• ISSN 1673-5722
  • CN 11-5429/P

MEMS型加速度传感器在超高层建筑振动监测中的性能对比测试

胡荣攀,  汪羽凡,  王立新,  林健富,  刘军香,  赵贤任

downloadPDF
文章导航 > 震灾防御技术  > 2022 >  17(2): 348-359
胡荣攀，汪羽凡，王立新，林健富，刘军香，赵贤任，2022. MEMS型加速度传感器在超高层建筑振动监测中的性能对比测试. 震灾防御技术，17（2）：348−359. doi：10.11899/zzfy20220215. doi: 10.11899/zzfy20220215
引用本文: 胡荣攀，汪羽凡，王立新，林健富，刘军香，赵贤任，2022. MEMS型加速度传感器在超高层建筑振动监测中的性能对比测试. 震灾防御技术，17（2）：348−359. doi：10.11899/zzfy20220215. doi: 10.11899/zzfy20220215
shu
Hu Rongpan, Wang Yufan, Wang Lixin, Lin Jianfu, Liu Junxiang, Zhao Xianren. Performance Test and Comparison of MEMS Accelerometers for Vibration Monitoring of High-Rise Building[J]. Technology for Earthquake Disaster Prevention, 2022, 17(2): 348-359. doi: 10.11899/zzfy20220215
Citation: Hu Rongpan, Wang Yufan, Wang Lixin, Lin Jianfu, Liu Junxiang, Zhao Xianren. Performance Test and Comparison of MEMS Accelerometers for Vibration Monitoring of High-Rise Building[J]. Technology for Earthquake Disaster Prevention, 2022, 17(2): 348-359. doi: 10.11899/zzfy20220215
shu

MEMS型加速度传感器在超高层建筑振动监测中的性能对比测试

doi: 10.11899/zzfy20220215

  • 深圳防灾减灾技术研究院, 广东深圳 518000

基金项目: 广东省防震减灾科技协同创新中心项目（2018B020207011）；国家重点研发计划项目（2019YFC1511005-5，2019YFB2102704）；中国地震局地震科技星火计划攻关项目（XH204702）
详细信息
    作者简介:

    胡荣攀，男，生于1990年。博士，助理研究员。主要从事地震工程及结构健康监测方面的研究。E-mail：rongpan.hu@outlook.com

    通讯作者:

    林健富，男，生于1985年。博士，副研究员。主要从事结构健康监测方面的研究。E-mail：linjianf@hotmail.com

Performance Test and Comparison of MEMS Accelerometers for Vibration Monitoring of High-Rise Building

  • Shenzhen Academy of Disaster Prevention and Reduction, Shenzhen 518000, Guangdong, China

HTML全文

    摘要
  • 摘要: 为开展MEMS型加速度传感器在超高层建筑振动监测应用中的性能对比测试，选取4种不同类型MEMS型加速度传感器与G1B型力平衡式加速度传感器，将其安装在地王大厦相同测点，对MEMS型、G1B型加速度传感器记录的结构环境振动数据进行时程、频谱和模态频率对比分析，并对其记录的结构地震响应进行时域及频域对比。研究结果表明，不同类型MEMS型加速度传感器仪器噪声均大于G1B型加速度传感器，其中MEMS-I型加速度传感器噪声水平相对较小，与G1B型加速度传感器模态频率识别结果及地震响应监测数据吻合较好，验证了MEMS-I型加速度传感器可较准确地记录到结构强振动响应，适用于超高层建筑日常结构振动监测。
    Abstract: Field test was carried out in this study to evaluate and compare the performance of MEMS accelerometers for the vibration monitoring of high-rise buildings. Four MEMS accelerometers of different types and a G1B-type force-balanced accelerometer were selected and installed on the same location in Diwang Building for testing. The ambient vibration of the building recorded by the MEMS accelerometers was compared with the G1B accelerometer in terms of time history, Fourier spectrum and modal frequency identification. In addition, the earthquake-induced structural responses of the high-rise building recorded by MEMS-I type accelerometer was compared with those recorded by the G1B accelerometer in both time and frequency domain. The test results show that the noise levels of the four MEMS accelerometers are all higher than that of the G1B accelerometer. Among them, the MEMS-I type accelerometer has a relatively lower level of sensor noise and achieves a good match with the G1B accelerometer in terms of modal frequency identification and earthquake-induced structural vibration measurement, which proves that the MEMS-I type accelerometer can record the strong structural vibration with acceptable accuracy and is feasible for daily vibration monitoring of the high-rise buildings.
    • HTML全文

  • 引言

    由于我国城市化进程加快及城市土地资源稀缺，越来越多的超高层建筑拔地而起，这些超高层建筑承担着居住、办公、娱乐、文化等功能，在城市生活中扮演着重要的角色。然而超高层建筑服役期间会受到强风、地震等荷载作用，导致结构产生剧烈的振动或过大的位移，从而影响住户舒适度甚至结构安全。受环境侵蚀时，在建筑材料老化、动荷载疲劳等因素作用下，超高层建筑结构会产生抗力退化、损失累积，对结构安全产生巨大威胁。由于超高层建筑结构具有人员密集、使用率高的特点，一旦结构破坏，将对人民生命财产安全造成不可估量的损失。在超高层建筑结构上安装健康监测系统，实时监测结构健康状态，追踪结构全寿命周期的性能变化，对结构安全性进行实时评估与预警，是保障超高层建筑安全运营的重要措施。

