鋼橋塔的點云虛擬裝配及其整體線形控制方法

梁?棟，蒲?潔，趙?愷，張子舒，江志剛

鋼橋塔的點云虛擬裝配及其整體線形控制方法

梁?棟1, 2，蒲?潔1，趙?愷1，張子舒1，江志剛3

(1. 河北工業(yè)大學(xué)土木與交通學(xué)院，天津 300401；2. 河北省鋼混組合橋梁技術(shù)創(chuàng)新中心，邢臺 054001；3. 河北省高速公路延崇籌建處，張家口 075400)

針對鋼橋塔的裝配施工中，傳統(tǒng)的人工預(yù)裝配過程耗時耗力、效率低下且難以對實際裝配過程中的整體線形進(jìn)行調(diào)控分析等問題，建立了基于點云的高精度曲線鋼橋塔整體虛擬裝配系統(tǒng)方法，降低鋼橋塔節(jié)段制作誤差、自重和溫度等受力變形偏差和實際裝配過程誤差對橋塔整體線形的影響．首先，開展基于節(jié)段點云模型的曲線鋼橋塔整體虛擬裝配，以降低節(jié)段制作誤差的影響．通過三維激光掃描儀優(yōu)化掃描方案對各鋼節(jié)段進(jìn)行掃描，獲取鋼節(jié)段點云數(shù)據(jù)并進(jìn)行點云預(yù)處理、參數(shù)化建模．基于各節(jié)段參數(shù)化點云模型，提出了利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行軸線預(yù)測的曲線鋼橋塔節(jié)段三點空間定位方法，對鋼橋塔節(jié)段進(jìn)行虛擬裝配．然后，結(jié)合某橋上塔柱的實際工程案例，通過逆向疊加橋塔自重和溫度的施工變形，消除施工受力變形．針對實際施工過程中已產(chǎn)生的節(jié)段裝配誤差，利用“施工控制”的思想，通過對其后續(xù)節(jié)段裝配控制點坐標(biāo)的調(diào)整，逐步降低前期節(jié)段裝配誤差對整體線形的影響，進(jìn)一步提高了曲線鋼橋塔的整體裝配精度．最后，對建成的花籃形上塔柱進(jìn)行整體掃描并與設(shè)計模型進(jìn)行了對比，驗證了上述系統(tǒng)方法對提高曲線鋼橋塔實際裝配施工精度的積極作用，為類似復(fù)雜鋼結(jié)構(gòu)的裝配施工提供了技術(shù)參考．

3D激光掃描；逆向建模；RBF神經(jīng)網(wǎng)絡(luò)；空間定位；裝配精度

鋼結(jié)構(gòu)在我國工程建設(shè)領(lǐng)域內(nèi)應(yīng)用廣泛[1]．為保證鋼節(jié)段的加工生產(chǎn)質(zhì)量，生產(chǎn)單位在完成一些必要的質(zhì)檢工作后，還會對鋼節(jié)段進(jìn)行預(yù)裝配．人工預(yù)裝配是目前普遍采用的裝配方法，即利用吊裝設(shè)備將制作好的鋼節(jié)段放置在依據(jù)理論數(shù)據(jù)繪制好的地樣線內(nèi)，工人對具有配合關(guān)系的鋼箱節(jié)段進(jìn)行栓接．由于人工預(yù)拼裝占地面積大，需要多人多機具配合，且裝配效率及精度都具有一定的局限性，因此研究一種高效、快速、便捷的鋼箱節(jié)段虛擬預(yù)拼裝技術(shù)具有十分重要的工程意義．鋼結(jié)構(gòu)的虛擬裝配是一種將待裝配的鋼結(jié)構(gòu)構(gòu)件進(jìn)行數(shù)字化逆向建模，并利用模型進(jìn)行構(gòu)件預(yù)裝配的方法．實現(xiàn)鋼結(jié)構(gòu)虛擬拼裝需要解決逆向建模、虛擬裝配方法和整體線形的控制方法3個方面的問題：①鋼節(jié)段的逆向建模，虛擬裝配需要待裝配節(jié)段的數(shù)字化模型，不同于利用理論數(shù)據(jù)創(chuàng)建模型，研究一種逆向建模方法獲得能反映節(jié)段的實際狀態(tài)的數(shù)字模型；②虛擬裝配方法，受場地、機械和人工等條件限制，人工預(yù)拼裝一般只能開展相鄰二、三個節(jié)段的預(yù)拼裝，并不能對構(gòu)件整體線形進(jìn)行驗證，而對于即將開展的虛擬裝配，雖然理論上可以開展全構(gòu)件，甚至是整個結(jié)構(gòu)的虛擬拼裝，但目前還缺少相關(guān)的節(jié)段定位方法；③整體線形控制方法，虛擬裝配的目的是提前發(fā)現(xiàn)節(jié)段制作誤差的影響，如何對虛擬裝配過程中發(fā)現(xiàn)的裝配誤差進(jìn)行調(diào)控并指導(dǎo)實際施工，目前還缺少成熟的研究成果．

