CN109580146A - 一种基于改进稀疏分量分析的结构振动参数识别方法 - Google Patents
一种基于改进稀疏分量分析的结构振动参数识别方法 Download PDFInfo
- Publication number
- CN109580146A CN109580146A CN201811444261.7A CN201811444261A CN109580146A CN 109580146 A CN109580146 A CN 109580146A CN 201811444261 A CN201811444261 A CN 201811444261A CN 109580146 A CN109580146 A CN 109580146A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- component analysis
- sparse component
- structural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 230000006872 improvement Effects 0.000 title description 4
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000013016 damping Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 3
- 238000007621 cluster analysis Methods 0.000 claims 2
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000005284 excitation Effects 0.000 abstract description 4
- 230000036541 health Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000006243 chemical reaction Methods 0.000 description 3
- 102000002274 Matrix Metalloproteinases Human genes 0.000 description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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，具体公开了一种基于改进稀疏分量分析的结构振动参数识别方法，可有效准确地从结构响应信号中提取出结构的动力特性，包括自振频率、阻尼比、振型；本方法同时适用于处理环境激励下和非稳态振动响应信号，能有效识别出频率相近以及低能量的模态。
Description
技术领域
本发明属于结构健康监测技术领域，具体提供了一种基于改进稀疏分量分析的结构振动参数识别方法。
背景技术
运行模态分析，通过仅测量输出(即结构动力响应)识别出结构的模态参数，是结构性能评价和损伤识别的一种重要手段。经典的运行模态分析方法，大多是基于结构动力学数学模型的参数识别，假定外部输入为平稳随机过程，因此仅适用于分析环境激励下和自由振动响应信号。
稀疏分量分析，是盲源分离中的一种方法，起源于语音信号领域，仅从采集的混合信号中分离出每个源信号。稀疏分量分析法，依据源信号在变换域中的稀疏性实现信号分离，无需假定结构动力模型；适用于欠定的情况，即采集的传感器数目少于源信号数目。因此，该方法在结构模态分析领域受到的关注逐步增加。
直接套用现有的稀疏分量分析法到结构模态分析中，有一定的局限性：1)需要人工指定一些参数，且参数选取直接影响识别结果的准确性，如聚类分析中的类数目需给定，但实际在分析前未知；2)基于有限数目传感器采集的振动信号，可能包含多组高相似度的模态振型，无法用现有方法区分开，如采集的振动信号来源于桥梁结构沿纵向的一侧，扭转模态信息会错误地与某个受弯模态信息归类为一簇，共同用于估计一个模态振型，直接影响识别出的模态信息准确性。
发明内容
为解决上述问题，本发明提出一种改进的稀疏分量分析方法，能够有效准确地从结构响应信号中提取出结构的动力特性，包括自振频率、阻尼比和振型。
为达到上述目的，本发明的技术方案如下：
一种基于改进稀疏分量分析的结构振动参数识别方法，具体实现方法是：
S1：对在结构上采集的时程信号X做线性时频变换Ψ，得到时频参数以及对应的频率F；
S2：识别出单源点，判断依据是时频参数实部与虚部的方向是否一致；
S3：通过对频率信息F和时频参数做两步聚类分析，估算出混合矩阵即结构的振型信息；
S31：根据频率信息F，对识别出的单源点做层次聚类分析，划分成多组单源点类，各组具有不同的频率范围；
S32：根据时频参数对每组单源点类分别做基于Dirichlet过程混合模型的聚类分析，得到类别数量和各自的混合向量；
S33：对两个关于类的统计参数(即频率的标准差和到簇中心距离的标准差)设置阙值，去除异常类；剩余的类按照频率均值由小到大排序，对应的混合向量组合成混合矩阵即结构振型；
S4：已知混合矩阵的情况下，通过Lq范数最小化(q≤1)，估算出源信号的时频表示即约束条件：
S5：通过时频变换的逆变换，恢复出时域内的源信号
S6：利用随机减量技术将源信号转换为自由衰减响应，从其对数衰减率中提取出结构的自振频率和阻尼比。
本发明的有益效果是：
本发明与现有技术相比，具有以下优点：
1、本方法不依赖于结构动力学数学模型，无假定的外部激励形式，因此同时适用于分析环境激励下和非稳态的振动响应信号，如车辆、人行激励下的桥梁振动，能有效识别出频率相近以及低能量的模态；
2、适用于传感器数目受限的情况，能准确识别出其中频率相近以及低能量的模态；通过两步聚类分析，可有效区分出基于有限数目传感器情况下得到的高相似度的模态振型；
3、与已有方法相比，降低了对用户指定参数的依赖性，可实现对户外采集的振动数据的自动模态分析。
附图说明
图1是本发明方法的流程图；
图2是单跨公路桥上加速度传感器布置示意图；
图3是两步聚类分析后识别出的桥梁结构前五阶振型信息；
图4是前五阶模态对应的自由衰减响应及提取出的频率、阻尼比信息。
具体实施方式
以下结合技术方案，通过一单跨公路桥在环境激励下的案例来说明本发明的具体实施方式。
一种基于改进稀疏分量分析的结构振动参数识别方法，步骤是：
S1：在桥梁两侧1/4跨、跨中、3/4跨的位置(如图2所示)分别布设加速度计采集振动信号，对采集的信号X做短时傅里叶变换，得到时频参数以及对应的频率F；
S2：根据时频参数的实部与虚部的方向是否一致，识别出其中的单源点；
S3：通过对频率信息F和时频参数做两步聚类分析，估算出混合矩阵即结构的振型信息；
S31：对识别出的单源点的频率信息F做层次聚类分析，得到五组单源点类，各组的频率中心分别为3.10Hz、4.98Hz、7.51Hz、11.41Hz和13.81Hz；
S32：对每组单源点类的时频参数分别做基于Dirichlet过程混合模型的聚类分析，得到类数目和各自的混合向量；
S33：去除异常类后，剩余的类按照频率均值由小到大排序，得到混合矩阵即结构振型，结果见图3；
S4：已知混合矩阵的情况下，通过L1范数最小化，估算出源信号的时频表示
S5：通过时频变换的逆变换，恢复出时域内的源信号
S6：利用随机减量技术将源信号转换为自由衰减响应，从其对数衰减率中提取出结构的自振频率和阻尼比，结果见图4。
Claims (2)
1.一种基于改进稀疏分量分析的结构振动参数识别方法，其特征在于：具体实现方法是：
S1：对在结构上采集的时程信号X做线性时频变换Ψ，得到时频参数以及对应的频率F；
S2：识别出单源点，判断依据是时频参数实部与虚部的方向是否一致；
S3：通过对频率信息F和时频参数做两步聚类分析，估算出混合矩阵即结构的振型信息；
S4：已知混合矩阵的情况下，通过Lq范数最小化(q≤1)，估算出源信号的时频表示即约束条件：
S5：通过时频变换的逆变换，恢复出时域内的源信号
S6：利用随机减量技术将源信号转换为自由衰减响应，从其对数衰减率中提取出结构的自振频率和阻尼比。
2.根据权利要求1一种基于改进稀疏分量分析的结构振动参数识别方法，其特征在于：步骤S3的具体方法是：
S31：根据频率信息F，对识别出的单源点做层次聚类分析，划分成多组单源点类，各组具有不同的频率范围；
S32：根据时频参数对每组单源点类分别做基于Dirichlet过程混合模型的聚类分析，得到类别数量和各自的混合向量；
S33：对两个关于类的统计参数，设置阙值，去除异常类；剩余的类按照频率均值由小到大排序，对应的混合向量组合成混合矩阵即结构振型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811444261.7A CN109580146B (zh) | 2018-11-29 | 2018-11-29 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811444261.7A CN109580146B (zh) | 2018-11-29 | 2018-11-29 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109580146A true CN109580146A (zh) | 2019-04-05 |
| CN109580146B CN109580146B (zh) | 2020-08-14 |
Family
ID=65925261
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811444261.7A Active CN109580146B (zh) | 2018-11-29 | 2018-11-29 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109580146B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426569A (zh) * | 2019-07-12 | 2019-11-08 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
| CN111985347A (zh) * | 2020-07-28 | 2020-11-24 | 广州汽车集团股份有限公司 | 一种白车身模态识别方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8725429B2 (en) * | 2011-05-27 | 2014-05-13 | Stress Engineering Services, Inc. | Fatigue monitoring |
| 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 |
| CN107943757A (zh) * | 2017-12-01 | 2018-04-20 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
| CN108491608A (zh) * | 2018-03-06 | 2018-09-04 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
| CN108594790A (zh) * | 2018-04-11 | 2018-09-28 | 浙江大学 | 一种基于结构化稀疏型主元分析的故障检测和分离方法 |
-
2018
- 2018-11-29 CN CN201811444261.7A patent/CN109580146B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8725429B2 (en) * | 2011-05-27 | 2014-05-13 | Stress Engineering Services, Inc. | Fatigue monitoring |
| 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 |
| CN107943757A (zh) * | 2017-12-01 | 2018-04-20 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
| CN108491608A (zh) * | 2018-03-06 | 2018-09-04 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
| CN108594790A (zh) * | 2018-04-11 | 2018-09-28 | 浙江大学 | 一种基于结构化稀疏型主元分析的故障检测和分离方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426569A (zh) * | 2019-07-12 | 2019-11-08 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
| CN110426569B (zh) * | 2019-07-12 | 2021-09-21 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
| CN111985347A (zh) * | 2020-07-28 | 2020-11-24 | 广州汽车集团股份有限公司 | 一种白车身模态识别方法及装置 |
| CN111985347B (zh) * | 2020-07-28 | 2024-02-02 | 广州汽车集团股份有限公司 | 一种白车身模态识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109580146B (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
| WO2019169544A1 (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 | |
| CN104330721B (zh) | 集成电路硬件木马检测方法和系统 | |
| CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
| CN102156873B (zh) | 一种基于混沌的机械零部件早期单点故障检测与分类方法 | |
| CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
| CN104849050A (zh) | 一种基于复合多尺度排列熵的滚动轴承故障诊断方法 | |
| CN107817098A (zh) | 一种高压断路器机械故障诊断方法 | |
| CN103942568A (zh) | 一种基于无监督特征选择的分类方法 | |
| CN106448694B (zh) | 一种基于复角检测的欠定盲源分离中的时频单源点提取方法 | |
| CN103761965B (zh) | 一种乐器信号的分类方法 | |
| CN106203437B (zh) | 个体驾驶行为特征识别方法和装置 | |
| CN102760444A (zh) | 基于支撑向量机的基带时域音频信号分类方法 | |
| CN108491608A (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 | |
| CN109238447A (zh) | 一种系绳振动信号的盲源分离方法 | |
| CN110749655A (zh) | 一种针对比例阻尼结构的复模态辨识方法 | |
| CN107478418A (zh) | 一种旋转机械故障特征自动提取方法 | |
| CN110176250A (zh) | 一种基于局部学习的鲁棒声学场景识别方法 | |
| CN109580146A (zh) | 一种基于改进稀疏分量分析的结构振动参数识别方法 | |
| CN103994820B (zh) | 一种基于微孔径麦克风阵列的运动目标识别方法 | |
| CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
| CN115061196B (zh) | 基于经验模态分解imf引导的微震信号识别方法 | |
| CN106248201B (zh) | 基于增强谱峭度的谐波成分检测方法 | |
| CN104715160B (zh) | 基于kmdb的软测量建模数据异常点检测方法 | |
| CN101727908A (zh) | 基于混合信号局部峰值方差检测的盲源分离方法 |
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 |