文摘

论述了监测宫殿伦巴蒂大区,意大利最高的高层建筑之一。首先,监测系统的布局处理的一般描述所使用的传感器。本文提供了如何使用数据来自传感器的详细信息。重点放在信号获得通过加速度计的使用,这是用于通过运行模态分析模态参数的估计。用于选择模态分析算法的程序和修复其主要参数的值将详细讨论。模态识别结果的前八个月监测的第二部分讨论了手稿,以及统计分析。这允许第一次学和环境变量之间的关系的模型针对一个通用的结构健康监测过程基于建筑的进化的模态参数。

1。介绍

结构健康监测(SHM)学科旨在寻找可靠的策略评估土木和机械结构的健康状况(1]。过去的二十年里,这个研究领域吸引了许多研究者的关注,因为成功的显著结果的情况下维护的新方法。使用这些技术的主要优势是可能要切换从一个基于时间的维护方法(2]。如果维修是基于收集的测量结构,有可能修复结构元素只有当真正需要的。主要优势是经济,但结果在安全的结构也是重要的。这些技术允许建立持续的监控系统等重要结构立交桥,抑制,发电站,以提高它们的可靠性在正常运营后的生活和非凡的事件,如地震。

损伤识别可以在五个不同层次的细节:执行简单的检测损伤的存在及其定位,评估损害的类型,将其量化实体,最后估算剩余寿命(3]。实现这些目标的一般过程是根据采集的数据来自多个传感器固定的结构和精化这个信息来估计一个或更多的特性对损伤敏感。因为伤害可以被视为一种刚度降低或非线性行为的《盗梦空间》,例如,由于裂缝,一个常见的策略是衡量振动和提取损伤特征结构的动态响应的操作条件(4]。根据该方法用来评估损害的存在,单孔位微吹气扰动策略大致可以分为两类:基于模型和数据驱动(3]。前检测到损伤通过评估的区别特征提取真正的结构和那些来自物理模型应该尽可能准确。后者通常通过统计对比识别损伤特性来自未知场景的监控结构和那些来自其健康状况。

对民用建筑,这两种方法都可以使用,但基于物理模型的方法通常是更受欢迎,因为他们可以实现所有的五层次的损伤识别,因为强烈的土木工程师在建立可靠的经验模型。在基于模型的策略,线性方法是行之有效的技术是基于简单的假设:损伤刚度减少,修改结构动态参数(如振动频率5- - - - - -7],他们的形状和曲率方式[8- - - - - -11],柔度矩阵[12- - - - - -14),和模态应变能15- - - - - -17]。然而,这些方法的准确性发现损伤,特别是在他们的《盗梦空间》的第一阶段,取决于模态参数识别的不确定性和结构属性由于环境条件的变化(18- - - - - -22]。

在单孔位微吹气扰动的情况下,通常情况下,固有频率和振型等动态参数识别结构的动态响应的操作条件(23,24]。这个需求来自保持结构对公众开放的必要性但是连续控制的健康状况在同一时间。运行模态分析(OMA)是一个唯一的输出技术,可以不使用任何致动器(估计模态参数25- - - - - -27]。这个属性是有利的,因为通常执行机构笨重的机器,要求向公众关闭结构。然而,识别的质量很大程度上取决于噪声影响的信号和频率分辨率的数据用于分析。一般来说,初始损伤产生模态参数的微小变化;然后是基本控制评估的不确定性来检测模态参数的一个小异常。

模态识别过程的不确定性之外,另一个问题,可以取消损伤检测是环境条件的影响。模态参数,尤其是学,可能强烈变化,因为变化的环境条件如温度、湿度和风速。如果这些变量不能被过滤掉的损伤识别过程中,可能会发生两种情况:模态参数的变化产生的环境没有任何理由可以认为是损害或由于环境条件变化可能会覆盖损害结构中。

