一种钢结构件安全损伤状态的预测方法及系统

技术领域

本发明涉及钢结构件检测技术领域，更具体的，涉及一种钢结构件安全损伤状态的预测方法及系统。

背景技术

随着我国城市规模的不断发展，道路钢结构灯杆变得随处可见，道路灯杆所承载的功能性特征也逐渐增多，对现代城市的交通安全、人民生活、社会治安以及市容市貌都有着举足轻重的影响。近年来北京市道路灯杆已出现多起道路灯杆倾倒事件，如何有效保证北京市道路灯杆及附属设施的安全使用，降低道路灯杆倾倒事故发生的概率，已然成为亟需解决的工程问题。

道路钢结构灯杆具有体小、量大、分布范围广的特点，而传统的检测技术手段的效率较低，需要占用和协调大量人力和物力资源，不利于实现对灯杆的快速检测与评定；目前，针对城市道路钢结构灯杆的检测工作，主要是以通过现场采集钢结构灯杆的形态尺寸特征、材料结构强度和外观损伤情况等指标参数，并配合上钢结构灯杆有限元建模计算，以此判断钢结构灯杆是否满足使用要求。这种检测及评估方法的开展，一般需要多单位协调，其中涉及检测单位、路灯管理单位、道路管理单位以及交通管理单位等等，相关手续的办理也较为繁琐，同时，现场检测时检测人员还要登高作业，需要升降车配合，不可避免地会阻碍交通，影响人们的正常通行，而且检测效率低下，平均一天只能检测4-8根左右，无法满足大规模的钢结构灯杆快速检测要求。

发明内容

为了解决上述问题中的至少一个，本发明第一方面提供一种钢结构件安全损伤状态的预测方法，所述钢结构件安全损伤状态的预测方法包括：

获取钢结构件振动模态特征数据；

基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；

其中，所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

在优选的实施方式中，获取所述钢结构件振动模态特征数据，包括：

接收钢结构件的振动数据；

对所述振动数据进行信号处理，得到钢结构件振动模态特征数据。

在优选的实施方式中，对所述振动数据进行信号处理，包括：

根据傅里叶变换、短时傅里叶变换以及小波分析方法中的至少一种对所述振动数据进行信号处理。

在优选的实施方式中，所述信号处理包括：滤波(降噪)、波形分离、频谱分析以及模态分析。

本发明第二方面提供一种钢结构件安全损伤状态的预测系统，所述钢结构件安全损伤状态的预测系统包括：信号激励装置、信号采集装置以及信号处理装置，

所述信号激励装置用于激发钢结构件产生振动；

所述信号采集装置用于接收钢结构件的振动信号；

所述信号处理装置基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，

所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

在优选的实施方式中，所述信号激励装置包括：力锤以及与力锤结合固定的触发器，所述触发器与所述信号处理装置耦接。

在优选的实施方式中，所述信号采集装置包括：检波器，所述检波器与所述信号处理装置耦接。

在优选的实施方式中，所述信号采集装置还包括：与所述检波器结合固定的磁力吸头，所述磁力吸头用于将所述检波器固定在钢结构件上。

本发明第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述钢结构件安全损伤状态的预测方法的步骤。

本发明第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一项所述钢结构件安全损伤状态的预测方法的步骤。

本发明提供一种钢结构件安全损伤状态的预测方法及系统，所述钢结构件安全损伤状态的预测方法包括：获取钢结构件振动模态特征数据；基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到；本发明提供的安全损伤状态分类分级模型以人工智能技术为基础，将大量不同钢结构灯杆在不同损伤或锈蚀状态下的自身振动模态特征导入系统，通过人工智能化的学习训练，建立形成对灯杆的安全损伤状态智能化的分类分级评价模式，当再有新的数据导入时，可快速对灯杆安全损伤状态进行评估判断；本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