三維激光掃描是一項以激光測距方式快速獲取大量測點三維坐標(biāo)的測量技術(shù)．謝雄耀等[2]利用三維激光掃描完成了一段隧道的點云數(shù)據(jù)獲取及其變形檢測，但數(shù)據(jù)的使用只停留在點云階段，并未實現(xiàn)點云數(shù)據(jù)的逆向建模．Yoon等[3]使用三維激光掃描技術(shù)獲取預(yù)制梁的橋梁預(yù)制板點云數(shù)據(jù)，在構(gòu)件尺寸信息獲取方面提出了基于DBSCAN和混合像元濾波算法估算構(gòu)件尺寸的方法．Cezary等[4]介紹了利用地面激光掃描方法和基于無人機照片的攝影測量方法獲得點云數(shù)據(jù)，并基于點云數(shù)據(jù)對海灘岸上部分沙頸岬現(xiàn)象的三維建模精度進(jìn)行分析比較．Kim[5]提出了一種利用建筑信息模型(BIM)和三維激光掃描技術(shù)對預(yù)制混凝土構(gòu)件進(jìn)行尺寸和表面質(zhì)量評估的系統(tǒng)和實用方法．上述研究結(jié)果表明，三維激光掃描能夠快速準(zhǔn)確地獲取大型結(jié)構(gòu)的表面信息，但這些成果中很少有研究對預(yù)制鋼節(jié)段的質(zhì)量進(jìn)行評估．

在鋼節(jié)段虛擬裝配與線形控制方面，董曉曉[6]基于機器視覺原理獲取鋼箱節(jié)段的圖像，并通過圖像識別和拼接的方式實現(xiàn)鋼箱節(jié)段的虛擬裝配，但裝配結(jié)果僅停留在二維階段，缺乏空間性；王唯一等[7]采用3D激光掃描技術(shù)對π形鋼梁進(jìn)行虛擬裝配，但僅在向進(jìn)行了模型間的拼接，缺乏對梁體空間姿態(tài)的考慮．梁棟等[8]提出了一種基于裝配面形心重合的虛擬裝配方法，但無法自動消除節(jié)段制作誤差對整體線形的影響．時學(xué)軍[9]構(gòu)建了7參數(shù)坐標(biāo)轉(zhuǎn)換模型進(jìn)行節(jié)段坐標(biāo)變換，保證節(jié)段預(yù)制橋梁施工過程中幾何線形控制精度，但該方法是基于傳統(tǒng)測量方法提出的．

綜上所述，如何保證大體量、復(fù)雜外形鋼結(jié)構(gòu)在裝配過程中的整體精度是人們普通關(guān)心的關(guān)鍵技術(shù)問題．為更好地解決該問題，本文以某橋花籃形上塔柱鋼結(jié)構(gòu)為例，建立了基于三維激光掃描的曲線鋼橋塔點云虛擬裝配方法及其整體線形的系統(tǒng)控制方法．在影響花籃形上塔柱鋼結(jié)構(gòu)整體裝配線性的諸多因素中，本文重點討論了節(jié)段制作誤差、上塔柱重力、溫度和節(jié)段間實際裝配誤差的影響，并提出了降低或消除該影響的方法．本文的研究內(nèi)容為該橋上塔柱的順利、精準(zhǔn)裝配提供了技術(shù)支持，同時對其他類似結(jié)構(gòu)具有很好的參考價值．

1?基于三維激光掃描的鋼箱節(jié)段逆向建模

1.1?掃描方案設(shè)計

三維激光掃描是一種實景復(fù)制技術(shù)，遵循“所見即所得”的視覺原理，需要從不同角度觀測被測物，以獲取被測物體的全部信息．在正對節(jié)段的輪廓線的位置處設(shè)立測站，并確保測站間的掃描區(qū)域具有重疊，在相鄰測站中至少具有兩個同名標(biāo)靶，編號為T，測站布設(shè)方案如圖1所示．采用這一方案，鋼節(jié)段與地面接觸的表面信息無法獲取，但具有完整的輪廓線信息，可以通過后期的點云數(shù)據(jù)處理進(jìn)行修補．

