CN112417722B - 一种基于滑动窗npe的线性时变结构工作模态识别方法 - Google Patents
一种基于滑动窗npe的线性时变结构工作模态识别方法 Download PDFInfo
- Publication number
- CN112417722B CN112417722B CN202011268901.0A CN202011268901A CN112417722B CN 112417722 B CN112417722 B CN 112417722B CN 202011268901 A CN202011268901 A CN 202011268901A CN 112417722 B CN112417722 B CN 112417722B
- Authority
- CN
- China
- Prior art keywords
- time
- modal
- npe
- window
- mode
- 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
Images
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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Discrete Mathematics (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于滑动窗NPE的线性时变结构工作模态识别方法,具体包括:获取线性时时变结构在采样时间内的振动位移响应信号;依据“时间冻结”理论,将振动位移响应信号进行划分分解成有限个窗长为L的位移响应信号;根据每个窗口下的振动位移响应信号建立NPE求解工作模态参数的模型,获得该瞬时时刻的工作模态参数;拟合各个窗口的工作模态参数,得到线性时变结构的工作模态参数;采用模态置信参数评价模态振型识别的准确性,采用误差率评价固有频率的准确性。本发明提出的方法将流形学习中的NPE结合滑动窗技术应用于时变结构的工作模态参数识别,有效的识别线性时变结构的工作模态参数。
Description
技术领域
本发明涉及模态参数领域,特别是指一种基于滑动窗NPE的线性时变结构工作模态识别方法。
背景技术
模态是结构本身具有的振动特性,通过实验模态分析方法识别每阶模态的参数(如模态固有频率、振型、阻尼比等),我们可了解结构的动力学特性,进而做结构的损伤识别、设备的故障检测等。然而,对于许多大型复杂结构,可以利用的激励方式只有工作状态下的环境激励,导致无法对激励输入进行测量。不同于传统的实验模态分析(EMA),工作模态分析(OMA)可以仅从测得的振动响应信号中识别出模态参数。近些年,OMA是机械振动研究领域的热点,并得到了广泛的应用。
现实中多数工程结构都具有时变特性,结构的物理特性(质量、刚度、阻尼等)会随时间的变化而发生变化,因此,结构的模态参数也随着时间而发生变化。例如,列车过桥,发射卫星,旋转机械等都体现出结构的时变特性。结构的振动响应信号通常不能够一次性全部获得,而是通过随着时间变化而慢慢采样得到,因此需要根据结构的时变特性提出时变结构工作模态参数识别的方法。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于滑动窗NPE(邻域保留投影算法)的线性时变结构工作模态识别方法,将流形学习中的NPE结合滑动窗技术应用于时变结构的工作模态参数识别,有效的识别线性时变结构的工作模态参数,仅需要获取到结构的非平稳振动响应信号即可达到在线实时识别出线性时变结构的时变瞬态工作模态参数(瞬时工作模态振型和瞬时工作模态固有频率),较之于传统的需要同时测量激励与响应信号的试验模态参数识别技术具有较大的优势。
本发明采用如下技术方案:
拟合各个窗口的模态振型参数和固有频率参数,得到线性时变结构的工作模态参数;
采用模态置信参数评价模态振型识别的准确性,采用误差率评价固有频率的准确性。
具体地,所述线性时变振动结构系统的运动方程为:
具体地,所述有限个瞬时时不变结构系统的运动方程集合为:
其中,S'(t)表示为当t=τ时刻的时不变结构,S'表示一组由M个线性时不变结构所组成的时变结构集合。在模态坐标下,线性时变结构的振动位移响应信号表示一组瞬时时不变结构的位移响应信号集合;每个瞬时位移响信号可看成一个窗口做如下分解:
计算投影矩阵:通过求解以下式子的广义特征向量,计算线性投影A;
具体地,所述模态置信参数为:
具体地,所述误差率为:
其中,fij是滑动窗NPE识别的第i阶第j个窗口的固有频率,fij-理论是第i阶第j个窗口固有频率的理论值,m为窗口的个数。δi-avg的取值范围是δi-avg>0,且δi-avg越接近0,说明滑动窗NPE算法识别的固有频率精度越高。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
(1)本发明所述的滑动窗NPE的线性结构工作模态参数识别方法,能识别线性时变结构的工作模态参数(模态振型,模态频率)。该方法是一种工作模态参数识别方法(仅由实测响应信号即可识别出系统的特性),并从数学理论分析及实验上给予证明,赋予了该方法以物理解释,较之于传统的需要同时测量激励与响应信号的试验模态参数识别技术具有较大的优势。该方法主要思想是,运用滑动技术去追踪结构的时变特性,运用NPE算法去识别出结构各时刻的工作模态参数(包括各阶模态的固有频率和模态振型),然后各时刻求得的工作模态参数连接起来,从而实现时变线性结构工作模态参数识别。、
(2)该方法的步骤主要通过设置滑动窗窗长,在每个窗内建立NPE求解结构工作模态参数模型,最后拟合各个时刻的模态参数,从而追踪结构的时变特性,得到线性时变结构的模态参数。滑动窗NPE算法具有很低的时间和空间复杂度,且能有效识别出结构的工作模态参数。该方法仅需要获取到结构的非平稳振动响应信号即可达到在线实时识别出线性时变结构的时变瞬态工作模态参数(瞬时工作模态振型和瞬时工作模态固有频率),较之于传统的需要同时测量激励与响应信号的试验模态参数识别技术具有较大的优势。
附图说明
图1是基于滑动窗NPE的线性时变结构工作模态参数识别的流程图;
图2是质量慢时变三自由度有限元模型;
图3是MATLAB/Simulink线性时变三自由度仿真模型
图4是高斯白噪声和位移响应信号
图5是线性时变三自由度真实固有频率50s-1950s变化图
图6是基于滑动窗NPE性时变结构工作模态参数识别在50s-1950s时间段的固有频率变化图;
图7是基于滑动窗NPE性时变结构工作模态参数识别在50s-1950s时间段的置信系数MAC值变化图
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
结合短时时不变理论与邻域保留投影算法,利用滑动窗NPE算法在各窗内估计出各时刻的工作模态参数(包括各阶模态的固有频率和模态振型),然后各时刻求得的工作模态参数连接起来,从而实现时变线性结构工作模态参数识别,如图1,是本发明方法的流程图,具体步骤为:
2)依据“时间冻结”的理论,步骤1)时变结构的离散多自由度系统在某段极小的时间段τ∈[tbegin,tend]内,其质量,阻尼与刚度可以视为时不变的,因此,在完整的t∈[TBEGIN,TEND]时间段内,结构在物理坐标系中的动力学方程可表示为:
其中,S'(t)表示为当t=τ时刻的时不变结构,S'表示一组由M个线性时不变结构所组成的时变结构集合。
3)对于n自由度且阻尼较小的结构,假设在一个很短的时间段τ∈[tbegin,tend]内,系统被看成是短时时不变的,也就是说,时间t∈[TBEGIN,TEND]被划分成有限段τ∈[tbegin,tend],在每一个时间段t∈[TBEGIN,TEND]内,系统被认为是短时时不变的,从而利用时不变结构的工作模态参数识别算法,识别出该时间段的工作模态参数,窗口向右边滑动,即计算下一个时间段内工作模态参数,以此类推,最后将每个时间段按照时间顺序排列起来,从而形成时变结构的模态参数。
其中,响应数据的窗口长度为L,n表示的是传感器的个数,T表示采样时间,在第i个窗(τ∈[tbegin,tend]),线性系统的位移响应信号可分解为:
其中,表示在第i个窗内,由结构的n阶模态的振型向量所构成的模态振型矩阵,是由结构的n阶模态响应所组成的模态响应矩阵。当结构第i个窗口的每一阶模态固有频率都不相等时,各阶模态振型之间满足归一化正交,各阶模态响应相互不相关,如下:
其中,ml为第l阶模态质量。
9)按照步骤11)求得低维嵌入向量对应第i时刻的模态响应窗口的振动位移响应信号可分解为已知步骤11)求得的模态响应因此利用最小二乘法广义逆估计出模态振型矩阵,公式为最后通过傅里叶变换(FFT),将模态响应矩阵代入傅里叶变换(FFT)公式求得频域数据,其中频域数据中的幅值最大对应的固有频率为该阶的模态固有频率。
10)在识别第i(i=1,2,…,T+1-L)个窗内的工作模态参数后,窗口向右边滑动至(i+1)(i=1,2…TEND-L)个窗,按照步骤8)和13)继续识别第(i+1)(i=1,2…TEND-L)个窗的工作模态参数。直到识别完第(TEND+1-L)个窗口后,拟合各个窗口(时刻)的模态参数,从而追踪结构的时变特性,得到线性时变结构的模态参数。
11)采用模态置信参数MAC来定量评价振型识别的准确性,具体为:φi是被识别的第i阶的模态振型,代表真实的第i阶模态振型,和分别代表φi与的转置,代表两个向量的内积,表示φi和的相似程度,如果其值越接近1,则模态振型识别准确性越高。误差率(δi-avg)将用于评价识别固有频率的准确性,δi-avg的具体定义为fij是滑动窗NPE识别的第i阶第j个窗口的固有频率,fij-理论是第i阶第j个窗口固有频率的理论值,m为窗口的个数。δi-avg的取值范围是δi-avg>0,且δi-avg越接近0,说明滑动窗NPE算法识别的固有频率精度越高。
本实施例中,所述的基于滑动窗N的线性时变结构工作模态参数识别方法采用质量慢时变三自由度结构模拟时变结构,对于质量慢时变三自由度结构,在不考虑剪切变形的情况下,通过有限元建模模型如图2所示。
采样频率为40Hz,采样间隔为0.025s,采样时间为t=2000s,设系统的三阶模态位移的初始条件均为零,刚度设置为k1(t)=k2(t)=k3(t)=1000N/m,0≤t≤2000s;阻尼设置为c1(t)=c2(t)=c3(t)=0.01N.s/m,0≤t≤2000s;质量设置为m2(t)=m3(t)=1kg,0≤t≤2000s。上述的参数是时不变的,m1(t)是慢时变的
t时刻质量时变的的动力学方程表示为
m1(t)所收到的激励F1(t)为高斯白噪声,取50s后的慢时变数据进行研究。图3描述了三自由度弹簧振子系统在MATLAB/Simulink的建模。在Simulink模块中利用Runge-Kutta算法求解得到非平稳的位移响应信号X(t),白噪声和位移响应信号如图4所示。
图5为三自由度弹簧振子系统真实固有频率的变化图。图6为滑动窗NPE识别模态固有频率与真实固有频率的变化对比图,从图5与表2可知,滑动窗NPE算法能很好的跟踪结构的模态固有频率变化,识别效果好。
图7为滑动窗NPE识别的模态振型MAC值变化图,MAC值越接近1,说明识别的模态振型精度越高。从图7与表1可知,滑动窗NPE算法识别出的模态振型MAC值高。说明滑动窗NPE算法能很好识别出结构的模态振型。
在三自由度结构中施加白噪声激励后得到响应数据是,我们利用基于滑动窗滑动窗NPE的时变结构工作模态参数识别方法进行识别,识别的模态参数与利用有限元方法计算得到的模态参数以及真实的模态参数进行对比。
表1是50s-1950s各阶平均MAC值
表2 50s-1950s各阶固有频率平均误差率
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (6)
1.一种基于滑动窗NPE的线性时变结构工作模态识别方法,其特征在于,包括如下步骤:
获得模态振型参数和固有频率参数,具体包括:
计算投影矩阵:通过求解以下式子的广义特征向量,计算线性投影A;
拟合各个窗口的工作模态参数,得到线性时变结构的工作模态参数,所述工作模态参数包括模态振型参数和固有频率参数;
采用模态置信参数评价模态振型识别的准确性,采用误差率评价固有频率的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268901.0A CN112417722B (zh) | 2020-11-13 | 2020-11-13 | 一种基于滑动窗npe的线性时变结构工作模态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011268901.0A CN112417722B (zh) | 2020-11-13 | 2020-11-13 | 一种基于滑动窗npe的线性时变结构工作模态识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417722A CN112417722A (zh) | 2021-02-26 |
CN112417722B true CN112417722B (zh) | 2023-02-03 |
Family
ID=74831779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011268901.0A Active CN112417722B (zh) | 2020-11-13 | 2020-11-13 | 一种基于滑动窗npe的线性时变结构工作模态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417722B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015390A (zh) * | 2022-06-08 | 2022-09-06 | 华侨大学 | 基于mwtlmds的幕墙工作模态参数识别方法及系统 |
CN114912547A (zh) * | 2022-06-17 | 2022-08-16 | 华侨大学 | 一种线性时变结构的欠定工作模态参数识别方法和系统 |
CN116776708B (zh) * | 2023-08-24 | 2023-10-20 | 华侨大学 | 时变工作模态参数自适应识别方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011155288A1 (ja) * | 2010-06-11 | 2011-12-15 | 国立大学法人豊橋技術科学大学 | データのインデックスの次元削減方法及びそれを利用したデータ検索方法並びに装置 |
CN103676649A (zh) * | 2013-10-09 | 2014-03-26 | 江苏师范大学 | 局部自适应小波神经网络训练系统、设备及方法 |
CN107271127A (zh) * | 2017-06-27 | 2017-10-20 | 华侨大学 | 基于自迭代主元抽取的工作模态参数识别方法及装置 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
-
2020
- 2020-11-13 CN CN202011268901.0A patent/CN112417722B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011155288A1 (ja) * | 2010-06-11 | 2011-12-15 | 国立大学法人豊橋技術科学大学 | データのインデックスの次元削減方法及びそれを利用したデータ検索方法並びに装置 |
CN103676649A (zh) * | 2013-10-09 | 2014-03-26 | 江苏师范大学 | 局部自适应小波神经网络训练系统、设备及方法 |
CN107271127A (zh) * | 2017-06-27 | 2017-10-20 | 华侨大学 | 基于自迭代主元抽取的工作模态参数识别方法及装置 |
CN110705041A (zh) * | 2019-09-12 | 2020-01-17 | 华侨大学 | 一种基于easi的线性结构工作模态参数识别方法 |
Non-Patent Citations (2)
Title |
---|
基于滑动时域窗和ERA的模态阻尼比辨识技术研究;王亮 等;《兵器装备工程学报》;20180915;全文 * |
基于集成核局部保持投影算法的故障检测;郭金玉等;《信息与控制》;20180415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112417722A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417722B (zh) | 一种基于滑动窗npe的线性时变结构工作模态识别方法 | |
CN104698837B (zh) | 一种时变线性结构工作模态参数识别方法、装置及应用 | |
Kozin et al. | System identification techniques | |
CN110705041B (zh) | 一种基于easi的线性结构工作模态参数识别方法 | |
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 | |
CN104833851B (zh) | 基于分布式相关卡尔曼滤波的电力系统谐波估计方法 | |
CN114925526B (zh) | 一种结合多工况响应的结构模态参数识别方法 | |
CN111324991A (zh) | 一种地面颤振试验中气动力模型的重构方法 | |
CN101587007A (zh) | 识别柔性桥梁结构动力参数的惟输出小波基分析方法 | |
CN102982196B (zh) | 基于时变公分母模型的时频域时变结构模态参数辨识方法 | |
Gres et al. | Orthogonal projection-based harmonic signal removal for operational modal analysis | |
Simic | A learning-theory approach to sensor networks | |
CN114912547A (zh) | 一种线性时变结构的欠定工作模态参数识别方法和系统 | |
CN114531729A (zh) | 基于信道状态信息的定位方法、系统、存储介质及设备 | |
CN106446502B (zh) | 带遗忘因子的特征向量递推的时变工作模态在线识别方法 | |
CN102749584A (zh) | 基于Kalman滤波的ESN的涡轮发电机的剩余寿命预测方法 | |
Ma et al. | Output-only modal parameter recursive estimation of time-varying structures via a kernel ridge regression FS-TARMA approach | |
CN116067600A (zh) | 幕墙工作模态参数识别、故障诊断与健康状态监测方法 | |
CN112506058A (zh) | 一种线性时变结构的工作模态参数识别方法及系统 | |
CN116631438A (zh) | 一种基于最小p范数的宽度学习及二次相关的声源定位方法 | |
CN116362140A (zh) | 基于Transformer和GRU融合的传感器误差补偿方法、系统、装置及介质 | |
Xia et al. | Echo state networks for multidimensional data: Exploiting noncircularity and widely linear models | |
CN111428342B (zh) | 一种基于频域谱分解的随机动载荷识别方法 | |
CN111506870A (zh) | 一种基于小波变换的时变结构损伤识别方法 | |
Wan et al. | Structural response reconstruction for non-proportionally damped systems in the presence of closely spaced modes |
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 |