小波分析在桥上移动荷载识别中的应用
小波变换在桥梁结构损伤识别中的应用
小波变换在桥梁结构损伤识别中的应用
廖锦翔;袁明武;张劲泉
【期刊名称】《公路交通科技》
【年(卷),期】2004(21)11
【摘要】通过小波变换极大值点同信号突变点及其李氏指数之间的关系,采用小波变换极大值在多尺度上的变化规律来表征信号突变点的性质,从而确定信号有无奇异点并确定其位置,进而对桥梁进行损伤识别。
将该理论应用到带裂缝悬臂梁有限元模型,通过模态、瞬态和静力试验采集信号,精确确定裂缝个数及位置。
较之传统方法,该方法不仅可以达到经济方便的目的,而且检测结果更为精确可靠。
【总页数】5页(P30-34)
【关键词】小波变换;桥梁;损伤识别;Lipschitz指数;裂缝
【作者】廖锦翔;袁明武;张劲泉
【作者单位】北京大学力学与工程科学系;交通部公路科学研究所
【正文语种】中文
【中图分类】U445.71
【相关文献】
1.基于离散小波变换的桥梁结构损伤识别方法 [J], 林贝贝;毛毳;孙良
2.小波变换在结构损伤识别特征提取中的应用 [J], 冉志红;李乔
3.小波变换在结构损伤识别中的应用研究 [J], 侯剑;苏木标;李栋
4.基于离散小波变换的桥梁结构损伤识别方法 [J], 林贝贝;毛毳;孙良;
5.小波变换在电塔结构损伤识别中的应用 [J], 张硕
因版权原因,仅展示原文概要,查看原文内容请购买。
小波分析在负载识别中的应用_刘宁宁
第 1 期 刘宁宁等 :小波分析在负载识别中的应用
9
频局部化分析方法 。即在低频部分具有较高的频率分辨率和较低的时间分辨率 ,在高频部分具有较高
的时间分辨率和较低的频率分辨率 。正是由于具备这种特性 ,才使小波变换具有对信号的自适应性 。
小波分析可以从多分辨率分析及滤波器组的概念上进行解释 ,通过对信号进行多层小波分解 ,来提
(7)
(2π) - 1/ 2 | ω|
≤2π 3
^<(ω) =
(2π) - 1/ 2cos
π 2v
23π| ω| - 1
2π≤ω ≤4π
3
3
(8)
0 | ω|
>
4π 3
10
河北省科学院学报 2004 年第 21 卷
小波函数为离散 Meyer 小波 。
设 Ψ( t) ∈L2 ( R) ( L2 ( R) 表示平方可积的实数空间 , 即能量有限的信号空间) , 其傅里叶变换为
Ψ^ (ω) 。当 Ψ^ (ω) 满足允许条件
∫ CΨ =
|
R
Ψ^ (ω) | ω|
| 2 dω <
∞
(1)
时 ,称 Ψ( t) 为一个基本小波或母小波 (Mother Wavelet) 。其函数 Ψ( t) 经伸缩和平移后 ,便可得到一个小 波序列 。
12
河北省科学院学报 2004 年第 21 卷
表 1 各类负载的特征值
序号 负载类型 1 白炽灯
功率 (W) 200
sumpower
powerd5
2. 2133e + 006 1. 6408e + 004
3e + 008 2. 7204e + 006
小波分析技术在桥梁桩基检测中应用分析
小波分析技术在桥梁桩基检测中应用分析摘要:本文通过对桥梁桩基检测中小波分析技术基本理论的阐述,结合四川震后某桥梁桩基检测实列,利用小波细节信号的hilbert包络以及谱分析对于成桥桩基缺陷和小裂纹的程度给出了量化指标,用以快速分析评估桩身损害的程度,具有较好的适用价值和市场需求,供同行交流应用。
关键词:小波分析;低应变反射波法;成桥桩基0.前言随着国民经济和交通事业的快速发展,据了解中国现有桥梁中相当一部分由于设计荷载标准偏低,以及地震、洪水的影响,出现了不同程度的桩基破损、龟裂甚至断桩等严重问题,极大地影响了其正常使用,部分旧桥已经处于危桥状态。
必须采取有效的检测方法检测成桥桩基,判定其损害程度,以便为旧桥加固或拆除提供决策依据,消除安全隐患,创造良好的社会和经济效益。
pit(pile integrity tester)检测基于低应变反射波法理论,已在中国桥梁的桩基检测中广泛地应用。
但是对于成桥桩基检测,由于承台和桥墩的影响,工程中经常出现对桩基检测结果的误判、漏判等,致使很多工程技术人员对该种检测方法的可靠性提出质疑。
20世纪80年代后期发展起来的小波分析具有多分辨率或多尺度分析特征和在时频两域中均可表征信号局部特征的能力。
因此,它被誉为信号分析的数学显微镜。
王靖涛论证了小波分析可以应用到桩完整性检测上的理论根据,并通过模型桩试验和大量工程桩检测结果的小波分析,提出了桩完整性检测的小波分析方法。
本文借鉴某检测机构的检测结果,对汶川地震后具有承台和桥墩的某成桥进行小波分析,选择dbl0为小波基对pit检测的低应变波进行小波分解,判定桩身完整性,并对分解的第一层信号db1做hilbert包络和谱分析,对于成桥桩基缺陷和小裂纹的程度给出了量化指标,用以快速分析评估桩身损害的程度。
1.小波变换理论传统的信号分析是建立在傅里叶变换的基础上,但是,傅里叶分析使用的是一种全局的变换,即要么完全在时域,要么完全在频域,它无法表述信号的时频局域性质,而时频局域性质恰恰是非平稳信号最根本和最关键的性质。
小波变换在汽车行为识别中的应用指南
小波变换在汽车行为识别中的应用指南随着智能交通技术的不断发展,汽车行为识别成为了提高交通安全和效率的重要手段。
而小波变换作为一种有效的信号处理方法,被广泛应用于汽车行为识别中。
本文将介绍小波变换的原理和在汽车行为识别中的应用指南。
一、小波变换的原理小波变换是一种时频分析方法,能够将信号分解成不同频率的成分,并提供时间和频率信息。
其基本原理是通过将信号与一组小波基函数进行卷积运算,得到不同频率的小波系数。
小波基函数具有时域和频域的局部性,能够更好地捕捉信号的瞬时特征。
二、小波变换在汽车行为识别中的应用指南1. 数据采集与预处理在进行汽车行为识别之前,首先需要采集车辆的传感器数据,如加速度、转向角度等。
然后对采集到的数据进行预处理,包括去噪、滤波、降采样等,以减少信号中的干扰和噪声。
2. 特征提取小波变换能够提供信号的时频信息,因此可以用于提取汽车行为的特征。
通过对预处理后的信号进行小波变换,可以得到不同频率的小波系数。
然后可以根据小波系数的能量、频率分布等特征,来描述汽车行为的动态特征。
3. 模式识别与分类得到汽车行为的特征后,可以利用模式识别算法进行分类。
常用的模式识别算法包括支持向量机、神经网络、决策树等。
通过训练这些算法,并利用小波系数作为输入特征,可以实现对不同汽车行为的识别和分类。
4. 算法优化与实时性在实际应用中,汽车行为识别往往需要在实时性的条件下进行。
因此,对于小波变换算法的优化是非常重要的。
可以通过选择合适的小波基函数、调整小波变换的尺度和层次等方式,来提高算法的计算效率和实时性。
5. 应用场景举例小波变换在汽车行为识别中的应用非常广泛。
例如,可以利用小波变换来识别车辆的刹车行为,通过分析加速度信号的小波系数,可以判断车辆是否发生刹车动作。
又如,可以利用小波变换来识别车辆的转弯行为,通过分析转向角度信号的小波系数,可以判断车辆是否发生转弯动作。
总结:小波变换作为一种有效的信号处理方法,在汽车行为识别中具有重要的应用价值。
基于小波有限元法的连续梁移动荷载识别
s a e t h sc l n .T e mo i g la si e t e t it b td a c lr t n d t a a u e y a c r s o s s p c oa p y i a o e h vn o d wa n i d wi d s i u e c ee ai aa sme s r d d n mi e p n e , d i f h r o
X UJa —u n ,Y i g , H h—u I inq a OUQo S IZ i n y
( .A I ari D n a n ie( ru )C . t , abn106 , hn ; 1 V CH ebn o gnE g n G op o ,Ld H ri 5 0 6 C i a
