CN110362902B - 一种基于区间逐维分析的单源动载荷识别方法 - Google Patents

一种基于区间逐维分析的单源动载荷识别方法 Download PDF

Info

Publication number
CN110362902B
CN110362902B CN201910591592.1A CN201910591592A CN110362902B CN 110362902 B CN110362902 B CN 110362902B CN 201910591592 A CN201910591592 A CN 201910591592A CN 110362902 B CN110362902 B CN 110362902B
Authority
CN
China
Prior art keywords
dynamic load
value
obtaining
parameter
interval
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
Application number
CN201910591592.1A
Other languages
English (en)
Other versions
CN110362902A (zh
Inventor
姜楠
许孟辉
杜建科
张明华
丁本杰
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.)
Ningbo University
Original Assignee
Ningbo 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 Ningbo University filed Critical Ningbo University
Priority to CN201910591592.1A priority Critical patent/CN110362902B/zh
Publication of CN110362902A publication Critical patent/CN110362902A/zh
Application granted granted Critical
Publication of CN110362902B publication Critical patent/CN110362902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于区间逐维分析的单源动载荷识别方法。首先，在结构确定性参数条件下，以核函数矩阵、测量位移响应信号与最佳正则化参数建立动载荷识别模型；其次，确定最佳平方逼近函数的阶数及高斯积分点，以高斯积分点对区间参数抽样，在每个样本输入下利用动载荷识别模型获得样本输出，基于切比雪夫正交多项式获得每个时刻动载荷关于每个区间参数的最佳平方逼近函数；最后，利用最佳平方逼近函数获得任意时刻的动载荷关于所有区间参数的最值点向量，在最值点向量处以动载荷识别模型获得任意时刻的动载荷界限，最终完成动载荷区间时间历程的识别。本发明考虑了小样本条件下结构参数不确定性对动载荷识别结果的影响规律，适用于非线性映射关系下大不确定性输入问题，可以用于指导动载荷测量领域结构外部激励的确定。

Description

一种基于区间逐维分析的单源动载荷识别方法
技术领域
本发明涉及动载荷测量的技术领域，具体涉及区间参数结构的一种单源动载荷识别方法，适用于小样本条件下结构动力学分析、设计、优化与控制领域内外部激励的确定。
背景技术
近年来，我国在诸如大型飞机、航母舰艇、大型桥梁、高速列车等重大装备和工程建设方面快速发展。在这些军民用领域内，包括动力学分析、设计与优化、结构健康监测、疲劳寿命估计、鲁棒控制等在内的精细化管理对提高装备在服役周期内的动力学特性、经济性、可靠性与安全性至关重要。然而，准确获取动载荷是实施结构精细化管理的必要前提。动载荷识别是一项基于结构动态特性及测量响应信号来反演外部激励的技术，用以克服外部激励难以直接测量或不可测量的客观条件限制，如飞行器大攻角飞行的涡流载荷、海洋平台水载荷、战斗机内埋弹舱气动载荷、高层建筑阵风载荷等。
然而，在动载荷识别过程中广泛存在多源不确定性，包括结构物理参数(如材料参数与几何参数)、模型参数(如边界条件参数)、环境参数(如测量噪声)等，且这些不确定性对动载荷识别结果的影响不可忽略从不确定性角度出发，现有动载荷识别方法包括：其一，传统确定性参数条件下动载荷识别方法，这类方法中所有参数取值为固定值，因此无法评估结构与环境固有的不确定性效应；其二，以随机变量建模不确定性参数并实现动载荷不确定性效应的定量化，这类方法需要大容量试验数据来拟合随机变量的概率密度函数，因此无法适用于小样本条件下动载荷识别结果不确定性的定量化；其三，以区间数建模不确定性参数并以线性泰勒级数展开获得动载荷区间时间历程，这类方法采用线性函数逼近初始函数，因此对存在非线性映射关系的不确定性问题无能为力。
综上所述，现有技术存在的问题是：
(1)由于所有参数取值为固定值，传统确定性环境下的动载荷识别方法不能评估结构不确定性对动载荷识别结果的定量化影响。
(2)由于需要大容量试验数据来拟合随机变量的概率密度函数，基于随机变量建模的动载荷识别方法不能用来定量化小样本条件下结构不确定性对动载荷识别结果的影响。
(3)由于用线性泰勒级数展开来逼近初始函数，基于泰勒级数展开的动载荷识别方法不能用来评估存在非线性映射关系下结构不确定性对动载荷识别结果的影响。
解决上述问题的主要困难在于发明一种非线性映射关系的逼近函数与一种非线性逼近条件下区间传播技术，这些问题的解决对结构参数试验数据不足条件下完成动载荷识别具有重要意义，如飞行器初始设计阶段中很多结构参数没有足够的试验数据，而获得飞行器结构的动载荷激励是进行飞行器结构设计的必须条件，本发明专利可以有效解决这类问题。
发明内容
本发明要解决的技术问题是：在参数小样本条件下，考虑结构参数的不确定性对动载荷识别结果的影响，克服该问题现有解决方法不适用于非线性映射关系下大不确定性输入情形的限制，提出一种单源动载荷识别方法。
本发明的技术方案是一种基于区间逐维分析的单源动载荷识别方法，其实现步骤是：
第一步：给定由n个结构参数a1,a2,...,an组成的列向量
Figure GDA0003927414930000021
模态截断阶数N0，获得结构有限元模型的刚度矩阵K与质量矩阵M，刚度矩阵K的行数记为N，特征多项式为|K-λM|，其中|·|表示矩阵行列式，获得特征多项式的零点获得由小到大排列的N个特征值，将前N0个特征值代入特征方程，求解获得第i阶模态向量
Figure GDA0003927414930000022
第二步：根据第一步中刚度矩阵K、质量矩阵M、第i阶模态向量
Figure GDA0003927414930000023
给定比例阻尼参数α和β，获得第i阶模态刚度kpi、模态质量mpi，频率ωi、阻尼比ζi及阻尼频率ωdi，获得第i阶格林函数hi在时刻t处的取值hi(t)；
第三步：给定时间步长Δt及测量总步数M0，获得第二步中第i阶格林函数hi在M0个时刻Δt,...,(M0-1)Δt,M0Δt的取值，记为
Figure GDA0003927414930000024
给定单源动载荷在结构有限元模型中的自由度索引值k，给定测量位移响应信号在结构有限元模型中的自由度索引值
Figure GDA0003927414930000025
获得位移响应信号在时刻Δt,2Δt,...,M0Δt处的取值，以列向量
Figure GDA0003927414930000026
表示，其中y1是位移响应信号在时刻Δt处的取值，y2是位移响应信号在时刻2Δt处的取值，
Figure GDA0003927414930000027
是位移响应信号在时刻M0Δt处的取值，获得核函数矩阵G；
第四步：根据第三步中核函数矩阵G，获得最优正则化参数αopt，待识别载荷以载荷列向量
Figure GDA0003927414930000028
表示，其中f1表示待识别载荷在0时刻的取值，f2表示待识别载荷在Δt时刻的取值，
Figure GDA00039274149300000210
表示待识别载荷在(M0-1)Δt时刻的取值，由G、αopt及
Figure GDA0003927414930000029
建立载荷列向量
Figure GDA0003927414930000031
的动载荷识别模型；
第五步：第四步中载荷列向量
Figure GDA0003927414930000032
依赖于结构参数列向量
Figure GDA0003927414930000033
以区间数对
Figure GDA0003927414930000034
的每个分量建模，获得区间数列向量
Figure GDA0003927414930000035
其中
Figure GDA0003927414930000036
表示第1个参数的波动范围，
Figure GDA0003927414930000037
是第1个参数的下界，
Figure GDA0003927414930000038
是第1个参数的上界，
Figure GDA0003927414930000039
表示第2个参数的波动范围，
Figure GDA00039274149300000310
是第2个参数的下界，
Figure GDA00039274149300000311
是第2个参数的上界，
Figure GDA00039274149300000312
表示第n个参数的波动范围，
Figure GDA00039274149300000313
是第n个参数的下界，
Figure GDA00039274149300000314
是第n个参数的上界，aI的上界列向量表示为
Figure GDA00039274149300000315
aI的下界列向量表示为
Figure GDA00039274149300000316
aI的中点列向量表示为ac，aI的半径列向量记为ar，给定最佳平方逼近函数的阶数N1，给定高斯积分点xG的维数m，满足m≥2N1+1，获得高斯积分点列向量xG，利用xG对结构参数进行抽样，并将样本点存储于分块形式的输入样本点矩阵Binput，Binput的任一列对应
Figure GDA00039274149300000317
的一次实现；
第六步：将第一步中列向量
Figure GDA00039274149300000318
依次取值为第五步中输入样本点矩阵Binput的每一列，重复第一步至第四步，获得
Figure GDA00039274149300000319
在每个样本点处的取值，并以Binput的按列分块格式存储于输出样本点矩阵Foutput，根据Foutput及最佳平方逼近理论建立
Figure GDA00039274149300000320
的第l个分量关于第j个结构参数的最佳平方逼近函数g(l,j)(x)；
第七步：根据第六步中g(l,j)(x)，获得其一阶导函数的零点，将所获得的零点同标准区间[-1,1]的端点组成极值点向量x(l,j)，获得
Figure GDA00039274149300000321
的第l个分量关于第j个结构参数的最小值点
Figure GDA00039274149300000322
和最大值点
Figure GDA00039274149300000323
将j依次取值1至n，获得
Figure GDA00039274149300000324
的第l个分量的最小值点向量
Figure GDA00039274149300000325
和最大值点向量
Figure GDA00039274149300000326
将
Figure GDA00039274149300000327
和
Figure GDA00039274149300000328
转化至aI张成的子空间内，获得结构参数最小值点列向量
Figure GDA00039274149300000329
和结构参数最大值点列向量
Figure GDA00039274149300000330
将第一步中
Figure GDA00039274149300000331
取值
Figure GDA00039274149300000332
并经第一步至第四步可获得
Figure GDA00039274149300000333
的第l个分量的下界fl L，将第一步中
Figure GDA00039274149300000334
取值
Figure GDA00039274149300000335
并经第一步至第四步可获得
Figure GDA00039274149300000336
的第l个分量的上界fl U；
第八步：将l依次取值1至M0并经第七步可以获得
Figure GDA00039274149300000337
的下界
Figure GDA00039274149300000338
和上界
Figure GDA00039274149300000339
最终获得动载荷区间向量为
Figure GDA00039274149300000340
完成动载荷区间时间历程的识别。
本发明与现有技术相比的优点在于：
(1)本发明采用基于切比雪夫多项式的最佳平方逼近函数，这是一个非线性函数，而现有技术采用基于线性泰勒级数展开函数。与现有技术相比，本发明可以用来定量化存在非线性映射关系下结构不确定性对动载荷识别结果的影响。
(2)本发明采用区间逐维方法获得动载荷识别结果的不确定性效应，现有技术采用区间自然扩展方法，而区间自然扩张方法会不可避免地导致动载荷识别结果的过度保守估计，而本发明摒弃区间自然扩张方法，可以避免动载荷识别结果的过度保守估计。
附图说明
图1为基于区间逐维分析的单源动载荷识别方法的原理图；
图2为基于区间逐维分析的单源动载荷识别方法的流程图；
图3为二十五杆空间刚架结构；
图4为测量位移响应信号；
图5为动载荷区间时间历程的识别结果。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
本发明提出一种基于区间逐维分析的单源动载荷识别方法。如图2，首先，在结构确定性参数条件下，基于结构有限元模型确定各阶模态向量及格林函数，给定时间步长及测量总步数以获得核函数矩阵，以核函数矩阵与测量位移响应信号获得最佳正则化参数，建立结构确定性参数条件下的动载荷识别模型；其次，确定最佳平方逼近函数的阶数及高斯积分点，以高斯积分点对区间参数抽样，在每个样本输入下利用动载荷识别模型获得样本输出，基于切比雪夫正交多项式获得每个时刻动载荷关于每个区间参数的最佳平方逼近函数；最后，利用最佳平方逼近函数获得任意时刻的动载荷关于所有区间参数的最值点向量，在最值点向量处以动载荷识别模型获得任意时刻的动载荷界限，最终完成动载荷区间时间历程的识别。
第一步：给定由n个结构参数a1,a2,...,an组成的列向量
Figure GDA0003927414930000041
获得结构有限元模型的刚度矩阵K与质量矩阵M，刚度矩阵K的行数记为N，结构特征多项式为|K-λM|，其中|·|表示矩阵行列式，获得特征多项式的零点获得N个特征值，按照由小到大的顺序排列表示为λ1,...,λi,...,λN，其中λ1是第1阶特征值，λi是第i阶特征值，λN是第N阶特征值，给定满足1≤N0≤N的模态截断阶数N0，将前N0阶特征值代入特征方程中，
Figure GDA0003927414930000051
求解获得第1阶模态向量
Figure GDA0003927414930000052
第i阶模态向量
Figure GDA0003927414930000053
第N0阶模态向量
Figure GDA0003927414930000054
第二步：根据第一步中刚度矩阵K、质量矩阵M、第i阶模态向量
Figure GDA0003927414930000055
获得第i阶模态刚度kpi和第i阶模态质量mpi，有
Figure GDA0003927414930000056
其中上标T表示转置运算，给定比例阻尼参数α和β，获得第i阶频率ωi、第i阶阻尼比ζi及第i阶阻尼频率ωdi，有
Figure GDA0003927414930000057
获得第i阶格林函数hi在时刻t处的取值hi(t)为
Figure GDA0003927414930000058
第三步：给定时间步长Δt及测量总步数M0，获得第二步中第i阶格林函数hi在M0个时刻Δt,...,(M0-1)Δt,M0Δt的取值，记为
Figure GDA0003927414930000059
给定单源动载荷在结构有限元模型中的自由度索引值k，给定测量位移响应信号在结构有限元模型中的自由度索引值
Figure GDA00039274149300000510
获得位移响应信号在时刻Δt,2Δt,...,M0Δt处的取值，以列向量
Figure GDA00039274149300000511
表示，其中y1是位移响应信号在时刻Δt处的取值，y2是位移响应信号在时刻2Δt处的取值，
Figure GDA00039274149300000517
是位移响应信号在时刻M0Δt处的取值，获得核函数矩阵G为
Figure GDA00039274149300000512
其中
Figure GDA00039274149300000513
表示第i阶模态向量
Figure GDA00039274149300000514
的第k个分量，
Figure GDA00039274149300000515
表示第i阶模态向量的第
Figure GDA00039274149300000516
个分量；
第四步：根据第三步中核函数矩阵G，获得最优正则化参数αopt
Figure GDA0003927414930000061
其中I是M0×M0阶单位矩阵，tr(·)表示矩阵的迹，||·||表示向量2-范数，待识别载荷以载荷列向量
Figure GDA0003927414930000062
表示，其中f1表示待识别载荷在0时刻的取值，f2表示待识别载荷在Δt时刻的取值，
Figure GDA0003927414930000063
表示待识别载荷在(M0-1)Δt时刻的取值，载荷列向量
Figure GDA0003927414930000064
的动载荷识别模型为
Figure GDA0003927414930000065
第五步：第四步中载荷列向量
Figure GDA0003927414930000066
依赖于结构参数列向量
Figure GDA0003927414930000067
基于
Figure GDA0003927414930000068
的试验数据以区间数对
Figure GDA0003927414930000069
的每个分量建模，获得区间数列向量
Figure GDA00039274149300000610
其中
Figure GDA00039274149300000611
表示第1个参数的波动范围，
Figure GDA00039274149300000612
是第1个参数的下界，
Figure GDA00039274149300000613
是第1个参数的上界，
Figure GDA00039274149300000614
表示第2个参数的波动范围，
Figure GDA00039274149300000615
是第2个参数的下界，
Figure GDA00039274149300000616
是第2个参数的上界，
Figure GDA00039274149300000617
表示第n个参数的波动范围，
Figure GDA00039274149300000618
是第n个参数的下界，
Figure GDA00039274149300000619
是第n个参数的上界，aI的上界列向量表示为
Figure GDA00039274149300000620
aI的下界列向量表示为
Figure GDA00039274149300000621
aI的中点列向量ac为
Figure GDA00039274149300000622
其中
Figure GDA00039274149300000623
表示第1个参数的中点值，
Figure GDA00039274149300000624
表示第2个参数的中点值，
Figure GDA00039274149300000625
表示第n个参数的中点值，aI的半径列向量ar为
Figure GDA00039274149300000626
其中
Figure GDA00039274149300000627
表示第1个参数的半径，
Figure GDA00039274149300000628
表示第2个参数的半径，
Figure GDA00039274149300000629
表示第n个参数的半径，给定最佳平方逼近函数的阶数N1，给定高斯积分点xG的维数m，满足m≥2N1+1，获得高斯积分点列向量xG为
xG＝[x1,x2,...,xm]T
利用xG对结构参数进行抽样，并将样本点存储于分块形式的输入样本点矩阵Binput，即
Figure GDA0003927414930000071
矩阵
Figure GDA0003927414930000072
的第k1行第k2列位置的元素
Figure GDA0003927414930000073
为
Figure GDA0003927414930000074
矩阵
Figure GDA0003927414930000075
的第k1行第k2列位置的元素
Figure GDA0003927414930000076
为
Figure GDA0003927414930000077
矩阵
Figure GDA0003927414930000078
的第k1行第k2列位置的元素
Figure GDA0003927414930000079
为
Figure GDA00039274149300000710
第六步：将第一步中列向量
Figure GDA00039274149300000711
依次取值为第五步中输入样本点矩阵Binput的每一列，重复第一步至第四步，获得
Figure GDA00039274149300000712
在每个样本点处的取值，并以Binput的按列分块格式存储于输出样本点矩阵Foutput，即
Foutput＝[F1,...,Fj,...,Fn]
F1的每一列表示
Figure GDA00039274149300000713
依次取值
Figure GDA00039274149300000714
的相同列并经第一步至第四步而获得的
Figure GDA00039274149300000715
的值，Fj的每一列表示
Figure GDA00039274149300000716
依次取值
Figure GDA00039274149300000717
的相同列并经第一步至第四步而获得的
Figure GDA00039274149300000718
的值，Fn的每一列表示
Figure GDA00039274149300000719
依次取值
Figure GDA00039274149300000720
的相同列并经第一步至第四步而获得的
Figure GDA00039274149300000721
的值，根据Foutput及最佳平方逼近理论建立
Figure GDA00039274149300000722
的第l个分量关于第j个结构参数的最佳平方逼近函数g(l,j)(x)，即
Figure GDA00039274149300000723
其中
Figure GDA00039274149300000724
表示第k3阶切比雪夫多项式，多项式系数
Figure GDA00039274149300000725
表示为
Figure GDA00039274149300000726
Figure GDA00039274149300000727
表示第五步中xG的第k4个分量，
Figure GDA00039274149300000728
表示矩阵Fj中第l行第k4列位置的元素，
Figure GDA00039274149300000729
表示第m阶切比雪夫多项式Um(x)的一阶导函数在
Figure GDA00039274149300000730
处的取值；
第七步：根据第六步中g(l,j)(x)，获得其一阶导函数的零点，即
Figure GDA0003927414930000081
将所获得的零点同标准区间[-1,1]的端点组成极值点向量x(l,j)，获得
Figure GDA0003927414930000082
的第l个分量关于第j个结构参数的最小值点
Figure GDA0003927414930000083
和最大值点
Figure GDA0003927414930000084
即
Figure GDA0003927414930000085
将j依次取值1至n，获得
Figure GDA0003927414930000086
的第l个分量的最小值点向量
Figure GDA0003927414930000087
和最大值点向量
Figure GDA0003927414930000088
即
Figure GDA0003927414930000089
将
Figure GDA00039274149300000810
和
Figure GDA00039274149300000811
转化至aI张成的子空间内，获得结构参数最小值点列向量
Figure GDA00039274149300000812
和结构参数最大值点列向量
Figure GDA00039274149300000813
即
Figure GDA00039274149300000814
符号
Figure GDA00039274149300000815
表示两个向量对应位置元素相乘，将第一步中
Figure GDA00039274149300000816
取值
Figure GDA00039274149300000817
并经第一步至第四步可获得
Figure GDA00039274149300000818
的第l个分量的下界fl L，将第一步中
Figure GDA00039274149300000819
取值
Figure GDA00039274149300000820
并经第一步至第四步可获得
Figure GDA00039274149300000821
的第l个分量的上界fl U；
第八步：将l依次取值1至M0并经第七步可以获得
Figure GDA00039274149300000822
的下界
Figure GDA00039274149300000823
和上界
Figure GDA00039274149300000824
Figure GDA00039274149300000825
Figure GDA00039274149300000826
最终获得动载荷区间向量为
Figure GDA00039274149300000827
完成动载荷区间时间历程的识别。
以图3所示的底边四个点固支的二十五杆空间刚架结构为对象，选择欧拉-伯努利梁模拟刚架结构中每个圆柱形杆件的变形特性并建立刚架结构的有限元模型。根据杆件横截面积的不同，将杆件分为7组。考虑横截面积的分散性，以区间数建模并列于表1中。在节点1处的x方向施加载荷f(t)＝1000e-5tsin(20t)，选择节点4处的y方向位移的测量信号，位移响应的时间历程如图4所示。利用本发明方法识别的动载荷下界、上界如图5所示，其中载荷名义值指不考虑结构参数不确定性条件下的动载荷识别结果，原始载荷指所施加的待识别载荷f(t)。
从结果可以看出结构参数波动对动载荷识别结果具有明显影响，待识别载荷位于所识别的动载荷界限之内，这说明了本发明的有效性。在结构参数取值为相应区间数中点值条件下，图5中载荷名义值与真实载荷之间存在明显的误差，导致难以利用传统确定性条件下的动载荷识别方法来获得真实载荷的时间历程。综上所述，本发明可以有效地定量小样本条件下结构不确定性对动载荷识别结果的影响。
表1
杆件编号 横截面积(平方米)
1 [9.00,11.0]E-6
2,3,4,5 [7.20,8.80]E-5
6,7,8,9 [6.75,8.25]E-5
10,11,12,13 [6.30,7.70]E-5
14,15,16,17 [1.80,2.20]E-4
18,19,20,21 [1.35,1.65]E-4
22,23,24,25 [3.60,4.40]E-4
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (3)

1.一种基于区间逐维分析的单源动载荷识别方法，其特征在于包括以下步骤：
第一步：给定由n个结构参数a1,a2,...,an组成的列向量
Figure FDA0002116309190000011
模态截断阶数N0，获得结构有限元模型的刚度矩阵K与质量矩阵M，刚度矩阵K的行数记为N，特征多项式为|K-λM|，其中|·|表示矩阵行列式，获得特征多项式的零点获得由小到大排列的N个特征值，将前N0个特征值代入特征方程，求解获得第i阶模态向量
Figure FDA0002116309190000012
第二步：根据第一步中刚度矩阵K、质量矩阵M、第i阶模态向量
Figure FDA0002116309190000013
比例阻尼参数α和β，获得第i阶模态刚度kpi、模态质量mpi，频率ωi、阻尼比ζi及阻尼频率ωdi，获得第i阶格林函数hi在时刻t处的取值hi(t)；
第三步：给定时间步长Δt及测量总步数M0，获得第二步中第i阶格林函数hi在M0个时刻Δt,...,(M0-1)Δt,M0Δt的取值，记为
Figure FDA0002116309190000014
给定单源动载荷在结构有限元模型中的自由度索引值k，给定测量位移响应信号在结构有限元模型中的自由度索引值
Figure FDA0002116309190000015
获得位移响应信号在时刻Δt,2Δt,...,M0Δt处的取值，以列向量
Figure FDA0002116309190000016
表示，其中y1是位移响应信号在时刻Δt处的取值，y2是位移响应信号在时刻2Δt处的取值，
Figure FDA0002116309190000017
是位移响应信号在时刻M0Δt处的取值，获得核函数矩阵G；
第四步：根据第三步中核函数矩阵G，获得最优正则化参数αopt，待识别载荷以载荷列向量
Figure FDA0002116309190000018
表示，其中f1表示待识别载荷在0时刻的取值，f2表示待识别载荷在Δt时刻的取值，
Figure FDA0002116309190000019
表示待识别载荷在(M0-1)Δt时刻的取值，由G、αopt及
Figure FDA00021163091900000110
建立载荷列向量
Figure FDA00021163091900000111
的动载荷识别模型；
第五步：第四步中载荷列向量
Figure FDA00021163091900000112
依赖于结构参数列向量
Figure FDA00021163091900000113
以区间数对
Figure FDA00021163091900000114
的每个分量建模，获得区间数列向量
Figure FDA00021163091900000115
其中
Figure FDA00021163091900000116
表示第1个参数的波动范围，
Figure FDA00021163091900000117
是第1个参数的下界，
Figure FDA00021163091900000118
是第1个参数的上界，
Figure FDA00021163091900000119
表示第2个参数的波动范围，
Figure FDA00021163091900000120
是第2个参数的下界，
Figure FDA00021163091900000121
是第2个参数的上界，
Figure FDA00021163091900000122
表示第n个参数的波动范围，
Figure FDA00021163091900000123
是第n个参数的下界，
Figure FDA00021163091900000124
是第n个参数的上界，aI的上界列向量表示为
Figure FDA00021163091900000125
aI的下界列向量表示为
Figure FDA00021163091900000126
aI的中点列向量表示为ac，aI的半径列向量记为ar，给定最佳平方逼近函数的阶数N1，给定高斯积分点xG的维数m，满足m≥2N1+1，获得高斯积分点列向量xG，利用xG对结构参数进行抽样，并将样本点存储于分块形式的输入样本点矩阵Binput，Binput的任一列对应
Figure FDA0002116309190000021
的一次实现；
第六步：将第一步中列向量
Figure FDA0002116309190000022
依次取值为第五步中输入样本点矩阵Binput的每一列，重复第一步至第四步，获得
Figure FDA0002116309190000023
在每个样本点处的取值，并以Binput的按列分块格式存储于输出样本点矩阵Foutput，根据Foutput及最佳平方逼近理论建立
Figure FDA0002116309190000024
的第l个分量关于第j个结构参数的最佳平方逼近函数g(l,j)(x)；
第七步：根据第六步中g(l,j)(x)，获得其一阶导函数的零点，将所获得的零点同标准区间[-1,1]的端点组成极值点向量x(l,j)，获得
Figure FDA0002116309190000025
的第l个分量关于第j个结构参数的最小值点
Figure FDA0002116309190000026
和最大值点
Figure FDA0002116309190000027
将j依次取值1至n，获得
Figure FDA0002116309190000028
的第l个分量的最小值点向量
Figure FDA0002116309190000029
和最大值点向量
Figure FDA00021163091900000210
将
Figure FDA00021163091900000211
和
Figure FDA00021163091900000212
转化至aI张成的子空间内，获得结构参数最小值点列向量
Figure FDA00021163091900000213
和结构参数最大值点列向量
Figure FDA00021163091900000214
将第一步中
Figure FDA00021163091900000215
取值
Figure FDA00021163091900000216
并经第一步至第四步可获得
Figure FDA00021163091900000217
的第l个分量的下界fl L，将第一步中
Figure FDA00021163091900000218
取值
Figure FDA00021163091900000219
并经第一步至第四步可获得
Figure FDA00021163091900000220
的第l个分量的上界fl U；
第八步：将l依次取值1至M0并经第七步可以获得
Figure FDA00021163091900000221
的下界
Figure FDA00021163091900000222
和上界
Figure FDA00021163091900000223
最终获得动载荷区间向量为
Figure FDA00021163091900000224
完成动载荷区间时间历程的识别。
2.根据权利要求1所述的一种基于区间逐维分析的单源动载荷识别方法，其特征在于，所述方法用基于切比雪夫正交多项式的最佳平方逼近函数代替线性泰勒级数展开。
3.根据权利要求1所述的一种基于区间逐维分析的单源动载荷识别方法，其特征在于，所述方法以区间逐维方法代替区间自然扩张方法。
CN201910591592.1A 2019-07-02 2019-07-02 一种基于区间逐维分析的单源动载荷识别方法 Active CN110362902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910591592.1A CN110362902B (zh) 2019-07-02 2019-07-02 一种基于区间逐维分析的单源动载荷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910591592.1A CN110362902B (zh) 2019-07-02 2019-07-02 一种基于区间逐维分析的单源动载荷识别方法

Publications (2)

Publication Number Publication Date
CN110362902A CN110362902A (zh) 2019-10-22
CN110362902B true CN110362902B (zh) 2023-01-03

Family

ID=68217709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910591592.1A Active CN110362902B (zh) 2019-07-02 2019-07-02 一种基于区间逐维分析的单源动载荷识别方法

Country Status (1)

Country Link
CN (1) CN110362902B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111177966B (zh) * 2019-12-30 2021-10-01 北京航空航天大学 一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法
CN112329142B (zh) * 2020-11-04 2022-07-01 北京航空航天大学 一种基于支持向量回归的机翼结构不确定动态载荷识别方法
CN112528366B (zh) * 2020-12-03 2022-09-20 合肥工业大学 一种桥梁区间移动荷载识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956368A (zh) * 2016-04-21 2016-09-21 北京航空航天大学 一种复合材料层合结构的非概率动力可靠性评估方法
CN108846149A (zh) * 2018-04-20 2018-11-20 北京航空航天大学 一种基于多源不确定性的结构分布式动态载荷识别的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526898B (zh) * 2017-09-13 2019-12-27 大连理工大学 变刚度复合材料板壳结构建模分析与可靠度优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956368A (zh) * 2016-04-21 2016-09-21 北京航空航天大学 一种复合材料层合结构的非概率动力可靠性评估方法
CN108846149A (zh) * 2018-04-20 2018-11-20 北京航空航天大学 一种基于多源不确定性的结构分布式动态载荷识别的方法

Also Published As

Publication number Publication date
CN110362902A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110362902B (zh) 一种基于区间逐维分析的单源动载荷识别方法
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
CN111324949B (zh) 一种考虑噪声影响的工程结构柔度识别方法
CN107085633B (zh) 基于支持向量机的多点振动响应频域预测的装置及方法
CN109558635B (zh) 一种基于单元模态应变能灵敏度的结构区间不确定性损伤识别方法
CN114117840B (zh) 一种基于仿真和试验数据混合驱动的结构性能预测方法
CN107862170B (zh) 一种基于动态缩聚的有限元模型修正方法
CN106156501A (zh) 一种基于挠度影响线的桥梁局部损伤量化方法
CN108038315A (zh) 一种基于谱随机有限元模型的随机动载荷识别方法
CN107220450B (zh) 一种非均匀材料连续分布力学参数场间接获取方法
CN112949131B (zh) 连续桥梁集群损伤诊断的概率损伤定位向量法
CN115455793A (zh) 基于多尺度模型修正的高层结构复杂构件受力分析方法
CN113408200B (zh) 航空装备振动环境分析和预测方法
CN117594164A (zh) 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统
CN114254533B (zh) 考核疲劳振动对产品组部件固定角度影响和预测的方法
CN113408040B (zh) 一种土木工程中的模拟数据修正方法及系统
KR102230397B1 (ko) 변형률 및 가속도값에 기반한 구조물의 변위 추정방법
Nazari et al. A new method for damage detection in symmetric beams using artificial neural network and finite element method
Hakim et al. A sensitivity analysis on the damage identification capability of artificial neural networks
Kopsaftopoulos et al. Vibration–based structural damage detection and precise assessment via stochastic functionally pooled models
CN116502059A (zh) 一种长短期记忆网络下基于加速度的应变预测方法
CN114692279B (zh) 抗边界约束干扰的时变刚度参数识别方法、存储介质及设备
CN111563338B (zh) 一种考虑有界测量误差的桁架结构动载荷识别方法
CN114021403B (zh) 基于应变模态的承力结构件损伤识别方法及系统
Zhang Development and Experimental Validation of Dynamic Bayesian Networks for System Reliability Prediction

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