使用加速度传感器进行间接位移估算的现场测试外文翻译资料

 2021-12-28 22:43:25

英语原文共 5 页，支付完成后下载完整资料

使用加速度传感器进行间接位移估算的现场测试

Viswanadh Kandula1，Linda Debrunner2，Victor Debrunner3，Michelle Rambo-Roddenberry4

1,2,3佛罗里达州立大学电气和计算机工程系

4佛罗里达州农工大学土木与环境工程系

地址：2525 Pottsdamer Street，Tallahassee，Florida 32310，USA

摘要：

类似与桥梁这样的结构的位移测量在很多方面都是有帮助的。了解桥梁对增加的负载的响应对分析桥梁状态和负载额定值很重要。目前使用的直接位移测量方法如激光位移测量系统和位移传感器价格昂贵，花费时间长且难以安装部署，特别是对于在正在使用中的桥梁上。一种间接的方法是使用加速度传感器测量加速度后通过直接积分两次加速度来获得位移。加速度传感器价格低廉，易于安装部署; 然而，测量得到的加速度信号中的噪声使得这种技术可行性较低。我们提出了一种新的解决方案, 利用信号模型在自适应大小的块与自动顺序检测, 以获得一个干净，低噪声的加速度信号, 可以直接积分两次, 以获得位移。通过对正在使用的混凝土板钢梁桥的试验, 对该方法进行了测试评价。结果表明, 精确位移是可以通过测量加速度来确定的。

第一节 引言

测量和分析具有变化载荷的桥梁的位移在桥梁的结构状态健康监测和用于确定桥梁额定载荷方面都是有意义的。这些措施是桥梁正常使用周期中进行管理的必要组成部分。传统的位移测量技术（如激光系统和位移传感器）价格比较昂贵，需要仔细安装部署和校准到已知的固定位置。理想的技术是使用加速度传感器来测量加速度并根据测量的加速度数据估计位移。加速度传感器价格较为低廉，不需要固定的参考点，这使得它们易于安装部署，特别是当监测的桥梁跨越水时。

在我们提出的的间接测量方法中，我们建立了桥梁的加速度的信号模型。在[2]中，测得的加速度信号被建模为指数衰减正弦信号的总和：

(1)

ith正弦分量具有幅度 和， 频率 和阻尼系数。而位移x(t) 可以通过测量得到的加速度分两次来获得，在这样的测量过程中会由于传感器测量产生噪声而产生错误的位移估计。但是，我们可以通过可靠地消除测量中的噪声信号获得加速度信号参数然后将式（1）确定的参数值直接进行两次积分。在文献[3]中，我们开发了一种直接从小数据集的加速度传感器数据中估计位置的方法，并且没有自动噪声估计。该方法在实验室中使用受控输入进行了扩展并在文献[2]进行了发表。在文献【2】中，讨论了用于“拼接”块处理技术的块的方法。在本文中，我们提出了一种方法，其中最小描述长度准则(MDL)用于将我们的信号模型（公式1）中的噪声与加速度信号分量分离的方法。此外，我们还与佛罗里达州交通运输部（FDOT）工程师一起使用这种方法来测量了混凝土在钢梁上的实际挠度。我们的设计产品的结果与目前使用线性可变差动变压器位移传感器（LVDT）的方法的结果进行了比较。这些测试结果表明我们的方法表现良好，并且该方法适用于商业应用。

第二节 算法

我们的方法需要四个步骤：测量加速度的模型估计，从估计模型中去除噪声分量的阶次估计，分量分解，以及对加速度进行积分以获得位移。

A.模型估计

式（1）所示测量的加速度信号可以用脉冲响应来描述

该系统的脉冲响应是

(2)

其中 A 是状态矩阵， b 是输入向量， c 是输出向量， N是测量的加速度样本的总数。由于数据序列 是真实的，我们使用希尔伯特变换来获得解析信号，从而将信号分量减少一半,从而提高了算法的计算效率。方形汉克尔矩阵H 由分析数据形成如下

