文摘

金属屋顶封闭系统钢结构施工的一个重要组成部分。近年来,它已被广泛应用于大型公共建筑或工业如体育场馆、机场航站楼、会展中心。受到坏天气的影响,各种类型的金属屋顶事故频繁发生,造成巨大的财产损失和不利影响。因为宽跨度、寿命长和隐藏故障的金属屋顶,手动检查金属屋顶的低效率,实时性能差,很难找到隐而未现的过错。的基础上总结了金属屋顶,导致事故的工作原理,本文详细分类故障类型的金属屋顶和建立一个金属屋顶监测和故障诊断系统使用分布式多源异构传感器和Zigbee无线传感器网络。从应变仪监测数据,激光测距传感器和超声波测距传感器综合利用。通过提取时域特征,数据趋势特点和相关特征进行了分析和融合,消除错误的数据,发现表面的传感器漂移和网络中断等故障。目标隐藏的缺点包括塑性变形和螺栓松动,一个基于RBF核函数的支持向量机故障诊断算法设计和应用于诊断金属屋顶的缺点。实验结果表明,RBF-SVM算法可以达到较高的分类精度。

1。介绍

金属屋顶封闭系统快速开发的公共建筑和工业建筑由于其良好的结构性能,美丽的外表,和环境保护(1,2];其典型的应用程序如图1。金属屋顶封闭系统在服务期间在中国的主要城市占地面积不少于10亿平方米,自2008年以来,增长的速度每年不少于50000平方米;因此,其安全性和可靠性引起了广泛的关注。

金属屋顶易受极端天气和其他因素在使用。近年来,交通事故的金属屋顶偶尔发生。2010年、2011年和2013年,北京机场T3航站楼的金属屋顶被风举起三倍;这些事故引起超过一千次航班推迟,这严重影响北京机场的正常运行。2016年,广州白云机场航站楼的金属屋顶是波及了弱风,风的速度并没有超过金属屋顶的设计安全阈值。2017年3号台风“田Ge”引起了大量的金属屋顶在珠海被摧毁(3]。到目前为止,这些问题的解决方案主要是加强安全检查计算在设计阶段提高屋顶承载力阈值或增加防风夹和其他加固措施在当地负高压区域,但这些方法主要集中在理论模型和一般规律分析;他们没有实时监控数据的支持,有一些研究金属屋顶的实时监控系统在服务期间,这是运用的瓶颈,需要打破和防灾工程大跨度建筑的金属屋顶(4]。机场波及的金属屋顶被风可以如图2。

针对金属屋顶罩系统的损害,本文利用结构健康监测技术(SHM) [5]取代传统手工检查;金属屋顶的实时监控可以有效减少事故的发生。这种技术已成为全球的研究热点,广泛应用于大规模民用基础设施(6),如机场、高层建筑(7),大跨度建筑、体育场馆、铁路(8),和管道(9]。

目前,民用建筑的自动监测方法主要分为两类:智能机器人监控和传感器网络监测。机器人监控是经常使用在严酷的环境下,监控区域是有限的。由于大跨度,稳定的工作环境和长时间的性能改变的金属屋顶,分布式传感器网络监视方法应考虑在金属屋顶的优先级。

