（计算机应用技术专业论文）结构损伤远程监测系统的研究.pdf

武汉理工大学硕士学位论文 中文摘要 为了长期有效地监测建筑物健康状况和对其发生的结构损伤进行识别，并进 一步对结构寿命进行预测，建立完善的自动化结构损伤远程监测系统显得十分必 要。而损伤识别是进行建筑结构健康监测的基础。近年来，从神经网络理论出发， 研究智能结构损伤识别技术正在成为研究热点。同时，随着i n t e r a c t 的迅猛发展， 建立基于i n t e r a c t 的远程智能识别系统值得进行深入研究。论文以建筑结构损伤 远程监测系统为研究对象，论述了结构损伤识别技术在其中的地位和发展现状， 并研究了远程结构损伤智能识别的计算方法及系统结构。 论文的主要研究内容包括：( 1 ) 讨论结构损伤远程j | 矗测系统的构成，提出一 种由传感器系统、本地处理器和中央监控设备组成的基于无线网络传输技术的结 构损伤远程监测系统，并对其涉及的主要技术分别进行论述；( 2 ) 从目前流行的 各种结构损伤识别方法出发，介绍了各个方法的基本理论，并重点论述了基于神 经网络的结构损伤识别方法的工作机制和学习规则，以及当前应用十分广泛的两 种前向型神经网络模型b p 网络和r b f 网络，然后从系统辨识的角度出发， 提出了利用神经网络进行损伤识别的思路、方法和步骤，在此基础之上研究了分 别利用b p 和r b f 神经网络对单处及多处结构损伤进行识别，对识别结果进行比 较和分析( 3 ) 在以客户端为计算中心的b s 模式下，借助j a v a 和m a u a b 技术 实现了一个基于w e b 的结构损伤远程识别系统。该系统具有以下特点：计算 过程在客户端实现，以提高计算效率、减少网络延迟；客户端安装升级方便， 用户利用浏览器即可下载j a v a a p p l e t ，然后调用后台的m a t l a b 计算引擎，而客户 端实现无需安装其他任何程序；系统可扩展性良好，目前集成了b p 和r b f 两种神经网络识别方法，今后可以方便的集成各种新的智能识别方法，使该系统 拥有广泛的适应性：识别结果以图形化形式呈现在用户面前。 上述内容的研究表明：基于j a v a 的以客户端为计算中心的网络模型非常适 用于结构损伤远程监测系统的应用之中。而基于b p 和r b f 神经网络进行结构 损伤识别在不同的场合下可以满足不同用户的需求。该系统在集成其他各种新的 智能识别方法上还值得进一步研究开发。 关键字：结构损伤远程监测，结构损伤识别，神经网络，j a v a ， m a t l a b 计算引擎 武汉理工大学硕士学位论文 a b s tr a c t a na u t o m a t i cr e m o t es t r u c t u r a ld a m a g em o n i t o r i n gs y s t e mi sn e e d e df o rt h e p u r p o s e o f l o n g - t e r mm o n i t o r i n g o ft h es t r u c t u r a lh e a l t hc o n d i t i o na n d i d e n t i f y i n gt h e s t r u c t u r a ld a m a g e a st h eb a s i c t e c h n o l o g y o f h e a l t h m o n i t o r i n g ，r e s e a r c ho f s t r u c t u r a l d a m a g e i d e n t i f i c a t i o nb a s e do na r t i f i c i a ln e u r a ln e t w o r kh a st h es t r o n gb a c k g r o u n do f e n g i n e e r i n g a n dt h e g r e a t v a l u ef o rt h e p r a c t i c a la p p l i c a t i o n b y t h e r a p i d d e v e l o p m e n to fi n t e r n e t ，h o wt o b u i l dar e m o t e i n t e l l i g e n td i a g n o s t i cs y s t e m i s b e c o m i n ga f o c u sa r e ao fr e s e a r c h t h i st h e s i sd i s c u s s e st h e p r e s e n t s t a t ea n d t e n d e n c yo fs t r u c t u r a ld a m a g ei d e n t i f i c a t i o nr e s e a r c hi nr e m o t em o n i t o r i n gs y s t e m a n dt h e nar e m o t ei n t e l l i g e n td i