圖1?測站布設(shè)方案示意

1.2?點云數(shù)據(jù)處理

獲取的點云數(shù)據(jù)是由大量不具有拓?fù)潢P(guān)系的三維點坐標(biāo)組成的，僅依靠點云模型不易進(jìn)行虛擬裝配、更不便于節(jié)段和整體的誤差反饋．為此，本文將點云數(shù)據(jù)轉(zhuǎn)化為可識別幾何特征的參數(shù)化模型，以實現(xiàn)虛擬裝配的目的．點云數(shù)據(jù)的模型轉(zhuǎn)化一般包括配準(zhǔn)、去噪、重構(gòu)及參數(shù)化等4個步驟．①配準(zhǔn)：從不同測站獲取的點云數(shù)據(jù)均為待測構(gòu)件的一部分信息，且不在一個坐標(biāo)系下．使用改進(jìn)ISS特征點與人工蜂群算法可實現(xiàn)點云數(shù)據(jù)重疊部分的高效坐標(biāo)變換，使其統(tǒng)一到同一坐標(biāo)系下，完成點云數(shù)據(jù)配準(zhǔn)[10]．②去噪：噪聲是與待測節(jié)段不具有相關(guān)性冗余點數(shù)據(jù)，一般由光線、塵土等環(huán)境因素產(chǎn)生．為保證后續(xù)的三維模型重建的精度，須進(jìn)行去噪處理[11]，效果如圖2所示．③重構(gòu)及優(yōu)化：利用幾何關(guān)系進(jìn)行配對構(gòu)網(wǎng)，以三角網(wǎng)格為媒介來表達(dá)數(shù)據(jù)點之間的拓?fù)潢P(guān)系，得到重構(gòu)模型[12]．由于數(shù)據(jù)缺失而產(chǎn)生的點云空洞，采用基于邊界曲率的曲面擬合方法進(jìn)行空洞修補[13-14]，效果如圖3所示．④重構(gòu)模型參數(shù)化：首先，將重構(gòu)模型進(jìn)行區(qū)域劃分，并對該區(qū)域進(jìn)行幾何特征識別；然后，在識別出來的區(qū)域中，以一定的延伸率創(chuàng)建參數(shù)化的特征面，依次創(chuàng)建其余區(qū)域的特征面，直至形成封閉的面集合；最后，將面集合中的公共部分保留下來，即形成了具備幾何特征參數(shù)化的實體模型[15]，如圖4所示．

圖2?點云數(shù)據(jù)去噪

圖3?點云數(shù)據(jù)重構(gòu)及優(yōu)化

圖4?模型參數(shù)化

2?基于點云模型的虛擬裝配

空間曲線橋塔的各節(jié)段輪廓線大多為多元高次函數(shù)，加工過程的制作誤差無法完全避免，且裝配過程中的誤差傳遞機理也較復(fù)雜，因此合理確定各節(jié)段的空間位置是保證橋塔整體拼裝精度的重要環(huán)節(jié)．本節(jié)將討論如何對帶有制作誤差的鋼箱節(jié)段進(jìn)行虛擬空間定位，以保證構(gòu)件整體線型的裝配精度．

由于鋼箱節(jié)段的實測輪廓線與設(shè)計輪廓線大體相同，實測輪廓線一般在以設(shè)計輪廓線為中心的一定范圍內(nèi)波動．為此，本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的節(jié)段輪廓線預(yù)測定位方法．

2.1?虛擬裝配流程

圖5所示為基于RBF神經(jīng)網(wǎng)絡(luò)輪廓線預(yù)測定位的主要流程．①將按照施工順序第1個進(jìn)行裝配的節(jié)段定義為基礎(chǔ)節(jié)段．采用軸線、標(biāo)高等關(guān)鍵參數(shù)控制法完成基礎(chǔ)節(jié)段的參數(shù)化模型的虛擬定位．②針對裝配完成的基礎(chǔ)節(jié)段，提取同一位置處的模型輪廓線坐標(biāo)與設(shè)計輪廓線坐標(biāo)，作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集．③將樣本集輸入RBF神經(jīng)網(wǎng)絡(luò)，完成訓(xùn)練并預(yù)測下一節(jié)段的輪廓線坐標(biāo)．④根據(jù)預(yù)測輪廓線坐標(biāo)，計算下一節(jié)段預(yù)測軸線．⑤根據(jù)預(yù)測軸線的特性，采用三點定位法完成待裝配節(jié)段的虛擬定位．

圖5?虛擬裝配流程

2.2?基于RBF神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)測

圖6?RBF網(wǎng)絡(luò)結(jié)構(gòu)

圖7?RBF網(wǎng)絡(luò)隱含層神經(jīng)元的輸入與輸出

隱含層的第個神經(jīng)元的輸入公式可表示為

輸出為

輸出層的輸入為各隱含層神經(jīng)元輸出的加權(quán)求和．由于激勵函數(shù)為純線性函數(shù)，因此輸出為

徑向基函數(shù)RBF神經(jīng)網(wǎng)絡(luò)隱含層的轉(zhuǎn)換函數(shù)是局部響應(yīng)的高斯函數(shù)，相較于全局響應(yīng)的轉(zhuǎn)換函數(shù)的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)所需要的訓(xùn)練時間更少，且由于局部響應(yīng)的特點，也能夠以任意精度逼近任意連續(xù)函數(shù)．利用這一特性可實現(xiàn)對空間曲線鋼箱節(jié)段輪廓線的預(yù)測．

