本发明涉及结构健康监测与安全预警，具体涉及一种基于实时数据驱动的结构突发损伤检测方法、系统及介质。
背景技术：
1、随着时间的推移，为保证复杂结构物能够正常安全稳定地运行，结构健康监测需求呈现快速增长。结构健康监测具体表现是通过使用传感器阵列获取结构的响应，从响应中提取损伤敏感指标，通过损伤敏感指标的统计分析以确定结构健康状况等过程。目前结构健康监测系统采用稀疏和密集的传感器布置形式，在此背景下能够进行无基线的实时地损伤检测方案的发展仍然是一个挑战。
2、目前基于损伤识别的结构健康监测的方法利用先进的信号处理技术，从密集的传感器阵列收集振动测量值来监测结构的状况。目前常用的损伤方法利用模态属性的变化，为了检测损伤造成的各种环境条件，人为激励或者自然事件。通过替代辅助随机优化反演算法可以反演结构识别静态和动态的参数，基于参数变化识别损伤；通过希尔伯特变换结合主成分分析，得到模态频率的动态信息，并将瞬时频率作为损伤检测的损伤指数；基于两个响应之间的均方比只依赖于结构的模态参数特性，来检测损伤的变化。这些损伤检测方法可以被广泛地归类于模型的方法，它依赖于高精度的fem，因此它们的计算成本很高，随着计算成本的增加，建模的误差与建模的参数选择，限制了它们在实时检测中的应用。
技术实现思路
1、为解决上述问题，本发明提供一种实时数据驱动的结构突发损伤检测方法、系统及介质，该方法不依赖数值或物理模型，提供了一种采用监测数据对复杂结构进行损伤监测的技术，为复杂结构的性能评估提供了参考。
2、为实现上述目的，本发明提供了如下的技术方案。
3、一种实时数据驱动的结构突发损伤检测方法、系统及介质，包括以下步骤：
4、获取待检测结构在环境荷载下不同位置的加速度传感器的响应信号；
5、对响应信号进行递归奇异谱分析，获得子空间系数曲线和重构加速度信号；
6、将重构加速度信号进行卡尔曼滤波估计，获得时变自回归模型系数，计算时变自回归模型系数的各个前后时刻系数的差值，当差值产生突变时确定产生损伤的时刻；
7、统计产生损伤的时刻下不同加速度传感器安装位置的子空间系数曲线和重构加速度信号突变时刻周围的方差和峰度，作为损伤敏感特征；根据损伤敏感特征产生突变所对应的加速度传感器安装位置，确定待检测结构的损伤位置。
8、优选地，所述加速度传感器分别布置在待检测结构上，多个加速度传感器组成检测组，通过采集系统采集每个位置的加速度传感器上的响应信号，并利用响应信号建立不同位置处的加速度响应数据库。
9、优选地，所述对响应信号进行递归奇异谱分析，包括以下步骤：
10、采集多个加速度传感器的响应信号，选取当前时刻l维的样本向量作为初始信号长度，其中包含一维时域信号中的l个滞后数据：
11、xk＝[xk-l+1,xk-l+2,xk-l+3,...,xk]t
12、当前k时刻的协方差估计用当前时刻的特征值和特征向量表示，公式如下：
13、
14、式中，qk为k时刻的hankel协方差矩阵，xk为k时刻的样本向量，qk-1为k-1时刻的hankel协方差矩阵；
15、令代入上式中，则：
16、
17、式中，uk为k时刻特征向量，uk-1为k-1时刻的特征向量，上标t代表转置矩阵；υk为k时刻的特征值；
18、根据gershgorin’s定理将上式转变为：
19、
20、将k-1时刻下特征子空间作为自变量得到k时刻的特征子空间的递归更新函数，公式如下：
21、uk＝uk-1jk
22、
23、式中，υk为k时刻的特征值，uk为k时刻特征向量，uk-1为k-1时刻的特征向量；
24、根据当前的时刻特征空间向量得到当前时刻下的空间主成分，公式如下：
25、
26、sc＝φl
27、式中，sc为k时刻数据投影到特征值最小特征向量；φi(k)为k时刻所有的空间成分；
28、从上式中得到特定时间瞬间的第ith个主成分值，在重构步骤中，将第ith个主成分投影回其原始子空间，得到相应初等矩阵的最后一列：
29、ri(k)＝(ui(k))l×1×(φi(k))1×1
