CN106225914B - 一种粘性阻尼振动信号中的模态参数提取方法 - Google Patents
一种粘性阻尼振动信号中的模态参数提取方法 Download PDFInfo
- Publication number
- CN106225914B CN106225914B CN201610547068.0A CN201610547068A CN106225914B CN 106225914 B CN106225914 B CN 106225914B CN 201610547068 A CN201610547068 A CN 201610547068A CN 106225914 B CN106225914 B CN 106225914B
- Authority
- CN
- China
- Prior art keywords
- value
- denoted
- matrix
- indicate
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种粘性阻尼振动信号中的模态参数提取方法,其通过选用较大的系统阶次的初始值,利用稀疏优化OMP算法计算状态矩阵,之后对可观矩阵中的每一行都运用OMP算法计算输出矩阵,并对所有的输出矩阵求取均值,较大程度上减少了噪声对结果的影响,从而提高了本发明方法的消噪能力和识别精度;然后计算固有频率、固有阻尼比和固有模态振型系数,并运用K‑means算法从众多模态参数中选出有效模态参数,来消除虚假模态,从而大大消弱了系统阶次对模态参数提取精度的影响。
Description
技术领域
本发明涉及一种粘性阻尼振动信号处理技术,尤其是涉及一种粘性阻尼振动信号中的模态参数提取方法。
背景技术
随着超高层建筑和大跨桥梁等的兴建,健康监测系统越来越多地应用于此类大型土木工程结构中。这类大型土木工程结构的损伤诊断和受损结构评定、实时监测和安全预警、有限元模型修正等成为了健康监测系统的重点,而粘性阻尼振动信号中的模态参数提取是需要首先解决的问题。现有的模态参数提取方法有很多种,如应用广泛的有随机子空间法。
随机子空间法是一种基于白噪声假定的时域方法。随机子空间法最关键的问题就是需要精准的确定系统阶次,目前系统阶次确定方法主要有两种,分别是奇异值跳跃法和稳定图法,但是,一方面,这两种系统阶次确定方法都需要人工参与观察波形的变化,而人工参与必然会很大程度上影响确定的系统阶次的精确度,从而会导致提取得到的模态参数中存在虚假模态,提取的模态参数不精确;另一方面,随着科学技术的快速发展,模态参数提取除了需要满足高精度和鲁棒性等要求外,还对模态参数提取的自动化程度提出了更高的要求,而这种需要人工参与的系统阶次确定方法显然不能满足发展的需求。此外,随机子空间法受外界环境噪声影响大,也会导致提取得到的模态参数中存在虚假模态,提取的模态参数不精确。
目前,研究人员着力于研究如何提高系统阶次的精确度,来避免产生虚假模态,但通过提高系统阶次的精确度仍不能完全避免虚假模态的产生,因此,有必要研究一种能够消除虚假模态的模态参数提取方法。
发明内容
本发明所要解决的技术问题是提供一种粘性阻尼振动信号中的模态参数提取方法,其削弱了系统阶次对模态参数提取精度的影响,通过消除虚假模态有效地提高了提取的模态参数的精度。
本发明解决上述技术问题所采用的技术方案为:一种粘性阻尼振动信号中的模态参数提取方法,其特征在于包括以下步骤:
①对连续的粘性阻尼振动信号进行奈奎斯特均匀采样,采样间隔为TS秒,采样点数为2N点,得到包含2N个采样值的采样信号,记为x,将x以列向量形式表示为x=(x1,x2,…,x2N-1,x2N)T;其中,TS的取值满足奈奎斯特采样定律,N的取值要求远大于目标系统的系统阶次的预估值,(x1,x2,…,x2N-1,x2N)T为(x1,x2,…,x2N-1,x2N)的转置,x1,x2,…,x2N-1,x2N对应表示x中的第1个采样值、第2个采样值、…、第2N-1个采样值、第2N个采样值;
②利用x中的所有采样值构建一个Hankel矩阵,记为H,H中的每一条副对角线上的元素都相等,然后将H分成两个子矩阵,记为Yp和Yf,其中,H的维数为2i×j,Yp和Yf的维数均为i×j,i与j满足关系:2i+j-1=2N,i的取值为人为确定的常数,且n<i<N,n表示目标系统的系统阶次的预估值,x3、xj、xj+1、xi、xi+1、xi+2、xi+3、xi+j-1、xi+j、xi+j+1、x2i、x2i+1、x2i+j-1对应表示x中的第3个采样值、第j个采样值、第j+1个采样值、第i个采样值、第i+1个采样值、第i+2个采样值、第i+3个采样值、第i+j-1个采样值、第i+j个采样值、第i+j+1个采样值、第2i个采样值、第2i+1个采样值、第2i+j-1个采样值;
③利用Yp和Yf构建一个维数为i×i的Toeplitz矩阵,记为T,然后选取T的第1行至第i-1行构成维数为(i-1)×i的第一子矩阵,记为T1;并选取T的第2行至第i行构成维数为(i-1)×i的第二子矩阵,记为T2;其中,为Yp的转置;
④根据状态空间方程的定义对T1进行分解,得到T1的可观矩阵和可控反转矩阵,对应记为Γ1和Δ1,T1=Γ1Δ1,Γ1=(C,CA,…,CAi-2)T;并对T1进行SVD分解,得到T1的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U1、V1和S1,T1=U1S1V1 T;然后根据T1=Γ1Δ1和T1=U1S1V1 T,令
同样,根据状态空间方程的定义对T2进行分解,得到T2的可观矩阵和可控反转矩阵,对应记为Γ2和Δ2,T2=Γ2Δ2,Γ2=(CA,CA2,…,CAi-1)T;并对T2进行SVD分解,得到T2的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U2、V2和S2,然后根据T2=Γ2Δ2和令
其中,Γ1的维数为(i-1)×1,Δ1的维数为1×i,C表示维数为1×(i-1)的输出矩阵,A表示维数为(i-1)×(i-1)的状态矩阵,(C,CA,…,CAi-2)T为(C,CA,…,CAi-2)的转置,Ai -2为A的i-2次方,V1 T为V1的转置,为S1的次方,Γ2的维数为(i-1)×1,Δ2的维数为1×i,(CA,CA2,…,CAi-1)T为(CA,CA2,…,CAi-1)的转置,A2为A的2次方,Ai-1为A的i-1次方,为V2的转置,为S2的次方;
⑤根据Γ1=(C,CA,…,CAi-2)T和Γ2=(CA,CA2,…,CAi-1)T,确定Γ1与Γ2之间的关系为:Γ2 T=Γ1 TΛ;然后将Γ1 T分解为其中,Γ2 T为Γ2的转置,Γ1 T为Γ1的转置,Λ表示维数为(i-1)×(i-1)的对角矩阵,P1表示维数为1×(i-1)的行向量,P1=(C,C,…,C),Q1表示维数为(i-1)×(i-1)的对角矩阵,I表示i-1阶的单位矩阵;
