CN111474300B - 基于时空回归模型的结构局部缺陷检测方法 - Google Patents

Abstract

一种基于时空回归模型的结构局部缺陷检测方法，其特征在于，包括以下步骤：步骤一：采集缺陷结构和无缺陷结构的加速度响应，将采集得到的加速度响应分解成数据长度相同的多个样本，用于后续时空回归模型的建立；步骤二：分别对步骤一中的各个样本建立时空回归模型，并将得到的回归系数定义为影响系数；步骤三：分别检验步骤二中各个时空回归模型的判定系数R²，选取判定系数大于0.8的影响系数用于后续异常因子的计算；步骤四：根据步骤三选取的结果，分别计算异常因子，用于后续的结构缺陷识别；步骤五：结构缺陷识别。该方法能够有效的利用结构的振动响应，借助时空回归模型对结构的针对性响应进行分析，能够快速有效地完成结构的局部缺陷识别。

Description

基于时空回归模型的结构局部缺陷检测方法

技术领域

本发明涉及结构局部缺陷检测技术。

背景技术

结构健康监测(SHM)指利用现场的无损传感技术,通过包括结构响应在内的结构系统特性分析，达到检测结构缺陷或退化的目的。其中的缺陷识别是指通过一定的技术和方法，识别结构是否出现缺陷，确定缺陷的位置以及严重程度，为结构的维护与维修提出建议，使得结构能在寿命周期内更好地发挥使用价值。无论是环境振动，还是风荷载与地震荷载，在动态效应对结构产生不利影响并产生灾害性破坏前，能否快速有效地识别缺陷，对于降低经济损失、保证结构使用性能具有重要意义。目前，国内外学者提出了很多缺陷识别方法。

传统的局部无损检测方法(NDE)主要是结构的静态特征分析与检测方法，其基本原理是通过成熟的无损检测技术，对某个特定的结构部件进行检测，判断是否存在损伤以及损伤的程度。常用的几种检测方法主要包括：目测法、超声波识别法、射线识别法、声发射识别法，涡流、磁粉识别法、红外识别法等方法。

(1)目测法。目测法是由观测者通过直接或间接地观测结构构件或材料从而鉴别结构构件表面的裂缝、变形等损坏现象。目测法是传统式无损检测方法中最先采用的方法，其检测的主要步骤是清洁结构构件表面(除非清洁的过程会破坏损伤识别的依据)，并提供稳定的观察环境，完成损伤的观测。能够成功完成目测法工作的先决条件是具备结构构件的制作工程、服役时长、潜在失效模式等相关先验知识。在使用其它无损检测方法的同时，目测法得到的结果也会是很好的补充。

(2)超声波识别法。超声波识别法是利用应力波在固体介质中传播是否受到干扰来诊断结构构件或材料是否存在损伤。该方法通过把发射探头和接收探头放置在结构构件的表面，接收探头接收由发射探头发射的超声波，根据超声波的波速、频率、相位等声学参数来进行损伤诊断。当超声波用来检测结构的内部损伤时，可以分为透射法和反射法，前者通过测定超声波透射结构时的传播速度来诊断是否存在损伤及损伤的位置，后者则通过测定反射波到接收探头的传播时间来完成结构损伤检测。

超声波识别法的应用范围较为广泛，可以适用于测定各向同性材料(钢结构)与各向异性材料(混凝土)。该方法对测定对象的形状及尺寸无任何要求，可在同一截面进行反复测定，所使用的频率越高，定向性越好，但超声波衰减增大。超声波的透射法与反射法相比，成本低、速度快，对人体无危害更可靠，但其通用性受到一定限制。此外，由于超声波法要求结构表面足够平滑，故其损伤检测的可靠性主要取决于检测人员的技术水平及工作责任心。

(3)射线识别法主要包括x射线法和γ射线法。两种方法都是利用射线极强的物体穿透性获得结构的射线谱相，并从这些射线谱相中诊断出结构的损伤。当x射线法和γ射线穿过物体时，被该物体吸收的比例会因物体的本身属性而大有不同。通过将其差异反映在摄影胶片的密度上，因此可以通过图像进行观测。

