CN108415884B - 一种结构模态参数实时追踪方法 - Google Patents
一种结构模态参数实时追踪方法 Download PDFInfo
- Publication number
- CN108415884B CN108415884B CN201810156694.6A CN201810156694A CN108415884B CN 108415884 B CN108415884 B CN 108415884B CN 201810156694 A CN201810156694 A CN 201810156694A CN 108415884 B CN108415884 B CN 108415884B
- Authority
- CN
- China
- Prior art keywords
- mode
- modal
- order
- modes
- tracking
- 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
Images
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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0008—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
-
- 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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Abstract
本发明属于结构健康监测技术领域,提出了一种结构模态参数实时追踪方法。首先,利用自然激励技术处理随机响应,并采用特征系统实现算法结合稳定图提取不同时段的模态参数;然后,考虑环境激励水平对识别模态数量的影响,基于一天的分析结果选取识别模态的合集作为基准参考模态,并根据频率偏差与模态置信度进行自动模态追踪;最后,为避免不设阈值引起的模态交叉问题,将搜索到的基准参考模态与指定被追踪模态所在的时段内的所有模态,按照频率偏差最小和模态置信度最大原则进行比较,搜索到被追踪模态。本发明可实现无需阈值的自动准确模态追踪。
Description
技术领域
本发明属于结构健康监测技术领域,涉及结构模态参数实时追踪方法。
背景技术
模态参数的变化可以反映结构的长期服役性能。现有的模态参数识别方法如最小二乘复频域法、频域分解法、随机子空间法和特征系统实现算法等已在结构模态识别领域得到广泛应用。为获取模态参数的实时变化,这些方法均将结构响应按时间分成许多子段,对每一时间段的数据进行识别,进而获取模态参数。然而受激励水平、环境干扰以及算法稳定性的影响,各时段获取的模态数量未必相同且各阶模态参数并非一一对应。而模态追踪技术的目的就是保证在不同时段内识别的结构各阶模态能够保持正确的前后对应关系,避免发生“模态交叉”现象。现有的模态追踪方法主要分为三类:1)人工排序法:根据经验判断前后两个时段内识别的模态参数是否属于同一阶;2)容许限值法:依照经验设定频率偏差或模态置信度(Modal Assurance Criterion,简称MAC)容许限值来追踪,一般包括固定容限值和自适应调整容限值两种;3)预测-校正法:基于摄动理论预测后一时段的模态参数,然后比较预测的模态参数与识别的模态参数。其中,第一类方法需要耗费大量人力和时间;第二类存在阈值设定不合理,易造成模态错误归类或丢失的问题;最后一类的预测计算效率低,难以在实际大型结构工程中应用。为此,精确且无需人为分析的模态追踪技术具有重要的工程意义。
发明内容
本发明的目的是提供一种自动追踪结构模态的方法,解决实时提取结构模态中由于人工参与耗时以及经验阈值造成模态追踪不准确的问题。
本发明提出一种结构模态参数实时追踪方法,其特点是利用自然激励技术处理结构随机响应,并利用特征系统实现算法结合稳定图提取在不同时段的模态参数;基于一天的分析结果选取识别模态的合集作为基准参考模态,对于后续时间段获取的任意阶模态,与每一阶参考模态进行比较,按照频率偏差最小且模态置信度最大的原则进行追踪。
本发明的技术方案:
一种结构模态参数实时追踪方法,步骤如下:
步骤一:获取各时段的模态参数
(1)选取第h时段内的结构随机响应y(t)=[y1(t),y2(t),…,yz(t)]T,t=1,2,…,N,其中N为样本时程点数,z为传感器个数;利用自然激励方法获得各个时间延迟下的相关函数矩阵r(τ):
式中:rij(τ)表示测点i和测点j处加速度响应之间的互相关函数;
(2)利用矩阵r(τ)构造如下形式的Hankel矩阵Hms(k-1)和Hms(k):
(3)令k=1,对矩阵Hms(k-1)利用特征系统实现算法,求解各个模型阶次下的模态参数,包括频率、阻尼比和模态振型,模型阶次从偶数δ开始按照偶数倍δ递增到nuδ,nu为阶次;;
(4)设定频率误差限值Δf,lim、阻尼比误差限值Δξ,lim和模态置信度指标限值ΔMAC,lim,将满足这三个限值的模态作为稳定模态;若相邻模型阶次下的两个稳定模态同时满足频率偏差小于Δf,lim,模态置信度大于ΔMAC,lim,则归为同一类;对于模态数量大于限值ntol的类称为物理类;在各物理类内按照模态参数平均值选择物理模态代表,从而获得在第h时段下的α个模态对应的模态参数,其中,识别的各阶频率表示为f1,h,f2,h,…,fα,h,相应地,各阶模态振型表示为
步骤二:追踪各时段的模态参数
