基于导波多视角特征的钢绞线张力识别

(整期优先)网络出版时间:2022-07-29
/ 2

基于导波多视角特征的钢绞线张力识别

黄琦

(重庆交通大学土木工程学院 重庆 400074)

摘要:以钢绞线不同张力状态下超声导波传播信号的张力特征量提取为研究背景,提出一种基于导波多视角特征和支持向量回归的张力识别方法。通过小波包分解提取不同张力情况下导波信号的时域、频域及时频域特征,构建应力特征向量;然后将特征向量作为支持向量回归的输入对钢绞线张力进行识别。通过仿真数据分析,表明将时域、频域、时频域特征以及支持向量机相结合能够较好地识别出钢绞线的张力水平。

关键词: 钢绞线;超声导波;多视角特征;支持向量回归

引言

在桥梁结构健康检测中,钢绞线是预应力结构及缆索结构在恶劣服役环境下保证结构承载能力的重要部件之一。钢绞线的受力水平直接影响结构的耐久性和安全性。因此,对在役钢绞线进行应力水平检测和监测具有重要意义。目前,超声导波技术作为一种实时无损检测方法在钢绞线的张力水平检测应用中得到了广泛的研究。

Bartoli[1,2]和Vanniamparambil[3]通过实验验证了导波信号的时域均方根值与钢绞线应力水平呈线性关系。Kwun等、吴斌课题组等通过导波信号的频域分析,提出陷波特征频率、导波倍频能量比等特征参量与应力水平之间的线性关系,证明了采用导波频率特征进行应力识别的可行性。钱骥[4]等通过导波信号的时频域分析,提出时频能量熵谱距与应力水平之间呈线性关系。但钢绞线张力识别是一个工程技术难题,现有的研究成果离实际应用仍存在一定距离。

本文以7芯钢绞线为研究对象,对导波在不同张力条件下传播信号的时域、频域及时频域特征进行分析,建立基于导波信号多视角特征支持向量回归模型,并用仿真模拟验证所提方法在钢绞线张力的识别中有效性。

1 张力识别策略

钢绞线中超声导波的传播信号中包含着丰富的应力特征信息,基于导波多视角特征的钢绞线张力检测方法主要包括以下两个步骤。

(1)导波多视角应力特征参数提取

导波信号在时域、频域中,均具有反映张力变化的特征指标。因此,从时域、频域以及时频域三个视角对导波信号进行分析,提取的到的应力特征指标更为完整。在时域波形中,提取导波时域波形的平均值、方差、峭度指标、偏度、形状系数、峪度指标、峰值指标、均方根值等特征参数。在频域内,导波信号呈宽带分布,用导波信号的重心频率、均方频率、均方根频率、频率标准差、频率方差表征导波信号的频域分布特征。随着张力的增加,钢丝间相互作用增强,导波能量在钢丝间的耦合传递加强,其时域分布发生改变。这种由于拉力变化造成的导波时频能量特征差异可以有小波能量描述。因此,本文选取导波小波能量作为其时频域特征参数。

(2)钢绞线张力预测

采用支持向量回归方法,对钢绞线张力值进行预测。支持向量回归模型的建立过程是通过核函数将特征参数向量映射到高维特征空间,并在此高为特征空间求解回归函数,使其满足结构风险最小化。求解的到的即为支持向量回归模型,它能够反映特征参数向量与张力值之间的关系。

2有限元模拟

采用ABAQUS/Explicit建立钢绞线三维有限元模型来模拟导波传播过程。钢绞线长度L=520mm,钢丝直径5.08mm,钢丝几何体采用显式8节点线性六面体实体单元(C3D8R)进行离散。钢绞线有限元模型如图1所示。整个模拟过程分为钢绞线张拉、导波激励、及传播3个阶段。

IMG_256

图1 钢绞线有限元模型

3 有限元结果分析

3.1 特征参数向量

在相同的激励源下,提取不同张力条件下所接收的导波信号的波形图和频谱图。在时域内,导波信号的幅值随钢绞线张力增加而降低;在频域内,导波信号在0.2、0.3MHz附近出现2个峰值点,且能量主要集中在0.2MHz,随着钢绞线张力增大,该频带能量逐渐降低。总体而言,当钢绞线张力逐渐增大时,导波在时域、频域内均发生了明显变化,且变化具有规律性。但单一特征参数无法准确描述这一规律,获得准确的应力状态。

为精准挖掘导波信号中包含的应力特征信息,提取多视角导波应力特征参数。对导波信号进行分析提取8个时域特征、5个频域特征以及小波能量,构建一个14维特征参数向量。

3.2 钢绞线张力预测结果分析

将有限元模拟得到的90组导波传播信号均按上文所述的信号特征提取方法进行处理,得到相应的90组特征参数向量。随机选取63组参数向量作为训练样本集,剩于27组作为测试样本集。以训练样本集确定最优参数,建立支持向量回归模型,模型预测结果的准确性采用均方差值和确定系数进行评价。预测结果如图2所示。

 图2测试样本集应力识别结果

从图中可以看出,测试样本集的预测结果均方差值为1.739E-3,确定系数为0.9739,预测结果具有较高的准确性,离散性较小,绝大部分样本预测结果均在±5%Rm预测误差范围内。多视角特征参数向量具有能够反映钢绞线张力值变化的特征信息,以多视角特征参数向量为支持向量回归模型的输入,能够实现钢绞线张力值的无参考值识别。同时,该方法在进一步丰富实验数据,增加样本集数量时能有效减小误差,提高检测结果的可靠性。

4结论

提出一种基于多视角特征和支持向量回归的钢绞线张力检测方法。支持向量回归方法能够准确预测钢绞线张力值。以样本集数据建立的支持向量回归模型在预测样本集张力值时,确定系数达到0.9881,预测测试集张力值时,确定系数仍达到0.9739,具有较高的可靠性和普适性,提高了钢绞线张力识别的准确率。

参考文献

[1]Bartoli I, Philips R, Lanza di Scalea F, et al. Load monitoring in multiwire strands by interwire ultrasonic measurements[C]. Sensors and smart structures technologies for civil, mechanical,aerospace systems,2008.

[2]Salamone S , Bartoli I , Phillips R , et al. Health Monitoring of Prestressing Tendons in Posttensioned Concrete Bridges[J]. Transportation Research Record: Journal of the Transportation Research Board, 2011, 2220(2220):21-27.

[3]杨金川.基于支持向量回归的钢绞线应力识别方法研究[D].重庆交通大学,2019.

作者简介:黄琦(1998-),女,土家族,湖北恩施人,重庆交通大学硕士研究生,研究方向 :桥梁结构健康检测