t e r n e r td i t eo iis a d d s l c me t. Th a g l cu t n c ud b v i e n a ay i ftme hit r h y we e i t g ae n o v l cte n ip a e n s e lr e fu t a i o l e a od d i n l ss o i so y o wi he d n mi r ga t t y a c p o r mmi g meh d a e u a iai n Th i l t n v ld t d t e sbi t ft e pr p s d mo i g h n t o nd rg l rz to . e smu a i a i ae he fa i l y o h o o e vn o i l a de tfc to n a c n i u u rd e mo e sn FEM t e ree n s u t e mo e t e n ie c u d b r al o d i n i a in o o tn o sb i g d lu i g W i wih f we l me t ,f rh r r h os o l e g e ty s o h d wih t r to d rTi h n v r g lrz t n i d n i c to mo t e t he f s r e k o o e u a ia i n i e tf ain. i o i
基于小波有限元的移动荷载识别
k oo 避 动 桥 系 统 相 互 作 用 模 型 。采 用 动 态 规 划 技 术 与 Tih n v正 则 化 方 法 识 别 移 动力 , 免 了直 接 处 理 反 问题 时 的两 端 振 荡 与 数 值 计 算 病 态 解 等 问题 。仿 真 算 例 表 明 , 传 统 有 限元 模 型 相 比 , 相 同条 件 下 , 波 有 限 元 模 型 以较 少 的 单 与 在 小 V
模型。
移 动 荷 载 识 别 理 论 成 熟 , 别 方 法 繁 多[ 。 识 1 引 ‘ 这 些 方法 主要 可分 为 两类 : 于模态 叠 加法 的 连续 基 系 统 模 型 和 基 于 离 散 系 统 或 有 限 元 模 型 的 方 法 口叫 。文 中采 用 部分 测点 的动 态响应 数据 , 使用
单元 数较 少 。
广 义协调 元 、 于理 性有 限元哲理 的复合 单元 法 、 基 样
条 有限元 、 数值 流行 法 、 网格法 l 。 无 _ 】 州]
最 近 , 们提 出了小波 有 限元 法 ( v lt ii 人 wa ee f t ne e me t t o , l n h d WF M ) e me E 。Ko最早 正 式提 出了小
摘 要 : 波 有 限 元 桥 梁 模 型 以 区 间 B样 条 小 波 尺 度 函数 为 插 值 函数 , 造 了 小 波有 限元 梁单 元 , 通过 单 元 转 换 矩 小 构 并
振
代 从 m阵 建 立 了小 波 空 间 与 物理 空 间各 参 数 之 间 的 关 系 ; 表 车 载 的 移 动 力 则 投 影 到 小 波 空 间 , 而 建立 基 于 小 波 的 车
工 元 , 相 似 的识 别 时 间 内可 获 得 相 似 的移 动 力 识 别 精 度 。 在 程
小波分析在桥梁健康监测中的应用研究
小波分析在桥梁健康监测中的应用研究一、本文概述随着桥梁建设技术的不断进步和桥梁规模的不断扩大,桥梁健康监测成为保障桥梁安全运行的重要手段。
近年来,小波分析作为一种时频分析方法,其在信号处理、图像处理、地震分析等领域的应用逐渐得到广泛认可。
本文将探讨小波分析在桥梁健康监测中的应用,以期为提高桥梁健康监测的准确性和效率提供新的思路和方法。
本文将首先介绍小波分析的基本理论和方法,然后重点阐述小波分析在桥梁健康监测中的应用研究现状和发展趋势,最后展望小波分析在桥梁健康监测领域的未来应用前景。
通过本文的研究,旨在推动小波分析在桥梁健康监测中的深入应用,为桥梁的安全运营提供有力保障。
二、小波分析的基本理论小波分析是一种时频分析方法,它克服了传统傅里叶分析方法的不足,能够在时域和频域内同时提供局部化信息。
小波分析的基本理论主要包括小波变换、多分辨率分析以及小波包分析等内容。
小波变换是小波分析的核心,它将信号或函数表示为一系列小波函数的加权和。
这些小波函数是通过平移和伸缩基本小波函数得到的,具有时频局部化的特性。
小波变换能够同时提供信号在时间和频率上的局部信息,从而可以更加精细地分析信号的时频特性。
多分辨率分析是小波分析的重要工具,它通过将信号分解为不同尺度的成分,实现对信号的多层次分析。
多分辨率分析能够将信号中的高频成分和低频成分分离开来,便于提取信号中的特征信息。
小波包分析是对多分辨率分析的扩展,它不仅可以对信号的低频部分进行逐层分解,还可以对高频部分进行进一步的细分。
小波包分析能够提供更加精细的时频分辨率,适用于分析具有复杂时频特性的信号。
在桥梁健康监测中,小波分析的基本理论为信号处理和数据分析提供了有效的工具。
通过对桥梁振动信号进行小波变换,可以提取出信号的时频特征,进而评估桥梁的健康状态。
多分辨率分析和小波包分析还可以帮助研究人员更加深入地了解桥梁振动的内在机制,为桥梁的安全监测和维护提供科学依据。
三、桥梁健康监测技术概述桥梁健康监测是桥梁工程领域的一项重要技术,旨在通过实时监测桥梁的结构性能和安全状态,及时发现潜在的安全隐患,为桥梁的维护和管理提供科学依据。
小波变换在行为识别中的应用及其实例
小波变换在行为识别中的应用及其实例引言:行为识别是一项重要的研究领域,涉及到人类行为的分析和理解。
随着科技的进步,小波变换作为一种强大的信号处理工具,被广泛应用于行为识别中。
本文将探讨小波变换在行为识别中的应用,并通过实例来说明其效果。
一、小波变换简介小波变换是一种数学工具,用于将信号分解为不同频率的成分。
与傅里叶变换相比,小波变换可以提供更好的时间-频率局部化信息。
小波变换通过对信号进行多尺度分析,可以捕捉到信号中的短时变化和非平稳性。
二、小波变换在行为识别中的应用1. 动作识别小波变换可以用于分析和识别人体动作。
通过对传感器数据进行小波变换,可以提取出不同频率的特征,进而判断人体的运动状态。
例如,在运动捕捉系统中,通过对加速度计和陀螺仪数据进行小波变换,可以实时识别人体的运动姿势。
2. 声纹识别小波变换可以用于声纹识别,即通过声音特征来识别个体身份。
声纹识别常用的特征提取方法之一就是小波变换。
通过对语音信号进行小波变换,可以提取出不同频率的声纹特征,用于个体的识别和辨认。
3. 行为分析小波变换可以用于分析和识别人类行为模式。
通过对传感器数据进行小波变换,可以提取出行为特征,进而判断人体的行为状态。
例如,在智能家居系统中,通过对居民的日常活动数据进行小波变换,可以分析出其行为模式,从而实现智能化的家居控制。
三、小波变换在行为识别中的实例1. 健康监测小波变换可以应用于健康监测领域。
通过对心电图信号进行小波变换,可以提取出心脏的频率特征,进而判断心脏的健康状况。
例如,研究人员利用小波变换对心电图信号进行分析,成功识别出心律失常的病例。
2. 驾驶行为识别小波变换可以应用于驾驶行为识别。
通过对车辆传感器数据进行小波变换,可以提取出驾驶行为的特征,进而判断驾驶员的状态。
例如,研究人员利用小波变换对车辆加速度和转向角数据进行分析,成功识别出疲劳驾驶和危险驾驶等行为。
3. 运动分析小波变换可以应用于运动分析领域。
移动载荷下桥梁速度响应小波分析多裂纹识别
声水平、 载荷速度对损伤q Y ,  ̄ J q 结果 的影 响, 表明该方法具有较好的噪声容忍度 ; 当提 高栽荷 速度 时, 边界
影 响增 强 , 不 利 于损 伤 定 位 。
关键词 : 桥梁 ; 移动 栽荷 ; 速度响应 ; 小波分析 ; 多损伤识别 中图分类 号 : T U 3 7 8 . 2 文献标志码 : A d o i : 1 0 . 3 9 6 9 / j . i s s n . 1 6 7 3 - 2 0 5 7 . 2 0 1 4 . 0 1 . 0 1 4
T a i y u a n U n i v e si r t y o f S c i e n c e nd a T e c h n o l o g y , T a i y u a n 0 3 0 0 2 4 , C h i n a )
Ab s t r a c t : T h e t wi n — r o l l s t r i p c a s t l n g p r o c e s s h a s b e e n d o n e b a s e d o n 3 D i f n i t e e l e me n t a n a l y s i s s o f t wa r e . h e T r e s u l t
B a o t o u, I n n e r Mo n g o l i a 0 1 4 0 1 0, C h i n a : 2 . C o a l S c i e n c e a n d En g i n e e in r g C o l l e g e , I n n e r Mo n g o l i a Un i v e r s i t y
s h o we d t h a t t h e t h e r ma l c o n d u c t i v i t y b e t we e n r o l l s a n d mo l t e n p o o l c h a n g e d g r e a l t y w i t h c a s t i n g s p e e d, nd a he t S O ・
小波分析及其应用
小波分析及其应用小波分析是一种时间-频率分析方法,是对时域信号在时间和频率上的特征进行分析的一种数学工具。
它不仅具有频域分析方法的优点,如傅立叶变换,可以提供信号的频率成分,而且还能提供信号的时间信息,即信号的局部特征。
小波分析在信号处理、图像处理、语音识别等领域有着广泛的应用。
小波分析的基本原理是通过对信号进行分解和重构,将信号转化为不同尺度和频率的小波基函数的叠加,然后通过分析小波系数的大小和位置,得到信号的频率和局部时间信息。
在信号处理领域,小波分析常用于信号压缩、去噪和特征提取。
由于小波函数具有时频局部化特性,可以更准确地描述信号的局部特征,所以在信号压缩方面有很好的应用。
小波压缩将信号分解为不同频率分量,然后根据各个频率分量的重要程度进行压缩,以达到减小数据量的目的。
在信号去噪方面,小波分析可以通过滤除小波系数的低能量分量来抑制信号中的噪声。
此外,小波变换还可应用于语音识别和图像处理中的特征提取,提取信号的频率特征和时间特征,以实现对语音和图像的处理和识别。
在图像处理领域,小波分析有着广泛的应用。
小波变换可以将图像分解为不同尺度和方向的频域信号,从而提供了更加精细的图像特征信息。
基于小波变换的图像处理技术包括图像压缩、边缘检测、纹理分析等。
通过对图像进行小波分解和重构,可以实现图像的压缩和去噪。
同时,小波变换还具有多尺度分析的优势,能够更好地捕捉图像中的局部细节和全局结构。
在金融领域,小波分析被用于金融时间序列的特征提取和预测。
金融市场的价格序列通常具有非线性、非平稳和非高斯分布的特点,传统的统计方法常常无法处理。
而小波分析可以更好地揭示金融时间序列的时间和频率特征,提供更准确的数据分析和预测。
通过分析小波系数的大小和位置,可以提取金融时间序列中的主要特征和周期,为金融决策提供参考。
此外,小波分析还在医学影像处理、地震信号处理、生物信号处理等领域有广泛的应用。
在医学影像处理中,小波分析能够提取出图像中的不同频率和方向的特征,从而实现对病变的检测和分析。
小波分析在桥梁结构损伤检测中的应用
等将 小波 分析 用 于结构 的损 伤检 测 。 目前 , 结构 损
伤检测与损伤识别方法主要是基于振动模态分析 与参 数 识 别 基础 上 的整 体状 态 监测 技 术 , 过 分 通
析与 结构 动力特 性 相关 的动 力指 纹 的变化 与结 构 参 数 的变 化来 判别 结构 的状 态 。同时 ,小波 分 析 可用 于 结构 损 伤 检 测领 域 的信 号处 理 , 所 测 振 对 动 信 号 在全 部频 带 内进 行 精 细 正交 分 解 , 离 不 分 同频 带 范 围 内 的损伤 特 征 频 率 , 判 别损 伤类 型 为 提 供 了较准 确 “ 片式 ”的 频谱 分布 图 ,非常适 切 合 于力 学行 为 比较 复杂 的桥梁 结构 长 期在线检 测
本 文采 用基 于振 动 响应 的结构 损伤 诊断 方法 对某 拱桥 结 构施 加冲 击荷 载 ,获取 结构 的动 态信 号 ,再 经过 小波 分析 得到 各阶 子信 号 ,进而 获得 各 阶子信 号 的能量 谱 及损伤 前 后 能量谱 的变化 。 比较 各 阶子信 号 的差 异和 能量 谱 的变 化得 到 结构
( 西安建筑科技大学 土木 工程 学院,陕西 西安 7 0 5 ) 10 5
摘
要:大型土木建筑 结构在长期使用过程中会因各种因素而产生损伤和结构强度退化 , 如果没有及时发现和
采取必要 的措施 ,将可 能发 生严重 的事故 ,造成生命和财产 的巨大损失 。利用结构 的振动特性 的变化评估其健
康状 况,是 当前研究 的热点 问题 。本文基于结构振动测试和小波变换技术 ,确定结构可能发生 的整体性能退化 或局部损伤 的大小和位置 ,以便应用 于大型结构尤其 是桥梁 结构 的在线损伤检测 中。首先通过数值模拟分析得
基于小波包能量曲率差法的桥梁损伤识别试验研究
基于小波包能量曲率差法的桥梁损
伤识别试验研究
小波包能量曲率差法的桥梁损伤识别试验研究,是一种基于小波变换理论的桥梁损伤监测方法。
其原理在于用小波变换将实时数据转换成小波系数,然后根据小波能量曲率差特性来判断桥梁的损伤情况。
本文以某段网架形桥为例,进行了桥梁损伤识别试验研究,从而探究桥梁损伤识别的可行性。
首先对桥梁进行试验,为了更好的捕捉桥梁的动力学特性,采用关节式激振试验,即在桥梁的梁端处加装轴承板、湿紧定螺栓,并将激振机的轴支托在上端,以此引发桥梁的自振动,并通过压力传感器实时采集桥梁的响应信号。
接着,对实时采集的响应信号进行小波变换,得到小波系数,然后利用能量曲率差方法,根据系数的变化规律,将其分解为两部分,一部分是属于桥梁正常状态的能量曲率,另一部分是属于桥梁损伤状态的能量曲率,以此来判断桥梁的损伤状况。
最后,利用小波包能量曲率差法对实际的桥梁试验数据进行了分析,发现了桥梁损伤的变化规律。
从实验结果
可以看出,桥梁损伤的程度随着时间的增加而增加,小波能量曲率差可以有效地捕捉桥梁损伤的变化趋势,也可以实时监测桥梁的损伤状况,从而使桥梁安全监测和管理更加有效。
综上所述,基于小波包能量曲率差法的桥梁损伤识别试验研究是一种有效的桥梁损伤监测方法,可以有效地检测到桥梁的损伤程度,并有助于进行桥梁安全监测和管理。
小波分析在桥梁健康状态诊断中的应用研究
小波分析在桥梁健康状态诊断中的应用研究摘要:国内外不断发生的桥梁垮塌事故,日益引起人们对桥梁健康状态的重视.基于小波分析的桥梁健康状态诊断是近年来国内外的研究热点.文中首先应用有限元分析软件MIDAS对桥梁在动力荷载作用下进行时程分析,将得到的位移和加速度时程分析数据导入到MATLAB中,进行小波融合,然后应用小波函数对融合后的数据进行分解和重构,实现对动力荷载作用下的桥梁损伤位置进行识别,结果表明:动力荷载作用下的时程数据经过小波分析后能够有效判断出桥梁已有损伤位置.某空心板梁仿真分析结果验证了该方法的可行性,为桥梁健康状态诊断提供了一种新的思路.关键词:小波分析;桥梁;健康状态;诊断近年来,国内外不断发生桥梁垮塌事故,如2009年12月24日,印度一座桥梁倒塌,遇难45人;2011年4月12日新疆库尔勒市郊的孔雀河大桥垮塌,2011年7月14日福建武夷山公馆大桥垮塌,2011年7月15日浙江钱江三桥引桥突然塌落,2012年8月24日哈尔滨阳明滩大桥引桥坍塌等.由此引发人们对桥梁安全运营的极大关注,而保障桥梁安全运营的有效手段之一就是对桥梁进行健康监测,如何对检测到的结构损伤信号进行分析和处理,快速实时确定结构的损伤时刻和损伤位置,分析损伤程度,是桥梁健康状态诊断的关键问题之一.在桥梁结构损伤位置识别研究方面,文献[1]指出小波分析可用于结构损伤定位、在线健康监测和预警等方面;文献[2-4]研究了连续梁的损伤识别,对小波分析在桥梁结构健康监测中的应用进行了探讨;文献[5-7]将结构动载测试与小波分析相结合研究了桥梁结构的损伤诊断方法;文献[8-9]研究认为,基于小波包的能量变化率指标对于结构损伤比较敏感,可以准确地判定损伤位置.可见,小波分析在桥梁健康监测与损伤诊断中的研究具有理论和实际工程价值.文中结合实际桥梁结构,通过数值仿真分析,研究了小波分析在桥梁结构健康状态诊断中的应用. 首先通过有限元软件MIDAS对桥梁在动力荷载作用下进行时程分析,将得到的位移和加速度的时程分析数据导入到MATLAB中,进行小波融合,然后应用小波函数对融合后的数据进行分解和重构,实现对动力荷载作用下的桥梁损伤位置进行识别,某空心板梁桥的数值模拟研究结果表明小波分析能够有效识别桥梁损伤位置,验证了该方法的有效性与可行性,可供桥梁健康状态诊断参考借鉴.1 基于小波分析的结构损伤位置识别原理1.1结构损伤位置识别原理小波变换具有时域和频域的局部性以及“变焦”特性,能有效确定信号奇异点位置。
基于小波包能量累积变异的梁桥损伤识别试验
中图分类号 U4 5 7 4 .
