CN109271687A - 一种动态载荷自适应时域识别方法 - Google Patents
一种动态载荷自适应时域识别方法 Download PDFInfo
- Publication number
- CN109271687A CN109271687A CN201811017276.5A CN201811017276A CN109271687A CN 109271687 A CN109271687 A CN 109271687A CN 201811017276 A CN201811017276 A CN 201811017276A CN 109271687 A CN109271687 A CN 109271687A
- Authority
- CN
- China
- Prior art keywords
- signal
- filter
- time domain
- output signal
- adaptive
- 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)
- Filters That Use Time-Delay Elements (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于动力学领域,具体涉及一种动态载荷的自适应时域识别方法;包括真实机械系统的逆模型离线建模和动态载荷在线识别,具体为将未知载荷加载于真实机械系统,采集其输出信号;将输出信号输入简谐发生器中,分解生成窄带简谐信号;将系统响应的窄带简谐信号作为自适应逆模型滤波器的输入;自适应逆模型滤波器输出信号通过简谐信号合成器合成;此时简谐信号合成器的输出信号即为真实机械系统动态载荷的最佳估计。本发明采用自适应滤波器建立正模型,再由系统正模型对延迟逆模型进行自适应建模,对边界和初值条件不敏感、易收敛,识别精度高,运算速度快,对任意频率的输入信号延迟时间都相等,不会改变频率间谐波关系,有利于信号波形保持。
Description
技术领域
本发明属于动力学领域,具体涉及一种动态载荷的自适应时域识别方法。
背景技术
动态载荷时域识别是已知结构的输出响应信息和系统的动态特性,通过时域反演得到输入动态载荷的求解过程,属于动力学研究领域中的第二类逆问题。有效识别并透彻分析力源的特性是机电设备振动噪声控制的基础及前提,也是机电设备定量声学预测及低噪声机械设备设计的先决条件。在工程实际中,为分析结构的动态特性,对结构进行动力响应计算、动态参数设计、故障分析及可靠性预测等,往往需要精确掌握作用在结构上的动态载荷。
动态载荷间接识别方法主要有频域识别和时域识别两种。目前广泛应用的频域法主要有频响函数矩阵求逆法、最小二乘法和模态坐标变换法。频响函数求逆法和最小二乘法的缺点在于低频的识别精度较差,且固有频率处识别精度也较差。目前可以通过奇异值分解技术改善,还可以通过相干函数作为阀值控制矩阵的病态,但是阀值的选取尚无成熟方法,识别精度有待进一步提高。模态坐标变换法必须知道系统的固有频率及模态振型才能识别载荷特性,参与计算的模态的选取及截断对载荷识别精度影响很大,选取不同阶数的模态、测试噪声等因素对识别精度影响较大,在工程应用中存在较大的局限性。目前广泛应用的时域法主要有反卷积、计权加速度法、卡尔曼滤波器和递归最小二乘法、逆系统法等。反卷积法需要对系统的时域振动特性矩阵进行逆运算,易出现病态问题影响动态载荷的识别精度;计权加速度法仅适用于具有刚体模态的结构且所求为动态载荷合力,因此其应用有很大局限性;卡尔曼滤波器和递归最小二乘法是以系统的状态空间模型为基础,需要提前掌握测试噪声及过程统计特性否则影响识别精度。
专利“201110025450.2”中公开了一种动载荷的自适应时域识别方法。该方法采用自适应算法对系统进行模型辨识,结合辨识模型利用工作状态响应数据识别时域载荷。该方法具有对边值条件和初值条件不敏感、容易收敛等特点,但其利用一组权向量模拟系统时域特性,当系统特征较为复杂时会出现辨识精度不高、计算量大等问题。
发明内容
本发明的目的在于,提供一种识别精度高、运算速度快的动态载荷自适应时域识别方法。
一种动态载荷自适应时域识别方法,包括真实机械系统的逆模型离线建模、动态载荷在线识别两部分,具体包括如下步骤:
1、以多频激励信号作为真实机械系统的输入,采集系统的输出信号。
2、在系统输出信号的基础之上添加噪声信号,形成包含噪声干扰的系统响应信号。
3、将真实机械系统的输入信号及包含噪声干扰的响应信号分别输入简谐发生器中,通过数字滤波的形式将信号分解为若干频率不同的窄带周期信号。
4、取一定长度的自适应滤波器建立正模型,用于模拟真实系统的时域振动特性;将窄带简谐信号作为自适应滤波器正模型的输入信号,同时采集系统响应的窄带简谐信号及自适应滤波器正模型输出信号,取两者误差。
5、根据误差信号采用归一化LMS算法自适应调整滤波器逆模型滤波器权系数,直至输出信号误差的均方值收敛至最小。
6、将自适应滤波器正模型输出信号作为自适应滤波器逆模型的输入信号,同时采集经过一定时间延迟的系统输入窄带简谐信号及自适应滤波器逆模型输出信号,取两者误差。