a g n o s t i cs y s t e ma n dt h e c o m p u t i n gm e t h o d sa r e d e v e l o p e db y j a v a i nt h i st h e s i s ，t h em a i nr e s e a r c hc o n t e n t si n c l u d e ：( 1 ) af r a m e w o r ko fr e m o t e w i r e l e s ss t r u c t u r a l d a m a g em o n i t o r i n gs y s t e mi n c l u d i n g s e n s o r s y s t e m ，l o c a l p r o c e s s o r sa n dc e n t r a lf a c i l i t i e sa n dt h em a i nt e c h n o l o g i e si ti n v o l v e s ；( 2 ) m e t h o d s m o s tu s e di ns t r u c t u r a ld a m a g ei d e n t i f i c a t i o na tp r e s e n t ，e s p e c i a l l yi nm e t h o d sb a s e d o nn e u r a ln e t w o r k a n dt h es t r u c t u r a l d a m a g ei d e n t i f i c a t i o nu s i n gb pa n dr b f n e t w o r kf o ru n i l a t e r a ld a m a g e p l a t e sa n dm u l t i p l eb e a m s a r ed e m o n s t r a t e d ；( 3 ) b a s e d o nt h eb sm o d e lw h i c hs e t sc l i e n ta s c o m p u t i n gc e n t r e ，a r e m o t e i n t e l l i g e n t d i a g n o s t i cs y s t e mi sd e v e l o p e db yj a v a t h em a i na d v a n t a g e so f t h i ss y s t e mi n c l u d e ： m a i nc o m p u t i n gp r o c e s si m p l e m e n t sa tt h ec l i e n ts i t ei no r d e rt oe n h a n c et h e e f f i c i e n c yo f t h en e t w o r k ；i ti sc o n v e n i e n tf o rt h eu s e r st ol o a da n du p g r a d et h e p r o g r a m u s e r sn e e dn o tt od o w n l o a da n yo t h e rp r o g r a m sb u tt h ea p p l e tt oi n v o k e m a t l a be n g i n ea tb a c k g r o u n d ；t w on e u r a ln e t w o r kt e c h n o l o g i e so fb pa n dr b f n o wi n t e g r a t e di nt h i s s y s t e m a n d i ti sc o n v e n i e n tt o i n t e g r a t e o t h e rn e wa i t e c h n o l o g i e st oa d a p td i f f e r e n ta p p l i c a t i o n s ；t h er e s u l t so f t h ei d e n t i f i c a t i o nw i l l b e p r e s e n t e di ng r a p h i c s ， t h es t u d i e sm e n t i o n e da b o v es h o wt h i sr e m o t es t r u c t u r a ld a m a g ei d e n t i f i c a t i o n s y s t e m b a s e do nj a v ai s v e r y s u i t a b l ei nt h ec a s eo fr e m o t es t r u c t u r a l d a m a g e m o n i t o r i n ga p p l i c a t i o n t h es t r u c t u r a ld a m a g ei d e n t i