数据检查和数据驱动随机子空间识别的去噪方法

文摘

数据驱动随机子空间识别(DATA-SSI)经常被应用于桥梁模态参数识别由于其高稳定性和准确性。然而,异常数据和噪声组件的存在可能使DATA-SSI不可靠的识别结果。为了实现一个可靠的桥梁的模态参数识别结果,数据检查和基于探索性数据分析(EDA)的去噪方法和形态学滤波器DATA-SSI (MF)的建议。首先,采用EDA检查数据质量为消除故障传感器的测量数据。然后,MF连同一个自动化的结构元素(SE)大小测定技术采用抑制噪声组件。最后,DATA-SSI和稳定图应用于桥梁模态参数识别和展览。桥和一个真正的模型被用来验证该方法的有效性。原始数据的识别结果的比较和改进的数据。结果表明,识别结果与改进的数据更准确、稳定、可靠。

1。介绍

桥是一个关键的整个交通网络的结构,并对工程师来说是至关重要的注意其操作状态(1]。模态参数识别是桥梁运营状态的和关键的第一步分析(2,3]。数据驱动随机子空间识别(DATA-SSI)是其中一个最喜欢的模态参数识别技术(4]。DATA-SSI具有稳定性和精度高,因为它的能力考虑多个输出(5]。

张DATA-SSI被提取模态参数的一个拱桥模型,结果表明,DATA-SSI具有精度高(6]。DATA-SSI是通过扩展Altunisik梁桥申请提取模态参数,结果表明,该方法有很好的能力确定固有频率和振型(7]。DATA-SSI通过Boonyapinyo识别桥梁梁模型的频率和阻尼比的激发下,风,和DATA-SSI被证明是更可靠的比covariance-driven随机子空间识别(CO-SSI) [8]。自动DATA-SSI是由Ubertini过滤错误的模式和应用方法在两个真正的桥梁,这是证明DATA-SSI比频域分解方法(9]。DATA-SSI通过Brincker大贝尔特海峡大桥为模态参数识别,结果表明,DATA-SSI适合识别密集模式(10]。

然而,有许多在数据采集和传输干扰,如故障传感器、传输系统的缺陷,和失败的屏蔽措施和噪声组件,这将导致不可靠的桥梁监测数据(11]。有时,测量的数据是完全扭曲或有价值的结构响应完全淹没在噪音,甚至DATA-SSI无法得到一个可接受的识别结果(12]。此外,收集的数据的大量持续的健康监测系统,检查和去噪的大型数据集需要大量的时间和精力。为了得到一个可靠的桥梁模态参数识别结果,有效的数据检查和去噪技术是必要的。DATA-SSI是一种时域方法;因此,数据检查和去噪技术也更喜欢在时间域。

对于桥梁监测数据检查,探索性数据分析(EDA)是一个潜在的解决方案。EDA是一种时域数据可视化工具展示数据统计特性;它是自适应的,有效的和不需要先验信息(13]。大量的理论研究和应用EDA是(14,15]。EDA基于箱线图和robust-class选择应用地球化学研究的映射Bounessah,箱线图和被证明是非常有用的在捕捉分布偏态,异常值的数据(16]。一种新的EDA技术提出了基于交互式进化计算Malinchik和拿和快速实现降维的数据提出技术(15]。大量的基本示例应用介绍了EDA的桅杆和去演示EDA的一般过程17]。EDA是Vezzoli用来评估大量的传感器和捕获的性能数据变化的原因,和EDA被证明是适合处理大量的数据(18]。三个相关分析EDA技术采用肖等人检查泵的数据和评估其工作状态,和EDA的结论是是一个基本的但是有用的数据分析工具19]。EDA上面提到的应用程序主要集中在工业和机械领域,但其应用在桥梁监测相对较少。

