的边缘线记为目标边缘线,将目标边缘线的端点在语谱图中对应的时间点记为匹配分量的标记时刻;
然后,利用标记时刻将对应的匹配分量进行划分,获得若干个时间段下匹配分量的分段数据,记为分段分量,将两个匹配分量的相同时间段下对应的分段分量形成的组合记为分段分量组合,利用DTW算法获取分段分量组合中两个分段分量之间的累积距离矩阵。
7.根据权利要求1所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述根据任意语谱图中任意时间点下所有数据点的能量值获得对应时间点下的能量分布曲线,根据语谱图中边缘线上相邻时间点下数据点在能量分布曲线中的斜率差异,获得数据点的分布特征,包括的具体方法为:
将语谱图中能量值不为0的数据点记为能量点,将语谱图中任意一个时间点下所有能量点对应能量值形成的曲线记为能量分布曲线;
获取任意分段分量的语谱图在任意梯度阈值下频率值最大的数据点对应的边缘线记为频率边缘线,将频率边缘线中的所有数据点记为目标数据点,获取每个目标数据点在对应能量分布曲线中的斜率值记为目标数据点的能量斜率,将语谱图中第个时间点下的目标数据点与第/>个时间点下的目标数据点之间能量斜率的比值记为第/>个时间点下的目标数据点的斜率比参数;
获取目标数据点的分布特征,具体计算方法为:
其中,表示第/>个时间点下的目标数据点的分布特征;/>表示第/>个时间点下的目标数据点所属边缘线中所有目标数据点的数量;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个目标数据点的序数;/>表示第/>个时间点下的目标数据点在所属边缘线中的序数;/>表示第/>个时间点下的目标数据点所属边缘线中第/>个时间点下的目标数据点的斜率比参数;/>表示绝对值符号;
利用目标数据点的分布特征的获取方法,获取分段分量组合中两个分段分量分别在每个时间点下对应数据点的分布特征。
8.根据权利要求6所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述利用数据点的分布特征对分段分量之间的累积距离矩阵进行调节获得新累积距离矩阵,包括的具体方法为:
分段分量组合的两个分段分量之间的累积距离矩阵中,第行与一个分段分量中的第/>个时间点下的数据点对应,第/>列与另一个分段分量中的第/>个时间点下的数据点对应,将记为累积距离矩阵中第/>行、第/>列对应元素的距离权重,其中/>表示第/>个数据点的分布特征,/>表示第/>个数据点的分布特征,/>表示绝对值符号,/>表示以自然常数为底数的指数函数,将累积距离矩阵中每个元素与对应的距离权重相乘,获得新累积距离矩阵。
9.根据权利要求6所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述利用新累计距离矩阵对分段分量之间的数据点进行匹配获得匹配数据点,根据匹配数据点对应时间点之间的差异构建应力数据的ARIMA预测模型,包括的具体方法为:
首先,结合新累积距离矩阵,并利用DTW算法获取分段分量组合的两个分段分量内形成匹配关系的数据点,记为匹配数据点,将两个匹配数据点对应数据点之间的差值绝对值记为两个匹配数据点之间的时差参数,分别获取监测数据和应力数据中所有IMF分量在同时间点下数据点与对应匹配数据点之间的平均时差参数,记为监测数据中对应时间点下数据点的滞后时间间隔;
然后,将多维监测数据中所有监测数据的同时间点下数据点的滞后时间间隔均值,作为应力数据的ARIMA模型的自回归阶数,获得应力数据的ARIMA预测模型。
10.根据权利要求1所述基于光纤传感的自升式平台桩腿结构健康监测系统,其特征在于,所述利用应力数据的ARIMA预测模型进行自升式平台状态结构健康监测,包括的具体方法为:
利用应力数据的ARIMA预测模型获取应力数据的预测值,将应力数据的预测值作为对应时间点下数据点的应力值,获得新应力数据;
根据新应力数据获取自升式平台桩腿的主弦管的弯曲应变、轴向应变、挠度、轴力以及偏心力矩;
获取施工标准中主弦管上的轴向应变、弯曲应变、端部挠度、轴力和偏心力矩的阈值,当主弦管上的轴向应变、弯曲应变、挠度、轴力和偏心力矩任意一个物理量超过对应的阈值时,通过自升式平台上的报警器进行报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774929.5A CN117451113B (zh) | 2023-12-22 | 2023-12-22 | 基于光纤传感的自升式平台桩腿结构健康监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311774929.5A CN117451113B (zh) | 2023-12-22 | 2023-12-22 | 基于光纤传感的自升式平台桩腿结构健康监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451113A true CN117451113A (zh) | 2024-01-26 |
CN117451113B CN117451113B (zh) | 2024-03-26 |
Family
ID=89584053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311774929.5A Active CN117451113B (zh) | 2023-12-22 | 2023-12-22 | 基于光纤传感的自升式平台桩腿结构健康监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451113B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870954A (zh) * | 2024-03-07 | 2024-04-12 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于密集分布式光纤传感的自升式平台风险监测系统 |
CN117870954B (zh) * | 2024-03-07 | 2024-05-10 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于密集分布式光纤传感的自升式平台风险监测系统 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2091920A1 (en) * | 1992-03-22 | 1993-09-23 | Yosef Yomdin | Apparatus and method for picture representation by data compression |
EP1487115A1 (en) * | 2003-06-13 | 2004-12-15 | Broadcom Corporation | LDPC (low density parity check) coded modulation symbol decoding |
EP1717959A1 (en) * | 2005-04-29 | 2006-11-02 | STMicroelectronics N.V. | Method and device for controlling the decoding of a LDPC encoded codeword, in particular for DVB-S2 LDPC encoded codewords |
US20070214115A1 (en) * | 2006-03-13 | 2007-09-13 | Microsoft Corporation | Event detection based on evolution of click-through data |
CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
CN101162503A (zh) * | 2007-11-23 | 2008-04-16 | 重庆大学 | 利用改进Hausdorff距离提取识别人耳特征的方法 |
US20080195898A1 (en) * | 2007-02-13 | 2008-08-14 | Commissariat A L'energie Atomique | Message- passing and forced convergence decoding method |
CN101799939A (zh) * | 2010-04-02 | 2010-08-11 | 天津大学 | 基于左右视点图像的中间视点快速、自适应生成算法 |
US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
JP2012059141A (ja) * | 2010-09-10 | 2012-03-22 | Nippon Telegr & Teleph Corp <Ntt> | 推定値高精度化システム、推定値高精度化方法および推定値高精度化プログラム |
US20140107987A1 (en) * | 2012-10-12 | 2014-04-17 | The Boeing Company | System and method for computational planning in a data-dependent constraint management system |
US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
US20170024192A1 (en) * | 2015-07-22 | 2017-01-26 | Oracle International Corporation | Advanced interactive command-line front-end for graph analysis systems |
US20180286052A1 (en) * | 2017-03-30 | 2018-10-04 | 4DM Inc. | Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors |
CN109858015A (zh) * | 2018-12-12 | 2019-06-07 | 湖北工业大学 | 一种基于ctw和km算法的语义相似度计算方法及装置 |
CN109919077A (zh) * | 2019-03-04 | 2019-06-21 | 网易(杭州)网络有限公司 | 姿态识别方法、装置、介质和计算设备 |
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN111640421A (zh) * | 2020-05-13 | 2020-09-08 | 广州国音智能科技有限公司 | 语音对比方法、装置、设备及计算机可读存储介质 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
US20220316734A1 (en) * | 2021-04-14 | 2022-10-06 | Jiangnan University | Deep Spatial-Temporal Similarity Method for Air Quality Prediction |
CN115512259A (zh) * | 2022-09-20 | 2022-12-23 | 南京烽火星空通信发展有限公司 | 一种基于多模态的短视频审核方法 |
CN116243729A (zh) * | 2023-05-11 | 2023-06-09 | 四川腾盾科技有限公司 | 一种基于固定翼集群无人机在线分组的相位协同规划方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
-
2023
- 2023-12-22 CN CN202311774929.5A patent/CN117451113B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2091920A1 (en) * | 1992-03-22 | 1993-09-23 | Yosef Yomdin | Apparatus and method for picture representation by data compression |
