CN114186595B - 时变结构参数识别方法、存储介质及设备 - Google Patents

时变结构参数识别方法、存储介质及设备 Download PDF

Info

Publication number
CN114186595B
CN114186595B CN202111528835.0A CN202111528835A CN114186595B CN 114186595 B CN114186595 B CN 114186595B CN 202111528835 A CN202111528835 A CN 202111528835A CN 114186595 B CN114186595 B CN 114186595B
Authority
CN
China
Prior art keywords
time step
state quantity
kalman filter
covariance
filter algorithm
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
CN202111528835.0A
Other languages
English (en)
Other versions
CN114186595A (zh
Inventor
丁勇
张翼飞
张延哲
王林
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.)
Harbin Institute Of Technology Beijing Industrial Technology Innovation Research Institute Co ltd
Harbin Institute of Technology
Original Assignee
Harbin Institute Of Technology Beijing Industrial Technology Innovation Research Institute Co ltd
Harbin Institute of Technology
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 Harbin Institute Of Technology Beijing Industrial Technology Innovation Research Institute Co ltd, Harbin Institute of Technology filed Critical Harbin Institute Of Technology Beijing Industrial Technology Innovation Research Institute Co ltd
Priority to CN202111528835.0A priority Critical patent/CN114186595B/zh
Publication of CN114186595A publication Critical patent/CN114186595A/zh
Application granted granted Critical
Publication of CN114186595B publication Critical patent/CN114186595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

时变结构参数识别方法、存储介质及电子设备，属于土木工程消能减震技术领域。为了解决现有的识别方法不能对应用在抗震结构系统中的粘滞阻尼器的参数进行准确识别的问题。本发明首先确定抗震结构系统对应的初始状态向量及初始状态量协方差，并基于无迹卡尔曼滤波器算法进行初步识别，该过程中需要计算每步对应的灵敏参数ηk并绘制时程曲线，如果时程曲线有峰值脉冲出现，则基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别，此过程中，如果ηk≥η0，基于遗忘因子修正量测预测协方差、互协方差及状态量协方差，并更新卡尔曼增益矩阵和第k时间步的状态量，直到循环结束，获得识别过程状态量中待识别参数。用于时变结构的参数识别。

Description

时变结构参数识别方法、存储介质及设备
技术领域：
本发明属于土木工程消能减震技术领域，涉及一种时变结构参数识别方法、存储介质及电子设备。
背景技术：