2.3?待裝配節(jié)段輪廓線的預(yù)測

基于RBF神經(jīng)網(wǎng)絡(luò)確定的虛擬裝配思路如下：逐段預(yù)測，逐段裝配．即利用定位好的節(jié)段再次采集樣本點，擴大樣本集，提升預(yù)測效果，直至橋塔拼裝完成．節(jié)段輪廓線的位置信息是三維的，即包含、、三個方向的坐標(biāo)，為簡化訓(xùn)練量，同時為了保證實測節(jié)段輪廓線和設(shè)計輪廓線位置的一致性，本文在制作訓(xùn)練樣本時，以等差數(shù)列控制各節(jié)段的坐標(biāo)逐步增加，如圖8所示．

圖8?樣本點制備示意

該RBF神經(jīng)網(wǎng)絡(luò)的基函數(shù)為高斯函數(shù)，因此方差σ可由下式求解：

計算隱含層和輸出層之間的權(quán)值，

2.4?節(jié)段虛擬裝配中的兩階段定位方法

基于預(yù)測輪廓線，提出了節(jié)段虛擬裝配的兩階段定位方法，即基于預(yù)測輪廓線的節(jié)段初步定位和約束節(jié)段轉(zhuǎn)動的最終定位．輪廓線預(yù)測數(shù)據(jù)為一定間隔的連續(xù)三維點坐標(biāo)，其變化規(guī)律同樣為沿坐標(biāo)方向按固定公差逐級增加．根據(jù)輪廓線預(yù)測數(shù)據(jù)，計算待裝配節(jié)段定位所需參數(shù)，完成其虛擬裝配定位．具體步驟如下．

(1) 定位數(shù)據(jù)獲?。猛蛔鴺?biāo)下的4個預(yù)測點、、、坐標(biāo)，計算其所在平面的形心坐標(biāo)．依次將不同坐標(biāo)位置處平面四邊形的形心點連接起來，形成待裝配節(jié)段的預(yù)測軸曲線1．利用掃描得到的參數(shù)化模型，計算其不同坐標(biāo)形心，連接后獲得待裝配節(jié)段軸曲線2．

(2) 節(jié)段初步定位．在曲線1的1/4和3/4處選取1、2兩點；在曲線2的相同位置處選取1、2兩點．使1、1和2、2一一對應(yīng)重合，即可完成節(jié)段的初步定位．

(3) 約束節(jié)段轉(zhuǎn)動的最終定位．為避免待裝配節(jié)段沿1點和2點的連線旋轉(zhuǎn)，需要再增加一個定位點．由于預(yù)測軸曲線1和待裝配節(jié)段軸曲線2不是完全相同的兩條曲線，在選取兩個重合點對曲線進(jìn)行初步定位后，無法再選取第3個重合點進(jìn)行最終定位．在此，本文采用最小二乘法計算預(yù)測軸曲線1所在的平面方程1，以擴大特征重合的范圍[17]．預(yù)測軸曲線1所在平面1的一般表達(dá)式為

若使最小，則應(yīng)滿足

即

在得到平面1后，采用點、面特征重合的方法進(jìn)行待裝配節(jié)段的最終定位．在待裝配節(jié)段軸曲線2的1/2處選取第3點3，待裝配節(jié)段沿1、2連線進(jìn)行旋轉(zhuǎn)時3的運動軌跡如圖9所示．3的運動軌跡與平面1的交點為3，轉(zhuǎn)動待裝配節(jié)段，直至點3與3重合，即可完成節(jié)段的最終定位．

圖9?待裝配節(jié)段的最終定位方法

通過上述方法，即可完成結(jié)構(gòu)的整體虛擬裝配．由于待裝配節(jié)段的點云模型包含了制作誤差，因此基于整體虛擬裝配而確定各節(jié)段控制坐標(biāo)就可以大幅降低節(jié)段制作誤差對曲線橋塔整體線形的影響.

3?提高曲線鋼橋塔整體裝配精度的實例分析

3.1?工程概況

某獨塔雙索面斜拉橋的上塔柱采用鋼箱矩形截面，上塔柱高38m(相對于主梁中心橋面)，沿高度方向分為13個節(jié)段，編號為A～E，如圖10所示．塔柱節(jié)段間的連接均為對接熔透焊接，縱向加勁肋的連接采用高強度螺栓栓接．

本次掃描設(shè)備為Leica Scan Station P40激光掃描儀，其最大測程為270m，點位精度為3mm@50m，產(chǎn)生的范圍噪音為0.4mm rms@10m，在使用標(biāo)靶測量時的最大標(biāo)靶獲取距離為75m．每個預(yù)制構(gòu)件的測站為3～4站，分辨率采用1587dpi，測距小于10m．在橋塔節(jié)段加工完成后，按第1節(jié)方?法，依次獲取上塔柱各節(jié)段的點云數(shù)據(jù)并完成后期?處理．

