CN107341297A - 一种基于kl展开的分布随机动载荷识别方法 - Google Patents
一种基于kl展开的分布随机动载荷识别方法 Download PDFInfo
- Publication number
- CN107341297A CN107341297A CN201710476785.3A CN201710476785A CN107341297A CN 107341297 A CN107341297 A CN 107341297A CN 201710476785 A CN201710476785 A CN 201710476785A CN 107341297 A CN107341297 A CN 107341297A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- random
- dynamic loads
- modal
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于KL展开的分布随机动载荷识别方法。本发明的方法包括步骤:S1.开展模态试验,获取结构的模态参数,包括固有频率和模态振型;S2.将结构随机振动响应利用模态振型展开,获取结构在模态空间的动响应;S3.利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷;S4.求解结构上随机动载荷的随空间分布的时变统计特征。本发明解决在时域内利用实测结构动响应样本识别结构上随机动载荷随空间分布的时变统计特征问题,为服役于分布随机动载荷环境下的工程结构设计与安全评估提供一种动载荷间接获取手段。
Description
技术领域:
本发明涉及一种基于KL展开的分布随机动载荷识别方法,属于结构动力学反问题技术领域。
背景技术:
工程结构上的动载荷信息是结构设计和安全评估的依据。许多情况下,动载荷难以通过直接测量获得,常直接测量结构上的动响应,通过间接识别的手段获取结构上的动载荷信息。
传统的动载荷识别方法是利用单次实测的结构动响应数据识别引起该次动响应的激励信息,是确定性动载荷识别方法。现有的确定性动载荷识别方法被用于获取工程结构上的集中动载荷,移动载荷以及分布式动载荷等信息。值得注意的是,分布式动载荷识别问题相当于识别无穷多个集中动载荷,难度更大,一般需要将分布式动载荷识别问题降维求解。
实际工程结构上作用的动载荷,如建筑物上的风载荷,海洋平台承受的海浪载荷以及飞行器表面的气动载荷等,不仅分布于结构上,而且还具有随机性。随机动载荷施加于结构时,动响应也将随之呈现“随机性”;因此,单次实测的结构动响应只能是结构随机动响应信息的其中一个样本,基于某个响应样本利用确定性动载荷识别方法获得的动载荷信息也只能部分反映该随机动载荷激励;另外,单次测量中包含的动响应误差在确定性动载荷识别中也被作为“真实响应”的一部分,引起载荷识别结果的偏差。针对此类分布式随机动载荷的识别问题,传统的确定性分布动载荷识别方法和集中随机动载荷的识别方法均无法适用,需要发展一种针对分布式随机动载荷识别的新方法。
发明内容
本发明的目的是提供一种基于KL展开的分布随机动载荷识别方法,解决在时域内利用实测结构动响应样本识别结构上随机动载荷随空间分布的时变统计特征问题,为服役于分布随机动载荷环境下的工程结构设计与安全评估提供一种动载荷间接获取手段。
上述的目的通过以下技术方案实现:
一种基于KL展开的分布随机动载荷识别方法,该方法包括如下步骤:
S1.开展模态试验,获取结构的模态参数,包括固有频率和模态振型;
S2.将结构随机振动响应利用模态振型展开,获取结构在模态空间的动响应;
S3.利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷;
S4.求解结构上随机动载荷的随空间分布的时变统计特征。
所述的基于KL展开的分布随机动载荷识别方法,步骤S2中所述的将结构随机振动响应利用模态振型展开,获取结构在模态空间的动响应,具体步骤为:
S21:利用多次重复测量方式获取随机振动响应的样本集合;
S22:针对单个样本,即单次实测结构振动响应,利用模态振型展开获得结构振动在模态空间内响应,具体步骤如下:
在结构表面上(x1,y1),(x1,y2),…,(xn,yn)等位置处第r次测量获取位移响应样本向量Wr表示为:
Wr={wr(x1,y1,t) wr(x1,y2,t) … wr(xn,yn,t)}T,r=1,…,N (1),
其中wr(xi,yj,t)表示第r次测量获得的结构上空间位置(xi,yj)处t时刻的动位移值,N为测量的次数,利用模态振型函数计算模态空间内第r次测量对应的模态位移向量:
其中qi,r(t)为第r次测量获得的结构位移在第i阶模态空间中的模态位移,表示第i阶模态振型函数在(xj,yk)处的值,右上角+号表示广义逆。
所述的基于KL展开的分布随机动载荷识别方法,步骤S3中所述的利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷,具体包括以下步骤:
S31:利用模态空间内随机动响应的样本集合qi,r(t),求解第i阶模态空间内随机位移响应的协方差矩阵Γqi;
