一种结构参数不确定性量化与误差逐级传递方法及系统技术方案

本发明专利技术公开了一种结构参数不确定性量化与误差逐级传递方法及系统，具体为：利用传感器系统采集结构动态响应，然后利用变分模态分解等算法实现车辆

【技术实现步骤摘要】
一种结构参数不确定性量化与误差逐级传递方法及系统


[0001]本专利技术属于工程结构智能运维领域，具体涉及一种结构参数不确定性量化与误差逐级传递方法及系统。

技术介绍

[0002][0003]采用各类先进传感器技术的结构健康监测技术在近年来得以快速发展，它们在保障结构安全与实现结构全寿命周期管理方面被寄予厚望。目前，国内外众多长大跨桥梁安装了各类结构健康监测系统，它们在突发事件(地震、台风、船撞等)预警方面发挥着积极作用。但是，现有健康监测方法主要依靠输出振动响应，一般仅输出结构的基本模态参数，业内普遍认为无法真正实现结构的状态评估。近年来，国内外学者提出了一种基于质量改变的环境振动测试方法，直接从仅有输出的结构振动响应中识别结构质量归一化振型缩放系数，并进而实现结构的模态柔度矩阵等深层次参数识别。此方法的基本思想是通过测试桥梁结构在附加质量前后的振动响应并识别结构在两种状态下的模态参数，利用两种状态下结构基本模态参数与附加质量之间的映射关系计算振型缩放系数。
[0004]然而实际工程中总是不同程度地存在各种各样的误差及不确定性，比如构件几何容差、材料参数的固有随机特性、边界条件变异及测试误差等。这些误差可能导致结构动力特性产生较大的偏差或不可预知性，进而影响到整个结构的可靠性和安全性评估。因此，如何准确量化结构识别过程中的不确定性至关重要。

技术实现思路

[0005]为了克服现有技术中存在的不足，能深入挖掘结构健康监测系统采集数据实现结构柔度等详尽参数的最优值以及统计特征的识别，为桥梁结构智能运维提供数据支撑。本专利技术提供一种结构参数不确定性量化与误差逐级传递方法及系统。
[0006]本专利技术的一种结构参数不确定性量化与误差逐级传递方法，包括以下步骤：步骤1：时频分析：利用传感器采集结构动态响应，对采集数据进行初步分析，然后利用变分模态分解算法、同步提取变换和多任务深度神经网络算法实现车辆
‑
桥梁耦合系统的时变动力特征的识别。
[0007]步骤2：振型缩放系数不确定性量化：依据车桥耦合振动理论，建立结构振型缩放系数与时变动力特征之间的数学模型，计算车辆移动于桥梁各个位置的振型缩放系数；然后，利用高斯混合模型拟合其概率分布规律，用最大似然估计方法求解模型参数，得到振型缩放系数的置信区间。
[0008]步骤3：误差逐级传递机理：根据模态分析理论中质量归一化振型、模态柔度参数与结构振型缩放系数及基本模态参数的关系，进一步误差逐级传递的规律并对其进行量化。
[0009]进一步的，步骤2中的振型缩放系数不确定性量化具体为：
考虑测量误差与参数识别误差的影响，根据车桥耦合振动理论计算的车辆位于桥梁不同位置的所有振型缩放系数服从高斯混合模型分布，即：式中，为第i阶振型缩放系数；是第k个高斯模型的概率密度函数；是第k个高斯模型的权重，称作选择第k个模型的先验概率，K为高斯模型的个数；对于此模型为待求解的各个子高斯模型的均值、方差与各个高斯模型的权重。
[0010]对于高斯混合模型，其对数似然函数可以表示为：式中，为包含代求模型参数的对数似然函数；为第i阶振型缩放系数在第m个时刻的值。
[0011]对模型参数进行初始化，利用迭代的方式求解，得到振型缩放系数的统计特征参数。
[0012]进一步的，步骤3中的误差逐级传递机理具体为：第i阶任意归一化振型与第i阶质量归一化振型间的关系为，第i阶质量归一化振型表示为：其中，，为第i阶振型缩放系数符合的第k个高斯模型的概率密度分布。
[0013]对其进行摄动分析，可得到位移振型的协方差矩阵：第i阶模态柔度矩阵表示为：其中：为结构第i阶固有圆频率；对两端进行摄动分析并求其协方差矩阵，可得第k个高斯模型分量对应的第i阶柔度矩阵的协方差矩阵，即：
式中：为位移振型堆叠矩阵的协方差矩阵；为第k阶位移振型的堆叠矩阵。
[0014]第i阶柔度矩阵的协方差矩阵表示为的线性叠加，即：由于结构柔度矩阵表示为多阶模态的叠加，即：，进一步得知柔度矩阵的置信区间；结合预测静力挠度与识别柔度的关系，并考虑误差逐级传递，进一步得到预测静力变形的协方差。
[0015]本专利技术的一种结构参数不确定性量化与误差逐级传递系统，包括传感器系统、数据预处理系统与数据分析系统。
[0016]传感器系统由加速度传感器或者非接触式位移测量设备组成，用于采集桥梁结构在移动车辆下的动态响应；数据预处理系统利用去趋势项、滤波、去噪算法消除测量噪声的影响；数据分析系统包括时频分析模块与结构参数不确定性量化模块两部分，时频分析模块实现车辆
‑
桥梁耦合系统的时变动力特征；结构参数不确定性量化模块用于结构参数的概率统计特征识别。
[0017]本专利技术的有益技术效果。
[0018]本专利技术方法不仅能识别结构振型缩放系数、模态柔度等详尽参数的最优值，而且也能识别其统计特征(均值、方差、协方差)，所识别结果鲁棒性更高、结果更可信。本专利技术方法所提供结果可进一步用于基于概率统计的结构可靠度评估、长期性能劣化机理研究，切实有效保障公路网上众多桥梁的安全运营。
附图说明
[0019]图1为本专利技术结构参数不确定性量化方法流程图；图2为本专利技术时变模态参数识别滚动轮胎示意图；图3为本专利技术时变模态参数识别振动响应示意图；图4为本专利技术时变模态参数识别基于VMD算法分解的振动分量示意图；图5为本专利技术时变模态参数识别前3阶时变频率示意图；图6为本专利技术时变模态参数识别第1阶效果验证；图7为本专利技术时变模态参数识别第2阶效果验证；图8为本专利技术时变模态参数识别第3阶效果验证；
图9为本专利技术振型缩放系数与质量归一化振型不确定性量化振型缩放系数及其置信区间；图10为本专利技术振型缩放系数与质量归一化振型不确定性量化第1阶振型；图11为本专利技术振型缩放系数与质量归一化振型不确定性量化第2阶振型；图12为本专利技术振型缩放系数与质量归一化振型不确定性量化第3阶振型；图13为本专利技术模态柔度矩阵不确定性量化确定性识别结果；图14为本专利技术模态柔度矩阵不确定性量化考虑不确定性影响识别的位移柔度及其置信区间；图15为本专利技术预测静力挠度不确定性量化工况1预测结果对比；图16为本专利技术预测静力挠度不确定性量化工况2预测结果对比；图17为本专利技术预测静力挠度不确定性量化工况3预测结果对比；图18为本专利技术预测静力挠度不确定性量化工况4预测结果对比。
具体实施方式
[0020]下面结合附图和实施例对本专利技术做进一步详细说明。
[0021]本专利技术的一种结构参数不确定性量化与误差逐级传递流程如图1所示，具体包括以下步骤：步骤1：时频分析：利用传感器采集结构动态响应，对采集数据进行初步分析，然后利用变分模态分解算法、同步提取变换和多任务深度神经网络算法实现车辆
‑
桥梁耦合系统的时变动力特征的识别。
[0022]步骤2：振型缩放系数不确定性量化：依据车桥耦合振动理论，建立结构振型缩放系数与时变动力特征之间的数学模型，计算车辆移动于桥梁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结构参数不确定性量化与误差逐级传递方法，其特征在于，包括以下步骤：步骤1：时频分析：利用传感器采集结构动态响应，对采集数据进行初步分析，然后利用变分模态分解算法、同步提取变换和多任务深度神经网络算法实现车辆
‑
桥梁耦合系统的时变动力特征的识别；步骤2：振型缩放系数不确定性量化：依据车桥耦合振动理论，建立结构振型缩放系数与时变动力特征之间的数学模型，计算车辆移动于桥梁各个位置的振型缩放系数；然后，利用高斯混合模型拟合其概率分布规律，用最大似然估计方法求解模型参数，得到振型缩放系数的置信区间；步骤3：误差逐级传递机理：根据模态分析理论中质量归一化振型、模态柔度参数与结构振型缩放系数及基本模态参数的关系，进一步误差逐级传递的规律并对其进行量化。2.根据权利要求1所述的一种结构参数不确定性量化与误差逐级传递方法，其特征在于，所述步骤2中的振型缩放系数不确定性量化具体为：考虑测量误差与参数识别误差的影响，根据车桥耦合振动理论计算的车辆位于桥梁不同位置的所有振型缩放系数服从高斯混合模型分布，即：式中，为第i阶振型缩放系数；是第k个高斯模型的概率密度函数；是第k个高斯模型的权重，称作选择第k个模型的先验概率，K为高斯模型的个数；对于此模型为待求解的各个子高斯模型的均值、方差与各个高斯模型的权重；对于高斯混合模型，其对数似然函数表示为：式中，为包含代求模型参数的对数似然函数；为第i阶振型缩放系数在第m个时刻的值；对模型参数进行初始化，利用迭...

【专利技术属性】
技术研发人员：田永丁，许肇峰，
申请(专利权)人：广东交科检测有限公司，
类型：发明
国别省市：