EDA是一种先进的数据检查工具,但它使得数据本身没有变化。为了提高数据质量,仍然需要一个强大的数据去噪技术。常用的数据去噪方法是线性数字滤波器法律辩护基金()和decomposition-reconstruction方法(DRM),但有很多限制在法律辩护基金申请和DRM。法律辩护基金处理的数据总是突然截断频率域以及相位延迟问题;换句话说,数据是扭曲的。DRM,很难确定一个通用标准,选择有价值的结构响应的组件,和它的计算效率低是另一个严重的缺点。最近,形态学滤波器(MF),这是一种时域滤波器,被广泛的应用,因为它效率高,考虑非线性的能力(20.,21]。用MF邹和刘低失真图像的目标识别系统,并证明了曼氏金融法律辩护基金优于传统的(22]。低x射线成像系统的噪声来源调查,采用MF通过丹et al .,消除噪声组件和一个干净的形象与有用的实现细节(23]。曼氏金融提出了结合模糊主成分分析工作的Baghshah Kasaei,被证明是一个有效的去噪方法工具(24]。元,李采用MF检测和消除数据中的噪声组件,和结果表明,MF是有效的在不同的噪声水平25]。复合MF结合遗传编程训练算法是由杨和李,该方法采用模拟和真实的核磁共振数据,消除噪声成分,结果表明,该方法对噪声敏感特别是噪声水平高(26]。根据上述研究,MF过滤噪声组件是一种有效的工具在数据和桥梁监测数据去噪是一种很有前途的解决方案。然而,仍然有问题需要解决为了让MF的自适应方法,比如自动大小确定结构元素(SE)。

本文基于EDA的数据检查和去噪方法,提出了DATA-SSI MF。首先,采用EDA检查数据质量为了找出异常数据集和定位故障的传感器。然后,曼氏金融以及一个适应性SE大小确定方法应用于抑制噪声组件。最后,采用DATA-SSI识别模态参数的桥梁。为了验证该方法的有效性,识别结果的原始数据和改进的数据进行了比较。本文的总体研究框架如图1。

2。主要理论

2.1。EDA

很难检查获得的大量数据的质量连续桥梁健康监测系统,但EDA和高效的数据挖掘能力可能是一个解决这个问题(27]。传统统计分析的假设以及先验知识在EDA废弃,而只专注于数据本身的价值。可视化工具是用来展示数据的特点和评估数据质量直观。因此,EDA将帮助工程师探讨桥梁监测数据的细节与更高的精度和更少的计算时间。许多EDA技术,如箱线图,QQ情节,控制图,安德鲁的曲线和直方图28]。由于有限的空间里,只有引进箱线图和演示了EDA的有效性。箱线图是一个基本的但有效的工具来可视化数据的分布和统计特性,并提供多元与一元信息显示(29日]。箱线图,数据信息,如位置,蔓延,偏态,和潜在的离群值显然透露。更重要的是,可以比较不同的数据集的特点将箱线图。

五个重要的统计数据集需要构造一个箱线图。他们值(米),上四分位数(UQ)、下四分位数(LQ)上限(UL)和下限(LL)。箱线图,数据降序排序;因此,示例四分位数米UQ, LQ可以很容易找到和分别。UL和我可以被定义为以下方程: 四分位范围在哪里被定义为

比的数据点或小于被作为潜在的离群值。最常见的箱线图如图2。

和偏态分布的数据集可以被观察的相对位置估计LQ, UQ,米和潜在的离群值数据直接计算出箱线图。潜在的离群值的计算过程中不考虑五个统计;因此,箱线图有很好的抵抗异常数据点的影响。

2.2。曼氏金融

MF非线性时域滤波器是一种基于数学形态学的理论(20.]。在数学形态学理论、扩张和侵蚀与本身相关联的两个基本操作;和只有两个参数本身的形状和大小应分配在操作。

膨胀操作数据α由SEβ和侵蚀操作数据α由SEβ表示为α⊕β和α⊖β分别,见以下方程: 在哪里 , , 是点的总数 ,和是点的总数 。

打开和关闭两个高级操作源于膨胀和腐蚀和用符号和象征 ,分别。打开操作被定义为方程(4),而合闸操作被定义为方程(5):

然而,开放手术只能处理数据点小于当地平均值而合闸操作正好相反;因此,打开和关闭操作应该结合方程(6):

利用方程(6)、脉冲和白噪声组件可以从原始数据过滤掉。操作的流程图介绍了MF的人物3。

在应用过程中,SE的类型和大小的两个参数是应该提前分配。常用类型的SE是三角形和圆形,三角形SE是更敏感的白噪声(4]。对于桥梁监测数据,噪声是白噪声的主要成分;因此,本文选择三角形SE。本身是一个更重要的参数的大小。噪声组件时不会被完全移除SE的大小太小;否则,有价值的结构响应组件将受损当SE的尺寸太大了。然而,没有可靠的SE的适当大小的计算公式。

在本文中,一个简单而实用的SE大小确定方法提出了基于频谱分析。首先,采用光谱分析原始数据,选择频率最高的振幅。然后,曼氏金融应用在原始数据本身的大小增加 ,采用和频谱分析在这个过程中跟踪选定频率的振幅变化。过滤过程不应损害价值的组件的数据;因此,SE大小的增加应该终止之前选中的振幅频率降低。然而,白噪声包含所有的频段,采用MF将不可避免地影响到所有的光谱频域。在这项研究中,振幅降低的限制所选频率设置为10%。换句话说,SE的大小确定时,减速比的选择频率的幅度达到10%。提出了SE大小确定方法的关键步骤是描绘在图4。

2.3。DATA-SSI

一个振荡系统不确定性的输入可以被DATA-SSI使用状态空间(30.] 在哪里和分别是状态向量和输出系统的瞬间 , 和系统矩阵,和是白噪声干扰。

在这篇文章中,我们遵循的方法通过汗et al . 2015计算系统矩阵和(31日]。DATA-SSI的汉克尔矩阵可以由计算机输出数据的投影矩阵,它可以表示为如下方程:

块的数量汉克尔矩阵的行和列的两个重要参数将直接影响DATA-SSI的识别结果。此外,块列的个数必须大于块的行。

然后,中移动在汉克尔矩阵,采用分解和两个投影矩阵和可以通过以下方程:

投影矩阵进行奇异值分解可观测性矩阵和卡尔曼滤波状态空间序列 :

的相似变换可以设置等于单位矩阵和分解可以应用于 ,从而获得以下方程:

因此,系统矩阵和可以通过使用卡尔曼过滤状态矩阵最后一行输出的数据块矩阵 ,见以下方程:

特征向量和特征值可以通过以下方程:

特征值可以从离散时间域转换为连续时间域以下方程:

最后,频率 ,的阻尼比 ,形状和模式可以由以下方程:

对于桥梁结构,通常没有之前的信息系统,以便可以提前知道,和一个系统顺序不当DATA-SSI的算法会导致错误的模式识别结果。为了消除待定系统秩序的影响,稳定图(32]本文DATA-SSI。通过增加系统逐渐秩序,模态参数与实际物理意义会不断出现在稳定图;和稳定的波兰人代表真正的模态参数。

3所示。应用程序

为了验证数据检查和去噪方法DATA-SSI,大型斜拉桥模型桥和一个真正的大跨度斜拉桥作为实例。模态参数识别的过程显示在图1被采用。

3.1。模型桥

大型斜拉桥模型桥是作为第一个实例来验证该方法。整个跨度布置模型的桥是6.5 + 19 + 6.5 = 32 m。塔的高度是4.55米而桥墩的高度是1.9米。砝码安装为了使模型桥的动态角色配合,真正的桥。十七岁水平加速度传感器安装在主梁获得横向动态响应模型的桥。的布局模型桥和加速度传感器的布置如图所示5,所构造的模型桥如图6。

模型的加速度响应收集白噪声激励下的桥梁。峰值地面加速度(PGA)的白噪声为0.1 g,以及测试系统的采样频率为256赫兹。采用箱线图检查原始测量数据的质量。的检验结果如图17传感器7。

如图7,箱线图可以直观地呈现出分布和测量数据的离群值。每个传感器的区段的UL和LL沿主梁与一阶模式的振幅对应形状的梁。但UL的分布,将传感器5 #不符合模式的包络线形状。可以推测的是测量的数据从传感器5 #是不可靠的;因此,它被忽视在接下来的过程。