圖10?上塔柱節(jié)段劃分示意

3.2?提高曲線鋼橋塔整體裝配精度的系統(tǒng)方法

提高曲線鋼橋塔整體裝配精度的系統(tǒng)方法如下：①在鋼塔節(jié)段加工完成后，通過三維激光掃描獲取點云數(shù)據(jù)，并完成模型參數(shù)化等處理過程；②降低節(jié)段制作誤差的影響，通過虛擬裝配方法，完成橋塔的整體裝配，給出節(jié)段控制點的理想坐標(biāo)；③降低重力和溫差的影響，利用有限元方法分別計算后續(xù)節(jié)段的重力對當(dāng)前拼裝節(jié)段的變形影響、溫差對當(dāng)前拼裝節(jié)段的影響；逆向疊加在當(dāng)前節(jié)段控制點的理想坐標(biāo)，從而得出當(dāng)前節(jié)段控制點的實際坐標(biāo)；④降低節(jié)段裝配施工誤差的影響．每個節(jié)段裝配完成之后，再次對已完成結(jié)構(gòu)進(jìn)行三維激光掃描，檢測節(jié)段間的裝配誤差，及時對后續(xù)節(jié)段的裝配施工定位參數(shù)進(jìn)行調(diào)控，實現(xiàn)對曲線鋼橋塔整體線形的有效控制．詳細(xì)工作流程見圖11．

圖11?提高曲線鋼橋塔整體裝配精度的工作流程

3.3?節(jié)段制作誤差及其控制

3.3.1?節(jié)段制作誤差

鋼節(jié)段的制作誤差不可避免，其結(jié)構(gòu)尺寸或位置

將偏離其設(shè)計值．制作誤差會影響相鄰裝配節(jié)段的裝配精度，從而帶來裝配誤差．裝配誤差的累積和傳遞最終會影響結(jié)構(gòu)整體精度和受力狀態(tài)．因此，在進(jìn)行虛擬裝配前采用3D比較方法對該橋上塔柱各節(jié)段的加工誤差進(jìn)行檢測，結(jié)果見表1．

統(tǒng)計結(jié)果表明：節(jié)段制作誤差最大分布在A節(jié)段，其中最大邊線誤差為24mm，最大對角線誤差為33mm，其余節(jié)段的制作誤差97%在20mm以下．

3.3.2?考慮節(jié)段制作誤差的待裝配節(jié)段輪廓線預(yù)測

表1?某橋上塔柱各節(jié)段制作誤差

Tab.1 Manufacturing error of each tower column seg-ment on a certain bridge

圖12?E-1-a節(jié)段樣本點制備圖

依據(jù)式(4)～(9)和預(yù)測輪廓線的點位坐標(biāo)，計算D-1-a節(jié)段的預(yù)測軸曲線點坐標(biāo)，以樣條曲線連接所有預(yù)測點坐標(biāo)，形成D-1-a節(jié)段段的預(yù)測軸曲線1，效果如圖14所示．

圖13?D-1-a節(jié)段預(yù)測輪廓線效果圖

圖14?D-1-a節(jié)段預(yù)測軸線效果圖

3.3.3?鋼橋塔整體裝配

采用第2.4節(jié)提出的兩階段定位法完成鋼橋塔的整體裝配．在預(yù)測軸曲線1的1/4和3/4處選取1、2兩點；在待裝配節(jié)段軸曲線2的1/4和3/4處選取1、2兩點，使之對應(yīng)重合，完成初步定位．對預(yù)測軸線進(jìn)行平面擬合，如圖15所示，擬合平面1的方程為

在D-1-a節(jié)段軸曲線2上選擇第3個點3與平面1進(jìn)行重合，完成最終定位，如圖16所示．

圖15?預(yù)測軸曲線平面擬合

圖16?D-1-a節(jié)段最終定位

其余節(jié)段的裝配步驟與D-1-a節(jié)段相同，整體橋塔裝配效果圖如圖17和圖18所示，是采用軸線、標(biāo)高等參數(shù)完成節(jié)段虛擬定位后得到的裝配效果圖[8]，在A節(jié)段和B-2節(jié)段間存在明顯錯臺．由圖18和圖19對比可知，采用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的定位數(shù)據(jù)能有效降低節(jié)段制作誤差對整體線形的影響，大幅提高曲線橋塔的整體裝配精度．

圖17?上塔柱整體裝配效果圖

圖18?局部放大圖

圖19?常規(guī)方法完成整體裝配的效果圖

采用第2節(jié)中的方法，在完成上塔柱的整體虛擬裝配后，可計算得出各節(jié)段裝配控制點的理想坐標(biāo)，圖20給出了節(jié)段定位所需的3個控制點．