EP1487115A1 (en) * | 2003-06-13 | 2004-12-15 | Broadcom Corporation | LDPC (low density parity check) coded modulation symbol decoding |
EP1717959A1 (en) * | 2005-04-29 | 2006-11-02 | STMicroelectronics N.V. | Method and device for controlling the decoding of a LDPC encoded codeword, in particular for DVB-S2 LDPC encoded codewords |
US20070214115A1 (en) * | 2006-03-13 | 2007-09-13 | Microsoft Corporation | Event detection based on evolution of click-through data |
US20080195898A1 (en) * | 2007-02-13 | 2008-08-14 | Commissariat A L'energie Atomique | Message- passing and forced convergence decoding method |
US20100223276A1 (en) * | 2007-03-27 | 2010-09-02 | Faleh Jassem Al-Shameri | Automated Generation of Metadata for Mining Image and Text Data |
CN101127078A (zh) * | 2007-09-13 | 2008-02-20 | 北京航空航天大学 | 一种基于蚁群智能的无人机机器视觉图像匹配方法 |
CN101162503A (zh) * | 2007-11-23 | 2008-04-16 | 重庆大学 | 利用改进Hausdorff距离提取识别人耳特征的方法 |
CN101799939A (zh) * | 2010-04-02 | 2010-08-11 | 天津大学 | 基于左右视点图像的中间视点快速、自适应生成算法 |
JP2012059141A (ja) * | 2010-09-10 | 2012-03-22 | Nippon Telegr & Teleph Corp <Ntt> | 推定値高精度化システム、推定値高精度化方法および推定値高精度化プログラム |
CN102024262A (zh) * | 2011-01-06 | 2011-04-20 | 西安电子科技大学 | 利用流形谱聚类进行图像分割的方法 |
US20140107987A1 (en) * | 2012-10-12 | 2014-04-17 | The Boeing Company | System and method for computational planning in a data-dependent constraint management system |
US20150169758A1 (en) * | 2013-12-17 | 2015-06-18 | Luigi ASSOM | Multi-partite graph database |
US20170024192A1 (en) * | 2015-07-22 | 2017-01-26 | Oracle International Corporation | Advanced interactive command-line front-end for graph analysis systems |
US20180286052A1 (en) * | 2017-03-30 | 2018-10-04 | 4DM Inc. | Object motion mapping using panchromatic and multispectral imagery from single pass electro-optical satellite imaging sensors |
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN109858015A (zh) * | 2018-12-12 | 2019-06-07 | 湖北工业大学 | 一种基于ctw和km算法的语义相似度计算方法及装置 |
CN109919077A (zh) * | 2019-03-04 | 2019-06-21 | 网易(杭州)网络有限公司 | 姿态识别方法、装置、介质和计算设备 |
CN111640421A (zh) * | 2020-05-13 | 2020-09-08 | 广州国音智能科技有限公司 | 语音对比方法、装置、设备及计算机可读存储介质 |
CN112235043A (zh) * | 2020-09-14 | 2021-01-15 | 上海大学 | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 |
US20220316734A1 (en) * | 2021-04-14 | 2022-10-06 | Jiangnan University | Deep Spatial-Temporal Similarity Method for Air Quality Prediction |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN115512259A (zh) * | 2022-09-20 | 2022-12-23 | 南京烽火星空通信发展有限公司 | 一种基于多模态的短视频审核方法 |
CN116243729A (zh) * | 2023-05-11 | 2023-06-09 | 四川腾盾科技有限公司 | 一种基于固定翼集群无人机在线分组的相位协同规划方法 |
Non-Patent Citations (4)
Title |
---|
NEDERLOF, J等: "Bipartite TSP in O(1.9999n) Time, Assuming Quadratic Time Matrix Multiplication", PROCEEDINGS OF THE 52ND ANNUAL ACM SIGACT SYMPOSIUM ON THEORY OF COMPUTING (STOC \'20), 23 February 2021 (2021-02-23) * |
刘军;童杏林;梁磊;: "高性能桥梁长期健康监测系统设计与集成研究", 武汉理工大学学报, no. 23, 15 December 2009 (2009-12-15) * |
刘立新;任祥瑞;雷志强;毛景权;罗威力;: "基于分布式光纤传感技术的钢板桩施工全过程演化规律", 中外公路, no. 03, 19 June 2020 (2020-06-19) * |
彭鹏等: "Bayes 融合理论在库区滑坡动态变形监测中的应用研究", 水文地质工程地质, vol. 39, no. 1, 31 January 2012 (2012-01-31) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870954A (zh) * | 2024-03-07 | 2024-04-12 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于密集分布式光纤传感的自升式平台风险监测系统 |
CN117870954B (zh) * | 2024-03-07 | 2024-05-10 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于密集分布式光纤传感的自升式平台风险监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117451113B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Fluctuating wind pressure distribution around full-scale cooling towers | |
CN103244829B (zh) | 一种基于分布式光纤传感器的管道安全事件分级预警方法 | |
WO2021098611A1 (zh) | 一种测评老化后xlpe电缆泄漏电流差异因子的平台及方法 | |
US11920986B2 (en) | Sewer pipe inflow and infiltration diagnosis method based on distributed fiber-optic temperature measurement system | |
Ziegler et al. | Brief communication: Structural monitoring for lifetime extension of offshore wind monopiles: can strain measurements at one level tell us everything? | |
CN113933032A (zh) | 船闸人字门结构健康监测系统及故障诊断方法 | |
CN109855522A (zh) | 一种针对隧道空间形变的位移检测系统及方法 | |
CN109579726A (zh) | 一种长标距分布式光纤布里渊传感-解调系统及应变测量方法 | |
CN117451113B (zh) | 基于光纤传感的自升式平台桩腿结构健康监测系统 | |
CN116910073A (zh) | 一种海上风电桩及海缆稳定性的监测预警系统 | |
CN114970610A (zh) | 一种基于格拉姆角场增强的电力变压器状态辨识方法及装置 | |
CN115017822A (zh) | 一种海上风电桩基础及海缆一体化监测方法 | |
CN117870954B (zh) | 一种基于密集分布式光纤传感的自升式平台风险监测系统 | |
CN114719950A (zh) | 一种分步式光纤多维特征参数采集提取方法 | |
CN114693151A (zh) | 基于分布式应变空间相关性的桥梁桩基础状态诊断方法 | |
CN113007037A (zh) | 结构监测系统及方法 | |
CN117870954A (zh) | 一种基于密集分布式光纤传感的自升式平台风险监测系统 | |
Lao et al. | Real-time Monitoring Method of Insulation Status of Photoelectric Composite Submarine Cable based on Thermoelectric Coupling | |
CN217710328U (zh) | 拉索及拉索温度测试系统 | |
CN215065154U (zh) | 一种用于风洞试验的建筑风压系数检测装置 | |
CN114136514A (zh) | 一种高性能超薄索力传感器及索力监测系统 | |
CN212107899U (zh) | 基于电子成像技术监测的地下管网系统 | |
Wang et al. | Settlement monitoring for ultra-long GIS equipment based on weak fiber Bragg grating sensing | |
CN115198815A (zh) | 基于压电自传感土工电缆的边坡内部变形分布式监测系统及施工方法 | |
CN116243120A (zh) | 基于mrf的高压电缆绝缘热损伤故障诊断方法 |
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 |