基于CWT⁃BP的桥梁涡激振动状态分类研究.pdf
《基于CWT⁃BP的桥梁涡激振动状态分类研究.pdf》由会员分享,可在线阅读,更多相关《基于CWT⁃BP的桥梁涡激振动状态分类研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、现代计算机Modern Computer第 29 卷 第 13 期2023 年 7 月 10 日基于CWTBP的桥梁涡激振动状态分类研究许基棉,田小霞*(韩山师范学院计算机与信息工程学院,潮州 521041)摘要:可靠地预测大幅涡激振动的发生在桥梁管理和运营方面起着重要作用。设计了一种基于连续小波变换和BP神经网络的分类算法,用于桥梁在风作用下涡激振动发展状态的分类识别。首先利用连续小波变换将一维振动响应信号转为二维的小波尺度图,并建立涡激振动状态的数据集;其次,利用BP神经网络训练涡激振动状态的分类模型;最后,已训练好的分类模型根据输入的振动响应信号输出相应的振动状态。仿真结果显示算法的可行
2、性,且识别的准确率为90.4%。未来可以在此研究上探讨桥梁安全预警智能化系统设计与实现。关键词:连续小波变换;BP神经网络;涡激振动;小波尺度图文章编号:10071423(2023)13005505DOI:10.3969/j.issn.10071423.2023.13.009收稿日期:20230320修稿日期:20230405基金项目:广东省自然科学基金面上项目(2020A151501672)作者简介:许基棉(2001),男,广东汕头人,本科,研究方向为算法优化和数学建模;*通信作者:田小霞(1973),女,河南汝州人,高级实验师,研究方向为工程信号处理、机器学习、算法优化等,Email:0引
3、言涡激振动(vortexinduced vibration,VIV)是大跨度桥梁在低风速下出现的一种风致振动现象。它是一种限幅振动,不会导致桥梁瞬间坍塌,但过大的振幅会给行人或者行车带来不便,也会造成桥梁的疲劳性损伤1。2020年 4月 26日下午武汉鹦鹉洲大桥2、2020年5月5日虎门大桥3、2020年6月18日浙江舟山西堠门大桥4都发生了风致 VIV,大幅度振动会引起行人和行车的不适,特别是2020年5月5日虎门大桥涡振,由于剧烈振动引起人们的恐慌,管理人员紧急关闭大桥,中断交通。近年来人工智能和数据处理技术的迅速发展给风致大跨度桥梁涡激振动研究带来新的方法。傅里叶变换(FFT)提取信号的
4、频谱信息,Hu等5使用FFT捕捉了VIV期间流线型封闭箱梁周围空气动力的时频演变特征。尽管FFT可以准确地捕捉信号的频率分量,但它缺乏时间信息。连续小波变换(CWT)不仅可以将信号分解为一组频率分量,还可以通过缩放和移动信号来显示它们在时域中的分布6。Ye等7利用CWT将桥梁响应信号生成小波尺度图,用于桥梁的健康检测。机器学习方法是对输入和输出之间复杂关系进行分析和建模的工具。如 Wu等8利用人工神经网络来对涡激振动进行研究。Li等9利用决策树和支撑向量机来对大跨度桥梁的涡激共振建模。Raissi等10将深度学习应用到涡激振动的压力场和速度场的精准预测。Tian等11将有监督学习应用到桥梁涡激
5、振动数据的建模中,通过涡激振动信号的频谱特征优化涡激共振模型。本研究提出一种基于CWT和BP神经网络的桥梁振动状态分类算法。它利用CWT展现信号频谱与时间变化的信号,利用BP神经网络提取涡激振动发展的特征,并建立分类模型。它的创新在于:它是人工智能和桥梁工程的交叉融合,拓展机器学习方法的应用;从一个新颖的角度认识风致大跨度桥梁的涡激振动;它为桥梁管理和运维提供一种智能化的候选方案。1涡激振动发展状态的分类VIV 是一种限幅的振动,振动响应从小到大,然后急速衰减到平稳状态。根据文献 5,研究模型表面上的气动力演化特征,包括 VIV 55现代计算机2023年之前状态、上升状态、最大响应状态、衰减状
6、态和 VIV 之后阶段。由于 VIV 之前和之后的阶段都属于桥梁的较稳定状态,所以应该归属于一个状态。在涡激振动初期出现了谐波频率,需要及时引起桥梁管理方的关注。故本研究将涡激振动发展状态分为五类:无、初期、成长期、鼎盛期和衰减期,如图 1 所示。在 VIV 初期,竖向振动响应振幅很小,但呈现增长趋势。在成长期,竖向响应振幅快速增长。鼎盛期也就是振幅最大值时期,容易引起行车和行人不适。随着风速的增加,竖向振动响应进入快速衰减期,振动幅值迅速减小,随后涡激振动消失。这五种类别受关注程度是不同的,最关注的鼎盛期,其次是成长期,然后是初期和衰减期,无涡激振动期是最不需要关注的。鼎盛期成长期衰减期初期
7、无风速无最大振幅图 1不同风速下涡激振动最大竖向响应2基于CWTBP的分类方法在VIV发展状态的分类研究中,采用如图2所示的 CWTBP 算法框架。该算法框架包括小波变换的应用、分类数据集的生成、BP神经网络的训练、分类结果的输出四个主要过程。CWT是将一维信号转换为二维小波尺度图。根据涡激振动的无、初期、成长期、鼎盛期、衰减期五个分类,CWT将这些类别的VIV信号进行小波变换,得到小波尺度图,并建立分类数据集。BP神经网络训练VIV分类数据集,提取涡激共振的特征,建立分类模型。不同的分类结果对应不同的VIV状态,且输出不同预警信息。图 2CWTBP算法框架2 2.1 1连续小波连续小波信号的
8、特征是信号各频率随时间的变化。信号的傅里叶变换得到信号频谱,但缺失时间信息。连续小波变换可同时提取频谱和时间信息,显示信号频谱随时间的变化。小波变换就是把小波基(t)进行平移b之后,选择尺度a与信号x(t)做内积12。W(a,b)=1a-+x(t)*(t-ba)dt(1)其中:a为尺度因子;b为位移因子;(t)小波基函数;*是复数共轭。信号x(t)与一组正交小波基组进行卷积运算,可将信号分解成位于不同频带和时段内的各个成分。图3显示CWT将时域数据转换为时频图像。Amplitude050100150200Time/s012345Frequency/Hz10110010-31.510.50-0.
9、5-1-1.52Time/s图 3CWT变换 56许基棉等:基于CWTBP的桥梁涡激振动状态分类研究第13期首先,从具有滑动窗口的原始信号x(t)中随机采样n个连续的时域数据点。然后,连续时域数据x(t)的CWT为小波系数W=WaWb,其中Wa为近似系数,对应低频部分,细节系数Wb对应高频部分。最后,将小波系数矩阵转换为小波尺度图。在小波尺度图中可以看出频谱随时间的变化信息。2 2.2 2BPBP神经网络神经网络BP神经网络是一种基于误差逆向传播的多层前馈神经网络,它的框架包括输入层、1层或多层隐含层、输出层13,如图4所示。信号正向传播误差反正向传播.输入层输出层隐含层图 4BP神经网络框架
10、BP神经网络的学习能力在于它使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。对神经网络来说,其损失函数:loss=J(W,b,X,y)=12hw,b(x)-y2(2)其中:W为权重,b为偏置。为了防止过拟合,在损失函数中会加入正则项,即:J=loss+R(3)其中:loss是损失函数,R表示正则项。本研究的训练集损失函数:J(W,b)=1ni=1mJ(W,b,X(i),y(i)+2l=1nli=1sl+1j=1sl()W(l)ij2(4)其中:l表示层数,Wij表示第l+1层的第i个神经元和第l层的第j个神经元的权重。给定训练集(X,Y),通过前向传播算法计算出
11、每一个神经元的输出值,当所有神经元的输出都计算完成后,对每一个神经元计算其“残差”。W和b的更新公式如下:W()lij=W()lij-W()lijJ()W,bb(l)i=b(l)i-biJ(W,b)W(l)ijJ(W,b)=(l)jl+1ibiJ(W,b)=l+1i(5)其中:a(l)j表示第l层上的第j个神经元的输出。3仿真结果仿真的软件是 Matlab 2021b,硬件是 Dellprecision 7540 工作站。信号数据集的个数为266,小波尺度图为224224。BP神经网络包含1个隐含层,该隐含层有5个神经元。BP的最大迭代次数为2000,学习率为0.035,动量因子为0.85,目
12、标误差为1E-3。对于多分类来说,分类指标主要有精确率、召回率、F1_score。这些指标是建立在分类的混淆矩阵之上。TP(true positive):样本的真实类别和预测类别都是正类;TN(true negative):样本的真实类别和预测类别都是负类。FN(falsenegative):样本的真实类别是正类,但是预测类别为负类。FP(false positive):样本的真实类别是负类,但预测类别为正类。精确率:指分类正确的正样本占分类器正样本的比例。Precision=TPTP+FP(6)召回率:指分类正确的正样本个数占真正的正样本个数的比例。Recall=TPTP+FN(7)F1_M
13、easure 值是精确率和召回率的调和平均值。F1_Measure=2 Precision RecallPrecision+Recall(8)宏平均(macro_avg)是对所有类别的Precision、Recall、F1指标平均。而加权平均(weighted_avg)是将每个类别的 Precision、Recall、F1乘以每个类别样本数量在总样本中占比,然后进行平均得到的。在表1中,无论宏平均还是加权平均,57现代计算机2023年BP 的召回率、精确率、F1_score 分类指标都高于0.9。表 1BP神经网络的分类指标宏平均加权平均召回率0.90700.9016精确率0.90910.90
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CWT BP 桥梁 振动 状态 分类 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。