Hur kan vibrationsdata från ett testfordon användas för att identifiera brofrekvenser och modformer på kurvbroar?

Broar är viktiga infrastrukturella element som ofta binder samman geografiskt avlägsna områden. Eftersom broar är en oersättlig länk i transportkedjan och spelar en central roll i regional ekonomi, är deras strukturella integritet av yttersta vikt. För att säkerställa att broarna fortsätter att vara funktionella och säkra genom åren, används vibrationsbaserade metoder för hälsomonitorering. En sådan metod är Vehicle Scanning Method (VSM), en teknik som utvecklades för att effektivt och ekonomiskt övervaka broars hälsotillstånd.

För att noggrant identifiera frekvenser och modformer från vibrationsdata behöver testfordonet modelleras som ett system med tre frihetsgrader. Dessa frihetsgrader representerar de vertikala, rullande och laterala (radiala) rörelserna hos fordonet när det interagerar med bron. Detta är särskilt viktigt vid mätning av kurvbroar, där både vertikala och radiala vibrationer måste beaktas. Genom att härleda slutna lösningar för ut-of-plane och in-plane vibrationer av den kurvade bron, kan man ta fram en enhetlig formel som gör det möjligt att beräkna de vertikala och radiala kontaktresponsen hos ett enkelaxlat testfordon.

För att hantera den komplexa data som samlas in från dessa tester, används olika signalbehandlingstekniker som VMD (Variational Mode Decomposition) och SWT (Stationary Wavelet Transform). Genom att använda dessa metoder kan man separera och återhämta de specifika vibrationskomponenterna, vilket gör det möjligt att exakt återställa broens modformer och frekvenser. Denna metod har visat sig vara effektiv, även vid störande faktorer som ojämn vägbeläggning och andra externa påverkan på vibrationssignalerna.

Vid analysen av vibrationerna är det viktigt att förstå hur de specifika frekvenserna som genereras av testfordonet kan maskera brofrekvenserna. Speciellt på ojämna vägbanor kan fordonets egna frekvenser dominera de insamlade data och dölja de relevanta brofrekvenserna. För att lösa detta problem har olika tekniker föreslagits, såsom användningen av partikelfilter och kontaktrespons mellan fordonet och bron. Detta gör att man kan filtrera bort oönskade frekvenser och fokusera på broens specifika vibrativa egenskaper.

En av de största fördelarna med VSM är dess effektivitet när det gäller att övervaka ett stort antal korta och medellånga broar, särskilt i situationer där det inte är praktiskt eller ekonomiskt möjligt att installera omfattande sensornätverk på varje bro. Genom att använda en mobil enhet som samlar vibrationsdata under fordonets rörelse kan denna teknik tillämpas på ett stort antal broar utan att äventyra datakvaliteten.

För att optimera användningen av VSM är det viktigt att både hårdvaran (fordonet) och mjukvaran (dataanalysverktygen) är av hög kvalitet. Testfordonets sensorer och mätutrustning måste vara noggrant kalibrerade för att exakt fånga de relevanta vibrationerna, samtidigt som mjukvaran måste kunna hantera och bearbeta de stora mängder data som genereras på ett effektivt sätt. Här är VMD och SWT centrala för att säkerställa att de nödvändiga frekvenserna och modformerna kan återställas med hög noggrannhet.

För framtida utveckling av denna metod kan ytterligare forskning inom områden som signalbehandling och sensorintegration bidra till att ytterligare förbättra tekniken och göra den mer tillgänglig för ett bredare spektrum av broar och infrastrukturella tillämpningar.

Hur man separerar vertikala och torsionella frekvenser i tunnväggiga balkbroar med hjälp av fordonets respons

I forskning och ingenjörsvetenskap har användningen av enkla modeller för att analysera interaktionen mellan testfordon och broar blivit ett vanligt tillvägagångssätt. Ett sådant exempel är modellen där endast den vertikala rörelsen av fordonet beaktas, vilket underlättar förståelsen av mekanismerna mellan fordonet och brostrukturen. Denna förenklade modell har varit framgångsrik i många undersökningar och praktiska tillämpningar (Yang et al., 2014, 2020; Wang et al., 2017; Zhan & Au, 2019). Men trots sin användbarhet finns det situationer där denna modell inte ger tillräcklig precision, särskilt när man hanterar frekvenser och rörelser som involverar både vertikala och torsionella vibrationer i brokonstruktionen.

Tunnväggiga balkbroar är vanliga i brokonstruktion och är känsliga för både vertikala och torsionella vibrationer. Den svåraste aspekten i dessa konstruktioner är att särskilja de vertikala frekvenserna från de torsionella och flexibla frekvenserna i en tunnväggig balk. En viktig aspekt som lyfts fram är användningen av en kinematisk hypotes om rigida tvärsnitt för att separera dessa frekvenser baserat på svaren från testfordonets två hjul på bron. Genom att använda signalanalysmetoder som Wavelet Transform (WT) kan vi omvandla signalerna från tidsdomänen till tids-frekvensdomänen, vilket möjliggör att vertikala och torsionella frekvenser separeras utan att behöva känna till den specifika formen eller noddisplacementmagnituderna för varje modeform i bron.

En stor fördel med denna metod är att den inte kräver några fysiska sensorer på bron för att fånga upp de olika modulerna och deras frekvenser, vilket i många fall är både kostsamt och tidskrävande. Istället kan hela brostrukturen skannas med hjälp av testfordonet, vilket sparar både tid och resurser. Denna metod gör det också möjligt att fånga alla moduler utan att behöva välja specifika mätpunkter på bron, vilket är en fördel jämfört med traditionella metoder som kräver noggrant val av mätpunkter för att inte missa någon viktig modeform.

För att säkerställa att denna metod är tillförlitlig, har resultaten validerats med hjälp av Finita Element Metoden (FEM), vilket gör det möjligt att jämföra teoretiska och numeriska lösningar för att säkerställa att de föreslagna modellerna och metoderna är korrekta. Förutom den grundläggande analysen, utförs också parametriska studier för att undersöka hur olika faktorer som dämpning, hjulens excentricitet, fordonets hastighet och vägbanans ojämnheter påverkar de resulterande frekvenserna och svaren från både testfordonet och bron.

Den här metoden erbjuder inte bara en förbättrad förståelse för hur man separerar de vertikala och torsionella frekvenserna i tunnväggiga balkbroar, utan också en praktisk tillämpning för framtida forskning och brokonstruktion, där man kan analysera broarnas dynamiska respons mer effektivt utan att behöva bygga komplicerade modeller eller sätta upp omfattande sensor-nätverk.

För att fullständigt förstå resultaten och tillämpningen av denna metod är det viktigt att beakta de dynamiska egenskaperna hos både bro och testfordon. Skillnaden mellan olika typer av brokonstruktioner och hur deras egenskaper påverkar de vertikala och torsionella svängningarna är avgörande. Vidare bör man också beakta att resultaten från experimentella tester måste noggrant analyseras för att säkerställa att de matchar de teoretiska modellerna, och att alla externa faktorer som vägförhållanden och fordonsdynamik är korrekt inkluderade i simuleringarna.

Hur avancerade teknologier och metoder används för att identifiera broars och vägbanors strukturella parametrar?

De flesta broar och vägbanor är utsatta för påfrestningar från både externa krafter och interna faktorer som kan leda till förändringar i deras strukturella egenskaper över tid. Traditionellt har dessa förändringar observerats genom detaljerade fysiska inspektioner och mekaniska analyser, men moderna metoder som användning av sensornätverk, artificiell intelligens och avancerade filtertekniker har öppnat nya dörrar för mer exakta och snabba analyser.

En central aspekt av denna typ av analys är att korrekt kunna identifiera de modala parametrarna för ett system. Modala parametrar omfattar bland annat naturliga frekvenser, dämpning och modeformer, vilka är avgörande för att förstå hur en bro eller väg kommer att reagera på olika typer av belastningar och vibrationer. Till exempel har tekniker som Fast Fourier Transform (FFT) och Empirical Mode Decomposition (EMD) blivit vanliga verktyg för att bearbeta och analysera vibrational data för att identifiera specifika frekvenser och deras relation till strukturella svagheter.

I synnerhet spelar artificiell intelligens och maskininlärning en växande roll i denna analys. Genom att använda algoritmer som kan lära sig och anpassa sig till nya mönster i data, kan dessa system förutsäga framtida förändringar i broarnas strukturella tillstånd och till och med automatiskt identifiera potentiella risker. Ett bra exempel på detta är användningen av artificiella neurala nätverk (ANN) och konvolutionella neurala nätverk (CNN), som är utmärkta på att bearbeta stora mängder sensorinformation och dra slutsatser från den på ett sätt som inte är möjligt för en människa.

Det är också viktigt att förstå de olika typerna av vibrationer som uppstår på broar och vägbanor, inklusive både miljö- och trafikrelaterade vibrationer. Miljövibrationer som orsakas av vind, temperaturförändringar eller andra naturliga faktorer kan också påverka broars strukturella integritet, vilket gör det ännu viktigare att ta hänsyn till både externa och interna faktorer i analyserna.

En annan viktig aspekt är användningen av filtertekniker som Bandpass Filter (BPF) och Kalman Filter för att ta bort brus och oönskade signaler från de data som samlas in. Dessa filter tillåter att den mest relevanta informationen extraheras, vilket gör analysen mer exakt och tillförlitlig. Genom att kombinera dessa tekniker med den senaste utvecklingen inom maskininlärning kan vi nu förutse när en bro eller vägbanas strukturella hälsa börjar försämras och vidta åtgärder i rätt tid.

För att kunna genomföra effektiva analyser är det också viktigt att förstå vikten av att använda rätt mätutrustning och sensorer. System som MEMS (Microelectromechanical Systems) och IoT (Internet of Things) möjliggör att samla in realtidsdata från olika delar av infrastrukturen, vilket ger en detaljerad bild av systemets tillstånd under olika förhållanden. Denna information kan sedan användas för att genomföra mer precisa beräkningar och identifiera möjliga risker långt innan de leder till allvarliga problem.

Med tanke på den ökande användningen av dessa avancerade metoder och verktyg, blir det också allt viktigare att förstå hur dessa system och teknologier kan samverka för att ge en holistisk bild av infrastrukturen. Genom att kombinera fysikaliska modeller, statistiska metoder och artificiell intelligens får vi en kraftfull plattform för att övervaka och upprätthålla säkerheten för broar och vägbanor på ett sätt som tidigare inte var möjligt.

Endtext

Hur man Detekterar Brofrekvenser genom Ett Enkelt Axelsystem och Fjädring

I den här studien behandlas ett sätt att effektivt extrahera brofrekvenser genom att använda ett enaxligt testfordon med två hjul och en axel. För att åstadkomma detta tas hänsyn till ett två-DOF-system, där varje hjul får ett separat frihetsgrad. Detta tillvägagångssätt ger en mer realistisk representation av dynamiken hos fordonet än den traditionella enaxliga modellen som bara beaktade vertikal rörelse. En sådan modell är särskilt användbar när det gäller att fånga de svängningar som uppstår vid passage över en ojämn väg, samt för att identifiera och isolera brofrekvenser från fordonets egna rörelser.

Det första steget i att lösa detta problem är att installera vibrationssensorer vid hjulaxeln, nära varje hjul. Genom att mäta rörelsen vid dessa punkter, kallade hjulsensorer, är det möjligt att fånga svängningarna hos hjulen, vilket ger en mer exakt bild av fordonets dynamik än sensorer placerade på andra delar av fordonet, exempelvis vid axelns mitt eller vid själva bilens kropp. En av de största fördelarna med att använda hjulsensorer är deras högre noggrannhet i att upptäcka brofrekvenser, eftersom vibrationerna först överförs till hjulen innan de når axeln eller fordonets kropp.

Det bör dock noteras att när hjulen rullar över en ojämn yta kan svängningsfrekvenser från hjulen läcka ut i fordonets centrala respons. Detta fenomen är känt för att dölja de vertikala frekvenserna i de uppmätta signalerna, vilket kan komplicera detektionsprocessen av brofrekvenser. För att eliminera denna maskeringseffekt används en metod där kontaktresponsen för båda hjulen beräknas baserat på de svar som registrerats vid hjulsensorerna. På så sätt kan både de vertikala och svängande rörelserna hos fordonet filtreras bort, vilket gör det möjligt att mer exakt extrahera de frekvenser som är relaterade till bron.

I den här kapitlet kommer en ny formel att presenteras för att beräkna dessa kontaktresponsens för de två hjulen i ett dämpat enaxligt testfordon. Denna formel kommer att användas för spektralanalys och för att eliminera fordonets vertikala och svängande rörelser från det som kan identifieras som brofrekvenser. Dessutom kommer dämpningen som tidigare ignorerades, att inkluderas i beräkningarna för att ge en mer korrekt representation av fordonets dynamiska beteende under testet.

Testet genomförs på en speciellt designad enaxlig testbil som simulerar verkliga förhållanden, med både dynamiska egenskaper och respons för hjulens kontakt med underlaget som beräknas. I experimentet genomförs två scenarier där fordonet rör sig över en referensbro, antingen utan att stanna eller med ett tillfälligt stopp. Den här delen av experimentet är central för att verifiera den formel som presenteras och dess förmåga att extrahera brofrekvenser från rörelserna hos ett fordon.

Det som är viktigt att förstå för läsaren är att genom att använda kontaktresponsen istället för att enbart mäta rörelser vid axeln, elimineras många av de störande effekterna från fordonets egen dynamik. Detta gör det möjligt att mer effektivt detektera de frekvenser som är specifika för bron. För att kunna tillämpa denna metod på ett korrekt sätt är det avgörande att man förstår dynamiken hos fordonet, inklusive dämpningen, och hur dessa faktorer påverkar de uppmätta svaren från sensorerna. På detta sätt kan man med större precision analysera bron och eventuellt upptäcka skador eller andra förändringar i dess strukturella integritet.

Hur påverkar olika faktorer beräkningen av brodämpningsförhållandet?

I denna studie undersöks en metod för att beräkna brodämpningsförhållandet genom att använda kontaktresponsdata från ett tvåaxligt testfordon och vågtransformering (WT). Resultaten från denna metod jämförs med teoretiska värden och de visar på en imponerande noggrannhet. Ett särskilt intressant aspekt är användningen av RANSAC-metoden med noll lutning för att anpassa de insamlade data (grön prickar) till en röd linje i resultatdiagrammet. Den dämpningskvot som beräknas för broens första läge är 1,97%, vilket ligger nära det teoretiska värdet på 2%, med ett fel på 1,5%. Detta indikerar en mycket bra överensstämmelse mellan den anpassade och den analytiska modellen, vilket också bekräftar att effekten av vibrationer från fordonsbrointeraktionen (VBI) är liten och att de antaganden som gjordes i den teoretiska härledningen är rimliga.

Resultaten från den föreslagna metoden och de relaterade formlerna för att bestämma brodämpningsförhållandet visar på en hög noggrannhet. RANSAC-metoden, som är en iterativ process, är särskilt användbar för att minska effekten av data med stora avvikelser och hjälper till att dämpa vikten av datapunkter nära de interna stöden. Denna funktion minskar risken för snedvridna resultat i områden där vibrationerna är mer intensiva och kan vara särskilt viktig när man hanterar realtidsdata i praktiska tillämpningar.

När det gäller fordonsdämpning visade analyserna att denna faktor har en mycket liten inverkan på identifieringen av brodämpningsförhållandet. Fyra olika dämpningsvärden för fordonets fjädring och hjul (0, 2, 4 och 8 kN s/m) testades, och resultatet visade att avvikelserna mellan de beräknade och teoretiska värdena var små i alla fallen. Detta innebär att fordonsdämpning, även om den spelar en viss roll, inte utgör ett betydande hinder för att korrekt beräkna brodämpningens egenskaper.

Fordonsfart är en annan viktig faktor som kan påverka resultatens noggrannhet. För en fordonsfart på 5 m/s, vilket var standard i de tidigare testerna, har resultaten visat sig vara tillfredsställande. Men när fordonsfarten ökar till 10 m/s minskar noggrannheten i resultaten avsevärt. Detta beror på två huvudfaktorer: för hög fart minskar mängden insamlade data som är användbara för analysen, och den tid som krävs för att dämpningseffekterna ska utvecklas blir för kort. För praktiska tillämpningar rekommenderas därför en lägre fordonsfart för att säkerställa att dämpningseffekterna inte förlorar sin betydelse.

En annan aspekt som undersöktes var brodämpningsförhållandets variation beroende på broens material och konstruktion. Olika brodämpningsförhållanden (1%, 3%, 4% och 5%) testades för att säkerställa att metoden är robust även för broar med varierande fysiska egenskaper. Resultaten visade att metoden fortfarande ger tillförlitliga och noggranna resultat, även när dämpningsförhållandet skiljer sig från det teoretiska värdet på 2%.

För att sammanfatta, trots att det finns flera faktorer som kan påverka resultaten vid beräkning av brodämpningsförhållandet, visade studien att den föreslagna metoden är robust och ger resultat som ligger nära teoretiska värden, även när olika variabler som fordonsdämpning, fordonsfart och brodämpningsförhållanden förändras. Detta gör metoden till ett kraftfullt verktyg för praktisk användning vid inspektion och analys av broar.

Viktigt att förstå för läsaren är att precisionen i dessa beräkningar är starkt beroende av hur väl testfordonet är kalibrerat och hur noggrant datainsamlingen genomförs. En noggrant genomförd analys av vibrationsresponsen ger pålitliga resultat, men det krävs en konstant uppmärksamhet på externa faktorer som kan påverka datakvaliteten.