基于应变信号时频分析与 CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.     

桥梁动态称重技术在中小跨径混凝土 梁桥上的适用性研究

为准确了解桥梁动态称重(BWIM)技术在不同类型桥梁上的适用性,从而为BWIM技术选型提供理论依据,针对我国应用范围最广的中小跨径混凝土梁桥开展了BWIM系统测试精度和稳定性的研究.首先基于公路桥梁通用图集建立了典型截面和跨度的梁桥模型,利用数值仿真方法获得了不同加载工况下车辆和桥梁的动态响应;然后利用经典BWIM方法计算了车辆总重和轴重及其识别误差;最后利用参数分析方法研究了桥梁跨径、截面类型、车辆类型、传感器测点位置、路面平整度、测量噪声、行驶速度等重要因素对识别效果的影响.研究发现:在不同跨径和截面类型的桥梁及各种复杂工况下,利用BWIM技术均可以获得理想的总重识别效果;而在轴重识别方面,桥梁跨径越小,识别效果越佳;另外,空心板桥具有更好的识别精度,T梁桥次之,小箱梁桥最次;路面平整度的劣化和输入信号噪声可能对BWIM系统的轴重识别效果产生不利的影响,实际应用中维护路面平整和控制输入噪声对于获得可靠的车辆称重结果具有重要的意义.     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

基于DVV算法的车桥耦合振动响应非线性规律研究

为研究损伤公路桥梁车桥耦合振动响应的非线性规律,文章采用延时矢量方差(delay vector variance,DVV)算法分析损伤桥梁车桥耦合的加速度响应,研究了车辆行驶速度、车辆质量、路面粗糙度及损伤程度对损伤桥梁振动加速度响应的非线性影响;通过简支梁数值模拟,对比分析1/4跨和跨中加速度响应的非线性大小变化。研究发现:随车速的增大,加速度响应的非线性呈现增大—减小—增大的规律;随车辆质量和路面粗糙度等级的增大,加速度响应的非线性增大,而损伤程度的变化对加速度响应的非线性影响较小。     

基于非线性有源自回归神经网络的路面不平度识别

针对传统方法在识别路面不平度时需要消耗大量的人力物力且识别精度不理想等问题,该文提出一种基于非线性有源自回归(NARX)神经网络识别路面不平度的方法。使用ADAMS软件建立某SUV车型的整车模型。以左前与右后悬架动挠度、车身绕质心俯仰角位移、车身绕质心侧倾角速度、左前与右后车轮垂直加速度以及车身质心垂直加速度共7个车辆响应的数据样本点作为NARX神经网络的输入,以对应的路面不平度作为NARX神经网络的输出,建立NARX神经网络模型。通过仿真得到相关系数为97.577%,均方根误差为0.003 7。另取A、B、C、D 4种不同等级路面下的车辆响应,带入训练好的NARX神经网络。结果表明,NARX神经网络对4种等级的路面识别的相关系数均在90%以上。     

环境激励下人行桥振动时频分析

为研究人行桥在不同环境激励下的振动响应规律,采用Hilbert-Huang变换对某人行桥在噪声激励、车辆荷载、行人荷载以及车辆-行人荷载耦合激励条件下的加速度响应进行分析。结果表明：噪声激励、车辆荷载、人行荷载、车辆-行人耦合激励条件下人行桥的加速度响应幅值逐渐增大,脉冲指标呈逐渐增加的趋势,功率谱幅值不断向高频段偏移。四种激励下,人行桥的加速度响应经过EMD分解后的前五阶IMF的方差贡献率及相关系数较大,且瞬时振幅和瞬时频率呈减小趋势;其能量分布随加速度幅值的增大逐渐增大,车辆荷载作用下其能量熵值最小,能量分布相对均匀。Hilbert-Huang变换对处理复杂环境激励下的桥梁振动响应具有较好的识别效果,本文的分析过程可为同类振动信号处理所借鉴。     

变速车辆与桥梁的耦合振动及其TMD控制

在车辆变速与路面粗糙条件下,推得安装调质阻尼器(TMD)前、后的车桥耦合系统的无量纲运动微分方程.作为其特例,研究了匀变速车辆与路面粗糙弹性支撑桥梁的耦合系统,讨论了车辆的加速度、初速度、弹性支撑刚度以及随机路面粗糙度对桥梁跨中无量纲最大挠度的影响,并对耦合系统发生共振时进行TMD控制.数值计算结果表明,车辆的加速度、初速度、弹性支撑刚度以及随机路面粗糙度对桥梁的影响均很大而不能忽略;TMD明显地减小了共振振幅.     

基于车致振动响应的含分布损伤桥梁结构识别方法

采用Newmark直接积分法和龙格库塔法求解了非线性车桥耦合系统的振动响应,并利用加速度响应灵敏度方法对含裂纹梁结构进行分布类型的损伤识别。文中车辆采用含非线性弹簧的半车模型,桥梁被离散为欧拉梁单元,裂纹引起的桥梁损伤模拟为桥梁局部刚度的线性分布的减少。数值算例表明,在5%噪声情况下,加速度响应灵敏度方法依然可以较准确地识别出桥梁损伤的分布情况。     

基于自适应神经模糊网络的路面识别技术

以路面识别为目的,利用自适应神经模糊网络(ANFIS)进行路面不平度激励时域估测研究. 首先建立车辆1/4模型运动微分方程,并使用白噪声信号激励车辆模型,利用激励产生的模型动力学响应进行自适应神经模糊系统训练. 之后对训练获得的逆向车辆动力学模型进行分析并利用随机路面激励产生的系统响应进行随机路面时域估测. 最后对自适应神经模糊网络系统隶属函数个数及输入数据组合进行分析比较. 仿真结果显示,自适应模糊神经网络系统能够以较高的精度完成路面时域估测.      

基于机器视觉的车辆时空参数识别

车辆荷载信息是分析桥梁受力和性能评估的重要依据,其中车辆时空信息是准确识别车辆荷载的关键参数。考虑到传统在桥面埋设传感器的方法影响交通、破坏路面,提出了一种基于机器视觉技术的车辆荷载时空参数识别方法,包括车辆的横向定位、车速、车轴数、轴距的识别。基于正面拍摄视频,采用背景差分法来实现车辆检测,进一步通过车牌识别确定车辆在图像中的位置,然后根据车牌与车道线距离来实现车辆横向定位。基于侧面拍摄视频,采用图像标定方法,结合已知长度的辅助检测线来获取车辆的轴距、轴数、车速等车辆参数。通过试验室模型试验和现场试验验证了提出的方法。结果表明,现场试验中车辆横向定位和车速的最大误差分别为2.42%和2.67%,轴距的平均误差为1.63%,识别结果可以为更多其他车辆参数如轴重和总重的识别提供重要的技术支撑。     

基于车桥接触点响应和盲源分离的桥梁模态识别

针对基于车辆响应的间接测量法进行桥梁模态识别时，桥面不平度的影响难以滤除、高阶模态识别准确率较低等问题，提出一种基于盲源分离算法来分离车桥接触点响应信号中的桥面不平度效应与桥梁振动响应，进而实现桥梁模态识别的方法. 首先，详细阐述了应用二阶盲识别（Second Order Blind Identification，SOBI）算法，以两组车桥接触点加速度响应信号作为输入信号，进而获取桥梁振动估计信号的原理和方法. 然后，采用信号带通滤波和Hilbert变换并结合支点数据延拓的振型修正策略，建立了基于车辆响应的桥梁模态识别技术流程和框架. 最后，依托数值算例对所提出方法的适用性和有效性进行了验证，并分析了车辆间距、桥面不平度和车辆频率等参数对方法适用性的影响. 结果表明，所提出方法能有效滤除桥面不平度的影响，实现桥梁高阶模态的准确识别，且对多种关键因素的影响具有鲁棒性，具有精度高、操作简便和适用性强等特点，可为基于车辆响应的桥梁模态识别提供一种新思路.     

正交异性钢桥面车轮横向位置识别

车辆经过正交异性钢桥面（Orthotropic Steel Deck，OSD）时的车轮横向位置对其疲劳细节分析以及桥梁动态称重系统（Bridge Weigh-In-Motion，BWIM）识别精度至关重要. 针对OSD桥梁局部荷载效应显著的特性，提出了基于BWIM系统中传感器所采集的响应信号来识别过桥车辆横向位置的有效方法. 首先，建立OSD桥梁的有限元模型，并通过标定试验进行验证，然后提取其纵肋横向分布影响线 . 最后，基于横向分布影响线和最小二乘法，建立 OSD中 U肋理论与实测响应的误差方程. 为了验证该方法的准确性和适用性，建立了基于Ls-dyna的车桥耦合振动模型，探究了车辆状况（包括车辆速度、车轴数目和车轮横向位置）以及车轮与桥面接触面积的影响. 模拟分析表明，该算法识别精度对车辆状况的鲁棒性好，针对不同车辆速度、车轴数目和车轮横向位置，其识别精度最大平均误差分别为 9 mm、4.6 mm、12.5 mm，并明确了车轮与桥面接触宽度宜选择为200 mm. 在此基础上，开展实桥试验进一步验证该方法的有效性，结果表明，提出的方法能有效识别 OSD过桥车辆的横向位置，且识别精度较高，适用范围广.     

列车与刚梁柔拱组合系桥系统的地震响应分析

主要讨论地震荷载作用时车桥系统的动力响应特征及对行车稳定性的影响。建立了地震作用下综合考虑输入地震波、轨道不平顺和车辆蛇行运动的车桥体系振动的动力分析模型，推导了体系动力平衡方程组。通过对系统输入各种典型的地震波，在计算机上模拟了列车过桥的全过程动力响应。计算了桥梁的线性和非线性响应，研究了列车荷载及桥梁下部结构刚度对地震响应的影响，以一座刚梁柔拱组合系桥为例，研究地震发生时桥上列车的运行稳定性和这种桥梁的位移、速度和加速度等动力响应特性。     

基于过桥汽车动力响应的桥梁损伤识别

为了识别桥梁结构的损伤,提出了由过桥汽车的加速度响应识别桥梁损伤的灵敏度分析方法.将桥梁等效为等长的欧拉梁单元,汽车等效为单自由度3参数模型,将桥梁各单元抗弯刚度的减小(即损伤的程度)定义为损伤因子.根据损伤因子,采用最小二乘法和正则化方法,可用测试得到的汽车加速度响应识别桥梁损伤.结果表明:损伤识别结果对汽车参数变化比较敏感,汽车过桥行驶速度和采样频率对迭代次数有显著影响;损伤识别误差随着桥面不平顺和测试噪声的增加而加大.     

路面激励相干函数对车桥系统随机振动响应的影响

采用虚拟激励法建立多点输入相干激励车桥耦合随机振动模型,研究路面不平顺相干函数对车桥耦合系统振动响应的影响.将三轴自卸汽车离散为三维九自由度弹簧-质量-阻尼体系,桥梁离散为板-壳实体单元,考虑路面输入激励的相干性,研究Naryanan相干函数、Dieter相干函数和Zhang相干函数对车桥耦合系统振动响应及频谱特性的影响.研究结果表明:不同的相干函数对位移均方根和加速度均方差的影响效果不同;相干函数仅影响共振能量大小,不改变路面激励与车桥耦合系统的共振频率;研究车桥耦合随机振动响应时,路面激励相干函数对桥梁振动响应的影响可不计,但对车辆振动响应的影响不可忽略.     

基于多类型传感器信息的结构损伤识别方法

计算2组基于径向基神经网络的结构损伤程度识别结果,一组神经网络输入是加速度传感器信息,另一组神经网络输入是应变传感器信息;以2组识别结果及其可靠性为基础,提出采用D-S证据理论数据融合方法的结构损伤程度综合识别方法.以网壳结构为研究对象,建立结构损伤模型和神经网络样本库及输入输出向量,并对不同噪声水平下结构损伤程度识别结果进行计算.计算结果显示,基于多类型传感器信息的结构损伤程度综合识别结果的误差明显小于基于单类型传感器的识别结果,并在神经网络输入有噪声的情况下,仍保持较好的效果.因此,基于多类型传感器信息的结构损伤程度识别方法在合理应用结构多类型响应信息的基础上,能够获得更优的结构损伤程度识别结果.     

四轮随机路面激励下的七自由度车辆响应特性

为了研究不同等级道路下车辆动态响应以及轮胎动载荷的变化情况,根据国家路面不平度分级标准,采用滤波白噪声法建立了随机路面时域模型并与标准路面的功率谱密度对比验证模型的准确性。通过四个车轮之间的传递函数建立了四轮随机路面时域激励模型;并以该模型作为不平路面激励,考虑悬架拉伸和压缩状态时的不同阻尼,建立七自由度整车行驶动力学模型。研究了车辆质心垂向加速度、俯仰角、侧倾角以及轮胎动载荷随路面等级的变化情况。结果表明:车辆和轮胎的动态响应随着路面不平度的增加而增加。可见,搭建的整车模型能够很好地反映不同路面下车辆的动态响应,为车路耦合的深入研究奠定基础。     

基于同步挤压小波变换的结构时变参数识别

提出了采用同步挤压小波变换的方法识别移动车辆荷载作用下桥梁时变参数.首先介绍了基于挤压小波变换的时变参数识别理论方法,随后用两层框架结构数值算例验证提出方法的有效性和精度.设计建立了移动小车通过钢梁的试验模型,建立结构的有限元模型并利用模态试验的结果对模型进行校正.采集车辆通过主梁时的加速度响应和应变响应,由应变数据估计小车不同时刻在梁上的位置,对加速度响应数据采用提出的方法识别结构的瞬时频率,与有限元计算的结果进行对比分析.研究结果表明:提出的方法能有效准确地识别时变结构的瞬时频率,具有一定的抗噪性.     

基于LSTM的航空发动机整机支承刚度识别方法

针对旋转状态下航空发动机整机的支承刚度识别问题,提出了一种基于长短期记忆(long short-term memory,LSTM)神经网络的航空发动机整机支承刚度识别方法.首先,建立航空发动机整机模型,基于该模型获得目标转速下不同支承刚度对应的位移响应;然后,建立以LSTM为核心层的深度学习网络,以位移响应为输入、支承刚度为输出训练该网络,构建位移响应与支承刚度之间的非线性关系;最后,利用深度学习网络的泛化特性对多个支承刚度进行直接识别.使用该方法对一航空发动机整机进行支承刚度识别,结果表明,支承刚度的识别误差小于2％,LSTM的识别精度高于径向基神经网络与支持向量机.该方法避免了动力学反问题中复杂的寻优过程,实现了复杂非线性结构的动态参数识别.     

基于Kanai-Tajimi模型的地震作用荷载新型识别方法

目的研究一种识别地震作用荷载的方法,为地震作用荷载的识别与相应结构的动力特性、损伤的识别提供一种新的途径,进一步为结构的安全性、损伤进程和耐久性等研究提供理论参考.方法利用Kanai-Tajimi模型将单位强度白噪声过程模拟为未知的地震作用,并将其作用在结构上,然后根据数值模拟计算得到的结构体系响应作为观测量,采用Kalman滤波对未知荷载状态加以识别.结果最终可以利用结构的加速度响应反演得出地震作用的等效荷载,在人工添加5%观测噪声的条件下,最大误差率为7%左右,而在人工添加10%观测噪声的条件下,最大误差率为8%左右.结论通过算例的验证,说明笔者所采用的方法精度较高,获得了较好的识别效果.