⑥根据稀疏优化的原理,确定稀疏度小于或等于i;并根据目标系统的系统阶次的预估值,确定稀疏度大于2n;然后确定稀疏度的取值范围为大于2n且小于或等于i;接着在稀疏度的取值范围内选择一个正整数k作为稀疏度的确定值,k∈(2n,i];再将大于2n的值i赋值给目标系统的系统阶次作为目标系统的系统阶次的初始值;
⑦令q表示执行的次数,令Q表示重复执行的总次数;其中,q的初始值为1,Q≥2;
⑧利用第q次执行时随机产生的第一高斯随机测量矩阵H1对Γ2 T=Γ1 TΛ进行观测,构建得到第q次执行时的第一稀疏优化模型,描述为:并利用第q次执行时随机产生的第二高斯随机测量矩阵H2对进行观测,构建得到第q次执行时的第二稀疏优化模型,描述为:其中,H1的维数为M×1,H2的维数为M×(i-1),M∈[k-10,k+10],min为取最小值函数,符号“|| ||1”为求矩阵的1-范数符号,s.t.表示“受约束于…”,符号“|| ||”为求欧氏距离符号,P1 T为P1的转置,Q1 T为Q1的转置,σ1和σ2均为值很小的常数;
⑨根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP方法对进行稀疏求解,得到对角矩阵Λ;然后根据和求解得到的Λ,计算得到A,并令Aq=A;之后对Aq进行特征值分解,得到Aq的特征值向量,记为Dq;接着根据和得到的A,计算得到Q1;同样,根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP方法对进行稀疏求解,得到P1 T;最后根据P1=(C,C,…,C)得到C,并令Cq=C;其中,Aq和Cq的初始值均为0;
⑩根据Aq和Cq计算第q次执行得到的连续的粘性阻尼振动信号的固有频率向量、固有阻尼比向量和固有模态振型系数向量,对应记为和其中,和的维数均为1×(i-1);
判断q≥Q是否成立,如果成立,则结束重复执行的过程,得到D1,D2,…,Dq,…,DQ、C1,C2,…,Cq,…,CQ、和然后执行步骤否则,令q=q+1,然后返回步骤⑧继续执行;其中,q=q+1中的“=”为赋值符号;
对D1,D2,…,Dq,…,DQ各自中的部分元素强制置零,再从D1,D2,…,Dq,…,DQ中任意选择一个作为状态矩阵的最终特征值向量,记为D*;同样,对C1,C2,…,Cq,…,CQ各自中的部分元素强制置零,再从C1,C2,…,Cq,…,CQ中任意选择一个作为输出矩阵的最终值,记为C*;
并计算Q次执行共得到的Q个固有频率向量的均值向量Q个固有阻尼比向量的均值向量和Q个固有模态振型系数向量的均值向量
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出;
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出;
根据C*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据C*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出。
所述的步骤⑧中的H1和H2中的每个元素独立的服从均值为0且方差为的高斯分布。
所述的步骤中的D*和C*的获取过程为:
_1、在步骤的基础上,计算D1,D2,…,Dq,…,DQ各自中的所有元素的均值,将Dq中的所有元素的均值记为同样,计算C1,C2,…,Cq,…,CQ各自中的所有元素的均值,将Cq中的所有元素的均值记为
_2、比较D1,D2,…,Dq,…,DQ各自中的每个元素与对应的均值的大小,将D1,D2,…,Dq,…,DQ各自中小于对应的均值的元素强制置零;对于Dq,比较Dq中的每个元素与的大小,将Dq中小于的元素强制置零;
同样,比较C1,C2,…,Cq,…,CQ各自中的每个元素与对应的均值的大小,将C1,C2,…,Cq,…,CQ各自中小于对应的均值的元素强制置零;对于Cq,比较Cq中的每个元素与的大小,将Cq中小于的元素强制置零;
_3、在步骤_2的基础上,统计D1,D2,…,Dq,…,DQ中相同索引值的Q个元素中的非零元素的总个数,将D1,D2,…,Dq,…,DQ中索引值为g的Q个元素中的非零元素的总个数记为dDg;然后将统计得到的所有数据按序构成一个集合,记为dD,dD={dD1,dD2,…,dDg,…,dDG};
同样,统计C1,C2,…,Cq,…,CQ中相同索引值的Q个元素中的非零元素的总个数,将C1,C2,…,Cq,…,CQ中索引值为g'的Q个元素中的非零元素的总个数记为dCg';然后将统计得到的所有数据按序构成一个集合,记为dC,dC={dC1,dC2,…,dCg',…,dCG'};
其中,g的初始值为1,1≤g≤G,G表示D1,D2,…,Dq,…,DQ各自中包含的元素的总个数,dD1表示D1,D2,…,Dq,…,DQ中索引值为1的Q个元素中的非零元素的总个数,dD2表示D1,D2,…,Dq,…,DQ中索引值为2的Q个元素中的非零元素的总个数,dDG表示D1,D2,…,Dq,…,DQ中索引值为G的Q个元素中的非零元素的总个数,g'的初始值为1,1≤g'≤G',G'表示C1,C2,…,Cq,…,CQ各自中包含的元素的总个数,dC1表示C1,C2,…,Cq,…,CQ中索引值为1的Q个元素中的非零元素的总个数,dC2表示C1,C2,…,Cq,…,CQ中索引值为2的Q个元素中的非零元素的总个数,dCG'表示C1,C2,…,Cq,…,CQ中索引值为G'的Q个元素中的非零元素的总个数;
_4、计算dD中的所有元素的均值,记为然后计算dD中的每个元素与的差值的绝对值,将dDg与的差值的绝对值记为再将dD中的所有元素与的差值的绝对值按序构成一个集合,记为fD,
同样,计算dC中的所有元素的均值,记为然后计算dC中的每个元素与的差值的绝对值,将dCg'与的差值的绝对值记为再将dC中的所有元素与的差值的绝对值按序构成一个集合,记为fC,
其中,表示dD1与的差值的绝对值,表示dD2与的差值的绝对值,表示dDG与的差值的绝对值,表示dC1与的差值的绝对值,表示dC2与的差值的绝对值,表示dCG'与的差值的绝对值;
_5、在fD中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fD中的所有元素分为两个类;接着计算fD的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fD中的索引值;再将提取出的所有索引值按序构成一个集合,记为hD;
同样,在fC中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fC中的所有元素分为两个类;接着计算fC的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fC中的索引值;再将提取出的所有索引值按序构成一个集合,记为hC;
_6、将经步骤_2处理后得到的D1,D2,…,Dq,…,DQ各自中索引值与hD中的每个索引值相同的元素强制置零;
同样,将经步骤_2处理后得到的C1,C2,…,Cq,…,CQ各自中索引值与hC中的每个索引值相同的元素强制置零;
