买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种对传感器故障不敏感的桥梁拉索异常识别定位方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115456104B 。

龙图腾网通过国家知识产权局官网在2025-08-29发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211180718.4，技术领域涉及：G06F18/2431；该发明授权一种对传感器故障不敏感的桥梁拉索异常识别定位方法是由杨东辉;顾海伦;伊廷华;李宏男;胡皓设计研发完成，并于2022-09-27向国家知识产权局提交的专利申请。

本一种对传感器故障不敏感的桥梁拉索异常识别定位方法在说明书摘要公布了：本发明公开了一种对传感器故障不敏感的桥梁拉索异常识别定位方法，步骤如下：1基于监测数据的群索索力特征向量提取；2基于索力特征向量局部变异性检测的斜拉索在线评估模型的建立；3索力特征向量中异常成分的隔离。本发明构造了反映不同拉索间车致索力稳定相关性的群索索力特征向量；建立了基于群索索力特征向量变异性检测的桥梁拉索异常识别方法，实现了斜拉索的在线监测。基于异常索力成分的隔离方法，可准确定位异常拉索。最后，该方法对传感器故障不敏感，在某个索力传感器故障情况下，模型不需要重新训练仍可继续对斜拉索索力异常进行有效的在线监测识别。因此，本发明在桥梁拉索索力异常评估领域具有较高的工程应用价值。

本发明授权一种对传感器故障不敏感的桥梁拉索异常识别定位方法在权利要求书中公布了：1.一种对传感器故障不敏感的桥梁拉索异常识别定位方法，其特征在于，步骤如下： 步骤1.基于监测数据的群索索力特征向量提取 1.1进行车致索力的提取：先设置移动窗口步长为15分钟并选取一个窗口长度内的索力监测数据进行核密度估计拟合，以核密度估计模型中提取的概率密度最大值点对应的索力作为该段时间内的静载索力代表值；再设置移动窗口步长为5分钟，并不断重复以上步骤对不同时段下的静载索力代表值进行更新；对提取的静载索力代表值依次采用样条插值、中值滤波和滑动平均进行静载索力趋势项的提取，监测的原始索力数据减去静载索力趋势项，获取车致索力； 1.2将仅具有一个单峰的索力时段视为单辆车过桥情况下的车致索力并进行识别和提取：首先，通过差分法提取车致索力的峰值点和谷值点，选取峰值的两侧均单调减小到相应谷值点的索力时段，其两侧谷值点均应小于某一阈值，阈值设置为3kN；其次，提取的单辆车过桥情况下的车致索力峰值时段的宽度不低于4s且峰值不小于8kN； 1.3根据单辆车过桥的情况下，车辆依次经过不同拉索时相应的车致索力峰值的出现存在时间滞后现象，以相邻两根斜拉索的车致峰值索力出现的时间差小于2s为判定原则，在同侧相邻的几根斜拉索pi之间找到同一车辆荷载作用下的索力响应峰值Tvpi； 1.4构造单辆车过桥工况下的群索索力特征向量xi，其中包含了n根斜拉索的车致峰值索力： xi＝[Tvp1,Tvp2,...,Tvpn]T1 步骤2.基于索力特征向量局部变异性检测的斜拉索在线评估方法的建立 2.1按照步骤1对斜拉索处于正常状态下索力监测数据进行群索索力特征向量的提取，并组成集合Xt∈Rm×n作为训练集，其中，m为提取索力特征向量的个数，n为索力特征向量的维度； 2.2对于训练集Xt∈Rm×n中每一个索力特征向量xi，使用公式2计算和其他n-1个索力特征向量xj之间的欧几里得距离；然后根据公式3对欧几里得距离di,j按升序排列并取前k个欧几里德距离所对应的xj组成最近邻子集Nkxi； di,j＝||xi-xj||2,j＝1,...,n；j≠i2 di,1≤di,2≤…≤di,k3 Nkxi＝{xi,1,xi,2,...,xi,k}∈Rm×n4 式中：xi,k为索力特征向量xi的第k个最近邻向量；k为最近邻子集的个数，以训练集中所有特征向量xi计算的预警指数的极差和标准差为目标，通过交叉验证方法选取最小极差和标准差对应的子集个数，作为使用的k值； 2.3根据公式5确定最近邻集合G，确定如公式6所示的基于集合的最近路径s，对于所有的1≤j≤k，pj+1是集合{p1,p2,...,pj}在{pj+1,pj+2,...,pk+1}中的最近邻；如果出现最近邻不唯一的情况，则按照最近邻集合G中元素的先后顺序进行选择； G＝Nkxi∪{xi}＝{xi,xi,1,xi,2,...,xi,k}5 s＝p1,p2,...,pk+1,pj∈G6 式中：最近邻集合G和基于集合的最近路径s包含相同的索力特征向量，即此外，一最近邻集合G和最近路径s的第个元素相同，即p1＝xi； 其中，采用基于马氏距离的最近邻计算方法确定向量与集合之间距离，进而确定最近路径s；计算方法如公式7所示，对于任何给定的x∈P，如果y∈Q满足distx,y＝distP,Q，则y是集合P在集合Q中的最近邻样本，以此找到一个样本点和一个集合之间的最短距离； distP,Q＝min{dMx,y:x∈Py∈Q}7 其中， dMx,y＝x-yT·S-1·x-y8 在公式8中S为协方差矩阵，利用训练集中的索力特征向量，根据式9进行计算； 式中：N为训练集中索力特征向量的个数，为训练集中所有索力特征向量的均值向量； 2.4基于已确定的索力特征向量xi与其最近邻Nkxi的最近路径s进一步确定基于集合的最近轨迹e1,e2,...,ek，其中ej为连接集合oj与特征向量pj+1的最短连接距离； ej＝oj,pj+1,oj∈{p1,...,pj}10 其中，ej的确定需要满足公式11的要求； distej＝distoj,pj+1＝min{dMoji,pj+1:oji∈oj1≤i≤j}11 2.5定义索力特征向量xi的孤立性指数DIkxi，其计算公式如式12所示： 2.6重复步骤2.2-2.5计算最近邻子集{Nko|o∈Nkxi}中每一个索力特征向量的孤立性指数；然后，根据公式13计算每一个索力特征向量xi的局部变异指数DIkxi； 2.7采用广义极值分布GEV并结合最大块方法对训练集中的局部变异指数进行分布拟合，其中，GEV分布表达式如公式14所示： 最大块方法通过K-S假设检验应用拟合优度度量来选择最佳块数b，之后将由训练集计算得到的局部变异指数集合Θ＝[DIkx1,DIkx2,...,DIkxm]划分为b个大小相等的非重叠块，并提取每个块的最大值进行GEV分布拟合；为了确定在一定显著性水平α下的预警阈值τα，需要基于估计的GEV参数并根据公式15计算GEV分布的极值分位点； 式中：ξ，σ，μ表示GEV分布的形状、尺度和位置参数； 2.8在在线监测阶段，重复步骤1-步骤2，计算每一个新的索力特征向量zi的局部变异指数DIkzi并与步骤2.7设定的预警阈值进行比较，从而进行斜拉索的在线评估和异常预警； 步骤3.索力特征向量异常索力成分的隔离 3.1在在线监测阶段，当2.8中计算的一个新的索力特征向量zi的局部变异指数DIkzi超过设定的预警阈值时，依次减少索力特征向量zi中的一个索力成分并重新进行局部变异指数DIkzi的计算，当计算的局部变异指数下降至阈值以下时，表明该索力成分对应斜拉索发生了异常。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。