f i c a t i o ns y s t e mb a s eo nb pa n d r b fn e u r a ln e t w o r kt e c h n o l o g i e sc a ns a r i s f yd i f f e r e n td e m a n d s a n di ti sv a l u a b l e l l 武汉理工大学硕士学位论文 a n dw o r t h yo ff u r t h e rr e s e a r c ht oi n t e g r a t eo t h e rn e wa i t e c h n o l o g i e si nt h i ss y s t e m k e yw o r d s ：r e m o t es t r u c t u r a ld a m a g em o n i t o r i n gs y s t e m ，d a m a g ei d e n t i f i c a t i o n n e u r a ln e t w o r k ，j a v a ，m a t l a b c o m p u t i n ge n g i n e i l 王 武汉理工人学硕士学位论文 1 1 研究课题的提出 第1 章绪论 我国是一个灾害频发的国家，每年因为地震、台风、洪水、火灾等重大自然 或者人为灾害给国家人员财产带来巨大的损失。在遭受自然灾害的时候，重要建 筑结构，如水坝、桥梁、电厂、医院、军事基地、通信设施、高层建筑等的受损 情况尤为值得关注，因为它们的受损情况会直接影响到抢险救灾的进行、物资设 施的调配和人员财产的疏散，进而影响到灾害给整个国民经济造成的损失。因此， 在重大灾害发生后，及时准确的对上述与人民生命财产息息相关的重要建筑结构 的健康状况做出评估十分必要。在这种迫切需求下，建立一个完善的自动化建筑 结构损伤远程监测系统渐渐成为目前学术和工程界的研究热点之一“1 。 结构远程监测系统的主要功能是实时地监测和预报建筑结构的性能，及时发 现和估计结构内部损伤的位置和程度，预测结构的性能变化和剩余寿命并做出维 护决定。该监测系统依靠网络技术，利用分布在建筑物各个部位的传感器，实时 对建筑结构的震动频率、曲率变化等参数进行测量计算，及时反映整个建筑的“健 康”状况并对可能发生的损伤进行识别。目前，主要的研究方向集中在基于无线 数据传输技术的结构损伤无线监测系统上。 损伤识别是进行结构损伤监测的基础，目前有关研究大致可以分为两类：基 于模态模型的解析方法和基于神经网络技术的非线性映射法。1 。基于模态模型的 解析方法的进一步研究是结构动力学理论的直接进展，通常情况下需要建立计算 模型，才能利用参数在结构损伤前后的变化来推断结构的损伤状况，其评估精度 在某种程度上依赖于结构的计算模型的准确性。然而要对实际结构建立精确的分 析模型并非易事，导致许多已有的损伤识别方法无法广泛应用于实际“。神经网 络方法用于结构损伤识别的研究始于2 0 世纪9 0 年代，并逐渐引起学术界的广泛 关注，取得了不少研究成果。神经网络系统从人脑的生理结构出发来研究人的智 能行为，模拟人脑信息处理的功能。它由大量的神经处理单元( 神经元1 广泛地互 相连接，组成了高度复杂的非线性动力学系统，这样的系统具有很强的非线性映 射功能，以及高度的冗余容错特性，在处理模糊信息及模拟专家推理方面显示出 巨大潜力。实践证明，基于神经网络的智能计算方法是结构损伤识别的一种很有 潜力的新方法。“。 武汉理工大学硕士学位论文 一方面，由于神经网络所特有的非线性适应性信息处理能力，克服了传统人 工智能方法对于模式识别、非结构化信息处理方面的欠缺，使之特别适用于诸如 专家系统、模式识别、智能控制、组合优化、预测等因果关系复杂的非确定性推 理、判断和分类等问题，使得利用神经网络进行计算的客观需求增长迅速；另一 方面，随着i n t e m e t 的不断普及和发展，利用i n t e r n e t 上丰富的软硬件资源开发 与之相适应的神经网络智能系统有着广阔的应用前景。鉴于此，本课题的目的就 在于开发一个基于w e b 的结构损伤远程智能识别系统，可以集成各种a i 处理 方法( 本文主要集成了两种神经网络方法) ，在网络环境下对结构损伤进行实时 计算，并将结果以图形化的形式直观显示出来，用于对建筑结构健康状况进行动 态监控。 1 2 课题研究的现状 建筑结构健康监控( s t r u c t u r eh e a l 也m o n i t o r i n g ，s h m ) 技术起源于1 9 5 4 年， 最初的目的时进行结构的载荷监测。随着建筑结构设计的日益向复杂化、大型化 和智能化发展，建筑结构健康监测技术已从单纯的载荷监测向结构损伤检测、损 伤定位、结构剩余寿命预测、乃至结构损伤的自动修复等方面发展。 传统的结构维护工作主要是由制造者根据设计和制造阶段的数据和分析结 构制定的维护技术手册进行的，是一种基于计划的维护程序。这种维护程序缺少 对服役结构的状态( 如载荷、温度、应力等) 和结构老化情况的监测。