_7、在步骤_6的基础上,从D1,D2,…,Dq,…,DQ中任选一个,假设选择Dq,则令D*=Dq;同样,从C1,C2,…,Cq,…,CQ中任选一个,假设选择Cq,则令C*=Cq。
与现有技术相比,本发明的优点在于:
本发明方法通过选用较大的系统阶次的初始值,利用稀疏优化OMP算法代替最小二乘法计算状态矩阵,之后对可观矩阵中的每一行都运用OMP算法计算输出矩阵,并对所有的输出矩阵求取均值,较大程度上减少了噪声对结果的影响,从而提高了本发明方法的消噪能力和识别精度;然后计算固有频率、固有阻尼比和固有模态振型系数,并运用K-means算法从众多模态参数中选出有效模态参数,来消除虚假模态,从而大大消弱了系统阶次对模态参数提取精度的影响。
附图说明
图1为本发明方法的流程框图;
图2a为在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加高斯白噪声的情况下,高斯白噪声的信噪比逐次递增,利用本发明方法提取的固有频率与理论值之间的相对误差及利用随机子空间算法提取的固有频率与理论值之间的相对误差的对比;
图2b为在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有频率与理论值之间的相对误差及利用随机子空间算法提取的固有频率与理论值之间的相对误差的对比;
图2c为在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有阻尼比与理论值之间的相对误差及利用随机子空间算法提取的固有阻尼比与理论值之间的相对误差的对比;
图2d为在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有模态振型系数与理论值之间的相对误差及利用随机子空间算法提取的固有模态振型系数与理论值之间的相对误差的对比。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种粘性阻尼振动信号中的模态参数提取方法,其流程框图如图1所示,其包括以下步骤:
①对连续的粘性阻尼振动信号进行奈奎斯特均匀采样,采样间隔为TS秒,采样点数为2N点,得到包含2N个采样值的采样信号,记为x,将x以列向量形式表示为x=(x1,x2,…,x2N-1,x2N)T,x反映了目标系统(如桥梁、汽车等)的系统结构特性,这些系统结构特性综合映射到了模态空间中被称为模态参数,通过求模态参数最终可以得到目标系统的固有特性;其中,TS的取值满足奈奎斯特采样定律,即TS>2f,f表示连续的粘性阻尼振动信号的最大频率,f的值可以通过现有技术估计得到,在本实施例中取N的取值要求远大于目标系统的系统阶次的预估值,为后续稀疏求解做铺垫,在本实施例中在区间[200,500]内取一个正整数作为N的具体值,如取N=500,一般不建议N的取值大于500,因为N的取值越大计算复杂度越高,而区间[200,500]是通过多次实验确定的,目标系统的系统阶次n的预估值由人为预估得到,如目标系统的系统阶次的预估值为8,在本实施例中目标系统的系统阶次的预估值精确与否无关紧要,(x1,x2,…,x2N-1,x2N)T为(x1,x2,…,x2N-1,x2N)的转置,x1,x2,…,x2N-1,x2N对应表示x中的第1个采样值、第2个采样值、…、第2N-1个采样值、第2N个采样值。
实际上,奈奎斯特均匀采样的采样间隔与采样点数应根据具体环境确定,例如大桥斜拉索的基频在1Hz左右,以15Hz为采样频率,如以秒为采样间隔,采样1000个点即N=500就可以满足要求。
②利用x中的所有采样值构建一个Hankel矩阵,记为H,H中的每一条副对角线上的元素都相等,然后将H分成两个子矩阵,记为Yp和Yf,其中,H的维数为2i×j,Yp和Yf的维数均为i×j,i和j为两个重要的控制参数,i与j满足关系:2i+j-1=2N,i的取值为人为确定的常数,且n<i<N,n表示目标系统的系统阶次的预估值,在本实施例中取i=80、j=841、n=8,x3、xj、xj+1、xi、xi+1、xi+2、xi+3、xi+j-1、xi+j、xi+j+1、x2i、x2i+1、x2i+j-1对应表示x中的第3个采样值、第j个采样值、第j+1个采样值、第i个采样值、第i+1个采样值、第i+2个采样值、第i+3个采样值、第i+j-1个采样值、第i+j个采样值、第i+j+1个采样值、第2i个采样值、第2i+1个采样值、第2i+j-1个采样值。
③利用Yp和Yf构建一个维数为i×i的Toeplitz矩阵,记为T,然后选取T的第1行至第i-1行构成维数为(i-1)×i的第一子矩阵,记为T1;并选取T的第2行至第i行构成维数为(i-1)×i的第二子矩阵,记为T2;其中,为Yp的转置。
④根据状态空间方程的定义对T1进行分解,得到T1的可观矩阵和可控反转矩阵,对应记为Γ1和Δ1,T1=Γ1Δ1,Γ1=(C,CA,…,CAi-2)T;并对T1进行SVD分解,得到T1的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U1、V1和S1,T1=U1S1V1 T;然后根据T1=Γ1Δ1和T1=U1S1V1 T,令使Γ1已知。
同样,根据状态空间方程的定义对T2进行分解,得到T2的可观矩阵和可控反转矩阵,对应记为Γ2和Δ2,T2=Γ2Δ2,Γ2=(CA,CA2,…,CAi-1)T;并对T2进行SVD分解,得到T2的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U2、V2和S2,然后根据T2=Γ2Δ2和令使Γ2已知。
其中,Γ1的维数为(i-1)×1,Δ1的维数为1×i,C表示维数为1×(i-1)的输出矩阵,C未知,A表示维数为(i-1)×(i-1)的状态矩阵,A未知,(C,CA,…,CAi-2)T为(C,CA,…,CAi-2)的转置,Ai-2为A的i-2次方,V1 T为V1的转置,U1的奇异值大于S1的奇异值,S1的奇异值大于V1的奇异值,为S1的次方,Γ2的维数为(i-1)×1,Δ2的维数为1×i,(CA,CA2,…,CAi-1)T为(CA,CA2,…,CAi-1)的转置,A2为A的2次方,Ai-1为A的i-1次方,为V2的转置,U2的奇异值大于S2的奇异值,S2的奇异值大于V2的奇异值,为S2的次方。
⑤根据Γ1=(C,CA,…,CAi-2)T和Γ2=(CA,CA2,…,CAi-1)T,确定Γ1与Γ2之间的关系为:Γ2 T=Γ1 TΛ;然后将Γ1 T分解为其中,Γ2 T为Γ2的转置,Γ1 T为Γ1的转置,Λ表示维数为(i-1)×(i-1)的对角矩阵,P1表示维数为1×(i-1)的行向量,P1=(C,C,…,C),Q1表示维数为(i-1)×(i-1)的对角矩阵,I表示i-1阶的单位矩阵。