(5)由于不同时段内的激励水平差异会造成识别模态数量不同,选取一天中每一时段识别模态的合集作为基准参考模态;其中,各阶基准参考频率表示为f1,ref,f2,ref,…,fβ,ref,相应地,基准参考模态振型
(6)对于第h时段下的第j阶模态与第χ阶基准参考模态,若满足下列公式,则追踪为同一类模态:
本发明的有益效果:按照频率偏差最小且模态置信度最大的原则进行自动追踪模态,可有效避免人工参与耗时及设置阈值造成部分模态丢失的问题。
附图说明
图1是某大桥主桥14个竖向加速度传感器布置图。
图2是依据本发明的自动模态追踪结果。
图3是依据模态参数偏差容许限值的模态追踪结果。
具体实施方式
以下结合技术方案和附图,进一步阐明本发明的具体实施方式。
分析的桥梁为某独塔双索面不对称预应力混凝土斜拉桥,为监测桥梁在运营阶段的动力特性,在主梁上布置14个竖向加速度传感器,如附图1所示。采集环境激励下的竖向加速度响应数据,采样频率为100Hz,采集时间为2016年8月1日到2016年8月31日,每次进行模态参数识别的响应时程选为一个小时。
具体实施方案如下:
(1)以2016年8月1日0:00-1:00的结构随机响应为例。此时,h=1,首先对响应y(t)=[y1(t),y2(t),…,y14(t)]T,其中t=1,2,…,N,利用自然激励技术获得各个时间延迟下的相关函数矩阵,如公式(1)。
(2)令m=200,s=200;分别选取τ=1~399和τ=2~400处的相关函数矩阵构造Hankel矩阵Hms(0)和Hms(1),如公式(2)。
(3)令最小计算阶次为δ=4,并按照δ=4的倍数递增至280,共选定阶次nu=70;对Hankel矩阵Hms(0)和Hms(1),利用特征系统实现算法计算在各个计算阶次下的模态参数,包括系统特征值λi,固有频率fi,阻尼比ξi,模态振型
(4)设定特征频率误差限值Δf,lim=5%、阻尼比误差限值Δξ,lim=20%、模态置信度指标限值ΔMAC,lim=90%;将满足这三个限值的模态作为稳定模态;若相邻模型阶次下的两个稳定模态同时满足频率偏差小于Δf,lim,模态置信度大于ΔMAC,lim,则归为同一类;对于模态数量大于限值ntol=0.5nu的类称为物理类;在各物理类内按照模态参数平均值选择物理模态代表。从而获得在此时段下频率小于3Hz的α=18个模态对应的模态参数,其中频率:f1,1=0.378Hz,f2,1=0.642Hz,f3,1=0.750Hz,f4,1=0.937Hz,f5,1=0.998Hz,f6,1=1.066Hz,f7,1=1.266Hz,f8,1=1.336Hz,f9,1=1.519Hz,f10,1=1.618Hz,f11,1=1.692Hz,f12,1=1.946Hz,f13,1=2.018Hz,f14,1=2.050Hz,f15,1=2.245Hz,f16,1=2.297Hz,f17,1=2.586Hz,f18,1=2.884Hz。
(5)考虑不同时段内的激励水平差异造成识别模态数量不同,选取一天中每一时段的识别模态的合集作为基准参考模态;其中参考频率:f1,ref=0.378Hz,f2,ref=0.642Hz,f3,ref=0.750Hz,f4,ref=0.937Hz,f5,ref=0.998Hz,f6,ref=1.066Hz,f7,ref=1.266Hz,f8,ref=1.336Hz,f9,ref=1.519Hz,f10,ref=1.618Hz,f11,ref=1.692Hz,f12,ref=1.946Hz,f13,ref=2.018Hz,f14,ref=2.050Hz,f15,ref=2.245Hz,f16,ref=2.297Hz,f17,ref=2.586Hz,f18,ref=2.627Hz,f19,ref=2.884Hz。
(6)对于时段h=1下的各阶模态j与基准参考模态x若满足公式(3)-(6),则追踪为同一类模态。追踪结果如附图2所示。
Claims (1)
1.一种结构模态参数实时追踪方法,其特征在于,步骤如下:
步骤一:获取各时段的模态参数
(1)选取第h时段内的结构随机响应y(t)=[y1(t),y2(t),…,yz(t)]T,t=1,2,…,N,其中N为样本时程点数,z为传感器个数;利用自然激励方法获得各个时间延迟下的相关函数矩阵r(τ):
式中:rij(τ)表示测点i和测点j处加速度响应之间的互相关函数;
(2)利用矩阵r(τ)构造如下形式的Hankel矩阵Hms(k-1)和Hms(k):
(3)令k=1,对矩阵Hms(k-1)利用特征系统实现算法,求解各个模型阶次下的模态参数,包括频率、阻尼比和模态振型,模型阶次从偶数δ开始按照偶数倍δ递增到nuδ,nu为阶次;
(4)设定频率误差限值Δf,lim、阻尼比误差限值Δξ,lim和模态置信度指标限值ΔMAC,lim,将满足这三个限值的模态作为稳定模态;若相邻模型阶次下的两个稳定模态同时满足频率偏差小于Δf,lim,模态置信度大于ΔMAC,lim,则归为同一类;对于模态数量大于限值ntol的类称为物理类;在各物理类内按照模态参数平均值选择物理模态代表,从而获得在第h时段下的α个模态对应的模态参数,其中,识别的各阶频率表示为f1,h,f2,h,…,fα,h,相应地,各阶模态振型表示为
步骤二:追踪各时段的模态参数
(5)由于不同时段内的激励水平差异会造成识别模态数量不同,选取一天中每一时段识别模态的合集作为基准参考模态;其中,各阶基准参考频率表示为f1,ref,f2,ref,…,fβ,ref,相应地,基准参考模态振型
