密度峰值聚類在塔機(jī)損傷診斷中的應(yīng)用研究

王勝春，安 宏，安增輝，李文豪

（山東建筑大學(xué)機(jī)電工程學(xué)院，山東 濟(jì)南 250101）

1 引言

塔式起重機(jī)（以下簡(jiǎn)稱塔機(jī)）是現(xiàn)代基礎(chǔ)建設(shè)過(guò)程中非常重要的工程機(jī)械。隨著我國(guó)經(jīng)濟(jì)的蓬勃發(fā)展，塔機(jī)使用數(shù)量也快速增加，但是，塔機(jī)事故的發(fā)生率也逐年上升，如何保障塔機(jī)設(shè)備的施工安全已經(jīng)成為迫切需要解決的問(wèn)題［1］。金屬結(jié)構(gòu)組成了塔機(jī)的基本骨架，包括塔身、起重臂和平衡臂等。尤其是標(biāo)準(zhǔn)節(jié)組成的塔身更是塔機(jī)的重要組成部分。塔身的長(zhǎng)期使用造成的結(jié)構(gòu)損傷如果不能被及時(shí)發(fā)現(xiàn)將給塔機(jī)的使用安全帶來(lái)極大的安全隱患。針對(duì)結(jié)構(gòu)損傷，人們提出了許多基于振動(dòng)的結(jié)構(gòu)損傷檢測(cè)技術(shù)，這些技術(shù)可以根據(jù)損傷指標(biāo)特征或方法（基于物理的或數(shù)據(jù)驅(qū)動(dòng)的）進(jìn)行分類?，F(xiàn)有的損傷檢測(cè)方法可以分為（1）基于模型的結(jié)構(gòu)損傷識(shí)別；（2）基于人工智能技術(shù)的損傷識(shí)別；（3）基于信號(hào)處理的損傷識(shí)別。

文獻(xiàn)［2］利用基于動(dòng)力指紋的模型識(shí)別方法，通過(guò)反演分析利用預(yù)先得到的定量關(guān)系最終得到對(duì)應(yīng)的橋塔沖刷深度。文獻(xiàn)［3］研究并采用全因子設(shè)計(jì)進(jìn)行動(dòng)力指紋庫(kù)的創(chuàng)建，可精確評(píng)估設(shè)定的損傷因子及其交互作用對(duì)損傷識(shí)別結(jié)果的影響。文獻(xiàn)［4］使用張量學(xué)習(xí)和支持向量機(jī)，將密度估計(jì)技術(shù)產(chǎn)生的人工負(fù)數(shù)據(jù)用于一類損傷檢測(cè)、定位和估計(jì)，通過(guò)人工負(fù)數(shù)據(jù)調(diào)整支持向量機(jī)參數(shù)和校正概率輸出。文獻(xiàn)［5］把貝葉斯理論和免疫遺傳算法相結(jié)合，通過(guò)貝葉斯理論對(duì)結(jié)構(gòu)模態(tài)應(yīng)變能和頻率進(jìn)行整合，初步?jīng)Q定損傷位置，再采用免疫遺傳算法精確確定。文獻(xiàn)［6］提出了一種基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)（AANNs）的橋梁結(jié)構(gòu)損傷檢測(cè)方法，通過(guò)消除溫度效應(yīng)來(lái)檢測(cè)橋梁結(jié)構(gòu)的損傷，基于時(shí)間序列分析的結(jié)構(gòu)損傷特征提取方法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)由損傷特征和溫度效應(yīng)共同作用。上述方法在各自領(lǐng)域可以較為準(zhǔn)確的判定損傷，但是這些方法需要前期通過(guò)大量的損傷數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，這一條件在塔機(jī)上無(wú)法實(shí)現(xiàn)，因?yàn)樗C(jī)屬于高危設(shè)備，不可能在真實(shí)的塔機(jī)上進(jìn)行損傷實(shí)驗(yàn)來(lái)獲取大量數(shù)據(jù)用于前期訓(xùn)練。另一方面，由于塔機(jī)會(huì)隨著工地的變化而經(jīng)常拆裝，結(jié)構(gòu)復(fù)雜而龐大，完全依靠有限元模型獲取損傷數(shù)據(jù)進(jìn)行診斷無(wú)法達(dá)到良好的效果。

