一种斜拉桥施工振动参数的主动控制智能数据处理方法

摘要

本发明公开了一种斜拉桥施工振动参数的主动控制智能数据处理方法，包括：步骤一、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正；步骤二、对振动参数数据进行小波转换，去除参数数据中的噪声；步骤三、计算振动参数与振动类型之间的关联概率；步骤四、以关联概率作为特征提取函数的向量，构建异构融合模型；步骤五、构建异构融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。本发明将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。

说明书

技术领域

本发明涉及斜拉桥施工技术控制领域，特别涉及一种斜拉桥施工振动参数的主动控制职能数据处理方法。

背景技术

随着社会经济建设的迅猛发展，以及土木工程理论与技术的不断成熟，交通基础设施的建设日新月异，桥梁作为跨越障碍的主要结构，各类桥型如雨后春笋般层出不穷，斜拉桥作为其中一类因其跨越能力大而备受关注与重视，并得到广泛的应用。斜拉桥主要由主塔、主梁、拉索三部分构件组成，拉索的两端锚固于塔和梁上共同承受荷载作用，其中塔和梁承受压力，拉索承受拉力，在外部荷载作用下极易产生有害振动影响桥梁整体的舒适性和安全性，尤其是拉索因其质量轻、柔性大、固有频率低、阻尼小等特点，更容易产生大幅有害的振动，严重影响斜拉桥的运营安全和使用寿命，也严重限制了斜拉桥发展。

在国内很典型的事例就是岳阳的洞庭湖大桥上面的斜拉索，在整桥施工接近尾声的时候，在风雨天气下，拉索出现了严重的振动现象，在拉索的面内和面外都产生了大幅度的振动，最大振幅超过40cm，可想而知，这么大的振幅将给斜拉桥的运营带来很大的隐患，严重影响其舒适性和安全性。

为了避免在斜拉桥施工过程中出现拉索大幅振动产生的不利影响，可以在施工时采集拉索的振动数据，建立主动控制模型，减少拉索的振动和共振，然而，随着数据处理体量的不断增长，数据的降噪和识别也面临着愈发严重的问题，因此有必要提出一种斜拉桥施工振动参数的主动控制智能数据处理方法。

发明内容

本发明提供了一种斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息。

本发明的技术方案为：

一种斜拉桥施工振动参数的主动控制智能数据处理方法，包括：

步骤一、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正；

步骤二、对振动参数数据进行小波转换，去除参数数据中的噪声；

步骤三、计算振动参数与振动类型之间的关联概率；

步骤四、以关联概率作为特征提取函数的向量，构建异构融合模型；

步骤五、构建异构融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。

优选的是，异常值筛选和修正包括：

设定振动参数分布概率区间阈值；

将超出区间阈值的参数作为异常值，并剔除异常值；

采用平均滤波法对缺失的参数进行插值替补。

优选的是，小波转换包括：

选取小波基函数，并根据振动参数确定小波分解的尺度；

利用模极大值寻找振动参数突变位置作为奇异点，并选取自适应小波阈值；

将分解系数小于阈值的奇异点舍去，分解系数高于阈值的奇异点，使用修正系数进行修正；

从第一层开始，将各层识别出的奇异点经修正后再重构，达到预期畸变率时跳出小波分解层，否则继续下一层振动参数的重构。

优选的是，修正系数公式为：

其中，

优选的是，步骤三包括：

列出传感器振动参数与振动类型之间的组合关系的阵列；

其中，

计算组合关系的关联概率，遍历阵列得到关联概率集合。

优选的是，振动参数包括位移、刚度、阻抗值、风向、风攻角和雨量；振动类型包括风雨激振、涡激振动、参数振动和线性内部共振。

优选的是，振动参数融合模型为：

其中，

优选的是，融合滤波模型为：

其中，

优选的是，融合滤波包括：

正向滤波：从输入数据的第一历元起，通过后续历元中观测向量及协方差矩阵对状态向量及其协方差阵进行估计与更新；

反向滤波：在正向滤波的最后一个历元，对其滤波估计结果进行反向卡尔曼滤波估计，递归从最后一个历元反向移动到第一个历元；

计算用于加权平均的卡尔曼平滑增益矩阵，对正向滤波解和反向滤波解进行加权平均。

优选的是，正向滤波包括：

计算噪声协方差阵并预测状态向量估计值；

计算观测矩阵及观测噪声协方差阵，并更新滤波增益矩阵和残差向量；

根据振动参数更新状态向量的估计值和协方差阵。

本发明的有益效果是：

1.本发明提供的的斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。

2.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，在构建融合模型前通过异常值筛选筛选和修正、小波转换对振动参数数据进行预处理，提高数据的信噪比，有利于融合模型的构建，减少融合误差与融合噪声。

3.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，根据联合概率设计的特征值提取函数，形成的振动参数数据融合模型能够充分利用振动参数之间相关关系，融合结果能够精确描述所有的振动信息，有利于提高后振动控制的精准度。

4.本发明提供的斜拉桥施工振动参数的主动控制智能数据处理方法，通过对正向滤波解与反向滤波解进行加权平均，使滤波误差最小化。

附图说明

图1为本发明提供的一种斜拉桥施工振动参数的主动控制智能数据处理方法的流程图。

图2为本发明的一个实施例中异常值筛选和修正的流程图。

图3为本发明的一个实施例中小波转换的流程图。

图4为本发明的一个实施例中融合滤波的流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。

如图1所示，斜拉桥施工振动参数的主动控制智能数据处理方法包括：

S110、按照施工周期获取多个传感器的多组斜拉桥施工振动参数数据，并进行异常值筛选和修正。

优选的是，振动参数包括位移、刚度、阻抗值、风向、风攻角和雨量，但不限于这些参数。

S120、对振动参数数据进行小波转换，去除参数数据中的噪声。

S130、计算振动参数与振动类型之间的关联概率。

S140、以关联概率作为特征提取函数的向量，构建异构振动参数融合模型。

其中，振动参数融合模型为：

其中，

S150、构建异构振动参数融合滤波模型，并利用卡尔曼滤波法对融合滤波模型进行融合滤波。

其中，融合滤波模型为：

其中，

本发明提供的将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。

进一步的，如图2所示，异常值筛选和修正包括：

S111、设定所述振动参数分布概率区间阈值。

优选的是，振动参数分布概率区间阈值为

其中，

S112、将超出所述区间阈值的参数作为异常值，并剔除所述异常值。

S113、采用平均滤波法对缺失的参数进行插值替补。

优选的是，插值公式为：

其中，

进一步的，如图3所示，小波转换包括：

S121、选取小波基函数，并根据振动参数确定小波分解的尺度。

优选的是，小波函数包括Haar函数、Meyer小波函数、SymN小波函数、Coifle小波函数、墨西哥草帽函数和Daubechies小波函数，分解尺度为3-5。

一般情况下，小波基函数的选择原则是使小波波形与目标层回波波形有较大的相似度。

S122、利用模极大值寻找振动参数突变位置作为奇异点，并选取自适应小波阈值；

有选的是，自适应小波阈值为

其中，

S123、将分解系数小于阈值的奇异点舍去，分解系数高于阈值的奇异点，使用修正系数进行修正；

S124、判断重构后的输出值是否达到畸变率，若是则跳出小波分解层，否则继续下一层振动参数的重构。

修正系数公式为：

其中，

在构建融合模型前通过异常值筛选筛选和修正、小波转换对振动参数数据进行预处理，提高数据的信噪比，有利于融合模型的构建，减少融合误差与融合噪声。

进一步的，步骤S130包括：

列出传感器振动参数与振动类型之间的组合关系的阵列。

其中，

计算组合关系的关联概率，遍历阵列得到关联概率集合。

优选的是，关联概率的计算公式为：

其中，

优选的是，振动类型包括风雨激振、涡激振动、参数振动和线性内部共振。

根据联合概率设计的特征值提取函数，形成的振动参数数据融合模型能够充分利用振动参数之间相关关系，融合结果能够精确描述所有的振动信息，有利于提高后振动控制的精准度。

进一步的，如图4所示，融合滤波包括：

S151正向滤波：从输入数据的第一历元起，通过后续历元中观测向量及协方差矩阵对状态向量及其协方差阵进行最佳的估计与更新。

S151a、计算噪声协方差阵并预测状态向量估计值；

优选的是，预测状态向量为

优选的是，预测协方差矩阵为

其中，

S151b、计算观测矩阵及观测噪声协方差阵，并更新滤波增益矩阵和残差向量；

优选的是，增益矩阵的计算公式为：

残差向量的计算公式为：

其中，

S151c、根据振动参数更新状态向量的估计值和协方差阵。

优选的是，协方差更新为：

其中，

S152反向滤波：在正向滤波的最后一个历元，对其滤波估计结果进行反向卡尔曼滤波估计，递归从最后一个历元反向移动到第一个历元。

S153计算用于加权平均的卡尔曼平滑增益矩阵，对正向滤波解和反向滤波解进行加权平均。

通过对正向滤波解与反向滤波解进行加权平均，使滤波误差最小化。

本发明提供的的斜拉桥施工振动参数的主动控制智能数据处理方法，将各传感器获得的振动参数进行融合，并将融合模型与卡尔曼滤波相结合，构建协同融合滤波模型，对异构振动参数数据进行融合的同时抑制噪声，为后续斜拉桥振动控制提供准确地振动参数信息，有利于提高控制的精准度。

以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。