附图说明

为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种钢结构件安全损伤状态的预测方法流程示意图；

图2为本发明实施例中一种钢结构件安全损伤状态的预测系统结构示意图；

图3为适于用来实现本发明实施方式的计算机电子设备的结构示意图。

附图说明：1、橡胶锤；2、触发器；3、磁力吸头；4、检波器；5、主机。

具体实施方式

下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

目前，针对城市道路钢结构灯杆的检测工作，主要是以通过现场采集钢结构灯杆的形态尺寸特征、材料结构强度和外观损伤情况等指标参数，并配合上钢结构灯杆有限元建模计算，以此判断钢结构灯杆是否满足使用要求。这种检测及评估方法的开展，一般需要多单位协调，其中涉及检测单位、路灯管理单位、道路管理单位以及交通管理单位等等，相关手续的办理也较为繁琐。同时，现场检测时检测人员还要登高作业，需要升降车配合，不可避免地会阻碍交通，影响人们的正常通行，而且检测效率低下，平均一天只能检测4-8根左右，无法满足大规模的钢结构灯杆快速检测要求；本发明以获取钢结构灯杆的振动模态特征为切入点，通过获取钢结构灯杆的不同损伤程度相对应的振动模态特征，来分析判断和评估钢结构灯杆的安全和使用性能。

基于此，请参阅图1，本发明第一方面提供一种钢结构件安全损伤状态的预测方法，所述钢结构件安全损伤状态的预测方法包括以下步骤：

S1：获取钢结构件振动模态特征数据；

具体的，振动模态特征包括：固有频率、振型、阻尼、模态质量和模态刚度等，获取钢结构件振动模态特征数据包括直接获取和间接获取两种情况，举例而言，在具体的应用场景中，上位机通过有线或无线传输方式直接获取服务器中的钢结构件振动模态特征数据，这种方式是直接获取情况，当上位机通过有线或无线传输方式获取的是钢结构件振动的原始数据，然后原始数据通过上位机内部的软件处理得到钢结构件振动模态特征数据，这种方式是间接获取情况，需要说明的是，是直接获取还是间接获取钢结构件振动模态特征数据，本发明不做限定，本领域技术人员可以根据实际情况进行选取。

S2：基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

本发明提供的安全损伤状态分类分级模型以人工智能技术为基础，将大量不同钢结构灯杆在不同损伤或锈蚀状态下的自身振动模态特征导入系统，通过人工智能化的学习训练，建立形成对灯杆的安全损伤状态智能化的分类分级评价模式，当再有新的数据导入时，可快速对灯杆安全损伤状态进行评估判断；本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

在一些实施例中，获取所述钢结构件振动模态特征数据，包括：

接收钢结构件的振动数据；

对所述振动数据进行信号处理，得到钢结构件振动模态特征数据。

具体的，通过激励装置对钢结构杆敲击，使钢结构杆产生振动，然后通过信号采集装置接收钢结构杆的振动信号，再通过信号处理软件对采集得到的振动数据信号进行处理，得到钢结构件振动模态特征数据参数。

在一些实施例中，对所述振动数据进行信号处理，包括：根据傅里叶变换、短时傅里叶变换以及小波分析方法中的至少一种对所述振动数据进行信号处理。

举例而言，在信号处理中，信号中含有噪声是一种相当普遍的情况，而噪声的存在增加了辨别信号不连续点的复杂性；傅里叶变换是通过将原信号与正交的三角函数基在无穷上进行积分，得到的积分值越大说明包含该频率的三角信号越多；小波变换的原理与之类似，只是将无限长的三角函数基换成了有限长的会衰减的小波基(小波-Wavelet，顾名思义，“小波”就是小的波形。所谓“小”是指它具有衰减性；而称之为“波”则是指它的波动性，其振幅正负相间的震荡形式)，小波变换有两个变量，尺度scale和平移量translation，尺度控制小波函数的伸缩，对应于频率；平移量控制小波函数的平移，对应于时间。这样不仅可以知道频率信息，还可以知道在时域上的具体位置，由此可见，傅里叶变换只能得到一个频谱，而小波变换可以得到一个时频谱。

在具体应用场景中，小波变换与傅立叶变换在γ能谱降噪处理的结果参见下表1

从表1数据可知，在使用小波变换进行噪声抑制的时候，不仅降噪结果的能量比例(0.9977)比傅立叶变换滤波器的结果(0.9770)高，而且确保了更高的与原始能谱的相似程度；从降噪能谱与原始能谱的标准差可以看出：小波变换中，基于Minimax阀值的滤波结果与原始能谱的标准差为43.261，比傅立叶变换的结果298.8176小得多，这说明，基于小波变换的降噪方法与传统的傅里叶变换方法相比具有较高的精度。

需要说明的是，对所述振动数据进行信号处理，本领域技术人员可以根据实际情况选取傅里叶变换、短时傅里叶变换以及小波分析等方法中的一种或者多种方法相结合，本发明对此不做限定。

在一些实施例中，信号处理包括：滤波(降噪)、波形分离、频谱分析以及模态分析。

下面结合具体实施例，对本发明的钢结构件安全损伤状态的预测方法进行说明。

对钢结构灯杆的安全性检测评估方法，首先通过采集设备采集钢结构灯杆的振动信号，采集设备由人工激振器(激发灯杆产生振动)、磁力检波器(可吸附于灯杆上)和可视化主机(用于记录、保存、查看、处理和向接受终端发送振动数据信号，并具有北斗定位功能，便于数据的分类整理)组成，它们之间通过信号传输线连接；安装在主机内的采集处理软件，可对相关采集参数进行设置，并具有记录、保存、查看以及分析处理振动信号的功能，能够完整记录钢结构灯杆的原始振动数据信息(如：振动的波形、频率、持时、幅值等参数)，同时，基于多种信号处理手段，如滤波(降噪)、波形分离变换、模态参数识别等，以此获取相对准确的钢结构灯杆振动模态参数数据，为后续判断钢结构灯杆的安全使用性能提供基础数据；然后采用以人工智能技术为基础神经网络模型(安全损伤状态分类分级模型)，将大量不同钢结构灯杆在不同损伤或锈蚀状态下的自身振动模态特征导入系统，通过人工智能化的学习训练，建立形成对灯杆的安全损伤状态智能化的分类分级评价模式，当再有新的数据导入时，该系统即可快速对灯杆安全损伤状态进行评估判断。

本发明钢结构件安全损伤状态的预测方法，以检测钢结构灯杆的振动模态特征为切入点，通过检测钢结构灯杆的不同损伤程度相对应的振动模态特征，来分析判断和评估钢结构灯杆的安全和使用性能；该方法优点在于：仅需要1-2名检测人员进行现场检测，一般不需要登高作业，也不会影响道路的正常通行，且检测效率高，可实现对大规模钢结构灯杆的快速检测；同时，本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

本发明第二方面提供一种钢结构件安全损伤状态的预测系统，所述钢结构件安全损伤状态的预测系统包括：信号激励装置、信号采集装置以及信号处理装置，

所述信号激励装置用于激发钢结构件产生振动；

所述信号采集装置用于接收钢结构件的振动信号；

所述信号处理装置基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，

所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

本发明提供的钢结构件安全损伤状态的预测系统以人工智能技术为基础，将大量不同钢结构灯杆在不同损伤或锈蚀状态下的自身振动模态特征导入系统，通过人工智能化的学习训练，建立形成对灯杆的安全损伤状态智能化的分类分级评价模式，当再有新的数据导入时，可快速对灯杆安全损伤状态进行评估判断。

进一步地，所述信号激励装置包括：力锤以及与力锤结合固定的触发器2，所述触发器2与所述信号处理装置耦接。

进一步地，所述信号采集装置包括：检波器4，所述检波器4与所述信号处理装置耦接。

进一步地，所述信号采集装置还包括：与所述检波器4结合固定的磁力吸头3，所述磁力吸头3用于将所述检波器4固定在钢结构件上。

请参阅图2，下面结合具体实施例，对本发明钢结构件安全损伤状态的预测系统进行说明。

城市道路钢结构灯杆的安全性检测系统，主要由数据采集处理系统和安全评估分析系统构成，其中，数据采集处理系统包括采集设备和采集处理软件，采集设备由人工激振器、磁力检波器4和可视化主机5组成，它们之间通过信号传输线连接，人工激振器由橡胶锤1和触发器2构成，橡胶锤1用于激发灯杆产生振动；触发器2用于触发采集系统开始进行振动信号的采集工作；磁力检波器4用于接收灯杆的振动信号，磁力检波器4通过磁力吸头3结合固定在钢结构灯杆的相应位置上；可视化主机5，用于记录、保存、查看、处理和向接受终端发送振动数据信号，并具有北斗定位功能，便于数据的分类整理；采集处理软件安装在采集系统的主机5内，可对相关采集参数进行设置，并具有记录、保存、查看以及分析处理振动信号的功能，能够完整记录钢结构灯杆的原始振动数据信息(如：振动的波形、频率、持时、幅值等参数)，同时，基于多种信号处理手段，如滤波(降噪)、波形分离变换、模态参数识别等，以此获取相对准确的钢结构灯杆振动模态参数数据，为后续判断钢结构灯杆的安全使用性能提供基础数据；安全评估分析系统是以人工智能技术为基础，将大量不同钢结构灯杆在不同损伤或锈蚀状态下的自身振动模态特征导入系统，通过人工智能化的学习训练，建立形成对灯杆的安全损伤状态智能化的分类分级评价模式。当再有新的数据导入时，该系统即可快速对灯杆安全损伤状态进行评估判断。