30、
31、式中，ri(k)为ri(k)向量的最后一项，n为能解释90％以上特征值的个数，x(k)为每一时刻递归得到重构信号值。
32、优选地，所述将重构加速度信号进行卡尔曼滤波估计，包括以下步骤：
33、构建重构加速度信号的状态方程与观测方程：
34、
35、式中，为状态向量，ap(k)为分量，a(k-1)为单位矩阵；z(k)为观测向量；w(k),v(k)为高斯白噪声，其相互独立且互不相关；h(k)为观测矩阵h(k)＝[x(k-1),x(k-2),...,x(k-p)]；
36、构建状态的一步预测方程：
37、
38、式中，为k-1时刻的估计值，为k时刻估计值的预测值；
39、构建均方误差的一步预测方程：
40、
41、式中，pk-1/k-1(k-1|k-1)为k-1时刻均方误差矩阵的估计值，i为单位矩阵，为噪声w(k)的方差，pk/k-1(k|k-1)为均方误差k时刻的估计值的预测值；
42、构建观测向量的一步预测方程：
43、
44、式中，z(k|k-1)为观测向量k时刻估计值的预测值；h(k)为观测矩阵；为k时刻估计值的预测值；
45、构建均方误差方差一步预测方程：
46、
47、式中，为均方误差方差k时刻估计值的预测值，为v(k)的方差；h(k)为k时刻观测矩阵；h(k)t为观测矩阵的转置矩阵；pk-1/k-1(k-1|k-1)为k-1时刻均方误差矩阵的估计值；
48、构建滤波增益方程：
49、
50、式中，kg(k)为卡尔曼增益矩阵；为的逆矩阵；h(k)t为观测矩阵的转置矩阵；
51、构建状态向量估计值：
52、
53、式中，为k时刻的估计值，为k时刻估计值的预测值；kg(k)为卡尔曼增益矩阵；z(k)为k时刻观测值，z(k|k-1)为观测向量k时刻估计值的预测值；
54、构建均方误差更新矩阵：
55、pk/k(k|k)＝[i-kg(k)h(k)]pk/k-1(k|k-1)
56、式中，pk/k(k|k)为k时刻均方误差矩阵的估计值，pk/k-1(k|k-1)为均方误差k时刻的估计值的预测值；i为单位矩阵；kg(k)为卡尔曼增益矩阵；h(k)为k时刻观测矩阵；
57、计算时变自回归模型的差值：
58、x(k)＝a1(k)x(k-1)+a2(k)x(k-2)+v(k)
59、ertvar＝a1-a2
60、式中，x(k)为捕获损伤突变的时刻，损伤发生瞬间ertvar系数发生整体改变，a1(k)和a2(k)为损伤突变前一时刻和前二时刻所占的权重。
61、优选地，所述不同加速度传感器安装位置的子空间系数曲线和重构加速度信号突变时刻周围的方差和峰度的求解，如下式所示：
62、
63、式中，μ为损伤时刻l范围内的平均值，n为l范围内的数据点的数目，xi为l范围内各个点的数据。
64、一种实时数据驱动的结构突发损伤检测方法、系统及介质，所述系统包括：
65、处理器；
66、存储器，其上存储有可在所述处理器上运行的计算机程序；
67、其中，所述计算机程序被所述处理器执行时实现所述的基于实时数据驱动的结构突发损伤检测方法、系统及介质。
68、一种计算机可读存储介质，所述计算机可读存储介质上存储有数据处理程序，所述数据处理程序被处理器执行时实现所述的基于实时数据驱动的结构突发损伤检测方法、系统及介质。
69、本发明的有益效果：
70、本发明提出了一种基于实时数据驱动的结构突发损伤检测方法、系统及介质，该方法针对结构在环境荷载下通过采集结构振动方向的平动加速度和转动加速度；利用多通道递归奇异谱，得到分解过程中的子空间系数曲线和重构后的加速度信号；将重构信号结合时变自回归模型得到回归模型系数差值。当结构构件发生突变刚度损伤，通过回归模型的系数差值可以捕捉损伤发生的时间，根据重构信号和子空间系数的方差和峰度判断损伤发生的位置。该方法不依赖数值或物理模型；可以实时检测损伤，无需基线健康数据；能够快速简易分析各传感器海量数据，提取突变损伤发生的时刻，识别突变损伤位置。