CN112733305A - 一种传感器测点位置确定方法及装置 - Google Patents
一种传感器测点位置确定方法及装置 Download PDFInfo
- Publication number
- CN112733305A CN112733305A CN202011508566.7A CN202011508566A CN112733305A CN 112733305 A CN112733305 A CN 112733305A CN 202011508566 A CN202011508566 A CN 202011508566A CN 112733305 A CN112733305 A CN 112733305A
- Authority
- CN
- China
- Prior art keywords
- sensor
- matrix
- mode
- order
- measuring point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 238000003860 storage Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 14
- 230000004044 response Effects 0.000 description 9
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- 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)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本申请实施例公开了一种传感器测点位置确定方法及装置,该方法包括:获取多阶模态的应变模态矩阵;根据应变模态矩阵,确定费歇尔信息阵;计算费歇尔信息阵的行列式的值;确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。这样,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,避免传感器配置发生冗余。
Description
技术领域
本申请实施例涉及金属结构件耐久测试技术领域,尤其涉及一种传感器测点位置确定方法及装置。
背景技术
目前金属结构件应变传感器优化布置方法包括模态动能法、有效独立法和模态置信准则法等等。其中,比较常用的方法包括模态动能法和有效独立法。针对模态动能法,对于汽车三角臂这样的结构件,为了建立较为精确的有限元模型,要求划分非常多数量的离散网格,有时甚至能达到几万个。由于测点分布较密,当采用模态动能法进行优化布置时,通常会出现相近的两个测点同时被选中的情况,导致传感器配置发生冗余。
发明内容
本申请实施例提供了一种传感器测点位置确定方法及装置,以解决现有技术中,当采用模态动能法进行优化布置时,通常会出现相近的两个测点同时被选中的情况,导致传感器配置发生冗余的问题。
第一方面,本申请实施例提供了一种传感器测点位置确定方法,包括:
获取多阶模态的应变模态矩阵;
根据所述应变模态矩阵,确定费歇尔信息阵;
计算所述费歇尔信息阵的行列式的值;
确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
可选的,所述确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,包括:
确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置;
判断所述目标节点的数量是否为该阶模态预先对应的传感器数量;
在判断出所述目标节点的数量为该阶模态预先对应的传感器数量的情况下,确定所述目标节点的位置为所述传感器的测点位置。
可选的,在所述获取多阶模态的应变模态矩阵的步骤之前,所述方法还包括:
设置所述多阶模态中每阶模态对应的传感器的数量。
可选的,在所述确定所述目标节点的位置为所述传感器的测点位置的步骤之后,所述方法还包括:
通过以下公式计算任意一个传感器的测点位置与该任意一个传感器的测点位置最邻近的传感器的测点位置的平均距离:
在所述平均距离大于预设第一阈值的情况下,确定所述传感器的测点位置满足预设聚集效应要求;
其中,NND为所述平均距离,δij表示第i个传感器的测点位置与该第i个传感器的测点位置最邻近的传感器的测点位置之间的空间距离,N0为传感器的测点位置的数量。
可选的,在所述确定所述目标节点的位置为所述传感器的测点位置的步骤之后,所述方法还包括:
通过以下公式计算MAC矩阵:
获取所述MAC矩阵的非对角元素;
在所述非对角元素小于预设第二阈值的情况下,确定所述传感器的测点位置满足预设模态向量独立性要求;
其中,Ψi、Ψj分别为所选择的传感器的测点位置所组成的目标应变模态矩阵中的第i行和第j行。
可选的,所述应变模态矩阵通过以下公式表示:
其中,ε为所述应变模态矩阵,[Φu,Φv,Φw]T为结构应变矩阵,F(t)为结构所受外部载荷,所述F(t)分解到三向作用力为Y=(-w2m+k+jwc)-1,U=ΦYΦTFY,对所述F(t)进行傅里叶变换得到Fejwt,m为结构质量,c为阻尼,k为刚度矩阵;
所述费歇尔信息阵通过以下公式表示:
Q(L.∑,θ)≈[L,Ψ]T[L,∑,LT]-1[L,Ψ]
其中,Q(L.∑,θ)为所述费歇尔信息阵,L为每行只包含一个不为0元素的观测矩阵,Ψ为结构应变矩阵,且Ψ=[中u,中v,中w]T,∑为预测误差的协方差矩阵,且∑=∑1+∑2,∑1为实测噪声误差的协方差矩阵,∑2为模型建立误差的协方差矩阵,且∑2通过以下公式表示:
其中,∑ii和∑jj为自由度方差,βij为自由度空间距离,λ为相关长度。
可选的,所述多个节点中每个节点的模态应变能通过以下公式计算:
其中,MSEn为所述节点具有的模态应变能,kn为刚度矩阵,Ψm为第m阶应变模态振型,Ψmn为第n个节点第m阶应变模态振型,B为所需识别模态阶数。
第二方面,本申请实施例提供了一种传感器测点位置确定装置,包括:
获取模块,用于获取多阶模态的应变模态矩阵;
第一确定模块,用于根据所述应变模态矩阵,确定费歇尔信息阵;
计算模块,用于计算所述费歇尔信息阵的行列式的值;
第二确定模块,用于确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
第三方面,本申请实施例提供了一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,以实现第一方面所述的传感器测点位置确定方法。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,当传感器测点位置确定装置的至少一个处理器执行所述计算机程序时,传感器测点位置确定装置执行第一方面所述的传感器测点位置确定方法。
由以上技术方案可知,本申请实施例提供的一种传感器测点位置确定方法及装置,获取多阶模态的应变模态矩阵;根据所述应变模态矩阵,确定费歇尔信息阵;计算所述费歇尔信息阵的行列式的值;确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。这样,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,避免传感器配置发生冗余。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种传感器测点位置确定方法的流程图;
图2为本申请实施例提供的一种MAC矩阵直方图;
图3为本申请实施例提供的一种测点布置方案示意图;
图4为本申请实施例提供的一种传感器测点位置确定装置的结构图;
图5为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请实施例相一致的所有实施方式。仅是与权利要求书中所详述的、本申请实施例的一些方面相一致的系统和方法的示例。
参见图1,图1是本申请实施例提供的一种传感器测点位置确定方法的流程图。如图1所示,包括以下步骤:
步骤101、获取多阶模态的应变模态矩阵。
在步骤101中,可以获取多阶模态的应变模态矩阵。
步骤102、根据所述应变模态矩阵,确定费歇尔信息阵。
在步骤102中,可以根据应变模态矩阵,确定费歇尔信息阵。
可选的,所述应变模态矩阵通过以下公式表示:
其中,ε为所述应变模态矩阵,[Φu,Φv,Φw]T为结构应变矩阵,F(t)为结构所受外部载荷,所述F(t)分解到三向作用力为Y=(-w2m+k+jwc)-1,U=ΦYΦTFY,对所述F(t)进行傅里叶变换得到Fejwt,m为结构质量,c为阻尼,k为刚度矩阵;
所述费歇尔信息阵通过以下公式表示:
Q(L.∑,θ)≈[L,Ψ]T[L,∑,LT]-1[L,Ψ]
其中,Q(L.∑,θ)为所述费歇尔信息阵,L为每行只包含一个不为0元素的观测矩阵,Ψ为结构应变矩阵,且Ψ=[Φu,Φv,Φw]T,∑为预测误差的协方差矩阵,且∑=∑1+∑2,∑1为实测噪声误差的协方差矩阵,∑2为模型建立误差的协方差矩阵,且∑2通过以下公式表示:
其中,∑ii和∑jj为自由度方差,βij为自由度空间距离,λ为相关长度。
需要说明的是,可以由结构动力学方程推导应变模态方程。
根据模态叠加原理,节点位移可表示为各阶模态同时作用的结果:
u(t)=φq(t)
上式中:φ为模态矩阵;q(t)为模态位移。
对u(t)、F(t)和q(t)做傅里叶变换得到:u(t)=Uejwt;f(t)=Fejwt;q(t)=Qejwt。
将上式联立,得到U=ΦYΦTFY,其中Y=(-w2m+k+jwc)-1。
依照弹性力学原理,结构在各个方向的正应变等于各个方向的位移沿坐标轴求导,故应变可表示为:
式中,Ψ=[Φu,Φv,Φw]T为结构应变矩阵。
得到:ε=Ψqε
即应变模态与位移模态有着近似的表达式,且应变模态矩阵可以通过对位移模态矩阵微分得到。
接下来,可以基于信息熵进行模态识别。
线性动力系统,真实测量响应与通过结构模型预测的响应满足:
y(m)=Lx(m,θ)+Ln(m,θ)
式中:分别为实测响应时间序列和指定模型参数下所有自由度的计算响应时间序列;N0为实测自由度数量,N1为模型所有自由度数量;θ为选择的模型参数向量;n(m,θ)为由于测量时产生的噪声误差和模型建立误差而产生的响应预测误差;为每行只包含一个不为0元素的观测矩阵,通过它建立起实测自由度和模型全部自由度之间的联系。例如Lij=1表示模型第j个自由度选中布置在第i个待选位置上。
根据贝叶斯参数识别理论,模型参数的不确定性可按照某种分布刻画,在已知测量数据信息的条件下,其概率分布函数为:
式中:π(θ)为θ的先验分布;C是归一化参数,保证上式的积分结果为1;∑表示响应预测误差n(m,θ)的协方差矩阵;det[·]表示求矩阵行列式;J(θ|∑,D)表示实测响应时间序列和模型计算响应时间序列间的欧式距离。
根据贝叶斯理论,模型参数是随机变量,因此需要刻画真实值与估算值的误差,利用信息论中的信息熵概率,实现对这种误差的位移标量度量,参数θ的信息熵定义为:
h(L|∑,D)=Eθ[-ln(p(θ|∑,D))]=-∫ln(p(θ|∑,D))p(θ|∑,D)dθ
式中,Eθ[·]表示θ的数学期望。
当实测数据时间序列D趋于无穷时,信息熵逐渐趋近于:
式中,Q(L.∑,θ)为费歇尔(Fisher)信息阵,其渐进估计为:
应变模态识别问题,可简化为∶
Q(L.∑,θ)≈[L,Ψ]T[L,∑,LT]-1[L,Ψ]
可以看出,Fisher信息阵行列式越大,熵值越低,信息量就越大,识别出的参数不确定性越小。
影响Fisher信息阵的一个因素为预测误差的协方差矩阵∑,∑主要由两部分构成,一是测量时产生的噪声误差,二是模型建立误差。假设两种误差间相互独立,则∑可表示为:
∑=∑1+∑2
上式中,∑1为测量时产生的噪声误差的协方差矩阵;∑2为模型建立误差的协方差矩阵。
步骤103、计算所述费歇尔信息阵的行列式的值。
在步骤103中,可以计算费歇尔信息阵的行列式的值。
步骤104、确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
在步骤104中,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置。其中,目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
可选的,所述确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,包括:
确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置;
判断所述目标节点的数量是否为该阶模态预先对应的传感器数量;
在判断出所述目标节点的数量为该阶模态预先对应的传感器数量的情况下,确定所述目标节点的位置为所述传感器的测点位置。
进一步的,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置。进而可以判断目标节点的数量是否为该阶模态预先对应的传感器数量。在判断出目标节点的数量为该阶模态预先对应的传感器数量的情况下,可以确定目标节点的位置为传感器的测点位置。
可选的,在所述获取多阶模态的应变模态矩阵的步骤之前,所述方法还包括:
设置所述多阶模态中每阶模态对应的传感器的数量。
在一些实施例中,可以预先设置多阶模态中每阶模态对应的传感器的数量。
可选的,在所述确定所述目标节点的位置为所述传感器的测点位置的步骤之后,所述方法还包括:
通过以下公式计算任意一个传感器的测点位置与该任意一个传感器的测点位置最邻近的传感器的测点位置的平均距离:
在所述平均距离大于预设第一阈值的情况下,确定所述传感器的测点位置满足预设聚集效应要求;
其中,NND为所述平均距离,δij表示第i个传感器的测点位置与该第i个传感器的测点位置最邻近的传感器的测点位置之间的空间距离,N0为传感器的测点位置的数量。
需要说明的是,最近距离(nearest neighbor distance,NND)是统计学中常用的距离度量值,用以衡量任意测点与其最邻近测点的平均距离。可以通过以下公式计算任意一个传感器的测点位置与该任意一个传感器的测点位置最邻近的传感器的测点位置的平均距离:
在上述平均距离大于预设第一阈值的情况下,可以确定传感器的测点位置满足预设聚集效应要求。其中,NND为平均距离,δij表示第i个传感器的测点位置与该第i个传感器的测点位置最邻近的传感器的测点位置之间的空间距离,N0为传感器的测点位置的数量。即将最近距离标准用于传感器配置评价,NND值越大,则表明传感器配置的聚集效应越小,覆盖范围更优。
可选的,在所述确定所述目标节点的位置为所述传感器的测点位置的步骤之后,所述方法还包括:
通过以下公式计算MAC矩阵:
获取所述MAC矩阵的非对角元素;
在所述非对角元素小于预设第二阈值的情况下,确定所述传感器的测点位置满足预设模态向量独立性要求;
其中,Ψi、Ψj分别为所选择的传感器的测点位置所组成的目标应变模态矩阵中的第i行和第j行。
模态置信准则通常用来评判模态向量直接线性独立程度的大小。可以通过以下公式计算MAC矩阵:
进而可以获取MAC矩阵的非对角元素。在非对角元素小于预设第二阈值的情况下,可以确定传感器的测点位置满足预设模态向量独立性要求。其中,Ψi、Ψj分别为所选择的传感器的测点位置所组成的目标应变模态矩阵中的第i行和第j行。即MAC矩阵非对角元素越小,模态向量间独立性越高,识别效果越好。
需要说明的是,Fisher信息阵行列式最大化过程即为传感器配置优化过程,行列式越大,测点所包含的模态信息越多,为了比较结果,还可以采用无协方差矩阵的Fisher信息阵FIM的行列式作为评判依据:
det(FIM)=det(LΨ)T(LΨ)
可选的,所述多个节点中每个节点的模态应变能通过以下公式计算:
其中,MSEn为所述节点具有的模态应变能,kn为刚度矩阵,Ψm为第m阶应变模态振型,Ψmn为第n个节点第m阶应变模态振型,B为所需识别模态阶数。
在一些实施例中,多个节点中每个节点的模态应变能可以通过以下公式计算:
其中,MSEn为节点具有的模态应变能,kn为刚度矩阵,Ψm为第m阶应变模态振型,Ψmn为第n个节点第m阶应变模态振型,B为所需识别模态阶数。
为了克服相关长度全局固定的缺陷,本申请实施例还提出一种自适应相关长度,备选测点与已选测点间距离大于门槛值时,相关长度取较小值,最小值取值为固定相关长度:20mm;当距离小于门槛值时,相关长度取较大值,较大值在20mm基础上乘以与测点应变响应有关的系数α:
式中,MSEmαx、MSEmin表示以已选测点为圆心,半径为门槛值的范围内,应变能的最大值和最小值。由于门槛值的选择存在主观性,本申请实施例确定门槛值为40mm。
需要说明的是,乘用车三角臂是底盘关键部件,在进行多体动力学模型校核及载荷分解时其为重要的损伤监测件。通常需要在三角臂上布置应变传感器,用于载荷分解及台架试验的模型参数校准。对三角臂进行有限元离散,网格尺寸为2mm,整个三角臂共离散为50384个单元,节点数量12812;选取前10阶自由模态作为输入,目标传感器数量选择为12个(大于模态可视化原则要求的10个)。如下表1所示,呈现了自由模态各阶主频。
表1
由于应变的张量属性,理论上每一个节点有6个方向的自由度,即需要计算6个方向的应变模态矩阵,实际布置应变传感器时,受限于结构几何特征,很难保证所有自由度都布置应变片,为了消除方向的影响,本申请实施例选择Von-Mises等效应变作为应变模态矩阵输出。
传感器优化的准备工作需要预先确定备选自由度数量,即N1。本实施例选取方法为:通过有限元处理软件Hyperview计算每一阶模态的应变能,设定一个门槛值,选择大应变能作为初选测点,最终根据经验选择986个测点(远大于需要考察自由度数量)。
如下表2所示,为利用本申请实施例的方法得到的传感器布置方案及评价结果。
表2
如图2所示,为一种MAC矩阵直方图;
如下表3所示,为测点选择顺序。
表3
如图3所示,为一种测点布置方案示意图。
根据测点优化配置结果可以看出,基于前10阶模态应变能识别结果,确定的12个应变测点位置基本都位于三角臂前点、后点及外点,另外在几何突变处均有覆盖,测点位置基本对称,基本覆盖了三角臂常见的强度及疲劳失效点。需要说明的是,由于该实施例三角臂共振频率较高,也可尝试识别前5阶模态,相应的可减少传感器配置预期数量。进一步的,也可将本申请实施例应用于其他金属结构件的应变传感器优化配置。
需要说明的是,现有技术中,由于测点分布较密,当采用模态动能法进行优化布置时,通常会出现相近的两个测点同时被选中的情况,导致传感器配置发生冗余。
而在本申请实施例中,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,避免传感器配置发生冗余。
由以上技术方案可知,本申请实施例提供的一种传感器测点位置确定方法,获取多阶模态的应变模态矩阵;根据所述应变模态矩阵,确定费歇尔信息阵;计算所述费歇尔信息阵的行列式的值;确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。这样,可以确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,避免传感器配置发生冗余。
参见图4,图4是本申请实施例提供的一种传感器测点位置确定装置的结构图。如图4所示,传感器测点位置确定装置400包括获取模块401、第一确定模块402、计算模块403和第二确定模块404,其中:
获取模块401,用于获取多阶模态的应变模态矩阵;
第一确定模块402,用于根据所述应变模态矩阵,确定费歇尔信息阵;
计算模块403,用于计算所述费歇尔信息阵的行列式的值;
第二确定模块404,用于确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
传感器测点位置确定装置400能够实现图1的方法实施例中传感器测点位置确定装置实现的各个过程,为避免重复,这里不再赘述。且传感器测点位置确定装置400可以实现确定费歇尔信息阵的行列式的值为最大值时,多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,避免传感器配置发生冗余。
图5为本申请实施例提供的电子设备的硬件结构示意图。如图5所示,该电子设备,包括:
存储器501,用于存储程序指令;
处理器502,用于调用并执行所述存储器中的程序指令,以实现上述实施例中所述传感器测点位置确定方法。具体可以参见前述实施例中的相关描述。
本实施例中,处理器502和存储器501可通过总线或其他方式连接。处理器可以是通用处理器,例如中央处理器、数字信号处理器、专用集成电路,或者被配置成实施本申请实施例的一个或多个集成电路。存储器可以包括易失性存储器,例如随机存取存储器;存储器也可以包括非易失性存储器,例如只读存储器、快闪存储器、硬盘或固态硬盘。
本申请实施例还提供了一种可读存储介质,包括:所述可读存储介质中存储有计算机程序,当传感器测点位置确定装置的至少一个处理器执行所述计算机程序时,传感器测点位置确定装置执行上述实施例中所述的传感器测点位置确定方法。
所述的可读存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于传感器测点位置确定装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本申请实施例保护范围的限定。
Claims (10)
1.一种传感器测点位置确定方法,其特征在于,包括:
获取多阶模态的应变模态矩阵;
根据所述应变模态矩阵,确定费歇尔信息阵;
计算所述费歇尔信息阵的行列式的值;
确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
2.如权利要求1所述的方法,其特征在于,所述确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,包括:
确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置;
判断所述目标节点的数量是否为该阶模态预先对应的传感器数量;
在判断出所述目标节点的数量为该阶模态预先对应的传感器数量的情况下,确定所述目标节点的位置为所述传感器的测点位置。
3.如权利要求2所述的方法,其特征在于,在所述获取多阶模态的应变模态矩阵的步骤之前,所述方法还包括:
设置所述多阶模态中每阶模态对应的传感器的数量。
6.如权利要求1至5中任一项所述的方法,其特征在于,所述应变模态矩阵通过以下公式表示:
其中,ε为所述应变模态矩阵,[Φu,Φv,Φw]T为结构应变矩阵,F(t)为结构所受外部载荷,所述F(t)分解到三向作用力为Y=(-w2m+k+jwc)-1,U=ΦYΦTFY,对所述F(t)进行傅里叶变换得到Fejwt,m为结构质量,c为阻尼,k为刚度矩阵;
所述费歇尔信息阵通过以下公式表示:
Q(L.∑,θ)≈[L,Ψ]T[L,∑,LT]-1[L,Ψ]
其中,Q(L.∑,θ)为所述费歇尔信息阵,L为每行只包含一个不为0元素的观测矩阵,Ψ为结构应变矩阵,且Ψ=[Φu,Φv,Φw]T,∑为预测误差的协方差矩阵,且∑=∑1+∑2,∑1为实测噪声误差的协方差矩阵,∑2为模型建立误差的协方差矩阵,且∑2通过以下公式表示:
其中,∑ii和∑jj为自由度方差,βij为自由度空间距离,λ为相关长度。
8.一种传感器测点位置确定装置,其特征在于,包括:
获取模块,用于获取多阶模态的应变模态矩阵;
第一确定模块,用于根据所述应变模态矩阵,确定费歇尔信息阵;
计算模块,用于计算所述费歇尔信息阵的行列式的值;
第二确定模块,用于确定所述费歇尔信息阵的行列式的值为最大值时,所述多阶模态中每阶模态内识别出的目标节点的位置为传感器的测点位置,其中,所述目标节点为该阶模态所包含的多个节点中模态应变能最大的节点。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用并执行所述存储器中的程序指令,以实现权利要求1~7任一项所述的传感器测点位置确定方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,当传感器测点位置确定装置的至少一个处理器执行所述计算机程序时,传感器测点位置确定装置执行权利要求1~7任一项所述的传感器测点位置确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508566.7A CN112733305A (zh) | 2020-12-18 | 2020-12-18 | 一种传感器测点位置确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011508566.7A CN112733305A (zh) | 2020-12-18 | 2020-12-18 | 一种传感器测点位置确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733305A true CN112733305A (zh) | 2021-04-30 |
Family
ID=75603201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011508566.7A Pending CN112733305A (zh) | 2020-12-18 | 2020-12-18 | 一种传感器测点位置确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733305A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113251988A (zh) * | 2021-05-17 | 2021-08-13 | 扬州市市政建设处 | 一种桥梁支座损伤的动力监测方法及系统 |
CN117313499A (zh) * | 2023-11-30 | 2023-12-29 | 国网山东省电力公司枣庄供电公司 | 组合电器隔离开关状态信号多源传感器布置方法与系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315874A (zh) * | 2017-06-26 | 2017-11-03 | 大连三维土木监测技术有限公司 | 一种用于结构局部变形与整体模态信息同时获取的传感器布设方法 |
CN108875178A (zh) * | 2018-06-04 | 2018-11-23 | 大连理工大学 | 用于减小结构模态识别不确定性的传感器布置方法 |
US20190243935A1 (en) * | 2017-06-26 | 2019-08-08 | Dalian University Of Technology | A sensor placement method using strain gauges and accelerometers for structural modal estimation |
-
2020
- 2020-12-18 CN CN202011508566.7A patent/CN112733305A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315874A (zh) * | 2017-06-26 | 2017-11-03 | 大连三维土木监测技术有限公司 | 一种用于结构局部变形与整体模态信息同时获取的传感器布设方法 |
US20190243935A1 (en) * | 2017-06-26 | 2019-08-08 | Dalian University Of Technology | A sensor placement method using strain gauges and accelerometers for structural modal estimation |
CN108875178A (zh) * | 2018-06-04 | 2018-11-23 | 大连理工大学 | 用于减小结构模态识别不确定性的传感器布置方法 |
Non-Patent Citations (4)
Title |
---|
张子璠等: "基于信息熵的城轨车辆应变传感器优化布置", 《东北大学学报( 自然科学版)》, vol. 41, no. 3, 15 March 2020 (2020-03-15), pages 65 - 71 * |
董晓马: "《智能结构的损伤诊断研究及其传感器优化配置》", 黄河水利出版社, pages: 39 - 42 * |
董晓马等: "应变传感器优化配置研究", 《仪器仪表学报》 * |
董晓马等: "应变传感器优化配置研究", 《仪器仪表学报》, no. 11, 28 November 2006 (2006-11-28), pages 79 - 82 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113251988A (zh) * | 2021-05-17 | 2021-08-13 | 扬州市市政建设处 | 一种桥梁支座损伤的动力监测方法及系统 |
CN117313499A (zh) * | 2023-11-30 | 2023-12-29 | 国网山东省电力公司枣庄供电公司 | 组合电器隔离开关状态信号多源传感器布置方法与系统 |
CN117313499B (zh) * | 2023-11-30 | 2024-02-13 | 国网山东省电力公司枣庄供电公司 | 组合电器隔离开关状态信号多源传感器布置方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733305A (zh) | 一种传感器测点位置确定方法及装置 | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
CN116090111B (zh) | 一种基于深度学习模型的汽车钢板弹簧疲劳寿命预测方法 | |
CN113156263A (zh) | 电缆状态监测方法及存储介质 | |
US11262407B2 (en) | Method and apparatus with battery state estimation | |
CN106997410B (zh) | 一种基于模态应变能的损伤发生的判断方法 | |
CN110705137B (zh) | 一种应力幅值和均值的确定方法以及装置 | |
CN114580080A (zh) | 一种基于贝叶斯有限元模型修正的应变场重构方法及系统 | |
CN108829987B (zh) | 一种数据驱动型概率评估方法 | |
CN112926163B (zh) | 基于Workbench和Matlab构建螺栓疲劳寿命预测模型的方法及装置 | |
CN111639388B (zh) | 一种汽车弹性元件参数仿真方法及系统 | |
CN111767273B (zh) | 基于改进som算法的数据智能检测方法及装置 | |
CN113496261A (zh) | 一种卫星遥测数据的在轨异常监测方法 | |
Wang et al. | Sensor fault detection of vehicle suspension systems based on transmissibility operators and Neyman–Pearson test | |
CN114663074B (zh) | 一种基于数字孪生的产品数据分析方法及系统 | |
CN111859250A (zh) | 一种环境及受迫激励下快速模态参数准确性评估方法、系统及存储介质 | |
CN116700955A (zh) | 作业处理方法、装置、计算机设备及可读存储介质 | |
KR20190064948A (ko) | 준지도 학습에서의 꼭지점 중요도를 고려한 레이블 추론 방법 및 시스템 | |
CN111553396A (zh) | 一种配电自动化终端在线检测方法和装置 | |
CN113255927A (zh) | 逻辑回归模型训练方法、装置、计算机设备和存储介质 | |
CN117171886B (zh) | 一种车身复合振动识别方法、装置、设备及存储介质 | |
CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
CN114004515A (zh) | 基于奇异值分解的变电站设备健康监测传感器布置方法 | |
CN113486742B (zh) | 一种故障识别方法、装置、系统及计算机可读存储介质 | |
CN110298140B (zh) | 动力学特性的估算方法、装置、设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210430 |