传统结构抗震方法是通过增强结构本身的强度、刚度等抵抗地震作用，即由结构本身储存和消耗地震能量，这是被动消极的抗震对策。由于地震的随机性，尚不能准确地估计地震灾害作用的强度和特性。因此，按照传统抗震方法设计的结构不具备自我调节功能，在地震或风荷载作用下很可能产生严重破坏或倒塌。结构耗能减震技术通过在结构物的某些部位设置耗能装置，通过耗能装置来吸收地震输入结构中能量，以减小主体结构的响应。
液体粘滞阻尼器是结构地震保护装置中常用的被动耗能装置，通过粘滞液体与活塞头之间摩擦产生能量耗能，在较大的频率范围内都呈现比较稳定的阻尼特性。液体粘滞阻尼器为速度相关型阻尼器，其在最大位移下受力为零，最大受力情况下位移为零，这一特性对减小结构的反应十分有利，且粘滞阻尼器对结构不产生附加刚度，不影响结构动力特性，从而能够较好的保护主体结构使其在大震中免受严重损伤。
但液体粘滞阻尼器在极端荷载作用下，活塞的位移行程可能会超过其可允许的行程范围，造成活塞冲击油缸及油缸与两边支座发生碰撞，导致阻尼器破坏，失去耗能能力和阻尼作用，进而导致主体结构发生破坏。通常，可以通过在阻尼器中设置金属弹簧或者填充惰性气体来提供弹性恢复力以减小活塞对阻尼器的冲击力，但金属弹簧刚度系数为常数，若刚度系数过小则不能解决该问题，而刚度系数过大又会影响阻尼器的耗能能力，且金属弹簧的疲劳性能较差，应用效果不理想。惰性气体对阻尼器的密封要求较高，且填充工序复杂，经济效果不理想。此外，粘滞阻尼器为速度依赖型阻尼器，在外部激励的速度较低时，其耗能能力表现不足。
在实际工程应用中，除了要保证结构的适用性、可靠性及经济性外，还要实时监测结构的健康状态，保证结构的安全性。当遭受地震等极端荷载作用时，结构参数可能表现出时变性，即结构的刚度、阻尼等参数在极端荷载作用过程中可能发生变化，比如刚度下降、阻尼减小等。而实际安装传感器时，由于受安装位置、结构尺寸及施工技术等限制，不可能采集到完备的结构响应信息。因此，面对系统非线性、测试信息不完备、模型误差及环境噪声干扰等问题，准确跟踪和识别结构的时变参数，发展智能预警系统迫在眉睫。同时，液体粘滞阻尼器的阻尼力与位移之间是非线性关系，构造阻尼器力学模型，并基于不完备观测信息识别阻尼模型参数，跟踪模型参数的变化，对于优化阻尼器结构设计、评估阻尼器工作状态、判断阻尼器参数是否满足出厂要求以及及时发现阻尼器异常并预警等方面具有重要意义。阻尼器的正常工作是确保结构在极端荷载作用下有效耗能减振的关键，是保障结构安全、人民生命财产安全的保护伞。
发明内容：
本发明为了解决现有的识别方法不能对应用在抗震结构系统中的粘滞阻尼器的参数进行准确识别的问题，进而提出一种时变结构参数识别方法。
时变结构参数识别方法，包括以下步骤：
针对使用粘滞阻尼器的抗震结构系统，确定抗震结构系统对应状态的初始值，并组成初始状态向量χ0，并确定初始状态量的协方差矩阵，简称初始状态量协方差P0；其中χ0和P0分别称作第0时间步的状态量和状态量协方差；抗震结构系统对应状态包括待识别的参数；
基于无迹卡尔曼滤波器算法进行初步识别，基于无迹卡尔曼滤波器算法进行初步识别的过程中，需要基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk和第k时间步的量测预测协方差Pyy,k，并基于εk和Pyy,k计算输出每步对应的灵敏参数
然后绘制输出的灵敏参数时程曲线，如果ηk时程曲线有峰值脉冲出现，则基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别，在基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别的过程中，需要判断计算的ηk与灵敏参数阈值η0的大小，如果ηk＜η0，则基于无迹卡尔曼滤波器算法继续识别；如果ηk≥η0，则继续执行以下步骤：
如果tr为矩阵的迹，则遗忘因子/>否则αk＝1；
基于遗忘因子αk分别修正量测预测协方差Pyy,k、互协方差Pxy,k及状态量协方差并更新卡尔曼增益矩阵；基于更新的卡尔曼增益矩阵更新第k时间步的状态量；同时更新时间步继续滤波，直到循环结束，最终获得识别过程状态量中待识别参数。
进一步地，所述待识别参数包括粘滞阻尼器的阻尼系数C、粘滞阻尼器的速度指数ɑ以及粘滞阻尼器附加恢复力对应的应力σ。
进一步地，所述的抗震结构系统对应状态还包括抗震结构系统的位移和/或抗震结构系统的速度。
进一步地，所述抗震结构系统的观测值包括抗震结构系统的位移和/或加速度。
进一步地，所述抗震结构系统的观测值对应的观测方程通过以下过程确定：
