CN117633466A - 结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 - Google Patents
结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN117633466A CN117633466A CN202311649569.6A CN202311649569A CN117633466A CN 117633466 A CN117633466 A CN 117633466A CN 202311649569 A CN202311649569 A CN 202311649569A CN 117633466 A CN117633466 A CN 117633466A
- Authority
- CN
- China
- Prior art keywords
- strain
- time interval
- data
- interval data
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 54
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000007847 structural defect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000010959 steel Substances 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
- 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
- G06F18/20—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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种结构局部缺陷诊断和增长率预测方法,涉及结构数字化监测技术领域,包括:在结构面布设监测线,所述监测线包含多个测点;获取所述测点的应变时程数据;根据所述应变时程数据,得到所述测点的高频应变特征值;根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;监测所述高频应变特征线上各点随时间的变化量。本发明还提供一种结构局部缺陷诊断和增长率预测装置、计算设备及存储介质。采用本发明的结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质,能够解决现有技术中在随机荷载作用下结构局部缺陷的监测和诊断精度差、实用性不强的技术问题。
Description
技术领域
本发明涉及结构数字化监测技术领域,具体涉及一种结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质。
背景技术
目前我国的基础设施建设快速发展并日趋成熟,越来越多的结构正逐步进入或已经进入老龄化阶段,随着其服役时间的增加,其病害逐步增加,安全隐患时刻威胁着人民的生命财产安全。如何对结构的健康状况进行实时监测,及时发现其损伤状况成为当前亟需解决的问题。
通过在结构关键部位布设传感器,对其运行状况进行实时监测,及时发现结构的局部缺陷并进行预警,是结构监测中常用的手段。传统的缺陷识别方法包括采用频率、模态振型、柔度矩阵等,通常假定荷载为已知荷载、脉冲荷载或白噪声,与结构的真实运营环境相差甚远,由于结构在真实运营阶段所承受的荷载存在不确定性,而结构响应即监测数据与其所承受的荷载具有强烈的相关性,导致传统的技术虽然在实验室环境下能够取得良好的效果,然而在真实的运营环境中尤其是在如随机车流等随机荷载作用下精度差、实用性不强。
发明内容
本发明的目的是提供一种结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质,解决现有技术中在随机荷载作用下结构局部缺陷的监测和诊断精度差、实用性不强的技术问题。
为实现上述目的,本发明提供一种结构局部缺陷诊断和增长率预测方法,包括:在结构面布设监测线,所述监测线包含多个测点;获取所述测点的应变时程数据,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据;根据所述应变时程数据,得到所述测点的高频应变特征值;根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
本发明还提供一种结构局部缺陷诊断和增长率预测装置,包括:监测线布设模块,用于在结构面布设监测线,所述监测线包含多个测点;应变时程数据获取模块,用于获取所述测点的应变时程数据,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据;高频应变特征值获取模块,用于根据所述应变时程数据,得到所述测点的高频应变特征值;高频应变特征线获取模块,用于根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;缺陷监测诊断模块,用于监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