7、根据误差信号采用归一化LMS算法自适应调整逆模型滤波器权系数,直至误差信号的均方值收敛至最小。至此得到真实系统自适应逆模型,逆模型自适应滤波器权向量即为真实系统时域特性的最佳估计。
8、根据真实系统自适应逆模型,将未知载荷加载于真实机械系统,重复步骤1-6,最终得到自适应逆模型滤波器输出信号通过简谐信号合成器合成,此时简谐信号合成器的输出信号即为真实机械系统动态载荷的最佳估计。
所述一种动态载荷自适应时域识别方法,步骤3中简谐发生器通过有限冲激响应滤波器实现,有限冲激响应滤波器的带宽根据信号时域特征的复杂程度决定,当信号时域特征较为复杂时,应适当减小带宽,当信号时域特征较为简单时,应适当增大带宽,带宽范围一般为5Hz—10Hz。有限冲激响应滤波器的频带个数应与所关心频率分布相关。
所述一种动态载荷自适应时域识别方法,步骤4-6中正、逆模型自适应滤波器权向量的阶数代表了真实机械系统时域振动特性的复杂程度,8或16阶数滤波器表征真实机械系统的时域振动特性。
所述一种动态载荷自适应时域识别方法,步骤6中时间延迟的长度等于自适应滤波器阶数的一半。
本发明的有益效果在于:
本发明首先采用自适应滤波器建立正模型,再由系统正模型对延迟逆模型进行自适应建模,对边界和初值条件不敏感、易收敛,解决了当系统响应中存在噪声干扰、最小均方误差不为零时,自适应逆模型滤波器收敛值偏离Wiener解的问题;本发明将真实机械系统的输入信号及包含噪声干扰的响应信号通过数字滤波的形式分解为若干频率不同的窄带周期信号,在不同的频段内系统特性较为简单,故识别精度有所提高,与此同时,不同的频段内系统特性用较少阶数滤波器即可表征,运算速度有了较大提升。本发明的简谐发生器通过有限冲激响应滤波器进行实现,具有严格的线性相位,群延迟为常数,对任意频率的输入信号延迟时间都相等,不会改变频率间谐波关系,有利于信号波形保持。
附图说明
图1为本发明的自适应延迟逆模型的辨识框图;
图2为本发明的动态载荷辨识框图;
图3为系统辨识过程中2#简谐生成器与正模型滤波器1频带输出位移对比曲线;
图4为系统辨识过程中2#简谐生成器与正模型滤波器2频带输出位移对比曲线;
图5为系统辨识过程中2#简谐生成器与正模型滤波器3频带输出位移对比曲线;
图6为系统辨识过程中2#简谐生成器与正模型滤波器4频带输出位移对比曲线;
图7为系统辨识过程中2#简谐生成器与正模型滤波器1频带输出位移响应误差对比曲线;
图8为系统辨识过程中2#简谐生成器与正模型滤波器2频带输出位移响应误差对比曲线;
图9为系统辨识过程中2#简谐生成器与正模型滤波器3频带输出位移响应误差对比曲线;
图10为系统辨识过程2#简谐生成器与正模型滤波器4频带输出位移响应误差对比曲线;
图11为动态载荷辨识过程中系统真实载荷与辨识载荷对比曲线。
具体实施方式
下面结合附图对本发明做进一步描述:
如附图1所示为真实机械系统的逆模型离线建模,
(1)以多频激励信号即白噪声激励信号或扫频信号fw(n)作为真实机械系统h(n)的输入,采集系统的输出信号xw(n)。在系统输出信号xw(n)的基础之上添加噪声信号fd(n),形成包含噪声干扰的系统响应信号xa(n)。
(2)将真实系统的输入信号fw(n)及包含噪声干扰的响应信号xa(n)分别输入简谐发生器中,通过数字滤波的形式将信号fw(n)、xa(n)分解为若干频率不同的窄带简谐信号f'w(p,n)、x'a(p,n),其中p代表窄带周期信号序列数。
(3)取一定长度的自适应滤波器建立正模型,用于模拟真实系统的时域振动特性。将窄带简谐信号f'w(p,n)作为自适应滤波器的输入信号,同时采集系统响应的窄带简谐信号x'a(p,n)及自适应滤波器正模型输出信号x0(p,n),将系统响应的窄带简谐信号x'a(p,n)与自适应滤波器正模型输出信号x0(p,n)作对比,取两者误差为e1(p,n),根据误差信号e1(p,n)采用归一化LMS算法自适应调整滤波器逆模型滤波器权系数[Wforward],直至输出信号误差e1(p,n)的均方值收敛至最小。
(4)将自适应滤波器正模型输出信号x0(p,n)作为自适应滤波器逆模型的输入信号,同时采集经过一定时间延迟的系统输入窄带简谐信号fd(p,n)及自适应滤波器逆模型输出信号fo(p,n),将经过一定时间延迟的系统输入窄带简谐信号fd(p,n)与自适应滤波器逆模型输出信号fo(p,n)作对比,取两者误差为e2(p,n)。根据误差信号e2(p,n)采用归一化LMS算法自适应调整逆模型滤波器权系数[Winvese],直至输出信号误差e2(p,n)的均方值收敛至最小。
至此得到真实系统自适应逆模型,逆模型自适应滤波器权向量[Winvese]即为真实系统时域特性的最佳估计。
辨识原理可采用如下公式描述:
e1(p,n)=xa(p,n)-xo(p,n)
fd(p,n)=fw(p,n-d)
e2(p,n)=fd(p,n)-fo(p,n)
其中[Wforward]、[Winvese]分别为正模型、逆模型权向量,阶数分别为H和L。P为窄带周期信号序列数,μ1、μ2为正、逆模型自适应滤波器收敛因子,γ1、γ2为正、逆模型自适应滤波器泄露因子。
如附图2所示为动态载荷在线识别,
未知载荷f(n)加载于真实机械系统,采集其输出信号x(n)。真实机械系统的输出信号x(n)输入简谐发生器中,分解生成窄带简谐信号x'(p,n)。将系统响应的窄带简谐信号x'(p,n)作为自适应逆模型滤波器的输入,得到输出信号f'(p,n),f'(p,n)通过简谐信号合成器合成f'(n)。此时简谐信号合成器的输出信号f'(n)即为真实机械系统动态载荷f(n)的最佳估计。
对于正、逆模型自适应滤波器权向量的阶数的选择,本发明基于简谐发生器,将真实机械系统的输入信号及包含噪声干扰的响应信号通过数字滤波的形式分解为若干频率不同的窄带周期信号,在不同的频段内系统特性较为简单,用8或16阶数滤波器即可表征。
对于时间延迟的长度的选择,当自适应滤波器的长度一定时,时间延迟很小(如零延迟)或时间延迟较大(接近滤波器长度),最小均方误差均较大。根据控制理论中的经验法则,一般取时间延迟等于自适应滤波器阶数的一半。
本发明首先采用自适应滤波器建立正模型,再由系统正模型对延迟逆模型进行自适应建模,对边界和初值条件不敏感、易收敛。本发明解决了当系统响应中存在噪声干扰、最小均方误差不为零时,自适应逆模型滤波器收敛值偏离Wiener解的问题。
本发明将真实机械系统的输入信号及包含噪声干扰的响应信号通过数字滤波的形式分解为若干频率不同的窄带周期信号,在不同的频段内系统特性较为简单,故识别精度有所提高。与此同时,不同的频段内系统特性用较少阶数滤波器即可表征,运算速度有了较大提升。
本发明的简谐发生器通过有限冲激响应(FIR)滤波器进行实现,具有严格的线性相位,群延迟为常数,对任意频率的输入信号延迟时间都相等,不会改变频率间谐波关系,有利于信号波形保持。
此外,需要说明的是,凡依本发明专利构思所述的思路、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明专利所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明专利的结构或者超越本权利要求书所定义的范围,均应属于本发明专利的保护范围。
Claims (4)
1.一种动态载荷自适应时域识别方法,其特征在于,包括真实机械系统的逆模型离线建模、动态载荷在线识别两部分,具体包括如下步骤:
步骤1、以多频激励信号作为真实机械系统的输入,采集系统的输出信号;
步骤2、在系统输出信号的基础之上添加噪声信号,形成包含噪声干扰的系统响应信号;
步骤3、将真实机械系统的输入信号及包含噪声干扰的响应信号分别输入简谐发生器中,通过数字滤波的形式将信号分解为若干频率不同的窄带周期信号;
步骤4、取一定长度的自适应滤波器建立正模型,模拟真实系统的时域振动特性;将窄带简谐信号作为自适应滤波器正模型的输入信号,同时采集系统响应的窄带简谐信号及自适应滤波器正模型输出信号,取两者误差;
步骤5、根据误差信号采用归一化LMS算法自适应调整滤波器逆模型滤波器权系数,直至输出信号误差的均方值收敛至最小;
步骤6、将自适应滤波器正模型输出信号作为自适应滤波器逆模型的输入信号,同时采集经过一定时间延迟的系统输入窄带简谐信号及自适应滤波器逆模型输出信号,取两者误差;
步骤7、根据误差信号采用归一化LMS算法自适应调整逆模型滤波器权系数,直至误差信号的均方值收敛至最小;至此得到真实系统自适应逆模型,逆模型自适应滤波器权向量即为真实系统时域特性的最佳估计;
步骤8、根据真实系统自适应逆模型,将未知载荷加载于真实机械系统,重复步骤1-6,将最终得到自适应逆模型滤波器输出信号通过简谐信号合成器合成,此时简谐信号合成器的输出信号即为真实机械系统动态载荷的最佳估计。
2.根据权利要求1所述的一种动态载荷自适应时域识别方法,其特征在于:步骤3中所述简谐发生器通过有限冲激响应滤波器实现,有限冲激响应滤波器的带宽根据信号时域特征的复杂程度决定,当信号时域特征较为复杂时,减小带宽,当信号时域特征较为简单时,增大带宽,带宽范围为5Hz—10Hz,有限冲激响应滤波器的频带个数应与所关心频率分布相关。
3.根据权利要求1所述的一种动态载荷自适应时域识别方法,其特征在于:步骤4-6中所述正、逆模型自适应滤波器权向量的阶数代表了真实机械系统时域振动特性的复杂程度,8或16阶数滤波器表征真实机械系统的时域振动特性。
4.根据权利要求1所述的一种动态载荷自适应时域识别方法,其特征在于:步骤6中所述时间延迟的长度等于自适应滤波器阶数的一半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017276.5A CN109271687B (zh) | 2018-09-01 | 2018-09-01 | 一种动态载荷自适应时域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811017276.5A CN109271687B (zh) | 2018-09-01 | 2018-09-01 | 一种动态载荷自适应时域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271687A true CN109271687A (zh) | 2019-01-25 |
CN109271687B CN109271687B (zh) | 2022-06-17 |
Family
ID=65187675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811017276.5A Active CN109271687B (zh) | 2018-09-01 | 2018-09-01 | 一种动态载荷自适应时域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271687B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072113A1 (en) * | 2001-10-17 | 2003-04-17 | Wong Kon B. | Arc detection using load recognition, harmonic content and broadband noise |
US20040145502A1 (en) * | 2003-01-09 | 2004-07-29 | Thomson Malcolm G. | Methods and systems for filtering unwanted noise in a material metering machine |
CN102122322A (zh) * | 2011-01-24 | 2011-07-13 | 哈尔滨工程大学 | 动载荷的自适应时域识别方法 |
CN102129520A (zh) * | 2011-03-16 | 2011-07-20 | 哈尔滨工程大学 | 动载荷的自适应时域识别方法 |
CN102183329A (zh) * | 2011-03-09 | 2011-09-14 | 哈尔滨工程大学 | 一种大载荷宽频带功率流测量装置 |
CN103500275A (zh) * | 2013-09-29 | 2014-01-08 | 哈尔滨工程大学 | 一种基于延迟逆系统的动载荷识别的时域方法 |
US20140239741A1 (en) * | 2013-02-28 | 2014-08-28 | Control Techniques Limited | Thermal Model |
CN105103484A (zh) * | 2013-03-28 | 2015-11-25 | 索尼公司 | Ofdm系统中发送有效载荷数据的发送器和方法以及接收有效载荷数据的接收器和方法 |
CN105912854A (zh) * | 2016-04-11 | 2016-08-31 | 西安交通大学 | 一种机械结构动载荷识别的稀疏表征方法 |
-
2018
- 2018-09-01 CN CN201811017276.5A patent/CN109271687B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072113A1 (en) * | 2001-10-17 | 2003-04-17 | Wong Kon B. | Arc detection using load recognition, harmonic content and broadband noise |
US20040145502A1 (en) * | 2003-01-09 | 2004-07-29 | Thomson Malcolm G. | Methods and systems for filtering unwanted noise in a material metering machine |
CN102122322A (zh) * | 2011-01-24 | 2011-07-13 | 哈尔滨工程大学 | 动载荷的自适应时域识别方法 |
CN102183329A (zh) * | 2011-03-09 | 2011-09-14 | 哈尔滨工程大学 | 一种大载荷宽频带功率流测量装置 |
CN102129520A (zh) * | 2011-03-16 | 2011-07-20 | 哈尔滨工程大学 | 动载荷的自适应时域识别方法 |
US20140239741A1 (en) * | 2013-02-28 | 2014-08-28 | Control Techniques Limited | Thermal Model |
CN105103484A (zh) * | 2013-03-28 | 2015-11-25 | 索尼公司 | Ofdm系统中发送有效载荷数据的发送器和方法以及接收有效载荷数据的接收器和方法 |
CN103500275A (zh) * | 2013-09-29 | 2014-01-08 | 哈尔滨工程大学 | 一种基于延迟逆系统的动载荷识别的时域方法 |
CN105912854A (zh) * | 2016-04-11 | 2016-08-31 | 西安交通大学 | 一种机械结构动载荷识别的稀疏表征方法 |
Non-Patent Citations (7)
Title |
---|
周盼等: "动态载荷识别的自适应延迟逆模型方法", 《船舶力学》 * |
周盼等: "动载荷识别时域方法的研究现状与发展趋势", 《噪声与振动控制》 * |
李旭娟等: "基于结构动态响应的载荷识别研究", 《机械制造与自动化》 * |
杨帆等: "动态分布载荷识别中的传感器配置研究", 《振动工程学报》 * |
祁武超等: "区间参数结构谐振载荷识别方法", 《沈阳航空航天大学学报》 * |
蔡元奇等: "基于逆向滤波器的动态载荷时域识别方法", 《振动工程学报》 * |
雷博等: "基于贝叶斯估计的动载荷识别方法", 《噪声与振动控制》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109271687B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844627A (zh) | 一种仅输出时变结构模态参数贝叶斯估计方法 | |
CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
CN106526359B (zh) | 基于Prony算法和病态数据分析的电网低频振荡检测方法 | |
CN112086100A (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN109446552B (zh) | 多轴相关随机激励下结构疲劳寿命时域计算方法 | |
CN110570114A (zh) | 基于可变循环神经网络的电能质量扰动识别方法、系统及介质 | |
John-Baptiste et al. | Rapid waveform design through machine learning | |
CN109271687A (zh) | 一种动态载荷自适应时域识别方法 | |
WO2011152888A2 (en) | Rhythm processing and frequency tracking in gradient frequency nonlinear oscillator networks | |
Sayadi et al. | Dynamic mode decomposition of controlled h-and k-type transitions | |
CN107065524B (zh) | 一种伺服系统频域辨识系统及辨识方法 | |
Wies et al. | Combining least mean squares adaptive filter and auto-regressive block processing techniques for estimating the low-frequency electromechanical modes in power systems | |
CN103577877A (zh) | 一种基于时频分析和bp神经网络的船舶运动预报方法 | |
CN102176117B (zh) | 水果高速分选系统动态称重信号的智能处理方法 | |
Xia et al. | Application of modern techniques for detecting subsynchronous oscillations in power systems | |
Dong et al. | EMD Method for Minimizing the Effect of Seasonal Trends in Detrended Cross‐Correlation Analysis | |
CN111817631A (zh) | 一种基于自适应陷波的机械谐振在线抑制系统 | |
Gao et al. | Design of marine environmental noise signal generation system based on MATLAB, LabVIEW and FPGA | |
CN110518588B (zh) | 滤波方法、装置、设备和电力电子装置 | |
Zhou et al. | Identification of low frequency oscillation parameters based on EEMD-SVD method and Prony algorithm | |
Price et al. | Frequency domain techniques for numerical and experimental modelling of wave energy converters | |
CN114649001B (zh) | 基于自适应随机共振的营运风机水下声信号特征提取方法 | |
CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
Lobato et al. | Stochastic modelling of the transform domain LMS algorithm for a time-varying environment | |
Zhang et al. | A humanoid method for extracting abnormal engine sounds from engine acoustics based on adaptive Volterra filter |
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 |