传感器网络监测获得监测数据的建筑结构表面嵌入或粘贴传感器监测结构,并在此基础上,故障诊断和健康评估建筑结构进行(10]。传感器网络监测系统的建设主要分为三个部分,传感器的选择、监测网络建设,数据存储和分析。传感器的选择部分,燕et al。11在西南交通大学设计一座桥胡同长江大桥结构健康监测系统。本文不仅大量的数据和宽覆盖的传感器特性考虑,收集到的数据之间的相关性也使用。通过这种方式,故障诊断的准确性提高,与此同时,一些隐藏的缺点可以发现的数据融合算法12]。在数据传输部分,无线传感器广泛应用于项目中,例如,为桥梁结构的健康监测,Alampalli et al。13使用无线网络)实现了监控系统;他们还使用了大数据云计算技术对桥梁的健康状况进行评估。在波兰,萨拉(14在波兰科学院建立了健康监测系统40-meter长钢桁架桥使用无线传感器网络,他们还利用太阳能驱动压电陶瓷应变仪为了节省能源消耗。在本文中,我们使用无线个域网(15)无线网络结合现场总线和网络形成一个星型拓扑数据传输;主人和奴隶PLC通信结构可以显著提高数据处理能力。在数据分析和故障诊断算法部分,主要有三种方法处理数据,基于现代信号处理技术的方法(16- - - - - -18),基于统计的方法19,基于机器学习的方法和数据挖掘技术。近年来,机器学习(20.),数据挖掘技术被广泛应用于单孔位微吹气扰动技术,如贝叶斯神经网络(21),小波包分析,后验概率支持向量机,DS证据理论,OLSVM [22)算法。在本文中,为了全面考虑的趋势特点和相关特征大量的监测数据,支持向量机(SVM)算法用于故障诊断基于RBF核函数的精神屋顶。该算法可以使用多维multiclassify监控数据的特征值输入,它也可以通过网格搜索方法,提高分类精度,实现准确的金属屋顶的故障诊断。

本文分为三个部分。第一部分分析金属屋顶失败的损伤机制,选择合适的传感器和传动方案构建金属屋顶健康管理系统。第二部分总结了断层的类型需要的算法,介绍了监测数据的预处理。在第三节中,RBF-SVM算法分类实现监控数据,我们使用网格搜索方法来优化RBF-SVF的参数。最后,最后一节的分类结果进行评估。

2。金属屋顶失败原因分析和故障监测系统组成

金属屋顶长期暴露在自然环境;因此,他们很容易受外部气候条件的影响。风摧毁是金属屋顶损坏的主要原因23]。本节将首先分析金属屋顶的类型和原因失败,然后基于失败,金属屋顶的在线监测和健康管理系统将建立。

2.1。金属屋顶的总结失败的原因

本文的研究对象是站缝金属屋顶封闭系统,这是广泛使用的工业建筑的屋顶上。站缝金属屋顶是一个金属屋顶罩系统由屋面板、固定支持、檩、压底盘子。屋顶时受到向上的风吸力,风力传播固定支持通过interboard夹连接结构,然后传送到檩的自攻螺丝,最后传送到主体结构安全。金属板固定在t型架檩,和屋面板的板肋夹在李子丁字形的支持,这样的面板固定在屋顶的檩。系统的结构如图3。金属屋顶的主要破坏形式是过度的变形和位移的纵向方向垂直于屋面板,导致金属屋面板是金属塑性变形,甚至波及了。因为屋顶不是固定在横向方向上,主要监测对象是金属屋顶的纵向应力和位移。侧向位移仅作为参考因素监测屋面板没有过度的疲劳损伤分析。

结合金属屋顶事故的研究和分析近年来,金属屋顶的类型和原因失败总结如下:(1)塑性变形:在长期服务的金属板,由于交变载荷的影响,尤其是风荷载,金属板塑性变形,导致金属板的抗风性能下降,影响金属屋顶的安全。(2)横向滑动:站缝金属屋顶与桁条的T形支架。当环境温度变化时,金属屋顶将变形由于热膨胀和收缩,导致金属屋顶的内部压力变得更大。反复应力变化会引起疲劳损伤金属屋顶,所以要注意横向滑动的金属屋顶由于温度。(3)纵向变形:在天气负荷如风雪,纵向变形将发生,影响金属屋面的健康的主要原因。纵向变形过度容易导致塑性变形的金属屋顶和疲劳寿命的影响,使屋顶更容易被风掀起。(4)螺栓松动:站缝金属屋顶由螺栓固定在檩。螺栓可能倾向于放松在长期服务,导致安全隐患的金属屋顶被风受损。因此,螺栓松动也影响金属屋顶,这种故障是很难被监控的一种传感器;我们使用两种类型的监控数据来诊断这个错。

的主要故障形式和原因站缝金属屋顶在下表中进行了总结1:

2.2。实时监控和健康管理系统的金属屋顶封闭系统

的基础上总结金属屋顶的故障类型和原因,分布式多源异构传感器方案选择建立一个无线传输网络和数据备份存储系统实时监控金属屋顶的健康。

在此系统中,三种传感器是用于实现分布式多源异构监控金属屋顶;分布式监测可以获得监测数据在屋顶的不同区域,使数据更全面。多源异构传感器可以利用相关的不同类型的数据,它不仅能保证数据的准确性,还通过数据融合诊断隐而未现的过错。传感器包括压力传感器、激光测距传感器和超声波测距传感器。终端节点传感器如图4。传感器的类型和功能如表所示2:

金属屋顶实时监测和健康管理系统包括三个子系统模块:数据采集模块、无线网络传输模块,数据备份和接口模块。函数和不同模块之间的关系如图所示5。

数据采集模块由分布式传感器布置在屋顶的不同区域。STM32单片机相结合的数据传输通过ADS1256高精度\ D收购芯片。然后,测量数据传输无线个域网无线网络传输模块;传输模块使用无线个域网协议传输数据到PLC主、从站数据处理的无线模式。PLC s7 - 1500 CPU用于系统的主站;同时,PLC s7 - 1200 CPU用于从站,最后,收集到的数据转化为十进制可读的数据通过计算PLC和转移到计算机上。数据存储在数据库上电脑。系统的接口由WinCC开发上计算机,实现实时监控和故障诊断的金属屋顶分析数据存储在数据库中。因为成熟的解决方案大多是本监控系统中使用,它的经济成本可以无视与金属屋面系统。与此同时,更有价值的减少造成的隐患金属屋顶失败通过实时数据分析。

3所示。金属屋顶故障分类和基于监测数据的数据预处理

由金属屋顶实时监控系统收集的数据保存在电脑上的数据库,可以诊断和金属屋顶的错从数据库中获取数据。因为大量的分布式传感器,它将很难分析传感器数据。因此,应力和位移阈值应该设置根据金属屋顶的物理性质。然后,我们计算应力和位移的传感器的比例达到阈值在该地区,从该地区选择传感器数据在故障诊断中故障比例高。

3.1。基于监测数据的金属屋顶故障分类

考虑到金属屋顶本身故障和网络传输故障,故障类型主要分为三类,金属屋顶故障、传感器故障和网络故障。金属屋顶故障主要包括三种类型,长期面板的塑性变形,雨雪accumulation-induced或风致纵向变形,和t形支架松动的螺栓;传感器采集数据的传感器故障包括零点漂移和短期干扰的传感器和网络失败是数据传输的中断。总结了故障类型的金属屋顶表3。

金属屋顶故障诊断过程分为两个层次。在第一个层面上,可以诊断故障的实时监测系统,很容易对它们进行区分。然而,一些错误很难区分诊断或他们需要两种类型的数据,所以在第二层次,机器学习算法分类复杂的金属屋顶罩系统或隐而未现的过错。具体的诊断过程如图6。

在第二个层次,支持向量机(SVM)算法基于RBF核函数用于故障类型进行分类。这一部分主要侧重于复杂或隐藏的缺陷和故障诊断相关的多源异构传感器测量的数据。基于组合金属屋顶的实时监控系统,监控数据不同故障状态的金属屋顶从实验系统,通过时域分析和监测数据预处理提取特征量在不同条件下的金属屋顶,然后RBF-SVM的训练集建立了相应的数量和故障特征。最后,训练集用于训练RBF-SVM模型,实现故障诊断的金属屋顶。

3.2。数据预处理方法

在数据预处理过程中,不同种类的相关特性的异构传感器采集的数据可以有效地避免错误数据从传感器故障,确保故障诊断和故障早期预警的准确性。SVM算法的训练需要选择具有代表性的数据,包括各种情况下从大量的检测和实验数据,因此这些团体的数据可能来自不同的日期。典型的数据选择部分如图所示7的类型的数据表示。红色的曲线在图7从应变计应变数据,蓝色曲线位移数据收集的激光测距传感器,金属屋顶的状态的趋势信息来判断这两个传感器,采集的数据和相关信息的两个异构传感器采集的数据避免了错误数据,使故障诊断更准确。

为了方便比较,上述图中所示的数据忽略了数值维度对结果的影响。监测数据规范化是分布在0和1之间,这个公式如下:

不同引起的屋面变形将导致不同的趋势不同传感器的检测数据,这是使用各种传感器的优势和必要性进行数据采集。上面所示的数据集包含四种类型的数据,这是屋顶监测数据在正常条件下,当屋顶纵向变形监测数据,监测数据传感器故障发生时,监控数据当螺栓松开。从图可以看出7在正常条件下,屋面板的应力和位移数据只有小变化,没有明显的波动。两种类型的异构传感器数据有很高的相关性。在这种情况下,传感器和屋顶都是正常的。当屋顶纵向变形监测数据,从激光测距传感器和应变计具有相同的变化趋势,这意味着他们有很高的相关性。在这种情况下,可以认为屋顶经历了纵向变形。当传感器故障情况,其中一个传感器零点漂移故障的经历,两个传感器的数据不太相关,一个传感器的数据是在上升的趋势。至于螺栓松动故障,很难找到通过手动检查;然而,它可以通过异构传感器诊断系统。螺栓固定在檩放松时,面板将取代在纵向方向在很大程度上,但与此同时,面板的应变值是少比位移变化较慢,就像图中所示的数据集7;位移数据变化在一个大范围,而应变值的变化更少。在这种情况下,我们可以假设金属屋顶的螺栓松了。

考虑以上信息,选择5种统计数据作为输入特点:金属屋顶的平均和标准偏差选择纵向位移数据和屋面板应变数据,以反映趋势信息,区别位移和应变数据方差和相关系数的选择这两种类型的数据,以反映相关信息。统计计算公式如表所示4。

为了避免数据值的影响范围的故障诊断结果,输入特征量需要规范化,公式如下: 在哪里平均的特点,站的偏差特征,是归一化的特征。

最后,数量593套特点选择培训和测试包括70%的训练集和测试集的30%。输入特征量和标签如表所示5;标签分别为0 - 4表达的正常数据金属屋顶,应变传感器故障数据,激光测距传感器故障数据,屋顶大纵向变形数据,螺栓松动的数据。

4所示。基于RBF-SVM金属屋顶故障诊断算法和参数优化方法

通过数据预处理、监测数据的趋势信息和相关信息。通过使用这两种类型的信息,multiclassification监测数据可以实现,并通过这种方式,可以实现故障诊断的金属屋顶。在分类算法,支持向量机自动模型选择,可将培训转化为二次规划问题,它也有良好的小样本学习能力。RBF核函数支持向量机算法能够满足不同故障类型的金属屋顶的区别和减少计算复杂度,以确保故障诊断算法的效率。

4.1。支持向量机算法

支持向量机是一种有效的数据分类算法。通过寻找支持向量集,它建立了一个超平面和分类数据。对于一个简单的二维线性可分问题,可以单独的数据建立一条直线;在故障诊断的金属屋顶,监测数据需要分为多个类别。因此,有必要将监控数据的数量特征映射到一个高维特征空间H,然后构造(广义)的最优超平面H实现multiclassification监控数据。

简单的SVM分类器是用于二进制分类。假设输入点集 包括两种类型的点。如果点属于第一类 ,或者如果他们属于第二类, 。假设训练样本集 ,支持向量机的目标是寻找一个超平面,满足分类要求根据结构风险最小原理和线性划分数据集。

样本空间的分割超平面可以通过下面的线性方程来描述: 在哪里 法向量,确定超平面的方向;位移项,确定超平面之间的距离和原点。样本空间中任意一点的距离超平面可以写成如下:

假设超平面 可以训练样本正确分类,对吗 ,如果 ,然后 ,或者,如果 ,然后 。通过这种方式,公式可以表示如下:

训练样本指向离超平面使得等号成立。他们被称为“支持向量”,距离之和超平面的两个不同的类支持向量可以表示如下:

它被称为缺口。最优超平面不仅可以区分两类样本没有错误,也最大化两类的差距。分类问题可以转化为一个最小值问题与约束,它可以表示如下:

这是支持向量机算法的基本公式。

在基本原则,大多数是理想的假设。然而,在使用支持向量机进行故障诊断的过程中,错误数据不能线性划分的。有必要让SVM算法划分一定的监测数据中的错误,以避免过度拟合。在这种情况下,使用软边缘,和非负松弛向量添加到配方,所以改变了问题的目标函数如下: 在哪里处罚期内;是惩罚因子,控制程度的惩罚错误的样本。越高价值,更高的错误的惩罚,更严格的线性分类。重要的是选择最优在支持向量机的优化算法将在以下提到的论文的一部分。

与此同时,金属屋顶的故障诊断是一个非线性multiclassification问题。为了实现非线性multiclassification,内核函数可用于原非线性multiclassification样本映射到高维空间 ,将非线性分类问题转换为线性分类问题,而且,与此同时,使用惩罚项,确保分类的准确性。核函数 可以表示如下:

根据分类的样本,通过选择合适的核函数 相反的高维空间中的内积运算,线性分类的一个线性变换可以实现后,和不增加计算复杂度。类似于没有线性变换的优化方法,以解决双重问题,拉格朗日乘数是用于构造拉格朗日函数。最终的最优分类函数如下:

在本文中,我们使用RBF核函数来优化支持向量机算法称为RBF-SVM,公式如下:

4.2。网格搜索(GS)参数优化方法和结果分析

在RBF-SVM算法中,为了解决非线性multiclassification问题,惩罚因子和RBF核函数是用来减少过度拟合和计算复杂度。惩罚因子的值和内核参数决定了分类精度。更小的参数和决定表面光滑,模型简单,因此精度降低。相反,较大的参数和提高模型的精度,使模型更加复杂。在支持向量机参数优化的常用方法是网格搜索方法,遗传算法和粒子群优化算法,其中后两个启发式算法。网格搜索方法可以找到给定范围的参数的最优解,但速度缓慢。启发式算法的参数太多了,不同的参数对结果有很大的影响,增加了使用该算法上的困难,它可能落入局部最优解。网格搜索方法(24)提供的不同组合和值RBF-SVM详尽地计算每个组合的分类精度,交叉验证方法。最后,它选择结合最高精度,确保RBF-SVM精度最高。在网格的划分,参数区间可以放大局部优化和计算效率之间的权衡。

如图8显示,5倍交叉验证的用来找到最好的组合值和 。每个组合的分类精度是由不同颜色的图所示,红色表示精度高和蓝色表示精度较低。图的横坐标代表的价值纵坐标代表的价值 。最后,结合选择分类精度最高,的价值是 ,和的值是 。

根据分类结果和混淆矩阵,RBF-SVM算法有很好的精度和召回率,并且它可以用来正确地诊断金属屋顶的错。金属屋顶的故障可分为纵向变形、激光测距传感器故障应变传感器故障,螺栓松动。通过这种方法,它不仅可以区分金属屋顶断层准确而且有效区分错误数据传感器故障和隐藏的故障引起的螺栓松动。金属屋顶实时监控系统和故障诊断算法,本文提出了使金属屋顶监测更聪明,有效减少金属屋顶的安全风险。

5。结论

为了减少安全隐患的广泛使用的金属屋顶封闭系统,介绍了一种金属屋顶实时监控系统和故障诊断算法。基于分析故障的原因和类型的金属屋顶,无线网络的分布式多源异构传感器用于监测金属屋顶的状态。它使金属屋顶变化的监测和维护从手动检查到实时监控,提高了精度和降低了安全风险。与传统的监控系统相比,该系统使用分布式网络收集数据从金属屋顶和宽跨大区域;同时,它使用多源异构传感器,以确保监测数据的准确性和发现隐藏的金属屋顶的错,和Zigbee无线网络可以减少损伤的屋顶和使它易于安装。在故障诊断算法,不仅趋势信息的数据被认为是也关联信息是用于提高故障诊断的准确性和发现隐藏的金属屋顶的过错。的过程中优化RBF-SVM算法,网格搜索方法用于提高分类精度。RBF-SVM算法的验证实验数据后,我们使用可以达到99%的分类精度和召回率。在测试数据集,176的178组数据正确分类,具有较高的分类精度。研究金属屋顶实时监控系统和故障诊断算法的发展将促进智能监控和维护金属屋顶和有效降低安全风险。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。