然后,采用MF抑制噪声组件的原始数据,以提高数据质量。由于空间的限制,只能从传感器数据测量1 #被为例演示了去噪的过程。通过使用SE大小确定方法提出本文SE大小被确定为5。原始数据,提高数据,剩余及其傅里叶光谱传感器提出了# 1在图8。

我们可以看到在图8后,测量数据的振幅却降低了曼氏金融的过程中,但没有重大变化之间的傅里叶光谱原始数据和处理数据除了少量的能量损失在后者。剩余的波形与白噪声类似,和它的傅里叶频谱的频域分布较广。

采用箱线图再次检查加工的质量数据,如图9。可以看出,每个传感器的分布和数量的异常值降低,和它可以得出结论,提高测量数据的质量采用MF。

DATA-SSI应用于识别模态参数模型的桥。稳定图是用于消除错误的模式和现在稳定的识别结果。在稳定图,蓝色,绿色,和红点表示频率的稳定性,阻尼比,分别和模式的形状。比较稳定图的原始数据和执行改进的数据,如图10。确定频率的原始数据的比较结果和改进的数据计算的频率是在桌子上展出1。

我们可以看到在图10和表1,前两个波兰人在图的频率值10 ()在图)几乎是相同的10 (b)),他们都与计算值一致。然而,前两个波兰人在图10 (b))拥有更多的红点,这意味着识别结果更加可靠。存在两个极点位于7.35赫兹,在图8.64赫兹10 ()),两极主要包括蓝色的点。虽然只有一个极大量的红点位于图8.04赫兹10 (b)),所确定的价值是计算值非常接近。三阶模态参数与原始数据不确定,但最后两极的平均频率值在图10 ()8.00赫兹,计算值也非常接近。因此,可以推测的是三阶频率图分为两个部分10 ());他们都集中在数据去噪。可以得出一个结论,显著提高数据的质量采用EDA和MF。

3.2。苏通大桥正式通车

苏通大桥,大跨度斜拉桥位于长江,是作为另一个实例来验证该方法,如图11。苏通大桥的整体跨越安排2×100 + 2×150 + 1088 + 2×150 m + 2×100 m。部分先两侧和主要跨选择与垂直安装加速度传感器。桥的布局和安排14垂直加速度传感器如图12。

加速度响应的苏通大桥的主梁是环境激励下的采样频率20 Hz。14箱线图的垂直加速度传感器在图列出13。它可以推导出的箱线图传感器1 #、2 #、9 #、12 #与他人相比是不正常的。因此,从这些传感器测量的数据应该被忽视在接下来的过程。

20赫兹的采样频率太低采用MF;因此,原始测量数据重新取样从20赫兹到256赫兹。然后,采用MF抑制噪声组件内的原始数据。测量的数据从传感器3 #被为例演示了去噪的过程。SE的大小根据该方法被确定为11。MF的过程后,数据被摧毁回到20 Hz。原始数据,提高数据和残余及其傅里叶光谱传感器3 #呈现在图14。图的相同的结论8也可以从图14。

采用箱线图再次检查的质量改进的数据,如图15。苏通大桥正式通车,异常值的数量是不采用MF后显著降低。这一现象的主要原因是脉冲响应的桥梁由于环境因素的影响。脉冲响应的振幅变化逐渐从高到低,和MF不能过滤掉这样的组件;结果,数据点与大型振幅仍作为离群值的箱线图。

DATA-SSI结合稳定图应用于识别的模态参数苏通大桥正式通车。原始数据的模态参数识别结果和改进的数据显示在图16。

根据有限元计算结果,前六苏通大桥正式通车的频率主要是分布在0到0.5赫兹的范围。然而,只有两个稳定的波兰人在0到0.5赫兹的范围在图(16日)),这个数字的识别模态参数足够远非桥梁运营状态分析。模态参数识别结果如图16 (b)与改进的数据)都显著提高。更多波兰人低频率的模态参数识别而第三杆位于约0.3赫兹更稳定。确定频率的原始数据的比较结果和改进的数据计算的频率是在桌子上展出2。

我们可以看到在桌子上2,只有前三阶模态参数识别与原数据,而前六阶模态参数识别的改进的数据和所确定的值通常结合计算的。显然,提高数据的模态参数识别结果比原来的更精确的数据。造成上述差异的主要原因是,大多数结构反应的原始数据被噪声淹没的组件,它们揭示了采用MF。可以画,数据检查和DATA-SSI提出本文去噪方法是有效和实用的。

4所示。结论

数据检查和DATA-SSI是本文提出的去噪方法。采用时域数据检查工具称为EDA检查数据质量。它可以有效地可视化数据质量和定位故障的传感器。时域滤波器名叫曼氏金融以及自动采用SE大小确定方法抑制噪声组件。采用MF技术,原始测量数据中的噪声成分可以有效地抑制和有价值的结构响应仍然没有失真。然后,改进数据处理DATA-SSI来识别模态参数。大型斜拉桥模型桥和一个真正的大跨度斜拉桥作为实例来验证该方法。结果表明,该方法显著提高数据的质量,和DATA-SSI的模态参数识别结果改进的数据更准确、可靠。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家基础研究项目(没有。2013 cb036302)。

引用

1. e . Ntotsios c . Papadimitriou p . Panetsos g . Karaiskos k . Perros和p . c . Perdikaris“桥健康监测系统基于振动测量,”地震工程简报》,7卷,不。2、469 - 483年,2008页。视图:出版商的网站|谷歌学术搜索
2. g·赫恩和r . b .甲壳,“模态分析在结构损伤诊断,”结构工程杂志,卷117,不。10日,3042 - 3063年,1991页。视图:出版商的网站|谷歌学术搜索
3. m . Dilena和a . Morassi”使用并联谐振梁的裂纹检测,”杂志的声音和振动,卷276,不。1 - 2、195 - 214年,2004页。视图:出版商的网站|谷歌学术搜索
4. x周、d .山和李问:“弯斜拉桥模型的模态参数识别桥梁基于EDA和DATA-SSI”美国第39 IABSE会议:工程未来加拿大温哥华,页253 - 260,2017年9月。视图:谷歌学术搜索
5. b . Moaveni和大肠Asgarieh Deterministic-stochastic子空间识别方法识别非线性结构的时变线性系统,”机械系统和信号处理没有,卷。31日。8日,40-55,2012页。视图:出版商的网站|谷歌学术搜索
6. b . g . Zhang唐,唐,“一种改进的随机子空间识别运行模态分析,“测量,45卷,不。5,1246 - 1256年,2012页。视图:出版商的网站|谷歌学术搜索
7. a·c·Altunişik a Bayraktar, b . Sevim”操作使用EFDD爬桥模型的模态分析和SSI方法,”印度工程和材料科学杂志》上,19卷,不。5,320 - 330年,2012页。视图:谷歌学术搜索
8. 诉Boonyapinyo和t . Janesupasaeree数据驱动随机子空间识别桥梁的颤振导数甲板,”风工程和工业空气动力学,卷98,不。12日,第799 - 784页,2010年。视图:出版商的网站|谷歌学术搜索
9. f . Ubertini c外邦人,a·l·马特拉齐”在操作条件下自动模态识别及其应用的桥梁,”工程结构,46卷,不。1,第278 - 264页,2013。视图:出版商的网站|谷歌学术搜索
10. r . Brincker j·b·Frandsen p·安德森,“大贝尔特海峡大桥,环境响应分析”SPIE-The国际光学工程学会学报》上26 - 32页。卷。4062年,圣安东尼奥,TX,美国,2000年2月。视图:谷歌学术搜索
11. s·l·德斯贾丁斯:a . Londono d·t·刘,h·邱“实时数据处理、分析和可视化的结构监测联邦大桥,“结构工程的发展,9卷,不。1,第157 - 141页,2016。视图:出版商的网站|谷歌学术搜索
12. 汗,d,李问:j .他和f·l·南”数据解释和连续斜拉桥的模态参数识别,”开放土木工程杂志,9卷,不。1,第591 - 577页,2015。视图:出版商的网站|谷歌学术搜索
13. j·w·图基探索性数据分析美国,addison - wesley出版公司,波士顿,MA, 1977。
14. e·r·塔夫特和p . r . Graves-Morris定量信息的视觉显示、图形出版社,柴郡,CT,美国,2001年。
15. 美国Malinchik和大肠拿“探索性数据分析和交互式进化,”学报的基因与进化计算会议美国,施普林格,西雅图,佤邦,2004年6月。视图:谷歌学术搜索
16. m . Bounessah和b·p·特金”应用程序的探索性数据分析(EDA)作为地球化学的健壮的非参数技术映射在半干旱的气候,”应用地球化学,18卷,不。8,1185 - 1195年,2003页。视图:出版商的网站|谷歌学术搜索
17. j·d·桅杆和旅行,“探索性数据分析软件质量的项目,”《质量技术,39卷,不。4、301 - 311年,2007页。视图:出版商的网站|谷歌学术搜索
18. m . Vezzoli a . Ponzoni m . Pardo m . Falasconi g . Faglia和g . Sberveglieri“探索性数据分析对于工业安全的应用程序,传感器和执行器B:化学,卷131,不。1,第109 - 100页,2008。视图:出版商的网站|谷歌学术搜索
19. c·肖,j .你们,r·m·斯特维斯和c .荣”使用斯皮尔曼相关系数的探索性数据分析大数据集,“并发性和计算:实践和经验,28卷,不。14日,第3878 - 3866页,2015年。视图:出版商的网站|谷歌学术搜索
20. h·j·a . m .他“形态过滤器,”数字图像处理施普林格,页173 - 197年,伦敦,英国,2008年。视图:谷歌学术搜索
21. x周、d .山和李问:“形态filter-assisted集成经验模态分解,”数学问题在工程卷,2018篇文章ID 5976589, 12页,2018。视图:出版商的网站|谷歌学术搜索
22. l . j .邹和j·h·刘”,应用形态学滤波器在玫瑰扫描sub-imaging系统中,“红外与激光工程,10卷,不。4、418 - 422年,2001页。视图:谷歌学术搜索
23. t·丹·j·谭,问:Duanmu”应用程序基于差图像的多尺度形态学滤波器在low-intense x射线图像系统,”国际光学和光子学学会学报》上2005年,北京,中国。视图:谷歌学术搜索
24. m . s . Baghshah和美国Kasaei FPCA-based颜色形态滤波器的噪声去除。”Scientia Iranica,16卷,不。1,仅8,2008页。视图:谷歌学术搜索
25. c .元,y,“切换值和形态学滤波去除脉冲噪声的数字图像,”Optik,卷126,不。18日,第1601 - 1598页,2015年。视图:出版商的网站|谷歌学术搜索
26. 杨和j·李,“复合自适应形态学滤波器的设计和应用程序Rician降噪图像先生,”国际期刊的成像系统和技术,25卷,不。1、15 - 23,2015页。视图:出版商的网站|谷歌学术搜索
27. d·休斯顿结构传感、健康监控和绩效评估美国佛罗里达州波卡拉顿,CRC新闻,2010年。
28. w·l·马丁内斯,a·马丁内斯和j·卡,钱特探索性数据分析和Matlab美国佛罗里达州波卡拉顿,CRC新闻,2010年。
29. c . c . Aggarwal和j·汉频繁模式挖掘施普林格国际出版,纽约,纽约,美国,2014年。
30. p . v . Overschee和b·d·摩尔人子空间辨识线性系统:Theory-Implementation-Applications施普林格科学与商业媒体,波士顿,MA,美国,2012。
31. 我汗,d .山,李问:“斜拉桥的模态参数识别基于探索性数据分析,“土木工程档案,卷61,不。2,3-22,2015页。视图:出版商的网站|谷歌学术搜索
32. j .常问:张先生,l .太阳”应用模态参数识别的稳定图使用随机子空间方法,”工程力学,24卷,不。2,39-44,2007页。视图:谷歌学术搜索

版权

版权©2018小杭周et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。