本發(fā)明涉及數據分析，具體是基于纜索橋螺栓檢修數據評估螺栓健康狀態(tài)的方法及系統(tǒng)。

背景技術：

1、跨江或跨海纜索橋常見的兩種橋梁架設結構有斜拉橋和懸索橋，斜拉橋的原理是索塔通過纜索斜拉承力橋面主梁，而懸索橋是通過纜索連接兩個索塔而纜索垂下多個間隔吊桿吊住橋面主梁。懸索橋的纜索和吊桿之間連接主要采用索夾螺栓，而斜拉橋的纜索和橋面主梁、鎖塔采用高強度固定式螺栓。在橋梁建造之初，螺栓一般采購同一廠商的同一批次或者臨近批次，并且經過嚴格的質量抽查檢測，因此可以認為其大致具有相同的使用壽命。隨著使用年限的增加，最初的螺栓會出現松動、銹蝕失效情況，這兩類失效情況需要通過檢修發(fā)現并進行更換。一般而言，一座1500米的斜拉跨江大橋需要12萬個纜索螺栓(不包括鋼桁梁拼接結構的高強度螺栓，其數量大致有80萬個)，橋梁維護單位每年都會對螺栓進行維護保養(yǎng)，最早的是人工高空作業(yè)巡檢排查，目前陸續(xù)也有無人機巡檢的運用，但是面對數量龐大的螺栓保養(yǎng)體量而言，檢修工作量也極大。因此，在合適的使用年限下，集體更換的成本是小于單個檢修發(fā)現異常才更換的成本。而合適的使用年限又跟橋梁的環(huán)境相關，比如螺栓工藝材質、受力負載大小、環(huán)境腐蝕性、環(huán)境風載等相關，因而預測合適的使用年限比較困難。有時候為了安全起見，雖然大部分螺栓還在安全使用的工況下，但是達到保守的使用年限就提前整體更換，浪費了大量成本。因此有必要通過日常的檢修數據來評估螺栓真實的健康狀態(tài)。

技術實現思路

1、(1)要解決的技術問題

2、本發(fā)明的目的在于提供基于纜索橋螺栓檢修數據評估螺栓健康狀態(tài)的方法及系統(tǒng)，以解決螺栓評估更換問題。

3、(2)技術方案

4、為實現上述目的，一方面，本發(fā)明提供了基于纜索橋螺栓檢修數據評估螺栓健康狀態(tài)的方法，所述方法包括：

5、獲取纜索橋螺栓檢修圖片及對應的纜索橋螺栓位置數據，所述纜索橋螺栓位置數據包括纜索編號和螺栓在纜索編號對應纜索的序號；通過所述纜索橋螺栓檢修圖片提取螺栓檢測數據包括第一螺栓銹蝕特征參數和第一螺栓位移特征參數，所述第一螺栓銹蝕特征參數通過螺栓表面紋理數據表征，所述第一螺栓位移特征參數通過螺栓軸向位移量參數和螺栓結構變形量參數表征；

6、將纜索橋螺栓檢修歷史圖片進行預處理得到第一檢修數據，將所述第一檢修數據中更換螺栓的第二螺栓銹蝕特征參數和第二螺栓位移特征參數進行聚類分析得到第二檢修數據；通過所述第二檢修數據建立螺栓更換特征關聯(lián)規(guī)則，并根據預設的特征關聯(lián)閾值篩選得到螺栓更換特征強關聯(lián)規(guī)則，根據所述螺栓更換特征強關聯(lián)規(guī)則對第一螺栓銹蝕特征參數和第一螺栓位移特征參數進行評估得到螺栓狀態(tài)評估結果；

7、通過所述螺栓狀態(tài)評估結果建立以螺栓銹蝕特征參數和所述螺栓位移特征參數的螺栓健康監(jiān)測指標及螺栓健康監(jiān)測權重；將螺栓健康監(jiān)測指標、螺栓健康監(jiān)測權重輸入topsis評估模型，結合預先設定的螺栓狀態(tài)最優(yōu)參數和螺栓狀態(tài)最劣參數計算所述螺栓檢測數據與所述螺栓狀態(tài)最優(yōu)參數和所述螺栓狀態(tài)最劣參數的歐氏距離參數；根據所述歐氏距離參數計算螺栓狀態(tài)相對接近度，當所述螺栓狀態(tài)相對接近度大于預設的螺栓狀態(tài)接近度閾值則發(fā)出預警信號。

8、進一步地，所述通過所述纜索橋螺栓檢修圖片提取螺栓檢測數據包括第一螺栓銹蝕特征參數和第一螺栓位移特征參數，所述第一螺栓銹蝕特征參數通過螺栓表面紋理數據表征，所述第一螺栓位移特征參數通過螺栓軸向位移量參數和螺栓結構變形量參數表征的方法包括：

9、將所述纜索橋螺栓檢修圖片進行圖像預處理得到第一預處理圖像，所述圖像預處理包括圖像尺寸標定處理、圖像光照補正處理和區(qū)域白平衡處理；通過otsu自適應閾值分割方法提取所述第一預處理圖像中的螺栓區(qū)域，獲取螺栓區(qū)域的灰度值矩陣gs；通過laplace邊緣檢測算子提取所述螺栓區(qū)域的邊緣輪廓線，通過霍夫圓變換獲取螺栓中心定位點坐標及螺栓半徑尺寸；

10、將所述螺栓區(qū)域的灰度值矩陣gs進行小波分解得到多個子帶系數矩陣包括低頻近似系數矩陣ca、水平細節(jié)系數矩陣ch、垂直細節(jié)系數矩陣cv和對角細節(jié)系數矩陣cd；計算所述螺栓區(qū)域的紋理特征向量tf為：

11、

12、其中np為螺栓區(qū)域的像素點總數；根據所述紋理特征向量tf和預設的銹蝕紋理向量閾值計算第一螺栓銹蝕特征參數，包括螺栓銹蝕面積比率參數和螺栓銹蝕深度比率參數；

13、以所述螺栓中心定位點為原點建立極坐標系，將所述螺栓區(qū)域邊緣輪廓線離散化為預設的ne個采樣點，記錄每個采樣點的極坐標[ri,θi]；構建螺栓邊緣輪廓特征向量ef為：

14、

15、其中r0為螺栓標稱半徑，θ0為采樣點的標稱角度，和分別為徑向單位向量和切向單位向量；根據所述螺栓邊緣輪廓特征向量計算第一螺栓位移特征參數，包括螺栓軸向位移量參數和螺栓結構變形量參數；將所述第一螺栓銹蝕特征參數和所述第一螺栓位移特征參數進行歸一化處理。

16、進一步地，所述將纜索橋螺栓檢修歷史圖片進行預處理得到第一檢修數據，將所述第一檢修數據中更換螺栓的第二螺栓銹蝕特征參數和第二螺栓位移特征參數進行聚類分析得到第二檢修數據；通過所述第二檢修數據建立螺栓更換特征關聯(lián)規(guī)則，并根據預設的特征關聯(lián)閾值篩選得到螺栓更換特征強關聯(lián)規(guī)則的方法包括：

17、將所述纜索橋螺栓檢修歷史圖片進行圖像預處理得到第二預處理圖像，所述圖像預處理包括圖像灰度化處理、高斯濾波降噪處理和灰度直方圖均衡化處理；獲取所述第二預處理圖像的螺栓區(qū)域灰度值矩陣xg，通過預設的高斯核函數將所述螺栓區(qū)域灰度值矩陣xg映射到高維再生希爾伯特空間并計算核矩陣kh為：

18、

19、其中σ1為預設的高斯核函數帶寬參數；將所述核矩陣kh進行特征值分解得到特征值λi及其對應的特征向量vi，選取與預設的前m個最大特征值對應的特征向量，將所述第二預處理圖像投影到由m個特征向量張成的低維子空間得到所述第一檢修數據x1為：

20、x1＝xgvm；

21、其中vm為由m個特征向量構成的投影矩陣；通過dbscan密度聚類算法對所述第一檢修數據x1進行聚類分析，根據第一檢修數據x1計算其內的樣本間歐氏距離矩陣de，對第一檢修數據x1內的每個樣本點pi計算其∈d鄰域內的樣本點數量n∈(pi)，其中∈d為預設的螺栓特征聚類半徑參數；當n∈(pi)大于預設的螺栓特征密度閾值mp時將樣本點pi標記為核心點，依次遍歷所有核心樣本點，將每個核心樣本點及其歐氏距離小于∈d的樣本點作為同一螺栓特征聚類簇，將螺栓特征聚類簇作為第二檢修數據x2；

22、將所述第二檢修數據x2離散化處理得到螺栓特征項集if，通過apriori算法計算所述螺栓特征項集if的支持度su為：

23、

24、其中a為螺栓特征項集if的子集，n(a)為包含子集a的樣本數量，nt為總樣本數量；計算螺栓特征項集if的置信度cf為：

25、

26、其中a和b為互不相交的螺栓特征項子集；根據預設的特征關聯(lián)第一閾值θs和特征關聯(lián)第二閾值θc篩選滿足su>θs且cf>θc的關聯(lián)規(guī)則作為所述螺栓更換特征強關聯(lián)規(guī)則；

27、所述螺栓特征項集的特征關聯(lián)第一閾值θs為：

28、

29、其中nf為歷史纜索橋螺栓檢修中螺栓失效樣本的數量，nt為歷史纜索橋螺栓檢修中總樣本數量；所述螺栓特征項集的特征關聯(lián)第一閾值θs為：

30、

31、其中nc為歷史纜索橋螺栓檢修中連續(xù)兩次檢修都發(fā)生螺栓失效的樣本數量，nf為歷史纜索橋螺栓檢修中螺栓失效樣本的數量。

32、進一步地，所述根據所述螺栓更換特征強關聯(lián)規(guī)則對第一螺栓銹蝕特征參數和第一螺栓位移特征參數進行評估得到螺栓狀態(tài)評估結果的方法包括：

33、將所述第一螺栓銹蝕特征參數定義為螺栓銹蝕面積比率ra和螺栓銹蝕深度比率rd，將所述第一螺栓位移特征參數定義為螺栓軸向位移量da和螺栓結構變形量ds；根據所述螺栓更換特征強關聯(lián)規(guī)則得到螺栓失效臨界參數向量其中為螺栓銹蝕面積比率臨界值，為螺栓銹蝕深度比率臨界值，為螺栓軸向位移量臨界值，為螺栓結構變形量臨界值；

34、計算當前檢測螺栓的特征參數向量xf＝[ra,rd,da,ds]t與螺栓失效臨界參數向量θf的馬氏距離dm：

35、

36、其中σ為特征參數向量的協(xié)方差矩陣；計算特征參數向量xf的失效概率pf：

37、

38、其中αf為預設的失效概率系數；根據所述失效概率pf得到螺栓狀態(tài)評估結果。

39、進一步地，所述通過所述螺栓狀態(tài)評估結果建立以螺栓銹蝕特征參數和所述螺栓位移特征參數的螺栓健康監(jiān)測指標及螺栓健康監(jiān)測權重；將螺栓健康監(jiān)測指標、螺栓健康監(jiān)測權重輸入topsis評估模型，結合預先設定的螺栓狀態(tài)最優(yōu)參數和螺栓狀態(tài)最劣參數計算所述螺栓檢測數據與所述螺栓狀態(tài)最優(yōu)參數和所述螺栓狀態(tài)最劣參數的歐氏距離參數；根據所述歐氏距離參數計算螺栓狀態(tài)相對接近度，當所述螺栓狀態(tài)相對接近度大于預設的螺栓狀態(tài)接近度閾值則發(fā)出預警信號的方法包括：

40、將所述螺栓狀態(tài)評估結果按照螺栓數量構建螺栓狀態(tài)評估矩陣ma，所述螺栓狀態(tài)評估矩陣ma包含每個螺栓的特征評估向量，所述特征評估向量包括所述螺栓的第一螺栓銹蝕特征參數和所述第一螺栓位移特征參數；通過歐氏范數分別計算所述螺栓狀態(tài)評估矩陣ma中每列特征參數的平方和，并將每列特征參數除以對應的平方和得到螺栓狀態(tài)歸一矩陣mb；將所述螺栓狀態(tài)歸一矩陣mb的每列特征參數分別乘以所述螺栓健康監(jiān)測權重，得到螺栓狀態(tài)加權矩陣mc；

41、通過所述第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓失效樣本的所述第二螺栓銹蝕特征參數和所述第二螺栓位移特征參數計算所述topsis評估模型的失效參數向量vf，通過所述第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓未失效樣本的所述第二螺栓銹蝕特征參數和所述第二螺栓位移特征參數得到topsis評估模型的健康參數向量vh；計算所述螺栓狀態(tài)加權矩陣mc中每個螺栓的特征評估向量li′與所述失效參數向量vf和所述健康參數向量vh的狀態(tài)距離分別為di′f和di′h為：

42、

43、其中nf為特征評估向量li′中的元素數量，li′(j)為第i′個螺栓的第j′個特征參數，vf(j)為失效參數向量vf的第j′個特征參數；vh(j)為或健康參數向量vh的第j′個特征參數；計算第i′個螺栓的健康狀態(tài)評分ss′為：

44、

45、獲取所述螺栓編號對應纜索的序號內相鄰預設數量ns個螺栓的健康狀態(tài)評分序列其中j′的取值為1到ns；通過第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓失效樣本的健康狀態(tài)評分序列計算健康狀態(tài)評分均值us和標準差ds，得到螺栓狀態(tài)預警閾值ts為：

46、ts＝us+bsds；

47、其中bs為預設的狀態(tài)評分系數；當所述健康狀態(tài)評分si′大于所述螺栓狀態(tài)預警閾值ts且大于所述健康狀態(tài)評分序列的算術平均值時，觸發(fā)預警信號。

48、基于同一發(fā)明構思，另一方面，本發(fā)明還提供了基于纜索橋螺栓檢修數據評估螺栓健康狀態(tài)的系統(tǒng)，所述系統(tǒng)包括：

49、檢修數據獲取模塊，用于獲取纜索橋螺栓檢修圖片及對應的纜索橋螺栓位置數據，所述纜索橋螺栓位置數據包括纜索編號和螺栓在纜索編號對應纜索的序號；通過所述纜索橋螺栓檢修圖片提取螺栓檢測數據包括第一螺栓銹蝕特征參數和第一螺栓位移特征參數，所述第一螺栓銹蝕特征參數通過螺栓表面紋理數據表征，所述第一螺栓位移特征參數通過螺栓軸向位移量參數和螺栓結構變形量參數表征；

50、歷史數據訓練模塊，用于將纜索橋螺栓檢修歷史圖片進行預處理得到第一檢修數據，將所述第一檢修數據中更換螺栓的第二螺栓銹蝕特征參數和第二螺栓位移特征參數進行聚類分析得到第二檢修數據；通過所述第二檢修數據建立螺栓更換特征關聯(lián)規(guī)則，并根據預設的特征關聯(lián)閾值篩選得到螺栓更換特征強關聯(lián)規(guī)則，根據所述螺栓更換特征強關聯(lián)規(guī)則對第一螺栓銹蝕特征參數和第一螺栓位移特征參數進行評估得到螺栓狀態(tài)評估結果；

51、健康評分模塊，用于通過所述螺栓狀態(tài)評估結果建立以螺栓銹蝕特征參數和所述螺栓位移特征參數的螺栓健康監(jiān)測指標及螺栓健康監(jiān)測權重；將螺栓健康監(jiān)測指標、螺栓健康監(jiān)測權重輸入topsis評估模型，結合預先設定的螺栓狀態(tài)最優(yōu)參數和螺栓狀態(tài)最劣參數計算所述螺栓檢測數據與所述螺栓狀態(tài)最優(yōu)參數和所述螺栓狀態(tài)最劣參數的歐氏距離參數；根據所述歐氏距離參數計算螺栓狀態(tài)相對接近度，當所述螺栓狀態(tài)相對接近度大于預設的螺栓狀態(tài)接近度閾值則發(fā)出預警信號。

52、進一步地，所述系統(tǒng)還包括：

53、檢修數據特征提取模塊，用于將所述纜索橋螺栓檢修圖片進行圖像預處理得到第一預處理圖像，所述圖像預處理包括圖像尺寸標定處理、圖像光照補正處理和區(qū)域白平衡處理；通過otsu自適應閾值分割方法提取所述第一預處理圖像中的螺栓區(qū)域，獲取螺栓區(qū)域的灰度值矩陣gs；通過laplace邊緣檢測算子提取所述螺栓區(qū)域的邊緣輪廓線，通過霍夫圓變換獲取螺栓中心定位點坐標及螺栓半徑尺寸；

54、將所述螺栓區(qū)域的灰度值矩陣gs進行小波分解得到多個子帶系數矩陣包括低頻近似系數矩陣ca、水平細節(jié)系數矩陣ch、垂直細節(jié)系數矩陣cv和對角細節(jié)系數矩陣cd；計算所述螺栓區(qū)域的紋理特征向量tf為：

55、

56、其中np為螺栓區(qū)域的像素點總數；根據所述紋理特征向量tf和預設的銹蝕紋理向量閾值計算第一螺栓銹蝕特征參數，包括螺栓銹蝕面積比率參數和螺栓銹蝕深度比率參數；

57、以所述螺栓中心定位點為原點建立極坐標系，將所述螺栓區(qū)域邊緣輪廓線離散化為預設的ne個采樣點，記錄每個采樣點的極坐標[ri,θi]；構建螺栓邊緣輪廓特征向量ef為：

58、

59、其中r0為螺栓標稱半徑，θ0為采樣點的標稱角度，和分別為徑向單位向量和切向單位向量；根據所述螺栓邊緣輪廓特征向量計算第一螺栓位移特征參數，包括螺栓軸向位移量參數和螺栓結構變形量參數；將所述第一螺栓銹蝕特征參數和所述第一螺栓位移特征參數進行歸一化處理。

60、進一步地，所述系統(tǒng)還包括：

61、歷史數據特征映射模塊，用于將所述纜索橋螺栓檢修歷史圖片進行圖像預處理得到第二預處理圖像，所述圖像預處理包括圖像灰度化處理、高斯濾波降噪處理和灰度直方圖均衡化處理；獲取所述第二預處理圖像的螺栓區(qū)域灰度值矩陣xg，通過預設的高斯核函數將所述螺栓區(qū)域灰度值矩陣xg映射到高維再生希爾伯特空間并計算核矩陣kh為：

62、

63、其中σ1為預設的高斯核函數帶寬參數；將所述核矩陣kh進行特征值分解得到特征值λi及其對應的特征向量vi，選取與預設的前m個最大特征值對應的特征向量，將所述第二預處理圖像投影到由m個特征向量張成的低維子空間得到所述第一檢修數據x1為：

64、x1＝xgvm；

65、其中vm為由m個特征向量構成的投影矩陣；通過dbscan密度聚類算法對所述第一檢修數據x1進行聚類分析，根據第一檢修數據x1計算其內的樣本間歐氏距離矩陣de，對第一檢修數據x1內的每個樣本點pi計算其∈d鄰域內的樣本點數量n∈(pi)，其中∈d為預設的螺栓特征聚類半徑參數；當n∈(pi)大于預設的螺栓特征密度閾值mp時將樣本點pi標記為核心點，依次遍歷所有核心樣本點，將每個核心樣本點及其歐氏距離小于∈d的樣本點作為同一螺栓特征聚類簇，將螺栓特征聚類簇作為第二檢修數據x2；

66、將所述第二檢修數據x2離散化處理得到螺栓特征項集if，通過apriori算法計算所述螺栓特征項集if的支持度su為：

67、

68、其中a為螺栓特征項集if的子集，n(a)為包含子集a的樣本數量，nt為總樣本數量；計算螺栓特征項集if的置信度cf為：

69、

70、其中a和b為互不相交的螺栓特征項子集；根據預設的特征關聯(lián)第一閾值θs和特征關聯(lián)第二閾值θc篩選滿足su>θs且cf>θc的關聯(lián)規(guī)則作為所述螺栓更換特征強關聯(lián)規(guī)則；

71、所述螺栓特征項集的特征關聯(lián)第一閾值θs為：

72、

73、其中nf為歷史纜索橋螺栓檢修中螺栓失效樣本的數量，nt為歷史纜索橋螺栓檢修中總樣本數量；所述螺栓特征項集的特征關聯(lián)第一閾值θs為：

74、

75、其中nc為歷史纜索橋螺栓檢修中連續(xù)兩次檢修都發(fā)生螺栓失效的樣本數量，nf為歷史纜索橋螺栓檢修中螺栓失效樣本的數量。

76、進一步地，所述系統(tǒng)還包括：

77、特征匹配評估模塊，用于將所述第一螺栓銹蝕特征參數定義為螺栓銹蝕面積比率ra和螺栓銹蝕深度比率rd，將所述第一螺栓位移特征參數定義為螺栓軸向位移量da和螺栓結構變形量ds；根據所述螺栓更換特征強關聯(lián)規(guī)則得到螺栓失效臨界參數向量其中為螺栓銹蝕面積比率臨界值，為螺栓銹蝕深度比率臨界值，為螺栓軸向位移量臨界值，為螺栓結構變形量臨界值；

78、計算當前檢測螺栓的特征參數向量xf＝[ra,rd,da,ds]t與螺栓失效臨界參數向量θf的馬氏距離dm：

79、

80、其中σ為特征參數向量的協(xié)方差矩陣；計算特征參數向量xf的失效概率pf：

81、

82、其中αf為預設的失效概率系數；根據所述失效概率pf得到螺栓狀態(tài)評估結果。

83、進一步地，所述系統(tǒng)還包括：

84、螺栓更換預警模塊，用于將所述螺栓狀態(tài)評估結果按照螺栓數量構建螺栓狀態(tài)評估矩陣ma，所述螺栓狀態(tài)評估矩陣ma包含每個螺栓的特征評估向量，所述特征評估向量包括所述螺栓的第一螺栓銹蝕特征參數和所述第一螺栓位移特征參數；通過歐氏范數分別計算所述螺栓狀態(tài)評估矩陣ma中每列特征參數的平方和，并將每列特征參數除以對應的平方和得到螺栓狀態(tài)歸一矩陣mb；將所述螺栓狀態(tài)歸一矩陣mb的每列特征參數分別乘以所述螺栓健康監(jiān)測權重，得到螺栓狀態(tài)加權矩陣mc；

85、通過所述第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓失效樣本的所述第二螺栓銹蝕特征參數和所述第二螺栓位移特征參數計算所述topsis評估模型的失效參數向量vf，通過所述第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓未失效樣本的所述第二螺栓銹蝕特征參數和所述第二螺栓位移特征參數得到topsis評估模型的健康參數向量vh；計算所述螺栓狀態(tài)加權矩陣mc中每個螺栓的特征評估向量li′與所述失效參數向量vf和所述健康參數向量vh的狀態(tài)距離分別為di′f和di′h為：

86、

87、其中nf為特征評估向量li′中的元素數量，li′(j)為第i′個螺栓的第j′個特征參數，vf(j)為失效參數向量vf的第j′個特征參數；vh(j)為或健康參數向量vh的第j′個特征參數；計算第i′個螺栓的健康狀態(tài)評分ss′為：

88、

89、獲取所述螺栓編號對應纜索的序號內相鄰預設數量ns個螺栓的健康狀態(tài)評分序列其中j′的取值為1到ns；通過第二檢修數據x2中歷史纜索橋螺栓檢修中螺栓失效樣本的健康狀態(tài)評分序列計算健康狀態(tài)評分均值us和標準差ds，得到螺栓狀態(tài)預警閾值ts為：

90、ts＝us+bsds；

91、其中bs為預設的狀態(tài)評分系數；當所述健康狀態(tài)評分si′大于所述螺栓狀態(tài)預警閾值ts且大于所述健康狀態(tài)評分序列的算術平均值時，觸發(fā)預警信號。

92、(3)有益效果

93、與現有技術相比，本發(fā)明的有益效果是避免了傳統(tǒng)人工檢測的主觀性和不確定性，特別是在處理大量螺栓檢修數據時，能保持評估標準的一致性。同時，挖掘多個變量如銹蝕特征和位移特征對于螺栓失效的關聯(lián)規(guī)則。