一种中下承式拱桥主失效模式动态识别方法及系统

本技术涉及电数据处理，具体涉及一种中下承式拱桥主失效模式动态识别方法及系统。

背景技术：

1、中承式拱桥作为一种典型的组合结构体系，其吊索系统是连接刚性拱肋与柔性桥面系的关键传力枢纽，在复杂环境总体与荷载作用下极易发生损伤甚至损伤损伤。

2、然而，现有的中下承式拱桥主失效模式动态识别方法在实际工程中存在显著缺陷：现场采集的原始监测信号往往混杂着环境温度的低频漂移、车辆荷载冲击以及非高斯突发噪声，直接基于原始非平稳信号计算传统的欧氏距离似然函数，极易因残差向量的数值整体平移或局部畸变导致似然函数严重失真。

技术实现思路

1、本技术实施例提供一种中下承式拱桥主失效模式动态识别方法及系统，能够自动剥离日照温差引起的低频漂移、车辆冲击与传感器高频噪声，有效避免了传统欧氏距离似然函数直接基于强噪非平稳信号计算时易产生的数值漂移与似然失真的问题。

2、本技术实施例的第一方面提供了一种中下承式拱桥主失效模式动态识别方法，所述方法包括：

3、获取桥梁结构在服役状态下的实时监测信号，并调用预先生成的结构失效模式先验样本库；

4、对所述实时监测信号进行自适应时频分解，提取反映结构真实受力状态的稳态特征分量，重构高信噪比观测向量；

5、基于重构后的观测向量，计算结构响应在空间分布上的相关性图谱，依据所述相关性图谱将全桥潜在失效空间划分为多个物理失效子区域；

6、构建融合数值量级特征与拓扑形态特征的序贯似然函数，结合所述先验样本库，通过贝叶斯推断更新各失效模式的后验概率；

7、根据所述后验概率和各所述物理失效子区域，在第一级识别中锁定具有最高聚合置信度的目标物理失效子区域；

8、在锁定的所述目标物理失效子区域内部，进行第二级识别，重新归一化该子区域内各具体失效构件的后验概率，输出概率最高的目标失效构件。

9、在一种可能的实施方式中，所述对所述实时监测信号进行自适应时频分解，提取反映结构真实受力状态的稳态特征分量，包括：

10、采用启发式群体智能滤波算法对原始信号进行迭代分解；

11、剥离低频环境漂移分量与高频随机噪声分量；

12、通过综合评价指标从分解所得的各本征模态分量中自动筛选出能量集中且均值显著的主趋势项，作为所述稳态特征分量。

13、在一种可能的实施方式中，所述采用启发式群体智能滤波算法对原始信号进行迭代分解，包括：

14、将所述原始监测信号离散化为输入序列，初始化迭代参数；

15、对当前输入序列进行能量谱密度分析，估计当前输入序列的主频特征；

16、根据所述主频特征，自适应计算群体滤波器的群体规模参数与灵活性时间间隔参数；

17、根据所述群体规模参数与灵活性时间间隔参数，对当前输入序列执行群体滤波操作，得到滤波输出；

18、计算当前滤波输出与前次滤波输出之间的迭代偏差，若所述偏差大于预设阈值，则将当前滤波输出作为新的输入序列；

19、所述迭代偏差收敛至预设阈值以内时，提取当前滤波输出作为单一振荡分量，并从原始信号中剥离该分量，对残余信号重复上述过程，直至残余信号的能量低于预设门限。

20、在一种可能的实施方式中，所述基于重构后的观测向量，计算结构响应在空间分布上的相关性图谱，包括：

21、计算重构后各监测点响应向量之间的皮尔逊相关系数，构建空间相关性矩阵；

22、从所述空间相关性矩阵中提取块状对角化分布特征；

23、根据所述块状对角化分布特征将具有相似受力协同行为的相邻监测点聚合至同一物理失效子区域。

24、在一种可能的实施方式中，所述构建融合数值量级特征与拓扑形态特征的序贯似然函数，包括：

25、针对全时程观测数据，计算每个时刻下先验样本预测值与实测观测向量之间的数值绝对偏差，作为数值量级特征；

26、计算每个时刻下二者向量方向上的余弦相似度，并将其转化为距离度量，作为拓扑形态特征；

27、对全时程内的所述数值量级特征与拓扑形态特征进行带权重的时间累积平均，构建基于时间平均距离的序贯似然函数。

28、在一种可能的实施方式中，所述基于时间平均距离的序贯似然函数，如下所示：

29、

30、式中，为实测观测向量，为第种失效模式，为全时程观测总帧数，为第帧的所述数值量级特征距离，为第帧的所述拓扑形态特征距离，为形态权重调节因子。

31、在一种可能的实施方式中，所述拓扑形态特征采用向量余弦相似度进行度量，通过计算预测向量与实测向量之间的夹角余弦值，并将其映射至预设取值范围的距离区间，以消除向量整体数值缩放与平移对形态比对的影响。