圖20?定位角點示意

3.3.4?考慮橋塔重力和裝配溫差的節(jié)段拼裝坐標(biāo)

實際裝配過程中，還需要考慮兩個因素：一是當(dāng)前節(jié)段的后續(xù)節(jié)段重力對當(dāng)前節(jié)段的變形影響；二是溫度對當(dāng)前節(jié)段的變形影響．本文通過有限元計算了后續(xù)節(jié)段對每個當(dāng)前節(jié)段控制點的變形影響；另外，考慮節(jié)段加工時的溫度為30℃，利用有限元計算了裝配溫度為20℃的變形影響．將上述影響反向疊加到第3.3.3節(jié)整體虛擬裝配得出的各節(jié)段裝配控制點的理想坐標(biāo)，即可以得出綜合考慮節(jié)段制作誤差、后期施工節(jié)段力學(xué)影響和裝配溫度影響的節(jié)段控制點實際坐標(biāo)，如表2所示．由于這兩部分的有限元計算較為常規(guī)，限于文件篇幅，不再詳細(xì)給出．

3.4?節(jié)段裝配誤差及其控制

除了節(jié)段制作誤差，節(jié)段間的實際拼裝誤差也將對塔柱的整體裝配精度產(chǎn)生重要影響．在該橋上塔柱的實際裝配工作中，可利用表2中的各節(jié)段控制點坐標(biāo)，按照施工順序依次裝配各節(jié)段．然而，節(jié)段間主要通過高強栓接、焊接等人工操作手段進(jìn)行連接固定(見圖21)，這些手工操作必然會影響節(jié)段的定位精度．因此，在每一個節(jié)段裝配完成后，需要對其裝配精度進(jìn)行復(fù)核．

在復(fù)核過程中，本文發(fā)現(xiàn)D-1-a節(jié)段在Ⅶ-1、Ⅶ-2截面固定完成后，Ⅴ-1截面的形心點位置產(chǎn)生了垂直于橋軸線方向13.68mm的偏差．為消除該誤差對整體線形的影響，本文采用逐段消減的方式，對后續(xù)待裝配的B、C節(jié)段的定位參數(shù)進(jìn)行調(diào)整．根據(jù)節(jié)段長度比例，對B、C節(jié)段的形心點坐標(biāo)值分別調(diào)整，如式(11)所示，并作為裝配時的最終坐標(biāo)數(shù)據(jù)．D-1-a節(jié)段的裝配誤差及其調(diào)整如圖22所示．通過上述調(diào)整，大幅提高了橋塔的整體裝配精度．

表2?裝配面角點坐標(biāo)統(tǒng)計表

Tab.2?Assembly surface corner point coordinate statistics table mm

式中：＝1，2，…，；為偏差調(diào)整節(jié)段數(shù)；r為需要調(diào)整的偏差值；L為節(jié)段的長度；a為節(jié)段的偏差調(diào)整值．則C-1、B-1節(jié)段偏差調(diào)整分配值分別為

式中：c為C-1節(jié)段長度；b為B-1節(jié)段長度．

圖21?節(jié)段間的手工連接固定

圖22?橋塔D-1-a節(jié)段裝配誤差及其控制圖

3.5?建成后橋塔的整體裝配精度

為驗證該橋上塔柱的實際裝配精度，本文對完工后的上塔柱進(jìn)行了整體掃描，如圖23所示．獲取了上塔柱的點云數(shù)據(jù)，并通過逆向建模方式創(chuàng)建了其參數(shù)化模型．然后，利用上塔柱的設(shè)計輪廓線數(shù)據(jù)創(chuàng)建了設(shè)計模型．最后采用3D比較的方法[18]對建成后橋塔的整體裝配精度進(jìn)行誤差分析．上塔柱整體誤差色譜圖如圖24所示．其中，檢測數(shù)據(jù)點的數(shù)量為199988，其中92.97%的點偏差位于8.2mm以下，結(jié)果表明整體裝配精度較高．

圖23?橋梁上塔柱裝配現(xiàn)場及成橋圖

圖24?整體誤差分布色譜圖

4?結(jié)?論

為提高大尺度鋼結(jié)構(gòu)的整體安裝精度，本文提出了利用點云開展虛擬裝配以指導(dǎo)實際裝配施工的誤差控制系統(tǒng)方法，并在某橋上塔柱的安裝過程中獲得了成功運用．本文的主要結(jié)論如下．

(1) 在實際裝配施工過程中，應(yīng)綜合考慮節(jié)段制作誤差、結(jié)構(gòu)施工內(nèi)力、溫度和節(jié)段實際裝配誤差的影響，以提高結(jié)構(gòu)整體線形精度．

(2) 利用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測階段軸線位置，可有效降低節(jié)段制作誤差對整體線形的影響．

［1］ 羅永峰，王熹宇，強旭紅，等. 高強鋼在工程結(jié)構(gòu)中的應(yīng)用進(jìn)展[J]. 天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版)，2015，48(增1)：134-141.