步骤A1、根据达朗贝尔原理、结构动力学理论，确定抗震结构系统的运动控制微分方程，为方便表述将抗震结构系统简称系统；
步骤A2、将系统位移X、系统速度阻尼系数C、速度指数ɑ以及应力σ组成的向量称作状态量/>
根据状态量χ，依据步骤1中系统的运动控制微分方程，并基于线性代数矩阵运算及数值分析的数值微分和积分运算；
或者，
基于线性代数矩阵运算及结构动力学的Newmark-β法等数值积分方法推导出求解状态量的方程关系；
步骤A3、根据观测值类型，依据步骤A1中系统的运动控制微分方程并基于线性代数矩阵运算、数学知识确定求解观测值的方程关系，即观测方程。
或者，所述抗震结构系统的观测值对应的观测方程通过以下过程确定：
步骤B1、根据达朗贝尔原理、结构动力学及有限元理论，建立抗震结构系统的有限元模型，为方便表述将抗震结构系统简称系统；
步骤B2、将系统位移X、系统速度阻尼系数C、速度指数ɑ以及应力σ组成的向量称作状态量/>
根据状态量χ，依据步骤1中系统有限元模型进行状态量的输出设置，并将其作为状态方程；
步骤B3、根据观测值类型，依据步骤B1中系统有限元模型进行相应观测值的输出设置，并将其作为观测方程。
进一步地，所述基于无迹卡尔曼滤波器算法进行初步识别的过程包括以下步骤：
步骤5.1、基于无迹卡尔曼滤波器算法的UT变换及第(k-1)时间步的状态量χk-1生成(2n+1)个sigma点，并通过状态方程求解出每个sigma点对应的状态量其中k从1开始，且k∈[1,N]，N为总的时间步数，n为状态量的维数，i为第i个sigma点，且i∈[1,2n+1]；
步骤5.2、基于无迹卡尔曼滤波器算法的时间更新步完成从第(k-1)时间步到第k时间步的状态量和状态量协方差的更新，分别记作和/>公式如下所述：
式中，为第m时间步第i个sigma点的权重值，/>为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的状态量估计值，Qk为第k时间步的噪声；
步骤5.3、基于无迹卡尔曼滤波器算法的UT变换及步骤5.2中更新的生成(2n+1)个sigma点，并通过观测方程求解出每个sigma点对应的观测估计值/>
步骤5.4、基于无迹卡尔曼滤波器算法的量测更新步计算输出第k时间步的量测预测值且/>
式中，为第m时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值；
步骤5.5、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk，且
式中，yk为第k时间步的观测值，为第k时间步的量测预测值；
步骤5.6、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的量测预测协方差Pyy,k，
式中，为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值，/>为第k时间步的量测预测值，Rk为第k时间步的噪声；
步骤5.7、基于步骤5.5及步骤5.6计算的εk和Pyy,k构造灵敏参数ηk，且并计算输出每步的ηk值；
步骤5.8、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步与/>的互协方差Pxy,k，/>
步骤5.9、更新第k时间步的卡尔曼增益矩阵：
步骤5.10、更新并输出第k时间步的状态量：
步骤5.11、更新并输出第k时间步的状态量协方差：
步骤5.12、时间步变为(k+1)，重复步骤5.1～步骤5.11直到最大时间步N完成，即直到循环结束。
进一步地，所述继续基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别的具体过程包括以下步骤：
步骤7.1、基于无迹卡尔曼滤波器算法的UT变换及第(k-1)时间步的状态量χk-1生成(2n+1)个sigma点，并通过状态方程求解出每个sigma点对应的状态量其中k从1开始，且k∈[1,N]，N为总的时间步数，n为状态量的维数，i为第i个sigma点，且i∈[1,2n+1]；
步骤7.2、基于无迹卡尔曼滤波器算法的时间更新步完成从第(k-1)时间步到第k时间步的状态量和状态量协方差的更新，分别记作和/>公式如下所述：
式中，为第m时间步第i个sigma点的权重值，/>为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的状态量估计值，Qk为第k时间步的噪声；
步骤7.3、基于无迹卡尔曼滤波器算法的UT变换及步骤7.2中更新的生成(2n+1)个sigma点，并通过观测方程求解出每个sigma点对应的观测估计值/>
步骤7.4、基于无迹卡尔曼滤波器算法的量测更新步计算输出第k时间步的量测预测值且/>
式中，为第m时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值；
步骤7.5、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk，且
式中，yk为第k时间步的观测值，为第k时间步的量测预测值；
步骤7.6、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的量测预测协方差Pyy,k，
式中，为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值，/>为第k时间步的量测预测值，Rk为第k时间步的噪声；
步骤7.7、基于步骤7.5及步骤7.6计算的εk和Pyy,k构造灵敏参数ηk，且并计算输出每步的ηk值；
步骤7.8、判断步骤7.7中计算的ηk与灵敏参数阈值η0的大小，如果ηk＜η0，则基于步骤5.8～步骤5.12继续识别；如果ηk≥η0，则继续执行步骤7.9～步骤7.13；
步骤7.9、构造遗忘因子αk，如果则/>否则αk＝1；
式中，tr为矩阵的迹；
步骤7.10、基于遗忘因子αk分别修正量测预测协方差Pyy,k、互协方差Pxy,k及状态量协方差并输出状态量协方差，具体公式如下：
步骤7.11、基于步骤7.10计算的量测预测协方差Pyy,k和互协方差Pxy,k更新卡尔曼增益矩阵，即
步骤7.12、基于步骤7.11计算的卡尔曼增益矩阵更新并输出第k时间步的状态量，即：
步骤7.13、时间步长变为(k+1)，继续执行步骤7.1～7.12，直到循环结束。
一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现时变结构参数识别方法。
一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现时变结构参数识别方法。
有益效果：
1、通过引入遗忘因子修正待识别参数的状态量协方差矩阵、量测预测协方差矩阵及互协方差矩阵，增强算法对时变参数的跟踪和识别能力，具备操作简单、计算速度快、精度高、鲁棒性好及对采样频率不敏感等优点；
2、算法可同时考虑多个时变参数，且可同时考虑不同时变特征的参数识别与跟踪，比如能够同时应对突变和渐变两种时变特性的识别问题。
3、该自适应识别算法能够有效追踪并识别阻尼器与结构耦合系统的时变参数，通过构造粘滞阻尼器的力学模型，并基于不完备测量信息追踪识别阻尼模型参数的变化情况，对于优化阻尼器结构设计、评估阻尼器工作状态、判断阻尼器参数是否满足出厂要求以及及时发现阻尼器异常并预警等方面具有重要意义。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1为灵敏参数时程曲线图；
图2为时程曲线有明显峰值脉冲的效果图；
图3为图2的局部视图。
图4为实施例一的粘滞阻尼器的结构示意图；图中，1-第一连接件；2-活塞杆；3-左端盖；4-第一阻尼腔体；5-第一阻尼缸体；6-第一活塞；7-第二阻尼腔体；8-右端盖；9-第三腔体；10-第二活塞；11-第四腔体；12-金属橡胶圈；13-第二连接件；14-第二阻尼缸体。
图5为实施例二的基于形状记忆合金丝的粘滞阻尼器的整体结构示意图；图中，1-第一连接件；2-活塞杆；3-左端盖；4-第一阻尼腔体；5-第一阻尼缸体；6-第一活塞；7-第二阻尼腔体；8-右端盖；11-第二活塞；12-挡块；13-第二阻尼缸体；14-形状记忆合金丝；15-支撑件；16-阻挡块17-锁紧件18-第二连接件；19-形状记忆合金丝；20-挡块。
图6为实施例二的基于形状记忆合金丝的粘滞阻尼器的局部放大图。
图7为实施例二的基于形状记忆合金丝的粘滞阻尼器的形状记忆合金丝的固定机构的结构示意图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
具体实施方式一：
本实施方式为时变结构参数识别方法，是针对使用了附加恢复力粘滞阻尼器的抗震结构参数识别方法，实际是一种基于自适应遗忘因子的无迹卡尔曼滤波器算法(Adaptive Forgetting Factor Unscented Kalman Filter Method)的识别方法；所述附加恢复力粘滞阻尼器的阻尼恢复力包括耗能粘滞阻尼恢复力和结构引起的附加恢复力，当粘滞阻尼器安装于结构中时，识别过程包括以下步骤：
步骤1、根据达朗贝尔原理、结构动力学及有限元理论，推导系统的运动控制微分方程或建立系统有限元模型，所述系统为抗震结构系统，为方便表述，简称系统；
在此过程中，考虑粘滞阻尼器对系统阻尼力的影响，不考虑粘滞阻尼器对系统刚度的影响，并将耗能粘滞阻尼恢复力F1对应的阻尼系数C和速度指数ɑ，以及附加恢复力F2对应的应力σ作为待识别参数；
步骤2、将系统位移X、系统速度阻尼系数C、速度指数ɑ以及应力σ组成的向量称作状态量，用符号/>表示；
根据状态量χ，依据步骤1中系统的运动控制微分方程，并基于线性代数矩阵运算及数值分析的数值微分和积分运算，或者，基于线性代数矩阵运算及结构动力学的Newmark-β法等数值积分方法推导出求解状态量的方程关系；
或者，
根据状态量χ，依据步骤1中系统有限元模型进行状态量的输出设置，并将其作为状态方程；该过程中考虑噪声影响；
步骤3、将传感器采集的位移响应和/或加速度响应作为观测值y，即：可单独基于位移响应或加速度响应作为观测值，也可基于位移和加速度响应共同作为观测值；
观测值包含位移、速度、加速度、应变、应力、力、温度等一系列能通过传感器测量的物理量，对于本抗震结构系统，测量位移和加速度较为方便。
本发明中，求解状态方程时需要用到数值积分手段，如龙格-库塔法、Newmark-β法等，该方法需要通过导数的相关计算逼近原积分，而状态量写成位移和速度的形式，是方便状态方程的推导，因为位移的导数是速度，速度的导数是加速度，而根据系统的运动控制微分方程很容易就能写出状态方程。另外，当观测值中有加速度时，因为根据状态方程已经得出系统的位移和速度，那么再根据系统的运动控制微分方程，关于加速度的观测方程也很容易推出。同时，当观测值中有位移时，因为状态量中的位移和观测值中的位移含义相同，那么观测方程中的位移关系也很容易得到。总的来说，状态量中的位移和速度是为观测方程中的位移和加速度服务的，观测值中的位移和加速度是为修正观测方程中的位移和加速度服务的。由于此过程的具体内容为公知常识，所以本发明中不再赘述。需要说明的是，本发明中的速度相当于中间量，不需要输出，它的存在只是为观测方程的推导服务的，它的计算由算法递推迭代完成。
根据观测值类型，依据步骤1中系统的运动控制微分方程并基于线性代数矩阵运算、数学移项、数学合并同类项等知识推导出求解观测值的方程关系；
或者，
根据观测值类型，依据步骤1中系统有限元模型进行相应观测值的输出设置，并将其作为观测方程；该过程中考虑噪声影响；
步骤4、将系统的初始位移、系统的初始速度、阻尼系数C的初始值、速度指数ɑ的初始值以及应力σ的初始值组成的向量称作初始状态量，用符号χ0表示，并根据卡尔曼滤波器算法原理得出初始状态量的协方差矩阵，简称初始状态量协方差，用符号P0表示，其中χ0和P0分别称作第0时间步(启始步)的状态量和状态量协方差；
步骤5、基于无迹卡尔曼滤波器算法进行初步识别，过程如下：
步骤5.1、基于无迹卡尔曼滤波器算法的UT变换及第(k-1)时间步的状态量χk-1生成(2n+1)个sigma点，并通过状态方程求解出每个sigma点对应的状态量其中k从1开始，且k∈[1,N]，N为总的时间步数，n为状态量的维数，i为第i个sigma点，且i∈[1,2n+1]；
步骤5.2、基于无迹卡尔曼滤波器算法的时间更新步完成从第(k-1)时间步到第k时间步的状态量和状态量协方差的更新，分别记作和/>公式如下所述：
式中，为第m时间步第i个sigma点的权重值，/>为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的状态量估计值，Qk为第k时间步的噪声；
步骤5.3、基于无迹卡尔曼滤波器算法的UT变换及步骤5.2中更新的生成(2n+1)个sigma点，并通过观测方程求解出每个sigma点对应的观测估计值/>
步骤5.4、基于无迹卡尔曼滤波器算法的量测更新步计算输出第k时间步的量测预测值且/>
式中，为第m时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值；
步骤5.5、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk，且
式中，yk为第k时间步的观测值，为第k时间步的量测预测值；
步骤5.6、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的量测预测协方差Pyy,k，
