CN108491608B - 传感器数量不完备时结构模态识别的稀疏分量分析方法 - Google Patents
传感器数量不完备时结构模态识别的稀疏分量分析方法 Download PDFInfo
- Publication number
- CN108491608B CN108491608B CN201810211907.0A CN201810211907A CN108491608B CN 108491608 B CN108491608 B CN 108491608B CN 201810211907 A CN201810211907 A CN 201810211907A CN 108491608 B CN108491608 B CN 108491608B
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- source point
- single source
- sequence
- 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明属于结构健康监测技术领域,提供传感器数量不完备时结构模态识别的稀疏分量分析方法。对结构加速度响应数据进行短时傅里叶变换转换到时频域,利用实部和虚部方向相同检测出仅有一阶模态参与贡献的时频点即单源点,作为单源点的初始结果;依据单源点位于功率谱峰值附近对单源点检测的初始结果进行提纯,并对单源点进行聚类获得振型矩阵;利用短时傅里叶变换系数构造广义谱矩阵,对单源点处的广义谱矩阵进行奇异值分解,将第一个奇异值视为单阶模态的自功率谱,通过拾取自功率谱的峰值获取各阶频率,利用逆傅里叶变换将自功率谱转换到时域提取各阶阻尼比。本方法在传感器不完备的情况下获取结构的模态参数,提高稀疏分量分析方法的识别准确性。
Description
技术领域
本发明属于结构健康监测数据分析技术领域,涉及传感器数量不完备时结构模态识别的方法,具体为传感器数量不完备时结构模态识别的稀疏分量分析方法。
背景技术
模态识别能够获取结构的动力特性,是结构动力学的重要技术之一。结构的动力特性一般包括结构的频率、振型和阻尼比。从振动数据中识别模态参数的过程与盲源分离方法的原理一致,因此基于盲源分离理论的模态识别方法应运而生。对于大型土木工程结构现场测试,安装的传感器个数有时会少于待识别的模态阶数,因此欠定盲源分离问题的研究具有非常高的实用价值。
针对欠定盲源分离问题,目前研究者们已提出了多种方法。例如,通过构造Hankel矩阵进行分解的二阶盲辨识方法,能够利用矩阵扩维降低对传感器个数的要求;基于平行因子分解法的二阶盲辨识方法,能够在欠定情况保持矩阵分解的唯一性,从而解决欠定问题。然而这些方法主要基于振动信号的互相关矩阵分解,因此振动信号需要满足平稳性假定。而基于稀疏分量分析的方法,首先利用振动信号在时频域内的聚类特性获得振型矩阵,再依据稀疏重构方法重构出各阶模态响应,最终得到频率和阻尼比。因其利用的是振动信号在时频域的稀疏特性,无需假定待分析信号为平稳信号,因此具有较大的优越性。
稀疏分量分析过程包含单源点检测,其目的是从所有时频点中抽取仅有一阶模态参与贡献的时频点,从而提高振型估计的精度,并减小计算量。然而,当传感器个数的较少时,单源点检测的精度较低,会导致振型估计的准确性较低。此外,模态响应在稀疏重构时,可用传感器个数较少会导致不能完全重构出所有的模态响应,从而会导致重构的精度降低或者遗漏。因此,提高稀疏分量分析方法在传感器个数较少时的模态识别精度十分有必要。
发明内容
本发明的目的是提供一种改进的基于稀疏分量分析的模态识别方法,提高稀疏分量分析方法在传感器个数较少情况下的模态识别的精度。
本发明的技术方案:
一种传感器数量不完备时结构模态识别的稀疏分量分析方法,对结构加速度响应数据进行短时傅里叶变换转换到时频域,利用实部和虚部方向相同检测出仅有一阶模态参与贡献的时频点即单源点,作为单源点的初始结果;依据单源点位于功率谱峰值附近对单源点检测的初始结果进行提纯,并对单源点进行聚类获得振型矩阵;利用短时傅里叶变换系数构造广义谱矩阵,对单源点处的广义谱矩阵进行奇异值分解,将第一个奇异值视为单阶模态的自功率谱,通过拾取自功率谱的峰值获取各阶频率,利用逆傅里叶变换将自功率谱转换到时域提取各阶阻尼比;
分为估算振型矩阵、提取频率和阻尼比,具体步骤如下:
(一)估算振型矩阵
第一步,获取传感器数量不完备时结构在t时刻的加速度响应Y(t)=[y1(t),y2(t),…,yl(t)]T;采用短时傅里叶变换将时域加速度响应变换到时频域,其表达式变为Y(t,ω)=[y1(t,ω),y2(t,ω),…,yl(t,ω)]T,其中l为传感器的个数,ω表示圆频率;
第二步,获取单源点检测的初始结果并标记;
检测出的单源点位置标记为(tk,ωk),其值为:
Y(tk,ωk)=[y1(tk,ωk),y2(tk,ωk),...,yl(tk,ωk)]T;
第三步,对所有传感器位置的对数幅值进行平均
对所有传感器位置的时频系数做相同的如下处理:第j个传感器位置的时频系数为yj(t,ω),将各频率截面ωi,i=1,2,…,N对应的时频系数yj(t,ωi)依次连接得到序列其中N表示短时傅里叶变换采用的频点数;
第四步,采用多项式回归计算平均对数幅值序列Ampmean的趋势项,然后将趋势项去除,得到序列对进行统计分析,计算落入各统计区间的样本个数;当累积样本个数达到总样本个数90%时,将相应统计区间的样本值设为阈值,阈值以下的样本代表的时频点集合标记为Ω;剔除第二步得到的单源点检测的初始结果Y(tk,ωk)中落入集合Ω的点,得到提纯的单源点