Luo Yongfeng，Wang Xiyu，Qiang Xuhong，et al. The application progress of high-strength steel in engineering structures[J]. Journal of Tianjin University(Natural Science and Engineering Technology)，2015，48(Suppl 1)：134-141(in Chinese).

［2］ 謝雄耀，盧曉智，田海洋，等. 基于地面三維激光掃描技術(shù)的隧道全斷面變形測量方法[J]. 巖石力學(xué)與工程學(xué)報，2013，32(11)：2214-2224.

Xie Xiongyao，Lu Xiaozhi，Tian Haiyang，et al. Tunnel full-section deformation measurement method based on ground 3D laser scanning technology[J]. Chinese Journal of Rock Mechanics and Engineering，2013，32(11)：2214-2224(in Chinese).

［3］ Yoon Seongheum，Wang Qian，Sohn Hoon. Optimal placement of precast bridge deck slabs with respect to precast girders using 3D laser scanning[J]. Automation in Construction，2018，86：81-98.

［4］ Cezary S，Dabrowski P S，Specht M. 3D modelling of beach topography changes caused by the tombolo phenomenon using terrestrial laser scanning(TLS)and unmanned aerial vehicle(UAV)photogrammetry on the example of the city of Sopot[J]. Geo-Marine Letters，2020，40：1-11.

［5］ Kim Min-Koo. A framework for dimensional and surface quality assessment of precast concrete elements using BIM and 3D laser scanning[J]. Automation in Construction，2015，49：225-238.

［6］ 董曉曉. 基于機器視覺的鋼箱梁虛擬裝配系統(tǒng)[D]. 濟南：濟南大學(xué)，2016.

Dong Xiaoxiao. Virtual Assembly System of Steel Box Girder Based on Machine Vision[D]. Jinan：University of Jinan，2016(in Chinese).

［7］ 王唯一，吳勇生，廖輝紅. TLS在大型鋼梁虛擬預(yù)拼和檢測應(yīng)用研究[J]. 公路工程，2020，45(2)：191-194，223.

Wang Weiyi，Wu Yongsheng，Liao Huihong. Research on application of TLS in virtual pre-assembly and inspection of large steel beams[J]. Highway Engineering，2020，45(2)：191-194，223(in Chinese).

［8］ 梁?棟，趙?愷，馬印懷，等. 基于3D激光掃描的鋼橋塔節(jié)段虛擬裝配方法[J]. 橋梁建設(shè)，2021，51(3)：63-72.

Liang Dong，Zhao Kai，Ma Yinhuai，et al. Virtual assembly method of steel bridge tower segment based on 3D laser scanning[J]. Bridge Construction，2021，51(3)：63-72(in Chinese).

［9］ 時學(xué)軍. 短線法節(jié)段預(yù)制橋梁幾何線形控制的坐標(biāo)變換方法研究[J]. 鐵道標(biāo)準(zhǔn)設(shè)計，2021，65(7)：103-107，159.

Shi Xuejun. Research on coordinate transformation method for geometric linear control of short-line method segmental precast bridges[J]. Railway Standard Design，2021，65(7)：103-107，159(in Chinese).

［10］ 葛寶臻，周天宇，陳?雷，等. 基于改進(jìn)ISS特征點與人工蜂群算法的點云拼接方法[J]. 天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版)，2016，49(12)：1296-1302.

Ge Baozhen，Zhou Tianyu，Chen Lei，et al. Point cloud splicing method based on improved ISS feature points and artificial bee colony algorithm[J]. Journal of Tianjin University(Natural Science and Engineering Technology)，2016，49(12)：1296-1302(in Chinese).

［11］ 李瑞雪，鄒紀(jì)偉. 基于PCL庫的點云濾波算法研究[J]. 衛(wèi)星電視與寬帶多媒體，2020(13)：237-238.

Li Ruixue，Zou Jiwei. Research on point cloud filtering algorithm based on PCL library[J]. Satellite TV and Broadband Multimedia，2020(13)：237-238(in Chinese).

［12］ 梁群仙，許宏麗. 一種基于點云數(shù)據(jù)的快速曲面重構(gòu)方法[J]. 計算機工程，2013，39(2)：237-240.

Liang Qunxian，Xu Hongli. A rapid surface reconstruction method based on point cloud data[J]. Computer Engineering，2013，39(2)：237-240(in Chinese).

［13］ 程效軍，賈東峰. 海量點云數(shù)據(jù)處理理論與技術(shù)[M]. 上海：同濟大學(xué)出版社，2014.

Cheng Xiaojun，Jia Dongfeng. Mass Point Cloud Data Processing Theory and Technology[M]. Shanghai：Tongji University Press，2014(in Chinese).