S32:对协方差矩阵进行特征值分解Γqi,计算其特征值λij和特性向量ηij(t),进一步获取第i阶模态空间内随机位移响应的第j个KL向量zij(t),可以表示为:
由此,第i阶模态空间内随机位移响应qi(t,θ)的KL展开可以表示为:
其中ξj(θ)为随机变量,θ表示随机维度,当j=0时ξ0(θ)=1;
S33:根据下式,由随机动位移的KL向量zij(t)反演随机动载荷对应向量uij(t);
其中ωi,ζi和mi分别为第i阶固有频率,模态阻尼比和模态质量,和分别是zij(t)对时间t的一阶和两阶导数;
S34:由随机动载荷对应向量uij(t)求解模态空间内随机动载荷fi(t,θ),
所述的基于KL展开的分布随机动载荷识别方法,步骤S4中所述的求解结构上随机动载荷的随空间分布的时变统计特征,包括以下步骤:
分布随机动载荷f(x,y,t,θ)的表达式为:
结构上随机动载荷的随空间分布的时变统计特征,包括均值μf(x,t)和方差Varf(x,t)分别为:
有益效果:
本发明与现有技术相比,具有以下优点:
1、现有的随机动载荷识别技术一般只能由实测结构动响应样本识别结构上随机集中动载荷,目前已经出现的分布随机动载荷识别方法大多无法适用于非平稳随机动载荷的识别;本发明中提供的基于KL展开的分布随机动载荷时域识别技术能够利用有限测点处的实测结构动响应样本识别随机动载荷随空间分布的统计特征,具有一定的先进性;
2、利用KL展开在模态空间内由随机动响应反演随机动载荷,比基于随机样本的蒙特卡洛法具有更高的计算效率,具有一定的优势。
附图说明
图1为本发明方法的逻辑流程框图。
图2为分布随机载荷作用下简支梁示意图。
图3(a)为梁跨中处随机动载荷均值识别结果。
图3(b)为梁跨中处随机动载荷方差识别结果。
图4为梁上随机动载荷空间分布识别结果。
具体实施方式
下面通过实施例的方式,对本发明技术方案进行详细说明,但实施例仅是本发明的其中一种实施方式,应当指出:对于本技术领域的技术人员来说,在不脱离本发明原理的前提下,还可以以改变结构和载荷形式等方式做出若干改进和等同替换,这些对本发明权利要求进行改进和等同替换后的技术方案,均落入本发明的保护范围。
实施例:对如图2所示一维简支梁上作用分布随机动载荷工况,利用本发明的技术由实测结构随机动响应样本识别随机动载荷随空间分布的时变统计特征。实施例中简支梁长L=40m,横截面积A=4.8m2,截面惯性矩I=2.5498m4,结构的阻尼采用瑞利阻尼,各阶模态阻尼比ξi=0.02,材料的弹性模量E=5×1010N/m2,密度ρ=2.5×103kg/m3。待识别的梯形分布随机动载荷分布函数为:
分布式随机动载荷的随机性动载荷组分F(t,θ)分为确定性动载荷和随机性动载荷两个部分。
F(t,θ)的确定性动载荷部分:
Fd(t)=20000[1+0.1sin(2πt)]N (2)
F(t,θ)的随机性动载荷部分假定为零均值非平稳高斯随机过程,功率谱函数S(ω,t)为:
S(ω,t)=CfPd(t)Φ(ω) (3)
其中:Cf表示随机水平,取Cf=0.2;Φ(ω)表示零均值非平稳高斯随机过程的功率谱密度函数,有Φ(ω)=(1/2π)(2/ω2+1)。
具体包括以下步骤:
S1:获取结构的前五阶固有频率分别为3.9Hz,15.6Hz,35.1Hz,62.5Hz和97.6Hz,同时获得各阶固有频率所对应的模态振型;
S2:将结构随机振动响应利用模态振型展开,利用多次测量获取位移响应信号,求解结构在模态空间的动响应,包括以下步骤:
S21:在梁结构上均匀布置19个测点,重复测量各测点处的动态位移信号,获取在分布随机激励下随机振动响应的样本集合;
S22:针对单个样本,即单次实测结构振动响应,利用模态振型展开获得结构振动在模态空间内响应。具体步骤如下:
在梁结构上(x1,x2,…xn)位置处第r次测量获取位移响应样本向量Wr表示为:
Wr={wr(x1,t) wr(x2,t) … wr(xn,t)}T,r=1,…,N (4),
其中wr(xj,t)表示第r次测量获得的结构位移在xj处t时刻的值,N为测量的次数,即为样本总数。利用模态振型函数计算模态空间内第r次测量对应的模态位移向量:
其中qi,r(t)为第r次测量获得的结构位移在第i阶模态空间中的模态位移,表示第i阶模态振型函数在xj处的值,右上角+号表示广义逆。此时,测点数n=19,模态数m=5。
S3.利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷,包括以下步骤:
S31:利用模态空间内随机动响应的样本集合qi,r(t),求解第i阶模态空间内随机位移响应的协方差矩阵Γqi;
S32:对协方差矩阵进行特征值分解Γqi,计算其特征值λij和特性向量ηij(t)。进一步获取第i阶模态空间内随机位移响应的第j个KL向量zij(t),可以表示为:
KL展开中KL向量的截断原则为保证截断后的K-L向量组分在最小均方误差准则下接近原向量,具体根据下式:
其中γ=0.99。
由此,第i阶模态空间内随机位移响应qi(t,θ)的KL展开可以表示为:
其中ξj(θ)为随机变量,θ表示随机维度,当j=0时ξ0(θ)=1。