因此，随 着结构随老化，就必须缩短检修和维护的周期，从而引起维护费用的增加，否则 不能保证结构的可靠性：传统的建筑结构健康状况检查主要是用仪器对结构作无 损检测( n o n d e s t r u c t i v ee v a l u a t i o n ，简称n d e ) ，其局限性较多：( 1 ) 不能及时 发现间隔期内的损伤；( 2 ) 建筑结构损伤发生的部位有时难以到达；( 3 ) 要实现 连续监测，整个工作量大，费用高。因此，为了长期有效地对建筑结构的健康状 况进行监测，建立个完善的自动化建筑结构健康监测系统十分必要。建立建筑 结构健康监测系统的目的就是通过结构中的传感器网络来实时获取结构对环境 激励( 人为的和自然的) 响应并从中提取结构的损伤和老化信息，为结构的使用 和维护工作提供参考，因而可降低维护费用，预报灾害性事件的发生，将损失降 至最小。它与n d e 技术的主要差别在于，n d e 技术运用直接测量确定结构的物 理状态，无需历史记录数据，而s h m 技术世根据结构在同一位置上不同时问的 测量结构的变化来识别结构的状态，因此历史数据直至关重要，识别的精度依赖 于传感器和解释算法“1 。可以说，建筑结构健康监控系统是将目前广泛使用的离 武汉理： 大学硕j ：学位论文 线、静态、被动的损伤检测，转变为在线、动态、实时的监测与控制，这将导致 工程结构安全监控、减灾防灾领域的一场革命。 建筑结构健康监测是一门综合性技术，涉及到结构动力学、信息技术( 如信 号的传输、处理、存贮与管理) 、传感器技术、优化设计等多个学科。损伤检测 则是进行结构健康监测的基础，长期以来都是一个非常活跃的研究领域，因此损 伤检测的方法在数量上飞速增长。当前结构损伤检测的方法很多，除了外观的目 测方法外，还有声发射，超声波、磁场法、放射法以及专家系统、神经网络、遗 传算法等职能损伤检测技术。近十年来，大量研究者从神经网络角度出发，进行 结构损伤识别方法的研究，取得了不少成果。1 9 9 7 年，g e s t a v r o u l a k i s 等用b p 网对裂纹进行无损检测”3 。南京航空航天大学的陶宝琪等在识别复合材料损伤 时，利用了小波变换和小波神经网络“。吉林大学的张悦华等人也利用小波分 析理论与神经网络结合对结构缺损位置进行识别8 3 。孙道恒等利用基于神经网络 的逆系统辩识方法对力学反问题进行求解“。浙江大学王柏生等对用于损伤识别 的高效网络的构造、设计进行了研究“。所有这些研究表明，利用神经网络对 结构损失进行识别是一种可行有效方法，并且目前已经成功的应用在实际的结构 损伤检测与识别中。 随着网络的迅猛发展，对结构损伤识别的远程操作提出了要求。而传统的远 程识别系统基本都是c s 模式的，随着信息和网络技术的发展，应用系统的计算 环境正经历着深刻的变革，以及i n t e m e t 应用需求的迅猛增长。因而对系统的远 程操作提出了要求。但是传统的远程识别系统由于计算量小，大部分仅仅是服务 器接受客户端的请求，然后返回对应的结果，所以实现起来相对容易。但是智能 识别系统要求有很大的运算量，这与传统的诊断系统在运算量方面是有很大不同 的。因此，如何实现结构损伤智能识别的远程操作是现在所面临的迫切需要解决 的问题。 1 3 课题研究的内容 首先，本文将提出一种结构损伤远程监测系统的概念模型。随着传感器、微 处理器、无线通信等关键技术的快速发展和成本降低，使得用基于无线网络技术 的监测系统替代传统基于有线技术的监测系统成为可能。因此，本文提出的概念 模型将是基于无线数据传输的结构损伤远程监测系统。在该概念模型中，分布在 被监测建筑各处的无线传感器会将数据实时传送到相应的本地处理器进行处理。 在本地处理器中，将存储多种相应的分析工具。本地处理器将由一个中央监控设 武汉理： 大学硕士学位论文 备统一管辖。当本地处理器检测出其监测的建筑发生损伤时，可以向中央监控设 备发出预警。中央监控设备还应安装各种决策支持软件，瞄供决策者在灾害即将 到来的时候及时采取相应措施。 有效对建筑结构健康状况进行监测的前提就是能够对发生在建筑结构中的 损伤情况进行精确及时的识别。在实际应用中，可以通过一个集成各种a i 方法 的结构损伤远程智能识别系统来实现本地处理器的分析识别结构损伤功能。因 此，各种常用的结构损伤识别方法也成为了本课题的研究内容。鉴于基于神经网 络的损伤识别技术在实际应用中的诸多优势，本文接下来从人工神经网络基本理 论出发，阐述了基于神经网络的远程损伤识别的思路、方法和步骤；然后分别研 究了广泛应用的b p 和r b f 神经网络网络模型，设计出了集成上述两种神经网 络识别方法的基于w e b 的远程智能损伤识别系统。本课题的目的就在于开发一 个基于w e b 的结构损伤远程智能识剐系统，该系统使用开放结构，可以集成诸 如b p 和r b f 神经网络等的各种a i 处理方法，使之能够适用于建筑结构健康监 控系统，对被监控建筑的受损情况进行在线、动态、实时的监测与控制，并将监 测结果以图形化的形势呈现在用户面前，作为用户开展灾害预报、控制、预防等 工作的依据 最后利用j n i ，调用由m a n a b 开发的b p 和r b f 神经网络计算模块，实现 了基于w e b 的结构损伤神经网络识别系统。该系统首先构造神经网络模型，利 用神经网络通过数据进行知识学习的能力，直接从提供的大量数据中进行知识学 习，掌握其规律。然后验证训练好的神经网络的推广性能，最后应用于远程损伤 结构的辨识，输入某一损伤结构的实测频率，可以获得对该结构损伤状况( 位置、 程度及处数) 的识别结果。同时，该系统具有开放式的结构，可以方便的集成其 他各种智能识别方法，以在实际应用中适应各种不同的需求。 1 4 论文的结构组织 本论文全文共分为五章。第一章为绪论。第二章首先介绍了一种基于无线数 据传输的结构损伤远程监测系统的总体设计，并从功能、结构、关键技术等方面 分别对其中传感器系统、本地处理器和中央监控设备进行了详细介绍，特别是针 对关于如何组织大量铺设在建筑物各个部位的传感器协调工作的问题，提出了一 种基于轮询的无线网络传输协议，并对其进行了定量分析。接下来的第三章，详 细介绍了目前应用较为广泛的几种损伤识别方法，着重介绍了基于神经网络的结 构损伤识别方法，特别是b p 和r b f 两种神经网络，并结合实际应用，分别对 4 武汉理工大学硕士学位论文 单处板结构损伤和多处梁结构损伤进行了识别和分析。第四章主要介绍了一种基 于w e b 的结构损伤远程识别系统的技术方案选择和实现过程，其中主要涉及的 技术包括：j a v a a p p l e t 的编写，m a t l a b 和j a v a 的混合编程，j a v a 的数字签名等。 第五章为全文的总结与展望。 武汉理工大学硕士学位论文 第2 章结构损伤远程监测系统总体设计研究 结构损伤远程监测系统由传感器、通信硬件、数据收集和处理等部分组成， 用来对整个结构的性能进行估算和测量。监测系统的主要作用有二：既利用结构 的强度刚度等参数的变化来判断整个建筑长期的“健康“清况，又可以对突如其 来的意外损伤进行识别。整个建筑结构健康监控系统的概念设计如图2 1 所示。 中央监控设备 无线数据捧输 _ 、 无线数据滞输 1 本她处理器乙 兽斟 星兰刍，i 三| | f 目i = u 传感器单亓 被监控建筑 曰l 基i l 目l 三| j 解l 三0 侍感器单元 被监控建筑 图2 1结构损伤无线监控系统结构图 整个系统由传感器系统、本地处理器、中央监控设备三部分构成。 2 1 传感器系统 2 1 1 传感器系统功能 传感器系统是整个结构损伤无线监测系统的最基本单元。损伤信息的正确获 得，必须依靠铺设在建筑物各个部位的各种传感器系统，及时准确地将所收集到 的位移、加速度、震动频率、振幅、温度、湿度等信息及时地传送到相关设备进 行计算。传感器系统上还应具有初步的计算功能，以完成数一模转换、封装数据 帧等功能。作为实用的监测系统中的传感器设计，则还应有相应数据传输功能。 同时，传感器系统还应有能力在某些情况下，接受从本地处理器发出的某些命令， 比如在某处有损伤迹象发生时，本地处理器会不断向该特定位置的若干传感器单 元发出问询以求得到更多数据。当然，最好传感器系统还有能量自给功能，以减 少监测时对外部能量的依赖，增强其可用性。 6 凰一凰 武汉理1 大学硕士学位论文 2 1 2 传感器系统设计 2 1 2 1 传感器材料 目前，我们经常用的传感器材料主要有压电材料、形状记忆合金材料和光导 纤维材料。其中，由于光导纤维材料具有径细、柔韧、体积小、质量轻、灵敏度 高、抗电磁干扰强、能耗少、造价低廉、便于实现分布式和准分布式监测、集信 息传输和传感于一体，宽频带和高数据率以及耐高温、抗腐蚀等优良特性，因此 在建筑结构健康监控系统的传感器系统中应用光纤传感器较为理想。而目前，光 纤传感器中又以光纤光栅( f b g ) 传感器“”最为突出。光线光栅利用光纤材料的 光敏性，即外界入射光子和纤芯相互作用而引起后者折射率的永久性变化，用紫 外激光直接写入法在单模光纤的纤芯内形成的空间相位光栅。同传统的电传感器 相比，光纤光栅传感器在传感网络应用中具有非常明显的技术优势。这种用紫外 光在光敏光纤纤芯中制作的光栅具有如下这些特性：光纤连接低损耗、光谱特性 好、可靠性高、抗电磁干扰能力强、尺寸小( 标准裸光纤为1 2 5 1 tm ) ，适合于各 种应用场合，尤其适用于埋入材料内部构成所谓的智能材料或结构重量轻、耐温 性好( 工作温度上限可达4 0 0 。c 6 0 0 。c ) 、复用能力强、传输距离远( 传感 器到控制端可达几公里) 、耐腐蚀、高灵敏度、无源器件等。而且作为传感元件， 它有一个最为突出的优点，即感应的信息用波长编码，而波长这个绝对参量不受 光源功率的波动及连接或耦合损耗的影响。特别之处还在于很容易在一根光纤中 连续制作多个光栅，所制得的光栅阵列轻巧柔软，与时分复用和波分复用技术相 结合，非常适用于作为分布式传感元件埋入材料和结构内部或贴装在其表面，对 它们的温度、压力、应变等实现多点监测，且具有较高的灵敏度和测量范围。 2 1 2 2 传感器系统结构 随着电子技术和通信技术的飞速发展，目前已经能够在一个传感器上实现数 据采集、数据传输、能量供给等所有功能。 传统基于有线网络的监控系统有着明显的缺点：( 1 ) 布线复杂，费用巨大； ( 2 ) 发生灾害时，线缆本身受损可能性较大，会影响整个监控系统的有效运行。 随着传感器、微处理器、无线通信等关键技术的快速发展和成本降低，使得用基 于无线网络技术的传感器替代传统基于有线技术的传感器成为可能。由大量这种 体积小、重量轻、能耗少、价格低的传感器系统分布在建筑物各个部位所组成的 无线网络，可以构建一个功能强、效率高、成本低的分布式传感器系统。 武汉理工大学硕士学位论文 传感器系统的结构设计如图2 2 所示。 图2 - 2 传感器系统结构图 ( 1 ) 计算模块( c o m p u t a t i o n a l c o r e ) 计算模块是整个传感器单元的核心。它主要负责从加速计、应力计等传感变 换器中收集数据，清空传感器单元内存，并对原始数据进行初步处理。计算模块 可选用各种可编程门阵列( f p g a ) 或数字信号处理( d s p ) 芯片。最终的选择 将依赖于能量利用率和性能方面的综合考虑。 ( 2 ) 无线通信模块( w i r e l e s sc o m m u n i c a t i o n s ) 无线监控系统需要的通信模块应该满足点对点( p 2 p ) 间高可靠、低能耗的 通信要求。为了适应各种不同的传感器的要求，w i m m s 1 将无线通信模块设计 成可以和任何传感器兼容的统一形式，不同的传感器通过各自特定接口和无线通 信模块组成传感器系统。 ( 3 ) 传感器接口模块( s e n s i n g i n t e r f a c e ) 无线监控系统所应用的传感器种类将主要包括：应力计、加速计、速度计和 位移计等等。对应于不同的损伤检测方法，需要选择不同的传感器类型。在基于 模态分析的检测方法中，使用加速度、位移等信息进行结构动力参数识别，因此 一般只要机械传感器就可以了。但在基于应变模态分析的检测方法中就要使用应 变传感器，如应变片、光导纤维传感器等。由于各种传感器所收集的数据在格式、 采样频率等方面存在较大差异，需要设计一个专门的传感器接口模块。换句话说， 各种不同的传感器都可以通过一个统一的传感器接口模块集成到传感器系统中。 武汉理e 大学硕士学位论文 2 1 3 传感器系统的关键问题 由于对建筑结构健康状况进行监测是一项长期工作，很多传感器在其整个生 命期内也许都不会被再次进行维护，这就对传感器的可靠性、寿命提出很高的要 求。在能耗方面，应当仔细设计传感器的能量供给算法。传感器系统工作时主要 能耗发生在数据采集和数据发送两个环节，为了满足苛刻的能耗要求，可以将传 感器系统分为两种状态：背景状态和工作状态，由一个触发器来控制两种状态的 转换。传感器系统只有在工作状态下才需要进行能量供给，而其余大量的时间将 处于低能耗的背景状态下，从而在最大限度上减少传感器对于能量供应的依赖。 另外，传感器的布置也是值得研究的一个相关主题。主要涉及两个方面的内 容：一方面是怎样减少传感器的数目又不丢失结构的动态信息，因为在监测大型 建筑时，信号采集的通道和传输带宽将受到限制，所以必须考虑这个问题。另一 方面，信号采集的精度问题，不适当的传感器配置位置会影响到参数识别的精度。 在传感器位置的优化方面，有基于平均共有信息( a v e r a g em u t u a li n f o r m a t i o n ， a m i ) 、神经网络和遗传算法等优化方法。 2 2 本地处理器 2 2 1 本地处理器功能 本地处理器的作用是对某个建筑结构的监测网络进行统一管理，并提供主要 的计算引擎。其功能主要有：( 1 ) 协调其管辖之下各个传感器的数据传输；( 2 ) 将收集的数据进行处理分析，根据存贮在本地处理器上的结构损伤识别工具，对 建筑结构发生的损伤情况进行识别，包括损伤发生的位置、区域、程度等：( 3 ) 向中央监控设备传送所需信息。 2 2 2 本地处理器设计 由于采用了无线传输方式。传感器可以灵活的布置在建筑结构中各个重要部 位。本地处理器上可以存储相应的多种分析工具，例如各种通过比较与结构模型 有关的特征量变化( 包括固有频率、模态阻尼、模态曲率、刚度和柔度改变法等1 来对损伤进行识别的方法、基于神经网络的结构损伤识别方法等等。如果本地处 理器通过计算发现结构损伤，会激活相应警告程序，并向中央监控设备发出信息。 9 武汉理下大学硕士学位论文 本地处理器的结构如图2 3 所示。 图2 - 3 本地处理器结构 2 2 3 本地处理器关键问题 2 2 3 1 损伤识别算法 为了完成对建筑结构健康状况的监测任务，根据从传感器收集的数据准确及 时地对建筑结构损伤状况，就必须要求本地处理器上安装有集成各种损伤识别算 法的远程识别系统。因此，该集成了各种损伤识别算法的远程识别系统便是整个 结构损伤远程监测系统的核心所在。本文将在下一章对其作进一步详细讨论。 2 2 3 2 无线传输协议 为了很好的协调本地处理器所管辖之下各个传感器的数据收集与传输，首先 要设计一个可靠有效的数据传输协议。众多不同传感器的无线数据传输所遵从的 网络协议必须具有极大的灵活性，使其同时满足带宽、时延等因素限制，原因如 下：( 1 ) 要对建筑结构特征进行全面监测所需要的传感器的类型众多，所采集数 据结构、采集频率差异巨大；( 2 ) 在发生结构损伤迹象时本地处理器会不断对 相关传感器发出问询，通信量急剧增大，而我们无法预知这种情况会何时发生； ( 3 ) 整个监测网要长期稳定工作，对每个传感器的能耗要求将十分严格，因此 要尽量减少传感器的工作时间。 本地处理器负责整个网络的初始化、链路的建立和释放、差错恢复，并且有 权对特定的传感器系统发出询问命令。在这里，数据传输协议的目标是：提供一 种轮询机制“，使得分布在建筑物各处的传感器能够按照事先程序规定的顺序， 0 武汉理工大学硕士学位论文 依次向本地处理器发送数据。整个轮询机制可简述如下：本地处理器按顺序从传 感器1 开始逐个轮询。传感器系统如果在缓存内有数据则发送；否则发送控制帧 给本地处理器，表示无数据可发。然后本地处理器询问传感器2 。在询问完传 感器n 后，又重复询问传感器1 。本地处理器也可根据需要主动向某些传感器单 元发出要求传送数据的命令，但此时本地处理器所发出的控制帧将包含对应传感 器的地址，不会使整个网络的通信产生混乱。因此这里将主要讨论各传感器怎样 按协议规定的顺序将数据发往本地处理器。各传感器都设有触发器芯片，用来产 生硬件中断，完成各自的数据采样、模数转换、写入缓存工作。为了减少网络时 延，这部分工作将主要在轮询间隔期间展开，即此次数据传输与下次本地处理器 的轮询到来之前完成。 ( 1 ) 定量分析 设帧为定长，等于1 p ( b i t ) ，链路容量为c ( b s ) ，因此每发送一个帧需时 1 p c ( s ) 。传感器i 从开始发送帧到帧全部发送完毕，所需需时间为t 。这里， t i 取决于缓冲区中存贮的帧数，是个随机变量。当传感器i 发送完数据，经过一 定的传播时间后，本地处理器向传感器i + 1 发出轮询帧。轮询帧经过一定时延 到达传感器i + 1 ，又经过一定时间的识别，确认该帧。上述几种时间之和称为传 感器i 到i + 1 的巡回时间为w ，即代表传感器i 把发送权转交给传感器i + 1 所 需的时间。这样，整个网络轮询一遍所需的时间，就是各个传感器发送时间t 与巡回时间w 的总和，记为循环时间t 。，即： t 。= w ，+ d - ( 2 一1 ) 一 i = l 这里，t 和w 都是随机变量，t 。因而也是随机变量。 整个轮询系统的巡回时间l 是各传感器巡回时间的平均值w 之和，即l = w ，对( 1 ) 式两边求平均值，并令t i 为平均发送时间，得出平均循环时间 一 t o = l + t i ( 2 2 ) 一 设传感器i 的帧平均到达率为 ，( t i m s ) ，帧长为1 m ( b i t ) ，则在平均循 环时间t 。共有 i t 。个帧到达站i ，因此其平均发送时间 t i = i t 屺= p i t 。 ( 2 - ：3 ) 这里p 。= ，屺是传感器i 的通信量强度。将( 23 ) 代入( 2 2 ) 式，得出： t 。= l ( 1 一p )( 2 4 ) 其中，p 是整个轮询系统的通信量强度，即p2 pt 。 一 定义轮询系统的归一化吞吐量u 为整个系统平均传送的比特率与系统最大 武汉理工大学硕士学位论文 可能传送的比特率之比。在系统稳定的情况下，平均传送的比特率定等于平均 的比特到达率。因此 u = ( 九i l p ) c 2 p ( 2 5 ) i = l 代入( 2 - 4 ) 式，就得到 ic 2 l t ( 1 一u ) 。 可见，轮询系统的平均循环时间t 。随吞吐量u 的增加而增长。当吞吐量u 接近l 时平均循环时间t 。将急剧增大。这要求整个链路的容量必须有足够大， 同时，各传感器触发器的时间间隔也必须仔细选取，否则，整个轮询系统的循环 时间将在可能损伤发生时由于吞吐量的急剧增大而使网络不堪重负。 ( 2 ) 边界条件分析 设本地处理器向各传感器发出的轮询帧为定长m ，这样，轮询帧的发送时间 t o 也为定长，发给n 个传感器共需时间nt o 。又设每个传感器识别轮询帧平均 需时t 。，n 个传感器共需n t 。再设整个无线网络沿多点线路均匀分布，本地处 理器到最远的传感器n 的单程传播时间为r ，则整个轮询系统的巡回时间l = n t o + n t 。+ ( n + 1 ) r 前面。我们已经提过有必要将传感器系统中的无线通信模块设计成与传感器 无关的形式，使之可以通过相应的接口，同各种不同的传感器相兼容。这里我们 就假定整个监控网中所有传感器系统所采用的无线通信模块都相同，即拥有相同 的缓冲区大小m ( 帧) 和一样的数据发送率t ( b s ) 。在帧长相同，均为l p 的情 况下，传感器系统要将缓冲区内的所有数据都发送完毕，需要时间为m 町。 在网络最繁忙时，即每个传感器系统的缓冲区都已满，并且在本地处理器的 轮询到来时，每个传感器系统均向其全力发送数据，整个网络的循环时间t 。= l + n m p t 。在此期间，网络共传输了p = n m 肛+ n m ( b ) 数据。这样，网络最 繁忙时的比特率就已经确定，为p t 。由香农的信息理论可知，信道的极限信息 传输速率c = w l 0 9 2 ( 1 + s n ) ，s n 为系统信噪比。因此，在信噪比已定的情况下， 要达到所需的数据传输率p ，t 。，理论上系统所需的最小带宽b - - - - p i t 。1 0 9 2 ( 1 + s i n ) 。而这实际上永远不可能达到。事实上，带宽至少需要2 b ，才能保证整个 无线监控网拥有足够的效率。 另一方面，若恰在此时，本地处理器只对某个特定传感器单元感兴趣，不断 向它发出询问，同时所有其他传感器单元均无数据可发。此时网络循环时间t 。 = l + n m “t ，这里n 表示本地处理器所需信息的最小帧数。换句话说，该传感 器单元所选取的硬件芯片，必须有能力在此时间间隔内，完成前述数据采样、模 2 武汉理：r 大学硕十学位论文 数转换并存入缓存的工作。 2 3 中央监控设备 中央监控设备可以接受并处理整个监控区域中所有本地处理器传送过来的 结构损伤信息。中央监控设备的监控范围可以覆盖好几个地区。例如，对于大型 桥梁结构，它需要提供自身情况信息( 包括：桥墩跨度，梁与梁之间的接头状况 等) 和它还能够提供的承载能力。对于医院和大型消防设施而言，它们需要提供 的信息包括自身建筑的材料、组成结构、消防设施位置等。这些信息将由中央监 控设备向分布在各个重要建筑的本地处理器发出问询获得。中央监控设备将处理 从各个建筑结构信息，提供结果供决策者在诸如地震、洪水、台风、火灾等重大 灾害发生时，能够对医院，军事基地等重要设施的损坏情况有一个宏观的把握， 并作为决策依据。因此，中央监控设备上还需要相应的决策支持系统，以利于抢 险救灾的进行、物资设施的调配和人员财产的疏散。同时，中央监控设备也应承 担起本地处理器相应软件的升级维护功能。 2 4 本章小结 由于其所具有的实时、可靠、灵活等优点，基于无线数据传输网络的结构损 伤远程监测系统应大力加以发展。本章所提出的无线监测网络结构在很大程度上 只是一个概念模型，目前离实际应用还有一段距离。目前已有学者，利用市场上 可以买到的原材料，成功验证了该无线监测网的可行性。本文的重点在于该体系 结构中位于本地处理器上集成了各种损伤识别算法的远程识别系统，它是整个结 构损伤远程监测系统的核心所在。其中，各种损伤识别方法各自在不同的领域中 有着广泛的应用。后面本文将主要讨论基于神经网络的损伤识别方法。 武汉理工大学硕士学位论文 第3 章结构损伤远程监测系统中的损伤识别技术研究 为了完成对结构损伤状况的监测任务，根据从传感器收集的数据准确及时地 对建筑结构损伤状况进行定位、分析、预测，就必须要求本地处理器上安装有集 成各种损伤识别算法的远程识别系统。因此，浚集成了各种损伤识别算法的远程 识别系统便是整个结构损伤远程监测系统的核心所在。这也正是本课题的研究目 的。 3 1 结构损伤识别在健康监控系统中的位置 结构损伤的检测与识别在整个结构损伤远程监测系统中所处的位置，可由图 3 - 1 所示。 图3 1损伤检测与识别在损伤监测系统中的位置 武汉理t 大学硕士学位沦文 其中，位于本地处理器的传感器控制模块将主要负责控制与协调分布在被测 建筑各个部位的传感器的工作，并收集所需数据。然后，收集的建筑结构特征参 数将和由用户界面输入的参数一起作为损伤识别模块的输入。识别结果将可以通 过图形显示接口呈现在用户面前，预警信息等重要数据将传送到远端的中央监控 设备上。由图可知，结构损伤与识别是整个结构损伤远程监测系统的基础。研究 结构损伤识别方法对本课题有着十分重要的意义。 3 2 结构损伤识别的主要方法 结构损伤识别技术近年来得到了较大发展。目前已有超声检测、红外检测、 声发射、自然电位检测、冲击回波检测、磁试验、光干涉、脉冲雷达、振动试验 分析等数十种之多。但除了振动试验分析法以外，多数检测技术属于局部检测方 法。目前国内外学者普遍认同并致力于研究的损商检测识别方法是结合系统识 别、振动理论、振动测试技术、信号采集等跨学科技术的基于结构振动的损伤识 别方法。 基于振动的结构的损伤识别方法的基本原理是结构的模态参数( 固有频率、 模态振型等) 是结构物理特性( 质量、阻尼和刚度) 的函数，因而物理特性的改 变会引起系统动力响应的改变。对于建筑物等大型土木工程结构而言，可以利用 环境激励引起的结构振动来对结构进行检测，从而实现实时监测。 基于振动的损伤识别方法按照所利用的特征量是否使用结构模型，可分为一 下两类： ( 1 ) 无模型识别方法( n o n m o d e lb a s e dm e t h o d s ) 。该方法不使用与结构模 型有关的特征量，从振动的时程、频谱分析推导而来，通常用于机械的损伤识别， 因此这里不准备加以详述； ( 2 ) 基于模型的识别方法。该方法使用结构模型，基本是有限元模型，使 用的是与结构模型有关的特征量，包括固有频率、模态振型、曲率模态、动柔度 或动刚度以及有限元模型信息等。它是建筑结构损伤检测领域研究最多的方法。 在具体做法上主要有一下三种方法： ( 1 ) 模态参数识别法。通过比较结构破坏前后的特征变化来确定损伤； ( 2 ) 模型修正法与系统识别法。通过测量结果反向识别除刚度、质量、阻 尼以及载荷变化，从而判别结构损伤； 武汉理工大学硕士学位论文 ( 3 ) 神经网络方法。根据结构在不同状态下的反映，通过特征提取，选择 对结构损伤敏感的参数作为网络的输入向量，结构的损伤状态作为输出向量，建 立损伤分类训练样本集。将样本集送入神经网络进行训练，建立输入参数与损伤 状态之间的映射关系，训练后的网络具有模式分类功能。然后将待测结构的动力 参数输入网络，便可得出损伤状态信息。 下厩分别介绍以上三种基于模型的损伤识别方法。 3 2 1 模态参数识别法 模态参数识别法的基本思想是寻找与结构特征有关的“指纹”变化。