一种钢结构桁架在线健康监测方法及系统与流程

1.本发明涉及钢结构桁架监测技术领域，具体涉及一种钢结构桁架在线健康监测方法及系统。


背景技术：

2.钢结构管桁架,作为屋盖结构中较为新型的结构体系，适用于大型公用建筑工程。目前，国内有许多大型结构都用到了这种管桁架结构，应用最广泛的是高铁车站无站台柱雨棚，为满足大空间和独特建筑功能需求，多采用大体量、大跨度、结构体系复杂的网架、桁架、张弦等钢结构形式。
3.另外，大跨度钢结构阻尼较小且自振频率较低，结构与风发生耦合振动的概率较高；同时，由于自身内部动荷载，包括设备的振动，车辆进出站的振动以及房屋内人流物流引起的振动，这些振动的频率多集中于低频区域，与结构主频、外部风振的主频非常接近，为了保证结构安全，有必要对结构关键部位进行振动监测，并设置振动幅值上限，以预警结构安全及设备正常运转。
4.现有技术cn201910474878.1公开了一种基于光纤传感的大跨度管桁架结构在线健康监测系统，包括依次连接光纤光栅传感组件、接线盒、解调模块、数据处理模块和监测终端模块。光纤光栅传感器包括光纤光栅应变传感器、光纤光栅温度传感器、光纤光栅腐蚀传感器、光纤光栅加速度传感器和线形检测器，布设于大跨度管桁架结构上，实现大跨度空间管桁架结构的应变、振动、腐蚀、形变、温度等多状态参数的监测，并累积监测数据。本发明采用的光纤光栅传感器具有测量距离远、抗电磁干扰、信号易传输、易复用、稳定性好、测量精度和灵敏度高等优点，实用性和可靠性强。
5.虽然上述现有技术能够保障在线监测的适用性和可靠性，但却在测量时利用人为经验判定测量的关键节点和设定监测传感器的灵敏度，人为主观性强，会导致测量的精度降低，最终导致在线健康监测的精度降低。


技术实现要素：

6.本发明的目的在于提供一种钢结构桁架在线健康监测方法及系统，以解决现有技术中在测量时利用人为经验判定测量的关键节点和设定监测传感器的灵敏度，人为主观性强，会导致测量的精度降低，最终导致在线健康监测的精度降低的技术问题。
7.为解决上述技术问题，本发明具体提供下述技术方案：
8.一种钢结构桁架在线健康监测方法，包括以下步骤：
9.步骤s1、对钢结构桁架进行网格化处理得到一组测试网格，并将每个测试网格的中心点作为测试节点，以及在每个测试节点处均添加有监测传感器；
10.步骤s2、依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度；
11.步骤s3、基于测试节点的关键度在测试节点中确定出关键节点，并提取关键节点的钢结构属性参量，基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，所述关键节点表征为钢结构桁架中影响范围广的关键结构；
12.步骤s4、将待监测钢结构桁架进行网格化处理得到一组测试网格以及测试节点，并获取每个测试节点的钢结构属性参量，利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，再在监测节点处设置监测传感器，以及根据关键度设定监测传感器的灵敏度，以实现在钢结构桁架的关键结构处进行动态灵敏度的在线监测来降低监测数据的冗余。
13.作为本发明的一种优选方案，所述对钢结构桁架进行网格化处理得到一组测试网格，包括：
14.设定网格的基础单元大小，将钢结构桁架按基础网格大小划分为一组基础网格；
15.为钢结构桁架设定两个力学优化指标，所述两个优化指标包括杨氏模量优化指标和泊松比优化指标，所述杨氏模量优化指标的计算公式为：
[0016][0017]
所述泊松比优化指标的计算公式为：
[0018][0019]
式中，ey表征为钢结构桁架的杨氏模量优化指标，μy表征为钢结构桁架的泊松比优化指标，ei表征为第i个基础网格的杨氏模量，μi表征为第i个基础网格的泊松比，n表征为基础网格的总数量，i为计量常数；
[0020]
设定杨氏模量优化指标和泊松比优化指标的阈值，以杨氏模量优化指标和泊松比优化指标最大化且小于杨氏模量优化指标和泊松比优化指标的阈值为约束条件，并基础网格大小进行增缩处理直至按增缩处理后基础网格大小得到的基础网格满足约束条件，再将满足约束条件的基础网格作为测试网格。
[0021]
作为本发明的一种优选方案，所述依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，包括：
[0022]
测试信号源依次以每个测试节点为起点发射测试信号，并同步获取所有测试节点处由监测传感器监测测试信号得到的测试监测数据；
[0023]
其中，测试信号源在不同测试节点处发射的测试信号具有随机性。
[0024]
作为本发明的一种优选方案，所述基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度，包括：
[0025]
将每个测试节点处获取的所有测试检测数据与测试信号进行相似度比对，将测试检测数据与测试信号间的相似度与相似度阈值比较，其中，
[0026]
若测试检测数据与测试信号的相似度高于相似度阈值，则将测试检测数据对应的测试节点作为受影响节点；
[0027]
若测试检测数据与测试信号的相似度未高于相似度阈值，则将测试检测数据对应的测试节点作为非受影响节点；
[0028]
统计每个测试节点的受影响节点数量，并将受影响节点数量与总测试节点数量比值作为每个测试节点的关键度；
[0029]
所述测试检测数据与测试信号间的相似度的计算公式为：
[0030][0031]
式中，p
j,k
表征为第j个测试节点的第k个测试检测数据与第j个测试节点的测试信号间的相似度，s
j,k
表征为第j个测试节点的第k个测试检测数据， ij表征为第j个测试节点的测试信号，j，k均为计量常数。
[0032]
作为本发明的一种优选方案，所述基于测试节点的关键度在测试节点中确定出关键节点，包括：
[0033]
基于测试节点在z轴的分布层次，依次将测试节点分为多层测试节点；
[0034]
利用matlab依次对每个层次中测试节点的位置x-y坐标、测试节点的关键度进行三维模拟得到每个层次中测试节点的关键度三维模型，并在关键度三维模型中筛选出关键度峰值对应的测试节点作为峰值节点；
[0035]
设置关键度阈值，并将峰值节点的关键度与关键度阈值进行比较，其中，
[0036]
若峰值节点的关键度高于关键度阈值，则将峰值节点标记为关键节点；
[0037]
若峰值节点的关键度未高于关键度阈值，则不将峰值节点标记为关键节点。
[0038]
作为本发明的一种优选方案，所述基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，包括：
[0039]
将关键节点的钢结构属性参量作为cnn神经网络的输入序列项，关键节点的关键度作为cnn神经网络的输出序列项，将cnn神经网络基于输入序列项和输出序列项进行训练得到表征钢结构属性参量和关键度非线性关系的所述关键节点识别模型。
[0040]
作为本发明的一种优选方案，所述利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，包括：
[0041]
依次将待监测钢结构桁架中每个测试节点的钢结构属性参量输入至关键节点识别模型，输出得到每个测试节点的关键度；
[0042]
将关键度与关键度阈值比较筛选得到待监测钢结构桁架的关键节点，并将关键节点作为待监测钢结构桁架的监测节点。
[0043]
作为本发明的一种优选方案，所述根据关键度设定监测传感器的灵敏度，包括：
[0044]
获取监测节点的关键度，并基于关键度设定位于检测节点处的监测传感器的灵敏度，所述灵敏度的设定公式为：
[0045][0046]
式中，tr表征为第r个监测节点处的监测传感器的灵敏度，t
r,0
表征为第 r个监测节点处的检测传感器的基础灵敏度，pr表征为第r个监测节点的关键度。
[0047]
作为本发明的一种优选方案，所述待监测钢结构桁架按步骤s1进行网格化处理得到一组测试网格以及测试节点。
[0048]
作为本发明的一种优选方案，本发明提供了一种根据所述的钢结构桁架在线健康监测方法的监测系统，包括：
[0049]
测试模块，用于对钢结构桁架进行网格化处理得到一组测试网格，并将每个测试网格的中心点作为测试节点，以及在每个测试节点处均添加有监测传感器，依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度；
[0050]
模型模块，用于基于测试节点的关键度在测试节点中确定出关键节点，并提取关键节点的钢结构属性参量，基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，所述关键节点表征为钢结构桁架中影响范围广的关键结构；
[0051]
应用模块，用于将待监测钢结构桁架进行网格化处理得到一组测试网格以及测试节点，并获取每个测试节点的钢结构属性参量，利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，再在监测节点处设置监测传感器，以及根据关键度设定监测传感器的灵敏度。
[0052]
本发明与现有技术相比较具有如下有益效果：
[0053]
本发明在测量时利用精确计算判定测量的关键节点和设定监测传感器的灵敏度，客观性强，能提高在线健康监测的精度，同时在确定关键节点的网格化处理时，采用优化指标进行优化计算得到指标最优的测试网格，进而保证关键节点的定位准确。
附图说明
[0054]
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0055]
图1为本发明实施例提供的钢结构桁架在线健康监测方法流程图；
[0056]
图2为本发明实施例提供的监测系统结构图。
[0057]
图中的标号分别表示如下：
[0058]
1-测试模块；2-模型模块；3-应用模块。
具体实施方式
[0059]
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，所描述的实施例仅仅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。
[0060]
如图1所示，本发明提供了一种钢结构桁架在线健康监测方法，包括以下步骤：
[0061]
步骤s1、对钢结构桁架进行网格化处理得到一组测试网格，并将每个测试网格的中心点作为测试节点，以及在每个测试节点处均添加有监测传感器，监测传感器包括但不限于应变传感器、温度传感器、振动传感器、腐蚀传感器等，测试信号源包括但不限于应变力施加信号源、升降温施加信号源、振动施加信号源、腐蚀施加信号源等，测试监测数据包括但不限于应变力数据、温度数据、振动数据、腐蚀数据等；
[0062]
对钢结构桁架进行网格化处理得到一组测试网格，包括：
[0063]
设定网格的基础单元大小，将钢结构桁架按基础网格大小划分为一组基础网格；
[0064]
为钢结构桁架设定两个力学优化指标，两个优化指标包括杨氏模量优化指标和泊松比优化指标，杨氏模量优化指标的计算公式为：
[0065][0066]
泊松比优化指标的计算公式为：
[0067][0068]
式中，ey表征为钢结构桁架的杨氏模量优化指标，μy表征为钢结构桁架的泊松比优化指标，ei表征为第i个基础网格的杨氏模量，μi表征为第i个基础网格的泊松比，n表征为基础网格的总数量，i为计量常数；
[0069]
设定杨氏模量优化指标和泊松比优化指标的阈值，以杨氏模量优化指标和泊松比优化指标最大化且小于杨氏模量优化指标和泊松比优化指标的阈值为约束条件，并基础网格大小进行增缩处理直至按增缩处理后基础网格大小得到的基础网格满足约束条件，再将满足约束条件的基础网格作为测试网格。
[0070]
网格设定的较小，会导致网格单元(测试网格)不能真实的反应该位置力学参数的大小，网格设定的较大，又会影响后期的测试信号传输的传输精度，而且还会导致相邻网格的差异性变小，对关键节点的测试精度降低，即遗漏关键节点，因此本实施例利用杨氏模量和泊松比两个优化指标能够有效的使得网格化处理后得到的网格单元(测试网格)解决上述问题，获得合适的测试网格，保证后期关键节点的精准定位。
[0071]
步骤s2、依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度；
[0072]
依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，包括：
[0073]
测试信号源依次以每个测试节点为起点发射测试信号，并同步获取所有测试节点处由监测传感器监测测试信号得到的测试监测数据；
[0074]
其中，测试信号源在不同测试节点处发射的测试信号具有随机性，保证测试信号互不干扰，保证测试检测数据的准确性。
[0075]
基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度，包括：
[0076]
将每个测试节点处获取的所有测试检测数据与测试信号进行相似度比对，将测试检测数据与测试信号间的相似度与相似度阈值比较，其中，
[0077]
若测试检测数据与测试信号的相似度高于相似度阈值，则将测试检测数据对应的测试节点作为受影响节点；
[0078]
若测试检测数据与测试信号的相似度未高于相似度阈值，则将测试检测数据对应的测试节点作为非受影响节点；
[0079]
统计每个测试节点的受影响节点数量，并将受影响节点数量与总测试节点数量比值作为每个测试节点的关键度；
[0080]
测试检测数据与测试信号间的相似度的计算公式为：
[0081][0082]
式中，p
j,k
表征为第j个测试节点的第k个测试检测数据与第j个测试节点的测试信号间的相似度，s
j,k
表征为第j个测试节点的第k个测试检测数据， ij表征为第j个测试节点的测试信号，j，k均为计量常数。
[0083]
关键度越大，则说明能接收到从该测试节点发射的测试信号的测试节点越多，说明该测试节点的影响范围越大，因此该测试节点作为关键节点的可能性越高。
[0084]
步骤s3、基于测试节点的关键度在测试节点中确定出关键节点，并提取关键节点的钢结构属性参量，钢结构属性参量包括但不限于关键节点角度，刚度，剪应力，轴压等，基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，关键节点表征为钢结构桁架中影响范围广的关键结构；
[0085]
基于测试节点的关键度在测试节点中确定出关键节点，包括：
[0086]
基于测试节点在z轴的分布层次，依次将测试节点分为多层测试节点，同一层测试节点的z轴坐标值相同；
[0087]
利用matlab依次对每个层次中测试节点的位置x-y坐标、测试节点的关键度进行三维模拟得到每个层次中测试节点的关键度三维模型，并在关键度三维模型中筛选出关键度峰值对应的测试节点作为峰值节点；
[0088]
设置关键度阈值，并将峰值节点的关键度与关键度阈值进行比较，其中，
[0089]
若峰值节点的关键度高于关键度阈值，则将峰值节点标记为关键节点；
[0090]
若峰值节点的关键度未高于关键度阈值，则不将峰值节点标记为关键节点。
[0091]
先寻找关键度峰值，再对关键度峰值进行阈值筛选，可以在高关键度相邻聚集的测试节点中选出真正的关键节点，避免关键节点周围的测试节点被误选，从而避免了监测传感器的聚集安装，保证监测安全性的同时节约监测成本。
[0092]
基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，包括：
[0093]
将关键节点的钢结构属性参量作为cnn神经网络的输入序列项，关键节点的关键度作为cnn神经网络的输出序列项，将cnn神经网络基于输入序列项和输出序列项进行训练得到表征钢结构属性参量和关键度非线性关系的关键节点识别模型。
[0094]
步骤s4、将待监测钢结构桁架进行网格化处理得到一组测试网格以及测试节点，并获取每个测试节点的钢结构属性参量，利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，再在监测节点处设置监测传感器，以及根据关键度设定监测传感器的灵敏度，以实现在钢结构桁架的关键结构处进行动态灵敏度的在线监测来降低监测数据的冗余。
[0095]
利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，包括：
[0096]
依次将待监测钢结构桁架中每个测试节点的钢结构属性参量输入至关键节点识别模型，输出得到每个测试节点的关键度；
[0097]
将关键度与关键度阈值比较筛选得到待监测钢结构桁架的关键节点，并将关键节
点作为待监测钢结构桁架的监测节点。
[0098]
根据关键度设定监测传感器的灵敏度，包括：
[0099]
获取监测节点的关键度，并基于关键度设定位于检测节点处的监测传感器的灵敏度，灵敏度的设定公式为：
[0100][0101]
式中，tr表征为第r个监测节点处的监测传感器的灵敏度，t
r,0
表征为第 r个监测节点处的检测传感器的基础灵敏度，pr表征为第r个监测节点的关键度。
[0102]
关键度越高，则赋予越高的灵敏度，从而实现对越关键的执行越敏捷的监测，降低异常状况发生到被监测到之间的时差，尽可能在异常发生的同时监测到进行预警，以有效提高关键节点的安全性，符合现实监测需要。
[0103]
待监测钢结构桁架按步骤s1进行网格化处理得到一组测试网格以及测试节点。
[0104]
如图2所示，基于上述钢结构桁架在线健康监测方法，本发明提供了一种监测系统，包括：
[0105]
测试模块1，用于对钢结构桁架进行网格化处理得到一组测试网格，并将每个测试网格的中心点作为测试节点，以及在每个测试节点处均添加有监测传感器，依次在每个测试节点处施加测试信号源，并同步获取所有测试节点处监测传感器的测试监测数据，基于测试监测数据量化出每个测试节点的影响范围作为测试节点的关键度；
[0106]
模型模块2，用于基于测试节点的关键度在测试节点中确定出关键节点，并提取关键节点的钢结构属性参量，基于刚结构属性参量和关键度训练出在钢结构桁架中识别出关键节点的关键节点识别模型，关键节点表征为钢结构桁架中影响范围广的关键结构；
[0107]
应用模块3，用于将待监测钢结构桁架进行网格化处理得到一组测试网格以及测试节点，并获取每个测试节点的钢结构属性参量，利用关键节点识别模型对测试节点进行筛选得到待监测钢结构桁架的关键节点作为监测节点，再在监测节点处设置监测传感器，以及根据关键度设定监测传感器的灵敏度。
[0108]
本发明在测量时利用精确计算判定测量的关键节点和设定监测传感器的灵敏度，客观性强，能提高在线健康监测的精度，同时在确定关键节点的网格化处理时，采用优化指标进行优化计算得到指标最优的测试网格，进而保证关键节点的定位准确。
[0109]
以上实施例仅为本技术的示例性实施例，不用于限制本技术，本技术的保护范围由权利要求书限定。本领域技术人员可以在本技术的实质和保护范围内，对本技术做出各种修改或等同替换，这种修改或等同替换也应视为落在本技术的保护范围内。