S33:根据下式,由随机动位移的KL向量zij(t)反演随机动载荷对应向量uij(t);
其中ωi,ζi和mi分别为第i阶固有频率,模态阻尼比和模态质量,和分别是zij(t)对时间t的一阶和两阶导数。简支梁的模态质量mi可由下式计算:
S34:由随机动载荷对应向量uij(t)求解模态空间内随机动载荷fi(t,θ),
S4:求解结构上随机动载荷的随空间分布的时变统计特征,包括以下步骤:
分布随机动载荷f(x,t,θ)的识别结果可以表示为:
结构上随机动载荷的随空间分布的时变统计特征,包括均值μf(x,t)和方差Varf(x,t)可以分别由下面公式得到:
图3(a)中给出了识别获得的梁跨中处随机动载荷均值随时间变化规律与真实值的对比;图3(b)中给出了识别获得的梁跨中处随机动载荷方差随时间变化规律与真实值的对比;图4中给出了识别获得的各时刻梁上随机动载荷的空间分布与真实分布的对比结果。由此可知,本发明中的识别方法能够利用有限测点处响应样本准确识别随机动载荷随空间的分布以及随时间变化的统计特征,适用于非平稳随机动载荷的情况;同时,跟基于样本的蒙特卡洛法相比,当实测响应样本数量较多时,在计算效率上有明显的优势,例如,在本实施例中,实测样本数等于5000时,在同等识别精度下,基于KL展开的识别方法所用计算时间仅为基于蒙特卡洛法的15%,大幅提高了识别效率。综上所述,本发明提出的方法具有一定的先进性。
Claims (4)
1.一种基于KL展开的分布随机动载荷识别方法,其特征在于,该方法包括如下步骤:
S1.开展模态试验,获取结构的模态参数,包括固有频率和模态振型;
S2.将结构随机振动响应利用模态振型展开,获取结构在模态空间的动响应;
S3.利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷;
S4.求解结构上随机动载荷的随空间分布的时变统计特征。
2.根据权利要求1所述的基于KL展开的分布随机动载荷识别方法,其特征在于,步骤S2中所述的将结构随机振动响应利用模态振型展开,获取结构在模态空间的动响应,具体步骤为:
S21:利用多次重复测量方式获取随机振动响应的样本集合;
S22:针对单个样本,即单次实测结构振动响应,利用模态振型展开获得结构振动在模态空间内响应,具体步骤如下:
在结构上(x1,y1),(x1,y2),…,(xn,yn)位置处第r次测量获取位移响应样本向量Wr表示为:
Wr={wr(x1,y1,t) wr(x1,y2,t) … wr(xn,yn,t)}T,r=1,…,N(1),
其中wr(xi,yj,t)表示第r次测量获得的结构上空间位置(xi,yj)处t时刻的动位移,N为测量的次数。利用模态振型函数计算模态空间内第r次测量对应的模态位移向量:
其中qi,r(t)为第r次测量获得的结构位移在第i阶模态空间中的模态位移,表示第i阶模态振型函数在(xj,yk)处的值,右上角+号表示广义逆。
3.根据权利要求1所述的基于KL展开的分布随机动载荷识别方法,其特征在于,步骤S3中所述的利用KL展开由模态空间内的随机动响应求解模态空间内随机动载荷,具体包括以下步骤:
S31:利用模态空间内随机动响应的样本集合qi,r(t),求解第i阶模态空间内随机位移响应的协方差矩阵Γqi;
S32:对协方差矩阵进行特征值分解Γqi,计算其特征值λij和特性向量ηij(t),进一步获取第i阶模态空间内随机位移响应的第j个KL向量zij(t),可以表示为:
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</msqrt>
<msub>
<mi>&eta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
由此,第i阶模态空间内随机位移响应qi(t,θ)的KL展开可以表示为:
<mrow>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中ξj(θ)为随机变量,θ表示随机维度,当j=0时ξ0(θ)=1;
S33:根据下式,由随机动位移的KL向量zij(t)反演随机动载荷对应向量uij(t);
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;&CenterDot;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>&zeta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&omega;</mi>
<mi>i</mi>
</msub>
<msub>
<mover>
<mi>z</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中ωi,ζi和mi分别为第i阶固有频率,模态阻尼比和模态质量,和分别是zij(t)对时间t的一阶和两阶导数;
S34:由随机动载荷对应向量uij(t)求解模态空间内随机动载荷fi(t,θ),
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>u</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
4.根据权利要求1所述的基于KL展开的分布随机动载荷识别方法,其特征在于,步骤S4中所述的求解结构上随机动载荷的随空间分布的时变统计特征,包括以下步骤:
分布随机动载荷f(x,y,t,θ)的表达式为:
结构上随机动载荷的随空间分布的时变统计特征,包括均值μf(x,t)和方差Varf(x,t)分别为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476785.3A CN107341297B (zh) | 2017-06-21 | 2017-06-21 | 一种基于kl展开的分布随机动载荷识别方法 |
PCT/CN2018/083276 WO2018233360A1 (zh) | 2017-06-21 | 2018-04-17 | 一种基于kl展开的分布随机动载荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476785.3A CN107341297B (zh) | 2017-06-21 | 2017-06-21 | 一种基于kl展开的分布随机动载荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341297A true CN107341297A (zh) | 2017-11-10 |
CN107341297B CN107341297B (zh) | 2018-04-24 |
Family
ID=60220841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710476785.3A Active CN107341297B (zh) | 2017-06-21 | 2017-06-21 | 一种基于kl展开的分布随机动载荷识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107341297B (zh) |
WO (1) | WO2018233360A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038315A (zh) * | 2017-12-15 | 2018-05-15 | 东南大学 | 一种基于谱随机有限元模型的随机动载荷识别方法 |
CN108491578A (zh) * | 2018-02-13 | 2018-09-04 | 东南大学 | 一种基于摄动随机有限元的随机动载荷识别方法 |
WO2018233360A1 (zh) * | 2017-06-21 | 2018-12-27 | 东南大学 | 一种基于kl展开的分布随机动载荷识别方法 |
CN111353649A (zh) * | 2020-03-06 | 2020-06-30 | 大连理工大学 | 一种基于kl展开的大规模水电站群优化调度降维方法 |
CN111428342A (zh) * | 2020-02-26 | 2020-07-17 | 太原科技大学 | 一种基于频域谱分解的随机动载荷识别方法 |
CN113656984A (zh) * | 2021-08-31 | 2021-11-16 | 北京建筑大学 | 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法 |
CN114818550A (zh) * | 2022-06-30 | 2022-07-29 | 中国飞机强度研究所 | 一种飞机振动试验中时变气动载荷地面等效模拟方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500836A2 (en) * | 2011-03-16 | 2012-09-19 | Airbus Operations Limited | Stresses induced by random loading |
CN104090977A (zh) * | 2014-07-22 | 2014-10-08 | 东南大学 | 一种桥面移动车辆载荷的随机识别方法 |
CN104123463A (zh) * | 2014-07-22 | 2014-10-29 | 东南大学 | 一种随机动态载荷的时域识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU1131201A (en) * | 1999-11-03 | 2001-05-14 | Palle Andersen | Method for vibration analysis |
CN102567567B (zh) * | 2011-11-15 | 2014-05-28 | 北京宇航系统工程研究所 | 一种基于有限元分析的管路随机振动疲劳寿命分析方法 |
CN106021792B (zh) * | 2016-06-02 | 2019-09-10 | 东南大学 | 一种考虑载荷相关性的飞行器振动和冲击动力学响应分析方法 |
CN107341297B (zh) * | 2017-06-21 | 2018-04-24 | 东南大学 | 一种基于kl展开的分布随机动载荷识别方法 |
-
2017
- 2017-06-21 CN CN201710476785.3A patent/CN107341297B/zh active Active
-
2018
- 2018-04-17 WO PCT/CN2018/083276 patent/WO2018233360A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500836A2 (en) * | 2011-03-16 | 2012-09-19 | Airbus Operations Limited | Stresses induced by random loading |
CN104090977A (zh) * | 2014-07-22 | 2014-10-08 | 东南大学 | 一种桥面移动车辆载荷的随机识别方法 |
CN104123463A (zh) * | 2014-07-22 | 2014-10-29 | 东南大学 | 一种随机动态载荷的时域识别方法 |
Non-Patent Citations (4)
Title |
---|
PETER J.SCHREIER ET AL: "Karhunen-Loeve expansion of stationary random signals with exponentially oscillating covariance function", 《IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS》 * |
YANBIN LI ET AL: "Non-stationary random vibration analysis of multi degree systems using auto-covariance orthogonal decomposition", 《SCIENCEDIRECT》 * |
YANBIN LI ET AL: "Vibro-acoustic analysis under stationary and non-stationary random excitations with KLE/FEM/BEM", 《SCIENCEDIRECT》 * |
YANBIN LI ET AL: "Vibro-acoustic coupled analysis excited by correlated turbulent boundary layer", 《JOURNAL OF VIBROENGINEERING》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018233360A1 (zh) * | 2017-06-21 | 2018-12-27 | 东南大学 | 一种基于kl展开的分布随机动载荷识别方法 |
CN108038315A (zh) * | 2017-12-15 | 2018-05-15 | 东南大学 | 一种基于谱随机有限元模型的随机动载荷识别方法 |
CN108491578A (zh) * | 2018-02-13 | 2018-09-04 | 东南大学 | 一种基于摄动随机有限元的随机动载荷识别方法 |
CN111428342A (zh) * | 2020-02-26 | 2020-07-17 | 太原科技大学 | 一种基于频域谱分解的随机动载荷识别方法 |
CN111428342B (zh) * | 2020-02-26 | 2023-06-16 | 太原科技大学 | 一种基于频域谱分解的随机动载荷识别方法 |
CN111353649A (zh) * | 2020-03-06 | 2020-06-30 | 大连理工大学 | 一种基于kl展开的大规模水电站群优化调度降维方法 |
CN111353649B (zh) * | 2020-03-06 | 2022-03-29 | 大连理工大学 | 一种基于kl展开的大规模水电站群优化调度降维方法 |
CN113656984A (zh) * | 2021-08-31 | 2021-11-16 | 北京建筑大学 | 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法 |
CN113656984B (zh) * | 2021-08-31 | 2023-05-02 | 北京建筑大学 | 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法 |
CN114818550A (zh) * | 2022-06-30 | 2022-07-29 | 中国飞机强度研究所 | 一种飞机振动试验中时变气动载荷地面等效模拟方法 |
CN114818550B (zh) * | 2022-06-30 | 2022-09-13 | 中国飞机强度研究所 | 一种飞机振动试验中时变气动载荷地面等效模拟方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107341297B (zh) | 2018-04-24 |
WO2018233360A1 (zh) | 2018-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341297B (zh) | 一种基于kl展开的分布随机动载荷识别方法 | |
CN107451338B (zh) | 一种基于有限元的分布随机动载荷识别方法 | |
CN107423487B (zh) | 一种随机动载荷空间分布及统计特征的识别方法 | |
Avci et al. | Self-organizing maps for structural damage detection: a novel unsupervised vibration-based algorithm | |
CN105260568B (zh) | 基于离散型卡尔曼滤波的超高层建筑风荷载反分析方法 | |
Si et al. | Modeling and parameter analysis of the OC3‐hywind floating wind turbine with a tuned mass damper in nacelle | |
CN104376214A (zh) | 基于数据驱动的脉动风速模拟方法 | |
CN108038315B (zh) | 一种基于谱随机有限元模型的随机动载荷识别方法 | |
CN113654756B (zh) | 一种海上浮式风机主动式实时混合模型试验方法 | |
CN105843777B (zh) | 一种基于遗传算法多变量并行运算的水动力系数求解方法 | |
CN105466661A (zh) | 基于改进卡尔曼滤波的超高层建筑风荷载反分析方法 | |
CN105488307A (zh) | 基于北斗的边坡监测预警系统评价方法 | |
Fang et al. | Extreme response of a sea-crossing bridge tower under correlated wind and waves | |
Zhang et al. | Improved Continuous Wavelet Transform for Modal Parameter Identification of Long‐Span Bridges | |
CN110008520B (zh) | 基于位移响应协方差参数和贝叶斯融合的结构损伤识别方法 | |
Chinde et al. | Damage detection on mesosurfaces using distributed sensor network and spectral diffusion maps | |
Zhang et al. | Structural damage identification of offshore wind turbines: A two‐step strategy via FE model updating | |
CN106338372A (zh) | 基于残差应变能的海洋平台损伤定位方法及系统 | |
CN111027133B (zh) | 一种基于径向基神经网络的结构动态分布载荷识别方法 | |
CN106446503A (zh) | 遗忘自协方差矩阵递推主元的时变工作模态识别方法 | |
Nadjafi et al. | An effective approach for damage identification in beam-like structures based on modal flexibility curvature and particle swarm optimization | |
CN103164627B (zh) | 基于遗传算法和静力测量数据的随机结构损伤识别方法 | |
Nguyen et al. | Vibration-based damage alarming criteria for wind turbine towers | |
Chaaban | Frequency-domain fatigue analysis of wind turbine structures and fatigue damage detection: performance evaluation of spectral-based methods against the rainflow counting algorithm | |
Ochieng et al. | Novel non-contact deformation health monitoring of towers and rotating composite based wind turbine blades using interferometric ground-based radar |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |