BIM可视化技术在拱桥盘扣模板支架中的应用分析

承插式盘扣脚手架模板支撑体系具有节点连接可靠、整体受力作用效果好、施工方便快捷等优点,近年来广泛用于结构物的支撑体系。盘扣脚手架的立杆是由标准节搭设而成,对于拱桥结构的调节伸缩性不强,因此承插式模板支撑体系应用于拱桥的支撑结构较少,而BIM技术具有高度的可视化和信息集成等优点,目前被广泛应用于建筑领域。文章以无为市花渡河环城河段防洪治理工程施工标项目为例,进行了拱桥盘扣脚手架模板支撑应用分析,首先根据图纸、现场测量数据和规范,利用BIM技术搭建三维模型;其次对每孔脚手架进行分层分区标注,利用不同颜色标注不同尺寸的盘扣件,导出盘扣件的横断面图,对搭设间距标注,指导现场脚手架的搭设;最后对单孔、单截面盘扣件的工程量均进行了统计,并与扣件的颜色一一对应,不仅可以有效地提升项目的精细化管理水平,还能节约项目成本。

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。

基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断

多尺度熵是一种有效的衡量时间序列复杂性的方法。为了克服多尺度熵粗粒化过程遗漏特征信息的问题,提出了一种基于三次样条插值时间序列的插值多尺度熵算法。该方法首先通过三次样条插值时间序列代替原粗粒化过程,再计算各个尺度下的样本熵。通过分析仿真信号将提出的方法与原多尺度熵方法进行对比,结果表明了方法的有效性和优越性。在此基础上,提出一种基于插值多尺度熵与模糊C-均值的滚动轴承故障诊断方法。最后,将提出的故障诊断方法应用于滚动轴承的试验数据分析。结果表明,所提出的方法比基于MSE的故障诊断方法识别率更高。

BIM技术在桥梁施工安全管理上的应用

介绍了BIM技术的发展趋势与适用性,探讨了BIM技术在项目中安全交底、安全防护方案上的应用,指出BIM技术适用于安全管理,更优于常规的安全管理办法。

BIM可视化技术在高速公路中的应用探析

城市的发展离不开基础设施的建设,而公路是承载城市经济脉络的纽带。随着技术的发展,如何提高施工效率、提升工艺等是当代学者的研究方向,BIM技术具有高度的可视化和信息集成等特性,目前被广泛地应用于建筑领域。文章首先从高速公路建设的里程变化及BIM技术在各国的应用程度入手,剖析了BIM技术在我国的发展趋势,其次从施工的四个阶段分别阐述了BIM的应用,这表明BIM技术适用于建筑领域的全阶段,最后得出BIM技术作为新兴的一种管理模式,其在高速公路的应用前景广阔,不仅可以有效地提升项目的精细化管理水平,还能为业主及参建各方节约时间。

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS(迭代拉普拉斯得分)特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS(sequential forward selection)特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。