本发明还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行所述结构局部缺陷诊断和增长率预测方法的步骤。
本发明还提供一种计算设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述结构局部缺陷诊断和增长率预测方法的步骤。
相比于现有技术,本发明的有益效果在于:
本发明的结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质,通过在结构面布设监测线,对运营期结构面荷载进行监测,获取各测点的应变时程数据,得到各测点相应的高频应变特征值,并进一步得到监测线高频应变特征线,通过监测所述高频应变特征线上各点随时间的变化量,能够准确识别运营期结构局部缺陷,对结构局部缺陷增长率进行预警。
优选的,所述获取所述测点的应变时程数据,包括:获取所述测点的行车特征时程信息;获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段,有利于获取高质量高频应变响应的数据,保证结构缺陷诊断的准确性。
优选的,所述根据所述应变时程数据,得到所述测点的高频应变特征值,包括:根据所述应变时程数据,计算总样本信号能量值;根据所述环境应变时程数据,计算环境样本信号能量值;计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
优选的,获取所述测点的应变时程数据后,修正所述应变时程数据,包括:对至少部分所述环境应变时程数据进行拟合,得到漂移函数;将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量;将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据,有利于提高监测数据的精度。
优选的,所述应变时程数据获取模块包括:行车特征时程信息获取单元,用于获取所述测点的行车特征时程信息;应变时程数据筛选单元,用于获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段。
优选的,所述高频应变特征值获取模块包括:总样本信号能量值计算单元,用于根据所述应变时程数据,计算总样本信号能量值;环境样本信号能量值计算单元,用于根据所述环境应变时程数据,计算环境样本信号能量值;高频应变特征值计算单元,用于计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
优选的,所述装置还包括应变时程数据修正模块,所述应变时程数据修正模块包括:漂移函数获取单元,用于对至少部分所述环境应变时程数据进行拟合,得到漂移函数;修正量计算单元,用于将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量;应变时程数据获取单元,用于将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例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为本发明实施例提供的结构局部缺陷诊断和增长率预测方法的流程示意图;
图2为本发明实施例提供的高频应变特征线示意图;
图3为本发明实施例提供的结构面无缺陷时的高频应变特征面的示意图;
图4为本发明实施例提供的结构面产生缺陷时的高频应变特征面的示意图;
图5为本发明实施例提供的结构面产生缺陷时的缺陷增长率云图;
图6为发明实施例提供的结构局部缺陷诊断和增长率预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为的本实施例提供的结构局部缺陷诊断和增长率预测方法的流程示意图。如图1所示,本实施例公开一种结构局部缺陷诊断和增长率预测方法,包括:
步骤S1,在结构面布设监测线,所述监测线包含多个测点。
可在桥梁、边坡、隧道行车道板或路面等类型的结构面上布设监测线。优选选取结构响应较大的区域布设监测线,例如在车辆轮载等活载反复作用的轮迹线上间隔布设测点形成监测线。测点的数量可综合考虑经济性和结构易损性的原则进行确定。考虑结构物空间性,可根据结构物的宽度,在结构面上布设一条或多条监测线。
步骤S2,获取每个所述测点的应变时程数据。
可采用高频应变传感器获取结构动态应变响应数据,采用高频应变采集仪等应变采集设备进行高频应变响应数据和时间的获取、存储,形成应变时程数据,所支持的数据采集频率优选为50Hz以上。
为保证获取到的活载应变时程数据完整有效,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据。其中,活载应变时程数据为测点上有活载效应的时段内在该测点获取的应变时程数据,环境应变时程数据为测点上无活载效应的时段内在该测点获取的应变时程数据。
具体地,所述获取所述测点的应变时程数据,包括:
步骤S201,获取所述测点的行车特征时程信息;
行车特征时程信息包括车辆的行车特征信息以及车辆行驶通过所述测点的时间信息。在一些具体的实施方式中,采用视频摄像机等观测设备对结构进行连续拍照或视频拍摄,识别车型、车速和轴数等行车特征信息,结合记录的车辆通过所述测点的时间信息,得到所述行车特征时程信息。
步骤S202,获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段。
具有不同行车特征的车辆通常产生不同的激励荷载。由于不同的结构特征产生高质量的高频应变响应所需的激励荷载不同,为保证结构缺陷诊断的准确性,根据结构类型或具体工作面特征不同,选取能够产生高质量激励荷载的行车特征信息作为相应的目标行车特征信息,将具有不同于目标行车特征信息的车辆通过测点产生的活载应变时程数据排除在最终获取的应变时程数据之外。例如,对于边坡结构,选取目标行车特征信息包含大型载重货车、不包含小型汽车,则小型汽车通过测点的时段不在目标时段内,最终获取的应变时程数据不包含小型汽车通过测点产生的活载应变时程数据;对于钢结构桥梁,选取目标行车特征信息包含小型汽车,因此最终获取的应变时程数据包含小型汽车通过测点产生的活载应变时程数据。
在一些优选的实施例中,工控机分别与观测设备和应变采集设备相连,由工控机进行统一授时,同步时钟,有利于保证采集的应变时程数据和行车特征时程信息的时程准确对应。
考虑应变传感器在长期工作下会出现零点漂移现象,加之灵敏度系数的误差,导致获取的监测数据的精度不理想,为消除零点漂移和灵敏度系数误差的影响,获取每个所述测点的应变时程数据后,修正所述应变时程数据,包括:
步骤S211,对至少部分所述环境应变时程数据进行拟合,得到漂移函数;其中,优选对短时或部分所述环境应变时程数据进行线性拟合,以获得更好的拟合效果。
步骤S212,将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量。
步骤S213,将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据。
步骤S3,根据所述应变时程数据,得到所述测点的高频应变特征值。
在一些可行的实施方式中,提取测点的应变时程数据中的应变量峰值作为高频应变特征值。在另一些可行的实施方式中,所述高频应变特征值为活载作用下的应变信号能量值;所述根据所述应变时程数据,得到所述测点的高频应变特征值,包括:
步骤S301,根据所述应变时程数据,计算总样本信号能量值;
步骤S302,根据所述环境应变时程数据,计算环境样本信号能量值;
步骤S303,计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
在交通量较大时,如果采用应变量峰值作为高频应变特征值,波峰常常重叠或交错,其对应关系难以寻找,导致结构缺陷难以准确诊断。采用活载作用下的应变信号能量值作为高频应变特征值,则可以避免这种问题发生。
步骤S4,根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线。
对于每一条监测线,可分别绘制多个不同时间的高频应变特征线,形成数据的及时更新。在一些具体的实施方式中,在三维坐标空间中绘制监测线中各个测点对应的特征点,每个测点对应的特征点的坐标根据该测点的布设位置、状态值及其更新时间确定;而后对至少部分特征点进行数据处理,例如连接、线性插值或非线性拟合,得到所述高频应变特征线。其中,测点的状态值为其高频应变特征值,或根据其高频应变特征值计算确定。
在一些优选的实施例中,为保证数据统计特征的稳定性和精度,对于每个测点,根据在目标时段内的多辆车辆分别通过该测点产生的应变时程数据,相应得到多个高频应变特征值,计算所述多个高频应变特征值的平均值、期望值、或众值等统计参数作为该测点的所述状态值,根据各测点的所述状态值得到所述监测线的高频应变特征线。
步骤S5,监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
在一些具体的实施方式中,根据多个不同时间得到的高频应变特征线绘制高频应变特征面,监测各特征点的状态值随时间的变化量,作为所述各点随时间的变化量,实现应变量监测结果的可视化反馈。其中,针对相邻两条高频应变特征线之间部分的状态值,可采用线性内插或循环神经网络LSTM等数据处理方法来确定。其中,所述高频应变特征线上各特征点包括测点对应的特征点和通过线性插值等数据处理方法得到的特征点。
在一些具体的实施方式中,对所述高频应变特征面上至少部分特征点求微分,例如测点对应的特征点,计算各特征点的状态值随时间的变化率,作为所述各点随时间的变化量,以实现结构性能持续的预测。可进一步根据所述变化率绘制缺陷增长率云图,实现缺陷增长率的可视化反馈。其中,针对相邻两特征点之间部分的变化率值,可采用线性内插或循环神经网络LSTM等数据处理方法来确定。
下面以简支梁桥梁为例来说明上述结构局部缺陷诊断和增长率预测方法的应用。
在简支梁桥梁布设检测线,获取测点的原始应变时程数据和行车特征时程信息,确定任一测点的目标时段为不包含不同于小型汽车的车辆通过该测点的时段。提取在目标时段内每个测点的应变时程数据,对其进行修正:自应变时程数据中提取无轮载效应时的环境应变时程数据,采用最小二乘法,以时间x为自变量、应变量y为因变量进行线性拟合得到一次函数作为漂移函数:
其中,和/>分别为该漂移函数的斜率和截距。
将应变时程数据中的时间序列t作为自变量,根据拟合出的漂移函数求解其因变量,从而得到各时间的修正量Δε:
将各时间的修正量Δε计入应变时程数据中对应的应变数据ε,得到修正后的应变时程数据
然后,计算测点的高频应变特征值。
对修正后的应变时程数据进行傅里叶变换并取模,得到总样本频谱信号ε(f);
计算总样本频谱信号的频谱面积P(f):
计算总样本信号能量值W(f):
W(f)=P(f)*t
其中,t为该总样本的采样时间。
对修正后的应变时程数据中的环境应变时程数据进行傅里叶变换并取模,得到环境样本频谱信号εe(f);
计算环境样本频谱信号的频谱面积Pe(f):
计算环境样本信号能量值We(f):
We(f)=Pe(f)*t
其中,t为该环境样本的采样时间。
计算测点的高频应变特征值Wu:
Wu=W(f)-We(f)
将各测点的高频应变特征值组成该监测线的高频应变特征向量并将向量中各高频应变特征值归一化:
其中,wi为第i个测点的高频应变特征值,n为检测线中测点数量,i=1,2,……n。
对于任一测点,对每1500辆小型汽车通过该测点产生的归一化后的高频应变特征值计算平均值,作为该测点的状态值更新。图2为本实施例提供的高频应变特征线示意图。如图2所示,对于每条监测线,以测点距离简支梁桥梁一端的距离为x坐标,以特征点的状态值数据更新时间为y坐标,以状态值为z坐标,在三维坐标空间中绘制各个测点对应的特征点,而后对各特征点进行非线性拟合,得到该监测线对应的高频应变特征线。
定期更新各测点的状态值并在同一三维坐标空间中绘制高频应变特征线。采用线性内插的方法得到两条高频应变特征线之间的状态值,形成高频应变特征面。
图3为本实施例提供的结构面无缺陷时的高频应变特征面的示意图。如图3所示,对于常规无缺陷结构,高频应变特征面应为平滑曲面,状态值不随时间发生变化。
图4为本实施例提供的结构面产生缺陷时的高频应变特征面的示意图。如图4所示,当高频应变特征面的A区域在某一时刻突然发生上凸或下凹且幅度超过预设阈值,诊断A区域对应的结构面位置为缺陷位置。
对高频应变特征面上测点对应的特征点求微分,计算各测点对应的特征点的状态值随时间的变化率,通过线性内插得到各测点对应的特征点之间区域内特征点的变化率值,并绘制缺陷增长率云图,其中x轴为测点距离简支梁桥梁一端的距离,y轴为特征点变化率数据更新时间,根据变化率的大小颜色从黑到白进行绘制,变化率为0时为黑色,变化率大于0.05时为白色。
图5为本实施例提供的结构面产生缺陷时的缺陷增长率云图。如图5所示,此时云图中出现白色区域,进行预警,提示进行人工复检,采取措施修复结构,并重新采集应变时程数据。当云图中无白色区域时,持续进行数据采集,密切关注缺陷增长率云图,提高人工巡查频率。
图6为本实施例提供的结构局部缺陷诊断和增长率预测装置的结构示意图。如图6所示,本实施例还公开一种结构局部缺陷诊断和增长率预测装置,包括:监测线布设模块61,用于在结构面布设监测线,所述监测线包含多个测点;应变时程数据获取模块62,用于获取所述测点的应变时程数据,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据;高频应变特征值获取模块63,用于根据所述应变时程数据,得到所述测点的高频应变特征值;高频应变特征线获取模块64,用于根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;缺陷监测诊断模块65,用于监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
具体地,所述高频应变特征值获取模块63包括:总样本信号能量值计算单元,用于根据所述应变时程数据,计算总样本信号能量值;环境样本信号能量值计算单元,用于根据所述环境应变时程数据,计算环境样本信号能量值;高频应变特征值计算单元,用于计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
具体地,所述应变时程数据获取模块62包括:行车特征时程信息获取单元,用于获取所述测点的行车特征时程信息;应变时程数据筛选单元,用于获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段。
具体地,所述装置还包括应变时程数据修正模块,所述应变时程数据修正模块包括:漂移函数获取单元,用于对至少部分所述环境应变时程数据进行拟合,得到漂移函数;修正量计算单元,用于将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量;应变时程数据获取单元,用于将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据。
本实施例还公开一种存储介质,其上存储有计算机程序,所述计算机程序被处理器运行时执行所述结构局部缺陷诊断和增长率预测方法的步骤。
本实施例还公开一种计算设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行所述结构局部缺陷诊断和增长率预测方法的步骤。
需要说明的是,本发明实施例公开的结构局部缺陷诊断和增长率预测装置、电子设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的结构局部缺陷诊断和增长率预测方法中对应部分的详细说明,在此不再赘述。另外,本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上面对本发明的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述,本发明的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此,虽然已经具体讨论了一些另选的实施方式,但是其它实施方式将是显而易见的,或者本领域技术人员相对容易得出。本发明旨在包括在此已经讨论过的本发明的所有替代、修改和变化,以及落在上述申请的精神和范围内的其它实施方式。
虽然通过实施方式描绘了本发明,本领域普通技术人员知道,本发明有许多变形和变化而不脱离本发明的精神,希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。
Claims (10)
1.结构局部缺陷诊断和增长率预测方法,包括:
在结构面布设监测线,所述监测线包含多个测点;
获取所述测点的应变时程数据,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据;
根据所述应变时程数据,得到所述测点的高频应变特征值;
根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
2.根据权利要求1所述方法,其特征在于,所述获取所述测点的应变时程数据,包括:
获取所述测点的行车特征时程信息;
获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段。
3.根据权利要求1所述方法,其特征在于,所述根据所述应变时程数据,得到所述测点的高频应变特征值,包括:
根据所述应变时程数据,计算总样本信号能量值;
根据所述环境应变时程数据,计算环境样本信号能量值;
计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
4.根据权利要求1至3任一项所述方法,其特征在于,获取所述测点的应变时程数据后,修正所述应变时程数据,包括:
对至少部分所述环境应变时程数据进行拟合,得到漂移函数;
将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量;
将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据。
5.结构局部缺陷诊断和增长率预测装置,其特征在于,包括:
监测线布设模块,用于在结构面布设监测线,所述监测线包含多个测点;
应变时程数据获取模块,用于获取所述测点的应变时程数据,所述应变时程数据包括活载应变时程数据和环境应变时程数据,其中所述环境应变时程数据包括活载效应发生前及结束后预设时段内的应变时程数据;
高频应变特征值获取模块,用于根据所述应变时程数据,得到所述测点的高频应变特征值;
高频应变特征线获取模块,用于根据各所述测点的所述高频应变特征值,得到所述监测线的高频应变特征线;
缺陷监测诊断模块,用于监测所述高频应变特征线上各点随时间的变化量,若至少一点的所述变化量超过预设阈值,诊断该点对应的结构面位置为缺陷位置和/或对缺陷增长率预警。
6.根据权利要求5所述装置,其特征在于,所述应变时程数据获取模块包括:行车特征时程信息获取单元,用于获取所述测点的行车特征时程信息;
应变时程数据筛选单元,用于获取目标时段内所述测点的应变时程数据,其中所述目标时段不包含具有不同于目标行车特征信息的车辆通过所述测点的时段。
7.根据权利要求5所述装置,其特征在于,所述高频应变特征值获取模块包括:总样本信号能量值计算单元,用于根据所述应变时程数据,计算总样本信号能量值;
环境样本信号能量值计算单元,用于根据所述环境应变时程数据,计算环境样本信号能量值;
高频应变特征值计算单元,用于计算所述总样本信号能量值和所述环境样本信号能量值之差,得到所述测点的高频应变特征值。
8.根据权利要求5至7任一项所述装置,其特征在于,还包括应变时程数据修正模块,所述应变时程数据修正模块包括:
漂移函数获取单元,用于对至少部分所述环境应变时程数据进行拟合,得到漂移函数;
修正量计算单元,用于将所述应变时程数据中的时间序列带入所述漂移函数,计算得到各时间的修正量;
应变时程数据获取单元,用于将所述各时间的修正量计入所述应变时程数据中对应的应变数据,得到修正后的所述应变时程数据。
9.存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器运行时执行权利要求1至4任一项所述方法的步骤。
10.计算设备,包括存储器和处理器,所述存储器上存储有能够在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行权利要求1至4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649569.6A CN117633466A (zh) | 2023-12-04 | 2023-12-04 | 结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311649569.6A CN117633466A (zh) | 2023-12-04 | 2023-12-04 | 结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633466A true CN117633466A (zh) | 2024-03-01 |
Family
ID=90025087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311649569.6A Pending CN117633466A (zh) | 2023-12-04 | 2023-12-04 | 结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633466A (zh) |
-
2023
- 2023-12-04 CN CN202311649569.6A patent/CN117633466A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A kNN algorithm for locating and quantifying stiffness loss in a bridge from the forced vibration due to a truck crossing at low speed | |
Fauriat et al. | Estimation of road profile variability from measured vehicle responses | |
CN110704801B (zh) | 桥梁集群结构运营安全智能监测与快速检测成套方法 | |
CN112834193B (zh) | 一种基于三维图的运营桥梁振动和健康状态异常预警方法 | |
CN113295310A (zh) | 一种基于应变刚度代表值的桥梁损伤判定方法 | |
Yu et al. | Pavement roughness index estimation and anomaly detection using smartphones | |
JP6315810B2 (ja) | 鉄道橋の支承部の異常検出方法 | |
Aboah et al. | Smartphone-based pavement roughness estimation using deep learning with entity embedding | |
Sun et al. | Damage detection based on structural responses induced by traffic load: Methodology and application | |
CN104880172A (zh) | 基于卡尔曼滤波的路面平整度测量方法及装置 | |
Kheirati et al. | Low-cost infrared-based pavement roughness data acquisition for low volume roads | |
CN112411371A (zh) | 基于移动传感和视觉的公路桥梁综合检测方法和系统 | |
Chiaia et al. | Customised active monitoring system for structural control and maintenance optimisation | |
Seo et al. | Integrated structural health monitoring system and multi-regression models for determining load ratings for complex steel bridges | |
CN115808324A (zh) | 一种中小跨径桥梁轻量化安全管理监测方法及系统 | |
CN114997249A (zh) | 一种桥梁伸缩缝装置的监控方法及系统 | |
Zhu et al. | Structural damage detection of the bridge under moving loads with the quasi-static displacement influence line from one sensor | |
Morichika et al. | Estimation of displacement response in steel plate girder bridge using a single MEMS accelerometer | |
CN117633466A (zh) | 结构局部缺陷诊断和增长率预测方法、装置、计算设备及存储介质 | |
CN116702000B (zh) | 一种基于多层数据融合的路面质量动态监测与评估方法 | |
Locke et al. | Experimental evaluation of drive-by health monitoring on a short-span bridge using OMA techniques | |
Wang | Road profiler performance evaluation and accuracy criteria analysis | |
Ma et al. | State-of-the-art of terrain profile characterisation models | |
CN114091160A (zh) | 一种桥梁结构损伤的智能化检测方法及系统 | |
Singh et al. | Contact point response-based indirect bridge health monitoring using roboust empirical mode decomposition |
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 |