振测数据最佳分析长度的确定方法技术

本发明专利技术公开了振测数据最佳分析长度的确定方法，在所测结构的关键位置布设传感器装置，获取结构的振测数据；提取不同长度N的数据信息，并选取合适的尺度因子S，利用改进的粗粒化方法将振测数据粗粒化处理；利用伪近临法与互信息法分别确定各粗粒化后数据的相空间重构参数m、τ，并进行相空间重构；计算各尺度下的排列熵熵值，并将各排列熵熵值均匀化作为多尺度排列熵熵值MPE；计算不同长度N振测数据的多尺度排列熵熵值，并选出满足精度要求的MPE(Li)，则MPE(Li)所对应的最短数据长度定义为振测数据最佳分析长度。

A Method for Determining the Optimum Analytical Length of Vibration Data

The invention discloses a method for determining the optimum analytical length of vibration measurement data, laying sensors at the key positions of the measured structure to obtain the vibration measurement data of the structure, extracting the data information of different length N, selecting the appropriate scale factor S, using the improved coarse-graining method to process the vibration measurement data, and using the pseudo-nearest neighbor method and mutual information method to determine the number of each coarse-grained data, respectively. The parameters m and_of phase space reconstruction are used to reconstruct the phase space; the permutation entropy values of each scale are calculated, and the permutation entropy values are homogenized as the multi-scale permutation entropy values MPE; the multi-scale permutation entropy values of N vibration measurement data with different lengths are calculated, and the minimum data length corresponding to MPE (Li) is defined as the optimum analysis length of vibration measurement data. Degree.

【技术实现步骤摘要】
振测数据最佳分析长度的确定方法
本专利技术涉及工程结构振动测试
，具体是一种利用熵值稳定性确定振测数据最佳分析长度的方法。
技术介绍
针对我国诸多大型建筑物包括：水工建筑物、桥梁、隧洞等结构，存在的“重建轻修”的问题，单从其外观判断以上等大型建筑物的运行状态，已远不能满足评价要求。各因素导致的结构功能异常，必然引起结构振动信号发生改变，因此，振动测量是对结构运行状态进行监控和故障诊断的一种重要方式。解决振动问题的重要前提是对研究对象进行振测数据的分析，数据分析的主要目的为提取结构的特征信息，而其中数据长度的选取是关键一步，一定程度上决定着结构监测的有效性。关于如何确定数据分析长度，目前并没有固定明确的方法。通常结构的损伤诊断、在线监测等过程中振测数据长度的选取仅通过人为的主观意向，或针对对象本身选取相对合适的数据长度，但并没有一个科学的选取方式。数据长度决定了信号的丰富程度，振测数据越长越能反映结构自身特性，但数据长度过长也会存在计算繁琐、耗时较多等弊端，而选取数据较短又会导致特征信息的丢失或不完整，使得结构状态的监测及判断中存在误判等问题，因此，数据长度的选取是保证分析结果正确与否的重要环节。多尺度排列熵方法是Aziz等在排列熵的基础上提出的，具有比排列熵更好的鲁棒性，能够很好的检测信号的复杂程度。由于该方法在检测出系统的动力学突变方面较为敏感，因此成为数据分析的热点方法。一般多尺度排列熵方法的计算分为三部分，首先，对一组测试数据{X(i)；i＝1,2.....n}进行粗粒化，得到s个粗粒化时间序列；其次，对每个粗粒化序列相空间重构；最后，计算各序列的排列熵熵值(PE1、PE2、L、PES)，并将s个熵值平均化得到多尺度排列熵MPE。具体过程如下：为粗粒化序列；s为尺度因子，当s＝1时粗粒化序列是原始序列；[n/s]表示对n/s取整。相空间重构参数的选取是熵值计算前的又一重要步骤，分为独立确定与联合确定方法，两方法都具有可行性，但对于异常状况的检测，独立确定方法更精确。在此，分别以伪近临法、互信息法求取嵌入维数m、延迟时间τ。以上两参数选取的准则是：恰当的维数m为相空间中伪近临点的百分比趋于零时对应的维数，且该维数之后，伪近临点百分比不再变动；最佳延迟时间τ为第一次达到最小值所对应的延迟时间，实测数据中m不小于2，τ不小于1。运用以上两方法对相空间重构参数进行选取，可避免：m值选择不合理带来的空间重构均匀化以及不能切实呈现序列的动力学突变等问题；τ值选择不合理带来的点的关联程度过大或过小的问题。对粗粒化序列重构可得：上式中：l表示第l个重构分量。以l1，l2，L，lm表示重构分量中各元素所在列的索引，将按升序排列：若重构分量中存在相等值，则按先后顺序排列。对于任意一个粗粒化序列都可得到一组符号序列s(r)＝(l1,l2,L,lm)，其中，r＝1,2,L,R,且R≤m！。计算每一种符号序列出现的概率Pr(r＝1,2,L,R),则排列熵定义为：归一化后处理可得：为方便对比分析，将原始排列熵HP(m)进行归一化处理得到PE值，PE值即数据粗粒化处理后各尺度下时间序列的排列熵熵值，值越接近于1表明数据越复杂，随机性越大；反之，表明数据的复杂度与随机性越小。然而，现有多尺度排列熵方法中的粗粒化方式是将原始时间序列直接除以尺度因子s，其弊端是：尺度因子s较大时，时间序列过短，所包含的数据点太少，导致多尺度排列熵产生不准确的估计。
技术实现思路
本专利技术的目的是提供一种利用改进多尺度排列熵确定最佳振测数据分析长度的方法，利用熵值对系统动力学突变的敏感性，寻求同一状态下熵值较为稳定的适宜数据长度，以解决数据分析中对数据长度的选择性问题。为解决上述技术问题，本专利技术采取以下技术方案：一种振测数据最佳分析长度的确定方法，包括如下步骤。(1)在所测结构的关键位置布设传感器装置，获取结构的振测数据{X(i)；i＝1,2.....n}。(2)提取不同时间序列长度N的数据信息，并选取合适的尺度因子S(一般大于10),利用改进的粗粒化方法将振测数据粗粒化处理。尺度因子S是将一维时间序列从单一尺度划分成多尺度的重要参数，该划分过程称为粗粒化处理。传统粗粒化的本质是:对于每个尺度因子S，将原始时间序列{X(i)；i＝1,2.....n}划分为长度为s的不相重叠的窗口，计算每个窗口内数据点的均值，由所得均值构成一组新的时间序列，进而分别计算各组新序列的排列熵，得到多尺度排列熵，粗粒化方式见上述公式(1)。为提高熵值计算的有效性，避免原始粗粒化过程中由序列过短造成的错误估计，在此利用改进的粗粒化方法公式j＝1,2，L，(n-s+1)。(3)利用互信息法(MutualInformation，MI)与伪近临法(FalseNearestNeighbor，FNN)分别确定各粗粒化后数据的相空间重构参数τ、m，并进行相空间重构。采用互信息法确定τ的方法：针对时间序列{X(i)；i＝1,2.....n}，取X(i+τ)构成新的点列Y(i)，对于两离散时间序列二者分别对应于系统X、Y，根据信息论，系统X、Y之间的互信息为：I(X,Y)＝I(Y,X)＝H(X)+H(Y)-H(X,Y)式中H(X)、H(Y)、H(X,Y)分别表示系统X、Y的信息熵及X、Y之间的互信息熵,具体公式为：H(X)＝-∑Px(xi)log2Px(xi)H(Y)＝-∑Py(yi)log2Py(yi)式中Px(xi)、Py(yi)、Pxy(xi,yj)分别为X在xi区域的边缘分布概率密度、Y在yi区域的边缘分布概率密度及X、Y在(xi,yj)区域的联合概率密度。根据上述公式，X、Y之间的互信息可简化为：随延迟时间τ的逐渐增加，每个τ的X、Y之间均可依据上式得到一个互信息值I(X,Y)，当该值最小时表明X(i)、Y(i)最大可能的不相关，重构时取互信息第一次达到极小值时其所对应的τ作为最佳延迟时间。伪近临法求嵌入维数m的思想是：嵌入维数较小状态下，相空间中各轨道相互重叠，迫使相空间中原应距离很远的点折叠在一起，此时产生伪近邻点；嵌入维数较大时，空间中相点轨道充分展开，原折叠处的伪近邻点被展开。若在维数m0处。伪近邻点所占百分比骤然降至0，且该百分比不在随m的改变而改变，此时m0即为最佳嵌入维数。(4)计算粗粒化后各时间序列的排列熵熵值PE1、PE2、L、PES,得到多尺度排列熵MPES＝{PE1、PE2、L、PES}，并以多尺度排列熵的均值作为衡量振测数据复杂度的依据。其中，熵的均值(5)计算同一振动状态下，不同长度N振测数据的多尺度排列熵均值MPE(L1)，MPE(L2)KMPE(Li)KMPE(Ln)，此时数据长度N值越大，熵值MPE越趋于某一固定值，在此以数据达到一定长度即MPE(Ln)-MPE(Ln-1)≈0为止,并以MPE(Ln)作为标准熵值，MPE(Ln)所对应的数据长度Ln作为标准数据长度N。本专利技术中振测数据即时间序列，二者为同一事物的不同称呼。(6)将MPE(L1)，MPE(L2)KMPE(Li)KMPE(Ln)分别与MPE(Ln)进行比较，选出满足精度要求的MPE(Li)，满足：MPE(Li)≥97％MPE(Ln)，则MPE(Li)所对应的最短数据长度定义为振本文档来自技高网...

【技术保护点】
1.一种振测数据最佳分析长度的确定方法，它包括如下步骤：(1)在所测结构的关键位置布设传感器装置，获取结构的振测数据{X(i)；i＝1,2.....n}；n为正整数；(2)提取不同长度N的数据信息，并选取合适的尺度因子S,将振测数据粗粒化处理，在给定的尺度因子S上，通过移动平均得到对应的粗粒化序列，公式如下：

【技术特征摘要】
1.一种振测数据最佳分析长度的确定方法，它包括如下步骤：(1)在所测结构的关键位置布设传感器装置，获取结构的振测数据{X(i)；i＝1,2.....n}；n为正整数；(2)提取不同长度N的数据信息，并选取合适的尺度因子S,将振测数据粗粒化处理，在给定的尺度因子S上，通过移动平均得到对应的粗粒化序列，公式如下：j为正整数；(3)利用伪近临法与互信息法分别确定各粗粒化后数据的相空间重构参数m、τ，并进行相空间重构；m为嵌入维数，τ为延迟时间；(4)计算粗粒化后各时间序列的排列熵熵值PE1、PE2、L、PES,得到多尺度排列熵MPES＝{PE1、PE2、L、PES}，并以多尺度排列熵的均值MPE作为衡量振测数据复杂度的依据，其中(5)计算同一振动状态下，不同长度N振测数据的多尺度排列熵均值MPE(L1)，MPE(L2)KMPE(Li)KMPE(Ln)，此时数据长度N值越大，熵值MPE越趋于某一固定值，在此以数据达到一定长度即MPE(Ln)-MPE(Ln-1)≈0为止,并以MPE(Ln)作为标准熵值，MPE(Ln)所对应的数据长度Ln作为标准数据长度N。(6)将MPE(L1)，MPE(L2)KMPE(Li)KMPE(Ln)分别与MPE(Ln)进行比较，选出满足精度要求的MPE(Li)，满足：MPE(Li)≥97％MPE(Ln)，则MPE(Li)所对应的最短数据长度定义为振测数据最佳分析长度。2.根据权利要求1所述振测数据最佳分析长度的确定方法，其特征在于：振测数据增加到某一长度时，所测数据熵值MPE(Ln)相较于较短数据所对应熵值MPE(Ln-1)的变化可忽略不计，即MPE(Ln)-MPE(Ln-1)≈0时，以熵值MPE(Ln)作为该状态下振测数据的标准熵值。3.根据权利要求1所述振测数据最佳分析长度的确定方法，其特征在于：从步骤...

【专利技术属性】
技术研发人员：张建伟，马晓君，张翌娜，赵瑜，李洋，程梦然，
申请(专利权)人：华北水利水电大学，
类型：发明
国别省市：河南,41