其中 m 等于 N/2或 (N 1)/2, 使因此m是一个整数。利用奇异值分解（SVD）分解汉克尔矩阵H

（3）

其中 U 和 V 是正交矩阵，S是一个包含汉克尔矩阵H的奇异值的对角矩阵 。S矩阵中的较大的奇异值表示高能量的加速度信号分量，而较小的奇异值表示测量的加速度中存在的低能量噪声分量。分离奇异值方程式，公式（3）可以改写为

（4）

其中由对应于加速度信号的奇异值组成，和由对应于噪声的奇异值组成。应该精确地估计表示噪声的奇异值的数量，从而不会丢失加速度的分量。

B.阶次估算

应该保留的奇异值的数量和应该删除的奇异值的数量可以通过估计顺序来确定。为了进行阶次估计,并从测量的加速度信号中去除噪声分量，我们对四种不同的技术进行了研究和测试。

信噪比检测（SNR）

是的奇异值。在上面的方程中, 我们保留最大的l分量, 以便被去除的分量只贡献总能量的gamma;%, 其中gamma;是合适的阈值, 例如10%。

赤池信息量准则（AIC）

最小描述长度准则（MDL）

(7)

最终预测误差准则（FPE）

（8）

公式（8）中N 是S中奇异值的个数， k 是表示测量加速度所需的模型的估计阶数， 是估计模型的似然函数。

使用上述四种方法中的任何一种，我们都可以估计阶数k。如公式（4）所示，一旦我们得到阶数k，1到k的奇异值被放置在矩阵中，奇异值k 1到N被放置在矩阵中。现在，可以分辨识别出对应于噪声的奇异值，将其删除后，现在我们可以得到一个无噪声的汉克尔矩阵，格式如下

（9）

C.不同降噪技术的性能分析

SNR信噪比检测方法假设噪声分量具有非常低的能量，约为信号能量的，这在模拟测试中是正确的，但在桥梁测试中，加速度传感器记录了具有高能量的噪声分量。因此，仅删除低能量信号分量并不会消除所有噪声分量。如果我们选择增加阈值gamma;，我们就有可能失去重要的加速度信号分量。因此，信噪比检测技术不能有效地去除桥梁加速度测量中的噪声。

赤池信息量准则(AIC)和最终预测误差准则(FPE)都通过为各自的估计量选择具有最小值的模型来估计模型阶次。当与梁式试验和桥梁试验加速度数据一起使用时，可以观察到赤池信息量准则(AIC)和最终预测误差准则(FPE)的估计量会最小化最大可能阶数。由此可见，赤池信息量准则(AIC)和最终预测误差准则(FPE)不适用于桥梁加速度数据的阶次估计。

最小描述长度准则(MDL)在估算梁和桥梁加速度数据的阶次方面表现最佳。对于测得的加速度数据，最小描述长度准则(MDL)估计量在接近最大可能模型的时具有最小值。用最小描述长度准则(MDL)估计的模型证明了该模型能有效地保留所有的重要的加速度信号分量同时去除噪声分量。

D.分量分解

汉克尔矩阵分解

其中

其中是可观性矩阵，定义为

（10）

是可控性矩阵，定义为

（11）

在公式（10）中，矩阵O的第一行是输出向量，在式（11）中，C的第一列是输入向量。这些值部分地决定了式（2）中给出的脉冲响应。我们现在把和定义为

因此状态矩阵A为

式中，是的左逆矩阵。这就完成了式(2)中给出的脉冲响应。状态矩阵A的本征分解是

其中是特征值的对角矩阵。一些中的特征值是没有意义的，如实值特征值，都应该被去掉。此外，不稳定的特征值，或实际值超过公差值sigma;的特征值，也应被去除。由于状态空间模型在相似变换方面不是唯一的[5]，因此可以使用任意非奇异矩阵P将转化为。在失去模态信息的情况下，我们可以定义

（12）

利用式（12）所描述的变换，选择矩阵,得出

表示加速度数据的状态空间模型，因此我们可以将式（2）写做

（13）

因为是特征值的对角矩阵，式（13）又得

（14）

其中，和是向量的相应第i个元素，而是的特征值。离散加速度数据可通过以复杂形式重写式（1）转换为连续时间

（15）

其中,。在采样时间,由式（15）得出

（16）

联立式（14）和式（16）

带入式（14）中的，的值我们可得

E.积分

式（15）中，可视为振幅，视为第i个复分量的频率，其形式与式（1）相同。因此，我们可以使用相同的分解技术来整合加速度。 得到位移为

位移信号的幅度为

对位移分量求和给出了测量加速度信号的估计位移。

第三节 桥梁测试安装配置

图1. 梁底部法兰处的传感器安装设置

我们与佛罗里达州交通运输部（FDOT）的工程师一起对位于塔拉哈西I-10上方的CapItal Circle NE桥进行了相关测量。这座桥是一座连续的两跨混凝土板钢梁结构的桥梁，每跨的跨径约为150英尺长。测试期间，桥上的城市交通不受控制。桥的一端设有交通信号灯，导致交通周期性中断。位移传感器和加速度传感器安装在一个内部钢梁上，纵向靠近北跨的中跨，横向靠近第二条车道（相对于护栏）。图1描述了从桥下看梁底部法兰上的传感器安装设置。

在图1所示的三个不同位置进行测量。加速度传感器用红色圆圈圈出并用数字标记，位移传感器用绿色圆圈圈出并用字母标记。加速度传感器和位移传感器需要仔细安装对准，以便在同一位置测量加速度和位移。其中位移传感器是直接测量，以提供准确标准的数据与使用我们的方法所得结果的比较。

在桥梁试验期间，以2分钟和5分钟的间隔记录数据，采样频率为2 kHz。在本次研究中较低的采样频率就足够了,从测得的加速度和位移的频谱来看，很明显，重要的信息出现在频率低于50赫兹的情况下，正如这类桥梁所预期的那样。因此，在不丢失有意义信息的情况下，采用100Hz的奈奎斯特采样率就足以进行数据采集。

处理这些大数据集通常需要比较大的系统内存和比较强大的计算能力。然而，由于被测加速度信号是非平稳的，数据无论如何都需要进行分块处理，再加上我们对分析信号的使用，大大降低了算法的计算要求。因此，我们使用块处理方法，并使用前面的块估计将块缝合在一起，以确定后续块的初始条件。选择试块长度对测量估算结果有显著影响，尤其是当试验条件包括几乎没有激励的时间段时。要求块的长度需要足够长，以获得良好的频率分辨率，但又要足够短以便我们可以使用具有足够性能的平稳假设。我们的测试条件包括没有车辆通过桥梁的时段。由于这些周期不产生激励，因此不能用于获得位移，因为在这些时间段内没有信号建模。因此，我们删除了这些分析周期。

第四节 结果

图2 测量的加速度信号图

图3 测量和估计的位移对比图

（红色虚线为直接测量得到的位移，黑色实线为估计得到的位移）

图2显示了图1中间加速度传感器“2”的测量加速度。最大加速度为0.08 ，最大位移偏移约为0.15。这些表明桥上的小激励。图3显示了我们估计的位移（黑色实线）和线性可变差动变压器位移传感器（LVDT）测量的位移（红色虚线）。从图3中我们可以看出，我们的估计位移与线性可变差动变压器位移传感器（LVDT）测量的位移非常接近。请注意，线性可变差动变压器位移传感器（LVDT）测量值存在噪声。图4显示了与线性可变差动变压器位移传感器（LVDT）测量的位移相比，估计位移的瞬时误差。静态位移误差为瞬时误差的平均值，是英寸。较低的静态位移误差显示了用于估计位移的算法方法

资料编号：[3198]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章