(6)对于第h时段下的第j阶模态与第χ阶基准参考模态,若满足下列公式,则追踪为同一类模态:
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156694.6A CN108415884B (zh) | 2018-02-24 | 2018-02-24 | 一种结构模态参数实时追踪方法 |
PCT/CN2018/080581 WO2019161589A1 (zh) | 2018-02-24 | 2018-03-27 | 一种结构模态参数实时追踪方法 |
US16/342,929 US20200065438A1 (en) | 2018-02-24 | 2018-03-27 | A method for tracking structural modal parameters in real time |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156694.6A CN108415884B (zh) | 2018-02-24 | 2018-02-24 | 一种结构模态参数实时追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108415884A CN108415884A (zh) | 2018-08-17 |
CN108415884B true CN108415884B (zh) | 2021-07-02 |
Family
ID=63128903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810156694.6A Active CN108415884B (zh) | 2018-02-24 | 2018-02-24 | 一种结构模态参数实时追踪方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200065438A1 (zh) |
CN (1) | CN108415884B (zh) |
WO (1) | WO2019161589A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597300B (zh) * | 2019-05-29 | 2022-03-29 | 北京工业大学 | 一种激光跟踪测量系统俯仰模块的配重计算方法 |
US11562661B2 (en) | 2021-01-14 | 2023-01-24 | Sheila Hall | Absolute teaching device |
CN113158785B (zh) * | 2021-03-11 | 2022-11-15 | 复旦大学 | 一种振荡信号模态参数的识别方法 |
CN113410833B (zh) * | 2021-05-25 | 2024-04-19 | 国网天津市电力公司电力科学研究院 | 一种主动频率响应控制同调机群辨识方法 |
CN114674511B (zh) * | 2022-03-24 | 2022-11-15 | 大连理工大学 | 一种用于剔除时变环境因素影响的桥梁模态异常预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043019A (zh) * | 2010-10-21 | 2011-05-04 | 重庆大学 | 一种框架结构损伤识别方法 |
CN106844935A (zh) * | 2017-01-18 | 2017-06-13 | 大连理工大学 | 一种大阻尼工程结构模态参数识别方法 |
CN107391818A (zh) * | 2017-07-07 | 2017-11-24 | 大连理工大学 | 一种基于状态观测器的振动模态参数识别方法 |
CN107729592A (zh) * | 2017-08-14 | 2018-02-23 | 西安理工大学 | 基于广义子空间溯踪的时变结构模态参数辨识方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10185661A (ja) * | 1996-12-26 | 1998-07-14 | Canon Inc | 1自由度力学系のパラメータ推定装置および方法 |
JP5145784B2 (ja) * | 2007-06-15 | 2013-02-20 | 富士ゼロックス株式会社 | 情報処理システム及び情報処理プログラム |
GB201204920D0 (en) * | 2012-01-23 | 2012-05-02 | Airbus Operations Ltd | System and method for automatic modal parameter extraction in structural dynamics analysis |
US10069915B2 (en) * | 2015-02-27 | 2018-09-04 | International Business Machines Corporation | Storing data in a dispersed storage network |
CN105188069A (zh) * | 2015-08-09 | 2015-12-23 | 大连理工大学 | 一种基于网络效率的桥梁监测系统节点布设方法 |
CN105976018B (zh) * | 2016-04-22 | 2018-12-18 | 大连理工大学 | 用于结构健康监测传感器优化布设的离散鸽群方法 |
CN107133195B (zh) * | 2017-04-14 | 2019-08-09 | 大连理工大学 | 一种工程结构模态识别的模型定阶方法 |
CN107315874B (zh) * | 2017-06-26 | 2020-04-24 | 大连三维土木监测技术有限公司 | 一种用于结构局部变形与整体模态信息同时获取的传感器布设方法 |
-
2018
- 2018-02-24 CN CN201810156694.6A patent/CN108415884B/zh active Active
- 2018-03-27 WO PCT/CN2018/080581 patent/WO2019161589A1/zh active Application Filing
- 2018-03-27 US US16/342,929 patent/US20200065438A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043019A (zh) * | 2010-10-21 | 2011-05-04 | 重庆大学 | 一种框架结构损伤识别方法 |
CN106844935A (zh) * | 2017-01-18 | 2017-06-13 | 大连理工大学 | 一种大阻尼工程结构模态参数识别方法 |
CN107391818A (zh) * | 2017-07-07 | 2017-11-24 | 大连理工大学 | 一种基于状态观测器的振动模态参数识别方法 |
CN107729592A (zh) * | 2017-08-14 | 2018-02-23 | 西安理工大学 | 基于广义子空间溯踪的时变结构模态参数辨识方法 |
Non-Patent Citations (2)
Title |
---|
"Structural Modal Parameter Identification from Forced Vibration with Analytical Mode Decomposition";Zuo-Cai Wang 等;《Advances in Structural Engineering》;20140815;第17卷(第8期);第1004-1013页 * |
"一种自动识别结构模态参数的随机子空间方法";张小宁 等;《振动工程学报》;20170815;第30卷(第4期);第542-548页 * |
Also Published As
Publication number | Publication date |
---|---|
WO2019161589A1 (zh) | 2019-08-29 |
CN108415884A (zh) | 2018-08-17 |
US20200065438A1 (en) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108415884B (zh) | 一种结构模态参数实时追踪方法 | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN113723010A (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
CN109523021A (zh) | 一种基于长短时记忆网络的动态网络结构预测方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN110706213A (zh) | 基于应变响应累积分布函数差的桥梁集群结构损伤判别方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
WO2019173943A1 (zh) | 一种自动追踪结构模态参数的方法 | |
CN111784023A (zh) | 一种短时邻近雾能见度预测方法 | |
CN110991776A (zh) | 一种基于gru网络实现水位预测的方法及系统 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113868953A (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN111915022A (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN116756825A (zh) | 一种中小跨径桥梁的群结构性能预测系统 | |
CN109635008B (zh) | 一种基于机器学习的设备故障检测方法 | |
CN108363679B (zh) | 一种自动追踪结构模态参数的方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN115240871A (zh) | 一种基于深度嵌入聚类元学习的流行病预测方法 | |
CN111105148B (zh) | 离职概率评估方法、装置及计算机可读存储介质 | |
Ding et al. | The forecasting model of flight delay based on DMT-GMT model | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 |
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 |