损 伤识别
试 验 研 究 小 波 包 能 量 累 积 变 异 指 标
和作 为 能量 的标 志
M
性 。针对 小波 分析 技术 在信 号 处理 和数 据分 析领 域
E 一 >: ( ) I 志I
一
() 1
】
的 优势 , 例说 明 了小 波 分 析在 桥 梁 健 康监 测 中 的 举
应用 。王振林 等D] 出 了一种基 于 小波 包组 分能 量 o 提
第 3 卷第 1 1 期
21 0 1年 2月
振 动 、 试 与 诊 断 测
J u n lo b a in, e s r m e t& Dig o i o r a fVi r t o M aue n a n ss
V o .3 O.1 1 1N Fe b. 2 011
基 于 小 波 包 能 量 累 积 变 异 的梁 桥 损 伤 识 别 试 验 。
行健 康诊 断 。郭健 等 [通 过分 析 桥梁 健康 监 测 中 的 9 几 个关 键 性 问题 , 阐述 了测试 数 据 分 析 处理 的重 要
带 信 号 的能 量 值 组成 特 征 参 数组 , 映结 构 损 伤 的 反
特 征 。
在 小 波 包 分 析 中 , 取 各 个 频带 内信 号 的平 方 选
其 中: E 为各 个 频 带 内 的能 量 ; 为该 子 空 间样 本 M 的长 度 ; ( ) 为第 i 分 解节点 上 的结 构动 力 响应 。 层 原 始 信 号 的 总 能 量 等 于 各 频 带 信 号 的 能 量 值
浅析动载测试与小波分析在桥梁结构损伤诊断中的联合应用
浅析动载测试与小波分析在桥梁结构损伤诊断中的联合应用作者:马先光来源:《科技资讯》 2014年第26期马先光(江苏宿淮盐高速公路管理有限公司江苏淮安 223006)摘要:桥梁结构损伤诊断是保证桥梁质量的重要措施,在实际施工过程中对于这项工作应该保持高度重视。
把结构动载测试同小波分析结合在一起进行桥梁结构损伤诊断是一种新型应用方法。
这种方法的应用能够实现精确检测。
在大跨桥梁结构检测过程中采用结构动载测试和小波分析结合的方式是最为合适的。
本文将重点分析这两种方法在桥梁结构损伤检测过程中的科学合理地应用。
关键词:桥梁结构动载测试小波分析中图分类号:TU279 文献标识码:A 文章编号:1672-3791(2014)09(b)-0053-01随着我国桥梁建设的不断加快,大跨桥梁结构损伤诊断技术取得了明显进步。
通常情况下用来检测桥梁结构的方式主要是把结构模态参数当作损伤特征参数并利用神经网络法、模型修正方法及各类损伤指标方法来进行诊断。
这些方法的应用虽然能够达到基本目的,但是却只能适用于那些简单结构模型中。
在实际测量过程中这些方法是存在缺陷的。
正是因为这样,在实际工作过程中就需要利用新技术来检测。
把小波分析和结构动载测试结合起来应用是一种典型方式。
既具有良好效果。
1 小波包能量谱结构损伤诊断原理小波包能量谱结构损伤诊断是一种专业地检测方法,实际工作过程中当结构损伤出现之后就会引起动力特性的变化,从而最终会使得不同小波包尺度上结构相应的变化,结构动力相应能量在各个频带内部将会重新分布。
在检测过程中如果选择前m个较大能量的频带作为特征频带,那么它的结构动力相应fi,k能量系列组成的结构损伤预警的小波包能量谱就是:各个特征频带的能量比Ik是由此我们便可以得出定义结构损伤预警指标能量比偏差ERVD:2 两种方法的联合诊断从理论上来看采用小波包能量谱来进行结构损伤诊断是具有非常好的噪声鲁棒性及损伤敏感性的。
但是从实际结果来看却还是存在着一定问题,小波包能量谱本身不是结构固有的动力参数,当前采用的瞬态激励磁测量和可重复的确定性激振技术能够达到基本目的,但是我们要看到大跨桥梁结构的的外部激励是很难测到的。
小波降噪方法在动载荷时域识别技术
link
马小艳 陈英华
中国直升机设计研究所
马小艳,女,中国直升机设计研究所,工程师,研究方向:结构动力学设计。
图5 降噪前7号节点的识别结果
图6 降噪前9号节点的识别结果图3 简支梁的有限元模型
图4 降噪前5号节点的识别结果
图10 小波降噪后9号节点的识别结果图8 小波降噪后5号节点的识别结果
图9 小波降噪后7号节点的识别结果均大大改善了识别的效果,尤其是在开始的一段时间内,识别载荷已经逼近真实载荷。
两种小波降噪后的识别结果相比,采用sym8小波降噪处理后的识别结果优于采用db3小波降噪处理后的识别结果。
小波变换不可能将信号中所含的噪声百分之百的消除掉,所以动载荷识别的结果仍有一定成的发
图11 sym8小波不同阈值下的降噪效果
图13 调节阈值下7号节点的识别结果。
桥上移动车辆车轴识别小波变换方法
2 0 1 3年 8月
Vo l | 2 6 No . 4
Au g. 201 3
桥 上 移 动 车辆 车轴 识 别 小 波 变 换 方 法
王 宁 波 ,任伟 新 ,贺 文 宇。
( 1 . 中南 大 学 土 木 工 程 学 院 , 湖南 长沙 4 1 0 0 7 5 ;2 . 香 港 理 工 大 学 土 木 与结 构 工 程 系 , 香港)
驶 速度 等口 ] , 由于直接 承受 交通 荷 载作用 , 该 类系 统
耐久 性 能和 防水 性 能 差 。 为避 免 这 一 问 题 , 后 来 发 展 了“ 无路面车轴检测( F r e e o f Ax l e D e t e c t o r ) ” 的
后 提取 动应 变信 号在该 特定 尺度 下 连续小 波变 换 系
再 以此 为基 础识 别 车辆总 重及 各轴 重 , 因此 , 车轴 信
息 的准 确性 直 接 影 响桥 梁 动态 称 重 ( B — WI M) 结 果 精度 。早期 的 B — WI M 采 用 路 面式 车 轴 检测 系统 提
取 车轴 信息 , 再 结合桥 梁 应变传 感 器对 车辆 称重 , 通
摘要 : 通 过 连 续 小 波 变 换 对 车辆 过 桥 产 生 的 桥 梁 动 应 变 响应 进 行 分 析 , 提取特定尺度下小波系数 , 能够 凸显 与 车 轴
信息对应的峰值点 , 弥 补 传 统 局 部 峰 值 提 取 法 在 识 别 短 轴 距 问 题 的不 足 。 车一 桥耦合振 动模型数值 分析表 明 , 结 合 小波变换的车轴信息识别方法对于行驶速度 高、 路 面 平 顺 性 差 的工 况 仍 具 有 较 高 精 度 。选 取 与 车 辆 激 振 频 率 相 对 应的尺度系数 , 准确 提 取 原 始 信 号 中有 用 信 息 的 同时 有 效 减 小 干扰 信 号 影 响 。 振~
基于小波变换的桥梁动态称重系统车轴高精度识别研究
基于小波变换的桥梁动态称重系统车轴高精度识别研究赵华;谭承君;张龙威;乔东钦【摘要】首先利用小波变换对一不能明显识别车轴信息的数值仿真信号进行处理,证明小波变换能够高效放大车轴经过传感器时产生的不连续变化斜率,从而识别出车轴信息.然后基于实桥测试,对那些不能直接识别出车辆信息的FAD信号,通过联合控制最小Shan-non熵值和最大相关系数选取最适变换尺度和最适变换小波函数进行小波变换.分析结果表明:对于不能直接识别出车辆信息的FAD信号,小波变换也能准确地识别车辆行驶速度、车轴数目以及车轴间距.小波变换可提高桥梁动态称重(BWIM)系统车轴识别的效率及精度,为将BWIM系统发展为超载车辆控制的有效工具提供技术支撑.【期刊名称】《湖南大学学报(自然科学版)》【年(卷),期】2016(043)007【总页数】9页(P111-119)【关键词】桥梁动态称重;车轴识别;小波变换;小波函数选取;变换尺度【作者】赵华;谭承君;张龙威;乔东钦【作者单位】湖南大学土木工程学院风工程与桥梁工程湖南省重点实验室,湖南长沙410082;湖南大学土木工程学院风工程与桥梁工程湖南省重点实验室,湖南长沙410082;湖南大学土木工程学院风工程与桥梁工程湖南省重点实验室,湖南长沙410082;湖南大学土木工程学院风工程与桥梁工程湖南省重点实验室,湖南长沙410082【正文语种】中文【中图分类】U491;TN911.7我国超载现象比比皆是,超载车辆对道路和桥梁造成的破坏不容忽视[1].近些年来,超载车辆导致桥梁垮塌的报道屡见不鲜.高效率、高精度的超载车辆监管系统可控制超载车辆并监测桥梁安全,在我国有着广阔的应用前景.动态称重系统(weigh-in-motion:WIM)近年来在国际上越来越多地应用于对桥梁和道路交通车辆的监测.该技术在测试车辆数据时不需要中断交通,效率较高,是一种获取车辆荷载数据、控制超重车辆的有效工具.传统的动态称重系统(也称为路面动态称重系统:Pavement WIM)通过在路面埋置传感器来测试通行车辆的轴重、轴距和车速等信息.该系统是永久性的,不能拆迁,使用寿命较短,且安装及维护费用较高,精度也有待提高[2-5].桥梁动态称重系统(bridge weigh-in-motion:BWIM)直接利用桥梁为载体,在线监测桥梁在移动车辆荷载作用下的动态响应,并通过程序反算出车辆轴重.和传统路面WIM系统相比,BWIM系统不仅可以在不阻断交通的情况下连续不间断地识别车辆轴重和总重,而且可以在线监测桥梁在车辆荷载作用下的动态响应信号,进而获得结构的实际影响线以及在车辆荷载作用下的结构荷载横向分布参数和桥梁冲击系数等[4,6].BWIM的概念最初由Moses[7]于1979年提出.BWIM系统利用安装在主梁下缘的传感器所采集的动态信号反算出车辆轴重.早期BWIM系统除了在主梁下缘安装传感器外,还需要在桥头路面上埋置便携式磁带开关或压电电缆来测试车辆速度、轴数、轴间距等信息,所以早期BWIM系统也存在耐久性问题,且安装时需要中断交通,更换也不易[6,8-10].近几十年来,各国学者在原始BWIM模型基础上推广和改进,共同创建了新型商业BWIM系统[6,9-11].新型BWIM系统摒弃了早期BWIM系统所需的埋置在桥头路面上的便携式磁带开关或压电电缆,而是直接在桥面板下安装额外的传感器(也称车轴探测传感器或FAD传感器),从而获得车轴信息. 新型BWIM系统的安装、调试及数据采集全部在桥下进行,桥面上不布置任何测试设备.相较于早期BWIM系统,新型BWIM系统不仅可以在不阻断交通的情况下连续不间断地识别车辆轴重和总重,更具有携带方便、安装和测试隐蔽、可以反复使用,且安装、维护及使用成本低等优点[4]. Moses[7],Znidaric[11]和Peters[12]都曾提到车辆信息识别(轴数及轴间距)的准确度是影响BWIM系统轴重及总重识别精度的一个主要因素,同时有效且准确地识别出车轴信息也是BWIM系统精确识别车辆轴重的前提及基础.然而试验证明,有时难以直接从FAD信号中准确识别车辆信息,特别是在连轴(相邻车轴间距很小)或信号动态成分较大的情况下[8,13-14].Dunne[8] 和Chatterjee[13] 提出通过对FAD信号进行小波变换可更有效地识别车辆信息,但对于小波函数选取及最适变换尺度都缺少研究.本文基于仿真分析及实桥测试结果(湖南省怀化市舞水五桥引桥的现场测试),在标定车辆经过测试桥梁时,采集记录FAD信号和桥梁桥底动态响应信号,结合最小Shannon熵值以及最大相关性从而选取合适小波函数以及变换尺度,并利用小波技术变换FAD信号来获得未能直接识别的车辆信息.分析结果表明:作为强大的信号处理工具,小波变换在BWIM系统中能够有效提高对车轴信息的识别.1982年法国工程师Jean Morlet 首先提出小波变换的概念[15],它可以认为是经典傅里叶变换的延伸.两者最大的区别在于小波变换可以同时在时域和频域上定域,而傅里叶变换只是时域和频域之间的转换工具.小波变换可分为连续小波变换(Continuous wavelet transform:CWT)和离散小波变换(Discrete wavelet transform:DWT).1.1 连续小波变换连续小波变换的数学定义为:,小波一词意味着特定的小波函数,即式(1)中的ψ(t),例如db2和rbio2.4(图1)等.这种小波函数都是紧支的,即函数的定义域是有限的.傅里叶变换是将信号分解成一系列不同频率的正弦波叠加,而小波变换是通过缩放和平移这些小波函数来逼近信号.显然对于一些尖锐变化的信号,用不规则的小波函数逼近要比光滑的正弦曲线好.经过连续小波变换得到许多小波系数,这些系数就是缩放因子(尺度)和平移(位置)的函数,其中小波分解尺度与傅里叶变换中的频率相对应,所以连续小波变换又可以定义为式(2).它表示信号f(x)与被缩放和平移的小波函数ψ(t)之积在信号存在的整个时间段求和的结果.1.2 最适小波函数和变换尺度的选取在MATLAB小波分析工具中有13个小波函数族,包括60多个常用小波函数,而对于同一个目标信号,每一个小波函数通过变换都会得到不一样的结果.小波变换最大的挑战是对于不同情况怎么选取小波函数来获得最理想的结果.目前,对于小波函数选取的方法总体可以分为两类:定性方法和定量方法.定性方法是基于小波函数的本身基本特性(正交性、对称性、紧支性、光滑性、消失矩)或通过目标信号与小波函数之间的形状匹配度来选取最适小波函数.对于特定的目标信号,需要针对想要结果的特性选取合适的小波函数.例如,考虑到小波函数的紧支性、消失矩和正交性,选择Coif4小波函数以便有效分离肌动电流图中的脉冲波和滋补成分[16].定性方法中大部分是通过肉眼来判断,缺少客观依据,而定量方法则是通过计算出特定的数值(能量、熵值、相关系数等)以便更客观地对比小波函数之间的差异[17]. 对于连续小波变换,它在每个可能的尺度上都进行计算,得到一系列的小波变换系数,其中只有部分结果是有用的,所以如何选取变换尺度至关重要.本文提出采用最小Shannon熵方法选择最佳小波变换尺度[17].小波变换系数在尺度s下的能量为:小波变换系数的Shannon熵的分布如下:显然小波变换系数Shannon熵值的范围为0≤Eentropy(s)≤log 2N.仅当所有小波变换系数都为0时,Shannon熵值为0;且仅当所有小波变换系数均相同时,Shannon熵值等于log2 N.Shannon 熵值的大小反映了小波变换系数概率分布的均匀性,熵值越大,概率分布越不均匀,能量就越分散;熵值越小,概率分布越均匀,能量分布就越集中[17].因此,对于不同尺度下一系列的小波变换系数,其中某尺度对应的小波变换系数包含少量大幅度的系数且其他的小波系数相对而言较小或者可以忽略时,将产生最小的Shannon熵值[17].这一特性正适合在BWIM系统中利用FAD信号对车轴信息进行识别.因为对于FAD信号,只需考虑当车轴经过FAD传感器时产生的明显波峰,其他时刻的振荡均需忽略,使得车轴产生的峰值更加凸显(即能量集中分布在车轴经过传感器时刻).仿真分析中模拟一辆两轴车以20 m/s的速度经过跨度为15 m的简支梁.车辆模型的简化车身质量平均作用在车轴上(如图2所示),且每个车轮自身重为7.5 kN.表1列出了计算分析中车辆和桥梁采用的详细参数.图3示出了车辆经过桥梁时数值模拟产生的跨中梁底动态应变响应信号(采样频率为6 400 Hz).由于车桥耦合振动,很难直接从图中获得车轴经过桥梁跨中时刻的准确时间信息.本文拟用rbio2.4小波函数对图3中模拟信号进行连续小波变换,并为了选取最适合变换尺度,算出利用rbio2.4函数的连续小波变换在尺度1至64的Shannon熵值(图4).显然,当尺度为1时,Shannon熵值最小,所以选取当尺度为1时的连续小波变换系数作为变换结果(图5).其结果显示的2个明显峰值,表明所经过车辆为一两轴车.2个峰值所对应的时刻分别为0.375 s和0.450 s,因此2个车轴经过跨中点的时间差即为0.075 s.已知车辆行驶速度为20 m/s,即可算得峰值间距离(即轴距)为1.5 m,与车轴间距模型的设计值完全吻合.由此表明经过小波变换后得到的波峰对应时间点即为车轴经过跨中点的瞬间.以上分析表明:对于没有出现任何尖峰的跨中梁底车桥耦合振动信号,小波变换能非常有效地从这些信号中识别出各车轴经过传感器的准确时间信息.其原因在于:这个数值模拟信号是由具有非常“尖角”的静态信号叠加在振动效果上所得到的.而小波变换就像是信号的放大器,能够找到并放大这些“尖角”.3.1 试验桥跨简介实桥测试选择湖南省怀化市舞水五桥怀黔路侧简支跨引桥作为测试跨.该桥主桥为预应力混凝土连续箱梁桥,主桥跨径布置为65 m+100 m+65 m.主桥两侧各有一跨径为40 m引桥,为全预应力混凝土简支T梁结构,其横向由10片T梁组成.测试跨的传感器布置如图6, 图7和图8所示.40 m引桥沿行车方向共布置5道横隔板,如图8所示.该桥横向宽度为24.0 m,桥宽布置为:2.0 m(人行道)+3.0 m(非机动车道)+4×3.5 m(行车道)+3.0 m(非机动车道)+2.0 m(人行道),具体布置如图7所示.由图6,图7和图8可以看到,在每个车道对应的桥面板下都安装了一对FAD传感器,在每片T梁下缘都安装了一个采集桥梁动态应变的传感器(称重传感器).如图8所示,编号1—10为布置在梁底的称重传感器,编号11—18分别为布置在各个车道桥面板下的FAD传感器.其中编号为11和15的传感器对应于行车道1,编号分别为L1-FAD1和L1-FAD2;编号为12和16的传感器对应于行车道2,编号分别为L2-FAD1和L2-FAD2;编号为13和17的传感器对应于行车道3,编号分别为L3-FAD1和L3-FAD2;编号为14和18的传感器对应于行车道4,编号分别为L4-FAD1和L4-FAD2.对各车道而言,FAD1 和FAD2分别表示车辆先经过编号为FAD1的传感器,然后再经过编号为FAD2的传感器.在新型BWIM系统中,对测试的桥跨结构,要事先用标定车对该桥跨进行标定试验.在整个标定试验中采用标定车(已知轴重和轴距)重复进行跑车试验,然后根据测试得到的动态响应来修正或计算结构的实际影响线.在标定后得到的影响线基础上,以FAD传感器识别的车辆信息(轴数、轴距等)为前提,根据连续采集的梁底动态应变计算出行驶车辆轴重及总重[4,6,9].试验现场传感器的布置图如图9所示.试验时选取2辆两轴车(分别称为A和B)作为标定车,同时或分别在每个车道上重复进行跑车试验(如图10所示).试验中所采用的标定车详细信息见表2.试验过程中采用扬州科动公司生产的KD4001工具式应变传感器作为测试元件,日本TML公司生产的动态应变仪DC-204R作为数据采集仪.标定试验采集频率为200 Hz.3.2 试验结果的小波变换3.2.1 单辆车过桥时FAD信号的小波变换在试验中,当标定车辆行驶过桥时,采集的FAD信号大部分能够直接识别车辆信息,但有时由于车桥耦合振动的动态成分较大而导致FAD信号难以直接识别车辆信息.例如仅车辆A在车道3跑车时,如图8所示,编号为13的传感器(L3-FAD1)和编号为17的传感器(L3-FAD2)记录了桥面板下缘处在车辆荷载作用下的动态应变信号(图11).从图中可清晰地看出,标定车经过车道3时,先经过L3-FAD1,然后再经过L3-FAD2,这和传感器的布置一致.如图11所示,L3-FAD1和L3-FAD2的信号都只出现了一个明显的峰值.当标定车A的2个轴分别经过每一个FAD传感器时,该传感器采集的测试信号理应会显示出2个明显的峰值,但是L3-FAD2的信号只显示了一个明显峰值信号以及在它之前的一个小波峰,而L3-FAD1的信号只呈现了一个明显峰值信号及它前后许多小波峰.就L3-FAD1信号而言,程序难以直接识别出哪些波峰是由于车轴经过该FAD传感器时所产生的.小波变换拟用来提高FAD信号的车轴信息识别.为了更好地说明小波函数以及变换尺度的选取,以ReverseBior(rbio)小波函数族中rbio1.3, rbio2.2, rbio2.4,rbio2.8, rbio3.3, rbio3.9, rbio4.4和rbio6.8为例.对于L3-FAD1信号,由公式(3)和(4)算出上述小波函数从尺度1至64的连续小波变换的Shannon熵值分布(图12).由图可知,每个小波函数所对应小波系数的Shannon熵值曲线在尺度5至15存在最小值.以rbio2.2函数为例,当尺度为6时,Shannon熵达到最小值.图13列出了rbio2.2在不同尺度下的连续小波变换系数.可以看出,当尺度较小时,小波变换系数杂乱无序,对车轴信息识别毫无意义;当尺度较大时,小波变换系数的波峰将被稀释(包括车轴产生的波峰),这也导致无法精确识别车轴信息.当Shannon熵值最小时(尺度为6)呈现出2个明显能识别的波峰,在此能量集中分布于2个波峰所对应的时刻.并且当尺度与最小Shannon熵值对应的尺度越接近时,由车轴经过FAD传感器产生的波峰越明显.因此,也证明使Shannon熵值最小的小波变换尺度对应的小波系数能获得最佳车轴识别效果.前述已证明在最小Shannon熵时,能够得到最佳车轴信息识别效果,图14列出上述一系列小波函数对应最小熵值尺度下的连续小波变换系数.对于每一个小波函数,尽管都处于最优车轴识别效果状态,但不一定能够有效地识别出车轴信息.从图14中可以看出,rbio1.3, rbio3.3和rbio3.9的小波变换结果在车轴经过FAD传感器的时刻产生峰值,但由于波峰本身是反对称形状,导致波峰峰值减小,或者如rbio3.9结果所示,一个车轴经过FAD时显现出2个波峰,这都将导致车轴信息难以准确识别.另外如rbio2.8和rbio6.8小波变换结果所示,在由车辆后轴产生的大波峰两侧会出现小波峰,峰值有时甚至大于由车轴产生的小波峰,这也将影响对车轴信息的判断.事实上,只有 rbio2.2,rbio2.4和rbio4.4小波变换系数显示了2个可识别的波峰且其波峰形状与目标信号相似.本文提出通过计算相关系数来进一步选取小波函数.相关系数计算公式见式(5)..由公式(5)计算得到图14中的小波变换结果与L3-FAD1信号的相关系数(图15).识别效果较差的rbio1.3,rbio3.3和rbio3.9小波函数所对应的相关系数很小,不超过0.04;而rbio2.8和rbio6.8小波函数对应的相关系数稍大,但也不超过0.13;车轴识别效果较好的rbio2.2,rbio2.4和rbio4.4小波函数所对应的相关系数均超过0.25,且rbio2.2对应的相关系数达到0.50.因此,利用小波变换来高效识别FAD车轴信息,可以通过最大相关性和最小Shannon熵值来选取最适合的小波函数及其最佳变换尺度.针对MATLAB中所有常用小波函数,基于上述方法对图11中的FAD信号分别进行小波分析.对于L3-FAD1信号,在rbio2.2且尺度为6时获得最大相关系数以及最小熵值,而L3-FAD2信号,在mexh小波函数尺度为3时获得最大相关系数以及最小熵值.所对应连续小波变换结果如图16所示.这些原始信号经过连续小波变换后,可以很明显地识别出车轴数目,为BWIM系统识别车辆轴重及总重提供前提条件.当车轴数目及对应时刻被一对FAD传感器识别后,可计算出车辆行驶速度和车轴间距,同时还可与静态测量的轴距进行比较.从图16可以得到,标定车A经过L3-FAD1时,前后2个波峰对应的时刻分别为t1=2.115 s和t2=2.730 s,经过L3-FAD2时2个峰值对应的时刻分别为=3.150 s和=3.740 s.在已知2个FAD传感器距离(如图6和图8所示,LFAD=8 m)前提下,车辆行驶速度可计算如下:在求出速度V后,根据任何一个FAD信号中2个波峰之间的时间差即可计算出轴距,计算公式如下:或者A1,2=V(t2-t1).3.2.2 多辆车同时过桥时FAD信号的小波变换为了进一步验证小波变换应用于BWIM系统中提高车轴识别效果的有效性,下面利用小波变换识别当两辆车同时行驶过桥时所产生的不易直接获得的车辆信息的FAD信号.标定车A和B分别同时沿车道4和车道3行驶过桥,对应于这2个车道的FAD 传感器L3-FAD1, L3-FAD2, L4-FAD1和L4-FAD2采集的动态应变信号如图13所示.由于试验持续时间长,传感器L3-FAD2工作不稳定,产生了白噪声干扰信号(如图17(a)所示).如图17所示,图中L3-FAD1, L3-FAD2, L4-FAD1和L4-FAD2的信号都只显示出一个峰值信号和一些小波峰,通过这些信号难以直接识别过桥车辆车轴信息,尤其是信号L3-FAD1和L4-FAD2,这种现象更明显.运用上述方法从常用小波函数里面找出最适小波函数分别对2个车道的FAD信号进行连续小波变换,得到的结果如图18所示.尽管信号L3-FAD2掺杂有较大的白噪音信号,在coif1函数尺度14的小波变换下仍能高效识别出车轴信息.另外L3-FAD1, L4-FAD1和L4-FAD2信号分别在rbio2.2尺度为6, gaus2尺度为4和rbio2.2尺度为7时获得理想结果(如图18所示).这些FAD信号在经过连续小波变换后都表现出2个明显的尖峰.对于车道3或车道4,从图18中可明确得到车辆各车轴经过每个传感器的时刻.同样,根据相对应的一对FAD传感器,由公式(6)和(7)可计算出车辆A和B的轴距,结果列于表4.1)从数值模拟信号的小波分析结果可以看出,小波变换能够高效率地发现和放大车轴经过传感器时产生的不连续变化斜率,从而准确识别出过桥车辆车轴信息.2)实桥试验结果分析表明,小波变换能有效解决新型桥梁动态称重(BWIM)系统中部分FAD信号难以直接识别车轴数目、车轴距离及车辆速度的问题.在2组分析例子中,对于所采集的不理想FAD信号,由小波变换所识别的车辆轴距误差在4%以内.3)在利用小波变换识别车轴信息时,小波变换尺度至关重要,低尺度小波系数显示高频信息,而高尺度小波系数显示低频信息.根据最小Shannon熵的方法得到,只有在使Shannon熵值最小时才能获得最利于识别车轴信息的小波变换尺度.4)通过对常用的几十种小波函数对同一目标信号进行变换,所得的结果不一致,并且部分小波函数并不能达到预期结果,而只有选取合适的小波函数才能准确地识别车轴信息.依据本文所提出的采用最大相关系数的方法,可以获取最合适的小波函数,从而高效率地识别车轴信息.5)在新型BWIM系统中,对于那些不能直接识别出车轴信息的FAD信号,小波变换是一个高效而准确地识别车轴信息的工具.在应用小波变换时,首先基于最小Shannon熵值计算出每个小波函数的最适变换尺度,然后求出各最适尺度下的变换系数与目标信号的相关系数,具有最大相关系数者即为最适小波函数.试验证明,对于难以识别车轴信息的FAD信号,依据最小Shannon熵值方法和最大相关系数确定的小波变换系数也能准确、有效地识别车轴信息,进而提高新型BWIM系统识别过桥车辆轴重及总重量的效率和精度.WANG Ying-jie, SHEN Li-ping. Discussing the damage of the transport vehicle with out-of-gauge goods [J]. Technology & Economy in Areas of Communications, 2002(3): 41-42. (In Chinese)WANG Jin-fang. The research and development of dynamic weighing system [D]. Hangzhou: Department of Control Science and Engineering, Zhejiang University, 2006:10-17. (In Chinese)ZHU Jun. Fiber bragg grating in the application research of vehicle dynamic weighing system[D].Xi’an:School of Construction Mac hinery, Chang’an University, 2007:12-15. (In Chinese)†通讯联系人,E-mail:***************.cn。
基于小波分析的桥梁结构损伤识别方法研究的开题报告
基于小波分析的桥梁结构损伤识别方法研究的开题报告一、选题背景与意义桥梁结构作为重要的公共交通设施,承担着人们出行、物资运输等重要任务,但长期使用和日常维护不当容易导致结构的损伤,进而影响安全性和可靠性。
因此,准确的损伤识别技术对于保障桥梁安全具有重要作用。
小波变换作为一种在信号分析和处理中广泛应用的数学工具,可以用于有效地提取结构振动信号的特征,识别出桥梁结构的损伤位置和程度。
二、研究内容本次研究将以小波分析为基础,通过开展以下工作实现对桥梁结构损伤的识别:1. 对桥梁结构进行振动试验,获取桥梁结构的振动信号。
2. 运用小波变换对桥梁结构振动信号进行处理,提取信号的特征参数。
3. 构建损伤指标方程,并通过实验验证和数据分析构建出最优损伤识别模型。
4. 分析小波分析在研究桥梁结构损伤识别方面的应用优势和不足,并提出进一步的研究方向和改进措施。
三、研究方法本次研究将采用如下方法实现对桥梁结构损伤的识别:1. 搭建实验平台,利用振动台对桥梁结构进行振动试验,并记录结构振动信号。
2. 利用MATLAB软件中的小波变换工具箱对桥梁结构振动信号进行小波分析,并得到信号的频域特征。
3. 运用支持向量机(SVM)或神经网络算法构建损伤识别模型。
4. 验证损伤识别模型的准确性和鲁棒性,并分析实验结果。
四、预期结果本研究最终目的是建立基于小波分析的桥梁结构损伤识别方法,预期结果为:1. 构建出可靠性较高的损伤识别模型。
2. 提取出桥梁结构振动信号的特征参数。
3. 分析小波分析在研究桥梁结构损伤识别方面的应用优势和不足,并提出进一步的研究方向和改进措施。
五、研究意义桥梁结构作为公共交通设施的重要组成部分,具有重要的社会意义,而结构损伤技术能够有效地保障公共交通设施的安全以及社会的和谐稳定。
本文建立基于小波分析的桥梁结构损伤识别模型,对于便于桥梁结构的科学评价和维护管理具有重要的实用价值和推广应用前景。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
万方生数&据
献(#)利 用 5;&NI梁 的 振 动 方 程 进 行 了 一 系 列 研 究& 文 献 (")%文 献 (A)用 有 限 单 元 法 结 合 幂 级 数 %三 角 级 数 曲线拟合法进行 了 移 动 荷 载 识 别 研 究&WHUUNI(C)利 用 带 XHIY%M 参 数 的 逆 系 统 和 线 性 解 释 规 则 识 别 荷 载&/H%等 建 (+) 立了基于荷载的总体 平 方 差 的 平 均 值 最小的方程#并利 用 8ENFNI滤 波 理 论 进 行 荷 载 识 别& 文献(B)将作 用 在 5;&NI梁 上 的 荷 载 在 微 小 的 时 间 段 内离散为阶梯函数#利 用 模 态 迭 加 法 在 时 域 内 识 别 荷
6! 基 本 理 论
6’6! 桥 上 移 动 荷 载 识 别 的 基 本 公 式 ""$A#
&!’" ("##3"##)$?"##3(&%!’& (""’#&#"$#)&(!’& "$#&!’)
(? )
式中$"##Z""%#)3! "%#*3 ! * ! "%#+3 #3 "#!#+&!’
Z"!)!!*!*! !+ #3+"%#)%"%#*%*%"%#+ 为())%
(?)小 波 函 数
%3%(&)" (!!)$?-!NE&-!=EF(!!,(!*!2&2$?))
! ! ! ! ! ! ! ! ! ! ! 2&2’
"!!$#!# **
$3%(&)" (!!)$?-!NE&-!J%=(!!,(#*!2&2$?))
! ! ! ! ! ! ! ! ! ! ! 2&2’
!? 西南交通大学 土木工程学院#四川 成都!A?))*?$! 汕头大学 工学院#广东 汕头!"?")A*"
摘!要!利用小波分析技术和三次样条函数对测点的位移响应进行曲线拟合#根据拟合结 果 微 分 求 得 速 度%加 速 度响应&利用梁体有限元振动方程结合模态迭加法推导出的移动荷载识别公式进行桥上移动荷载识别&对接触 力的识别结果#利用小波分析技术将其在时域内分解为 低 频%高 频 部 分#发 现 对 轴 重 和 沉 浮 运 动 引 起 的 动 荷 载 识 别较好#识别的主要误差在于点头运动引起的动荷载&进一步的分析表明#虚假点头运动是引起误差的根 源& 指 出在识别方法中剔除虚假点头运动将是提高识别精度 的 有 效 途 径&计 算 机 仿 真 计 算 表 明#该 方 法 具 有 较 好 的 识 别效果& 关 键 词 !小 波 分 析 $三 次 样 条 函 数 $移 动 荷 载 $时 域 识 别 $有 限 元 法 中 图 分 类 号 !3.*??’*".##?’!! ! 文 献 标 识 码 !0
("
)
3’(&)" )! ! ! ! ! 2&2/ &
")$#*!#
式 中 $,(@)Z@#(*"]+#@^C)@! ]!)@*)$@’ ")$?#!
6/8! 小 波 分 析 的 应 用
本文采用测点的位移响应识别移动荷载!先将每
个测点的位移响应用 XNPNI小 波 分 解 为 低 频%高 频 部
第#期
乘法解式(! )可求得任 意 时 刻 的&!’%&(!’%&%!’! 再 将 &!’%&(!’%&%!’代入式(? )可得单元节点荷载&!’$由荷
载作用位置可计算实际荷载大小!
6/7! 小 波 分 析 理 论 "?*#
) 设 %’0?(0! 满足1% "
\ $\
23%
(&)2!
Q& 2&2
*
\ $则称 % 为基本小波$其中 3% 为 % 的 共 轭 函 数$0?
第 !" 卷 第 # 期 !))* 年+月
铁!!道!!学!!报 ,-./(01 -2345647(0 /071809:-67539
$%&’!"! (%’# 0;<;=> !))*
文 章 编 号 !?))?@+*A)!!))*")#@))BC@)"
小波分析在桥上移动荷载识别中的应用
黄 ! 林?!! 袁 向 荣!
小波分析在桥上移动荷载识别中的应用
!
BB
分!如图?万"方图数A据所示"图? 为有噪 声 的 位 移 响 应!设
为 <#6$!图 !" 图 A 分 别 为 分 解 得 到 的 模 糊 像 和 细 节 ! 其关系 为 <#6$Z1># ^1?# ^1?* ^1?! ^1??!1??%
?))
!
铁!!道!!学!!报
(*)%(+)单 元 节 点 自 由 度 对 应 的 正 则 振 型 子 矩 阵+
"#!#由单元等效 节 点 荷 载 公 式 决 定+"’#为 单 位 矩 阵+
"$#为 谱 矩 阵+"%# 为 /NE<K&HP 阻 尼 系 数+模 态 位 移
&!’%模态速度&(!’%模态加速度&%!’可 由 测 点 位 移&,".-’%
载&文献(?))借助于 2%;ENI变 换在 频 域 内 分 析#由 最
B+
!
铁!!道!!学!!报
第 !" 卷
小二乘法获得时域荷载!文献"??#利 用 5;&NI梁 和 模 态 分 析 由 梁 的 响 应 识 别 移 动 荷 载 ! 文 献 "?!#研 究 了 作 用在多跨变截面 3EU%=KNFY%梁上 的 一 系 列 移 动 荷 载 的识别问题!
第 !" 卷
1?! 为高频噪声!1>#"1?#"1?* 的 频 率 依 次 由 低 到 高# 根 据 振 动 理 论 可 知 !低 频 位 移 响 应 对 应 低 频 速 度 "加 速
,
[
速 度 &,".-’%加 速 度 &,".-’与 模 态 坐 标 的 关 系 求 得
%&,".-’" "%##&!’
,
$&,".-’" "%##&(!’
(! )
[
&&,".-’" "%##&%!’
式中$"%# #Z ""%# #?3$"%# #!3$*$"%# #-3 #3$"%# #?%*%
"%##- 为测点自由度对应的正则振型子矩阵$用 最 小 二
数代表函数 <(9)的 细 节! 利 用 XH&&H>算 法$可 以 将
函 数 <(9)的 小 波 分 解 形 象 地 表 示 为
即将 <(9)分 解 为 模 糊 像1>? 和 细 节1??$再 将 1>? 分解为 模 糊 像1>! 和 细 节1?!$*$直 到 满 足 要 求 为止!
本文采用 XNPNI小波$其 小 波 函 数 和 尺 度 函 数 如 下.
"#!$+!# **
3% (&)" )! ! ! ! ! ! &
2&2/
"!!$+!# **
(# )
! ! (!)尺 度 函 数
%3’(&)"
(!!)$?-! ! ! 2&2’
")$!!# *
3’(&)" (!!)$?-!J%=(!!,(!*!2&2$?))
$ !
!!
!
!!
!!
!
2&2’
"!!$#!# **
- ’(9)" ;-’(!9$-)+% 为 正 交 小 波! 则 任 何 函 -’: 数 <’0!(8)有 小 波 分 解 式
\
- <(9)"
*<$’=- .’=- &
-"$\
\\
- - *<$%*- . %*-
*"=-"$\
(* )
式中$第一个级数代表 函 数 <(9)的 模 糊 像$第 二 个 级
!3/’4&%’’7F>KE=RHRNI#ON;=N>KNOHMN&N>HFH&P=E=>NJKFES;NHFQJ;TEJ=R&EFNL;FJ>E%F>%LE>>KNQE=R&HJNUNF> IN=R%F=N’0FQON<N>>KNMN&%JE>PHFQHJJN&NIH>E%FIN=R%F=NTH=NQ%F>KNJ;IMN@LE>>EF<IN=;&>’2EFH&&P#ONLEFQ >KN&%HQ@>EUNJ;IMN=LI%U>KNL%IU;&H=%LU%MEF<&%HQ=EQNF>ELEJH>E%FHJJ%IQEF<>%IN=R%F=NTH=NQ%F>KNLEFE>N N&NUNF>METIH>E%FNS;>HE%F%LTIEQ<NHFQ>KN U%QH&=;RNIR%=E>E%FRIEFJER&N’.=EF<>KN OHMN&N>HFH&P=E=>%QN@ J%UR%=N>KNEQNF>ELEJH>E%FIN=;&>=EF>%&%OHFQKE<KLINS;NFJP&%HQ=EF>KN>EUNQ%UHEF#ONLEFQ>KH>>KNIN=;&>= %LHV&N=ONE<K>HFQ&%HQ=EFQ;JNQTPMNI>EJH&U%>E%FHINON&&EF&EFNOE>KINH&&%HQ=HFQNII%I=HJJ;I UHEF&P &%HQ=EFQ;JNQTPRE>JKU%>E%F’2;I>KNI=>;QP=K%O=>KH>>KNLH&=NRE>JKU%>E%FE=>KNN==NF>EH&RI%T&NU>%JH;=N NII%I=’:%ONR%EF>%;>>KH>N&EUEFH>EF<>KNEFL&;NFJN%L>KNLH&=NRE>JK U%>E%F OE&&TN>KNNLLNJ>EMNOHP>%EU@ RI%MN>KNHJJ;IHJP%L>KNEQNF>ELEJH>E%FIN=;&>=’3KE=E=>KNMNIPMH&;HT&NEQNF>ELEJH>E%FUN>K%QH==K%OFTPNU@ ;&H>E%FJH&J;&H>E%F%LJ%UR;>NI=’ 5-.+(40/’OHMN&N>HFH&P=E=$J;TEJ=R&EFNL;FJ>E%F$U%MEF<&%HQ=$>EUNQ%UHEFEQNF>ELEJH>E%F$LEFE>NN&NUNF> UN>K%Q