[发明专利]一种基于有限元和检监测数据融合的全桥响应重构方法

说明书

本发明公开了一种基于有限元和检监测数据融合的全桥响应重构方法，包括以下步骤：利用POD技术对分布的长标距应变传感器采集的桥梁检监测数据在时域上进行分解，得到降阶的模态ROM和时间随机函数TCF，结合预测单元的坐标信息初估计预测单元的结构响应，并将该响应与监测单元响应再次分解得到更新后的ROM和TCF；建立全桥不同位置损伤有限元模型数据库；利用分解的ROM从模型数据库中找出与真实结构相匹配的模型；最后，利用匹配模型的监测单元与预测单元的映射关系去修正更新后的ROM，将更新后的ROM和TCF可有效重构全桥单元的结构响应。本发明利用有限的传感器去重构全桥的结构响应，可实现实际二维桥梁结构性能的识别。

技术领域

本发明属于桥梁测量领域，特别是涉及一种基于有限元和检监测数据融合的全桥响应重构方法。

背景技术

近几十年来，结构健康监测(SHM)在确保结构诊断和预测结构健康方面受到广泛关注。桥梁测量作为基础部分，对SHM系统的可靠性起着重要的作用。为了监测桥梁的实际状况，需要获得整个结构的系统响应。然而，由于数据采集成本的影响或测量位置的困难性，通常只能获得一个维度的响应，无法对结构性能进行一个全面的诊断和评价。因此，结构整体响应数据的重构成为结构健康监测系统的重要组成部分。特别是全桥响应重构能有效保证监测结果的唯一性和稳定性。

目前已经有许多致力于对结构关键部位的响应进行重构的研究工作。基于传递矩阵和EMD的方法利用有限元模型或更新的有限元模型建立特征参数(传递矩阵和模型矩阵)，然后利用测量数据基于这些特征参数重构结构响应，这就涉及到有限元模型是否能提供与真实结构体系一致的参数。基于滤波的方法在测量噪声处理中显示出其独特的优势。但为了有效地保证数据重构的精度，需要对输入力进行精确估计，而这就导致了响应重构算法的复杂性，不适用于具有复杂外荷载的结构系统。因此，开发了不依赖于任何指定的有限元模型的无模型方法。

许多无模型的算法都依赖于压缩感知(CS)框架。一些研究利用CS框架来恢复非相干缺失数据。利用稀疏贝叶斯学习机制，将贝叶斯CS方法扩展到数据重构。在多元高斯过程先验条件下，贝叶斯多任务学习方法比较了缺失数据在不同协方差函数下的性能。此外，其他无模型的方法，如序列扩展学习(SBL)和相关度，也被用于SHM应用中的数据重构。无模型方法主要是基于采集信号在变换域的稀疏特性来重构完整的信号。但无模型方法限制了整个结构区域内非监测位置的结构响应重构。

发明内容

为了解决上述技术问题，本发明提供一种基于有限元和检监测数据融合的全桥响应重构方法，避免了有限元模型的更新，解决了未监测位置响应重构精度不高的问题。

为实现上述目的，本发明提出一种基于有限元和检监测数据融合的全桥响应重构方法，具体包括以下步骤：

S1、对全桥进行监测和数据收集，得到检测监测IM数据；

S2、利用POD技术对所述IM数据进行分解，得到降阶模态ROM和TCF；并基于所述ROM、所述TCF和桥梁预测单元的坐标信息，得到初步估计的全桥结构响应；

S3、建立基于有限元模型的全桥不同位置的损伤模型数据库；从所述损伤模型数据库中匹配出与所述ROM相匹配的预测单元的RROM，并找出所述ROM和所述RROM之间的关系；

S4、再次利用所述POD技术对所述初步估计的全桥结构响应进行分解，得到更新后的ROM和TCF；

S5、利用所述ROM和所述RROM之间的关系，对所述更新后后的ROM进行更新，得到修改后的ROM；

S6、基于更新后的TCF和所述修改后的ROM，得到最终重构后的全桥结构响应。

优选地，所述S1采用长标距光纤光栅传感器FBG对全桥进行监测和数据收集。

优选地，所述S1具体为：