先用knn对数据集进行预处理再利用神经网络对数据集进行分类_监测大型民用结构的无线传感系统(二)—

关注我们，跟踪前沿的研究

🔙 回顾：监测大型民用结构的无线传感系统(一)在我们所收集的数据中，不考虑桥梁纵向的振动数据，因为它们对桥梁的动力评估不重要。所以，选择对桥和后张拉索的振动数据进行模态分析。在这里，使用的数据处理工具箱也是我们往期介绍过的，忘记的快去补课！🔙 回顾：结构模态分析新工具箱开发

模态参数识别

Identification of model parameters

在对大型结构进行监测的时候，通常会收集到非常大量的数据集。因此对数据的预处理，我们采用去除加速度平均值和趋势，以得到功率谱密度(PSD)。 ❓为什么要得到传感器网络各个通道的PSD值？还记得我们在《方法论》这期中介绍过数字信号处理和振动测试的相关概念。PSD——Power Spectral Density，它的定义是：表征信号的功率能量与频率关系的物理量。对于结构的振动测试而言，PSD可用来研究此类 随机振动信号。其最大特征就是，可将不同频率分辨率下的数据都进行归一化，最终得到PSD曲线趋势。也就是下图分析得到的结果。这样的趋势图，非常直观并且利于比较。了解了基本概念，再说回这组数据，这里我们取Ch.11的数据来处理。

Ch.11在横向和垂直方向上的加速度功率谱密度从图中很容易得到一个结论，就是在不同时间段或不同日期的PSD值都具有非常良好的一致性。这也直接说明了，安装在Newmarket高架桥上的传感器网络它的监测性能良好。再利用增强频域分解方法——EFDD对一周内的振动数据进行分析，从而确定桥梁运行数年后的动力特性。从下图可以看出，监测期间自然频率依然具有良好的一致性，其中微小的变化是由于信号的平稳性和算法的准确性所产生的，属于可忽略误差值。

一周监测期内，由Ch4测得的桥梁模态频率变化

幅值对后张拉索频率的影响

post-tensioning cables

这步通常用Shimada开发的多模态振动法来分析，先了解一下原理：

上式中，Z为竖向位移，X为纵向坐标，m为单位质量，EI为索抗弯刚度，T为索张力。假设EI、T为沿索长常数，两端为铰接的边界条件，得到：

其中l为长度，fn为索的第n个固有频率，则得到：

通过上述方法，可以得到下图两组低振幅和高振幅振动数据。取时间段为5.00 am - 9.00 pm。很显然，晚上9点记录的数据比早上5点具有更高的振幅。再对低振幅和高振幅数据集进行线性回归，可得到图表中的结果。

这两期我们带大家粗略了解了评估无线传感网络和桥梁监测的大致过程。在实际工程中需要考虑的会更多(风力、温度等自然因素；桥上车辆往来；结构自身损耗等)。尤其是对这种大型结构的监测，充满了不确定性，而传统的人工视觉检测耗时耗力且工程量巨大。因此，合理配备传感器网络，不断提高其灵敏度和分辨率，将会极大地提高结构监测的效率。本期以原理内容为主，篇幅限制无法介绍的更详细，记得看完后自己也要主动加深了解哦。

往期精彩回顾

SHM探索

SHM前沿 | SVMs的未学习模式新检测法
比较六种基于刚度的损伤监测方法
季节冻结性对桥梁动力特性的影响
结构模态分析新工具箱开发
基于振动的损伤监测(VBDD)新方法论(一)
让结构学会自己进化(一)！

机器学习

机器学习：神经网络基础
机器学习：逻辑回归的损失函数
机器学习：梯度下降法和学习率
机器学习：线性回归与逻辑回归
机器学习：kNN算法参数调优
机器学习：kNN实现MNIST数据分类

地震工程

小程序：PEER地震波格式转换可执行程序v1.1
小程序：试验数据同步
剪力墙有限元模型简述Ⅲ：桁架模型及代码实现
新西兰设计反应谱计算软件v1.0发布
杨群博士开题答辩：低损伤混凝土墙结构的抗震设计
python网页爬虫实战：PEER数据库地震波批量下载
新西兰钢筋混凝土墙设计程序完整版简介
PEER地面运动数据库使用教程Ⅱ：创建反应谱
PEER地面运动数据库使用教程Ⅰ：搜索原始数据
新西兰抗震新技术“Selective weakening”

点个在看，让更多人认识我们

先用knn对数据集进行预处理再利用神经网络对数据集进行分类_监测大型民用结构的无线传感系统(二)——数据处理...