論文提出一種基于密度峰值聚類的塔機(jī)損傷識(shí)別智能診斷方法，無(wú)需損傷狀態(tài)的數(shù)據(jù)訓(xùn)練，只需要完好狀態(tài)的數(shù)據(jù)和待檢狀態(tài)的數(shù)據(jù)，分別建立塔機(jī)基于懸臂梁的雙輸入單輸出模型和基于時(shí)域數(shù)據(jù)的雙輸入單輸出模型，把兩種雙輸入單輸出模型求出的損傷因子經(jīng)過(guò)密度峰值聚類自動(dòng)診斷塔機(jī)是否損傷以及損傷位置的確定。

2 塔機(jī)模型建立與驗(yàn)證

根據(jù)塔機(jī)的結(jié)構(gòu)特點(diǎn)和ANSYS軟件的計(jì)算特點(diǎn)，把塔機(jī)的電機(jī)等附件采用質(zhì)量單元Mass21等效處理。用塔機(jī)底部的四個(gè)節(jié)點(diǎn)施加全約束模擬地基螺栓；回轉(zhuǎn)平臺(tái)與平衡臂和起重臂結(jié)構(gòu)等構(gòu)件均用梁?jiǎn)卧狟eam188 模擬，塔機(jī)起重臂和平衡臂與塔帽之間的拉桿用桿單元Link180模擬，且拉桿只受拉力；對(duì)塔機(jī)上下支座等影響不大的機(jī)構(gòu)，使用梁?jiǎn)卧刃幚恚粚⑵胶獗?、起升與回轉(zhuǎn)平臺(tái)等銷軸連接處采用耦合處理模擬。塔機(jī)的鋼結(jié)構(gòu)部件材料均使用鋼材的標(biāo)準(zhǔn)屬性設(shè)置，即彈性模量E=210GPa，泊松比μ=0.3，密度ρ=7800kg/m3。建立的塔機(jī)有限元模型，如圖1所示。

圖1 塔機(jī)整機(jī)有限元模型Fig.1 Finite Element Model of Tower Crane

通過(guò)減少單元的彈性模量來(lái)模擬塔機(jī)塔身?yè)p傷，工況如下所示，損傷位置為每個(gè)標(biāo)準(zhǔn)節(jié)的最上端的部分。損傷單元占整個(gè)單獨(dú)標(biāo)準(zhǔn)節(jié)主肢長(zhǎng)度的5%，占塔身長(zhǎng)度的0.36%。比如工況1的具體的損傷位置，如圖2 所示。圓圈內(nèi)標(biāo)號(hào)為L(zhǎng)2的單元為損傷單元。對(duì)以下5種塔機(jī)結(jié)構(gòu)狀態(tài)進(jìn)行研究：

圖2 工況1損傷圖Fig.2 Damage Diagram of Condition 1

（1）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷90%（彈性模量消減90%）（工況1）；

（2）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷50%（彈性模量消減50%）（工況2）；

（3）塔身平衡臂側(cè)第二標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷10%（彈性模量消減10%）（工況3）；

（4）塔身平衡臂側(cè)第六標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷10%（彈性模量消減10%）（工況4）；

（5）塔身平衡臂側(cè)第十標(biāo)準(zhǔn)節(jié)頂端的損傷單元損傷10%（彈性模量消減10%）（工況5）。

為了驗(yàn)證塔機(jī)有限元模型的準(zhǔn)確性，根據(jù)該塔機(jī)型式試驗(yàn)檢測(cè)報(bào)告［7］檢測(cè)時(shí)的工況，在幅度70m處施加額定載荷3440kg，對(duì)塔機(jī)有限元模型進(jìn)行了對(duì)比分析結(jié)果，如表1所示。