射线法能够对结构构件的内部状况进行观察诊断，但损伤诊断的结果受到厚度的影响较大，而且还会有放射性的危险。

(4)红外线识别法。红外线识别法通过结构构件表面的温度分布变化来检测结构表面与结构内部的损伤和缺陷。当结构内部存在孔洞和缺陷，或结构表面产生混凝土剥离等现象时，会改变结构的热传导性能，使得表面温度分布发生变化，进而使红外线发射能量发生变化。将结构构件的红外线能量用探测器换算成电信号，便能够将结构构件的温度用图像的密度或颜色显示。

红外线识别法优势明显，不仅具备遥测功能，可以实现全天监测，探测的温度范围较宽，分辨率较高。但被测结构构件与传感器之间的介质会吸收红外线，雨天的测量精度较低，且该方法的检测设备较为复杂，成本较高，测量时需要关闭交通。

(5)声发射识别法。结构(构件)、材料在内力或外力的作用下产生变形与断裂时，或在外力作用下内部潜在的缺陷改变状态，以弹性波的形式释放能量的现象称声发射。根据声发射原理，采用声发射探头将发射源发射的弹性波转换为电信号，经过放大处理得到一些声发射特性参数，根据这些参数推测材料内部缺陷或损伤的部位。

声发射识别法与其它无损检测方法相比较，灵敏度最高，可以对大型结构构件的完整性进行检测与评估。该方法几乎不受材料种类与属性所限制，大多数金属与非金属材料都能产生声发射，但因为有的金属材料(钢、铁)声发射频带均在超声范围内，目前该方法主要应用于混凝土结构的损伤诊断中。

(6)涡流识别法。涡流识别法以电磁感应原理为基础，一般通过对于检测线圈形成的电磁场中的结构构件及周围空间区域，列出Maxwell电磁场方程组及定解条件并进行求解，以确定检测线圈阻抗特性(或感应电压)的变化与被测结构构件各影响因素之间的关系。

涡流识别法具有较高的灵敏度，与其他无损检测方法相比具有独特的优点。与超声波识别法和射线识别法相比，该方法不需要耦合剂；与磁粉识别法相比，对磁性和非磁性材料均有效，而且不污染环境，操作容易，省工省力；与液体渗透法相比，该方法还不需要清洗试件，可以实现检测的自动化。因此，涡流无损检测方法是一种极具重要意义的方法。根据探头结构的不同，涡流无损检测方法可以分为常规涡流检测、透视式涡流检测和远场涡流检测。

(7)磁粉识别法。磁粉识别法是一项传统的无损识别方法，该方法的基本原理是在磁导率不同的两种介质的界面上磁感应线的方向会发生改变，这与光线和声波在不同介质中发生的折射现象相似，称之为磁感应线的折射。

磁粉识别法的检测设备简单，操作方便，观测缺陷直观快速。可以检测结构构件的表面缺陷，对裂纹、缺口等缺陷表现得极为灵敏。一般情况下，采用交流电磁化可以检测表面下2mm以内的缺陷；采用直流电磁化可以检测表面下6mm以内的缺陷。

以上所述的结构损伤检测方法都属于常用的传统式局部无损检测方法。通过可视化和局部化试验完成特定的结构构件的检测，目的性强，检测结果具体精确。然而，所有这些传统的方法都需要知道结构损伤的近似位置，且这类方法的技术设备复杂，器材成本较为昂贵。因此，为了克服上述困难，并且实现连续地对结构进行健康监测，基于结构振动的损伤识别方法得到了发展与推广运用。

随着传感技术、系统采集与处理以及数值建模等技术的发展，国内外许多基于振动信息的结构损伤诊断识别方法研究也得到了长足发展与进步。基于结构振动响应的缺陷识别方法可以大致分为基于模态驱动的方法和基于数据驱动的方法两种。基于模态驱动的方法通常利用识别得到的频率、振型等模态指标以及模态柔度、模态应变能等衍生指标识别是否发生缺陷以及确定缺陷发生的部位，并可进一步结合模型更新等手段量化缺陷程度。主要包括：

