CN118013301A - 基于bim的公路桥梁施工信息数字化管理方法 - Google Patents
基于bim的公路桥梁施工信息数字化管理方法 Download PDFInfo
- Publication number
- CN118013301A CN118013301A CN202410417389.3A CN202410417389A CN118013301A CN 118013301 A CN118013301 A CN 118013301A CN 202410417389 A CN202410417389 A CN 202410417389A CN 118013301 A CN118013301 A CN 118013301A
- Authority
- CN
- China
- Prior art keywords
- vibration data
- vibration
- data
- moment
- noise
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 56
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012937 correction Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 20
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及施工信息管理技术领域,具体涉及一种基于BIM的公路桥梁施工信息数字化管理方法,包括:先确定每个时刻的振动数据的反常因子,再结合选取出的振动噪音数据和同时刻下的振动数据之间的相关性,确定振动数据的反常修正系数;利用反常修正系数修正对应的振动数据的反常因子,获得初始离群系数,进而自适应确定优化尺度上限,获得最终显著性值;根据每个时刻的振动数据的最终显著性值,实现桥梁施工过程中异常振动数据的筛选管理。本发明通过自适应确定振动数据在使用显著性检测时对应的优化尺度上限,提高振动数据进行显著性异常检测时的准确性,其有助于提升公路桥梁施工信息数字化管理的能力。
Description
技术领域
本发明涉及施工信息管理技术领域,具体涉及一种基于BIM的公路桥梁施工信息数字化管理方法。
背景技术
公路桥梁工程是现代交通基础设施建设的重要组成部分,对社会生活发展具有重要意义,主要体现在,为商业和产业活动提供了必要的交通基础设施,促进了经济发展,降低了运输成本;也提高了道路的安全性,提供了更安全舒适的行车环境。对公路桥梁施信息进行数字化管理时,为了确保公路桥梁工程的安全性能,在公路桥梁的施工过程中存在着很多有必要的质量检测环节,例如,桥梁结构稳定性的检测,具体通过分析桥梁施工过程中的振动数据来检测桥梁结构稳定性。
传统的桥梁结构稳定性检测需要大量的人力和物力投入,容易耗费大量的时间和精力,并且大量复杂数据分析增加了检测成本以及不确定性;现有利用BIM(BuildingInformation Modeling,建筑信息模型)技术可以将建筑模型与工程数据进行整合,实现设计流程的数字化,具体为将实时数据反馈到BIM模型中,然后对监测的数据进行异常检测;现有显著性检测算法在对桥梁振动数据进行异常检测时,存在由外界环境干扰产生的异常振动数据的干扰,例如,建筑施工过程中打桩和挖掘产生的振动波等,造成最终的异常检测准确性较差,施工信息数字化管理能力低下。
发明内容
为了解决上述桥梁振动数据异常检测准确性较差,导致施工信息数字化管理能力低下的技术问题,本发明的目的在于提供一种基于BIM的公路桥梁施工信息数字化管理方法,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基于BIM的公路桥梁施工信息数字化管理方法,该方法包括以下步骤:
实时获取桥梁施工过程中BIM模型中的振动数据集合和噪音数据集合,两个集合中数据采集的时刻相同;
根据振动数据集合中每个时刻的振动数据自身的数值表现特征及其周围振动数据的变化特征,确定每个时刻的振动数据的反常因子;
根据振动数据集合和噪音数据集合之间的数据变化特征的相似性确定振动噪音数据集合;
根据振动数据集合、振动噪音数据集合以及每个时刻的振动数据的反常因子,分析相同时刻的振动数据和振动噪音数据之间的相关性,确定每个时刻的振动数据的反常修正系数;
利用反常修正系数修正对应的振动数据的反常因子,获得每个时刻的振动数据的初始离群系数;
根据每个时刻的振动数据的初始离群系数和显著性检测的预设尺度,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限,进而确定每个时刻的振动数据对应的多个尺度;
确定每个时刻的振动数据在其对应的多个尺度下的第一离群系数;根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值;
根据每个时刻的振动数据的最终显著性值,判断桥梁施工过程中是否存在异常振动。
进一步地,所述根据振动数据集合中每个时刻的振动数据自身的数值表现特征及其周围振动数据的变化特征,确定每个时刻的振动数据的反常因子,包括:
将任意一个时刻的振动数据作为待分析振动数据,在待分析振动数据周围选取最近的第一预设数目个时刻的振动数据组成第一参考数据子集,计算待分析振动数据与第一参考数据子集中每个时刻的振动数据之间的差值,记为待分析振动数据对应的各个第一差异值;
在待分析振动数据周围选取最近的第二预设数目个时刻的振动数据组成第二参考数据子集,计算待分析振动数据与第二参考数据子集中每个时刻的振动数据之间的差异,记为待分析振动数据对应的各个第二差异值;
根据待分析振动数据对应的各个第一差异值和各个第二差异值,确定待分析振动数据的反常因子;其中,第一预设数目大于第二预设数目。
进一步地,所述根据待分析振动数据对应的各个第一差异值和各个第二差异值,确定待分析振动数据的反常因子,包括:
计算待分析振动数据对应的各个第一差异值的累加和,对各个第一差异值的累加和进行归一化处理,获得归一化处理后的累加和,作为待分析振动数据的初始反常因子;
计算待分析振动数据对应的各个第二差异值的累加和,作为待分析振动数据的差异可信度;
将待分析振动数据的初始反常因子与差异可信度的乘积作为待分析振动数据的反常因子。
进一步地,所述根据振动数据集合和噪音数据集合之间的数据变化特征的相似性确定振动噪音数据集合,包括:
获取振动数据集合和噪音数据集合对应的拟合曲线信号;对噪音数据集合对应的拟合曲线信号进行分解处理,获得各个噪音分量信号;
根据振动数据集合对应的拟合曲线信号和各个噪音分量信号的数据分布特征,确定振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值;
根据振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值之间的差异,将最小差异对应的噪音分量信号作为目标噪音分量信号,进而将目标噪音分量信号中每个时刻的噪音数据组成的集合作为振动噪音数据集合。
进一步地,所述根据振动数据集合对应的拟合曲线信号和各个噪音分量信号的数据分布特征,确定振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值,包括:
对于振动数据集合对应的拟合曲线信号和各个噪音分量信号中的任意一个信号,确定信号中最大值和最小值,将最大值和最小值的差值作为第一变化特征因子;
统计信号中极值点的个数,作为第二变化特征因子;计算信号中所有数据点的方差值,作为第三变化特征因子;
计算第一变化特征因子、第二变化特征因子和第三变化特征因子的乘积,对三个变化特征因子的乘积进行归一化处理,获得信号对应的变化特征值。
进一步地,所述根据振动数据集合、振动噪音数据集合以及每个时刻的振动数据的反常因子,分析相同时刻的振动数据和振动噪音数据之间的相关性,确定每个时刻的振动数据的反常修正系数,包括:
振动数据集合中第n个时刻的振动数据的反常修正系数的计算公式为:
;式中,/>为振动数据集合中第n个时刻的振动数据的反常修正系数,/>为以自然常数为底的指数函数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,S为第三参考数据子集中时刻的个数,s为第三参考数据子集中时刻的序号,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据对应的第三参考数据子集中第s个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据的反常因子;
其中,第三参考数据子集是指待定数据以及在待定数据周围选取最近的第三预设数目个时刻的数据组成的集合,所述待定数据为振动数据或振动噪音数据,振动噪音数据是振动噪音数据集合中的数据。
进一步地,所述根据每个时刻的振动数据的初始离群系数和显著性检测的预设尺度,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限,包括:
对于任意一个时刻的振动数据,计算振动数据的初始离群系数与显著性检测的预设尺度的乘积,作为振动数据在使用显著性检测时对应的初始尺度上限;
对初始尺度上限与超参数进行相加处理,进而对相加处理后的数值进行向下取整处理,获得振动数据在使用显著性检测时对应的优化尺度上限。
进一步地,所述根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值,包括:
振动数据集合中第n个时刻的振动数据的最终显著性值的计算公式为:
;式中,/>为振动数据集合中第n个时刻的振动数据的最终显著性值,norm为线性归一化函数,K为振动数据集合中第n个时刻的振动数据对应的尺度个数,k为振动数据集合中第n个时刻的振动数据对应的尺度序号,P为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻个数,p为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻序号,/>为振动数据集合中第n个时刻的振动数据在第k个尺度下的第一离群系数,为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的第p个时刻的振动数据在第k个尺度下的第一离群系数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的所有时刻的振动数据在第k个尺度下的第一离群系数的累加和,exp为以自然常数为底的指数函数。
进一步地,所述根据每个时刻的振动数据的最终显著性值,判断桥梁施工过程中是否存在异常振动,包括:
若任意一个时刻的振动数据的最终显著性值大于预设显著阈值,则判定桥梁施工过程中存在异常振动,否则,判定桥梁施工过程中不存在异常振动。
进一步地,所述利用反常修正系数修正对应的振动数据的反常因子,获得每个时刻的振动数据的初始离群系数,包括:
对于任意一个时刻的振动数据,计算振动数据的反常修正系数与反常因子的乘积,对反常修正系数与反常因子的乘积进行归一化处理,将归一化处理后的数值作为振动数据的初始离群系数。
本发明具有如下有益效果:
本发明提供了一种基于BIM的公路桥梁施工信息数字化管理方法,该方法涉及振动施工信息管理领域,通过振动数据集合和噪音数据集合的变化特征的分析、振动数据和振动噪音数据之间相关性的分析,可以获得每个时刻的振动数据的初始离群系数,结合振动数据和振动噪音数据之间相关性,可以排除环境因素产生的噪声振动数据的影响,提高初始离群系数的数值准确性;进而基于初始离群系数确定每个时刻的振动数据在使用显著性检测CA(Context-Aware,显著性检测算法)算法进行异常检测时的优化尺度上限,通过自适应每个时刻的振动数据的尺度上限,可以确保显著性检测CA算法更好地适应不同大小的振动数据特征,提高CA算法对各种异常情况的检测的灵敏度,也可以提高算法的鲁棒性,使其能够处理各种不同性质的数据集和应用场景;基于每个时刻的振动数据在其对应的多个尺度下的第一离群系数所确定的最终显著性值,可以最大限度表征振动数据的真实异常程度,真实异常是指桥梁结构稳定性低下时对应的振动程度,提高桥梁振动数据异常检测准确性,进而提升施工信息数字化管理能力。
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为本发明实施例一种基于BIM的公路桥梁施工信息数字化管理方法的流程图。
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。
