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 PDF

Info

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
vibration
class
component analysis
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
Application number
CN201811444261.7A
Other languages
English (en)
Other versions
CN109580146B (zh
Inventor
徐燕
郑宝锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201811444261.7A priority Critical patent/CN109580146B/zh
Publication of CN109580146A publication Critical patent/CN109580146A/zh
Application granted granted Critical
Publication of CN109580146B publication Critical patent/CN109580146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于改进稀疏分量分析的结构振动参数识别方法
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。
CN201811444261.7A 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 Active CN109580146B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
CN102664011B (zh) 一种快速说话人识别方法
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
CN109255094B (zh) 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN110375987A (zh) 一种基于深度森林机械轴承故障检测方法
CN103617429A (zh) 一种主动学习分类方法和系统
CN103942568A (zh) 一种基于无监督特征选择的分类方法
CN107145778B (zh) 一种入侵检测方法及装置
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
CN108415884B (zh) 一种结构模态参数实时追踪方法
CN105304078A (zh) 目标声数据训练装置和目标声数据训练方法
CN115580445B (zh) 一种未知攻击入侵检测方法、装置和计算机可读存储介质
CN115267531B (zh) 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法
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
CN112836720A (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
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
CN105241665A (zh) 一种基于IRBFNN-AdaBoost分类器的滚动轴承故障诊断方法
CN115221973A (zh) 一种基于增强加权异质集成学习的航空轴承故障诊断方法
CN107564530A (zh) 一种基于声纹能量特征的无人机检测方法
CN112528774A (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
Gao et al. Identification of cutting chatter through deep learning and classification
CN109614967A (zh) 一种基于负样本数据价值重采样的车牌检测方法
CN116188860A (zh) 一种参数自适应调节的结构监测异常数据的识别方法及装置
CN105469099A (zh) 基于稀疏表示分类的路面裂缝检测和识别方法

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