(1)模型修正与系统识别法：在研究结构损伤检测中基于系统识别理论的方法时，模型修正法是一大研究热点。模型修正法是把实验结构的振动反应与原模型的计算结果进行综合比较，利用直接或间接测知的频率响应函数、加速度时程响应、模型参数等，通过条件优化约束，不断地修正模型中的刚度分布，从而测得模态刚度的变化信息与退化状态，实现结构的损伤识别与定位。

(2)动力指纹分析法

动力指纹分析法是寻找与结构动力特性相关的动力指纹(如动力学系统中的刚度、质量、阻尼矩阵等结构参数)，通过指纹的变化来判断结构的损伤位置与损伤程度。指纹识别指标包括波形识别指标和振型识别指标。基于频响函数(FRF)的波形识别指标主要包括：(1)WCC(Waveform Chain Code)；(2)IATM(Adaptive Template Methods)；(3)ISAC(Signature Assurance Criteria)。其中，WCC和IATM的损伤识别能力优于ISAC，但都不能定位损伤。基于振型的识别指标主要有以下几种：(1)频率变化率；(2)应变模态识别指标；(3)模态确信准则(MAC)和坐标模态确信准则(COMAC)；(4)基于柔度矩阵的识别指标等。这些指标各有利弊，有的不能很好的定位损伤，有的计算量较大，且需要用结构的完好指纹作为比较，这在实际的建筑结构工程中很难实现。

总之以上方法具有如下局限：(1)该方法具有全局属性，对局部缺陷不敏感；(2)该方法在环境激励下得到的模态指标不确定程度较高；(3)复杂结构的基准有限元模型较难准确获取。

基于数据驱动的方法多借助自时空回归模型、小波变换和希尔伯特黄变换等数学模型从结构响应信号中提取缺陷判别指标，然后通过结构缺陷前后指标的统计模式对比实现缺陷识别。基于数据驱动的方法只需要对结构响应信号进行分析，而不需要结构的基准有限元模型，这极大地扩大了其应用范围，同时该类方法对结构的局部缺陷敏感。但是，现有的基于数据驱动的方法大部分仅能判别结构是否出现缺陷，若想确定结构缺陷的位置，则需要做多测定重复计算才能完成，无疑极大地增大了缺陷识别的计算量。

发明内容

本发明针对现有技术的不足，提出了一种基于时空回归模型的结构局部缺陷识别方法，该方法能够有效的利用结构的振动响应，借助时空回归模型对结构的针对性响应进行分析，能够快速有效地完成结构的局部缺陷识别。

本发明技术方案：

一种基于时空回归模型的结构局部缺陷检测方法，其特征在于，包括以下步骤：

步骤一：采集缺陷结构和无缺陷结构的加速度响应，将采集得到的加速度响应分解成数据长度相同的多个样本，用于后续时空回归模型的建立；

步骤二：分别对步骤一中的各个样本建立时空回归模型，并将得到的回归系数定义为影响系数；

步骤三：分别检验步骤二中各个时空回归模型的判定系数R²，选取判定系数大于0.8的影响系数用于后续异常因子的计算；

步骤四：根据步骤三选取的结果，分别计算异常因子，用于后续的结构缺陷识别；

步骤五：结构缺陷识别。

本发明关键技术：

(1)建立时空回归模型对测点间加速度响应的时空相关性进行分析得到回归系数，并定义为影响系数。

(2)采用有缺陷结构测点对的回归平面和无缺陷结构测点对的回归平面之间的夹角作为结构的缺陷特征，用于后续的缺陷识别。

(3)采用CUSUM控制图法做统计过程的变点分析，根据曲线的变化，判断异常因子的平均值在何时出现突变，即结构在何时出现缺陷。

与现有技术相比，本发明具有以下优点：

(1)基于时空回归模型的结构局部缺陷识别方法不依赖于实际的物理模型或复杂的有限元模型，极大地提高了该结构缺陷识别的适用性；

(2)时空回归模型只需要对结构的响应信号进行处理，与激振类型等因素无关，极大地提高了该方法的实用性；

(3)该方法可利用有限测点的观测信号进行缺陷识别；

(4)该方法通过统计手段可衡量不确定性因素的影响；

(5)该方法计算方法简单，极大地提升了计算效率。

附图说明

图1.基于时空回归模型的结构局部缺陷识别方法流程图

图2.回归平面示意图

具体实施方式

如图1所示，本发明涉及一种基于时空回归模型的结构局部缺陷检测方法，可以通过以下步骤实现，包括

步骤一：采集缺陷结构和无缺陷结构的加速度响应，将采集得到的加速度响应分解成数据长度相同的多个样本，用于后续时空回归模型的建立；

步骤二：分别对步骤一中的各个样本建立时空回归模型，并将得到的回归系数定义为影响系数；

步骤三：分别检验步骤二中各个时空回归模型的判定系数R²，选取判定系数大于0.8的影响系数用于后续异常因子的计算；

步骤四：根据步骤三选取的结果，分别计算异常因子，用于后续的结构缺陷识别；

步骤五：结构缺陷识别。

步骤一中，结构加速度响应是指利用加速度传感器采集结构的加速度响应信号，共涉及无缺陷结构和存在缺陷结构两种结构，分别将两种状态的加速度响应划分成数据长度相同的多个样本，用于后续的结构缺陷识别。

步骤二中，是分别对无缺陷结构和由缺陷结构中的加速度响应信号建立时空回归模型：

u_j(t_k)＝β₁u_i(t_k)+β₂u_i(t_k-1)+ε_ij(t_k)+γ_ij

式中t_k为时间标签，表示节点处以离散时间序列记录的动力响应数据所对应的某一时刻；β₁和β₂均为节点j与节点i之间的回归系数，即影响系数，但对应着不同时刻的自变量；u_i(t_k)和u_i(t_k-1)分别为节点i处t_k时刻和t_k-1时刻的加速度响应数据；u_j(t_k)为节点j处t_k时刻的加速度响应数据；γ_ij为线性回归的截距项；ε_ij(t_k)为回归预测过程中产生的随机误差项

步骤三中，异常因子是基于步骤二中的回归方程得到一个用于表征结构缺陷的系数。由于步骤二中的回归方程可以表示成一个平面，步骤二中的方程可以表示成空间中的一个平面，如图2所示。当结构存在缺陷时，对应测点对间的回归平面将会发生变化。故可以采用有缺陷结构测点对的回归平面和无缺陷结构测点对的回归平面之间的夹角作为结构的缺陷特征，用于后续的缺陷识别。异常因子α如下式计算。

v表示无缺陷结构测点对的回归平面法向量，即为(β₁，β₂，-1)；

v’表示有缺陷结构测点对的回归平面法向量，即为(β’₁，β’₂，-1)。

步骤四中，判定系数(Coefficient of determination)R²，也称为决定系数、拟合优度。是相关系数的平方，表示可根据自变量的变异来解释因变量的变异部分。判定系数R²可以根据下式计算：

式中

SSE是观测因变量的观测值与观测因变量的估计值之间的离差平方和，称之为残差平方和(error sum of squares)；

SSR是观测因变量的估计值与因变量均值之间的离差平方和，称之为回归平方和(regression sum of squares)；

SST是观测因变量的观测值与因变量均值之间的离差平方和，称之为总离差平方和(total sum of squares)。三个变量可以用下式表示：

判定系数R²可以有效地评价估计回归方程对样本数据拟合效果的好坏，R²越接近于1，表明估计的回归方程对样本数据的拟合效果越好；越接近于0，表明拟合效果越差。参考Younger的研究，判定系数大于0.8，则表示该回归方程的拟合情况良好。故本发明选择判定系数大于0.8的异常因子用于后续的缺陷识别。

步骤五中，结构缺陷识别包括两部分，第一根据影响系数的变化，即异常因子进行结构缺陷位置的识别，第二使用CUSUM控制图来检测异常因子的突变。

由于结构缺陷会导致测点对间的动力响应数据的时空相关关系发生变化，这种变化最终会由影响系数所体现。因此，可以通过对结构无缺陷状态下得到的影响系数与结构有缺陷状态下得到的影响系数进行比较，即采用异常因子来实现损伤识别。事实上，在结构存在缺陷时，结构整体的力学特性发生变化，各个测点对间的影响系数都会发生不同程度的变化，仅通过某一测点对间的影响系数改变并不能准确的判断损伤发生的位置。因此，在确定结构损伤的位置时，需要综合考虑结构上更多测点间影响系数的变化。

CUSUM控制图是指一种时间加权控制图，显示每个样本值与目标值的偏差的累积和。通常CUSUM控制图分为参数化和非参数化，在实际应用中由于难以对参数进行估计，特别是获取信号的概率分布比较难时，因此大多数选择非参数CUSUM控制图。在变点检测中，CUSUM控制图对变点是否发生变化以及发生时刻进行估计。其计算方法如下式：

S₀＝0

当CUSUM控制图中S出现拐点时，则表明在该时间点处异常因子的平均值出现突变，即结构出现了缺陷。

Claims (2)

1.一种基于时空回归模型的结构局部缺陷检测方法，其特征在于，包括以下步骤：

步骤一：采集缺陷结构和无缺陷结构的加速度响应，将采集得到的加速度响应分解成数据长度相同的多个样本，用于后续时空回归模型的建立；

步骤二：分别对步骤一中的各个样本建立时空回归模型，并将得到的回归系数定义为影响系数；

分别对无缺陷结构和有缺陷结构中的加速度响应信号建立时空回归模型：

u_j(t_k)＝β₁u_i(t_k)+β₂u_i(t_k-1)+ε_ij(t_k)+γ_ij

式中t_k为时间标签，表示节点处以离散时间序列记录的动力响应数据所对应的某一时刻；β₁和β₂均为节点j与节点i之间的回归系数，即影响系数，它们对应着不同时刻的自变量；u_i(t_k)和u_i(t_k-1)分别为节点i处t_k时刻和t_k-1时刻的加速度响应数据；u_j(t_k)为节点j处t_k时刻的加速度响应数据；γ_ij为线性回归的截距项；ε_ij(t_k)为回归预测过程中产生的随机误差项；

步骤三：分别检验步骤二中各个时空回归模型的判定系数R²，选取判定系数大于0.8的影响系数用于后续异常因子的计算；

步骤四：根据步骤三选取的结果，分别计算异常因子，用于后续的结构缺陷识别；

步骤五：结构缺陷识别；

步骤三中，异常因子是基于步骤二中的回归方程得到一个用于表征结构缺陷的系数；由于步骤二中的回归方程可以表示成一个平面，步骤二中的方程可以表示成空间中的一个平面；当结构存在缺陷时，对应测点对间的回归平面将会发生变化；故采用有缺陷结构测点对的回归平面和无缺陷结构测点对的回归平面之间的夹角作为结构的缺陷特征，用于后续的缺陷识别；异常因子α如下式计算：

v表示无缺陷结构测点对的回归平面法向量，即为(β₁，β₂，-1)；

v’表示有缺陷结构测点对的回归平面法向量，即为(β’₁，β’₂，-1)；

步骤四中，判定系数R²可以根据下式计算：

式中

SSE是观测因变量的观测值与观测因变量的估计值之间的离差平方和，称之为残差平方和(error sum of squares)；

SSR是观测因变量的估计值与因变量均值之间的离差平方和，称之为回归平方和(regression sum of squares)；

SST是观测因变量的观测值与因变量均值之间的离差平方和，称之为总离差平方和(total sum of squares)；三个变量用下式表示：

判定系数R²评价估计回归方程对样本数据拟合效果的好坏，R²越接近于1，表明估计的回归方程对样本数据的拟合效果越好；越接近于0，表明拟合效果越差；参考Younger的研究，判定系数大于0.8，则表示该回归方程的拟合情况良好；选择判定系数大于0.8的异常因子用于后续的缺陷识别。

2.如权利要求1所述的方法，其特征在于，

步骤五中，结构缺陷识别包括两部分，第一根据影响系数的变化，即异常因子进行结构缺陷位置的识别，第二使用CUSUM控制图来检测异常因子的突变。

Images