基于独立分量分析的桥梁动态称重多车识别研究

发布时间：2020-07-10 05:01

【摘要】：桥梁动态称重(Bridge weigh-in-motion,BWIM)是一种无需直接接触获得车辆轴重信息的有效方法。在单车过桥情况下,传统的BWIM系统能够有效识别轴重,尤其在总重方面识别精度很高,而在多车同时过桥的情况下,由于多车响应信号相互干扰,传统的BWIM系统无法准确识别轴重。针对BWIM系统中的多车轴重识别问题,提出了利用独立分量分析(Independent Component Analysis,ICA)分离多车引起的混合响应信号的方法。通过ICA分离混合响应信号,获得单车对应的响应信号,即可利用传统的BWIM系统进行轴重识别。这种方法对桥梁结构信息依赖度低,与通过改进传统BWIM算法解决多车过桥问题的方法如影响面法相比更具有普适性。本文基于仿真分析,美国阿拉巴马州I-78桥,I-459桥和广东省清远市伦洲大桥北侧引桥的现场试验,对应用ICA解决BWIM系统中的多车识别问题进行了相关研究,主要完成了以下工作:(1)基于各主梁间的应变关系,建立BWIM系统中的ICA模型,并阐述了利用ICA解决BWIM系统中的多车识别问题的一般步骤。(2)通过对仿真实验得到的多车模拟混合响应信号进行分离,比较了三种ICA算法(二阶盲辨识:WASOBI,快速独立分量分析:FastICA和联合近似特征矩阵对角化:JADE)的分离效果,并引入了具体的分离效果评价参数:信号干扰比(SIR)和波形相似系数(NCC),结果表明WASOBI算法更稳定且分离效果较好,所以初步选择WASOBI算法用于实桥混合响应信号分离。此外,通过在模拟混合信号中添加高斯白噪声,研究了三种ICA算法的抗噪音干扰能力。(3)利用WASOBI算法分离三座不同类型桥梁的现场实测混合信号,验证了该算法的有效性。调整了二维Moses算法的轴重识别算法,并以此对得到的单车响应信号进行轴重识别,结果表明总重及组轴识别较准,单轴识别相对较差。此外,根据三座桥的各梁应变信号特征和信号分离结果,分析了将ICA用于不同桥型桥梁的混合响应信号分离时需要进行的相关调整。(4)分析了信号分离精度的主要影响因素:独立性和混合线性程度,结果表明不同的ICA算法对这些因素的敏感度不同。通过对这些因素的分析研究,发现FastICA和JADE算法的分离效果与源信号独立程度正相关,WASOBI算法虽然受独立性影响小,能够适应多数情况下的多车信号分离,但在源信号分量间独立性强的情况下,分离效果有时没有FastICA或JADE算法好,因此对实际ICA算法的选择和各算法适应的情况作了更进一步分析。混合模式的线性程度较高时对分离效果影响小,但随着线性程度的下降,会出现无法有效分离的情况。(5)针对某些情况下BWIM中源信号难以满足ICA中的独立性假设导致信号分离效果较差的问题,本文提出利用一种无需独立性假设的非负矩阵分解法(NMF)作为ICA的补充算法分离混合响应信号。NMF以非负性假设为约束分离信号,仿真和实桥信号分离结果表明其分离效果较好,为BWIM系统中混合响应信号的分离拓展了一条新思路。
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U446
【图文】：

干扰车,标定车,现场照片

多车混合信号分离的有效性，另一方面可提到的去除单车识别中的其他车辆干扰）定试验作为多车过桥工况，具体车辆信息载五轴车，行驶于车道 2，2 号车是干扰车13~4.14 分别为双车作用下的混合应变信号道 1 的 FAD 信号和来看，干扰车也为一荷载横向相距较远的主梁应变很小，所以图号及相应的车道 1 和车道 2 的 FAD 信号表 4.2 车辆信息轴重(t) 轴距(m 3 轴 4 轴 5 总重轴 1-轴 2 轴 2-轴 3 轴.4 8.2 8.4 35.8 4.3 1.3 －－－－－

车型,应变信号,车道,四轴车

图 4.20 车型及试验现场由于车型限制，试验采用的双车工况仅为上表所示的两辆四轴车同时过桥，其中 1 号车沿车道 1 的车道中心线行驶，2 号车沿车道 3 的车道中心线行驶，对应的混合应变信号和 FAD 信号如图 4.21 和 4.22 所示，应变信号编号与前述相同。-20020406080变应()时间(s)1 21 22.0 6.0 10.0图 4.21 两辆四轴车同时过桥的混合应变信号

【参考文献】