本发明实施例提供了一种基于BIM的公路桥梁施工信息数字化管理方法,如图1所示,包括以下步骤:
S1,实时获取桥梁施工过程中BIM模型中的振动数据集合和噪音数据集合。
在本实施例中,首先,在当前30分钟内,采集公路桥梁施工过程中的每一秒的振动数据和噪音数据;振动数据可以表征桥梁结构稳定性特征,噪音数据可以表征桥梁施工环境里的声音强度特征;通过振动传感器采集每个时刻的振动数据,通过声级计采集每个时刻的噪音数据,一个时刻对应一秒。然后,使用专门的数据处理软件或者编程语言对采集到的振动数据和噪音数据进行转换和处理,以便于后续传输到BIM模型中。最后,通过插件或者API将转换和处理后的振动数据和噪音数据传输至BIM模型中,对BIM模型中的振动数据集合和噪音数据集合进行分析,以便于后续对振动数据集合中每个时刻的振动数据进行显著性异常检测。
其中,振动数据即为公路桥梁施工过程中产生的数字化信息,振动数据集合和噪音数据集合中数据的采集时刻的相同,也就是同一采集时刻采集一个振动数据和一个噪音数据。数据采集时段和采集频率可以由实施者根据具体实际情况设置,这里不做具体限定。
S2,根据振动数据集合中每个时刻的振动数据自身的数值表现特征及其周围振动数据的变化特征,确定每个时刻的振动数据的反常因子。
在本实施例中,反常因子指代振动数据相对于振动数据集合中其他的振动数据的初始异常程度,初始异常程度越大,说明对应的振动数据越有可能是桥梁施工过程中异常情况下产生的震动数据。每个时刻的振动数据的反常因子的计算过程相同,为了便于描述以任意一个时刻的振动数据为例确定反常因子,将任意一个时刻的振动数据作为待分析振动数据,依据待分析振动数据自身的数值表现特征及其周围振动数据的变化特征,量化待分析振动数据的反常因子,具体实现步骤可以包括:
第一步,确定待分析振动数据对应的各个第一差异值。
在本实施例中,在待分析振动数据周围选取最近的第一预设数目个时刻的振动数据组成第一参考数据子集,计算待分析振动数据与第一参考数据子集中每个时刻的振动数据之间的差值,记为待分析振动数据对应的各个第一差异值。其中,第一预设数目可以设置为100个,第一预设数目的大小可以由实施者根据具体实际情况设置,不做具体限定。
第二步,确定待分析振动数据对应的各个第二差异值。
在本实施例中,在待分析振动数据周围选取最近的第二预设数目个时刻的振动数据组成第二参考数据子集,计算待分析振动数据与第二参考数据子集中每个时刻的振动数据之间的差异,记为待分析振动数据对应的各个第二差异值。其中,第二预设数目可以设置为10个,第二预设数目的大小可以由实施者根据具体实际情况设置,不做具体限定;差异是指两个数据之间的差值绝对值;第二预设数目小于第一预设数目。
第三步,根据待分析振动数据对应的各个第一差异值和各个第二差异值,确定待分析振动数据的反常因子,具体实现步骤可以包括:
第一子步骤,计算待分析振动数据对应的各个第一差异值的累加和,对各个第一差异值的累加和进行归一化处理,获得归一化处理后的累加和,作为待分析振动数据的初始反常因子。其中,归一化处理手段可以是线性归一化函数,不做具体限定。
第二子步骤,计算待分析振动数据对应的各个第二差异值的累加和,作为待分析振动数据的差异可信度。
第三子步骤,将待分析振动数据的初始反常因子与差异可信度的乘积作为待分析振动数据的反常因子。
作为示例,振动数据集合中第n个时刻的振动数据的反常因子的计算公式可以为:
;式中,/>为振动数据集合中第n个时刻的振动数据的反常因子,norm为线性归一化函数,h为第一参考数据子集中时刻的序号,H为第一参考数据子集中时刻的个数,/>为振动数据集合中第n个时刻的振动数据,/>为振动数据集合中第n个时刻的振动数据对应的第一参考数据子集中第h个时刻的振动数据,/>为振动数据集合中第n个时刻的振动数据对应的第h个时刻的第一差异值,/>为振动数据集合中第n个时刻的振动数据的初始反常因子;u为第二参考数据子集中时刻的序号,U为第二参考数据子集中时刻的序号,/>为振动数据集合中第n个时刻的振动数据对应的第二参考数据子集中第u个时刻的振动数据,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据对应的第u个时刻的第二差异值,/>为振动数据集合中第n个时刻的振动数据的差异可信度。
在反常因子的计算公式中,可以表示第n个时刻的振动数据与其对应的第一参考数据子集中所有时刻的振动数据之间的差值,/>越大,说明第n个时刻的振动数据在较大的邻域振动数据范围内的相对数值越大,第n个时刻的振动数据越有可能是异常振动数据,第n个时刻的振动数据为异常振动数据的可能性越大,即发生异常的可能性越大,反常因子越大;/>可以表示振动数据集合中第n个时刻的振动数据与其对应的第二参考数据子集中所有时刻的振动数据之间的差值绝对值,/>越大,说明振动数据集合中第n个时刻的振动数据在较小的邻域振动数据范围内相对数值越大,/>越大的可信度就会越大,发生异常的可能性也就会越大,振动数据集合中第n个时刻的振动数据的反常因子越大。
至此,通过分析每个时刻的振动数据自身的数值表现及其周围数据的变化特征,获得了振动数据集合中每个时刻的振动数据的反常因子。
S3,根据振动数据集合和噪音数据集合之间的数据变化特征的相似性确定振动噪音数据集合。
需要说明的是,桥梁施工过程中噪音来源于多个不同类型,为了便于后续分析振动数据与桥梁本身振动产生的噪音数据之间的相关性,将桥梁本身振动产生的噪音数据称为振动噪音数据,需要从采集的噪声数据分解出振动噪音数据。相同时段下振动数据和振动噪音数据存在相似的数据变化特征,即振动数据与振动噪音数据存在下相似的数据变化趋势,故通过分析两者之间的数据变化特征相似性,选取出当前30分钟对应的振动噪音数据集合,具体实现步骤可以包括:
第一步,获取振动数据集合和噪音数据集合对应的拟合曲线信号;对噪音数据集合对应的拟合曲线信号进行分解处理,获得各个噪音分量信号。
第一子步骤,为了后续进行信号分解处理,利用最小二乘法对振动数据集合和噪音数据集合进行曲线拟合处理,可以获得振动数据集合对应的拟合曲线信号和噪音数据集合对应的拟合曲线信号。
在本实施例中,两个拟合曲线信号的横轴均为数据的采集时刻,纵轴均为数据的信号值,信号值为对应的振动数据或对应的噪音数据;最小二乘法的实现过程为现有技术,不在本发明保护范围内,此次不再进行详细阐述。
第二子步骤,为了后续分析不同类型的噪音来源的噪音变化特征,利用EMD(Empirical Mode Decomposition,经验模态分解)分解算法对噪音数据集合对应的拟合曲线信号进行分解处理,可以获得各个分量信号,将此时获得的分量信号作为噪音分量信号,获得各个噪音分量信号。
在本实施例中,EMD分解算法的实现过程为现有技术,不在本发明保护范围,此次不再进行详细阐述。
第二步,根据振动数据集合对应的拟合曲线信号和各个噪音分量信号的数据分布特征,确定振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值。
需要说明的是,分析信号的不同的数据分布特征,结合不同的数据分布特征,量化信号整体的变化特征值,以便于后续分析信号之间的变化特征值之间的差异。所有信号的变化特征值的计算过程一致,为了减少不必要的描述,以振动数据集合对应的拟合曲线信号和各个噪音分量信号中的任意一个信号为例,确定信号的变化特征值,具体实现步骤可以包括:
第一子步骤,确定信号中最大值和最小值,将最大值和最小值的差值作为第一变化特征因子。
在本实施例中,信号中的最大值和最小值指代信号值,计算最大信号值和最小信号值之间的差值可以表征信号中所有数据点之间的差异情况。
第二子步骤,统计信号中极值点的个数,作为第二变化特征因子;计算信号中所有数据点的方差值,作为第三变化特征因子。
在本实施例中,先确定信号中的各个极值点,极值点包括极大值点和极小值点,然后统计极值点的个数,极值点个数可以表征信号的波动频率;计算信号中所有数据点的方差值是指所有数据点的信号值的方差,信号值的方差可以表征信号的波动稳定性。其中,极值点的确定方式和方差的计算过程均为现有技术,不在本发明保护范围内,此次不再进行详细阐述。
第三子步骤,计算第一变化特征因子、第二变化特征因子和第三变化特征因子的乘积,对三个变化特征因子的乘积进行归一化处理,获得信号对应的变化特征值。
作为示例,振动数据集合对应的拟合曲线信号的变化特征值的计算公式可以为:
;式中,/>为振动数据集合对应的拟合曲线信号的变化特征值,norm为线性归一化函数,为振动数据集合对应的拟合曲线信号中的最大值,/>为振动数据集合对应的拟合曲线信号中的最小值,/>为振动数据集合对应的拟合曲线信号的第一变化特征因子,/>为振动数据集合对应的拟合曲线信号的第二变化特征因子,/>为振动数据集合对应的拟合曲线信号的第三变化特征因子。
需要说明的是,公式中的所有指标均用于构建振动数据集合对应的拟合曲线信号的变化特征的模型;第一变化特征因子、第二变化特征因子和第三变化特征因子均与变化特征值为正相关关系,第一变化特征因子、第二变化特征因子和第三变化特征因子越大,振动数据集合对应的拟合曲线信号的变化特征值越大。
第三步,根据振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值之间的差异,将最小差异对应的噪音分量信号作为目标噪音分量信号,进而将目标噪音分量信号中每个时刻的噪音数据组成的集合作为振动噪音数据集合。
在本实施例中,计算振动数据集合对应的拟合曲线信号的变化特征值分别与各个噪音分量信号的变化特征值之间的差值绝对值,两个信号的变化特征值之间的差值绝对值越小,说明差异越小,两个信号之间的数据变化特征越相似,故将最小差异对应的噪音分量信号作为目标噪音分量信号。
目标噪音分量信号可以指代当前采集时段下桥梁施工本身振动产生噪音信号数据,为了便于后续进行分析,将目标噪音分量信号转换成数据集合的形式,即将目标噪音分量信号中每个时刻的噪音数据组成的集合,目标噪音分量信号中每个时刻的噪音数据记为振动噪音数据,所有时刻的振动噪音数据可以组成振动噪音数据集合。
至此,本实施例通过分析振动数据集合对应的拟合曲线信号与噪音数据集合对应的拟合曲线信号的各个噪音分量信号之间的数据变化特征差异,筛选出振动噪音数据集合。
S4,根据振动数据集合、振动噪音数据集合以及每个时刻的振动数据的反常因子,分析相同时刻的振动数据和振动噪音数据之间的相关性,确定每个时刻的振动数据的反常修正系数。
需要说明的是,在分析每个时刻的振动数据自身的数值表现及其周围数据的变化特征后,获得了每个时刻的振动数据的反常因子。由于桥梁施工环境中可能存在其他多种非系统原因产生的振动噪声数据,其导致某些时刻的振动数据的反常因子的数值准确性降低。当施工机械或者设备在桥梁上进行工作时,通过地基和桥梁结构向周围环境发出振动波,振动波与桥梁结构的固有频率相等或者接近,将引起桥梁结构共振,产生更大的振幅和振动能量,这些振动能量转化为空气中的声波,形成桥梁振动本身产生的噪音,即振动噪音数据,振动噪音数据与振动数据之间呈现正比变化关系。因此,通过分析相同时刻下的振动数据和振动噪音数据之间的相关性,可以量化振动数据的反常因子的修正程度,记为反常修正系数。
在本实施例中,每个时刻的振动数据的反常修正因子的计算过程一致,为了便于描述,以第n个时刻的振动数据为例确定反常修正系数,第n个时刻的振动数据为例确定反常修正系数的计算公式可以为:
;式中,/>为振动数据集合中第n个时刻的振动数据的反常修正系数,/>为以自然常数为底的指数函数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,S为第三参考数据子集中时刻的个数,s为第三参考数据子集中时刻的序号,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据对应的第三参考数据子集中第s个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据的反常因子。
其中,第三参考数据子集是指待定数据以及在待定数据周围选取最近的第三预设数目个时刻的数据组成的集合,待定数据为振动数据或振动噪音数据,第三预设数目可以设置为50,实施者可以根据具体实际情况设置第三预设数目的大小;百分位数可以表征某个数据在其所属集合中的相对数值大小,百分位数的集合是按照一定顺序排列的数据组成的集合,排列顺序通常是从大到小的顺序,例如,某个数据在其所属集合中排列第3个,集合中共有10个数据,那么该数据的在其所属集合中的百分位数为十分之三。
在反常修正系数的计算公式中,计算百分位数是为了消除振动数据与振动噪音数据的数据类型不同而产生的量纲问题,越大,说明振动数据集合中第n个时刻的振动数据与振动噪音数据集合中第n个时刻的振动噪音数据之间的相关性越小,振动数据集合中第n个时刻的振动数据为噪声振动数据的可能性越大,对振动数据集合中第n个时刻的振动数据进行修正的程度越大,反常修正系数越小;/>可以表征振动数据集合中第n个时刻的振动数据与振动噪音数据集合中第n个时刻的振动噪音数据之间的局部数据范围内的相关性;/>可以表征振动数据集合中第n个时刻的振动数据对应的局部数据范围内第s个时刻的振动数据的反常因子的反例值,在局部数据范围内所有时刻的振动数据的反常因子的反例总值的占比情况,/>越小,说明振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据的反常因子越小,第s个时刻的振动数据存在异常的可能性越小,第s个时刻的振动数据的真实性越强,第s个时刻的振动数据与振动噪音数据的相关性计算结果越真实,/>的权重就会越大;/>可以表征单个振动数据的相关性与单个振动数据所属的局部数据范围的整体相关性之间的差异程度,差异程度越大,说明单个振动数据的相关性越小,反常修正系数越小,故需要对其进行反比例的归一化处理,利用/>来实现反比例的归一化处理,当然,实施者也可以采用其他方式实现数据的反比例的归一化处理,不做具体限定。
至此,本实施例通过分析相同时刻的振动数据与振动噪音数据之间的百分位数差异,分析振动数据与振动噪音数据的相关性,确定每个时刻的振动数据的反常修正系数。确定反常修正系数可以克服振动数据集合中振动噪声数据的影响,获得真实性更强的振动数据,进而获得准确性更高的初始离群系数。
S5,利用反常修正系数修正对应的振动数据的反常因子,获得每个时刻的振动数据的初始离群系数。
在本实施例中,每个时刻的振动数据的初始离群系数的计算过程相同,为了便于描述,以任意一个时刻的振动数据为例确定初始离群系数,具体实现步骤可以包括:
首先,计算振动数据的反常修正系数与反常因子的乘积,然后,对反常修正系数与反常因子的乘积进行归一化处理,将归一化处理后的数值作为振动数据的初始离群系数。
作为示例,振动数据集合中第n个振动数据的初始离群系数的计算公式可以为:
;式中,/>为振动数据集合中第n个时刻的振动数据的初始离群系数,/>为振动数据集合中第n个时刻的振动数据的反常因子,/>为振动数据集合中第n个时刻的振动数据的反常修正系数,norm为线性归一化函数。
在初始离群系数的计算公式中,第n个时刻的振动数据的反常因子越大,说明第n个时刻的振动数据发生异常的可能性越大,第n个时刻的振动数据的离群系数越大,离群系数可以表征第n个时刻的振动数据相比振动数据集合中其他的振动数据的差异程度,离群系数越大,说明第n个时刻的振动数据为异常振动数据的可能性越大;第n个时刻的振动数据的反常修正系数越大,说明第n个时刻的振动数据和振动噪音数据之间的相关性越强,第n个时刻的振动数据的反常因子越真实,第n个时刻的振动数据越有可能是属于由系统自身产生的异常情况下的振动数据。
至此,本实施例获得了振动数据集合中每个时刻的振动数据的离群系数,通过振动数据与振动噪音数据之间的相关性量化而得到的反常修正系数,可以有效克服振动数据集合中噪声振动数据的影响,进一步提升振动数据的异常程度量化的准确性。
S6,根据每个时刻的振动数据的初始离群系数和显著性检测的预设尺度,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限,进而确定每个时刻的振动数据对应的多个尺度。
在本实施例中,某个时刻的振动数据的离群系数越大,说明该时刻的振动数据所发生的异常属于真实异常的可能性越大,属于噪声异常的可能性越小。那么,在对该时刻的振动数据进行显著性异常检测时,需要更多的尺度对该时刻的震动数据进行显著性计算,以便于后续获得准确性更高的显著性值。
第一步,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限。
在本实施例中,显著性检测的预设尺度可以统一设置为10,对于任意一个时刻的振动数据,确定优化尺度上限的具体实现步骤可以包括:
第一子步骤,计算振动数据的初始离群系数与显著性检测的预设尺度的乘积,作为振动数据在使用显著性检测时对应的初始尺度上限。
第二子步骤,对初始尺度上限与超参数进行相加处理,进而对相加处理后的数值进行向下取整处理,获得振动数据在使用显著性检测时对应的优化尺度上限。
作为示例,振动数据集合中第n个振动数据在使用显著性检测时对应的优化尺度上限的计算公式可以为:
;式中,/>为振动数据集合中第n个振动数据在使用显著性检测时对应的优化尺度上限,为振动数据集合中第n个时刻的振动数据的初始离群系数,/>为显著性检测的预设尺度,/>为振动数据集合中第n个时刻的振动数据在使用显著性检测时对应的初始尺度上限,0.5为超参数,/>为向下取整。
需要说明的是,初始尺度上限加上超参数是为了实现对振动数据集合中第n个振动数据在使用显著性检测时对应的初始尺度上限进行四舍五入操作,向下取整是为了确保优化尺寸上限的数值可以是整数形式。
第二步,确定每个时刻的振动数据对应的多个尺度。
在本实施例中,优化尺度上限的大小决定了振动数据在进行显著性计算时的尺度个数的多少,振动数据对应的最小尺度从其自身一个振动数据开始扩展,每次扩展的长度可以是5个振动数据,将每次扩展后的振动数据范围作为一个尺度,直至扩展长度趋近于或等于振动数据对应的优化尺度上限,从而获得振动数据对应的多个尺度。
至此,本实施例通过结合初始离群系数和显著性检测的预设尺度,获得了优化尺度上限,通过优化尺度上限,可以实现显著性检测CA算法的优化,可以得到每个时刻的振动数据对应的多个不同的尺度,该多个不同的尺度可以用于后续计算最终显著性值,同时也有助于提高后续计算的最终显著性值的数值准确性。
S7,确定每个时刻的振动数据在其对应的多个尺度下的第一离群系数;根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值。
第一步,确定每个时刻的振动数据在其对应的多个尺度下的第一离群系数。
在本实施例中,参考每个时刻的振动数据的初始离群系数的计算方式,将初始离群系数计算过程中的第三参考数据子集替换成振动数据对应的不同尺度,可以获得每个时刻的振动数据在其对应的每个尺度下的第一离群系数,此处不再详细描述第一离群系数的计算过程。初始离群系数和第一离群系数的计算过程存在一定程度的差异,初始离群系数是振动数据在第三参考数据子集下的初始离群系数,而第一离群系数是振动数据在其对应的不同尺度下的第一离群系数。
第二步,根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值。
需要说明的是,为了确保后续对于振动数据集合中每个时刻的振动数据进行异常检测的准确性,通过每个时刻的振动数据在其每个尺度下所包含的所有振动数据的第一离群系数之和进行加权平均,来计算每个时刻的振动数据在其对应数量的多个尺度下的平均显著性值,将平均显著性值作为最终显著性值。其中,振动数据在其对应的一个尺度下所包含的所有振动数据的第一离群系数之和越大,说明振动数据在该尺度下的振动数据存在异常的可能性越大,那么振动数据在该尺度下的显著性值在加权平均时权重应该越低。
作为示例,振动数据集合中第n个时刻的振动数据的最终显著性值的计算公式为:
;式中,/>为振动数据集合中第n个时刻的振动数据的最终显著性值,norm为线性归一化函数,K为振动数据集合中第n个时刻的振动数据对应的尺度个数,k为振动数据集合中第n个时刻的振动数据对应的尺度序号,P为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻个数,p为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻序号,/>为振动数据集合中第n个时刻的振动数据在第k个尺度下的第一离群系数,为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的第p个时刻的振动数据在第k个尺度下的第一离群系数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的所有时刻的振动数据在第k个尺度下的第一离群系数的累加和,/>以自然参数为底的指数函数。
在最终显著性值的计算公式中,可以表示两个第一离群系数的差异,/>可以表示第n个时刻的振动数据在第k个尺度下的第一离群系数与其在第k个尺度中所包含的振动数据在第k个尺度下的第一离群系数之间的平均差异情况,其可以用于衡量第n个时刻的振动数据在第k个尺度下的显著性值;可以表征第n个时刻的振动数据在第k个尺度的权重,其可以对在第k个尺度下的显著性值进行加权,/>可以表示第n个时刻的振动数据在第k个尺度的权重在所有尺度的权重累加和中的占比情况,/>越大,第n个时刻的振动数据在第k个尺度的权重越小,说明第n个时刻的振动数据在第k个尺度中所包含的振动数据越异常,第k个尺度中所包含的振动数据的参考价值越低,第n个时刻的振动数据在第k个尺度下的第一离群系数越真实。
至此,本实施例获得了振动数据集合中每个时刻的振动数据的最终显著性值,最终显著性值可以用于后续判断桥梁施工过程中是否存在异常振动,最终显著性值越大,说明存在异常振动的可能性越大。
S8,根据每个时刻的振动数据的最终显著性值,判断桥梁施工过程中是否存在异常振动。
在本实施例中,若任意一个时刻的振动数据的最终显著性值大于预设显著阈值,则判定桥梁施工过程中存在异常振动,否则,判定桥梁施工过程中不存在异常振动。
其中,每个时刻的最终显著性值的取值范围在0到1之间,预设显著阈值可以设置为0.8,当振动数据的最终显著性值大于预设显著阈值时,说明该振动数据为桥梁施工过程中自身产生的异常振动,也就是该时刻的振动数据为真实异常振动数据。
至此,本发明实施例结束。
本发明实施例提供了一种基于BIM的公路桥梁施工信息数字化管理方法,该方法基于振动数据以及施工过程中的产生的噪音数据的变化特征的分析,对每个时刻的振动数据点在使用显著性检测CA算法进行异常检测时的尺度上限进行自适应,其有助于提高对于桥梁振动数据进行异常检测的准确性,进而提升施工信息数字化管理能力。
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)
1.一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,包括以下步骤:
实时获取桥梁施工过程中BIM模型中的振动数据集合和噪音数据集合,两个集合中数据采集的时刻相同;
根据振动数据集合中每个时刻的振动数据自身的数值表现特征及其周围振动数据的变化特征,确定每个时刻的振动数据的反常因子;
根据振动数据集合和噪音数据集合之间的数据变化特征的相似性确定振动噪音数据集合;
根据振动数据集合、振动噪音数据集合以及每个时刻的振动数据的反常因子,分析相同时刻的振动数据和振动噪音数据之间的相关性,确定每个时刻的振动数据的反常修正系数;
利用反常修正系数修正对应的振动数据的反常因子,获得每个时刻的振动数据的初始离群系数;
根据每个时刻的振动数据的初始离群系数和显著性检测的预设尺度,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限,进而确定每个时刻的振动数据对应的多个尺度;
确定每个时刻的振动数据在其对应的多个尺度下的第一离群系数;根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值;
根据每个时刻的振动数据的最终显著性值,判断桥梁施工过程中是否存在异常振动。
2.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据振动数据集合中每个时刻的振动数据自身的数值表现特征及其周围振动数据的变化特征,确定每个时刻的振动数据的反常因子,包括:
将任意一个时刻的振动数据作为待分析振动数据,在待分析振动数据周围选取最近的第一预设数目个时刻的振动数据组成第一参考数据子集,计算待分析振动数据与第一参考数据子集中每个时刻的振动数据之间的差值,记为待分析振动数据对应的各个第一差异值;
在待分析振动数据周围选取最近的第二预设数目个时刻的振动数据组成第二参考数据子集,计算待分析振动数据与第二参考数据子集中每个时刻的振动数据之间的差异,记为待分析振动数据对应的各个第二差异值;
根据待分析振动数据对应的各个第一差异值和各个第二差异值,确定待分析振动数据的反常因子;其中,第一预设数目大于第二预设数目。
3.根据权利要求2所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据待分析振动数据对应的各个第一差异值和各个第二差异值,确定待分析振动数据的反常因子,包括:
计算待分析振动数据对应的各个第一差异值的累加和,对各个第一差异值的累加和进行归一化处理,获得归一化处理后的累加和,作为待分析振动数据的初始反常因子;
计算待分析振动数据对应的各个第二差异值的累加和,作为待分析振动数据的差异可信度;
将待分析振动数据的初始反常因子与差异可信度的乘积作为待分析振动数据的反常因子。
4.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据振动数据集合和噪音数据集合之间的数据变化特征的相似性确定振动噪音数据集合,包括:
获取振动数据集合和噪音数据集合对应的拟合曲线信号;对噪音数据集合对应的拟合曲线信号进行分解处理,获得各个噪音分量信号;
根据振动数据集合对应的拟合曲线信号和各个噪音分量信号的数据分布特征,确定振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值;
根据振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值之间的差异,将最小差异对应的噪音分量信号作为目标噪音分量信号,进而将目标噪音分量信号中每个时刻的噪音数据组成的集合作为振动噪音数据集合。
5.根据权利要求4所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据振动数据集合对应的拟合曲线信号和各个噪音分量信号的数据分布特征,确定振动数据集合对应的拟合曲线信号的变化特征值与各个噪音分量信号的变化特征值,包括:
对于振动数据集合对应的拟合曲线信号和各个噪音分量信号中的任意一个信号,确定信号中最大值和最小值,将最大值和最小值的差值作为第一变化特征因子;
统计信号中极值点的个数,作为第二变化特征因子;计算信号中所有数据点的方差值,作为第三变化特征因子;
计算第一变化特征因子、第二变化特征因子和第三变化特征因子的乘积,对三个变化特征因子的乘积进行归一化处理,获得信号对应的变化特征值。
6.根据权利要求2所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据振动数据集合、振动噪音数据集合以及每个时刻的振动数据的反常因子,分析相同时刻的振动数据和振动噪音数据之间的相关性,确定每个时刻的振动数据的反常修正系数,包括:
振动数据集合中第n个时刻的振动数据的反常修正系数的计算公式为:
;式中,/>为振动数据集合中第n个时刻的振动数据的反常修正系数,/>为以自然常数为底的指数函数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,S为第三参考数据子集中时刻的个数,s为第三参考数据子集中时刻的序号,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据在其所属第三参考数据子集中的百分位数,/>为振动噪音数据集合中第n个时刻的振动噪音数据对应的第三参考数据子集中第s个时刻的振动噪音数据在其所属第三参考数据子集中的百分位数,/>为振动数据集合中第n个时刻的振动数据对应的第三参考数据子集中第s个时刻的振动数据的反常因子;
其中,第三参考数据子集是指待定数据以及在待定数据周围选取最近的第三预设数目个时刻的数据组成的集合,所述待定数据为振动数据或振动噪音数据,振动噪音数据是振动噪音数据集合中的数据。
7.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据每个时刻的振动数据的初始离群系数和显著性检测的预设尺度,确定每个时刻的振动数据在使用显著性检测时对应的优化尺度上限,包括:
对于任意一个时刻的振动数据,计算振动数据的初始离群系数与显著性检测的预设尺度的乘积,作为振动数据在使用显著性检测时对应的初始尺度上限;
对初始尺度上限与超参数进行相加处理,进而对相加处理后的数值进行向下取整处理,获得振动数据在使用显著性检测时对应的优化尺度上限。
8.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据每个时刻的振动数据在其对应的多个尺度下的第一离群系数,确定每个时刻的振动数据的最终显著性值,包括:
振动数据集合中第n个时刻的振动数据的最终显著性值的计算公式为:
;式中,/>为振动数据集合中第n个时刻的振动数据的最终显著性值,norm为线性归一化函数,K为振动数据集合中第n个时刻的振动数据对应的尺度个数,k为振动数据集合中第n个时刻的振动数据对应的尺度序号,P为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻个数,p为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的时刻序号,/>为振动数据集合中第n个时刻的振动数据在第k个尺度下的第一离群系数,为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的第p个时刻的振动数据在第k个尺度下的第一离群系数,/>为求绝对值函数,/>为振动数据集合中第n个时刻的振动数据在第k个尺度中包含的所有时刻的振动数据在第k个尺度下的第一离群系数的累加和,exp为以自然常数为底的指数函数。
9.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述根据每个时刻的振动数据的最终显著性值,判断桥梁施工过程中是否存在异常振动,包括:
若任意一个时刻的振动数据的最终显著性值大于预设显著阈值,则判定桥梁施工过程中存在异常振动,否则,判定桥梁施工过程中不存在异常振动。
10.根据权利要求1所述的一种基于BIM的公路桥梁施工信息数字化管理方法,其特征在于,所述利用反常修正系数修正对应的振动数据的反常因子,获得每个时刻的振动数据的初始离群系数,包括:
对于任意一个时刻的振动数据,计算振动数据的反常修正系数与反常因子的乘积,对反常修正系数与反常因子的乘积进行归一化处理,将归一化处理后的数值作为振动数据的初始离群系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417389.3A CN118013301B (zh) | 2024-04-09 | 2024-04-09 | 基于bim的公路桥梁施工信息数字化管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417389.3A CN118013301B (zh) | 2024-04-09 | 2024-04-09 | 基于bim的公路桥梁施工信息数字化管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013301A true CN118013301A (zh) | 2024-05-10 |
CN118013301B CN118013301B (zh) | 2024-06-11 |
Family
ID=90959649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417389.3A Active CN118013301B (zh) | 2024-04-09 | 2024-04-09 | 基于bim的公路桥梁施工信息数字化管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013301B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488801A (zh) * | 2020-03-16 | 2020-08-04 | 天津大学 | 基于振动噪声识别的船舶分类方法 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN116630813A (zh) * | 2023-07-24 | 2023-08-22 | 青岛奥维特智能科技有限公司 | 一种公路路面施工质量智能检测系统 |
CN117314016A (zh) * | 2023-11-27 | 2023-12-29 | 吉林省强国科技有限公司 | 基于bim技术的水利工程在线监控方法 |
CN117764290A (zh) * | 2024-02-22 | 2024-03-26 | 深圳市智德森水务科技有限公司 | 一种水利工程施工用bim模型数据管理方法 |
-
2024
- 2024-04-09 CN CN202410417389.3A patent/CN118013301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488801A (zh) * | 2020-03-16 | 2020-08-04 | 天津大学 | 基于振动噪声识别的船舶分类方法 |
CN112255538A (zh) * | 2020-10-14 | 2021-01-22 | 国网青海省电力公司海西供电公司 | 一种多特征优化融合的高压断路器故障诊断方法 |
CN116630813A (zh) * | 2023-07-24 | 2023-08-22 | 青岛奥维特智能科技有限公司 | 一种公路路面施工质量智能检测系统 |
CN117314016A (zh) * | 2023-11-27 | 2023-12-29 | 吉林省强国科技有限公司 | 基于bim技术的水利工程在线监控方法 |
CN117764290A (zh) * | 2024-02-22 | 2024-03-26 | 深圳市智德森水务科技有限公司 | 一种水利工程施工用bim模型数据管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118013301B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jayawardena et al. | Noise reduction and prediction of hydrometeorological time series: dynamical systems approach vs. stochastic approach | |
CN116186634B (zh) | 一种建筑工程施工数据智能管理系统 | |
CN114036974A (zh) | 一种基于健康监测数据的桥梁冲刷动力识别方法 | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN116881745B (zh) | 基于大数据的压力变送器异常监测方法 | |
CN117439827B (zh) | 一种网络流量大数据分析方法 | |
CN111339074A (zh) | 阈值生成方法、装置、设备和存储介质 | |
CN110287827B (zh) | 一种基于数据关联性的桥梁应变数据异常值识别方法 | |
CN113723716B (zh) | 一种客流分级预警异常告警方法、设备及存储介质 | |
CN117523299B (zh) | 一种基于计算机网络图像识别方法、系统和存储介质 | |
CN117434153B (zh) | 基于超声波技术的道路无损检测方法及系统 | |
CN114298549A (zh) | 一种基于大数据的水利安全监测系统及方法 | |
CN116242443B (zh) | 一种超声波计量仪表的动态计量方法 | |
CN117953664B (zh) | 一种基于人工智能的地质灾害预测方法及系统 | |
CN116222670B (zh) | 一种城市绿地规划用生态景观边坡监测方法 | |
CN111444233B (zh) | 基于复制器神经网络模型发现环境监测异常数据的方法 | |
CN117434372B (zh) | 电子产品的电磁兼容抗扰度测试方法及系统 | |
CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN106618499B (zh) | 跌倒检测设备、跌倒检测方法及装置 | |
CN117870943B (zh) | 基于多传感器的灌浆过程中数据优化采集系统 | |
CN118013301B (zh) | 基于bim的公路桥梁施工信息数字化管理方法 | |
CN116823067A (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 |
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 |