(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210949921.7 (22)申请日 2022.08.09 (71)申请人 东南大学 地址 210018 江苏省南京市玄武区四牌楼 2 号 (72)发明人 吴刚　黎剑安　冯东明　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 徐尔东 (51)Int.Cl. G01L 5/00(2006.01) G01M 7/08(2006.01) G01M 13/00(2019.01) G01P 15/00(2006.01) G06F 30/23(2020.01) (54)发明名称 一种船撞桥墩荷载的实时识别方法及健康 检测系统 (57)摘要 本发明涉及一种船撞桥墩荷载的实时识别 方法及健康检测系统， 在桥墩上合理地进行传感 器布置， 配置好健康检测系统； 将采集到的信号 通过工业路由器传送至远程终端； 建立远程终端 的数据储存系统以及数据预处理系统； 在终端计 算机设备上建立桥墩有限元模型， 并根据采集到 的数据进行有限元模型修正； 根据有限元模型， 选取合适的荷载识别算法， 并将有限元模型集成 于荷载识别算法中； 基于上述步骤， 进行荷载识 别预实验。 一旦桥墩受到船撞冲击， 基于采集到 的数据和荷载识别算法对冲击荷载时程进行反 演。 本发明识别到的冲击荷载时程能为船撞桥墩 的仿真模拟参考， 也能用于桥墩被撞后的性能评 估， 为桥梁整体的安全性能提供 理论性的评价指 标。 权利要求书3页 说明书8页 附图2页 CN 115326260 A 2022.11.11 CN 115326260 A 1.一种船撞桥墩荷载的实时识别方法， 其特 征在于： 具体包括以下步骤： 步骤S1： 在桥墩上布置若干加速度传感器， 配置匹配的健康检测系统； 步骤S2： 若干加速度传感器采集桥墩信息数据， 并将信息数据通过工业路由器传送至 远程终端； 步骤S3： 远程终端将收集到的桥墩信息数据整合后通过数据预处理系统进行预处理， 预处理后的数据信息建立数据储 存系统； 步骤S4： 在远程终端处建立桥墩的有限元模型， 根据建立的数据储存系统对有限元模 型修正； 步骤S5： 基于步骤S4中修正后的有限元模型， 导出有限元模型的质量、 刚度以及阻尼矩 阵选取匹配的荷载识别算法， 将有限元模型集 成于荷载识别算法中； 其中， 选取的荷载识别 算法为基于增秩卡尔曼 滤波器的荷载识别算法； 步骤S6： 当桥墩受到船撞冲击， 基于步骤S2中若干传感器采集到的桥墩信息数据， 结合 步骤S5中的荷载识别算法对冲击荷载时程进 行反演， 以验证步骤S 5的识别算法能够有效完 成船撞力的识别。 2.根据权利要求1所述的船撞桥墩荷载的实时识别方法， 其特征在于： 步骤S1中， 在桥 墩的不同位置设置六个加速度传感器， 其中， 选取的加速度传感器量程为50g， 分辨率为 0.0005m/s2； 步骤S2中， 远程终端为采集仪， 所述的采集仪采用8通道 24位采集仪 。 3.根据权利要求2所述的船撞桥墩荷载的实时识别方法， 其特征在于： 步骤S3中， 数据 储存系统的容 量选用10 00TB。 4.根据权利要求3所述的船撞桥墩荷载的实时识别方法， 其特征在于： 步骤S3中， 数据 预处理系统对 采集到的桥墩信息数据的预处 理包括重采样、 去趋势、 滤波以及去噪。 5.根据权利要求4所述的船撞桥墩荷载的实时识别方法， 其特征在于： 步骤S4中建立的 有限元模型， 对其做模态分析后得到的自振频率与采集仪获取的桥墩信息数据的振动频率 相同。 6.根据权利要求5所述的船撞桥墩荷载的实时识别方法， 其特征在于： 步骤S5中， 选取 的荷载识别算法包括以下步骤： 步骤S51： 构建桥墩的动力学 方程， 具体为 公式(1)中， Mb为桥墩的质量， Cb为桥墩的阻尼， Kb为桥墩的刚度矩阵， yb(t)为桥墩的位 移向量， H(t)为节点力的位置矩阵， 位置矩阵为 H＝[0…1…0]T    (2) 公式(2)中， 元 素的1处对应的即为船撞力作用的节点， 元 素为0即表示该处没有荷载； 步骤S52： 基于公式(1)建立 桥墩结构的状态方程 公式(3)中， Mb为桥墩的质量， Cb 为桥墩的阻尼， Kb为桥墩的刚度矩阵， yb(t)为桥墩的位移向量；权　利　要　求　书 1/3 页 2 CN 115326260 A 2步骤S53： 将公式(3)离 散化， 得到状态方程 桥墩的状态方程 为 Xk+1＝AdXk+Bdfk+ωk    (4) 公式(4)中， fk为 荷载； 同时， 桥墩状态的测量方程 为 公式(5)中， Cd为观测矩阵， Dd为前馈矩阵， ξk为观测噪声， fk为荷载， Xk为状态向量， dk为 观测值； 公式(4)和公式(5)中荷载fk的递推关系式表示 为： fk+1＝fk+ ηk    (6) 公式(6)中， ηk为荷载fk在第k个时间步的增量； 步骤S54： 将公式(4)的状态方程和公式(5)的测量方程中的fk增秩到状态向量Xk中， 得 到以下联立方程组： 公式(7)中， Cd为观测矩阵， Dd为前馈矩 阵， ηk为荷载fk在第k个时间步的增量， Xk为状态向量， ωk为过程噪声， dk为观测值； 步骤S55： 采用卡尔曼 滤波器进行荷载识别时先进行 预测， 其中增秩 状态预测公式 以及预测得到误差协方差矩阵估计 公式(8)中， 为第k时刻状态向量的预估计， 为第k‑1时刻状态向量的最优估计， 公式(9)中， 为该过程 的预测误差， T为ζk的协方差矩阵， 表示系统模型的误 差； 步骤S56： 对步骤S5 5中预测得到的公式(8)和公式(9)进行 更新， 得到方程组 公式(10)中， 为第k时刻状态 向量的预估计， 为该过程的预测误差， 为第k‑1 时刻状态向量的最优估计， Pk为最优估计的估计误差， Kk为卡尔曼增益， T为ζk的协方差矩 阵， 表示系统模型的误差， S为ξk的协方差， 表示观测值的误差； 步骤S57： 提前选定公式(10)中协方差S的取值， 对步骤S55 ‑步骤S56的荷 载识别过程进 行迭代， 计算每一次迭代的误差， 选取误差最小时协方差S的取值， 将误差最小时协方差S的 取值代入公式(10)， 其中， 协方差S的误差计算方法为权　利　要　求　书 2/3 页 3 CN 115326260 A 3