⑥根据稀疏优化的原理,确定稀疏度小于或等于i;并根据目标系统的系统阶次的预估值,确定稀疏度大于2n,使稀疏度大于n的2倍是为了使稀疏度更加精确;然后确定稀疏度的取值范围为大于2n且小于或等于i;接着在稀疏度的取值范围内选择一个正整数k作为稀疏度的确定值,k∈(2n,i],在本实施例中取k=24,i=80;再将大于2n的值i赋值给目标系统的系统阶次作为目标系统的系统阶次的初始值。
⑦令q表示执行的次数,令Q表示重复执行的总次数;其中,q的初始值为1,Q≥2。
⑧利用第q次执行时随机产生的第一高斯随机测量矩阵H1对Γ2 T=Γ1 TΛ进行观测,构建得到第q次执行时的第一稀疏优化模型,描述为:并利用第q次执行时随机产生的第二高斯随机测量矩阵H2对进行观测,构建得到第q次执行时的第二稀疏优化模型,描述为:其中,H1的维数为M×1,H2的维数为M×(i-1),M∈[k-10,k+10],在本实施例中取M=k,min为取最小值函数,符号“|| ||1”为求矩阵的1-范数符号,s.t.表示“受约束于…”,符号“|| ||”为求欧氏距离符号,P1 T为P1的转置,Q1 T为Q1的转置,σ1和σ2均为值很小的常数,在本实施例中取σ1=σ2=0.01。
在此具体实施例中,步骤⑧中的H1和H2中的每个元素独立的服从均值为0且方差为的高斯分布。
⑨根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP(orthogonalmatching pursuit)方法对进行稀疏求解,得到对角矩阵Λ;然后根据和求解得到的Λ,计算得到A,并令Aq=A;之后对Aq进行特征值分解,得到Aq的特征值向量,记为Dq;接着根据和得到的A,计算得到Q1;同样,根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP(orthogonalmatching pursuit)方法对进行稀疏求解,得到P1 T;最后根据P1=(C,C,…,C)得到C,并令Cq=C;其中,Aq和Cq的初始值均为0。
⑩根据Aq和Cq计算第q次执行得到的连续的粘性阻尼振动信号的固有频率向量、固有阻尼比向量和固有模态振型系数向量,对应记为和其中,和的维数均为1×(i-1)。
判断q≥Q是否成立,如果成立,则结束重复执行的过程,得到D1,D2,…,Dq,…,DQ、C1,C2,…,Cq,…,CQ、和然后执行步骤否则,令q=q+1,然后返回步骤⑧继续执行;其中,q=q+1中的“=”为赋值符号,和中均含有虚假模态。
对D1,D2,…,Dq,…,DQ各自中的部分元素强制置零,再从D1,D2,…,Dq,…,DQ中任意选择一个作为状态矩阵的最终特征值向量,记为D*;同样,对C1,C2,…,Cq,…,CQ各自中的部分元素强制置零,再从C1,C2,…,Cq,…,CQ中任意选择一个作为输出矩阵的最终值,记为C*。
并计算Q次执行共得到的Q个固有频率向量的均值向量Q个固有阻尼比向量的均值向量和Q个固有模态振型系数向量的均值向量
在此具体实施例中,步骤中的D*和C*的获取过程为:
_1、在步骤的基础上,计算D1,D2,…,Dq,…,DQ各自中的所有元素的均值,将Dq中的所有元素的均值记为同样,计算C1,C2,…,Cq,…,CQ各自中的所有元素的均值,将Cq中的所有元素的均值记为
_2、比较D1,D2,…,Dq,…,DQ各自中的每个元素与对应的均值的大小,将D1,D2,…,Dq,…,DQ各自中小于对应的均值的元素强制置零;对于Dq,比较Dq中的每个元素与的大小,将Dq中小于的元素强制置零。
同样,比较C1,C2,…,Cq,…,CQ各自中的每个元素与对应的均值的大小,将C1,C2,…,Cq,…,CQ各自中小于对应的均值的元素强制置零;对于Cq,比较Cq中的每个元素与的大小,将Cq中小于的元素强制置零。
_3、在步骤_2的基础上,统计D1,D2,…,Dq,…,DQ中相同索引值的Q个元素中的非零元素的总个数,将D1,D2,…,Dq,…,DQ中索引值为g的Q个元素中的非零元素的总个数记为dDg;然后将统计得到的所有数据按序构成一个集合,记为dD,dD={dD1,dD2,…,dDg,…,dDG}。
同样,统计C1,C2,…,Cq,…,CQ中相同索引值的Q个元素中的非零元素的总个数,将C1,C2,…,Cq,…,CQ中索引值为g'的Q个元素中的非零元素的总个数记为dCg';然后将统计得到的所有数据按序构成一个集合,记为dC,dC={dC1,dC2,…,dCg',…,dCG'}。
其中,g的初始值为1,1≤g≤G,G表示D1,D2,…,Dq,…,DQ各自中包含的元素的总个数,dD1表示D1,D2,…,Dq,…,DQ中索引值为1的Q个元素中的非零元素的总个数,dD2表示D1,D2,…,Dq,…,DQ中索引值为2的Q个元素中的非零元素的总个数,dDG表示D1,D2,…,Dq,…,DQ中索引值为G的Q个元素中的非零元素的总个数,g'的初始值为1,1≤g'≤G',G'表示C1,C2,…,Cq,…,CQ各自中包含的元素的总个数,dC1表示C1,C2,…,Cq,…,CQ中索引值为1的Q个元素中的非零元素的总个数,dC2表示C1,C2,…,Cq,…,CQ中索引值为2的Q个元素中的非零元素的总个数,dCG'表示C1,C2,…,Cq,…,CQ中索引值为G'的Q个元素中的非零元素的总个数。
_4、计算dD中的所有元素的均值,记为然后计算dD中的每个元素与的差值的绝对值,将dDg与的差值的绝对值记为再将dD中的所有元素与的差值的绝对值按序构成一个集合,记为fD,
同样,计算dC中的所有元素的均值,记为然后计算dC中的每个元素与的差值的绝对值,将dCg'与的差值的绝对值记为再将dC中的所有元素与的差值的绝对值按序构成一个集合,记为fC,
其中,表示dD1与的差值的绝对值,表示dD2与的差值的绝对值,表示dDG与的差值的绝对值,表示dC1与的差值的绝对值,表示dC2与的差值的绝对值,表示dCG'与的差值的绝对值。
_5、在fD中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fD中的所有元素分为两个类;接着计算fD的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fD中的索引值;再将提取出的所有索引值按序构成一个集合,记为hD。
同样,在fC中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fC中的所有元素分为两个类;接着计算fC的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fC中的索引值;再将提取出的所有索引值按序构成一个集合,记为hC。
_6、将经步骤_2处理后得到的D1,D2,…,Dq,…,DQ各自中索引值与hD中的每个索引值相同的元素强制置零。
同样,将经步骤_2处理后得到的C1,C2,…,Cq,…,CQ各自中索引值与hC中的每个索引值相同的元素强制置零。
_7、在步骤_6的基础上,从D1,D2,…,Dq,…,DQ中任选一个,假设选择Dq,则令D*=Dq;同样,从C1,C2,…,Cq,…,CQ中任选一个,假设选择Cq,则令C*=Cq。
