斜拉索表观检测机器人的开发

斜拉索的受力性能与耐久性直接关系到斜拉桥的结构安全。由于长期暴露在各种环境因素中,斜拉索极易出现表面开裂,内部钢丝锈蚀等病害。因此,定期对其进行检测显得尤为重要。现依据象山港大桥和清水浦大桥,针对斜拉索出现的典型病害特征与检测要求,开发了一种斜拉索表观检测机器人。该机器人具备了小型化、快速自爬行、高质量图像采集、缺陷自动化识别等优点。     

LRM拉索诊断系统在斜拉索检测中的应用

通过LRM拉索诊断系统对某大桥斜拉索进行无损检测,准确地反映了斜拉索缺陷所在的位置与损伤量,解决了桥梁斜拉索检测的盲区问题,为斜拉桥换索工程的施工提供了依据,并为同类桥梁的检测提供了一定的参考。     

无人机加载光学摄像及红外成像系统对海上特大桥塔索质量检测的运用技术

现有检测索塔和斜拉索质量状况的方法存在效率低、成本高等特点,结合港珠澳大桥工程的江海直达船航道桥和九洲航道桥,运用无人机搭载高分辨率的数字红外成像系统和光学摄像机首次对海上环境的桥塔和拉索的施工质量进行检测。考虑到无人机搭载光学摄像及红外成像的飞行检测系统在国内尚未形成商用产品,且该技术首先要求无人机在海上五六级大风的环境下能稳定地飞行,检测过程中实时观察、保存测试图像,后期分析时需对现场测试的海量图像进行有效处理与分析。通过集成现有技术开发了飞行检测系统,利用光学相机和红外成像仪的成像技术及图像分割、识别技术,完成了2座斜拉桥的索塔和斜拉索质量的现场检测,并基于Lab VIEW对现场测试的海量光学图像和红外图像进行智能识别和分析,实现了对缺陷的识别与定位。检测结果表明,未见索塔和斜拉索的明显表观病害和内部缺陷。仅搭载光学摄像机的无人机应用于索塔、斜拉索的质量检测,不能满足检测的全面性要求。搭载红外仪和光学相机的无人机检测系统检测范围全面、效率高和费用低,同时光学图像+红外图像的综合性检测结果能识别拉索表观及其内部隐含缺陷,该技术为塔索检测提供了一种高效的检测方式,对提高塔索的养护技术水平具有重要的意义。     

运营期桥梁斜拉索的技术状况检测

某桥为主跨232m独塔双索面预应力混凝土斜拉桥,至今运营了约19年,斜拉索采用7mm镀锌高强钢丝,抗拉强度标准值1 600 MPa。为了掌握运营期斜拉索的耐久性技术状况,评定其是否处于安全状态,对该桥的斜拉索相关组成构件进行了较为全面详细的检测,运用机器人无损检测技术对拉索内部钢丝锈蚀率和断丝情况进行了量化检测,分析病害产生原因和严重程度,结合斜拉索索力和结构线形进行了综合拉索受力安全分析。检测结果表明:该桥有占总数78.8%的斜拉索存在不同程度的PE护套破损病害;PE护套出现开裂或断裂的斜拉索钢丝均出现了锈蚀,其中斜拉索钢丝截面的最大锈蚀率在1.08%~4.93%之间,但尚未发现断丝情况。根据当前技术状况,对斜拉索索力安全系数进行检算,其结果满足规范要求。     

斜拉桥旧索试验检测及残余寿命评估

以某斜拉桥拆除的病害斜拉索作为研究对象,系统开展了斜拉索外观检测和材料的力学性能试验;根据斜拉索试验结果,分析了斜拉索病害原因并评估了斜拉索的残余寿命,为斜拉索后期养护提供维护建议。     

基于FOA-SVR响应面法的斜拉索可靠度分析方法

为更高效、智能地分析斜拉索的可靠度,结合果蝇优化算法(FOA)和支持向量回归(SVR)提出FOA-SVR响应面法,用于拟合斜拉索的隐式非线性功能函数,并提出关联系数以提高算法的寻优能力和智能性,同时提出PQN法以快速求解可靠指标,得到基于FOA-SVR响应面法的斜拉索可靠度分析方法。结合算例将该方法与传统方法进行对比验证,该方法的精度较高,总体运算效率可提升92%。采用该方法对某独塔斜拉桥斜拉索进行可靠度分析,结果表明：该方法在斜拉索可靠度分析中具有良好的适用性,平均运算效率提高90%,同时人工调试量少,对不同斜拉索通用性强,智能化程度高;独塔斜拉桥在汽车荷载右跨满布时,右跨最长索可靠度最低,但右跨其余斜拉索可靠度相较左跨对称斜拉索更高;对于右跨最长索的可靠指标,影响程度较大的随机变量依次为斜拉索的强度、弹性模量和截面面积。     

基于新奇检测技术的斜拉索状态评估

探讨了应用基于BP神经网络的新奇检测技术进行斜拉索状态评估的方法.通过对监测系统采集数据分析处理,生成训练神经网络需要的样本数据,按要求训练网络,建立了基于新奇检测技术的多阶段状态评估的神经网络模型,实现了斜拉索状态评估的两个阶段:状态预警、状态异常位置识别.状态异常位置识别采用逐步分区识别的方法,最终将损伤拉索的位置...     

浅析斜拉索施工及修复

挂索是斜拉桥施工工艺中极为关键的环节之一,如果施工不慎,就会损伤斜拉索、增长施工工期。本文以灌河大桥为工程背景,简要介绍斜拉索施工全过程以及斜拉索修补,本桥通过计算斜拉索无应力索长和挂索牵引力,提出了短索和长索分别采用"反牵引(先安装斜拉索的塔柱张拉端,后安装斜拉索的桥面固定端,然后张拉塔柱端斜拉索)"与软、硬牵引相结合的技术进行挂索,并巧妙利用了桥面展索和脱空展索相结合的工艺,在斜拉索桥面展索使用塔吊、卷扬相结合的方法,梁端安装采用桥面吊机、卷扬机相结合的方法,提高了斜拉索的安装效率和质量,加大了施工的可操作性和安全性,节约施工成本。     

斜拉索锚固区损伤的高阶纵向导波检测研究

为了实现斜拉索锚固区损伤的有效检测,采用理论分析、数值模拟和试验研究相结合的方法,对高阶纵向超声导波无损检测技术进行研究。基于自由钢丝纵向导波传播的特征方程,编程计算其相速度和群速度的频散曲线,选取了其L(0,6)高阶纵向导波模态用于斜拉索损伤的检测;并利用ABAQUS有限元轴对称模型模拟了高阶纵向导波在有、无缺陷自由钢丝中的传播,分析了不同缺陷大小对其回波反射系数的影响;最后,对自由钢丝和样品斜拉索进行了试验检测验证。结果表明,试验结果与有限元模拟结果相吻合,说明高阶纵向导波可以检测斜拉索锚固区的人工缺陷。     

大跨度地锚式斜拉桥换索施工技术

郧县汉江大桥为(86+414+86)m地锚式预应力混凝土斜拉桥,每塔两侧各布置2×25根斜拉索。检测发现:斜拉索索力和设计理论状态误差较大,PE护套损伤,钢丝锈蚀严重,斜拉索系统属于四类部件。为确保桥梁结构的长期安全,结合该桥斜拉索体系病害情况,运用等强度换算原理,设计新斜拉索[采用镀锌平行钢丝、PES(HD)低应力全防腐索体、全防水结构等多项技术],替换全桥旧斜拉索。斜拉索更换顺序为病害斜拉索优先,单塔对称、双塔反对称,由长索到短索的原则进行更换。有限元结果表明,在整个换索过程中,斜拉索、主梁和桥塔结构变形、应力和强度验算均能满足规范要求。换索施工工序为旧索放张→旧索拆除→新索安装与张拉→索力调整。通过优化施工工艺,长索单塔换完后,2个点4根索同时更换,将换索工期降低到120d,极大地缩短了施工工期。     

基于探地雷达的路基脱空病害图像自动识别

道路病害快速检测对于确保道路的安全和可靠运行至关重要。而探地雷达技术在道路病害检测中具有快速、无损和高分辨率等特征,因此被广泛应用。然而,以往的雷达图像处理和解译主要依赖人员的主观经验,易导致误判和漏判。为了解决这一问题,通过研究基于YOLO算法的图像识别方法,结合深度学习技术,开发一种智能化的道路病害识别系统,能够自动提取探地雷达图像中各类病害的特征,并实现高效、智能的识别,并通过钻孔验证,以确保识别结果的准确性,有效预防突发性道路塌陷的发生,提高道路的安全性和可靠性。     

基于线形识别的索力测量方法影响因素研究

拉索是索承重桥梁重要的传力构件，其受力状态是反映桥梁健康状态的重要指标，准确测量拉索的索力对保障桥梁结构的安全至关重要。结合数字图像处理技术和拉索计算理论，提出了一种基于线形识别的索力测量方法，可实现非接触式无损测量，设备简单，操作方便，效率高。通过高精度的图像采集及数字图像处理技术进行拉索线形的识别与提取，获取拉索有限空间点的几何坐标，再基于悬链线理论和过“三定点”的精确线形数值计算方法，即可快速计算出索力。通过缩尺模型试验验证了该方法可适用于不同长度、不同直径、不同倾角的索力测量，测量误差为2%～5%。采用数值仿真的方法，探究了温度变化、拉索弯曲刚度、减振装置等单一因素变化对索力测量精度的影响规律，并基于模型试验，剖析了图像采集角度及采集距离对测量精度的影响。结果表明：拉索的弯曲刚度、边界条件对短索测量精度的影响较大，拉索温度的变化对测量精度影响较小，减振装置对测量精度的影响随减振装置刚度提高而增大，拉索图像正面平拍和近距离采集可提高方法的精度；基于以上分析，建立了考虑弯曲刚度和减振装置影响的索力修正方法，修正后索力误差为1%～2%。     

智能控制及其在机器人领域的应用分析

随着科技的进步,机器人技术已经被广泛应用在各个领域之中,该技术已经成为各领域不可或缺的重要组成部分,可以大大提升各领域生产工作的工作效率.而智能控制在机器人领域的应用,又能显著提升机器人的智能水平,对促进机器人技术的进一步发展有着重要的意义,是机器人领域未来的主要发展方向.本文针对智能控制做出了简单的概述,并对智能控制...     

超声相控阵探头楔块优化及其在锚具检测中的应用

锚具作为缆索体系桥梁中的关键传力构件,其产品质量是整个桥梁运行安全性的保证。由于锚具的制造工艺,超声检测是锚具内部缺陷检测的主要手段,超声相控阵方法由于声束偏转、动态聚焦、程序控制等优点,比超声检测具有更高的检测效率及缺陷检出率。将超声相控阵方法应用于锚具无损检测中,优化探头楔块与锚具的接触形式,采用圆弧形接触面来改善耦合效果。通过对比试块的检测增益值分析探头楔块优化对检测灵敏度的影响,并分析了探头楔块曲率与对比试块曲率相同时,缺陷大小、缺陷深度对超声相控阵检测结果的影响。     

公路桥梁智能检测技术研究进展

为促进公路桥梁智能检测技术的发展，系统梳理了桥梁智能检测装备、智能检测方法、智能损伤识别算法、智能安全评价及养护决策的发展现状与趋势。综合分析表明：随着桥梁智能检测技术的发展，针对桥梁检测环境和构件特点，出现了包括无人机、移动机器人、环形爬升机器人、多功能检测机器人、爬索机器人、水下机器人、声呐探测装置等多种类型的智能检测装备。智能检测装备大多采用搭载的图像采集装置进行病害信息收集，其避障及抗环境干扰能力和图像采集精度是设备性能表征的关键；在智能检测方法领域，图像采集技术、激光点云扫描技术、全息摄影技术发展日趋成熟，探地雷达、干涉合成孔径雷达及声呐探测技术可作为桥梁基础及冲刷深度检测的有效手段；但以光纤传感、热成像技术、声发射技术、超声波检测、电磁传感为特征的桥梁检测新技术，其抗环境干扰的能力还有待提升，需要进一步的工程验证。随着桥梁智能装备能力的提升、智能检测技术的发展，不同类型海量数据的涌现，传统的从病害、构件、部件到结构的分层综合安全评价算法已不能适应，采用数字孪生技术进行结构状况的实时再现与评价，以多源数据融合技术进行区域级、路网级桥梁服役性能及抗灾韧性评价是桥梁智能检测与安全评估的主要发展方向。     

铁路隧道衬砌品质提升信息化施工关键技术与成套装备创新

为提升铁路隧道拱墙衬砌、底部衬砌、水沟电缆槽衬砌结构实体品质，解决隧道整体衬砌质量缺陷难题，采用拱墙衬砌智能化模筑、底部衬砌一体化浇筑、水沟电缆槽同步一次性浇筑施工技术，结合混凝土自动喷雾养护施工工艺，有效减少或消除衬砌空洞、裂缝、不密实、渗漏水、止水带偏位、施工缝压溃、开裂掉块等质量缺陷问题； 通过成套装备研发，创新施工缝质量控制技术、拱顶浇筑饱满度控制技术、拱墙衬砌预防空洞施工技术、仰拱与边模一体化施工技术、水沟电缆槽机械化施工技术、喷雾养护温度及湿度自动化控制技术，提高铁路隧道衬砌混凝土浇筑、振捣、养护等工序施工工艺质量及施工标准，辅以信息化手段和自动监测技术，达到衬砌全过程质量可控。结果表明： 该施工技术与成套装备创新一定程度上可实现衬砌施工自动化、信息化和智能化，极大地提高衬砌施工技术水平，降低工人劳动强度，有效减少衬砌质量缺陷，提升衬砌施工品质，确保隧道衬砌满足设计及运营安全要求。     

手持式智能轮胎沟槽深度检测系统设计

针对传统轮胎沟槽深度测量工具检测效率极低、数据不准确、测量维度少和延展性差等特点，设计了一种手持式智能轮胎沟槽深度检测系统。该系统由手持式智能检测设备、手机和云平台三部分组成。手持式智能轮胎检测设备负责采集和处理轮胎沟槽深度数据；手机负责传输和显示轮胎沟槽深度数据；云平台负责分析和存储轮胎沟槽深度数据。试验结果表明，该轮胎花纹深度数据处理算法抗干扰能力强，该手持式智能轮胎沟槽深度检测系统测量效率高，可扩展性强且精度高，每条轮胎检测平均用时4 s，检测数据误差保持在3.5%范围内。     

基于卷积神经网络的道路多目标检测方法

得益于数字图像处理技术快速的发展和计算机硬件性能的提高,基于机器学习和深度学习的图像处理技术,成为智能驾驶视觉感知的重要支撑。为了在实际道路环境中持续高效的检测道路目标,文章利用了YOLO神经网络作为主要检测框架。使用卷积神经网络可以同时捕捉到目标的底层和高层特征。物体的底层特征可以符合人的视觉感知特征和主观感受,确定物体的所属种类和外观形状,将底层特征与高层语义特征结合进一步增强神经网络识别的准确度和鲁棒性。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。