32、在一种可能的实施方式中，所述根据所述后验概率，在第一级识别中锁定具有最高聚合置信度的目标物理失效子区域，包括：

33、提取全桥范围内后验概率排名前列的多个候选失效模式，构成候选集合；

34、针对每一个物理失效子区域，统计落在所述候选集合内部的失效模式的概率之和，作为该物理失效子区域的聚合得分；

35、选取所述聚合得分最高的物理失效子区域作为目标物理失效子区域。

36、在一种可能的实施方式中，所述在锁定的所述目标物理失效子区域内部，进行第二级识别，包括：

37、以所述目标物理失效子区域为条件，对该子区域内部所有失效模式的后验概率进行条件概率归一化计算，使该子区域内部各失效模式的条件后验概率之和为1；

38、依据归一化后的条件后验概率，将概率值最大的失效构件判定为最终的目标失效构件。

39、本示例中，提供一种中下承式拱桥主失效模式动态识别方法，首先获取桥梁结构服役状态下的实时监测信号，并调用预先生成的结构失效模式先验样本库；通过启发式群体智能滤波算法对实时监测信号进行自适应时频分解，剥离低频环境漂移与高频随机噪声，提取能量集中且均值显著的主趋势项作为稳态特征分量，重构高信噪比观测向量；接着基于重构后的观测向量计算空间相关性矩阵，提取块状对角化分布特征，将全桥潜在失效空间划分为多个具有协同受力行为的物理失效子区域；然后计算实测向量与预测向量在全时程下的数值绝对偏差与余弦相似度，构建融合数值量级特征与拓扑形态特征的带权重时间平均序贯似然函数，结合先验样本库通过贝叶斯推断更新各失效模式的后验概率；最后执行两阶段分级识别，第一级通过统计落在候选集合内部的概率之和锁定最高聚合置信度的目标物理失效子区域，第二级在该目标物理失效子区域内部重新归一化条件后验概率，输出概率最高的目标失效构件。本方案包括以下有益效果：

40、1、通过采用启发式群体智能滤波算法对原始监测信号执行自适应迭代分解，并结合能量-均值综合指标筛选主趋势项，能够自动剥离日照温差引起的低频漂移、车辆冲击与传感器高频噪声，有效避免了传统欧氏距离似然函数直接基于强噪非平稳信号计算时易产生的数值漂移与似然失真问题，显著提升了输入观测向量的信噪比与结构受力真实状态的还原度。

41、2、通过构建融合数值绝对偏差与余弦相似度距离的带权重序贯似然函数，利用余弦相似度对向量整体数值缩放和平移的不变性捕捉几何拓扑特征，结合全时程证据的累积平均效应，克服了单一欧氏距离在强噪背景下残差向量模长难以区分的缺陷，能够有效抑制高幅值非高斯突变和局部噪声干扰引起的似然误导，大幅拉开了目标构件与高关联度干扰项之间的后验概率梯度差距。

42、3、通过计算空间相关性矩阵的块状对角化特征将全桥划分为物理失效子区域，并采用“第一级宏观聚合定域、第二级子区域内条件归一化精确定位”的两阶段分级推断机制，将高维全局搜索收敛至目标物理簇内部，打破了传统全域盲目搜索导致的计算瓶颈，彻底消除了非目标区域近邻构件的概率混淆与残余干扰，实现了复杂强噪环境下主失效模式的高置信度、高鲁棒性动态锁定与精准识别。

43、本技术实施例的第二方面提供一种中下承式拱桥主失效模式动态识别系统，所述系统包括：

44、第一模块，用于获取桥梁结构在服役状态下的实时监测信号，并调用预先生成的结构失效模式先验样本库；

45、第二模块，用于对所述实时监测信号进行自适应时频分解，提取反映结构真实受力状态的稳态特征分量，重构高信噪比观测向量；

46、第三模块，用于基于重构后的观测向量，计算结构响应在空间分布上的相关性图谱，依据所述相关性图谱将全桥潜在失效空间划分为多个物理失效子区域；

47、第四模块，用于构建融合数值量级特征与拓扑形态特征的序贯似然函数，结合所述先验样本库，通过贝叶斯推断更新各失效模式的后验概率；

48、第五模块，用于根据所述后验概率，在第一级识别中锁定具有最高聚合置信度的目标物理失效子区域；

49、第六模块，用于在锁定的所述目标物理失效子区域内部，进行第二级识别，重新归一化该子区域内各具体失效构件的后验概率，输出概率最高的目标失效构件。

50、本技术实施例的第三方面提供一种终端，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如本技术实施例第一方面中的中下承式拱桥主失效模式动态识别方法所述的步骤指令。

51、本技术实施例的第四方面提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本技术实施例第一方面中的中下承式拱桥主失效模式动态识别方法所描述的部分或全部步骤。

52、本技术实施例的第五方面提供了一种计算机程序产品，其中，上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本技术实施例第一方面中的中下承式拱桥主失效模式动态识别方法所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。