表1 模型對(duì)比分析結(jié)果Tab.1 Model Comparison Analysis Results

由表1可知，四個(gè)位置較大的誤差為10.7%，其他誤差保持在10%以內(nèi)，證明了模型的可用性。根據(jù)文獻(xiàn)［8］的方法計(jì)算塔機(jī)吊重為1502kg時(shí)的起升激勵(lì)載荷，施加到起升幅度70m處，根據(jù)塔機(jī)模型的振動(dòng)頻率計(jì)算阻尼和載荷步條件，利用完全法對(duì)塔機(jī)進(jìn)行瞬態(tài)分析。采集每節(jié)標(biāo)準(zhǔn)節(jié)一個(gè)節(jié)點(diǎn)的動(dòng)態(tài)位置，如表2所示。相鄰標(biāo)準(zhǔn)節(jié)之間的采集點(diǎn)距離3m，即一個(gè)標(biāo)準(zhǔn)節(jié)的長(zhǎng)度。

表2 標(biāo)準(zhǔn)節(jié)采樣點(diǎn)Tab.2 Sampling Points for Standard Sections

3 特征提取

3.1 基于懸臂梁的雙輸入單輸出模型的損傷特征提取

塔機(jī)塔身是一個(gè)大型的豎直懸臂梁模型，起重臂、平衡臂和吊重等相當(dāng)于施加在塔身頂端的力或力矩，如果施加的為力矩，根據(jù)撓度公式［9］可得：

式中：ya、yb、yc—塔機(jī)上依次按照高度排列節(jié)點(diǎn)（從下往上）的偏離撓度；α—比例系數(shù)；ε—?dú)埐睢?/p>

可以得出：

考慮到塔機(jī)在動(dòng)態(tài)過(guò)程中會(huì)產(chǎn)生突然激勵(lì)，會(huì)導(dǎo)致實(shí)際某時(shí)刻位移產(chǎn)生較大誤差，所以利用塔機(jī)動(dòng)態(tài)位移的均值建立模型：

式中：yam、ybm、ycm—塔機(jī)上節(jié)點(diǎn)的偏離撓度均值；αm—檢測(cè)模型系數(shù)；εm—檢測(cè)模型殘差。

結(jié)合基于懸臂梁的雙輸入單輸出模型，對(duì)待檢測(cè)數(shù)據(jù)進(jìn)行損傷因子的提取，具體步驟如下所示：

（1）通過(guò)塔機(jī)有限元模型獲取完好狀態(tài)塔機(jī)a、b和c三節(jié)點(diǎn)的動(dòng)態(tài)位移數(shù)據(jù)，節(jié)點(diǎn)a、b和c依次從下往上排列，相鄰點(diǎn)之間的距離為3m，把數(shù)據(jù)均分成n段，得到{Ya1，Ya2，…，Yan}、{Yb1，Yb2，…，Ybn}和{Yc1，Yc2，…，Ycn}；（2）把每段數(shù)據(jù)取均值，得到{yam1，yam2，…，yamn}、{ybm1，ybm2，…，ybmn}和{ycm1，ycm2，…，ycmn}；（3）以{yam1，yam2，…，yamn}和{ycm1，ycm2，…，ycmn}為 輸 入，{ybm1，ybm2，…，ybmn}為輸出，建立基于懸臂梁的雙輸入單輸出模型，求出{αam1，αam2，…，αamn}和{αcm1，αcm2，…，αcmn}，對(duì)其取均值得到αma和αmc；（4）利用αma和αmc建立檢測(cè)基于懸臂梁的雙輸入單輸出檢測(cè)模型；（5）把檢測(cè)數(shù)據(jù)根據(jù)步驟（1）、步驟（2）處理后，代入步驟（4）的模型，求得殘差εam，對(duì)殘差εam平方標(biāo)準(zhǔn)化處理后，得到殘差的方差。

3.2 基于時(shí)域數(shù)據(jù)的動(dòng)態(tài)雙輸入單輸出模型損傷 特征提取

根據(jù)動(dòng)態(tài)時(shí)序數(shù)據(jù)提出建立一種雙輸入單輸出的模型，其基本的形式為：

式中：b—輸出函數(shù)的系數(shù)；

a、c—輸入函數(shù)的系數(shù)；

e（n）—模型殘差。

利用最小二乘法［10-12］對(duì)模型進(jìn)行參數(shù)估計(jì)，參數(shù)估計(jì)公式為：

式中：φ—模型系數(shù)；E—?dú)埐睢?/p>

為了防止最小二乘法估計(jì)的參數(shù)估值偏離較大，提出進(jìn)一步利用粒子群優(yōu)化算法對(duì)其進(jìn)行無(wú)約束優(yōu)化處理。粒子群優(yōu)化算法是一種全局優(yōu)化算法，可以通過(guò)粒子之間的競(jìng)爭(zhēng)和協(xié)作，在各種復(fù)雜的空間里搜尋最優(yōu)解。

參數(shù)優(yōu)化的目標(biāo)函數(shù)為：

式中：N—數(shù)據(jù)長(zhǎng)度；p—階次；φ—模型系數(shù)。

假設(shè)優(yōu)化問(wèn)題是d維優(yōu)化，在d維空間中，M個(gè)粒子組成一個(gè)種群，其中，第i個(gè)粒子表示為：

第i個(gè)粒子的飛行速度為：

每個(gè)粒子的飛行速度影響該粒子下一步的飛行方向和位置，其基本算法如下：

式中：pi—對(duì)應(yīng)個(gè)體極值；

=min()—所有粒子到t時(shí)刻為止求得的歷史最優(yōu)解；

w—慣性權(quán)重因子；

c1、c2—加速因子，通常在（0～2）間取值；

r1、r2—兩個(gè)［0～1］之間變化的相對(duì)獨(dú)立的隨機(jī)均勻數(shù)。

根據(jù)數(shù)據(jù)信號(hào)處理理論，在數(shù)據(jù)代入模型前，對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理。根據(jù)系統(tǒng)的物理性質(zhì)和先驗(yàn)知識(shí)給出模型階次的上限，利用從低階到高階逐個(gè)計(jì)算BIC值，再結(jié)合定階準(zhǔn)則確定模型階次?；跁r(shí)序分析的雙輸入單輸出模型的損傷特征提取的基本過(guò)程：（1）對(duì)3-1所述的步驟（1）求出的{Ya1，Ya2，…，Yan}、{Yb1，Yb2，…，Ybn}和{Yc1，Yc2，…，Ycn}進(jìn)行標(biāo)準(zhǔn)化處理，得到{Yza1，Yza2，…，Yzan}、{Yzb1，Yzb2，…，Yzbn}和{Yzc1，Yzc2，…，Yzcn}；（2）以{Yza1，Yza2，…，Yzan}和{Yzc1，Yzc2，…，Yzcn}為輸入，{Yzb1，Yzb2，…，Yzbn}為輸出，建立基于時(shí)域數(shù)據(jù)的雙輸入單輸出的模型，并利用最小二乘法和粒子群優(yōu)化算法，求出系數(shù)a、b和c，對(duì)系數(shù)a、b和c，取均值，am、bm和cm；（4）把a(bǔ)m、bm和cm作為基于時(shí)域數(shù)據(jù)的雙輸入單輸出的模型的系數(shù)建立基于時(shí)域數(shù)據(jù)的雙輸入單輸出的檢測(cè)模型；（5）把章節(jié)3-1步驟（5）處理的待檢測(cè)數(shù)據(jù)標(biāo)準(zhǔn)化處理后，帶入步驟（4）建立的基于時(shí)域數(shù)據(jù)的雙輸入單輸出的檢測(cè)模型，根據(jù)下述公式計(jì)算殘差的方差：

式中：σ2—?dú)埐畹姆讲?；N—數(shù)據(jù)段長(zhǎng)度；p—輸入階次。

3.3 基于密度峰值聚類的損傷識(shí)別

密度峰值聚類［13-14］是一種根據(jù)：集群中心的特點(diǎn)是比它們的鄰居密度更高，并且與密度更高的點(diǎn)之間的距離相對(duì)較大，這種想法形成的聚類方法。該聚類可以自動(dòng)發(fā)現(xiàn)簇的中心，實(shí)現(xiàn)大規(guī)模和形狀各異的數(shù)據(jù)聚類的高效聚類方法。密度峰值聚類的基本假設(shè)想法為：（1）類密度峰值點(diǎn)的局部密度大于附近點(diǎn)的局部密度；（2）類密度峰值點(diǎn)之間的距離相對(duì)較大。

所以密度峰值聚類引入了兩個(gè)概念：（a）局部密度；（b）到比該點(diǎn)局部密度更大的類密度峰值點(diǎn)之間的距離。

假設(shè)數(shù)據(jù)點(diǎn)yi的局部密度為ρi，到比yi局部密度更大的類密度峰值點(diǎn)yj之間的距離為δi，則有以下定義：

式中：N—數(shù)據(jù)點(diǎn)的數(shù)量；dij—yi與yj之間的距離；dc—截?cái)嗑嚯x，dc—所有數(shù)據(jù)點(diǎn)之間第nd小的距離值；Χ(?)—邏輯判斷函數(shù)，如果(?) ＜0，則Χ(?)=1，否則，則Χ(?)=0。

截?cái)嗑嚯xdc過(guò)大過(guò)小都會(huì)影響聚類的結(jié)果，如果過(guò)大，將會(huì)導(dǎo)致每個(gè)數(shù)據(jù)點(diǎn)的ρi值區(qū)分度不高，過(guò)小會(huì)導(dǎo)致同一簇的數(shù)據(jù)被拆分成多個(gè)。根據(jù)文獻(xiàn)［13］，把dc的比例鎖定在總距離數(shù)據(jù)量的（1～2）%。

局部密度最大的數(shù)據(jù)點(diǎn)yi的δi為：

根據(jù)以上定義，以ρi為x軸，δi為y軸構(gòu)造決策圖，ρi和δi都較大的點(diǎn)為簇中心點(diǎn)，而ρi較小但δi較大的點(diǎn)為異常點(diǎn)。

根據(jù)以雙輸入單輸出模型和密度峰值聚類的損傷識(shí)別基本步驟為：

（1）以章節(jié)3-1計(jì)算出的為x軸，章節(jié)3-2計(jì)算出的σ2為y軸構(gòu)建待檢測(cè)損傷特征，對(duì)其進(jìn)行歸一化后得到損傷因子，得到損傷因子D和F；

（2）計(jì)算任意兩組數(shù)據(jù)之間的距離；

（3）根據(jù)距離和數(shù)據(jù)組數(shù)計(jì)算出截?cái)嗑嚯xdc，同時(shí)根據(jù)dc計(jì)算出任意數(shù)據(jù)點(diǎn)的ρi和δi；

（4）以ρi為x軸，δi為y軸畫出決策圖；

（5）根據(jù)決策圖選擇出簇中心點(diǎn)和異常點(diǎn)；

（6）將剩余點(diǎn)進(jìn)行分類，將每個(gè)剩余的數(shù)據(jù)點(diǎn)分配到它的最近鄰且密度比其大的數(shù)據(jù)點(diǎn)所在的簇。

4 結(jié)果分析

4.1 基于懸臂梁的雙輸入單輸出模型的損傷特征數(shù)據(jù)提取分析

根據(jù)章節(jié)3-1的步驟計(jì)算輸入節(jié)點(diǎn)a和c的參數(shù)均值αma和αmc，如表3所示。

表3 參數(shù)均值αma和αmcTab.3 Mean Sum of Parameters αma and αmc

根據(jù)章節(jié)3-1步驟求出各待檢測(cè)工況的，完好工況各標(biāo)準(zhǔn)節(jié)（節(jié)點(diǎn)a所在的標(biāo)準(zhǔn)節(jié)）的，如表4所示。

表4 完好工況的Tab.4 Intact Condition

表4 完好工況的Tab.4 Intact Condition

表中，一、二……和十一，為標(biāo)準(zhǔn)節(jié)號(hào)。按照步驟求得各工況的每一個(gè)標(biāo)準(zhǔn)節(jié)的。

4.2 基于時(shí)域數(shù)據(jù)的雙輸入單輸出模型的損傷特征數(shù)據(jù)提取分析

根據(jù)章節(jié)3-2的步驟利用BIC準(zhǔn)則為基于時(shí)域數(shù)據(jù)的雙輸入單輸出的模型，對(duì)12組數(shù)據(jù)定階時(shí)，階次范圍為（1～3）。但是考慮到當(dāng)階次為1時(shí)容易造成模型的不正確性和信息丟失，選取模型的階次為3。節(jié)點(diǎn)a在第三標(biāo)準(zhǔn)節(jié)時(shí)的BIC值圖，如圖3所示。

圖3 BIC值Fig.3 BIC Value

根據(jù)完好工況數(shù)據(jù)和步驟（4）求出優(yōu)化后的參數(shù)均值am、bm和cm，如表5所示。

表5 完好工況參數(shù)均值am、bm和cmTab.5 Mean Values of Parameters am，bm and cm Under Intact Conditions

利用表5的數(shù)據(jù)建立各標(biāo)準(zhǔn)節(jié)對(duì)應(yīng)的雙輸出單輸入檢測(cè)模型，通過(guò)待檢測(cè)數(shù)據(jù)代入模型，求得σ2，完好工況求得σ2，如表6所示。

表6 完好工況σ2Tab.6 Good Working Condition σ2

表中，一、二……和十一，為標(biāo)準(zhǔn)節(jié)號(hào)。按照步驟求得各工況的每一個(gè)標(biāo)準(zhǔn)節(jié)的σ2。如圖4所示，為參數(shù)優(yōu)化前后，完好工況殘差的方差σ2的均值對(duì)比。從圖中可以看出，優(yōu)化前完好工況殘差的方差σ2的均值起伏較大，而優(yōu)化后完好工況殘差的方差σ2的均值起伏較小，優(yōu)化后的參數(shù)均值建立的模型精度更高。

圖4 參數(shù)優(yōu)化前后完好工況殘差的方差σ2的均值Fig.4 Mean Value of Variance σ2 of Residual of Intact Condition Before and After Parameter Optimization

4.3 基于密度峰值聚類的損傷識(shí)別分析

對(duì)章節(jié)3-1和3-2求得的各工況的每一個(gè)標(biāo)準(zhǔn)節(jié)的和σ2進(jìn)行標(biāo)準(zhǔn)化處理，比如把完好工況和工況1的損傷因子統(tǒng)一進(jìn)行標(biāo)準(zhǔn)化處理，得到損傷因子D和F。以完好工況和工況1的損傷因子D為x軸，損傷因子F為y軸畫圖，如圖5所示。

由圖5可知，完好工況和工況1的損傷因子區(qū)分明顯，工況1有一部分損傷因子出現(xiàn)部分?jǐn)?shù)據(jù)偏離，這部分?jǐn)?shù)據(jù)出現(xiàn)異常，采用密度峰值聚類分析方法進(jìn)一步實(shí)現(xiàn)損傷狀態(tài)和損傷位置的智能診斷。以損傷因子D為x軸，以損傷因子F為y軸。對(duì)完好工況和工況1的損傷因子DF進(jìn)行密度峰值聚類分析，得到?jīng)Q策圖，如圖6所示。由圖可知，ρi和δi都較大的點(diǎn)選擇為簇中心點(diǎn)，方框內(nèi)的點(diǎn)，而ρi較小但δi較大的點(diǎn)選擇為異常點(diǎn)，圓圈內(nèi)的點(diǎn)。對(duì)完好工況和工況1的損傷因子DF分析結(jié)果，如表7、表8所示。判別圖，如圖7所示。

表7 完好工況分析結(jié)果Tab.7 Results of Intact Condition Analysis

表8 工況1分析結(jié)果Tab.8 Analysis Results of Condition 1

圖6 完好工況決策圖Fig.6 Identification Diagram of Intact Working Condition

圖7 完好工況與工況1損傷判別圖Fig.7 Damage Discrimination Diagram of Intact Condition and Condition 1

由表7、表8和圖7可知，264組數(shù)據(jù)被分成兩類，只有工況1（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)的數(shù)據(jù)被判定為‘2’，完好工況數(shù)據(jù)和工況1（檢測(cè)）其他的標(biāo)準(zhǔn)節(jié)數(shù)據(jù)都被判定為‘1’，工況1（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)脫離群體判定，所以工況1（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)出現(xiàn)了損傷。

同理對(duì)其他工況進(jìn)行損傷識(shí)別。對(duì)完好工況和工況2的損傷因子DF分析結(jié)果，如圖8所示。

圖8 完好工況與工況2損傷判別圖Fig.8 Damage Discriminant Diagram of Intact Condition and Condition 2

由圖8可知，只有工況2（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)的數(shù)據(jù)被判定為‘2’，完好工況數(shù)據(jù)和工況2（檢測(cè)）其他的標(biāo)準(zhǔn)節(jié)數(shù)據(jù)都被判定為‘1’，同理可知工況2（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)出現(xiàn)異常情況，即出現(xiàn)損傷。

由圖9可知，只用工況3（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)的數(shù)據(jù)被判定為‘2’，完好工況數(shù)據(jù)和工況3（檢測(cè)）其他的標(biāo)準(zhǔn)節(jié)數(shù)據(jù)都被判定為‘1’，同理可知工況3（檢測(cè)）的第二標(biāo)準(zhǔn)節(jié)出現(xiàn)異常情況，即出現(xiàn)損傷，該方法可以判斷第二節(jié)標(biāo)準(zhǔn)節(jié)損傷10%的損傷工況。

圖9 完好工況與工況3損傷判別圖Fig.9 Damage Discrimination Diagram of Intact Condition and Condition 3

從上述分析可以看出本方法可以準(zhǔn)確的判斷損傷和損傷位置的確定，下面對(duì)為了驗(yàn)證本方法對(duì)損傷位置的影響，對(duì)工況4和工況5進(jìn)行損傷識(shí)別分析結(jié)果，如圖10、圖11所示。

圖10 完好工況與工況4損傷判別圖Fig.10 Damage Discriminant Diagram of Intact Condition and Condition 4

圖11 完好工況與工況5損傷判別圖Fig.11 Damage Discriminant Diagram of Intact Condition and Condition 5

由圖10可知，只有工況4（檢測(cè)）的第六標(biāo)準(zhǔn)節(jié)的數(shù)據(jù)被判定為‘2’，完好工況數(shù)據(jù)和工況2（檢測(cè)）其他的標(biāo)準(zhǔn)節(jié)數(shù)據(jù)都被判定為‘1’，同理可知工況4（檢測(cè)）的第六標(biāo)準(zhǔn)節(jié)出現(xiàn)異常情況，即此位置出現(xiàn)損傷。由圖11可知，只有工況5（檢測(cè)）的第十標(biāo)準(zhǔn)節(jié)的數(shù)據(jù)被判定為‘2’，完好工況數(shù)據(jù)和工況5（檢測(cè)）其他的標(biāo)準(zhǔn)節(jié)數(shù)據(jù)都被判定為‘1’，同理可知工況5（檢測(cè)）的第十標(biāo)準(zhǔn)節(jié)出現(xiàn)異常情況，即此位置出現(xiàn)損傷。從上述分析中可知，本方法可以對(duì)損傷單元微小的損傷進(jìn)行狀態(tài)判定，而且可以對(duì)損傷位置準(zhǔn)確定位。這里提出的方法提高了對(duì)微小損傷識(shí)別的精度和位置的確定。

5 結(jié)論

基于塔機(jī)的振動(dòng)信號(hào)進(jìn)行鋼結(jié)構(gòu)的智能診斷，建立塔機(jī)有限元模型，通過(guò)塔機(jī)型式實(shí)驗(yàn)報(bào)告驗(yàn)證正確性，獲取每節(jié)標(biāo)準(zhǔn)節(jié)采樣點(diǎn)的動(dòng)態(tài)位移數(shù)據(jù)，提出了兩種模型建立方法，以完好工況的動(dòng)態(tài)數(shù)據(jù)建立兩種不同的雙輸入單輸出模型：基于懸臂梁的雙輸入單輸出的模型和基于時(shí)域數(shù)據(jù)的雙輸入單輸出模型，求得兩個(gè)模型的系數(shù)均值，用系數(shù)均值建立損傷檢測(cè)模型，用各工況的數(shù)據(jù)擬合檢測(cè)模型，求得和σ2，對(duì)其標(biāo)準(zhǔn)化處理后，利用自適應(yīng)截?cái)嗑嚯x，進(jìn)行密度峰值聚類分析，通過(guò)仿真數(shù)據(jù)驗(yàn)證了本方法在塔身結(jié)構(gòu)微小損傷時(shí)也可以實(shí)現(xiàn)損傷識(shí)別和損傷位置確定，此外，這種基于密度峰值的聚類方法，無(wú)需塔機(jī)結(jié)構(gòu)前期的損傷數(shù)據(jù)，只需要完好狀態(tài)的數(shù)據(jù)和待檢狀態(tài)的數(shù)據(jù)即可實(shí)現(xiàn)結(jié)構(gòu)的智能診斷。