基于频域分解法的桥梁健康监测研究.pdf

总651期2023年第21期（7月 下）0 引言桥梁运营状态的优劣可以通过模态参数反映出来，并且模态参数也是评估桥梁损伤程度、长期性能变化规律的重要指标1-3，因此桥梁健康监测领域中模态参数的研究尤为重要，这也是众多学者的研究重点4。这些模态参数的获取通常是借助桥梁健康监测系统采集得到的，对于模态参数时间较长、数量较多的性质，实际过程中人工识别往往达不到识别要求，所以找到一种科学合理的方法达到持续且能够自动识别模态参数的方法具有重要的意义。频域分解法（FDD）不用太多人工的介入即可完成识别，同时具有较高的计算效率，明确的物理意义等优点5，所以研究分析桥梁健康监测数据中FDD法的自动识别应用十分必要。基于此，为更好的评估桥梁工作状态，本文以实际桥梁工程为例，通过设置加速度传感器获取监测数据，以频域分解法为基础分析了模态参数和环境之间的相互联系，为相关工程提供参考。1 频域分解法自动识别模态参数原理1.1 频域分解法频 域 分 解 法（Frequency Domain Decomposition，FDD法）是通过在特征频率处频率响应函数出现的峰值特性对参数进行识别，同时结构被奇异值分解离散成单子度系统，以此完成模态参数的识别。基于频域分解法的模态参数自动识别关键之处在于从奇异值曲线全部峰值里自动将真实模态参数对应的峰值挑选出来，并根据真实峰值获取结构的真实模态参数。要达成上述目的，需要克服三个问题，分别是：挑选真实峰值、自动识别峰值、分辨虚假峰值，其相应的解决方式为自动聚类方法、计算差异指标、滤波。1.2 奇异值滤波和检测波峰波谷因为结构奇异值曲线在随机环境下会受到环境噪声的干扰，所以其曲线并不光滑，在峰值之间存在较多的毛刺峰值。因此为了以奇异值曲线峰值来获取结构的模态参数，必须将这些毛刺峰值剔除掉。在此次研究中通过3点前、后向运动均值滤波算法剔除这些毛刺峰值。为提供数据支撑后面的自动识别算法，通过峰值检测方法检测滤波后的奇异值曲线，得到其曲线波峰值与波谷值，并且为了识别真实峰值，此次研究提出将波峰波谷差（DVP）作为指标完成真实峰值的识别。借助此指标可以获取真实模态参数下的波峰值。但DVP指标包含了全部波谷和波峰的差值，为达到自动识别模态参数的目的，必须将真实模态匹配的指标挑选出来。此次研究引入K-means均值聚类法，借助此方法分类DVP指标，最终挑选出真实模态匹配的指标。2 工程实例分析此次研究桥梁为双塔钢箱梁斜拉桥，建成此桥时设置了健康监测系统，整个大桥共设置了38个加速度传感器，其中22个竖向加速度传感器安装在主梁。健康监测系统对结构加速度响应数据进行收集，并以1 h为单位进行划分。此次分析所选的为2022年2月整月的加速度数据，每1 h分析可以获取5组数据。2.1 自动识别模态参数通过FDD分析滤波后的加速度数据，并计算获取其奇异值分解曲线，部分传感器通道数据的奇异值曲收稿日期：2022-10-24作者简介：崔强（1995），男，山东东营人，助理工程师，研究方向为公路桥梁检测。基于频域分解法的桥梁健康监测研究崔强（山东省公路桥梁检测中心有限公司，山东 东营 257000）摘要：为更好地评估桥梁工作状态，以频域分解法为基础分析了模态参数和环境之间的相互联系。分析结果表明：通过前、后均值滤波可以很好地去除奇异值曲线中的毛刺峰值，将曲线的毛刺峰值部位变得较为平滑，并且曲线真实峰值部位在滤波前后也不会出现变化；K-means聚类法对全部DVP指标进行分类，能够很好地将真实峰值和虚假峰值区分出来，达到自动识别结构模态参数的目的；结构频率和温度成为负相关关系，前4阶的温度和频率的系数绝对值与第五阶相比较小，表明温度对此阶频率影响较大；频率和湿度的Pearson系数大小基本为0，这表示结构频率和湿度基本没有相关性；风速与湿度大致相同，风速和前5阶结构频率没有较高的相关性，但风速和第5阶频率呈现较低的相关性。关键词：桥梁监测；频域分解法；模态参数；奇异值曲线中图分类号：U445文献标识码：B112交通世界TRANSPOWORLD线如图1所示。图1 两个加速度传感器监测数据的奇异值曲线由图1可知，在部分频带范围内奇异值曲线出现峰值，而真实模态参数有很大的可能是这一部分峰值匹配的模态参数；在奇异值曲线中不仅存在较大峰值点，同时有很多小峰值点，这是由结构响应中噪声形成的干扰引起的。通过上述方式滤波奇异值曲线，能够去除奇异值曲线中的毛刺峰值（如图2所示），将曲线的毛刺峰值部位变得较为平滑。并且曲线真实峰值部位在滤波前后也不会出现变化，表示此次所用的滤波方法可以较好地将奇异值曲线真实峰值出现的位置保留下来。图2 奇异值曲线滤波前后对比奇异值曲线滤波后波谷、波峰检测结果如图 3 所示。由图3可知：检测波谷、波峰的过程中能够将滤波后奇异值曲线的全部波谷与波峰识别出来，但识别所得模态参数波峰为真实波峰和虚假波峰的总和。根据识别获取的全部波谷、波峰奇异值对 DVP指标进行计算，计算获取的指标大小如图4所示。由图4可知，DVP指标存在于各个区间范围中，较大的DVP指标值代表较高峰值，真实模态峰值即为这些较高峰值；DVP指标比较小的值代表曲线中比较矮的峰值，这部分峰值有可能代表受环境噪声影响而形成的虚假峰值。通过K-means聚类法对全部DVP指标进行分类，同时定k=2，具体见图4。由图4可知，聚类结果的划分用虚线表示，虚线根据大小将全部DVP值归为两类，在虚线上方的属于数值较高的一类DVP指标，代表真实模态匹配的奇异值曲线峰值；处在虚线下方的属于数值较低的一类DVP指标，代表受环境噪声影响而形成的虚假峰值。图3 波谷、波峰检测图4 DVP指标分类结果图5为DVP指标在聚类结果里数值较大的一类匹配的奇异值波峰位置。由图5可知：通过自动识别获取了全部潜在真实模态参数匹配的奇异值峰值，但在一些峰值较大的奇异值峰值以外，1.52.0频带范围中也识别出了一个峰值，但能够很明显地看出这个峰值属于虚假峰值。出现这种现象是因为在高频带范围内结构响应信号的能量降低，与其相对应的奇异值快速降低，奇异值曲线在快速下降时未发生反复波动，造成波谷、波峰间奇异值差值变大，所以使DVP指标数值变大，以至其在自动识别过程中被定性为真实峰值。为防止出现这种错误，在挑选最后的识别结果时，要除去与滤波截止频率距离较近的频带峰值，应尽可能选择前几阶当成最后的识别结果。2.2 分析识别频率结果在对桥梁进行一个月的持续自动识别监测后，根据监测数据1 h可以获取5组结果，2月份一共获取结果奇异值奇异值奇异值DPV113总651期2023年第21期（7月 下）3 720组。对得到的结果，先剔除第1阶识别的虚假结果，再分析剩下几阶识别频率和环境之间的相关性。参考结果可以得出，温度和各阶频率呈现负相关关系，且相关性随着阶数的增高而增高；温度和前4阶频率的相关性明显低于第五阶，这表示环境对高阶频率的影响更大。第5阶频率与温度相关性明显强于前4阶，说明高阶频率受环境影响更明显。而对于湿度而言，其和前5阶频率的相关性均不高，与温度不同，湿度的第5阶频率并没有与其呈现出较高的相关性，表示桥体结构频率基本不会受湿度的影响。风速与湿度大致相同，风速和前5阶结构频率没有较高的相关性，但风速和第5阶频率呈现较低的相关性。为验证上述说法，更好地表达环境和结构频率的相关性，此次研究选择Pearson系数来量化分析风速、湿度、温度的相关性，通过此系数衡量线性相关关系。当Pearson系数绝对值超过0.4时，表示两者相关性高于中等程度；当系数绝对值大于0.2小于0.4时，表示两者相关性较弱。风速、温度和湿度三者与各阶次频率的Pearson系数如表1所示。由表1可知，结构频率和温度的Pearson系数绝对值远远超过风速和湿度，并且其值多为负值，表示结构频率和温度成为负相关关系。前4阶的温度和频率的系数绝对值与第五阶相比较小，表明温度对此阶频率影响较大。而频率和湿度的Pearson系数大小基本为0，表示结构频率和湿度的相关性不高，仅风速和第5阶频率有较弱的相关性，而风速和其余4阶相关性基本没有，表示桥梁低阶频率基本不会受到风荷载的影响，只有高阶频率会受到风荷载的影响。结构频率和温度的Pearson系数超过了0.2，有一定的相关性，并且结构第 5 阶频率和温度的相关性为-0.615，相关性较强。表1 环境变量和各阶次频率的Pearson系数环境变量风速湿度温度阶次频率1阶-0.0380.032-0.2472阶0.0280.017-0.1933阶-0.0620.073-0.2354阶0.0250.053-0.2525阶0.1910.027-0.6153 结论为更好地评估桥梁工作状态，以频域分解法为基础分析了模态参数和环境之间的相互联系，得到了如下结论：1）通过前、后均值滤波可以很好地去除奇异值曲线中的毛刺峰值，将曲线的毛刺峰值部位变得较为平滑。并且曲线真实峰值部位在滤波前后也不会出现变化，可以将奇异值曲线真实峰值出现的位置保留下来。2）K-means聚类法对全部DVP指标进行分类，能够很好地区分真实峰值和虚假峰值，可以去除受环境噪声影响而产生的虚假峰值，达到自动识别结构模态参数的目的。3）结构频率和温度成为负相关关系，前4阶的温度和频率的系数绝对值与第五阶相比较小，表明温度对此阶频率影响较大；频率和湿度的Pearson系数大小基本为0，表示结构频率和湿度基本没有相关性；风速与湿度大致相同，风速和前5阶结构频率没有较高的相关性，但风速和第5阶频率呈现较低的相关性。参考文献：1 文鹏，陈桥枫，杨风帆.基于改进SSI的大跨斜拉桥模态参数识别研究J.重庆交通大学学报（自然科学版），2020，39（1）：45-50.2 闵志华，孙利民，仲政.环境温度对斜拉桥动力特性的影响分析J.同济大学学报（自然科学版），2011，39（4）：488-494.3 陈永高.基于自适应EEMD和盲辨识算法的桥梁结构模态参数识别J.重庆交通大学学报（自然科学版），2016，35（3）：11-16.4 梁鹏，贺敏，张阳，等.实时在线桥梁模态参数自动识别J.振动、测试与诊断，2021，41（1）：76-84.5 单德山，李乔.桥梁结构模态参数的时频域识别J.桥梁建设，2015，45（2）：26-31.图5 识别获取的真实峰值奇异值114