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出。
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出。
根据C*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据C*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出。
为了进一步说明本发明方法的可行性和有效性,对本发明方法进行仿真对比试验。
在本实施例中的自由响应仿真信号为
y=0.4e-0.0101tcos(5.3t+0.01)+1.1e-0.0567tcos(3.9t+0.02)+1.3e-0.0827tcos(6.6t+0.05),其中,y表示3阶连续的粘性阻尼振动信号,cos()为求余弦函数,t为时间变量,忽略y的初始相的影响,由自由响应仿真信号的仿真原理可得y的固有频率为:ω1=0.8439、ω2=0.6210、ω3=1.0510,固有阻尼比为:ξ1=0.012、ξ2=0.079、ξ3=0.091,模态振型系数为:Ω1=0.4、Ω2=1.1、Ω3=1.3。为了验证本发明方法的优越性,按照上述步骤,取k=M=24,i=80。
1)以采样间隔为Ts=0.067秒均匀采样2N=1000个点,得到采样信号x,对x添加信噪比从0~30dB的噪声,由于篇幅过大,因此这里只取信噪比为5dB的高斯白噪声。
2)由于本发明方法中的步骤①至步骤⑦对不同的噪声过程都相同,因此在此不再赘述。令Q=8,这里构建一个维数为24×1的第一高斯随机测量矩阵H1,然后利用OMP方法得到Λ,进而得到A,再计算A的特征值向量D;重复构造第一高斯随机测量矩阵H1共Q=8次,并计算得到8个D、8个含有虚假模态的固有频率向量8个含有虚假模态的固有阻尼比向量和8个含有虚假模态的固有模态振型系数向量同样,构建一个维数为24×79的第二高斯随机测量矩阵H2,然后利用OMP方法得到C;重复构造第二高斯随机测量矩阵H2共Q=8次,并计算得到8个C;
根据本发明方法的步骤计算8个固有频率向量的均值向量计算8个固有阻尼比向量的均值向量计算8个固有模态振型系数向量的均值向量 和的维数均为1×79;
8个D经过步骤_1至步骤_4的过程处理后,得到维数为1×79的统计结果向量fD=(0,0,5,2,0,0,3,",0,0,3),然后利用K-means算法对fD进行聚类操作,得到两个类,第一类为7、7、6,第二类为2、3、3、4、5、5,由于第二类的平均值小于第一类的平均值,因此提取出第二类中的每个元素在fD中的索引值,再对第一次强制置零后的8个D中的第3、4、7、13、43、79列中的所有元素强制置零,此时8个D中只有第9、22、47列中包含有非零元素。
8个C经过步骤_1至步骤_4的过程处理后,利用K-means算法对fC进行聚类操作,得到两个类,并提取出小值均值的类中的每个元素在fC中的索引值,再对第一次强制置零后的8个C中的部分元素强制置零,此时8个C中只有第5、26、53列中包含有非零元素。
3)从中选出第9、22、47个元素,得到粘性阻尼振动信号中的固有频率为0.8501、0.6217、1.0523,从中选出第9、22、47个元素,得到粘性阻尼振动信号中的固有阻尼比为0.015、0.076、0.093,从中选出第5、26、53个元素,得到粘性阻尼振动信号中的固有模态振型系数为0.405、1.106、1.292。比较y的固有频率ω1=0.8439、ω2=0.6210、ω3=1.0510与本实验中得到的固有频率0.8501、0.6217、1.0523,比较y的固有阻尼比ξ1=0.012、ξ2=0.079、ξ3=0.091与本实验中得到的固有阻尼比0.015、0.076、0.093,比较y的模态振型系数Ω1=0.4、Ω2=1.1、Ω3=1.3与本实验中得到的固有模态振型系数0.405、1.106、1.292,可以看出本发明方法得到的参数较系统的理论值是较为精确的。
为了更好的证明本发明方法的优越性,对本发明方法与随机子空间法进行仿真对比。首先,仿真信号可知,仿真信号是一个V=3阶的系统信号,然后由随机子空间法以3阶的系统阶次算出相应信噪比下的固有频率向量的均值向量固有阻尼比向量的均值向量和固有模态振型系数向量的均值向量而本发明方法将系统阶次的初始值赋值为80,在同样的信噪比的情况下用本发明方法获得的固有频率向量的均值向量固有阻尼比向量的均值向量和固有模态振型系数向量的均值向量
利用公式计算使用本发明方法和随机子空间法提取的固有频率的值与固有频率的理论值之间的相对误差,利用公式计算使用本发明方法和随机子空间法提取的固有阻尼比的值与固有阻尼比的理论值之间的相对误差,利用公式计算使用本发明方法和随机子空间法提取的固有模态振型系数的值与固有模态振型系数的理论值之间的相对误差,其中,符号“||”为取绝对值符号,γω表示本发明方法和随机子空间法提取的固有频率与理论值之间的相对误差,V=3为目标系统的固有阶次,ωv为理论计算得到的第v个固有频率,为利用本发明方法和随机子空间法提取的第v个固有频率,γξ表示本发明方法和随机子空间法提取的固有阻尼比与理论值之间的相对误差,ξv为理论计算得到的第v个固有阻尼比,为利用本发明方法和随机子空间法提取的第v个固有阻尼比,γΩ表示本发明方法和随机子空间法提取的固有模态振型系数与理论值之间的相对误差,Ωv为理论计算得到的第v个固有模态振型系数,为利用本发明方法和随机子空间法提取的第v个固有模态振型系数。
图2a给出了在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加高斯白噪声的情况下,高斯白噪声的信噪比逐次递增,利用本发明方法提取的固有频率与理论值之间的相对误差及利用随机子空间算法提取的固有频率与理论值之间的相对误差的对比;图2b给出了在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有频率与理论值之间的相对误差及利用随机子空间算法提取的固有频率与理论值之间的相对误差的对比;图2c给出了在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有阻尼比与理论值之间的相对误差及利用随机子空间算法提取的固有阻尼比与理论值之间的相对误差的对比;图2d给出了在采样频率为15Hz、采样点数为1000、系统阶次的初始值为80、稀疏度的确定值为24、给采样信号添加混合噪声(由脉冲噪声和高斯白噪声组成),混合噪声的信噪比逐次递增,利用本发明方法提取的固有模态振型系数与理论值之间的相对误差及利用随机子空间算法提取的固有模态振型系数与理论值之间的相对误差的对比。在图2a至图2d中,SSI-cov代表随机子空间算法,稀疏优化代表本发明方法。
