本发明公开了一种高桩码头基桩监测方法，本方法中通过在基桩上安装光纤应变传感器，光纤应变传感器一端和控制中心相连实现对基桩的监测，其特征在于，光纤应变传感器具有安装在基桩水上的部分和安装在水下的部分，光纤应变传感器沿基桩表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护。本发明实施方便快捷，对光纤传感器固定和保护效果好，使得监测更加准确可靠，使用寿命较长，并能够分析高桩损伤诱发原因，能够更好地实现对码头安全监控。
1.一种高桩码头基桩监测方法，所述方法中通过在基桩上安装光纤应变传感器，光纤应变传感器一端和控制中心相连实现对基桩的监测，其特征在于，光纤应变传感器具有安装在基桩水上的部分和安装在基桩水下的部分，光纤应变传感器沿基桩表面竖向贴合设置并依靠覆盖于表面的水下环氧树脂实现固定和保护；光纤应变传感器安装后，在控制中心建立不利诱因识别分类器模型，进行不利诱因识别训练，监测时根据光纤应变传感器检测信号，实现对不利诱因的自动识别；不利诱因识别分类器模型的建立、训练和识别按照以下方式实现：a.确定不利诱因并获取测试数据；先确定4种高桩码头不利诱因因素，1＝船舶不规范靠泊、2＝局部超限堆载、3＝风作用、4＝水流作用；利用安装好的光纤应变传感器，获取四种不利诱因单独作用下，群桩分布式应变数据，作为不利诱因反演模型的测试数据；b.提取特征矢量；对测试数据进行统计分析，提取最大应变x1、平均应变x2作为时域特征参数；对测试数据进行频率分析，提取信号前三阶谐波频率x3、x4、x5作为频域特征参数；对测试数据进行HHT分析，提取前三阶固有模态频率x6、x7、x8，瞬态能量x9作为时频域特征参数；然后每条分布式光纤测试数据特征参数均组成一个特征矢量x＝(x1,x2,...,x9)，由于x中各特征量存在一定的相关性且维度过高，利用PCA算法，求得x的主成分y＝(y1,y2,...ym)，m9，以此作为后面分类器训练的样本数据；c.建立并列支持向量机分类器模型；根据4个不利诱因，建立四个并列的支持向量机分类器：SVM1:本分类器将船舶不规范靠泊和其它3种不利诱因区分开来，当为船舶不规范靠泊时，SVM1输出取+1，否则取-1；f1(y)为SVM1的分类函数，如式(1)所示，其中a1i(i＝1,2,…n)，b1为分类函数f1(y)的系数，Φ为高斯核函数；SVM2：本分类器将局部超限堆载与其它3种不利诱因区分开来，当为局部超限堆载时，SVM2输出取+1，否则取-1；f2(y)为SVM2的分类函数，如式(2)所示，其中a2i(i＝1,2,…n)，b2为分类函数f2(y)的系数，Φ为高斯核函数；SVM3：本分类器将风作用与其它3种不利诱因区分开来，当为风作用时，SVM3输出取+1，否则取-1；f3(y)为SVM3的分类函数，如式(3)所示，其中a3i(i＝1,2,…n)，b3为分类函数f3(y)的系数，Φ为高斯核函数；SVM4：本分类器将水流作用与其它3种不利诱因区分开来，当为水流作用时，SVM4输出取+1，否则取-1；f4(y)为SVM4的分类函数，如式(4)所示，其中a4i(i＝1,2,…n)，b4为分类函数f4(y)的系数，Φ为高斯核函数；d.模型参数训练；将b步骤中得到的样本数据输入并列支持向量机分类器模型，利用SVM训练算法确定SVM1、SVM2、SVM3、SVM4的系数矩阵a与b，从而实现对并行支持向量机分类器模型的参数化；e.不利诱因作用识别；模型参数训练完成后，即可利用该模型进行不利诱因作用识别；具体过程为SVM1输出为+1，则表示存在船舶不规范靠泊，否则不存在；SVM2输出为+1，则表示存在局部超限堆载，否则不存在；SVM3输出为+1，则表示存在风作用，否则不存在；SVM4输出为+1，则表示存在水流作用，否则不存在。
本文链接：http://www.vipzhuanli.com/tech/sell/s_2311286.html，转载请声明来源钻瓜专利网。