    近年来，超高层建筑健康监测研究及工程应用均取得了显著进展，大量超高层建筑安装了健康监测系统进行结构安全在线监测，包括迪拜哈利法塔（Kijewski-Correa等，2013）、广州塔（Ni等，2009）、金茂大厦（李志强，2007）、上海中心大厦（Su等，2013；Hu等，2020）、深圳地王大厦（郭西锐等，2016）等。由于超高层建筑体积庞大、结构体系复杂、构件繁多，对超高层建筑进行全面健康监测往往需要安装大量的传感器，但由于传统传感器成本高昂，限制了健康监测系统在超高层建筑中的应用和推广。随着微机电系统（Micro Electro Mechanical System，MEMS）传感器技术的发展，MEMS型加速度传感器的准确性、灵敏度、动态响应范围有了很大的提升（D'Alessandro等，2019），相较于传统的力平衡式加速度传感器，MEMS型加速度传感器具有体积小、功耗低、成本低等特点，使利用MEMS型加速度传感器构建低成本超高层建筑健康监测系统成为可能。

    目前MEMS型加速度传感器主要应用于地震预警及震后结构损伤评估。Cochran等（2009）提出了基于MEMS的新型强震观测网络，并命名为Quake-Catcher Network （QCN），用于为地震灾害提供预警。Nof等（2019）提出使用低成本的MEMS加速度计组成迷你阵列，用于改善地震预警，并部署在加州大学伯克利分校和洪堡州立大学进行验证。台湾大学的研究人员（Wu等，2013；Wu，2015）以低成本的MEMS型加速度传感器建立了高密度地震预警网络，称为P-wave-alert-device（P-Alert）。Fu等（2019）利用2018—2019年华南地区实测地震记录，评估了低成本高密度MEMS强震观测台阵在地震预警中的效果。除在强震观测与地震预警方面的应用，不少学者开展了基于低成本MEMS型加速度传感器的建筑物震后损伤评估研究。Spencer等（2004）研发了基于MEMS的智能传感器阵列，并通过试验验证了其对于结构损伤评估的效果。Pozzi等（2011）研发了基于MEMS的加速度与应变传感器，并将其用于结构震后损伤评估。Hsu等（2018）进行了一系列钢结构破坏振动台试验，证实了P-alert MEMS型加速度传感器对震后建筑安全评估的有效性。Yin等（2016）通过开展8层1/4跨钢架结构振动试验，验证了MEMS型加速度传感器可有效测量结构振动响应，且可估计结构模态频率。Lin等（2021）利用MEMS型加速度传感器监测数据计算结构顶部位移及层间位移角，进行高层建筑震后安全评估。Wang等（2022）将MEMS型加速度传感器用于多层建筑结构振动测试，并与力平衡式加速度传感器监测数据中的幅值、信噪比及模态识别结果进行对比。

    目前MEMS型加速度传感器多应用于强震观测及实验室条件下的结构监测，对于MEMS型加速度传感器在超高层建筑结构振动监测中的应用研究较少，尤其缺乏基于MEMS型加速度传感器的环境激励下超高层建筑振动监测及结构模态识别研究。此外，对不同类型、品牌MEMS型加速度传感器在超高层建筑监测中性能差异的研究较少。为此，本研究针对不同类型MEMS型加速度传感器在超高层建筑振动监测中的应用效果进行测试与分析，并与传统高精度力平衡加速度传感器监测数据中的时程、频谱、结构模态识别结果进行对比，以分析MEMS型加速度传感器的适用性。

    1.   传感器与振动测试环境

    选用G1B型力平衡式三轴加速度传感器、MEMS-I型三轴加速度传感器（Hu等，2021）、Palert-Plus型三轴MEMS加速度传感器、AC217型三轴MEMS加速度传感器和Palert-Advance型三轴MEMS加速度传感器（Wu等，2013）作为监测仪器（图1），以深圳地王大厦为试验场地，进行传感器性能对比测试。

    图 1  不同种类传感器
    Figure 1.  Product pictures of different sensors
    下载: 全尺寸图片 幻灯片

    1.1   传感器参数对比

    本试验以G1B型力平衡式加速度传感器为基准设备，该设备加速度校准结果不确定度为2.0%（k值为2），满足结构振动监测精度要求。

    不同传感器核心技术参数如表1所示。由表1可知，MEMS型加速度传感器测量范围、频响范围和动态范围与G1B型加速度传感器在同一水平范围内，满足超高层建筑结构振动监测要求。从仪器噪声水平看，G1B型加速度传感器远小于MEMS型加速度传感器，G1B型加速度传感器仪器噪声均方根仅为$ 0.5\;{\text{μ}}\mathrm{g}/\sqrt{\mathrm{H}\mathrm{z}} $，MEMS-I型加速度传感器仪器噪声均方根为$ 10\;{\text{μ}}{{\rm{g}}}/\sqrt{\mathrm{H}\mathrm{z}} $，Palert-Plus型、AC217型、Palert-Advance型MEMS加速度传感器仪器噪声均方根均为$ 25\;{\text{μ}}\mathrm{g}/\sqrt{\mathrm{H}\mathrm{z}} $，为G1B型加速度传感器的50倍。虽然仪器理论噪声水平相差较大，但仪器噪声水平及噪声对超高层建筑振动监测的影响需进一步通过试验进行分析。

    表 1  传感器技术参数对比
    Table 1.  Comparison of parameters of different sensors
    传感器类型 测量范围/g 频响范围/Hz 动态范围/dB 噪声均方根/(${\text{μ}}{{\rm{g}}}/\sqrt{\rm{H}\rm{z} }$) 功耗/W
    G1B ±3 0～100 >130 0.5 3
    MEMS-I ±2.5 0～80 >90 10.0 <2
    Palert-Plus ±2 0～100 >100 25.0 2
    AC217 ±4 0～100 >104 25.0 <1
    Palert-Advance ±2 0～100 >90 25.0 3
    下载: 导出CSV 
    | 显示表格

    1.2   振动测试环境

    深圳地王大厦建成于1996年，地处深圳湾江入海口，经常受强风或台风影响，偶尔受地震影响。主楼结构高度（至天面）为310 m，天面上部连接2个直径为6 m、高度为15 m的圆柱，上部为2个59 m高桅杆，桅杆顶标高为383.95 m。地王大厦地面以上为69层，加上避难层和设备层，结构层为81层。地王大厦主楼采用钢框架-钢筋混凝土核心筒混合结构形式，分别在2、22、41、66层设置4个加强层，利用高度为2层楼高的伸臂钢桁架连接核心筒与外围框架柱，使外围框架柱起到抗倾覆作用（郭西锐等，2016）。主楼结构平面由1个矩形和2个半径为12.5 m的半圆组成，短轴x为东西向，宽35.5 m，长轴y为南北向，长68.55 m。

    为对比不同加速度传感器在超高层建筑振动监测中的性能差异，将传感器安装在地王大厦66层相同测点，测量方向与结构x、y、z轴保持一致，如图2（a）所示，测点平面位置如图2（b）所示，现场安装照片如图2（c）所示。所有传感器采样频率均设置为100 Hz，监测数据由传感器内置模块采集，并由4G网络实时传回远端服务器进行存储分析。

    图 2  地王大厦测点位置
    Figure 2.  Layout of sensor installation on Diwang building
    下载: 全尺寸图片 幻灯片

    2.   环境振动数据对比

    环境振动下仪器监测数据的噪声水平是衡量传感器精度的重要指标，也是影响结构模态识别精度的重要因素，本文分别从时域和频域角度对比不同传感器在超高层建筑环境振动监测应用中的性能差别。超高层建筑环境振动以水平方向为主，为此仅对传感器x、y向环境振动监测数据进行对比分析。因超高层建筑自振频率低，结构振动信号以低频为主，因此对监测数据进行0.1～10 Hz带通滤波，并进行去均值处理。

    2.1   时域对比

    选取测点10 min的环境振动监测数据进行对比，结果如图3所示。

    图 3  不同类型加速度传感器加速度时程曲线
    Figure 3.  Acceleration time histories of different sensors in x and y directions
    下载: 全尺寸图片 幻灯片

    由图3可知，各传感器虽放置在同一测点，但测得的加速度幅值不同，按加速度幅值由小到大排列，依次为G1B型、MEMS-I型、Palert-Plus、AC217型、Palert-Advance型加速度传感器。这是因为传感器采集到的加速度信号主要由结构振动和传感器噪声叠加构成，而不同类型的传感器仪器噪声水平不同，在结构振动相同的情况下，仪器噪声越大，传感器监测数据幅值越大。通过计算环境激励下传感器加速度时程的均方根可更直观地比较各传感器噪声幅值，均方根越小，测量噪声水平相对越小。

    计算得到不同传感器x、y向加速度时程的均方根如表2所示。由表2可知，不同传感器x、y向加速度时程的均方根基本相同。其中，G1B型加速度传感器x、y向加速度时程的均方根均最小，MEMS-I型、Palert-Plus型加速度传感器x、y向加速度时程的均方根约为G1B型加速度传感器的2.5倍，AC217型、Palert-Advance型加速度传感器x、y向加速度时程的均方根约为G1B型加速度传感器的3倍。

    表 2  不同传感器$x $、$y $向加速度时程的均方根
    Table 2.  RMS of acceleration measurement of different sensors in ${\boldsymbol{x}} $ and ${\boldsymbol{y}} $ directions
    方向传感器类型
    G1B型MEMS-I型Palert-Plus型AC217型Palert-Advance型
    x0.0150.0370.0400.0480.052
    y0.0180.0380.0420.0480.059
    下载: 导出CSV 
    | 显示表格

    2.2   频域对比

    为对比不同传感器监测数据的频域特性，选取2021年11月3日11:00—12:00传感器监测数据进行傅里叶变换，得到各传感器x、y向加速度信号频谱，如图4所示，并提取各传感器x、y向频谱中同频率的四阶波峰对应的傅里叶幅值，计算出与G1B型加速度传感器结果的相对误差，如图5所示。

    图 4  不同传感器x、y向加速度傅里叶谱
    Figure 4.  Fourier spectrum of acceleration measurement of different sensors in x and y directions
    下载: 全尺寸图片 幻灯片
    图 5  不同传感器x、y向加速度傅里叶谱幅值相对误差对比
    Figure 5.  Relative errors of peak Fourier spectrum amplitudes of different sensors
    下载: 全尺寸图片 幻灯片

    由图4可知，G1B型加速度传感器在0.1～10 Hz频率段仪器噪声水平远低于结构振动信号，结构各阶频率波峰明显，4种MEMS型加速度传感器仪器噪声水平较高，环境激励下2 Hz以上的结构高频振动频率波峰难以清晰识别。由0.1～2 Hz低频段频谱对比结果可知，MEMS-I型、 Palert-Plus型、AC217型加速度传感器均可清晰识别结构低阶振动模态对应的频率波峰，但由图5可知，MEMS-I型加速度传感器监测的结构振动频谱幅值与G1B型加速度传感器结果的相对误差较小，且为正偏离（幅值较大），而Palert-Plus型、AC217型加速度传感器监测的结构振动频谱幅值与G1B型加速度传感器结果有较大差异，且多为负偏离（幅值较小）。Palert-Advance型加速度传感器由于仪器噪声过大，无法较好地识别出结构除第一阶以外的频率波峰，监测的结构振动频谱幅值与G1B型加速度传感器结果的相对误差最大，且多为负偏离（幅值较小）。

    3.   模态频率识别结果对比

    自振频率是超高层建筑结构的重要动力特征，通过追踪结构自振频率变化，可了解结构健康状态，因此基于结构振动加速度数据对超高层建筑进行模态识别是振动监测的重要目标。利用频域分解法对不同MEMS型加速度传感器记录的超高层建筑环境振动数据进行模态频率识别，并对比识别效果和精度。

    3.1   模态频率识别方法

    根据Brincker等（2001）的研究，为更好地通过环境振动监测数据对结构模态频率进行识别，降低仪器噪声的干扰，可对传感器x、y向加速度信号的互功率谱密度矩阵进行奇异值分解，绘制分解后的特征值曲线，在靠近结构固有频率的位置将出现峰值。将奇异值曲线转化为能量谱图，通过对比峰值能量与周围噪声能量的相对值，可准确识别结构模态频率，算法流程如图6所示，具体步骤如下：

    图 6  基于频域分解法的模态频率识别流程
    Figure 6.  Flowchart of the FDD-based modal frequency identification method
    下载: 全尺寸图片 幻灯片

    （1）对某个时间长度x、y向实测加速度数据进行傅里叶变换，得到x、y向频谱。

    $$ \begin{array}{*{20}{c}} {{\boldsymbol{X}}(\omega ) = {\rm{FFT}}\left( {X(t)} \right),}&{{\boldsymbol{Y}}(\omega ) = {\rm{FFT}}\left( {Y(t)} \right)} \end{array} $$ (1)

    式中，$ {\boldsymbol{X}}(\omega ) $、$ {\boldsymbol{Y}}(\omega ) $分别为x、y向加速度频谱，$ X(t) $、$ Y(t) $分别为x、y向加速度时程，$ {\rm{FFT}}(\cdot) $为傅里叶变换。

    （2）计算x、y向加速度的互功率谱密度矩阵。

    $$ {\boldsymbol{G}} = \left[ {\begin{array}{*{20}{c}} {{{\boldsymbol{G}}_{xx}}}&{{{\boldsymbol{G}}_{xy}}} \\ {{{\boldsymbol{G}}_{yx}}}&{{{\boldsymbol{G}}_{yy}}} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {\dfrac{1}{N}{\boldsymbol{X}}\left( \omega \right){{\boldsymbol{X}}^*}\left( \omega \right)}&{\dfrac{1}{N}{\boldsymbol{X}}\left( \omega \right){{\boldsymbol{Y}}^*}\left( \omega \right)} \\ {\dfrac{1}{N}{\boldsymbol{Y}}\left( \omega \right){{\boldsymbol{X}}^*}\left( \omega \right)}&{\dfrac{1}{N}{\boldsymbol{Y}}\left( \omega \right){{\boldsymbol{Y}}^*}\left( \omega \right)} \end{array}} \right] $$ (2)

    式中，G为功率谱矩阵；$ {{\boldsymbol{G}}_{xx}} $和$ {{\boldsymbol{G}}_{yy}} $分别为x、y向加速度的自功率谱密度；$ {{\boldsymbol{G}}_{xy}} $为x、y向加速度的互功率谱密度，N为$ X\left( t \right) $、$ Y\left( t \right) $时间序列长度，$ {{\boldsymbol{X}}^*}\left( \omega \right) $和$ {{\boldsymbol{Y}}^*}\left( \omega \right) $分别为$ {\boldsymbol{X}}\left( \omega \right) $和$ {\boldsymbol{Y}}\left( \omega \right) $的共轭矩阵。

    （3）对式（2）功率谱矩阵G进行奇异值分解，得到奇异值矩阵$ \Sigma $。

    $$\boldsymbol G =\boldsymbol U{\boldsymbol{\Sigma}} {\boldsymbol U^{\bf{T}}} $$ (3)

    式中，U为包含奇异值向量的酉矩阵。

    （4）提取第一阶奇异值曲线，并绘制能量谱，不同能量值通过不同颜色表示，能量越高越接近红色，能量越低越接近蓝色。

    （5）取多个长度相同的时间段，重复步骤1～4，得到多条第一阶奇异值曲线能量谱，将其组成时频能量云图。

    （6）选取云图中与背景噪声颜色对比度明显的红色或黄色线条，并将能量条对应的频率作为结构自振频率，模态频率与背景噪声对应能量云图的颜色对比度越高，频率识别精准度越高。

    3.2   模态频率识别结果

    为对比不同类型加速度传感器在结构频率识别中的效果，选取5 天（2021年11月1日至5日）环境振动加速度数据，利用频域分解法对结构模态频率进行识别，得到不同类型加速度传感器监测数据时频能量云图，如图7所示。

    图 7  不同传感器监测数据时频能量云图
    Figure 7.  Time-frequency domain color map of the vibration energy of different sensor measurement
    下载: 全尺寸图片 幻灯片

    由图7可知，G1B型加速度传感器对应的时频能量云图中，结构模态频率对应的13条红色能量带清晰可见，且与蓝绿色噪声能量带形成鲜明对比，界限清晰可见，因而可精准识别结构各阶模态频率。MEMS-I型、Palert-Plus型、AC217型加速度传感器对应的时频能量云图中，噪声能量带为黄绿色或黄红色，高阶模态频率对应的红色能量带与噪声能量带的对比度不够明显，但仍可识别除1.83 Hz以外的十二阶结构模态频率。另外，Palert-Plus型加速度传感器低阶噪声能量较高，会影响低阶模态频率的识别精度。而Palert-Advance型加速度传感器对应的时频能量云图中，仅有前六阶结构模态频率对应的红色能量带较清晰，其他阶结构模态频率对应的红色能量带与噪声能量带颜色接近，影响模态识别的精准度，且在较多时间段结构振动能量淹没于噪声中，导致无法识别结构模态频率。

    为验证本文采用的模态频率识别方法的准确性和有效性，将基于G1B型加速度传感器监测数据识别的结构模态频率与郭西锐等（2016）、徐枫等（2014）的研究结果进行对比，如表3所示。由表3可知，G1B型加速度传感器模态频率识别结果与郭西锐等（2016）研究结果的最大误差≤0.85%，与徐枫等（2014）研究结果的最大误差≤0.98%，且可识别结构前十三阶模态频率，验证了本文采用的频率识别方法的准确性和有效性，可进行进一步的计算分析。

    表 3  G1B型加速度传感器实测自振频率识别结果与已有研究结果对比
    Table 3.  Comparison of modal frequency identification results between G1B accelerometer and references
    阶数G1B型加速度传感器
    实测自振频率/Hz    		郭西锐等（2016）
    自振频率/Hz    		与郭西锐等（2016）
    研究的相对误差/%    		徐枫等（2014）
    自振频率/Hz    		与徐枫等（2014）
    研究的相对误差/%
    10.168 60.169 70.650.168 90.18
    20.198 40.198 90.250.199 30.45
    30.276 90.277 80.320.278 20.47
    40.540 20.539 40.150.538 30.35
    50.648 50.649 40.140.642 20.98
    60.676 70.677 20.07——
    70.841 50.844 70.380.839 30.26
    81.169 01.179 00.851.168 00.09
    91.498 01.498 00.00——
    101.582 01.591 00.57——
    111.834 01.844 00.541.852 00.97
    121.929 01.943 00.721.942 00.67
    131.965 01.972 00.351.962 00.15
    下载: 导出CSV 
    | 显示表格

    计算基于4种MEMS型加速度传感器监测数据识别的结构模态频率，并与G1B型加速度传感器的结果进行对比，得到相对误差，如表4所示。由表4可知，根据MEMS-I型加速度传感器的监测数据识别的结构各阶模态频率与G1B型加速度传感器得到的结果相对误差最小，大部分模态频率对应的相对误差≤0.1%，最大相对误差仅为0.17%。

    表 4  不同类型加速度传感器监测数据的模态频率识别结果对比
    Table 4.  Comparison of modal frequencies identified from the measurement of different sensors
    阶数G1B型加速度传感器监测数据的模态频率/HzMEMS-I型加速度传感器监测数据的模态频率/HzMEMS-I型与G1B型加速度传感器监测数据的模态频率相对误差/%Palert-Plus型加速度传感器监测数据的模态频率频率/HzPalert-Plus型与G1B型加速度传感器监测数据的模态频率相对误差/%AC217型加速度传感器监测数据的模态频率频率/HzAC217型与G1B型加速度传感器监测数据的模态频率相对误差/%Palert-Advance型加速度传感器监测数据的模态频率频率/HzPalert-Advance型与G1B型加速度传感器监测数据的模态频率相对误差/
    %
    10.168 40.168 30.0590.168 00.2380.169 10.4160.169 90.891
    20.198 50.198 50.0000.198 30.1010.198 60.0500.199 80.655
    30.277 40.277 30.0360.277 60.0720.277 10.1080.279 50.757
    40.540 70.540 80.0180.539 80.1660.541 10.074——
    50.647 80.647 80.0000.648 40.0930.648 10.0460.647 90.015
    60.675 90.675 90.0000.676 30.0590.675 80.0150.676 90.148
    70.843 30.843 10.0240.843 10.0240.842 90.0470.843 40.012
    81.171 81.169 80.1711.170 30.1281.170 20.1371.168 60.273
    91.493 71.491 20.1671.491 50.1471.491 10.1741.491 00.181
    101.583 11.581 40.1071.581 70.0881.583 50.0251.584 20.069
    111.839 4————————
    121.933 01.933 00.0001.932 50.0261.933 00.0001.931 30.088
    131.964 61.964 40.0101.963 20.0711.964 00.0311.962 70.097
    下载: 导出CSV 
    | 显示表格

    4.   地震响应监测数据对比

    2022年3月14日2:28:48，广东省惠州市惠东县海域（115.04°E，22.51°N）发生4.1级地震，震源深度25 km，震中位置距地王大厦约100 km。G1B型、MEMS-I型加速度传感器完整记录到了此次地震事件引起的结构振动。由于Palert-Plus型、AC217型、Palert-Advance型加速度传感器进行了维护，地震期间未记录到结构的地震响应。

    选取G1B型、MEMS-I型加速度传感器1 min内记录的结构加速度时程曲线进行分析，如图8所示。由G1B型加速度传感器监测结果可知，此次地震引起的结构振动以竖向振动为主，x、y向振动加速度峰值分别为0.473、0.548 cm/s2，z向振动加速度峰值约为1.99 cm/s2。MEMS-I型加速度传感器测得x、y、z向结构振动加速度峰值分别为0.521、0.57、1.99 cm/s2，与G1B型加速度传感器监测结果接近，差值＜0.05 cm/s2。截取地震响应峰值数据（图8中18～24 s的波形）进行对比分析，如图9所示。由图可知，MEMS-I型加速度传感器记录的x、y、z向结构振动加速度波形与G1B型加速度传感器记录结果较吻合。G1B型、MEMS-I型加速度传感器记录的结构频谱曲线对比如图10 所示，由图可知，MEMS-I型加速度传感器记录的结构频谱曲线与G1B型加速度传感器记录结果较吻合。综上所述，MEMS-I型传感器适用于结构地震监测。

    图 8  G1B型、MEMS-I型加速度传感器监测的结构地震响应时程曲线
    Figure 8.  Comparison of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers
    下载: 全尺寸图片 幻灯片
    图 9  G1B型、MEMS-I型加速度传感器监测的结构地震响应局部波形
    Figure 9.  Detailed comparison of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers
    下载: 全尺寸图片 幻灯片
    图 10  G1B型、MEMS-I型加速度传感器监测的结构地震响应频谱曲线
    Figure 10.  Comparison of Fourier spectrum of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers
    下载: 全尺寸图片 幻灯片

    5.   结语

    为研究MEMS型加速度传感器在超高层建筑振动监测中的性能，本研究选取4种不同类型MEMS型加速度传感器，与G1B型力平衡式加速度传感器安装在超高层建筑相同位置进行对比测试试验。

    对不同传感器在建筑物环境振动下监测数据的时域和频域结果进行对比，可知4种MEMS型加速度传感器仪器噪声水平高于G1B型加速度传感器，在2～10 Hz的高频率段，由于结构环境振动微弱，4种MEMS型加速度传感器均无法清晰识别结构模态振动；在0.1～2 Hz低频段，可从MEMS-I型、Palert-Plus型、AC217型加速度传感器监测数据中分辨出结构振动对应的频率，但Palert-Plus型、AC217型加速度传感器测量的结构振动频率对应的频谱峰值与G1B型加速度传感器存在较大差异。

    为对比不同类型加速度传感器环境振动数据结构模态频率识别精准度，采用频域分解法对传感器x、y向加速度互功率谱进行奇异值分解，并绘制时频能量云图，对比结果表明基于MEMS-I型加速度传感器数据的模态识别精度优于另外3种MEMS型加速度传感器，且与G1B型加速度传感器模态频率识别结果吻合较好。

    对MEMS-I型、G1B型加速度传感器监测的结构地震响应数据进行时域和频域对比，证明了MEMS-I型加速度传感器可较准确地记录到结构强振动响应，适用于超高层建筑日常结构振动监测。

  • 图  1  不同种类传感器

    Figure  1.  Product pictures of different sensors

    下载: 全尺寸图片 幻灯片

    图  2  地王大厦测点位置

    Figure  2.  Layout of sensor installation on Diwang building

    下载: 全尺寸图片 幻灯片

    图  3  不同类型加速度传感器加速度时程曲线

    Figure  3.  Acceleration time histories of different sensors in x and y directions

    下载: 全尺寸图片 幻灯片

    图  4  不同传感器x、y向加速度傅里叶谱

    Figure  4.  Fourier spectrum of acceleration measurement of different sensors in x and y directions

    下载: 全尺寸图片 幻灯片

    图  5  不同传感器x、y向加速度傅里叶谱幅值相对误差对比

    Figure  5.  Relative errors of peak Fourier spectrum amplitudes of different sensors

    下载: 全尺寸图片 幻灯片

    图  6  基于频域分解法的模态频率识别流程

    Figure  6.  Flowchart of the FDD-based modal frequency identification method

    下载: 全尺寸图片 幻灯片

    图  7  不同传感器监测数据时频能量云图

    Figure  7.  Time-frequency domain color map of the vibration energy of different sensor measurement

    下载: 全尺寸图片 幻灯片

    图  8  G1B型、MEMS-I型加速度传感器监测的结构地震响应时程曲线

    Figure  8.  Comparison of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers

    下载: 全尺寸图片 幻灯片

    图  9  G1B型、MEMS-I型加速度传感器监测的结构地震响应局部波形

    Figure  9.  Detailed comparison of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers

    下载: 全尺寸图片 幻灯片

    图  10  G1B型、MEMS-I型加速度传感器监测的结构地震响应频谱曲线

    Figure  10.  Comparison of Fourier spectrum of earthquake-induced structural responses measured by the G1B and MEMS-I accelerometers

    下载: 全尺寸图片 幻灯片

    表  1  传感器技术参数对比

    Table  1.   Comparison of parameters of different sensors

    传感器类型 测量范围/g 频响范围/Hz 动态范围/dB 噪声均方根/(${\text{μ}}{{\rm{g}}}/\sqrt{\rm{H}\rm{z} }$) 功耗/W
    G1B ±3 0～100 >130 0.5 3
    MEMS-I ±2.5 0～80 >90 10.0 <2
    Palert-Plus ±2 0～100 >100 25.0 2
    AC217 ±4 0～100 >104 25.0 <1
    Palert-Advance ±2 0～100 >90 25.0 3
    下载: 导出CSV

    表  2  不同传感器$x $、$y $向加速度时程的均方根

    Table  2.   RMS of acceleration measurement of different sensors in ${\boldsymbol{x}} $ and ${\boldsymbol{y}} $ directions

    方向传感器类型
    G1B型MEMS-I型Palert-Plus型AC217型Palert-Advance型
    x0.0150.0370.0400.0480.052
    y0.0180.0380.0420.0480.059
    下载: 导出CSV

    表  3  G1B型加速度传感器实测自振频率识别结果与已有研究结果对比

    Table  3.   Comparison of modal frequency identification results between G1B accelerometer and references

    阶数G1B型加速度传感器
    实测自振频率/Hz    		郭西锐等（2016）
    自振频率/Hz    		与郭西锐等（2016）
    研究的相对误差/%    		徐枫等（2014）
    自振频率/Hz    		与徐枫等（2014）
    研究的相对误差/%
    10.168 60.169 70.650.168 90.18
    20.198 40.198 90.250.199 30.45
    30.276 90.277 80.320.278 20.47
    40.540 20.539 40.150.538 30.35
    50.648 50.649 40.140.642 20.98
    60.676 70.677 20.07——
    70.841 50.844 70.380.839 30.26
    81.169 01.179 00.851.168 00.09
    91.498 01.498 00.00——
    101.582 01.591 00.57——
    111.834 01.844 00.541.852 00.97
    121.929 01.943 00.721.942 00.67
    131.965 01.972 00.351.962 00.15
    下载: 导出CSV

    表  4  不同类型加速度传感器监测数据的模态频率识别结果对比

    Table  4.   Comparison of modal frequencies identified from the measurement of different sensors

    阶数G1B型加速度传感器监测数据的模态频率/HzMEMS-I型加速度传感器监测数据的模态频率/HzMEMS-I型与G1B型加速度传感器监测数据的模态频率相对误差/%Palert-Plus型加速度传感器监测数据的模态频率频率/HzPalert-Plus型与G1B型加速度传感器监测数据的模态频率相对误差/%AC217型加速度传感器监测数据的模态频率频率/HzAC217型与G1B型加速度传感器监测数据的模态频率相对误差/%Palert-Advance型加速度传感器监测数据的模态频率频率/HzPalert-Advance型与G1B型加速度传感器监测数据的模态频率相对误差/
    %
    10.168 40.168 30.0590.168 00.2380.169 10.4160.169 90.891
    20.198 50.198 50.0000.198 30.1010.198 60.0500.199 80.655
    30.277 40.277 30.0360.277 60.0720.277 10.1080.279 50.757
    40.540 70.540 80.0180.539 80.1660.541 10.074——
    50.647 80.647 80.0000.648 40.0930.648 10.0460.647 90.015
    60.675 90.675 90.0000.676 30.0590.675 80.0150.676 90.148
    70.843 30.843 10.0240.843 10.0240.842 90.0470.843 40.012
    81.171 81.169 80.1711.170 30.1281.170 20.1371.168 60.273
    91.493 71.491 20.1671.491 50.1471.491 10.1741.491 00.181
    101.583 11.581 40.1071.581 70.0881.583 50.0251.584 20.069
    111.839 4————————
    121.933 01.933 00.0001.932 50.0261.933 00.0001.931 30.088
    131.964 61.964 40.0101.963 20.0711.964 00.0311.962 70.097
    下载: 导出CSV
    • 参考文献(21)
  • [1] 郭西锐, 王立新, 姜慧等, 2016. 风和温度对地王大厦模态频率的影响研究. 建筑结构, 46（16）: 113—120

    Guo X. R. , Wang L. X. , Jiang H. , et al. , 2016. Study of wind and temperature influences on natural frequencies of Diwang Plaza. Building Structure, 46(16): 113—120. (in Chinese)
    [2] 李志强, 2007. 金茂大厦的结构健康监测研究. 上海: 同济大学.

    Li Z. Q., 2007. Research on structure health monitoring of Jin Mao Tower. Shanghai: Tongji University. (in Chinese)
    [3] 徐枫, 陈文礼, 肖仪清等, 2014. 超高层建筑风致振动的现场实测与数值模拟. 防灾减灾工程学报, 34（1）: 51—57

    Xu F. , Chen W. L. , Xiao Y. Q. , et al. , 2014. Field measurement and numerical simulation of wind-induced vibration of super high-rise building. Journal of Disaster Prevention and Mitigation Engineering, 34(1): 51—57. (in Chinese)
    [4] Brincker R., Ventura C. E., Andersen P., 2001. Damping estimation by frequency domain decomposition. In: Proceedings of IMAC 19: A Conference on Structural Dynamics. Hyatt Orlando, Kissimmee, Florida: Society for Experimental Mechanics, 698—703.
    [5] Cochran E. , Lawrence J. , Christensen C. , et al. , 2009. A novel strong-motion seismic network for community participation in earthquake monitoring. IEEE Instrumentation & Measurement Magazine, 12(6): 8—15.
    [6] D’Alessandro A. , Scudero S. , Vitale G. , 2019. A review of the capacitive MEMS for seismology. Sensors, 19(14): 3093. doi: 10.3390/s19143093
    [7] Fu J. H. , Li Z. T. , Meng H. , et al. , 2019. Performance evaluation of low-cost seismic sensors for dense earthquake early warning: 2018-2019 field testing in southwest China. Sensors, 19(9): 1999. doi: 10.3390/s19091999
    [8] Hsu T. Y. , Yin R. C. , Wu Y. M. , 2018. Evaluating post-earthquake building safety using economical MEMS seismometers. Sensors, 18(5): 1437. doi: 10.3390/s18051437
    [9] Hu R. P. , Xu Y. L. , Zhao X. , 2020. Optimal multi-type sensor placement for monitoring high-rise buildings under bidirectional long-period ground motions. Structural Control and Health Monitoring, 27(6): e2541.
    [10] Hu X. X. , Wang X. Z. , Chen B. , et al. , 2021. Improved resolution and cost performance of low-cost MEMS seismic sensor through parallel acquisition. Sensors, 21(23): 7970. doi: 10.3390/s21237970
    [11] Kijewski-Correa T. , Kwon D. K. , Kareem A. , et al. , 2013. SmartSync: an integrated real-time structural health monitoring and structural identification system for tall buildings. Journal of Structural Engineering, 139(10): 1675—1687. doi: 10.1061/(ASCE)ST.1943-541X.0000560
    [12] Lin J. F. , Li X. Y. , Wang J. F. , et al. , 2021. Study of building safety monitoring by using cost-effective MEMS accelerometers for rapid after-earthquake assessment with missing data. Sensors, 21(21): 7327. doi: 10.3390/s21217327
    [13] Ni Y. Q. , Xia Y. , Liao W. Y. , et al. , 2009. Technology innovation in developing the structural health monitoring system for Guangzhou New TV Tower. Structural Control and Health Monitoring, 16(1): 73—98. doi: 10.1002/stc.303
    [14] Nof R. N. , Chung A. I. , Rademacher H. , et al. , 2019. MEMS accelerometer mini-array (MAMA): a low-cost implementation for earthquake early warning enhancement. Earthquake Spectra, 35(1): 21—38. doi: 10.1193/021218EQS036M
    [15] Pozzi M. , Zonta D. , Trapani D. , et al. , 2011. MEMS-based sensors for post-earthquake damage assessment. Journal of Physics: Conference Series, 305: 012100 doi: 10.1088/1742-6596/305/1/012100
    [16] Spencer Jr. B. F. , Ruiz-Sandoval M. , Kurata N. , 2004. Smart sensing technology: opportunities and challenges. Structural Control and Health Monitoring, 11(4): 349—368. doi: 10.1002/stc.48
    [17] Su J. Z. , Xia Y. , Chen L. , et al. , 2013. Long-term structural performance monitoring system for the Shanghai Tower. Journal of Civil Structural Health Monitoring, 3(1): 49—61. doi: 10.1007/s13349-012-0034-z
    [18] Wang F. , Ma J. M. , Kang X. D. , et al. , 2022. Building response analyses recorded by force-balanced and micro-electro mechanical system accelerometers. Mechanics of Advanced Materials and Structures, 29(11): 1650—1660. doi: 10.1080/15376494.2022.2061658
    [19] Wu Y. M. , Chen D. Y. , Lin T. L. , et al. , 2013. A high-density seismic network for earthquake early warning in Taiwan based on low cost sensors. Seismological research letters, 84(6): 1048—1054. doi: 10.1785/0220130085
    [20] Wu Y. M. , 2015. Progress on development of an earthquake early warning system using low-cost sensors. Pure and Applied Geophysics, 172(9): 2343—2351. doi: 10.1007/s00024-014-0933-5
    [21] Yin R. C. , Wu Y. M. , Hsu T. Y. , 2016. Application of the low-cost MEMS-type seismometer for structural health monitoring: a pre-study. In: Proceedings of IEEE International Instrumentation and Measurement Technology Conference. Taipei, China: IEEE, 1—5.
    • 相关文章
    • 施引文献
  • 资源附件(0)
  • 加载中
WeChat 点击查看大图
图(10) / 表(4)
计量
  • 文章访问数:  310
  • HTML全文浏览量:  66
  • PDF下载量:  202
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-03-26
  • 刊出日期:  2022-06-30

目录

摘要
HTML全文

  • 引言

  • 1.   传感器与振动测试环境

  • 1.1   传感器参数对比

  • 1.2   振动测试环境

  • 2.   环境振动数据对比

  • 2.1   时域对比

  • 2.2   频域对比

  • 3.   模态频率识别结果对比

  • 3.1   模态频率识别方法

  • 3.2   模态频率识别结果

  • 4.   地震响应监测数据对比

  • 5.   结语

参考文献(21)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

版权所有 © 2019《震灾防御技术》编辑部    E-mail：zzfyjsbjb@163.com   京ICP备07009313号-15

地址：北京市朝阳区民族园路9号   邮编：100045   电话：010-69941193/1214/1192

本系统由 北京仁和汇智信息技术有限公司 开发 技术支持： info@rhhz.net   百度统计