从图2a所示的曲线可以看出,在高斯白噪声下,利用随机子空间算法提取的固有频率与理论值之间的相对误差起伏较大,在信噪比10dB以内,波动特别明显,可看出对噪声较为敏感,而利用本发明方法提取的固有频率与理论值之间的相对误差起伏波动比较平缓,有很高的稳定性;从图2b所示的曲线可以看出,在脉冲噪声下,利用随机子空间算法提取的固有频率的精度比在高斯白噪声下利用随机子空间算法提取的固有频率的精度相对较差,对噪声也更加敏感,在信噪比15dB以内,相对误差变化起伏更大,而利用本发明方法提取的固有频率与理论值之间的相对误差变化平缓;从图2c所示的曲线可以看出,利用随机子空间算法提取的固有阻尼比在信噪比5dB以内,已经产生了明显的失真,当信噪比越小时,提取精度越差,而利用本发明方法提取的固有阻尼比的精度较高,表现出了很高的稳定性;从图2d所示的曲线可以看出,利用本发明方法提取的固有模态振型系数与理论值之间的相对误差始终在利用随机子空间算法提取的固有模态振型系数与理论值之间的相对误差之下,特别当信噪比较小时,误差值更为明显。
Claims (3)
1.一种粘性阻尼振动信号中的模态参数提取方法,其特征在于包括以下步骤:
①对连续的粘性阻尼振动信号进行奈奎斯特均匀采样,采样间隔为TS秒,采样点数为2N点,得到包含2N个采样值的采样信号,记为x,将x以列向量形式表示为x=(x1,x2,…,x2N-1,x2N)T;其中,TS的取值满足奈奎斯特采样定律,N的取值要求大于目标系统的系统阶次的预估值,在区间[200,500]内取一个正整数作为N的具体值,(x1,x2,…,x2N-1,x2N)T为(x1,x2,…,x2N-1,x2N)的转置,x1,x2,…,x2N-1,x2N对应表示x中的第1个采样值、第2个采样值、…、第2N-1个采样值、第2N个采样值;
②利用x中的所有采样值构建一个Hankel矩阵,记为H,H中的每一条副对角线上的元素都相等,然后将H分成两个子矩阵,记为Yp和Yf,其中,H的维数为2i×j,Yp和Yf的维数均为i×j,i与j满足关系:2i+j-1=2N,i的取值为常数,且n<i<N,n表示目标系统的系统阶次的预估值,x3、xj、xj+1、xi、xi+1、xi+2、xi+3、xi+j-1、xi+j、xi+j+1、x2i、x2i+1、x2i+j-1对应表示x中的第3个采样值、第j个采样值、第j+1个采样值、第i个采样值、第i+1个采样值、第i+2个采样值、第i+3个采样值、第i+j-1个采样值、第i+j个采样值、第i+j+1个采样值、第2i个采样值、第2i+1个采样值、第2i+j-1个采样值;
③利用Yp和Yf构建一个维数为i×i的Toeplitz矩阵,记为T,然后选取T的第1行至第i-1行构成维数为(i-1)×i的第一子矩阵,记为T1;并选取T的第2行至第i行构成维数为(i-1)×i的第二子矩阵,记为T2;其中,为Yp的转置;
④根据状态空间方程的定义对T1进行分解,得到T1的可观矩阵和可控反转矩阵,对应记为Γ1和Δ1,T1=Γ1Δ1,Γ1=(C,CA,…,CAi-2)T;并对T1进行SVD分解,得到T1的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U1、V1和S1,T1=U1S1V1 T;然后根据T1=Γ1Δ1和T1=U1S1V1 T,令
同样,根据状态空间方程的定义对T2进行分解,得到T2的可观矩阵和可控反转矩阵,对应记为Γ2和Δ2,T2=Γ2Δ2,Γ2=(CA,CA2,…,CAi-1)T;并对T2进行SVD分解,得到T2的第一正交矩阵、第二正交矩阵和正奇异矩阵组成的对角矩阵,对应记为U2、V2和S2,然后根据T2=Γ2Δ2和令
其中,Γ1的维数为(i-1)×1,Δ1的维数为1×i,C表示维数为1×(i-1)的输出矩阵,A表示维数为(i-1)×(i-1)的状态矩阵,(C,CA,…,CAi-2)T为(C,CA,…,CAi-2)的转置,Ai-2为A的i-2次方,V1 T为V1的转置,为S1的次方,Γ2的维数为(i-1)×1,Δ2的维数为1×i,(CA,CA2,…,CAi-1)T为(CA,CA2,…,CAi-1)的转置,A2为A的2次方,Ai-1为A的i-1次方,为V2的转置,为S2的次方;
⑤根据Γ1=(C,CA,…,CAi-2)T和Γ2=(CA,CA2,…,CAi-1)T,确定Γ1与Γ2之间的关系为:Γ2 T=Γ1 TΛ;然后将Γ1 T分解为其中,Γ2 T为Γ2的转置,Γ1 T为Γ1的转置,Λ表示维数为(i-1)×(i-1)的对角矩阵,P1表示维数为1×(i-1)的行向量,P1=(C,C,…,C),Q1表示维数为(i-1)×(i-1)的对角矩阵,I表示i-1阶的单位矩阵;
⑥根据稀疏优化的原理,确定稀疏度小于或等于i;并根据目标系统的系统阶次的预估值,确定稀疏度大于2n;然后确定稀疏度的取值范围为大于2n且小于或等于i;接着在稀疏度的取值范围内选择一个正整数k作为稀疏度的确定值,k∈(2n,i];再将大于2n的值i赋值给目标系统的系统阶次作为目标系统的系统阶次的初始值;
⑦令q表示执行的次数,令Q表示重复执行的总次数;其中,q的初始值为1,Q≥2;
⑧利用第q次执行时随机产生的第一高斯随机测量矩阵H1对Γ2 T=Γ1 TΛ进行观测,构建得到第q次执行时的第一稀疏优化模型,描述为:并利用第q次执行时随机产生的第二高斯随机测量矩阵H2对进行观测,构建得到第q次执行时的第二稀疏优化模型,描述为:其中,H1的维数为M×1,H2的维数为M×(i-1),M∈[k-10,k+10],min为取最小值函数,符号“|| ||1”为求矩阵的1-范数符号,s.t.表示“受约束于…”,符号“|| ||”为求欧氏距离符号,P1 T为P1的转置,Q1 T为Q1的转置,σ1和σ2均为常数;
⑨根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP方法对进行稀疏求解,得到对角矩阵Λ;然后根据和求解得到的Λ,计算得到A,并令Aq=A;之后对Aq进行特征值分解,得到Aq的特征值向量,记为Dq;接着根据和得到的A,计算得到Q1;同样,根据目标系统的系统阶次的初始值和稀疏度的确定值,利用OMP方法对进行稀疏求解,得到P1 T;最后根据P1=(C,C,…,C)得到C,并令Cq=C;其中,Aq和Cq的初始值均为0;
⑩根据Aq和Cq计算第q次执行得到的连续的粘性阻尼振动信号的固有频率向量、固有阻尼比向量和固有模态振型系数向量,对应记为和其中,和的维数均为1×(i-1);
判断q≥Q是否成立,如果成立,则结束重复执行的过程,得到D1,D2,…,Dq,…,DQ、C1,C2,…,Cq,…,CQ、和然后执行步骤否则,令q=q+1,然后返回步骤⑧继续执行;其中,q=q+1中的“=”为赋值符号;
计算D1,D2,…,Dq,…,DQ各自中的所有元素的均值,将Dq中的所有元素的均值记为比较D1,D2,…,Dq,…,DQ各自中的每个元素与对应的均值的大小,将D1,D2,…,Dq,…,DQ各自中小于对应的均值的元素强制置零;对于Dq,比较Dq中的每个元素与的大小,将Dq中小于的元素强制置零;再从D1,D2,…,Dq,…,DQ中任意选择一个作为状态矩阵的最终特征值向量,记为D*;同样,计算C1,C2,…,Cq,…,CQ各自中的所有元素的均值,将Cq中的所有元素的均值记为比较C1,C2,…,Cq,…,CQ各自中的每个元素与对应的均值的大小,将C1,C2,…,Cq,…,CQ各自中小于对应的均值的元素强制置零;对于Cq,比较Cq中的每个元素与的大小,将Cq中小于的元素强制置零;再从C1,C2,…,Cq,…,CQ中任意选择一个作为输出矩阵的最终值,记为C*;