在这种背景下,本文基于收集的数据提供了一个研究的新摩天大楼伦巴蒂大区区域政府。这个建筑是由42层,它配备了一个连续监测系统收集数据从几个感应器和倾斜。自监控层只是5(见部分2),不方便使用模式形状SHM的目的。事实上,这项工作的目的是探讨使用频率模态的损伤特性关注资格识别不确定性和环境条件的影响。然而,也考虑模式的形状,因为传感器的数量可以增加在不久的将来与随之而来的可能使用的模式形状为单孔位微吹气扰动的目的。

本文的结构如下。部分2描述了监控系统的结构和布局。部分3讨论了识别算法考虑和描述的准确性。部分4介绍了模态参数识别结果进行操作的前八个月的监测系统。最后,部分5提出了一个第一次尝试经验模型将环境因素的本征频率的行为。

2。布局的监测系统

Palazzo伦巴蒂大区建设是第一个在一系列的高层建筑,建在米兰最后一年。这座位是当前地方政府,因此被认为是战略相关性。由五个低建筑群(约40米高,称为核2,3,4,5,6),周围的高楼大厦(核心1),得分,在施工的时候,意大利的新的高度纪录(161)。监控系统是针对控制核心1塔和能够处理动态振动信号和静态变量,以及风的条件。图1显示了一个示意图表示系统的布局,而一个完整的描述安装传感器网络和它的表现可以发现在28]。

五层与倾斜计和加速度计检测总体布局图1。设置是按照设计的动态测试结果(29日)为了能够识别至少前三个振动模式和驴风舒适问题。

为了能够监视振动舒适度对风力可服务性和执行连续运行模态分析识别,高灵敏度低噪声加速器必须使用。此外,建筑的第一固有频率大约是0.3赫兹,从而造成问题在传感器的选择和数据采集硬件。自连接解决方案选择(同步无线测量并不被认为是负担得起如此高的建筑),传感器类型的选择为了最小化所需的电缆。

另一方面,所选的倾斜传感器必须提供长期稳定和认证的温度敏感性,以保证可靠性的静态测量。

根据上面提到的所有需求,传感器选择如下:(我)加速度计:393年PCB b31压电单元,已被证明有一个非常低噪声地板水平和保证良好的频率响应0.1赫兹,4.9 m / s²满刻度值(2)倾斜:±5°歌手TS servo-inclinometers扩展温度校准。他们是高可靠性传感器频率响应3赫兹,足以涵盖建筑的第一个频率(3)风速、风向:风速计奈塞ANS-VV1-A + ANS-DVE-A(电位风向),50 m / s满刻度值

数据采集是每天24小时执行最后的采样频率为250赫兹的通道。这是足以驴风舒适和振动干扰和模态分析的目的(提供数据25,30.- - - - - -32]。数据采集装置是基于现场可编程门阵列(FPGA)的,使用24位转换器和内置抗锯齿过滤器。

共有24个高灵敏度压电加速度计和10倾斜安装在整个建筑风一起测量站在上面。每10分钟生成一个新的数据文件可以分析。这个监控系统还集成了温度和辐射功率传感器之前安装的。

3所示。识别的模态参数

如前一节所述,监控系统是由倾斜计、加速度计和传感器环境变量(如温度、风力强度和方向)。用于监测建筑的方法之一是使用加速度计信号连续模态参数识别,耦合分析收集到的数据通过倾斜。模态数据是用来研究结构的动态行为,而提供的信号倾斜计是用来描述其静态行为。

模态提取是由OMA的手段。这是一个非常有吸引力的方法当监测结构,因为它允许考虑到无边无际的环境激励源力系统(例如,(33- - - - - -40])。本节的重点是算法的选择用来进行模态提取。两个不同的算法进行了测试:polyreference最小二乘复频率(pLSCF)域方法和基于频域的方法分解(FDD),这依赖于奇异值分解(计算)。比较了两种方法的分散和偏见影响模态参数估计使用马尔可夫链蒙特卡罗(密度)的方法。这种分析还允许找到最优值参数用于实际数据的分析。

3.1。OMA算法

这两个算法,考虑是pLSCF和FDD,如前所述。他们在这里简要地讨论了提供最相关的信息。更多细节可以在引用的作品。

关于pLSCF,它的主要特性之一是,它提供了清洁和易于解释稳定图的使用,这减少了复杂性以及困难获得可靠的结果。这造成了pLSCF成为工业标准模态分析目前(25,26]。pLSCF频率是一种最小二乘的方法,可用于OMA。在这种情况下,输入方法的积极动力系统的光谱响应(25]。

第二个算法考虑是FDD。正如前面提到的,它是基于奇异值分解。圣言(41)是一种线性代数技术,可以实现一个复杂的矩阵的分解。FDD识别方法是通过分解的功率谱密度(PSD)矩阵的主成分在每个谱线。广泛的参考文献中可以找到更多的细节(例如,25,27])。

有两个参数时必须考虑作为输入使用OMA提到的两种识别方法:频率分辨率的功率谱和平均的数量用来计算他们(42]。众所周知在文献中一个狭窄的频率分辨率允许提高模态识别的准确性。也容易理解平均的数量越高,清洁将功率谱和模态识别因此会更可靠。这个建议增加加速度信号的时间长度用于计算功率谱。事实上,如果的总时间是用于模态提取和加速时间历史记录分为如果整个时间subrecords的时间长度(没有重叠),它的结果 因此,必须增加才能增加并减少 。

然而,不能无限增加,因为结构的变化其行为在时间:例如,一个结构的模态参数变化之间日夜由于热变化。因此,高的价值OMA将导致的结果将是一种平均结果,防止时间趋势的描述的识别模态参数。因此,它是重要的选择不太高的描述结构的模态行为;与此同时,必须不能太低,因为这将导致一个贫穷的模态参数识别精度。根据这些点的最大可能值固定等于10800年代(即。,3hours), which is a time span over which an initial data check did not evidence any significant effect of the environmental conditions. Once this threshold was fixed, the effects of different values of和研究了密度模拟的手段。这些模拟及其结果部分中描述3.2。

3.2。马尔可夫链蒙特卡罗模拟

pLSCF和FDD的比较进行了通过密度的方法。时间与目标加速度数值生成的历史让他们尽可能的收集的加速度计放置在建筑物。然后这些数值时间记录作为输入提供给这两个算法。

这些模拟信号生成通过结构的模态模型,考虑前三个模式。用于构建这样一个模型的数据来自一个前模态分析进行建筑(见后表1)[29日]。PSDs生成的信号是尽可能接近实际信号的pds收集的加速器。参考实际PSDs选择从非常低的一天风为了测试的情况最贫穷的信噪比。

电噪音的影响由于传感器,电缆等等也考虑在内。事实上,随机噪声是添加到生成的信号,这使得测试模态提取的情况下接近真实的应用程序中。添加随机噪声PSD的加速度计和收购获得董事会的数据表。

图2显示了一个比较的PSD模拟信号和一个真正的一个。这项协议是令人满意的。显然,由于信号的随机性质,汉宁窗总是使用(43,44)前处理时间信号在频域。这个数字还显示数值的值远离共振的PSD曲线接近实验。这证明随机噪声添加到数字信号的数量是正确的。

为每个配置测试(即信号的一代。固定的值和)重复了300次。然后,为每个迭代进行模态识别。分析的重点是评估学和模式形状组件。由于模式形状向量(即是由许多数字。,many eigenvector components), the results related to mode shapes were described by a synthetic index: the modal assurance criterion (MAC) [41)之间的模式识别形状和使用的参考的模态模型。

这个过程允许我们建立统计人口以下指标:(我)之间的错误估计和参考本征频率值:这些错误占偏见在估计总体均值的计算值和分散的评估采用标准差(2)MAC值:MAC的平均值μ占的偏见,而再次分散与标准差σMAC的人群

这些平均值和标准偏差值的趋势进行了两个输入变量的函数:平均的数量和频率分辨率用来计算功率谱作为输入提供模态识别算法。学上的错误的数量和每个特征向量组件几乎高斯。是很重要的话,显然MAC结果显示非对称的人口。这意味着的价值与MAC人口不能直接相关的置信区间估计(一种识别需要的类型分布)。然而,的价值σ这里显示了MAC为了简明提供一个指示的分散的结果显示每个固有模式组件相关的标准偏差(这将是正确的在计量的角度来看)。

表2给出了极限的值和测试获得的模型模拟。每一个选择R- - - - - -N对,限制的总时间历史,10800年代,很满意;因此,对导致高于10800年代被丢弃(一个例外是为一些对考虑检查结果)。注意到,在这种情况下重叠两个后续subrecords不是用于增加对于一个给定的值 。的值重叠因此总是等于0%43]。

数据3- - - - - -6显示的结果μ和前三个模式的构建作为频率的函数分辨率和平均的数量。特别是数据3和4pLSCF显示结果,而数字5和6FDD显示结果。

这些数据的分析表明,使用pLSCF估计学。相反,FDD更准确的识别模式的形状。关于学的,的值估计和参考价值之间的区别是相似的两个算法(可以忽略)。相反,错误的色散低得多的pLSCF(见图3(一个),3 (c),4(一),4 (c),5(一个),5 (c),6(一),6 (c))。至于MAC, FDD第二模式提供了更好的结果(见图3 (b),3 (d),4 (b),4 (d),5 (b),5 (d),6 (b),6 (d))。因此,使用混合方法在分析实际数据:使用pLSCF识别波兰人(因此学的),然后FDD模式形状组件。

因此,选择一个混合方法允许提高估计精度与模态数量。密度模拟还允许寻找可靠的数据的数量和频率分辨率的影响平均功率谱,从而选择正确的值(见表3)。偏差值与鉴定学的非常低,就是明证3(一个)和4(一)。相反,分散的期望值与鉴定学的相关聚集在桌子上4和可以作为评估的不确定性的识别方法45]。

说,表的配置值3再重复,密度测试时更多的模拟(使用一种自适应版本的密度(46])来评估统计可靠性。获得的结果几乎是一样的那些已经与300年模拟显示。

4所示。高层建筑的识别模态参数的趋势

的值和获得选择的模型模拟,以及使用混合方法pLSCF / FDD,允许发展中OMA自动识别系统。要做到这一点,还开发了一个自动化的数据检查过程。依赖于使用的偏态系数和最大峰值值信号,损坏时间记录(例如,由于饱和,闪电,和传感器损坏)会自动丢弃前模态识别。

自动提取应用于八个月的振动数据来自安装监控系统。数据7- - - - - -9的趋势显示前三个学的结构。相反,图10显示了MAC趋势第一模式。学的变化总是低于5%。此外,不确定性区间等于(见表4)在确定本征频率值第一模式如图11。这约95%的区间表示一定程度的信心(45]。不确定性区间的宽度明显高估了(事实上周期由于日常变化清晰可见),这可能是由于这一事实的价值估计一天获得通过考虑与非常低的风(见以前在报纸上)。因此,当风增加(甚至略)加速度计信号的信噪比和模态参数估计的准确性提高。结果是在这种情况下似乎高估了。

风速是证明能够显著改变的本征频率值。实际上,数据的峰值为零7- - - - - -9总是相关的存在价值的增加加速度的均方根(RMS)信号(RMS的频段计算考虑模式)。这RMS与风速(图强烈相关12表明RMS的峰值振动峰值对应的风速传感器)。

还说,本征频率的趋势显示每天循环由于温度和日照的趋势,正如在图13。

至于mac,轻微下降很明显。然而,需要更多的数据(数据的至少一年整整一个季节性周期)这种趋势的一个一致的分析。此外,MAC与密度变化是在分散发现模拟(见以前在报纸上)。

5。学的经验模型

实证模型来描述的行为学作为环境因素的函数。类似的形状将执行模式。经验模型的目的是有一个可靠的工具来描述自然频率由于环境因素的演变。如果模型足够准确,实验数据与模型之间的差异的结果可以用来评估的结构不是因为环境因素的变化,从而可能导致损坏。事实上,如果学的改变不能所描述的模型,检查建筑的需要。

许多相关研究进行之前开发统计模型来理解哪些变量应该被用作输入到模型:例如,阳光照射,温度,水平的含水层,风速和方向。

首先分析表明,许多环境因素影响建筑的行为。特别是,如前所述,第一固有频率可以接受变化由于阳光照射,温度,调整的基础,风速和风向,等等。问题是相当复杂,很难理解哪些参数应该被包括在实证模型有几个原因:首先,只提供一般信息;例如,作者没有任何温度或辐射图只是一个守时的值,而加速度传感器分布在整个建筑。其次,重要的是要理解哪些变量是为了不包括在模型相关,避免冗余的信息。最后,必须强调,可用的数据并不来自相关计划测试但实际环境条件在观察期内。所有这些方面的问题困难的方法;出于这个原因,作者决定尝试减少其复杂性通过考虑几个综合变量能够考虑到大部分的环境参数的影响。为了这个目的,作者选定两个量:加速度均方根和建筑的价值倾向。许多相关研究进行,显示这些合成参数之间的关系和环境因素。 Finally, the authors chose as inputs of the empirical model the following three physical quantities which demonstrated no (or negligible) correlation:(我)RMS信号的加速度计放置在对应的插装的自由度最高的建筑模式的形状与本征频率相关的组件。这允许自动考虑风速和风向。显然,RMS频率范围的计算模式(2)三楼地下建筑物的倾斜(大约在东西方向设在,见图1)(见图(14日))。这也解释了可能的基础上调整(3)倾角30层的建筑(大约在东西方向设在,见图1)(见图14 (b))。这占了日照和温度的影响。

线性回归进行三种学与提到的三个输入。检查后回归的意义(例如,检查的残留物47]),该模型进一步细化。特别的均方根加速度计被其对数所取代。的确,这使得增加显著相关性的统计模型和实验模态参数值确定。不同的指标被用来量化这种相关性(例如,按[47])。最后,使用的模型 在哪里是th本征频率( ),而 , ,和是确定的常数。

然而,相关水平必须进一步增加(估计和置信区间必须47])。要做到这一点,需要更多的数据来找出所有可能的输入参数,必须考虑在模型中以及可能的转换(例如,应用对数)。

然而,当前版本的模型显示适度满意的行为(见图15)。本征频率值显示的突然变化主要是由于加速度均方根值(如前所述,图也证明了这一点16,振动的峰值RMS对应本征频率的突然减少),当倾角的值能够正确描述长期趋势(从每日趋势季节性趋势),如预期。

当更多的数据来自系统将提供,他们将被用来进一步提高本文提供的模型。

6。结论

本文介绍了监控系统安装和数据分析提出策略宫殿伦巴蒂大区,米兰最高的建筑之一。系统的布局,突出显示测量的变量,因此数据用于健康监测策略。

基于自动和连续模态参数的一种方法提取然后被提出。自动模态分析软件的主要功能用于模态识别提供,然后解释如何使用马尔可夫链蒙特卡罗模拟来优化它。

自动识别系统允许生产第一块建筑的模态参数的趋势在八个月的监测。这些模态参数允许作者开发的第一次尝试经验模型来描述建筑物的前三个学之间的关系和数量的输入变量代表的环境条件。统计模型被证明是能够估计确定频率的预测值作为环境条件的函数,因此可以使用(改进后)来检测异常指示结构的变化趋势。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者希望承认伦巴蒂大区政府权威和人民CarboThermo集团(基金经理)的支持。