桥梁动态称重迭代算法的理论与试验研究

桥梁动态称重(bridge weigh-in-motion,BWIM)能够以桥梁作为载体识别过往车辆的轴重。商用BWIM系统通常基于Moses算法,以桥梁的实测影响线对车桥实测动力响应进行轴重识别。然而,该算法的轴重求解方程是病态方程,在特定情况下轴重识别精度偏低。为解决这一问题,该研究提出桥梁动态称重迭代算法,通过Moses算法和实测影响线算法之间的反复迭代,修正病态的轴重求解方程。该研究介绍了桥梁动态称重迭代算法的原理,并进行了相关公式推导;基于怀化舞水五桥引桥的车桥动力试验,对比分析商用BWIM算法和桥梁动态称重迭代算法的轴重识别精度;并深入探讨影响线的选取对轴重识别精度的影响。研究表明,桥梁动态称重迭代算法能够在一定程度上提高轴重识别的精度,其最佳的基准影响线是实测均值影响线。     

基于动应变的桥梁动态称重及其优化算法

将桥梁视为“称”对车辆进行动态称重,是一种获取桥面移动车辆行驶速度、轴距、轴重等信息的新方法。本文以桥梁不同截面动应变响应为对象,采用“峰值法”识别车辆速度、轴距,引入最小二乘原理识别车辆各轴重,再结合梯度法对初始识别结果值进行局部优化,最后建立车-桥耦合振动模型模拟桥梁动应变,对桥梁动态称重及优化算法进行数值仿真。结果表明,对已经具备一定精度的动态称重初始结果值进行局部优化能进一步提高精度,满足工程应用要求。     

车辆动态称重的速度补偿研究

研究了速度对车辆动态称重准确度的影响,并对车辆载重受力进行分析,导出速度与车辆轴重的数学表达式,利用机械动力学分析系统构建了动态称重有限元模型仿真称重过程,并对速度影响进行补偿。结果表明,基于机械动力学分析系统的有限元动态称重速度补偿模型正确可靠,20t载重汽车在8.33m/s情况下最大补偿量达到10%,大大提高了动态称重准确度。     

爆破振动信号分析中模态混叠和虚假分量消除的改进方法

针对CEEMD (Complementary Ensemble Empirical Model Decomposition)方法在处理爆破振动信号中模态混叠和虚假分量问题方面的局限性,提出一种改进的解相关CEEMD方法。第一,对信号端点进行特殊处理后,采用CEEMD对信号进行分解;第二,求取各IMF分量信号与原信号的相关系数及其频谱图,共同判定虚假分量;第三,将虚假分量与主分量相加后,通过解相关计算消除模态混叠。仿真信号的CEEMD分解结果以及相关系数与能量插值计算表明,改进的解相关CEEMD方法分解精度比EMD(Empirical Model Decomposition)和CEEMD高,有效抑制了信号模态混叠现象,能够避免直接处理虚假分量而带来的能量损失。应用于爆破振动信号分解,基本保证了各IMF分量非主频率信号的能量比例较低。改进方法有效消除了爆破振动信号的模态混叠和虚假分量现象。     

摆动支承式汽车衡动态称重的缓冲减振研究

为了克服高速公路计重收费系统非正常行车的逃票行为和称重精度不满足连续动态称重的需求,对摆动支承式汽车衡的动态称重过程进行了动力学分析,得到车辆不规范行车状态下的轴重变化。根据柱式负荷传感器的摆动支承振动特性,分别在检定工况和使用工况下对给定参数的双轴刚性车的动态称重过程进行数值仿真,得到车辆轴载的称重误差。考虑电阻应变式负荷传感器的全桥测量特性,针对顶撞式限位的使用缺陷设计了一种缓冲限位减振装置;双轴刚性车在使用工况下的称重误差结果显示,该装置能实现快速稳定秤体、减小冲击、提高称重精度和稳定性。     

基于宏应变曲率的桥梁式动态称重方法研究

桥梁式动态称重技术利用桥梁响应反算车辆轴重、轴距等关键信息,相较于路面式称重技术,其安装维护避免了对正常交通的影响,应用前景广泛。然而,还存在着密集群轴难以识别、传感器耐久性不足等问题。为此,该文基于长标距光纤光栅(FBG)传感器序列测得的宏应变时程,提出车辆信息相关指标:宏应变曲率,并建立了新型桥梁式动态称重方法,可同时识别车辆车速、轴距及轴重。结合经试验验证的车桥耦合模拟获取不同参数工况下桥梁宏应变响应,对该方法在不同车型、车速、路面不平顺、传感器位置及标距长度等参数工况下的识别精度进行分析,结果表明:该方法车速、轴距的整体识别精度较高,受不同参数影响较小,误差小于1%,相较而言,轴重识别结果较不理想,尤其对于较小轴距的车轴或群轴,可通过缩短传感器标距长度进行改善,解决密集群轴难以识别的问题。该方法识别精度还不受传感器布置位置影响,可有效提升系统安装维护便利性。     

基于CEEMD与自适小波阈值组合降噪在OPAX方法的应用

针对如何从降噪的角度去提高扩展工况传递路径分析(OPAX)方法的分析精度,提出运用互补集合经验模态分解(CEEMD)与自适小波阈值相结合的降噪方法。采用样本熵将分解后信号的本征模态分量划分为噪声、含噪和信号分量。剔除噪声分量,将不同含噪分量的样本熵归一化后作为调参参数并应用于新构造的小波阈值函数,通过含噪情况调整阈值函数来提高降噪效果,并将降噪后的含噪分量跟信号分量一同重构得到完整信号,运用仿真计算验证上述方法能最大程度保留原始信号的完整性。应用到OPAX模型中,对其工况数据(时域振动信号)进行降噪,与其他降噪方法一同对比发动机二阶情况下目标点的计算的合成响应与实测响应,发现CEEMD与自适小波阈值组合降噪改进的OPAX方法吻合程度较高,效果较优。     

基于FLANN的动态称重法

根据“逆模型”的思想 ,利用神经元网络良好的逼近能力 ,基于函数联接型神经网络 ( FLANN)的传感器动态补偿方法和最小二乘法 ,提出了一种车辆动态称重解决新方法     

基于CEEMD和小波包阈值的组合降噪及泄流结构的模态识别方法

水流荷载激励下,泄流结构模态识别的实测振动信号常受噪声干扰。以往EEMD算法有添加白噪声造成非标准IMF导致的模态分裂问题及IMF有噪声残余不能完整重构信号的完备性问题。而完备总体经验模态分解(CEEMD)法,通过在信号分解的每一层面添加特定高斯白噪声,利用分解后第一阶分量加总平均得到唯一余量计算固有模态函数,克服了EEMD的缺点;同时提出CEEMD与小波包阈值结合的组合降噪方法,运用到向家坝水弹性模型实测振动信号降噪中,验证了该组合方法降噪的有效性;为了提高带噪振动响应模态识别的精度,基于数据相关技术,利用Markov参数构造相关矩阵R,用该相关矩阵重构Hankel矩阵后SVD分解得到系统最小实现,即数据相关特征系统实现法(ERA/DC)。将滤波降噪结合模态识别的整套方法,应用到锦屏一级拱坝的泄流实测振动响应中,得到了较好的应用效果。     

基于KL-CEEMD的风机传动系统故障诊断方法研究

互补集合平均经验模态分解（complementary ensemble empirical model decomposition,CEEMD）作为一种时频特征分析方法,可以较好地提取复杂非线性非平稳信号的故障特征,但其存在虚假分量,很大程度限制诊断过程中的准确性。针对该问题,提出一种基于KL散度(Kullback-Leibler divergence, KLD)的CEEMD虚假分量识别方法（KL-CEEMD）。该方法在原有CEEMD方法基础之上,进一步计算各分量IMF与原信号之间的KL散度值,从而量化各分量与原信号之间的相关性。最后通过对各个IMF的KL散度值进行聚类分析,找出虚假分量和真实分量,最终解决CEEMD的虚假分量问题。为验证KL-CEEMD的有效性,研究搭建风力机传动系统振动试验台,基于该方法对实验台实验数据以及仿真数据进行验证性研究,最终证明所提方法可以很好改善CEEMD的虚假分量问题,能够有效提取出故障信号的真实特性。     

广义神经网络在联体秤台中的应用

不规范行驶是目前动态称重设备重量减轻的主要原因,为了解决车辆重量偏差的问题,文章提出了一种全新的联体秤台结构和以小波分析结合广义神经网络的算法。经过实验证明此结构和违规行驶算法的结合,提高了违规行驶的动态称重精度。     

广义神经网络在联体秤台中的应用

不规范行驶是目前动态称重设备重量减轻的主要原因,为了解决车辆重量偏差的问题,文章提出了一种全新的联体秤台结构和以小波分析结合广义神经网络的算法。经过实验证明此结构和违规行驶算法的结合,提高了违规行驶的动态称重精度。     

基于CEEMD和排列熵的故障数据小波阈值降噪方法

针对旋转机械故障数据的非平稳性及总体平均经验模态分解方法(CEEMD)舍弃高频分量降噪方法和小波阈值降噪方法存在的不足,提出了基于CEEMD和排列熵的小波阈值降噪方法。运用CEEMD将信号分解为一系列的固有模态函数(IMF)分量,利用排列熵来确定含有噪声成分较多的IMF分量,采用小波阈值降噪方法对含有较多噪声成分的IMF分量进行降噪处理,保留这些分量中的有效信息。仿真分析和实例分析表明,基于CEEMD和排列熵的小波阈值降噪方法效果优于单纯的CEEMD降噪方法和小波阈值降噪方法。     

桥梁结构挠度-温度-车辆荷载监测数据相关性模型

运营状态下桥梁结构挠度、车载和温度的相关性复杂,高精度的车载、温度与挠度相关性模型对桥梁结构健康监测具有重要意义。为此,提出了基于门控循环单元(gated recurrent unit, GRU)神经网络的桥梁挠度监测数据建模方法。为解决车辆荷载监测数据在时域内离散分布的问题,提出了基于挠度影响线的车载影响参数计算方法;在此基础上建立了基于GRU神经网络的车载影响参数、环境温度和桥梁挠度相关性模型。以一座悬索桥为例,分别建立了短时段、中长时段的相关性模型,考察了相关性模型对加劲梁挠度的预测能力,并利用相关性模型提出了一种温度和车载挠度分量的分离方法。悬索桥实例研究表明：短时段相关性模型的挠度预测值与实时监测数据基本吻合,而中长时段相关性模型则对一定时间窗口内的挠度极值具有精确的预测能力;采用相关性模型计算得到的温度与车载挠度分量与小波分解结果具有良好的一致性。     

基于STA/LTA改进的CEEMD-SVD微震信号降噪算法

针对煤矿井下工作环境复杂,采集到的微震信号包含大量噪声信号,严重影响对微震信号的拾取、定位和反演。采用互补集合经验模态分解(complementary set empirical mode decomposition, CEEMD)联合奇异值分解(singular value decomposition, SVD)与长短时窗法(STA/LTA)相结合的降噪算法。利用CEEMD分解微震信号,得到固有模态分量(inherent modal component, IMF),依据相关系数确定噪声主导的IMF和信号主导的IMF,通过STA/LTA去除CEEMD产生的伪分量。对噪声主导的分量进行SVD分解降噪后与信号主导的分量及剩余分量重构得到降噪后信号。加入模拟噪声信号与实际采集的微震信号进行仿真实验,结果表明本文算法在保证小剩余噪声干扰的情况下,可以节省计算时间。通过与经验模态分解(empirical mode decomposition, EMD)、聚合经验模态分解(ensemble empirical mode decomposition, EEMD)及新型自适应聚合经验模态分解(nove...     

皮带秤动态称重用神经网络算法设计

针对皮带秤在使用中难以保持标称计量精度的缺点,提出将过程神经网络引入皮带秤动态称重误差的补偿中。将动态称量过程中皮带秤单位长度上的重量、皮带速度、皮带垂度变化作为模型输入,设计了应用于皮带秤动态称重误差研究的单隐层过程神经网络误差反传播学习算法,利用Matlab软件对算法模型进行训练和测试,模型经过149次学习优化达到网络精度要求,测试组误差为1%,较使用网络前的原误差明显降低,验证了算法的可行性和有效性。     

基于GRU神经网络的结构异常监测数据修复方法EI北大核心CSCD

结构健康监测系统中通常存在大量的异常监测数据,为保证数据的完整性和可用性,有必要对异常监测数据进行修复。大多数基于深度学习对异常数据进行修复的研究通常使用单输入维度和单向预测的方法搭建模型。提出一种基于门控循环(gated recurrent unit,GRU)神经网络的结构异常监测数据修复方法,该方法充分利用深度学习神经网络适合处理复杂非线性映射问题的优势,并对GRU神经网络进行了优化与重构。利用结构温度、时序先后相关性优化神经网络的输入和输出构造,并提出了利用异常数据前后时间段的信息进行双向序列预测的方法提升数据预测和修复精度。最后,利用某古城墙的应变、裂缝与温度监测数据进行方法验证,采用重构后的GRU神经网络模型对异常数据序列进行修复,并与长短时记忆(long and short-term memory,LSTM)神经网络和反向传播(back propagation,BP)神经网络的修复精度进行比较。结果表明,相比单输入维度、单向预测的网络模型,重构后的GRU神经网络的预测精度大幅提高,且显著优于LSTM神经网络和BP神经网络。异常数据序列修复后,应变和裂缝宽度等结构响应与结构温度的线性相关性大幅增强。该方法对具有温度相关性的结构监测数据具有良好的修复能力。     

基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

基于软质电容式称重传感器的车辆动态称重系统

介绍了一种基于软质电容式称重传感器的车辆动态称重(WIM)系统.针对橡胶材料力学特性对系统输出值的影响,提出了基于Kelvin模型的数据处理方法.利用该方法进行实验测量,车辆总重量的测量误差在10%以内,其精度优于ASTM E1318-94给出的Ⅱ类WIM系统精度(置信95%时总重误差±15%).理论分析和实验结果表明该方法有助于实时测量,便于交通稽查.     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。