(二)提取频率和阻尼比
第六步,利用第一步中的时频系数Y(t,ω)构造广义谱矩阵:
第八步,将第五步得到的各类单源点在第一个奇异值序列s1上的值视为各阶模态的自功率谱,通过拾取s1的峰值频率得到各阶频率,通过将s1经过逆傅里叶变换转到时域提取阻尼比。
本发明的有益效果:本发明提供了一种基于稀疏分量分析的模态参数识别方法,通过对单源点检测结果进行提纯,并直接从时频系数中提取频率和阻尼比,提高传感器个数较少情况下模态识别的准确性。
具体实施方式
以下结合技术方案,进一步阐明本发明的实施方式。
取一个三自由度弹簧质量块系统,质量矩阵、刚度矩阵和阻尼矩阵分别为:
激励采用高斯白噪声激励,采样频率为100Hz,对其中两个节点位置进行加速度时程采样。
一、振型矩阵估计
(1)采样得到结构在t时刻的加速度响应Y(t)=[y1(t),y2(t)]T。采用短时傅里叶变换将时域的加速度响应Y变换到时频域,其表达式变为Y(t,ω)=[y1(t,ω),y2(t,ω)]T,这里ω表示圆频率。
(2)依据获取单源点检测初始结果,其中Re{·}表示提取数据的实部,Im{·}表示提取数据的虚部。检测出的单源点位置记为(tk,ωk),则单源点处的值为:Y(tk,ωk)=[y1(tk,ωk),y2(tk,ωk)]T。
(3)第1个传感器位置的时频系数为y1(t,ω),将各频率截面ωi,(i=1,2,…,N)对应的时频系数y1(t,ωi)依次连接得到序列对y2(t,ω)做相同的处理。采用计算各序列(j=1,2)中每个元素的对数幅值,其中为序列中的第τ个元素,Ampj(τ)表示第j个传感器位置的对数幅值中的第τ个元素。将两个传感器位置的对数幅值进行平均:得到平均对数幅值。
(4)采用多项式回归计算平均对数幅值序列Ampmean的趋势项,并将趋势项去除,得到序列对进行统计分析,计算落入各统计区间的样本个数。当累积样本个数达到总样本数的90%时,将相应统计区间的样本值设为阈值,阈值以下的样本代表的时频点集合标记为Ω。剔除步骤(2)得到的单源点检测的初始结果Y(tk,ωk)中落入集合Ω的点,得到提纯的单源点
二、提取频率和阻尼比
(6)利用步骤(1)中的时频系数Y(t,ω)构造广义谱矩阵:
(8)步骤(5)得到的各类单源点在s1上的值视为各阶模态的自功率谱,通过拾取s1的峰值频率得到各阶频率,通过将s1经过逆傅里叶变换转到时域提取阻尼比。频率的识别结果为:fn1=3.2959Hz,fn2=10.8099Hz,fn3=11.7813Hz。阻尼比的识别结果为:ξ1=0.0474,ξ2=0.0290,ξ3=0.0112。
Claims (1)
1.一种传感器数量不完备时结构模态识别的稀疏分量分析方法,分为估算振型矩阵、提取频率和阻尼比,其特征在于,步骤如下:
(一)估算振型矩阵
第一步,获取传感器数量不完备时结构在t时刻的加速度响应Y(t)=[y1(t),y2(t),…,yl(t)]T;采用短时傅里叶变换将时域加速度响应变换到时频域,其表达式变为Y(t,ω)=[y1(t,ω),y2(t,ω),…,yl(t,ω)]T,其中l为传感器的个数,ω表示圆频率;
第二步,获取单源点检测的初始结果并标记;
检测出的单源点位置标记为(tk,ωk),其值为:
Y(tk,ωk)=[y1(tk,ωk),y2(tk,ωk),...,yl(tk,ωk)]T;
第三步,对所有传感器位置的对数幅值进行平均
对所有传感器位置的时频系数做相同的如下处理:第j个传感器位置的时频系数为yj(t,ω),将各频率截面ωi,i=1,2,…,N对应的时频系数yj(t,ωi)依次连接得到序列其中N表示短时傅里叶变换采用的频点数;
第四步,采用多项式回归计算平均对数幅值序列Ampmean的趋势项,然后将趋势项去除,得到序列对进行统计分析,计算落入各统计区间的样本个数;当累积样本个数达到总样本个数90%时,将相应统计区间的样本值设为阈值,阈值以下的样本代表的时频点集合标记为Ω;剔除第二步得到的单源点检测的初始结果Y(tk,ωk)中落入集合Ω的点,得到提纯的单源点
(二)提取频率和阻尼比
第六步,利用第一步中的时频系数Y(t,ω)构造广义谱矩阵:
第八步,将第五步得到的各类单源点在第一个奇异值序列s1上的值视为各阶模态的自功率谱,通过拾取s1的峰值频率得到各阶频率,通过将s1经过逆傅里叶变换转到时域提取阻尼比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810211907.0A CN108491608B (zh) | 2018-03-06 | 2018-03-06 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810211907.0A CN108491608B (zh) | 2018-03-06 | 2018-03-06 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491608A CN108491608A (zh) | 2018-09-04 |
CN108491608B true CN108491608B (zh) | 2021-06-08 |
Family
ID=63339207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810211907.0A Active CN108491608B (zh) | 2018-03-06 | 2018-03-06 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491608B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580146B (zh) * | 2018-11-29 | 2020-08-14 | 东南大学 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
CN109541455A (zh) * | 2018-12-03 | 2019-03-29 | 国网江苏省电力有限公司南京供电分公司 | 一种基于s变换时频谱svd降噪的oltc冲击特性提取方法 |
CN111241904B (zh) * | 2019-11-04 | 2021-09-17 | 北京理工大学 | 一种基于盲源分离技术的欠定情况下运行模态识别方法 |
CN111143927B (zh) * | 2019-12-23 | 2022-09-27 | 大连理工大学 | 一种基于结构响应线性组合的约束模态分解与频率识别方法 |
CN111652154B (zh) * | 2020-06-04 | 2023-05-30 | 河北工业大学 | 一种基于自动频带分割的欠定系统模态识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519582A (zh) * | 2011-12-22 | 2012-06-27 | 南京航空航天大学 | 航空发动机振动信号的盲源分离方法 |
TWI455115B (zh) * | 2012-04-13 | 2014-10-01 | Univ Nat Central | A method of separating a plurality of signal sources in a spherically mixed blind source |
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
CA2946891A1 (en) * | 2014-05-07 | 2015-11-12 | Vivint, Inc. | Controlling a building system based on real time events |
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 |
CN107133195A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种工程结构模态识别的模型定阶方法 |
CN107357977A (zh) * | 2017-06-27 | 2017-11-17 | 华侨大学 | 基于二阶盲辨识的线性结构工作模态参数识别方法及装置 |
-
2018
- 2018-03-06 CN CN201810211907.0A patent/CN108491608B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519582A (zh) * | 2011-12-22 | 2012-06-27 | 南京航空航天大学 | 航空发动机振动信号的盲源分离方法 |
TWI455115B (zh) * | 2012-04-13 | 2014-10-01 | Univ Nat Central | A method of separating a plurality of signal sources in a spherically mixed blind source |
CA2946891A1 (en) * | 2014-05-07 | 2015-11-12 | Vivint, Inc. | Controlling a building system based on real time events |
CN104166804A (zh) * | 2014-08-20 | 2014-11-26 | 中国科学技术大学 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
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 |
CN107133195A (zh) * | 2017-04-14 | 2017-09-05 | 大连理工大学 | 一种工程结构模态识别的模型定阶方法 |
CN107357977A (zh) * | 2017-06-27 | 2017-11-17 | 华侨大学 | 基于二阶盲辨识的线性结构工作模态参数识别方法及装置 |
Non-Patent Citations (5)
Title |
---|
A review of output-only structural mode identification literature employing blind source separation methods;Sadhu A等;《mechanical Systems and Signal Processing》;20170317(第94期);415-431页 * |
Blind modal identification in frequency domain using independent component analysis for high damping structures with classical damping;YaoXiao-Jun等;《Computer-Aided Civil and Infrastructure Engineering》;20180131;第33卷(第1期);35-50页 * |
Blind modal identification of output-only non-proportionally-damped structures by time-frequency complex independent component analysis;Nagarajaiah S等;《Smart Structures and Systems》;20150131;第15卷(第1期);81-97页 * |
基于欠定盲源分离的结构模态参数识别;于刚等;《振动.测试与诊断》;20160831;第36卷(第4期);722-728+811-812页 * |
时频联合分析方法在参数识别中的应用;石志晓;《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》;20051115(第7期);I136-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108491608A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491608B (zh) | 传感器数量不完备时结构模态识别的稀疏分量分析方法 | |
US11170070B2 (en) | Sparse component analysis method for structural modal identification when the number of sensors is incomplete | |
CN109376330B (zh) | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 | |
Tarinejad et al. | Modal identification of structures by a novel approach based on FDD-wavelet method | |
Yao et al. | Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
CN104123463A (zh) | 一种随机动态载荷的时域识别方法 | |
Zhang et al. | Wavelet energy transmissibility function and its application to wind turbine bearing condition monitoring | |
CN109598175B (zh) | 一种基于多小波基函数和超正交前向回归的时频分析方法 | |
Xiao et al. | A multichannel fusion approach based on coupled hidden Markov models for rolling element bearing fault diagnosis | |
Nagarajaiah et al. | Blind modal identification of output-only non-proportionally-damped structures by time-frequency complex independent component analysis | |
Wang et al. | Adaptive operational modal identification for slow linear time-varying structures based on frozen-in coefficient method and limited memory recursive principal component analysis | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
CN106248201B (zh) | 基于增强谱峭度的谐波成分检测方法 | |
CN107941324A (zh) | 一种消费级惯性传感单元环境噪声的估计方法 | |
CN111652154B (zh) | 一种基于自动频带分割的欠定系统模态识别方法 | |
Farzampour et al. | Unsupervised identification of arbitrarily-damped structures using time-scale independent component analysis: Part I | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
CN116561541A (zh) | 随机动载荷识别模型、模型的训练方法以及识别方法 | |
CN111143927A (zh) | 一种基于结构响应线性组合的约束模态分解与频率识别方法 | |
CN101997788B (zh) | 一种信号恢复的优化方法 | |
CN103854658B (zh) | 基于短时分形维数增强法的钢板腐蚀声发射信号去噪方法 | |
CN108363679B (zh) | 一种自动追踪结构模态参数的方法 | |
Mahata et al. | Direct identification of continuous-time errors-in-variables models |
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 |