CN117470528A - 一种型钢混凝土结构的磁流变减震器的性能检测方法 - Google Patents
一种型钢混凝土结构的磁流变减震器的性能检测方法 Download PDFInfo
- Publication number
- CN117470528A CN117470528A CN202311823813.6A CN202311823813A CN117470528A CN 117470528 A CN117470528 A CN 117470528A CN 202311823813 A CN202311823813 A CN 202311823813A CN 117470528 A CN117470528 A CN 117470528A
- Authority
- CN
- China
- Prior art keywords
- vibration
- wind speed
- data point
- data
- fluctuation curve
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 28
- 239000010959 steel Substances 0.000 title claims abstract description 28
- 239000011150 reinforced concrete Substances 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims description 41
- 238000005192 partition Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 abstract description 13
- 239000011159 matrix material Substances 0.000 description 16
- 238000000354 decomposition reaction Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 11
- 238000013016 damping Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000004567 concrete Substances 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及机械设备测试技术领域,具体涉及一种型钢混凝土结构的磁流变减震器的性能检测方法,包括:获取震动波动曲线和风速波动曲线,对风速波动曲线进行分割处理,获得各个风速波动区间;根据各个风速波动区间确定震动波动曲线上每个数据点对应的匹配风速值;根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性;利用正则必要性获得调整后的震动数据;根据调整后的震动数据获得去噪后的震动数据,进而检测待检测磁流变减震器的性能。本发明通过提高去噪后的震动数据的去噪效果,进一步提升了磁流变减震器性能检测的准确性。
Description
技术领域
本发明涉及机械设备测试技术领域,具体涉及一种型钢混凝土结构的磁流变减震器的性能检测方法。
背景技术
混凝土加型钢作为一种常见的建筑施工材料,在进行高层建筑时,不稳定的混凝土加型钢将产生安全问题,而磁流变减震器作为一种新型的减震材料,其良好的减震性能被广泛的应用到建筑行业中。磁流变减震器对建筑进行减震时需要获取建筑的震动数据,将建筑的震动数据转换为电信号,以控制电流大小,实现对减震器中磁流变液状态进行精准调节,达到阻尼精准可控的目的。在对磁流变减震器的性能进行检测时,需要获取准确的建筑震动数据,存在偏差的震动数据将影响磁流变减震器性能检测的准确性,因此需要对采集的建筑震动数据进行去噪处理以获得准确的震动数据。
通过EMD(Empirical Mode Decomposition,经验模态分解算法)分解算法对采集的型钢混凝土结构的震动数据进行去噪处理,将采集的震动数据分解成IMF分量,对每个IMF分量进行小波变换达到去噪的目的。但是EMD分解受极值点的影响,其在端点处产生的端点效应将影响IMF分量的准确性。通过SSA(Singular Spectrum Analysis,奇异频谱分析)算法分析已有的震动数据对端点处的震动数据进行预测延展,避免由于端点处的影响导致IMF分量去噪效果不明显。通过SSA算法分析采集的震动数据时,由于震动数据受噪声影响将导致SSA算法获取的轨迹矩阵中的元素数据产生偏移,对获取的轨迹矩阵进行奇异值分解时其获取的特征值不准确,影响递归预测公式构建的准确性,导致延展数据存在误差,影响后续的EMD分解的准确性,进而导致震动数据去噪效果不理想,造成磁流变减震器的性能检测准确性低下。
发明内容
为了解决上述震动数据去噪效果不理想,导致磁流变减震器的性能检测准确性低下的技术问题,本发明的目的在于提供一种型钢混凝土结构的磁流变减震器的性能检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种型钢混凝土结构的磁流变减震器的性能检测方法,该方法包括以下步骤:
获取待检测磁流变减震器对应的震动波动曲线和风速波动曲线;
根据风速波动曲线上每个数据点的斜率和风速值,对风速波动曲线进行分割处理,获得各个风速波动区间;
根据各个风速波动区间和震动波动曲线上每个数据点的斜率、各个风速波动区间内每个数据点的风速值,确定震动波动曲线上每个数据点对应的匹配风速值;
根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性;
利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据;根据调整后的震动数据获得去噪后的震动数据;
根据去噪后的震动数据检测待检测磁流变减震器的性能。
进一步地,根据风速波动曲线上每个数据点的斜率和风速值,对风速波动曲线进行分割处理,获得各个风速波动区间,包括:
将风速波动曲线上除第一个和最后一个数据点以外的数据点作为待选分割点;
对于任意一个待选分割点,根据待选分割点的前一个数据点的斜率和后一个数据点的斜率、待选分割点的风速值,分析风速波动曲线上待选分割点的划分情况,确定待选分割点为实际分割点的可能性;
将可能性大于预设可能性阈值的待选分割点作为实际分割点,获得风速波动曲线的各个实际分割点;利用各个实际分割点对风速波动曲线进行分割处理,获得各个风速波动区间。
进一步地,确定待选分割点为实际分割点的可能性,包括:
计算待选分割点的前一个数据点和后一个数据点之间的斜率差异,将斜率差异作为第一可能因子;对待选分割点的风速值进行取反处理,将风速值的反比例值作为第二可能因子;对第一可能因子和第二可能因子的乘积进行归一化处理,将归一化处理后的乘积作为待选分割点为实际分割点的可能性。
进一步地,根据各个风速波动区间和震动波动曲线上每个数据点的斜率、各个风速波动区间内每个数据点的风速值,确定震动波动曲线上每个数据点对应的匹配风速值,包括:
对于任意一个风速波动区间,根据风速波动区间和震动波动曲线上每个数据点的斜率、风速波动区间内每个数据点的风速值、以及设置的震动滞后范围,确定风速波动区间与每次滞后对应的震动波动区间的匹配程度;
获取各个风速波动区间与每次滞后对应的震动波动区间的匹配程度,确定最大匹配程度对应的震动滞后数目为目标滞后数目;根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值。
进一步地,所述匹配程度的计算公式为:
;
式中,为第j个风速波动区间与第d次滞后对应的震动波动区间的匹配程度,d的取值范围为震动滞后范围,/>为以自然常数为底的指数函数,/>为第j个风速波动区间内数据点的数量,/>为第j个风速波动区间内第a个数据点的风速值,a为数据点的序号,/>为线性归一化函数,/>为第j个风速波动区间内第a个数据点的斜率的导数,为第d次滞后对应的震动波动区间内第a个数据点的斜率的导数,/>为取绝对值函数;
其中,所述第d次滞后对应的震动波动区间为震动波动曲线上与第j个风速波动区间相对应的区间,再向后滑动d个数据点。
进一步地,根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值,包括:
确定震动波动曲线上任意一个数据点为目标数据点,在风速波动曲线上确定与目标数据点的时间序号相同的数据点为第一数据点;以第一数据点为起始点,将向前滑动目标滞后数目个数据点后对应的数据点的风速值作为目标数据点的匹配风速值。
进一步地,根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性,包括:
将震动波动曲线上匹配风速值相同的数据点作为一类数据点,获得各类数据点;根据各类数据点的振动幅度,确定震动波动曲线上每个数据点的离散程度;
对于离散程度不小于预设离散程度阈值的数据点,将离散程度作为对应数据点的正则必要性;对于离散程度小于预设离散程度阈值的数据点,将0作为对应数据点的正则必要性。
进一步地,所述数据点的离散程度的计算公式为:
;式中,/>为震动波动曲线上第i个数据点的离散程度,norm为线性归一化函数,/>为震动波动曲线上与第i个数据点为一类的数据点个数,T为预设数据点数目,/>为震动波动曲线上第i个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点的振动幅度,/>为求绝对值符号。
进一步地,利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据,包括:
计算震动波动曲线上所有震动数据的平均值作为初始化正则参数;
根据震动波动曲线上每个数据点的正则必要性、振动幅度以及初始化正则参数,确定震动波动曲线上每个数据点的调整振动幅度;
根据震动波动曲线上每个数据点的调整振动幅度确定调整后的震动数据。
进一步地,确定震动波动曲线上每个数据点的调整振动幅度,包括:
;
式中,为震动波动曲线上第i个数据点的调整振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上第i个数据点的正则必要性,/>为初始化正则参数。
本发明具有如下有益效果:
本发明提供了一种型钢混凝土结构的磁流变减震器的性能检测方法,获取风速波动曲线,是为了便于后续分析风速数据对震动数据的影响情况,提高后续正则化调整的准确度;将风速波动曲线进行分割处理,有助于将曲线划分成不同波动变化的风速波动区间,后续将基于各个风速波动区间,量化风速对震动数据影响的滞后情况,确定震动波动曲线上每个数据点的匹配风速值;在确定匹配风速值时,不仅考虑到风速波动区间每个数据点的波动情况,还考虑到每个数据点的风速值大小,其有助于提高确定的每个数据点对应的匹配风速值的准确度;在确定震动波动曲线上每个数据点的正则必要性时,通过分析每个数据点对应的匹配风速值,避免了风速变化对震动数据的影响,可以提高计算的正则必要性的可靠程度;确定正则必要性有助于调整轨迹矩阵,避免其奇异值分解后的特征值出现误差情况,同时也有助于避免获得的去噪后的震动数据的去噪效果不明显,也就是提高了去噪后的震动数据的去噪效果;基于去噪效果明显的震动数据,有利于进一步提升磁流变减震器的性能检测的准确性。
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为本发明一种型钢混凝土结构的磁流变减震器的性能检测方法的流程图。
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技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个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。
本发明所针对的应用场景可以为:通过震动传感器采集型钢混凝土结构的震动数据,对采集的震动数据进行去噪处理,将去噪处理后的数据转换成电信号数据,以用于控制磁流变减震器的阻尼情况。对采集的震动数据进行去噪处理,可以有效避免磁流变减震器的性能检测产生误差。
具体,本实施例提供了一种型钢混凝土结构的磁流变减震器的性能检测方法,如图1所示,包括以下步骤:
S1,获取待检测磁流变减震器对应的震动波动曲线和风速波动曲线。
在本实施例中,通过震动传感器实时采集型钢混凝土结构的震动数据,将当前预设时段内采集的震动数据按照时间顺序绘制成曲线,横坐标为震动数据的时间序号,纵坐标为震动数据的幅度,幅度即为震动数据,可以获得震动波动曲线。其中,当前预设时段可以设置为10分钟,震动数据的采集频率可以设置为0.001秒,实施者可以根据具体实际情况设置震动数据的采集时段和采集频率,不做具体限定。
分析型钢混凝土结构建筑的震动数据,震动数据的大小受外界风速变化的影响,在一般情况下建筑的楼层越高,受到的风速越大,建筑产生的震动数据的振幅越大。为了分析风速对震动数据的影响情况,需要获取同一高度下的型钢混凝土结构建筑的风速数据,风速数据的采集时段和采集频率与震动数据保持一致,从而获得风速波动曲线,风速波动曲线的横坐标为风速数据的时间序号,纵坐标为风速值。
至此,本实施例获得了待检测磁流变减震器对应的震动波动曲线和风速波动曲线。
需要说明的是,震动波动曲线即为震动数据的波动曲线,受采集精度和传输问题的影响,采集的震动数据中一般包含噪声,而噪声的存在将对后续的磁流变减震器性能检测产生影响,为了实现磁流变减震器性能的准确检测,需要对采集的震动数据进行去噪处理。去噪处理的具体步骤可以为:将采集的震动数据通过EMD分解成IMF分量,对每个IMF分量进行小波变换可以实现去噪处理,将去噪后的IMF分量进行重构可以获得去噪后的震动数据。
由于EMD分解算法本身操作导致的端点处的极值点存在不确定性,分解获得的IMF分量失真影响去噪效果,需要对震动数据端点处的数据进行延展,降低其端点处的影响,提高分解后的IMF分量的准确性。在实现震动数据延伸时,采用SSA算法对采集的震动数据进行递归预测,根据递归预测可以对端点处的数据进行延展,SSA算法在构建递归预测公式时需要对获取的轨迹矩阵进行奇异值分解,通过分解后的特征值作为构建递归预测公式的系数。在进行轨迹矩阵的奇异值分解时,由于轨迹矩阵中的数据受到噪声的影响导致计算的特征值存在偏差,故在进行轨迹矩阵的奇异值分解时可以对获取的轨迹矩阵进行正则化,以避免噪声影响严重的数据点的权重过大导致分解的特征值的准确性低下。
基于震动波动曲线和风速波动曲线,对采集的型钢混凝土结构的震动数据进行去噪处理。
S2,根据风速波动曲线上每个数据点的斜率和风速值,对风速波动曲线进行分割处理,获得各个风速波动区间。
需要说明的是,风速对于建筑的震动数据的影响存在一定的滞后性,风速改变时建筑的震动数据不会立刻发生改变,建筑震动数据的改变需要一定的时间,根据风速的变化情况对获取的震动波动曲线上的各个震动数据进行分析。
风速对建筑振动数据的影响是正向影响,在分析风速对振动数据的影响时需要分析风速的变化情况。获取风速波动曲线的数据波动情况,根据波动情况对风速波动曲线进行划分,可以获得各个风速波动区间,具体实现步骤可以包括:
第一步,确定风速波动曲线的各个实际分割点。
将风速波动曲线上除第一个和最后一个数据点以外的数据点作为待选分割点;对于任意一个待选分割点,根据待选分割点的前一个数据点的斜率和后一个数据点的斜率、待选分割点的风速值,分析风速波动曲线上待选分割点的划分情况,确定待选分割点为实际分割点的可能性;将可能性大于预设可能性阈值的待选分割点作为实际分割点,获得风速波动曲线的各个实际分割点。
第一子步骤,确定风速波动曲线上的各个待选分割点。
在本实施例中,风速波动曲线上的第一个数据点和最后一个数据点不能实现波动曲线的分割,故在确定实际分割点时,将第一个数据点和最后一个数据点进行排除处理,仅分析风速波动曲线上除第一个和最后一个数据点以外的数据点为实际分割点的可能性。
第二子步骤,确定各个待选分割点为实际分割点的可能性。
以任意一个待选分割点为例,计算待选分割点为实际分割点的可能性,可能性的确定步骤可以包括:
计算待选分割点的前一个数据点和后一个数据点之间的斜率差异,将斜率差异作为第一可能因子;对待选分割点的风速值进行取反处理,将风速值的反比例值作为第二可能因子;对第一可能因子和第二可能因子的乘积进行归一化处理,将归一化处理后的乘积作为待选分割点为实际分割点的可能性。
作为示例,待选分割点为实际分割点的可能性的计算公式可以为:
;
式中,为风速波动曲线上第m个待选分割点为实际分割点的可能性,m为待选分割点的序号,/>为线性归一化函数,/>为风速波动曲线上第m-1个数据点的斜率,为风速波动曲线上第m+1个数据点的斜率,/>为求绝对值函数,/>为以自然常数为底的指数函数,/>为风速波动曲线上第m个待选分割点的风速值,/>为风速波动曲线上第m个待选分割点的第一可能因子,/>为风速波动曲线上第m个待选分割点的第二可能因子。
在可能性的计算公式中,第一可能因子表示风速波动曲线上第m个待选分割点所在位置是否存在波动情况,通过绝对值的差来量化斜率差异,可以有效避免由于极值点变化表现为波动的情况;第一可能因子可以表现出风速变化明显的区域,比如平稳的风速突然增大,第一可能因子越大说明区域的风速变化越明显,第m个待选分割点为实际分割点的可能性越大;第二可能因子/>可以表示第m个待选分割点自身的风速影响,第二可能因子越小,第m个待选分割点的风速值对建筑震动的影响越小,后续风速改变对建筑的影响越明显,第m个待选分割点为实际分割点的可能性越小。参考第m个待分割点为实际分割点的可能性的计算公式,可以获得风速波动曲线上每个待选分割点为实际分割点的可能性。
第三子步骤,获得风速波动曲线的各个实际分割点。
在本实施例中,将预设可能性阈值设置为0.75,将风速波动曲线上可能性大于0.75的待选分割点确定为实际分割点,可以获得各个实际分割点。预设可能性阈值的大小可以由实施者根据具体实际情况设置,这里不做具体限定。
第二步,利用各个实际分割点对风速波动曲线进行分割处理,获得各个风速波动区间。
在本实施例中,根据风速波动曲线上每个数据点的分割情况,设置阈值将分割情况大于预设阈值的数据点作为分割的数据点,即各个实际分割点。利用各个实际分割点对风速波动曲线进行分割处理,可以获得各个风速波动区间。
至此,本实施例获得了风速波动曲线上的各个风速波动区间。
S3,根据各个风速波动区间和震动波动曲线上每个数据点的斜率、各个风速波动区间内每个数据点的风速值,确定震动波动曲线上每个数据点对应的匹配风速值。
需要说明的是,震动数据与风速变化存在一定的滞后性影响,故不可以直接根据各个风速波动区间对震动波动曲线进行区域划分,分析已将划分好的风速波动区间的波动情况与其对应的振动数据的相似情况,以便于对震动波动曲线进行区域划分,确定震动波动曲线上每个数据点对应的匹配风速值。
以任意一个风速波动区间,确定风速波动区间与每次滞后对应的震动波动区间的匹配情况,具体实现可以包括:
第一步,根据风速波动区间和震动波动曲线上每个数据点的斜率、风速波动区间内每个数据点的风速值、以及设置的震动滞后范围,确定风速波动区间与每次滞后对应的震动波动区间的匹配程度。
在本实施例中,震动滞后范围可以设置为(0,30),确定风速波动区间与每次滞后对应的震动波动区间的匹配程度的计算公式可以为:
;
式中,为第j个风速波动区间与第d次滞后对应的震动波动区间的匹配程度,为以自然常数为底的指数函数,/>为第j个风速波动区间内数据点的数量,/>为第j个风速波动区间内第a个数据点的风速值,a为数据点的序号,/>为线性归一化函数,/>为第j个风速波动区间内第a个数据点的斜率的导数,/>为第d次滞后对应的震动波动区间内第a个数据点的斜率的导数,斜率的导数即为二阶导数,其可以用于判断曲线的凹凸性,/>为取绝对值函数。
在匹配程度的计算公式中,字母d表示第d次滞后,其取值范围为0到30,相邻滞后的步长为1,实施者可以根据具体实际情况设置震动滞后范围和相邻滞后步长,不做具体限定;第d次滞后对应的震动波动区间为震动波动曲线上与第j个风速波动区间相对应的区间,再向后滑动d个数据点;表示风速波动区间内各个数据点的匹配权重,风速越大对应的建筑影响在进行匹配时的权重越大,权重越大匹配程度越差;/>表示两个不同的波动曲线的数据点的波动趋势相似性,风速的变化与震动数据的变化情况存在的一定的趋势相似性,其值越大说明两个数据波动曲线的匹配情况越差。
需要说明的是,关于第d次滞后对应的震动波动区间,若第j个风速波动区间的时间序号为5到10,d等于2,则第2次滞后对应的震动波动区间的时间序号应为7到12。由于d可以取31个数值,故第j个风速波动区间将对应31个匹配程度。
第二步,获取各个风速波动区间与每次滞后对应的震动波动区间的匹配程度,确定最大匹配程度对应的震动滞后数目为目标滞后数目;根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值。
在本实施例中,参考第j个风速波动区间与每次滞后对应的震动波动区间的匹配程度的计算过程,对所有的风速波动区间按照类似操作进行震动波动区间的匹配,可以获得各个风速波动区间与每次滞后对应的震动波动区间的匹配程度。选取最大匹配程度对应的震动滞后数目为目标滞后数目,也就是选取所有波动区间之间匹配程度的最大值作为基准,确定震动波动曲线上每个数据点对应的匹配风速值。
其中,根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值,具体实现步骤可以包括:
确定震动波动曲线上任意一个数据点为目标数据点,在风速波动曲线上确定与目标数据点序号相同的数据点为第一数据点;以第一数据点为起始点,将向前滑动目标滞后数目个数据点后对应的数据点的风速值作为目标数据点的匹配风速值。
以震动波动曲线上的第10个数据点为例,确定震动波动曲线上的第10个数据点的匹配风速值。在风速波动曲线上确定第10个数据点,将第10个数据点作为起始点,假设目标滞后数目为5,则从起始点开始向前滑动5个数据点,将风速波动曲线上第4个数据点的风速值作为震动波动曲线上的第10个数据点的匹配风速值。同理可得,风速波动曲线上第3个数据点的风速值为震动波动曲线上的第9个数据点的匹配风速值,风速波动曲线上第2个数据点的风速值为震动波动曲线上的第8个数据点的匹配风速值,风速波动曲线上第1个数据点的风速值为震动波动曲线上的第7个数据点的匹配风速值。
对于震动波动曲线上的前6个数据点的匹配风速值,则可以根据当前采集时段之前的历史风速数据确定,以此获得震动波动曲线上每个数据点对应的匹配风速值。
S4,根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性。
需要说明的是,建筑的震动数据主要受两个方面的影响,其一是风速对建筑的震动数据的影响是正向的,风速的增加将导致建筑的震动幅度增加;其二是磁流变减震器也会对建筑的震动数据产生影响,磁流变减震可以根据建筑的震动情况调节其阻尼力降低震动的影响,所以其对震动数据的影响是负面的,分析磁流变减震器的工作原理可以得知其阻尼力的变化和震动数据有关,振动幅度越大,阻尼力越明显,其对震动数据的影响越大。因此,通过分析建筑震动数据的离散情况,量化每个震动数据的正则必要性,震动数据越离散,其对分解后的特征值的影响越明显,越需要通过正则化降低对应震动数据的贡献度。
第一步,将震动波动曲线上匹配风速值相同的数据点作为一类数据点,获得各类数据点;根据各类数据点的振动幅度,确定震动波动曲线上每个数据点的离散程度。
在本实施例中,为了避免风速变化对震动数据的影响,先根据震动波动曲线上每个数据点对应的匹配风速值,将风速值相同的数据点划分为一类,以便于后续在分析离散程度时对相同风速值的数据点进行分析,确定震动波动曲线上每个数据点的离散程度。
作为示例,震动波动曲线上第i个数据点的离散程度的计算公式可以为:
;
式中,为震动波动曲线上第i个数据点的离散程度,/>为线性归一化函数,为震动波动曲线上与第i个数据点为一类的数据点个数,T为预设数据点数目,/>为震动波动曲线上第i个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点的振动幅度,为求绝对值符号。
在离散程度的计算公式中,可以表征两个匹配风速值相同的数据点之间差异性的权重,权重越大,说明两个数据点之间的差异可信度越高;可以表示匹配风速值相同的两个数据点之前的数据波动差异程度,其值越大说明两个匹配风速值相同的数据点受到减震器的影响越不一致,由此计算的差异可信度越低;预设数据点数目T可以设置为3,实施者可以根据具体实际情况设置,不做具体限定;可以表示同一匹配风速下的不同时间点获得的数据点的幅度差异,两者之间的幅度差异越大,说明第i个数据点的离散程度越大,相同风速可以有效避免风速变化对震动数据的影响。
需要说明的是,若第i个数据点的匹配风速值为10,则获取除第i个数据点以外的其他所有匹配风速值为10的数据点,假设获取5个与第i个数据点为一类的数据点,通过计算第i个数据点分别与其一类的5个数据点之间的幅值差异,确定第i个数据点的离散程度;对于,若i等于4则位于第i个数据点之前的第t个数据点分别为震动波动曲线上的第3个数据点、第2个数据点和第1个数据点;若位于第i个数据点之前的数据点数目不足T个,则舍弃计算,例如,第i个数据点之前的数据点数目仅有2个,则仅计算这两个数据点与第i个数据点对应的第z个数据点之前的2个数据点之间的幅值差异。
第二步,对于离散程度不小于预设离散程度阈值的数据点,将离散程度作为对应数据点的正则必要性;对于离散程度小于预设离散程度阈值的数据点,将0作为对应数据点的正则必要性。
在本实施例中,根据震动波动曲线上每个数据点的离散程度,确定每个数据点的正则必要性,其计算公式可以为:
;
式中,为震动波动曲线上第i个数据点的正则必要性,/>为震动波动曲线上第i个数据点的离散程度,0.68为预设离散程度阈值,实施者可以根据具体实际情况设置预设离散程度阈值的大小,不做具体限定。
至此,本实施例获得了震动波动曲线上每个数据点的正则必要性。
S5,利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据;根据调整后的震动数据获得去噪后的震动数据。
第一步,利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据。
在本实施例中,基于震动波动曲线上每个数据点的正则必要性,对各个震动数据进行正则化处理,可以获得调整后的震动数据,具体实现步骤可以包括:
第一子步骤,计算震动波动曲线上所有震动数据的平均值作为初始化正则参数。
第二子步骤,根据震动波动曲线上每个数据点的正则必要性、振动幅度以及初始化正则参数,确定震动波动曲线上每个数据点的调整振动幅度。
作为示例,震动波动曲线上第i个数据点的调整振动幅度的计算公式可以为:
;式中,/>为震动波动曲线上第i个数据点的调整振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上第i个数据点的正则必要性,/>为初始化正则参数。
第三子步骤,根据震动波动曲线上每个数据点的调整振动幅度确定调整后的震动数据。
在本实施例中,基于震动波动曲线上每个数据点的调整振动幅度,可以实现对每个震动数据的数值更新,进而获得调整后的震动数据。
第二步,根据调整后的震动数据获得去噪后的震动数据。
在本实施例中,通过SSA算法,对调整后的震动数据进行轨迹矩阵的构建,从而获得调整后的轨迹矩阵,调整后的轨迹矩阵是指由调整后的震动数据获得的轨迹矩阵,具体为:选择合适大小的窗口,本实施例设定窗口大小为5,根据窗口在调整后的震动数据上的滑动情况,可以获得调整后的轨迹矩阵。调整后的轨迹矩阵中各个元素进行过正则化调整,可以有效避免其发生过拟合的现象。
根据调整后的轨迹矩阵进行奇异值分解获取特征值,根据特征值构建递归预测公式;利用递归预测公式,利用已有的原始震动数据预测端点位置处的延展数据,从而获得延展后的震动数据;根据延展后的震动数据进行EMD分解获得各个IMF分量;对各个IMF分量通过小波变换进行去噪处理,获得去噪后的各个IMF分量;对去噪后的各个IMF分量进行重构获得去噪后的振动数据。EMD分解和SSA算法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,在进行延展处理时,延展的对象是步骤S1采集的原始震动数据,而并非调整后的震动数据,而调整后的震动数据可以用于构建递归预测公式,其有助于提高递归预测公式的准确性。
至此,本实施例获得了去噪后的震动数据。
S6,根据去噪后的震动数据检测待检测磁流变减震器的性能。
在本实施例中,根据去噪后的震动数据,分析待检测磁流变减震器的性能情况,比较装有待检测磁流变减震器和未装有待检测磁流变减震器的结构之间的震动特性差异,例如,通过分析两者之间的振动频率、振幅减小程度以及共振现象等指标,评估磁流变减震器对建筑结构的减震效果。
本发明提供了一种型钢混凝土结构的磁流变减震器的性能检测方法,该方法通过震动传感器采集型钢混凝土结构的震动数据,对震动数据进行去噪处理,对震动数据进行去噪处理,可以有效避免噪声震动导致磁流变减震器的性能检测产生误差。为了提高去噪处理的准确性,量化每个震动数据的正则必要性,以对每个震动数据进行正则化调整。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,包括以下步骤:
获取待检测磁流变减震器对应的震动波动曲线和风速波动曲线;
根据风速波动曲线上每个数据点的斜率和风速值,对风速波动曲线进行分割处理,获得各个风速波动区间;
根据各个风速波动区间和震动波动曲线上每个数据点的斜率、各个风速波动区间内每个数据点的风速值,确定震动波动曲线上每个数据点对应的匹配风速值;
根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性;
利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据;根据调整后的震动数据获得去噪后的震动数据;
根据去噪后的震动数据检测待检测磁流变减震器的性能。
2.根据权利要求1所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,根据风速波动曲线上每个数据点的斜率和风速值,对风速波动曲线进行分割处理,获得各个风速波动区间,包括:
将风速波动曲线上除第一个和最后一个数据点以外的数据点作为待选分割点;
对于任意一个待选分割点,根据待选分割点的前一个数据点的斜率和后一个数据点的斜率、待选分割点的风速值,分析风速波动曲线上待选分割点的划分情况,确定待选分割点为实际分割点的可能性;
将可能性大于预设可能性阈值的待选分割点作为实际分割点,获得风速波动曲线的各个实际分割点;利用各个实际分割点对风速波动曲线进行分割处理,获得各个风速波动区间。
3.根据权利要求2所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,确定待选分割点为实际分割点的可能性,包括:
计算待选分割点的前一个数据点和后一个数据点之间的斜率差异,将斜率差异作为第一可能因子;对待选分割点的风速值进行取反处理,将风速值的反比例值作为第二可能因子;对第一可能因子和第二可能因子的乘积进行归一化处理,将归一化处理后的乘积作为待选分割点为实际分割点的可能性。
4.根据权利要求1所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,根据各个风速波动区间和震动波动曲线上每个数据点的斜率、各个风速波动区间内每个数据点的风速值,确定震动波动曲线上每个数据点对应的匹配风速值,包括:
对于任意一个风速波动区间,根据风速波动区间和震动波动曲线上每个数据点的斜率、风速波动区间内每个数据点的风速值、以及设置的震动滞后范围,确定风速波动区间与每次滞后对应的震动波动区间的匹配程度;
获取各个风速波动区间与每次滞后对应的震动波动区间的匹配程度,确定最大匹配程度对应的震动滞后数目为目标滞后数目;根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值。
5.根据权利要求4所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,所述匹配程度的计算公式为:
;
式中,为第j个风速波动区间与第d次滞后对应的震动波动区间的匹配程度,d的取值范围为震动滞后范围,exp为以自然常数为底的指数函数,/>为第j个风速波动区间内数据点的数量,/>为第j个风速波动区间内第a个数据点的风速值,a为数据点的序号,norm为线性归一化函数,/>为第j个风速波动区间内第a个数据点的斜率的导数,/>为第d次滞后对应的震动波动区间内第a个数据点的斜率的导数,/>为取绝对值函数;
其中,所述第d次滞后对应的震动波动区间为震动波动曲线上与第j个风速波动区间相对应的区间,再向后滑动d个数据点。
6.根据权利要求4所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,根据目标滞后数目,确定震动波动曲线上每个数据点对应的匹配风速值,包括:
确定震动波动曲线上任意一个数据点为目标数据点,在风速波动曲线上确定与目标数据点的时间序号相同的数据点为第一数据点;以第一数据点为起始点,将向前滑动目标滞后数目个数据点后对应的数据点的风速值作为目标数据点的匹配风速值。
7.根据权利要求1所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,根据震动波动曲线上每个数据点对应的匹配风速值和振动幅度,确定震动波动曲线上每个数据点的正则必要性,包括:
将震动波动曲线上匹配风速值相同的数据点作为一类数据点,获得各类数据点;根据各类数据点的振动幅度,确定震动波动曲线上每个数据点的离散程度;
对于离散程度不小于预设离散程度阈值的数据点,将离散程度作为对应数据点的正则必要性;对于离散程度小于预设离散程度阈值的数据点,将0作为对应数据点的正则必要性。
8.根据权利要求7所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,所述数据点的离散程度的计算公式为:
;
式中,为震动波动曲线上第i个数据点的离散程度,norm为线性归一化函数,/>为震动波动曲线上与第i个数据点为一类的数据点个数,T为预设数据点数目,/>为震动波动曲线上第i个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点之前的第t个数据点的振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上与第i个数据点为一类的第z个数据点的振动幅度,/>为求绝对值符号。
9.根据权利要求1所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,利用正则必要性对震动波动曲线上每个数据点的振动幅度进行调整,获得调整后的震动数据,包括:
计算震动波动曲线上所有震动数据的平均值作为初始化正则参数;
根据震动波动曲线上每个数据点的正则必要性、振动幅度以及初始化正则参数,确定震动波动曲线上每个数据点的调整振动幅度;
根据震动波动曲线上每个数据点的调整振动幅度确定调整后的震动数据。
10.根据权利要求9所述的一种型钢混凝土结构的磁流变减震器的性能检测方法,其特征在于,确定震动波动曲线上每个数据点的调整振动幅度,包括:
;
式中,为震动波动曲线上第i个数据点的调整振动幅度,/>为震动波动曲线上第i个数据点的振动幅度,/>为震动波动曲线上第i个数据点的正则必要性,/>为初始化正则参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823813.6A CN117470528B (zh) | 2023-12-28 | 2023-12-28 | 一种型钢混凝土结构的磁流变减震器的性能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823813.6A CN117470528B (zh) | 2023-12-28 | 2023-12-28 | 一种型钢混凝土结构的磁流变减震器的性能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117470528A true CN117470528A (zh) | 2024-01-30 |
CN117470528B CN117470528B (zh) | 2024-03-26 |
Family
ID=89640093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823813.6A Active CN117470528B (zh) | 2023-12-28 | 2023-12-28 | 一种型钢混凝土结构的磁流变减震器的性能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470528B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5974434A (en) * | 1997-10-07 | 1999-10-26 | Ralph E. Rose | Method and apparatus for automatically tuning the parameters of a feedback control system |
US20190370418A1 (en) * | 2018-05-29 | 2019-12-05 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and apparatus for arranging wind turbines based on rapid accessment fluid model and wake model |
CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
US20210102597A1 (en) * | 2019-10-08 | 2021-04-08 | Exxonmobil Upstream Research Company | Magnetorheological Dampener System for Protecting Well Equipment |
US20210148331A1 (en) * | 2019-11-15 | 2021-05-20 | North China Electric Power University | Yaw calibration method and system for wind turbine |
KR102309387B1 (ko) * | 2021-07-29 | 2021-10-06 | (주)화림테크 | 풍속센서를 이용한 가공 배전선로의 댐퍼 감시장치 |
CN114486137A (zh) * | 2022-01-28 | 2022-05-13 | 同济大学 | 一种桥梁激振减振一体化装置 |
CN114878132A (zh) * | 2022-05-17 | 2022-08-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种强迫振荡动导数试验空气阻尼测量及修正方法 |
CN116991841A (zh) * | 2023-09-25 | 2023-11-03 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
-
2023
- 2023-12-28 CN CN202311823813.6A patent/CN117470528B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5974434A (en) * | 1997-10-07 | 1999-10-26 | Ralph E. Rose | Method and apparatus for automatically tuning the parameters of a feedback control system |
US20190370418A1 (en) * | 2018-05-29 | 2019-12-05 | Beijing Goldwind Science & Creation Windpower Equipment Co., Ltd. | Method and apparatus for arranging wind turbines based on rapid accessment fluid model and wake model |
US20210102597A1 (en) * | 2019-10-08 | 2021-04-08 | Exxonmobil Upstream Research Company | Magnetorheological Dampener System for Protecting Well Equipment |
US20210148331A1 (en) * | 2019-11-15 | 2021-05-20 | North China Electric Power University | Yaw calibration method and system for wind turbine |
CN111178616A (zh) * | 2019-12-24 | 2020-05-19 | 淮阴工学院 | 基于负相关学习和正则化极限学习机集成的风速预测方法 |
KR102309387B1 (ko) * | 2021-07-29 | 2021-10-06 | (주)화림테크 | 풍속센서를 이용한 가공 배전선로의 댐퍼 감시장치 |
CN114486137A (zh) * | 2022-01-28 | 2022-05-13 | 同济大学 | 一种桥梁激振减振一体化装置 |
CN114878132A (zh) * | 2022-05-17 | 2022-08-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种强迫振荡动导数试验空气阻尼测量及修正方法 |
CN116991841A (zh) * | 2023-09-25 | 2023-11-03 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
Non-Patent Citations (2)
Title |
---|
李惠等: "斜拉索磁流变智能阻尼控制系统分析与设计", 中国公路学报, no. 04, 30 December 2005 (2005-12-30) * |
王唯等: "基于Bouc-Wen方程的磁流变阻尼器实验建模", 振动工程学报, no. 03, 30 October 2006 (2006-10-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117470528B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
CN109543763B (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
CN108801950B (zh) | 基于滑动窗多尺度主元分析的紫外光谱水质异常检测方法 | |
Venkatramani et al. | Investigations on precursor measures for aeroelastic flutter | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN114363195A (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN114925728A (zh) | 滚动轴承故障诊断方法、装置、电子设备以及存储介质 | |
CN112765550A (zh) | 一种基于Wi-Fi信道状态信息的目标行为分割方法 | |
CN109783767A (zh) | 一种短时傅里叶变换窗长的自适应选择方法 | |
CN117470528B (zh) | 一种型钢混凝土结构的磁流变减震器的性能检测方法 | |
Bassey et al. | An evaluation of smoothing filters for gas sensor signal cleaning | |
US20220269988A1 (en) | Abnormality degree calculation system and abnormality degree calculation method | |
Hu et al. | A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition | |
CN113362853B (zh) | 一种基于lstm网络emd端点效应抑制方法 | |
CN114970646A (zh) | 一种人工源电磁伪随机信号去趋势和噪声识别方法 | |
CN115343573A (zh) | 一种面向电网监控的声纹模型演化设备故障融合判决方法 | |
CN109540292B (zh) | 一种光谱的预处理方法 | |
KR20200114231A (ko) | 볼트 축력 예측 방법 | |
CN113985393B (zh) | 一种目标检测方法、装置及系统 | |
Pełech-Pilichowski | On adaptive prediction of nonstationary and inconsistent large time series data | |
CN117889945B (zh) | 一种公路桥梁施工振动测试方法 | |
CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
CN117119465B (zh) | 一种基于Adaboost的宽带信号并行频谱感知方法 | |
CN117216489B (zh) | 一种基于互联网的防水涂料质检分析方法及系统 | |
CN111523258B (zh) | 基于MS-Net网络的微地震有效信号初至拾取方法及系统 |
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 |