本发明提供的钢结构件安全损伤状态的预测系统，以检测钢结构灯杆的振动模态特征为切入点，通过检测钢结构灯杆的不同损伤程度相对应的振动模态特征，来分析判断和评估钢结构灯杆的安全和使用性能；该系统优点在于：仅需要1-2名检测人员进行现场检测，一般不需要登高作业，也不会影响道路的正常通行，且检测效率高，可实现对大规模钢结构灯杆的快速检测；同时，本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

本发明的实施方式还提供能够实现上述实施方式中的钢结构件安全损伤状态的预测方法中全部步骤的一种电子设备的具体实施方式，参见图3，所述电子设备具体包括如下内容：

处理器(processor)301、存储器(memory)302、通信接口(CommunicationsInterface)303和总线304；其中，所述处理器301、存储器302、通信接口303通过所述总线304完成相互间的通信；所述通信接口303用于钢结构件安全损伤状态的预测装置、客户终端、缺陷监测设备以及其他参与机构之间的信息传输；

所述处理器301用于调用所述存储器302中的计算机程序，所述处理器执行所述计算机程序时实现上述实施方式中的钢结构件安全损伤状态的预测方法中的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S11：获取钢结构件振动模态特征数据；

S12：基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

从上述描述可知，本发明提供的电子设备，通过检测钢结构灯杆的不同损伤程度相对应的振动模态特征，来分析判断和评估钢结构灯杆的安全和使用性能；该设备优点在于：仅需要1-2名检测人员进行现场检测，一般不需要登高作业，也不会影响道路的正常通行，且检测效率高，可实现对大规模钢结构灯杆的快速检测；同时，本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

本发明的实施方式还提供能够实现上述实施方式中的钢结构件安全损伤状态的预测方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施方式中的钢结构件安全损伤状态的预测方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：

S11：获取钢结构件振动模态特征数据；

S12：基于预设的安全损伤状态分类分级模型，根据钢结构件振动模态特征数据生成对应的钢结构件损伤程度数据；其中，所述安全损伤状态分类分级模型是通过历史钢结构件振动模态特征数据和历史钢结构件损伤程度数据训练得到。

从上述描述可知，本发明提供的计算机可读存储介质，通过检测钢结构灯杆的不同损伤程度相对应的振动模态特征，来分析判断和评估钢结构灯杆的安全和使用性能；该可读存储介质优点在于：仅需要1-2名检测人员进行现场检测，一般不需要登高作业，也不会影响道路的正常通行，且检测效率高，可实现对大规模钢结构灯杆的快速检测；同时，本发明摒弃了传统灯杆检测活动中工作量繁杂且效率不高的特点，避免了对道路交通的影响，降低了检测人员的安全风险，本发明专利对现场灯杆的检测成本低、耗时短、操作简单，可以实现对灯杆结构安全的批量评价，为今后钢结构灯杆的快速检测评价工作提供了新的方法。

本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于硬件+程序类实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。虽然本说明书实施方式提供了如实施方式或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施方式中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施方式或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书实施方式时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施方式仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。本发明是参照根据本发明实施方式的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。本领域技术人员应明白，本说明书的实施方式可提供为方法、系统或计算机程序产品。因此，本说明书实施方式可采用完全硬件实施方式、完全软件实施方式或结合软件和硬件方面的实施方式的形式。而且，本说明书实施方式可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施方式均采用递进的方式描述，各个实施方式之间相同相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。尤其，对于系统实施方式而言，由于其基本相似于方法实施方式，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。在本说明书的描述中，参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施方式或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已，并不用于限制本说明书实施方式。对于本领域技术人员来说，本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施方式的权利要求范围之内。