一种桥梁监测传感器布设时长判断方法与流程

本发明属于桥梁结构监测，具体而言，涉及一种桥梁监测传感器布设时长判断方法。

背景技术：

1、公开号为cn107247853b的中国发明专利(申请号：cn201710521762.x)提供了一种用于桥梁动载试验的测点布置方法，该发明结合有限元分析技术，基于结构动测测点选择理论，针对目标桥梁的目标模态快速准确做出分析，得到沿桥梁纵向或平面分布的测点布置位置，简便高效，所拾取信号更具代表性，提高对桥梁横向目标模态的辨识能力；公开号为cn107066748b的中国发明专利(申请号：cn201710273398.x)提供了一种用于桥梁风致振动监测的无线传感器布设方法，该发明基于桥梁有限元模型和规范风谱模拟风场，采用桥梁风致振动响应时域计算方法，实现桥梁风致振动监测的无线传感器布设。

2、上述两种发明中，只计算出了桥梁监控点的布设位置，无法选出需要实时监控数据变化的节点位置，不能确定各个监控点传感器的布设时长。

技术实现思路

1、有鉴于此，本发明提供一种桥梁监测传感器布设时长判断方法，能够选出需要实时监控数据变化的节点位置，确定各个监控点传感器的布设时长，可有效解决上述问题。

2、本发明是这样实现的：

3、本发明提供一种桥梁监测传感器布设时长判断方法，其中，包括以下步骤：

4、s01：依据所测量的桥梁参数，采用有限元算法计算出桥梁所需监控数据变化的节点位置；

5、s02：在所述桥梁所需监控数据变化的节点位置放置监控传感器，记录监控传感器数据；

6、s03：利用所述桥梁所需监控数据变化的节点位置和各节点对应的监控传感器数据建立监测数据集；

7、s04：抽取所述监测数据集中所述桥梁所需监控数据变化的节点位置和所述各节点对应的监控传感器数据建立神经网络模型；

8、s05：对所述神经网络模型进行训练，将所述桥梁所需监控数据变化的节点位置分为永久监控节点和周期监控节点；

9、s06：保留所述永久监控节点的监控传感器，移除所述周期监控节点上的监控传感器；

10、s07：对所述周期监控节点进行周期性数据测量。

11、在上述技术方案的基础上，本发明的一种桥梁监测传感器布设时长判断方法还可以做如下改进:

12、其中，所述s01中具体操作步骤包括：

13、第一步：在有限元平台上建立目标结构的有限元模型；

14、第二步：根据有限元模型提取目标模态振型矩阵u，目标模态振型矩阵u由节点振型数据组成，目标模态振型矩阵u为：

15、

16、式中：m为目标模态数，n为模型自由度数，即为节点数，uij为i节点第j阶振型数据，其中1≤i≤n，1≤j≤m；

17、第三步：去除目标模态振型矩阵中位置不适合布置测点以及振动信号小于第一设定阀值的节点，对于目标模态振型矩阵u而言即去除所去除的节点所对应的行，剩余的节点形成初选自由度；

18、第四步：在初选自由度中逐一对任意组合的两节点计算mac矩阵，mac矩阵为：

19、

20、式中：aij为矩阵a＝ut×u的ij元，其中，ut为u的转置矩阵；

21、mac矩阵(modal assurance criterion模态置信矩)，是评价模态向量空间交角的一个工具，为现有技术；

22、第五步：选出最大非对角元值最小的z组节点，z≥1；

23、第六步：从z组节点中选取最优的两个节点进入量测自由度：

24、①当z为1时，该组节点作为最优的两个测点进入量测自由度，转入第七步；

25、②当z大于或等于2时，将z组节点中每一组的两个节点的振型数据相乘，乘积值最大的那组节点作为最优的两个测点进入量测自由度，或者在乘积值最大且相同的两组以上节点中任意选取一组节点作为最优的两个测点进入量测自由度，转入第七步；

26、第七步：逐一从初选自由度剩余的节点中选取一个节点进入量测自由度，并计算该量测自由度的mac矩阵，得到最大非对角元值，若最大非对角元值小于或等于第二设定阀值，选取该新增的节点进入量测自由度，转入第八步；

27、否则，选取最大非对角元值最小的节点进入量测自由度，重复本步骤，直至最大非对角元值小于或等于第二设定阀值，选取该新增的节点进入量测自由度，转入第八步；

28、第八步：获得计算结果。

29、进一步的，所述第三步中第一设定阀值为节点的振动信号值从小到大排列的第0.5a个节点的振动信号值，a为节点总数。

30、进一步的，所述第七步中第二设定阀值0.25。

31、其中，所述s04中具体操作步骤包括：

32、第一步：选取所述监测数据集中所述桥梁所需监控数据变化的节点位置和所述各节点对应的监控传感器数据建立神经网络模型；

33、第二步：设计网络架构和初始化，具体是：构建一个卷积神经网络，其中包含1个输入层，3个卷积层，3个relu非线性激活层，3个池化层，1个全连接层以及1个输出层。

34、其中，所述s05中对所述神经网络模型进行训练的具体操作步骤包括：

35、通过卷积神经网络训练得到节点对应的监控传感器数据变化频率，具体包括向前传播训练和反向传播网络训练两个阶段，所述向前传播网络训练是，将输入的所述桥梁所需监控数据变化的节点位置和所述各节点对应的监控传感器数据提取处特征图像，并将得到的特征图像转化为一维向量，输入全连接层，由分析器得出识别结果，即输出向量，所述输出向量的每个值表示输入数据块分别为节点对应的监控传感器数据变化频率；所述反向传播网络训练是：当前向传播网络训练的输出结果与期望输出不符时，采用随机梯度下降优化算法进行反向网络训练，更新卷积层的参数。

36、其中，所述s05中永久监控节点为该节点对应的监控传感器数据变化频率高，即需要实时监控的节点，所述周期监控节点为该节点对应的监控传感器数据变化频率低，即不需要实时监控的节点，其中，所述节点对应的监控传感器数据变化频率的高低由神经网络模型进行判断。

37、其中，所述s01中测量桥梁参数至少包括桥梁的跨径、宽度、净空、拱矢高、构件的长度与截面尺寸、桥面铺装厚度、各节点的振型数据。

38、其中，所述s01中桥梁所需监控数据至少包括桥梁节点位置应力数据和横向、竖向振型数据。

39、其中，所述s08中周期性数据测量为24小时测量一次。

40、与现有技术相比较，本发明提供的一种桥梁监测传感器布设时长判断方法的有益效果是：本发明涉及桥梁结构监测技术领域，特别涉及一种通过有限元算法计算出桥梁所需监控节点数据变化的传感器布设位置；又利用神经网络模型对监控点数据变化频率进行分析，筛选出需要实时监控数据变化的传感器布设位置，对需要实时监控数据变化的传感器布设位置，设置永久监测点，对不需要实时监控数据变化的传感器布设位置，设置周期监测点；本发明通过设置周期监测点，无需对所有监测节点进行实时监控，可节省大量资源。