［14］ 林?松，田林亞，施貴剛，等. 基于三角網(wǎng)的點云空洞修補算法[J]. 工程勘察，2020，48(8)：53-58.

Lin Song，Tian Linya，Shi Guigang，et al. Point cloud void patch algorithm based on a triangular network[J]. Engineering Survey，2020，48(8)：53-58(in Chinese).

［15］ 叢海宸，成思源，楊雪榮，等. 基于領(lǐng)域劃分的逆向參數(shù)化建模[J]. 組合機床與自動化加工技術(shù)，2016(6)：71-74.

Cong Haichen，Cheng Siyuan，Yang Xuerong，et al. Reverse parameterized modeling based on domain division[J]. Combined Machine Tool and Automation Processing Technology，2016(6)：71-74(in Chinese).

［16］ 耿?超. 基于機器學(xué)習(xí)的大跨橋梁斜拉索損傷識別[D]. 南京：東南大學(xué)，2018.

Geng Chao. Long-Span Bridge Cable Damage Identification Based on Machine Learning[D]. Nanjing：Southeast University，2018(in Chinese).

［17］ 薄懷志. 三種點云數(shù)據(jù)平面擬合方法的精度比較與分析[J]. 測繪與空間地理信息，2018，41(5)：206-208.

Bo Huaizhi. Precision comparison and analysis of three point cloud data plane fitting methods[J]. Surveying and Space Geographic Information，2018，41(5)：206-208(in Chinese).

［18］ 吳?軍. 基于逆向工程的復(fù)雜三維曲面渦旋零件的精度檢測[D]. 蘭州：蘭州理工大學(xué)，2014.

Wu Jun. Accuracy Detection of Complex 3-Dimensional Curved Vortex Parts Based on Reverse Engineering[D]. Lanzhou：Lanzhou University of Technology，2014(in Chinese).

Point Cloud Virtual Assembly of Steel Bridge Towers and Its Overall Linear Control Method

Liang Dong1, 2，Pu Jie1，Zhao Kai1，Zhang Zishu1，Jiang Zhigang3

(1. School of Civil and Transportation，Hebei University of Technology，Tianjin 300401，China；2. Hebei Steel-Concrete Composite Bridge Technology Innovation Center，Xingtai 054001，China；3. Hebei Expressway Yanchong Preparation Office，Zhangjiakou 075400，China)

The traditional manual preassembly procedure for steel bridge towers is time-consuming，labor-intensive，and inefficient，and it is difficult to control and analyze the overall line shape during the actual assembly process. Thus，a point cloud-based high-precision overall virtual assembly system method was established to reduce the effect of segment manufacturing errors，self-weight and temperature(force deformation deviations)，and actual assembly process errors on the overall line shape of steel bridge towers. First，to reduce the effect of segment manufacturing methods，the overall virtual assembly of curved steel bridge towers was realized using the segment point cloud model. The scanning plan was optimized using a three-dimensional laser scanner to scan each steel segment，obtain the point cloud data of the steel segment，and perform point cloud preprocessing and parametric modeling. A three-point spatial positioning method for curved steel bridge tower segments using radial basis function neural networks for axis prediction was proposed，and the steel bridge tower segments were virtually assembled based on the parameterized point cloud model of each segment. Thereafter，the construction deformation of the weight and temperature of the tower was reversely superimposed on an actual engineering case of a tower column on a bridge to eliminate the construction deformation. Subsequently，because of the segment assembly errors that occurred during the actual construction process，the concept of“construction control”was used to gradually reduce the effects of the assembly errors of the previous segment on the overall alignment by adjusting the coordinates of the subsequent segment ?assembly control points to improve the overall assembly accuracy of the curved steel bridge tower. Finally，an overall scan of the completed flower basket-shaped upper tower column was conducted and compared to the design model. The results demonstrated that the above system method improved the actual assembly construction accuracy of curved steel bridge towers and provided a technical reference for the assembly and construction of similar complex steel ?structures.

3D laser scanner；reverse modeling；RBF neural network；spatial orientation；assembly accuracy

10.11784/tdxbz202107038

U445.4；TU74

A

0493-2137(2022)08-0828-11

2021-07-27；

2021-10-11.

梁?棟（1976—??），男，博士，教授，13622114075@139.com.Email：m_bigm@tju.edu.cn

蒲?潔，1215376754@qq.com.

國家自然科學(xué)基金資助項目(51978236)；河北省交通運輸廳科技項目(YC-201912)；天津市交通運輸委員會科技發(fā)展計劃項目(2019-06).

the National Natural Science Foundation of China(No. 51978236)，Hebei Provincial Department of Transportation(No. YC-201912)，the Science and Technology Development Project Plan of Tianjin Transportation Commission(No. 2019-06).

(責(zé)任編輯：金順愛)