一种基于变尺度符号化时间序列分析的结构损伤识别方法与流程

本发明涉及结构健康监测技术领域，尤其涉及一种环境激励下基于变尺度符号化时间序列分析的结构损伤识别方法。

背景技术：

土木工程结构在建造和服役期间的安全性与人们生命财产的保障息息相关。高层住宅、体育馆、大跨桥梁等结构如果发生严重的破坏将会造成不堪设想的后果。所以保证土木结构在建造和使用期间的安全性具有重大意义。由于材料老化，初始设计缺陷，施工操作不当，维护不及时等人为因素以及地震、风荷载、交通、温度、腐蚀等环境因素的影响，结构在建造和正常服役期间极易出现各种各样的损伤。一般而言结构的物理特性(刚度、质量、阻尼)往往随着结构损伤的产生而降低，进而反映在结构的各种特征参数上。如果任由损伤的不断加剧发展最终将造成结构的坍塌乃至破坏。因此十分有必要对工程结构实施有效地监测。通过健康监测及时准确地识别出结构的早期损伤，采取措施修复损伤，避免损伤的发展积累，保证结构在建造和服役期间的安全性。

符号化时间序列分析stsa(symbolictimeseriesanalysis)方法是近来比较受关注的一种基于统计学分析的特征提取方法。该方法在众多领域^[1－7]里都得到了很好地应用。stsa方法可以准确有效地提取原始信号的特征信息，运算快速简捷，具有较强的抗噪能力。该方法的基本思想是采用基于香农熵的符号化方法将原始信号划分为有限个数量的区间，并设置不同的符号分别对应不同区间。将落在相应区间的各个数据转化成区间对应的符号。这样原始时间序列就可以由仅有的几个离散的符号表示。徐梅等^[8]通过引入stsa分析股票指数的收益序列的主要变化特征，给出了确定以及预测股票收益的方式。将该方法应用到上证综指、深证成指等六个股票指数的收益序列的实例分析当中，结果表明stsa方法能够有效地确定和预测股票收益序列。胡世杰等^[9]基于概率密度提出了一种新的符号区间划分方法。该方法首先根据概率密度统计分析将原始时间序列划分为概率相等的几个区间并对其进行编号，之后将原始数据转换成对应的区间符号。采用该方法用于诊断轴承疲劳实验中出现的异常，试验结果表明该方法可以更早更敏感的识别出试验模型的异常。基于以上论述，符号化时间序列分析方法在保留原始数据有效信息的前提下能够从大尺度上抓取原始时间序列的特征。该方法降低了数据的维数，加快了运算速度。并且极大地降低了噪声对整个时间序列的影响。但是该方法主要应用于机械系统故障诊断、心电信号失常诊断、雷达辐射源信号脉内特征提取以及金融波动预测等领域，在土木工程结构中的应用还是比较有限的。

结构服役期间由于激励源的多样性导致产生的环境激励具有很强的随机性，进而也会造成系统振动响应的随机性，这种因环境激励的变化给损伤识别结果带来的影响将会与损伤所造成的改变相混淆。导致结构损伤识别结果出现很大的随机性，严重影响结构的损伤识别。因此为了消除随机性的环境激励对损伤识别结果的干扰，人们提出了虚拟脉冲响应函数这一方法。虚拟脉冲响应函数能够很好地剔除环境激励的随机性，反映结构本身固有的特征。丁幼亮等[¹⁰]提出对环境激励下两点的振动响应计算相应的虚拟脉冲响应函数，之后对其采用小波包变换wpt(waveletpackettransform)以得到对应状态下的各个节点的小波包能量比，以此为基础计算出损伤指标。通过将这种方法应用于benchmark试验模型验证了该方法对于结构损伤情况的有效识别以及对于环境激励的鲁棒性。diao等提出对虚拟脉冲响应函数进行wpt处理，之后计算得到小波包各个节点的能量。采用不同损伤工况下各个节点处小波包能量作为特征向量，结合bp神经网络来实现损伤位置的确定。将这种方法应用于海上平台试验模型，结果表明了该方法的有效性以及针对随机性的环境激励的鲁棒性。徐乾等[¹²]对挡土墙结构进行损伤识别时引入虚拟脉冲响应函数，之后对其进行小波包分解创建特征频带向量谱。以此为基础计算得到两个新的损伤指标：能量比均方差和能量比变异系数。研究结果表明预警指标可准确地判别出挡土墙的损伤状态以及严重程度。文献10、11、12均是将虚拟脉冲响应函数与wpt进行了结合并且很好地实现了结构的损伤识别。

但是采用上述两种方法对环境激励下的结构进行损伤识别时存在缺点有：

(1)符号化时间序列分析方法识别结果具有很强的随机性，无法有效地识别出结构的损伤。

(2)虚拟脉冲响应函数和小波变换相结合的方法能够很好地识别出结构的损伤，但是针对结构的早期损伤识别结果不是很理想。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种基于变尺度符号化时间序列分析的结构损伤识别方法。可解决上述缺点。

为了解决上述技术问题，本发明实施例提供了一种基于变尺度符号化时间序列分析的结构损伤识别方法，包括以下步骤：

s1：计算环境激励下结构在不同工况下的动力响应，将幅值小于设定目标的动力响应作为结构的虚拟激励，然后通过对两个节点间的频率响应函数hyu(ω,i,j)进行逆傅里叶变换得到结构的虚拟脉冲响应函数hyu(t,i,j)

s2：将结构的虚拟脉冲响应进行符号化分析，所述符号化分析通过最大信息熵法对区间进行划分，进而由改进信息熵确定划分原始时间序列所需的区间个数和子序列的长度l，设置不同的符号分别对应不同区间，将落在相应区间的各个数据转换成区间对应的符号；

s3：采用周期性间隔提取符号组成子序列；

s4：对子序列进行十进制编码形成了编码序列；

s5：计算编码序列中各子序列出现的频率组成概率特征向量，以此为基础计算损伤指标，由损伤前后损伤指标esam的变化确定结构的损伤状态。

进一步地，所述步骤s3具体包括：采用变尺度间隔选取l个数据组成1个子序列，变尺度间隔指符号子序列中各符号时间间隔为一个周期，其中周期采用的是结构一阶自振周期，而后沿着符号序列向后平移一个单位形成下一个子序列，以此类推。

更进一步地，所述损伤指标esam的计算公式如下：

esv＝{esvi}＝{iu,i-id,i}

其中esv为能量谱变化值，为esv的均值；其中iu,i和id,i分别为结构在无损工况与损伤工况下编码序列中第i个字出现的频率。

实施本发明实施例，具有如下有益效果：

1、本发明得到的变尺度间隔符号组成的编码序列相较于传统方法得到的编码序列而言含有丰富的结构频率之间变化率信息，使得本发明对结构的损伤更加敏感。

2、本发明是变尺度符号化方法与虚拟脉冲响应函数的结合，解决了环境激励下传统符号化时间序列方法面临的识别结果剧烈波动，无法有效判别损伤的问题。本发明具有较强的环境激励鲁棒性。

3、本发明相比于小波包变换结合虚拟脉冲响应函数的方法而言对结构的早期损伤更加敏感。

附图说明

图1为3自由度链式结构的示意图。

图2为不同参数对应的改进信息熵值。图2横轴表示字长l的取值，纵轴则是改进信息熵的大小。图中共计3条曲线，蓝色虚线代表m＝2时选取不同字长l对应的hs，红色实线表示m＝2时不同字长l对应的hs，绿色点划线表示m＝4时不同字长l对应的hs。

图3为变尺度符号化方法对应的质点1处不同工况下的esam。图3(a)横轴表示结构的7种工况。纵轴则表示损伤指标esam的大小。图中共计10条曲线代表10次相互独立的重复试验。其中单条曲线代表单次试验下结构7种不同工况所对应的结构损伤指标。图3(b)所示曲线可以分为7段，每段曲线为结构同一损伤工况下重复试验10次分别对应的损伤指标。其中横坐标分为7个区间分别对应模型的7种工况。

图4为变尺度符号化方法对应的质点2处不同工况下的esam。图4(a)横轴代表结构的7种不同的工况。纵轴则表示损伤指标的数值。图中的10条曲线代表10次相互独立的试验。其中单条曲线代表单次试验下结构各个工况所对应的esam。图4(b)所示曲线可以分为7段，各段曲线为结构在同一工况下重复试验10次分别得到的esam。其中横坐标的7个区间分别对应结构的各个损伤工况。

图5为小波变换方法对应的质点1处不同工况下的esam。针对图5(a)而言，横轴表示的是7种不同的损伤状态。纵轴则表示损伤指标esam的大小。经过10次相互独立的重复试验得到图中10条曲线。其中单条曲线代表单次试验下结构7种不同工况分别对应的损伤指标。图5(b)所示曲线可以分为7段，各段曲线为结构同一损伤工况下重复试验10次分别得到的损伤指标。其中横坐标分成的7个区间分别对应模型的7种不同工况。

图6为小波变换方法对应的质点2处不同工况下的esam。图6(a)横轴表示结构损伤的7种状态。纵轴则表示esam的数值大小。图中10条曲线代表10次相互独立的重复试验。其中单条曲线代表单次试验下结构7种不同工况所对应的结构损伤指标esam。图6(b)所示曲线可以分为7段，各段曲线为结构同一损伤工况下重复试验10次分别对应的损伤指标esam。其中横坐标分为7个区间分别对应结构的7种不同工况。

图7为不同位置处两种方法分别得到的损伤指标esam。图7种红色线代表变尺度符号化时间序列分析mstsa(mutative－scalesymbolictimeseriesanalysis)得到的识别结果。蓝色线则表示wpt得到的识别结果。图7(a)表示质点1处两种方法的比较结果；图7(b)则表示质点2处的比较结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

实施例：

以图1所示的3自由度链式结构验证该方法的有效性。结构的基本特性如下：质量m1＝1；m2＝1.5；m3＝2；刚度k1＝600；k2＝1200；k3＝1800；结构的自振频率w1＝14.52；w2＝31.05；w3＝46.50；结构各阶模态对应的阻尼比均为0.05，平稳的高斯白噪声作为地震激励作用在结构的底部。其中方向向量为e＝[111]^t，结构的初始速度、位移均为零。提取每个集中质量处50秒的响应数据，其中采样频率为100hz。特定位置的阶段性刚度折减用于模拟损伤，如表1所示，总共有7个损伤工况。

表1结构损伤工况

为了避免识别结果的随机性，保证结果的有效性，独立重复试验10次。值得注意的是单次实验时不同工况下输入的高斯白噪声激励都是随机产生各不相同的，以此来评估该方法剔除环境激励的效果以及损伤指标的有效性。所以在各个工况下都会产生新的随机激励。另外随机提供一个初始状态。则一种基于变尺度符号化时间序列分析方法在该3自由度链式结构数值模型上的具体实施步骤为：

第一步、首先得到结构在不同工况下的结构动力响应。将集中质点3作为参考点，该处的结构响应作为虚拟激励。然后通过对两个节点间的频率响应函数hyu(ω,i,j)进行逆傅里叶变换得到结构的virfhyu(t,i,j)；

第二步、将结构的虚拟脉冲响应进行符号化分析。其中符号化指采用最大信息熵法划分区间，进而由改进信息熵确定划分原始时间序列形成的区间个数m和子序列的长度l，设置不同的符号分别对应不同区间。将落在相应区间的各个数据转换成区间对应的符号，这样原始序列就转化成了符号序列。其中改进信息熵的表达式如下：

其中nobs为编码序列中概率不为零的字的总数，其中nobs≤n^l，n^l为编码序列中可能出现字的总数。pi为第i个子序列在编码序列中出现的频率。当改进信息熵值取的最小值时，与其对应的参数m和l即为合适的分区数量和字长。针对结构模型质点1处的虚拟脉冲响应对上式进行初步运用。由图2可知当m＝3，l＝4时，hs的取值最小，此时对应的符号化参数即为最佳参数。实际此时修改信息熵值并不是最小值，随着字长l的增大，改进信息熵的值还会降低，但是考虑到响应的容量，当l太大时，编码序列中出现不同字的个数成指数级增加，不同字出现的概率将会很小。增加得到熵值的计算误差，也会对识别结果造成影响。基于以上考虑选择m＝3，l＝4作为最优符号化参数。

第三步、采用周期性间隔提取符号组成子序列。根据确定的子序列长度l。采用变尺度间隔选取l个数据组成1个子序列。由于结构响应的时间间隔为0.01秒，结构无损状态的下的结构的频率为2.4hz，则间隔为39时约为一个周期，子序列符号间隔取39；而后沿着符号化时间序列向后平移一个单位形成下一个子序列，以此类推。

第四步、对符号子序列进行十进制编码，那么各个子序列就转化成了与其相对应的字。符号序列由此转化形成了编码序列。

第五步、计算编码序列中各子序列出现的频率并组成概率特征向量，以此为基础计算损伤指标esam，由不同工况下损伤指标的变化确定结构的损伤状态；由质点1得到的识别结果如图3所示。针对图3(a)而言，随着结构顶部刚度的不断降低，由变尺度符号化得到的损伤指标在不断的增大。结构损伤的程度越严重，esam的值越大结构偏离初始状态的程度越大。表明质点1的损伤指标可以用来有效地判别出结构不同程度的损伤。由图3(b)所示，对于同一工况下10次不同环境激励下得到的损伤指标值虽然在不断地波动，但是波动性都很小。并且不同工况下的esam具有非常显著的差异性。表明质点1处的损伤指标对对激励的变化是具有较强的鲁棒性。重复上述步骤得到质点2处的损伤识别结果，如图4所示。由图4可以得到上述同样的结论。

对比例：

同样采用图1中所示3自由度链式结构模型，通过wpt方法结合虚拟脉冲响应函数对该模型进行损伤识别。采用daubechies30函数作为小波基函数，小波包分解层数为6。得到不同质点处对应的识别结果分别如图5和6所示。

由图5和图6可知小波变换结合虚拟脉冲响应的方法同样可以很好的识别出结构当前的损伤状态，并且针对环境激励具有较强的鲁棒性。对比不同质点处两种方法的识别结果的差异性如图7所示。由图7可知两种方法均可以有效的识别出结构的当前的损伤状态，针对环境激励具有很强的鲁棒性。因此两种方法均可以有效地识别出结构的损伤。但是相比较而言，mstsa方法对结构的早期损伤(损伤程度0￣10％)更加敏感。并且随着损伤程度的加剧，损伤指标esam的变化值更大，对结构的损伤更加敏感。因此基于变尺度符号化时间序列分析结合虚拟脉冲响应函数的方法针对环境激励下结构的损伤识别是一种更优的方法。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。