并计算Q次执行共得到的Q个固有频率向量的均值向量Q个固有阻尼比向量的均值向量和Q个固有模态振型系数向量的均值向量
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出;
根据D*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据D*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出;
根据C*中的每个零元素的索引,将中对应索引的模态参数确定为虚假模态;而根据C*中的每个非零元素的索引,将中对应索引的模态参数确定为有效模态参数,并提取出。
2.根据权利要求1所述的一种粘性阻尼振动信号中的模态参数提取方法,其特征在于所述的步骤⑧中的H1和H2中的每个元素独立的服从均值为0且方差为的高斯分布。
3.根据权利要求1所述的一种粘性阻尼振动信号中的模态参数提取方法,其特征在于所述的步骤中的D*和C*的获取过程为:
_1、在步骤的基础上,计算D1,D2,…,Dq,…,DQ各自中的所有元素的均值,将Dq中的所有元素的均值记为同样,计算C1,C2,…,Cq,…,CQ各自中的所有元素的均值,将Cq中的所有元素的均值记为
_2、比较D1,D2,…,Dq,…,DQ各自中的每个元素与对应的均值的大小,将D1,D2,…,Dq,…,DQ各自中小于对应的均值的元素强制置零;对于Dq,比较Dq中的每个元素与的大小,将Dq中小于的元素强制置零;
同样,比较C1,C2,…,Cq,…,CQ各自中的每个元素与对应的均值的大小,将C1,C2,…,Cq,…,CQ各自中小于对应的均值的元素强制置零;对于Cq,比较Cq中的每个元素与的大小,将Cq中小于的元素强制置零;
_3、在步骤_2的基础上,统计D1,D2,…,Dq,…,DQ中相同索引值的Q个元素中的非零元素的总个数,将D1,D2,…,Dq,…,DQ中索引值为g的Q个元素中的非零元素的总个数记为dDg;然后将统计得到的所有数据按序构成一个集合,记为dD,dD={dD1,dD2,…,dDg,…,dDG};
同样,统计C1,C2,…,Cq,…,CQ中相同索引值的Q个元素中的非零元素的总个数,将C1,C2,…,Cq,…,CQ中索引值为g'的Q个元素中的非零元素的总个数记为dCg';然后将统计得到的所有数据按序构成一个集合,记为dC,dC={dC1,dC2,…,dCg',…,dCG'};
其中,g的初始值为1,1≤g≤G,G表示D1,D2,…,Dq,…,DQ各自中包含的元素的总个数,dD1表示D1,D2,…,Dq,…,DQ中索引值为1的Q个元素中的非零元素的总个数,dD2表示D1,D2,…,Dq,…,DQ中索引值为2的Q个元素中的非零元素的总个数,dDG表示D1,D2,…,Dq,…,DQ中索引值为G的Q个元素中的非零元素的总个数,g'的初始值为1,1≤g'≤G',G'表示C1,C2,…,Cq,…,CQ各自中包含的元素的总个数,dC1表示C1,C2,…,Cq,…,CQ中索引值为1的Q个元素中的非零元素的总个数,dC2表示C1,C2,…,Cq,…,CQ中索引值为2的Q个元素中的非零元素的总个数,dCG'表示C1,C2,…,Cq,…,CQ中索引值为G'的Q个元素中的非零元素的总个数;
_4、计算dD中的所有元素的均值,记为然后计算dD中的每个元素与的差值的绝对值,将dDg与的差值的绝对值记为再将dD中的所有元素与的差值的绝对值按序构成一个集合,记为fD,
同样,计算dC中的所有元素的均值,记为然后计算dC中的每个元素与的差值的绝对值,将dCg'与的差值的绝对值记为再将dC中的所有元素与的差值的绝对值按序构成一个集合,记为fC,
其中,表示dD1与的差值的绝对值,表示dD2与的差值的绝对值,表示dDG与的差值的绝对值,表示dC1与的差值的绝对值,表示dC2与的差值的绝对值,表示dCG'与的差值的绝对值;
_5、在fD中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fD中的所有元素分为两个类;接着计算fD的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fD中的索引值;再将提取出的所有索引值按序构成一个集合,记为hD;
同样,在fC中任选两个元素作为聚类中心;然后根据所选的两个聚类中心,利用K-means算法将fC中的所有元素分为两个类;接着计算fC的两个类各自中的所有元素的均值;之后提取出小值均值对应的类中的每个元素在fC中的索引值;再将提取出的所有索引值按序构成一个集合,记为hC;
_6、将经步骤_2处理后得到的D1,D2,…,Dq,…,DQ各自中索引值与hD中的每个索引值相同的元素强制置零;
同样,将经步骤_2处理后得到的C1,C2,…,Cq,…,CQ各自中索引值与hC中的每个索引值相同的元素强制置零;
_7、在步骤_6的基础上,从D1,D2,…,Dq,…,DQ中任选一个,若选择Dq,则令D*=Dq;同样,从C1,C2,…,Cq,…,CQ中任选一个,若选择Cq,则令C*=Cq。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610547068.0A CN106225914B (zh) | 2016-07-11 | 2016-07-11 | 一种粘性阻尼振动信号中的模态参数提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610547068.0A CN106225914B (zh) | 2016-07-11 | 2016-07-11 | 一种粘性阻尼振动信号中的模态参数提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106225914A CN106225914A (zh) | 2016-12-14 |
CN106225914B true CN106225914B (zh) | 2019-02-05 |
Family
ID=57519672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610547068.0A Active CN106225914B (zh) | 2016-07-11 | 2016-07-11 | 一种粘性阻尼振动信号中的模态参数提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106225914B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777763B (zh) * | 2016-12-31 | 2019-10-11 | 大连理工大学 | 一种工程结构虚假模态准确判别方法 |
CN107609291B (zh) * | 2017-09-22 | 2020-09-01 | 哈尔滨工业大学 | 一种基于密度聚类的虚假模态剔除方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103312337A (zh) * | 2013-04-26 | 2013-09-18 | 宁波大学 | 一种振动信号的稀疏矩阵的自适应获取方法 |
CN104200002A (zh) * | 2014-07-24 | 2014-12-10 | 宁波大学 | 一种粘性阻尼振动信号中的模态参数提取方法 |
CN104598971A (zh) * | 2015-01-15 | 2015-05-06 | 宁波大学 | 基于径向基函数神经网络的单位脉冲响应函数提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197559B (zh) * | 2013-03-29 | 2016-02-24 | 华北电力大学 | 一种改善双馈机组接入后系统小干扰稳定性的方法 |
-
2016
- 2016-07-11 CN CN201610547068.0A patent/CN106225914B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103312337A (zh) * | 2013-04-26 | 2013-09-18 | 宁波大学 | 一种振动信号的稀疏矩阵的自适应获取方法 |
CN104200002A (zh) * | 2014-07-24 | 2014-12-10 | 宁波大学 | 一种粘性阻尼振动信号中的模态参数提取方法 |
CN104598971A (zh) * | 2015-01-15 | 2015-05-06 | 宁波大学 | 基于径向基函数神经网络的单位脉冲响应函数提取方法 |
Non-Patent Citations (2)
Title |
---|
REFERENCE-BASED STOCHASTIC SUBSPACE IDENTIFICATION FOR OUTPUT-ONLY MODAL ANALYSIS;Bart Peeters, et al.;《Mechanical Systems and Signal Processing》;19990730;第13卷(第6期);855-878页 |
协方差驱动子空间模态参数辨识方法改进分析;李永军 等;《中国工程机械》;20120716;第23卷(第13期);1533-1536页 |
Also Published As
Publication number | Publication date |
---|---|
CN106225914A (zh) | 2016-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vasil’ev et al. | Doubly stochastic models of images | |
CN103900610B (zh) | 基于灰色小波神经网络的mems陀螺随机误差预测方法 | |
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN109088749B (zh) | 一种随机通讯协议下复杂网络的状态估计方法 | |
Chen et al. | Impulse response estimation with binary measurements: A regularized FIR model approach | |
CN106225914B (zh) | 一种粘性阻尼振动信号中的模态参数提取方法 | |
CN105895089A (zh) | 一种语音识别方法及装置 | |
CN117077579A (zh) | 翼型流场预测方法、装置、设备及存储介质 | |
CN107742029A (zh) | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN111274630A (zh) | 一种用于工程结构柔度识别的物理模态提取方法 | |
Neeteson et al. | State observer-based data assimilation: a PID control-inspired observer in the pressure equation | |
CN112131638B (zh) | 大跨屋盖结构的风致动力特性类型判定方法及终端设备 | |
Krenk et al. | Turbulent wind field representation and conditional mean-field simulation | |
CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
CN105204336A (zh) | 一种飞机运动模态辨识方法 | |
CN111293706A (zh) | 一种电力系统低频振荡参数辨识方法和装置 | |
CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
Kuts et al. | The procedure for subspace identification optimal parameters selection in application to the turbine blade modal analysis | |
CN108764523A (zh) | 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法 | |
Rong et al. | New irreversibility measure and complexity analysis based on singular value decomposition | |
CN112348246A (zh) | 一种基于ssa的标准化降噪方法及其在山区流域洪水预报中的应用 | |
Zhong et al. | An intelligent calculation method of volterra time-domain kernel based on time-delay artificial neural network | |
CN105488351A (zh) | 一种生成移动心电信号的噪声模型的方法 | |
CN110825583B (zh) | 一种针对云数据中心多指标融合的能效定性评估技术 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |