一种基于SN曲线与SVM的结构安全智慧监测方法

专利主权项内容

1.一种基于SN曲线与SVM的结构安全智慧监测方法，其特征在于，包括以下步骤：S1：数据采集：安装传感器采集结构应力、应变、振动、温度数据；S2：数据处理：对监测数据进行预处理，去除干扰信号、滤波、采样，提取结构的特征参数：峰值应力、疲劳循环次数、载荷频率；S3：SN曲线建立：将结构特征参数转化为SN曲线，即疲劳循环次数-应力振幅曲线，根据采集的历史监测数据和实验绘制结构的SN曲线，并根据曲线得到初步的SN曲线的公式，其中，/>为常数，S表示循环寿命，N表示应力幅值，C和b都是实验拟合参数，C被称为强度系数，表示在单位应力幅值情况下的理论值，b被称为Basquin指数；S4：曲线修正与精确预测：根据不同环境下的监测数据和实际情况，对不同环境下的SN曲线进行修正和调整，通过与实际测量数据的对比分析，发现曲线的偏差，并进行相应的修正，修正后的曲线反映结构在不同环境下的疲劳寿命特性，在修正曲线的过程中，采用机器学习算法SVM对监测数据进行进一步处理和分析，结合历史监测数据和实验结果，并综合考虑到如下因素：结构的应力状态、使用历史、几何形状，将不同环境下的SN曲线整合成预测模型步骤如下：数据收集：收集一系列不同应力水平下的疲劳寿命数据，并将其与相应的应力幅值和平均应力进行配对；特征提取：从收集到的不同环境下SN曲线监测数据中提取与疲劳寿命相关的特征：应力水平、应力历程、应力幅值、平均应力，并综合考虑结构的应力状态、使用历史、几何形状，将收集到的数据进行标注，确定每个数据样本对应的疲劳寿命，将特征值和对应的疲劳寿命标签整理成一个数据集，并进行归一化处理；数据划分：将处理完的数据集划分为训练集和测试集，将80%的数据用于训练模型，剩余的20%用于评估模型的预测性能；模型训练：使用训练集对SVM模型进行训练，在SVM中，选择多项式核函数其中，x和y是输入样本的特征向量，<x，y>表示内积运算，d表示多项式的阶数degree，γ*是一个缩放参数，r是常数项，并调整参数d多项式的阶数和γ*缩放参数以优化模型性能；模型评估：使用测试集对训练好的SVM模型进行评估，通过比较预测值和实际值之间的误差指标，评估模型的预测准确性和泛化能力；参数调优：根据模型评估结果，对SVM模型进行参数调优，使用网格搜索、交叉验证方法寻找最佳的超参数组合，并得到通用的SN曲线公式，其中F_env表示环境因子，/>为通用的强度系数公式，RSF公式具体如下：
；其中，为设计压力承载能力，/>为抗震调整系数，取值为0.65，/>为压力构件抗压强度减小系数，取值为0.8，Ac为截面面积，/>为混凝土轴心抗压强度，/>为结构剩余承载能力，为无损伤状态下的极限承载能力，DCR为破坏容限系数，用来评估结构在损伤后相对于无损伤状态下的极限承载能力的比值，无损伤状态下的设计承载能力是指结构在完好无损时所设计的能够承受的最大荷载，得到每个环境条件下的曲线的斜率、曲率、疲劳极限，用于评估材料在不同环境下的疲劳性能，提高模型的预测性能；预测应力状态下的疲劳寿命：在获得最佳参数组合后，将该模型应用于实际疲劳寿命预测，输入新的监测数据和特征，在模型的帮助下，全面地考虑不同因素的影响，预测结构的疲劳寿命并制定维护计划。