式中，为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值，/>为第k时间步的量测预测值，Rk为第k时间步的噪声；
步骤5.7、基于步骤5.5及步骤5.6计算的εk和Pyy,k构造灵敏参数ηk，且并计算输出每步的ηk值；
步骤5.8、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步与/>的互协方差Pxy,k，/>
步骤5.9、更新第k时间步的卡尔曼增益矩阵：
步骤5.10、更新并输出第k时间步的状态量：
步骤5.11、更新并输出第k时间步的状态量协方差：
步骤5.12、时间步变为(k+1)，重复步骤5.1～步骤5.11直到最大时间步N完成，即直到循环结束。
步骤6、绘制步骤5.7中输出的灵敏参数时程曲线，如果曲线整体平稳，无脉冲响应出现(参见图1)，则无需调用自适应遗忘因子无迹卡尔曼滤波器算法，按常规无迹卡尔曼滤波器算法，即步骤5(但忽略步骤5.5和步骤5.7)识别即可；如果ηk时程曲线有峰值脉冲出现(参见图2)，则需调用自适应遗忘因子无迹卡尔曼滤波器算法，令峰值脉冲前出现的最大灵敏参数值等于灵敏参数阈值η0(参见图3，其中图3为图2的局部视图)，即执行步骤7；
步骤7、基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别，过程如下：
步骤7.1、同步骤5.1；
步骤7.2、同步骤5.2；
步骤7.3、同步骤5.3；
步骤7.4、同步骤5.4；
步骤7.5、同步骤5.5；
步骤7.6、同步骤5.6；
步骤7.7、同步骤5.7；
步骤7.8、判断步骤7.7中计算的ηk与灵敏参数阈值η0的大小，如果ηk＜η0，则基于步骤5.8～步骤5.12继续识别；如果ηk≥η0，则继续执行步骤7.9～步骤7.13；
步骤7.9、构造遗忘因子αk，如果则/>否则αk＝1；
式中，tr为矩阵的迹；
步骤7.10、基于遗忘因子αk分别修正量测预测协方差Pyy,k、互协方差Pxy,k及状态量协方差并输出状态量协方差，具体公式如下：
步骤7.11、基于步骤7.10计算的量测预测协方差Pyy,k和互协方差Pxy,k更新卡尔曼增益矩阵，即
步骤7.12、基于步骤7.11计算的卡尔曼增益矩阵更新并输出第k时间步的状态量，即：
步骤7.13、时间步长变为(k+1)，继续执行步骤7.1～7.12，直到循环结束。
步骤8、识别结束后，根据识别过程状态量中待识别参数的时程曲线可以判断阻尼系数C、速度指数ɑ以及应力σ的变化情况，并能从曲线中得出待识别参数的识别值，通过与相应产品出厂参数进行比较可以及时发现阻尼器异常并预警。
实施例
本发明所述时变结构参数识别方法，不仅可以针对使用了附加恢复力粘滞阻尼器的抗震结构，实际上本发明也可以用于使用了普通的粘滞阻尼器的抗震结构，针对使用了普通的粘滞阻尼器情况，只要将组成初始状态量中的量进行调整即可，由于普通的粘滞阻尼器非常常见，也容易通过本发明来确定对应的识别过程，本发明不再赘述。
为了充分说明本发明，本发明以针对使用了附加恢复力粘滞阻尼器的抗震结构进行实施例的说明，实际上附加恢复力粘滞阻尼器可以有很多种，本发明在这里以两个附加恢复力粘滞阻尼器进行说明，即实施例一和实施例二。
实施例一
为了充分说明本发明，本实施例先对图4所示的附加恢复力粘滞阻尼器的进行说明：
所述的附加恢复力粘滞阻尼器，包括第一连接件1、活塞杆2、左端盖3、第一阻尼缸体5、第一活塞6、右端盖8、第二活塞10、两个金属橡胶圈12、第二连接件13和第二阻尼缸体14；
所述的第一阻尼缸体5为两端开口的圆筒状结构，左端盖3固装在第一阻尼缸体5的左端口，右端盖8固装在第一阻尼缸体5内，左端盖3与右端盖8将第一阻尼缸体5密封；
所述的第二阻尼缸体14为一端开口的圆桶状结构，第二阻尼缸体14的开口端从第一阻尼缸体5的右端口伸入到第一阻尼缸体5内，并固装在右端盖8上，第二阻尼缸体14的封闭端的外壁与第二连接件13固连，所述的第二阻尼缸体14内左右两端各设置一个金属橡胶圈12，金属橡胶圈12的外壁与第二阻尼缸体14的内壁固接，所述的第二活塞10处于两个金属橡胶圈12之间，且第二活塞10活动连接在第二阻尼缸体14内，并将第二阻尼缸体14的内腔分为第三腔体9和第四腔体11；
所述的活塞杆2的一端与第一连接件1固连，活塞杆2的另一端依次穿过第一阻尼缸体5上的左端盖3与右端盖8，并伸入到第二阻尼缸体14内，穿过第二阻尼缸体14内左端的金属橡胶圈12与第二活塞10固连；
所述的第一活塞6处于第一阻尼缸体5内，并套装在活塞杆2上，第一活塞6将第一阻尼缸体5的内腔分为第一阻尼腔体4和第二阻尼腔体7；
更进一步地，第一阻尼腔体4和第二阻尼腔体7内填充有机硅油。
所述附加恢复力粘滞阻尼器的阻尼的原理如下：
耗能粘滞阻尼恢复力F1＝CVα；
式中，C为阻尼系数(kN/(mm/s))，V为活塞速度，ɑ为速度指数，通常取0.01～1之间，当ɑ＝1时为线性阻尼。
金属橡胶提供的恢复力F2＝Aσ；
式中，A为布置在第三或第四腔体内金属橡胶的截面面积，σ为金属橡胶受压时的应力，即压应力；在金属橡胶应变较小时，压力应力较小，当应变较大时，金属橡胶的压应力呈“指数式”快速增长。当阻尼器的第二活塞未与不锈钢金属丝橡胶发生接触时，阻尼器的恢复力F＝F1，当活塞行程接近最大行程时第二活塞与橡胶接触，阻尼器的恢复力F＝F1+F2。
基于附加恢复力粘滞阻尼器的耗能粘滞阻尼恢复力F1对应的阻尼系数C和速度指数ɑ，以及附加恢复力F2对应的应力σ，利用具体实施方式一进行时变结构参数识别。
实施例二：
为了充分说明本发明，本实施例先对图5至图7所示的附加恢复力粘滞阻尼器的进行说明：
所述的附加恢复力粘滞阻尼器，包括第一连接件1、活塞杆2、左端盖3、第一阻尼缸体5、第一活塞6、第二阻尼缸体14、第二活塞10、右端盖8、四个挡块20、两根形状记忆合金丝19、第二连接件18和两组形状记忆合金丝的固定机构；
所述的第一阻尼缸体5为两端开口的圆筒状结构，左端盖3固装在第一阻尼缸体5的左端口，右端盖8固装在第一阻尼缸体5内，左端盖3与右端盖8将第一阻尼缸体5密封；
所述的第二阻尼缸体14为一端开口的圆桶状结构，第二阻尼缸体14的开口端从第一阻尼缸体5的右端口伸入到第一阻尼缸体5内，并固装在右端盖8上，第二阻尼缸体14的封闭端的外壁与第二连接件18固连；
所述的活塞杆2的一端与第一连接件1固连，活塞杆2的另一端依次穿过第一阻尼缸体5上的左端盖3与右端盖8，并伸入到第二阻尼缸体14内与第二活塞10固连；
所述的四个挡块20分为两组，每组中的两个挡块20上下相对设置并分别固装在第二阻尼缸体14的内壁上，每组中的两个挡块20之间形成第二活塞10的滑道，两组挡块20间隔设置在第二阻尼缸体14的中间位置，第二活塞10处于两组挡块20之间；
所述的第二活塞10上沿其轴线方向开有两个穿线孔，两个穿线孔上下相对设置；第二活塞10的每个穿线孔中插装有一根形状记忆合金丝19，形状记忆合金丝19的两端分别穿过与其相邻的每组挡块中两个挡块20所形成的滑道，并通过形状记忆合金丝的固定机构拉直和支撑向第二阻尼缸体14的两端延伸，所述的形状记忆合金丝在第二活塞10朝向第二阻尼缸体左右两侧运动一定距离时，形状记忆合金丝会被拉伸；
所述的第一活塞6处于第一阻尼缸体5内，并套装在活塞杆2上，第一活塞6将第一阻尼缸体5的内腔分为第一阻尼腔体4和第二阻尼腔体7，所述的第一阻尼腔体4和第二阻尼腔体7内填充有机硅油。
更进一步地，所述的每组形状记忆合金丝的固定机构包括两个支撑件15、两个阻挡块16和两个锁紧件17；所述的第二活塞10的两侧各设置一个支撑件15和一个阻挡块16，所述的支撑件15的一端垂直连接在第二活塞10上，支撑件15的另一端与阻挡块16的一侧端面抵接(仅接触，并不固连)；
所述的支撑件15为长方形块体，沿着支撑件15的长度方向在支撑件15的中心位置开有通孔，所述的阻挡块16为长方形块体，在阻挡块16的偏心位置处开有通孔，所述的阻挡块16的通孔、支撑件15上的通孔与第二活塞10上的穿线孔相通，所述的形状记忆合金丝19的两端依次穿过两侧的支撑件15上的通孔和阻挡块16上的通孔，并分别通过锁紧件17进行锚固，即形状记忆合金丝19的左端穿过其左侧的支撑件15上的通孔和阻挡块16上的通孔，并通过锁紧件17进行锚固；形状记忆合金丝19的右端穿过其右侧的支撑件15上的通孔和阻挡块16上的通孔，并通过锁紧件17进行锚固。
所述附加恢复力粘滞阻尼器的阻尼的原理如下：
耗能粘滞阻尼恢复力F1＝CVα，
式中，C为阻尼系数(kN/(mm/s))，V为活塞速度，ɑ为速度指数，通常取0.1～1之间，当ɑ＝1时为线性阻尼。形状记忆合金丝未受拉时，阻尼器恢复力F＝F1。
形状记忆合金丝恢复力F2＝Aσ，
式中，A为布置在第三腔体或第四腔体内形状记忆合金丝的总截面面积，σ为形状记忆合金丝在受拉时的应力(拉应力)。形状记忆合金丝在受拉时的计算模型具有“旗帜型”特征，在应变较小的情况下，形状记忆合金丝表现出线弹性特征，其特点是等效刚度较大且为线弹性，可为阻尼器提供较高的阻尼力，在应变超过线弹性范围后，阻尼器表现出超弹性耗能特征，即在外荷载除去后形状记忆合金丝恢复为初始状态，不留有残余变形，同时耗散能量。当形状记忆合金丝受拉后，阻尼器的恢复力F＝F1+F2。
基于附加恢复力粘滞阻尼器的耗能粘滞阻尼恢复力F1对应的阻尼系数C和速度指数ɑ，以及附加恢复力F2对应的应力σ，利用具体实施方式一进行时变结构参数识别。
具体实施方式二：
本实施方式为一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现时变结构参数识别方法。
本实施方式所述的存储介质包括但不限于硬盘、U盘等。
具体实施方式三：
本实施方式为一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现时变结构参数识别方法。
本实施方式所述的设备包括但不限于PC机、工作站、移动设备等。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.时变结构参数识别方法，其特征在于，包括以下步骤：
针对使用粘滞阻尼器的抗震结构系统，确定抗震结构系统对应状态的初始值，并组成初始状态向量χ0，并确定初始状态量的协方差矩阵，简称初始状态量协方差P0；其中χ0和P0分别称作第0时间步的状态量和状态量协方差；抗震结构系统对应状态包括待识别的参数；
基于无迹卡尔曼滤波器算法进行初步识别，基于无迹卡尔曼滤波器算法进行初步识别的过程中，需要基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk和第k时间步的量测预测协方差Pyy,k，并基于εk和Pyy,k计算输出每步对应的灵敏参数
然后绘制输出的灵敏参数时程曲线，如果ηk时程曲线有峰值脉冲出现，则基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别，在基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别的过程中，需要判断计算的ηk与灵敏参数阈值η0的大小，如果ηk＜η0，则基于无迹卡尔曼滤波器算法继续识别；如果ηk≥η0，则继续执行以下步骤：
如果tr为矩阵的迹，则遗忘因子/>否则αk＝1；
基于遗忘因子αk分别修正量测预测协方差Pyy,k、互协方差Pxy,k及状态量协方差并更新卡尔曼增益矩阵；基于更新的卡尔曼增益矩阵更新第k时间步的状态量；同时更新时间步继续滤波，直到循环结束，最终获得识别过程状态量中待识别参数；
所述待识别参数包括粘滞阻尼器的阻尼系数C、粘滞阻尼器的速度指数ɑ以及粘滞阻尼器附加恢复力对应的应力σ。
2.根据权利要求1所述的时变结构参数识别方法，其特征在于，所述的抗震结构系统对应状态还包括抗震结构系统的位移和/或抗震结构系统的速度。
3.根据权利要求2所述的时变结构参数识别方法，其特征在于，所述抗震结构系统的观测值包括抗震结构系统的位移和/或加速度。
4.根据权利要求3所述的时变结构参数识别方法，其特征在于，所述抗震结构系统的观测值对应的观测方程通过以下过程确定：
步骤A1、根据达朗贝尔原理、结构动力学理论，确定抗震结构系统的运动控制微分方程，为方便表述将抗震结构系统简称系统；
步骤A2、将系统位移X、系统速度阻尼系数C、速度指数ɑ以及应力σ组成的向量称作状态量/>
根据状态量χ，依据步骤1中系统的运动控制微分方程，并基于线性代数矩阵运算及数值分析的数值微分和积分运算；
或者，
基于线性代数矩阵运算及结构动力学的Newmark-β法等数值积分方法推导出求解状态量的方程关系；
步骤A3、根据观测值类型，依据步骤A1中系统的运动控制微分方程并基于线性代数矩阵运算、数学知识确定求解观测值的方程关系，即观测方程。
5.根据权利要求3所述的时变结构参数识别方法，其特征在于，所述抗震结构系统的观测值对应的观测方程通过以下过程确定：
步骤B1、根据达朗贝尔原理、结构动力学及有限元理论，建立抗震结构系统的有限元模型，为方便表述将抗震结构系统简称系统；
步骤B2、将系统位移X、系统速度阻尼系数C、速度指数ɑ以及应力σ组成的向量称作状态量/>
根据状态量χ，依据步骤1中系统有限元模型进行状态量的输出设置，并将其作为状态方程；
步骤B3、根据观测值类型，依据步骤B1中系统有限元模型进行相应观测值的输出设置，并将其作为观测方程。
6.根据权利要求1至5之一所述的时变结构参数识别方法，其特征在于，所述基于无迹卡尔曼滤波器算法进行初步识别的过程包括以下步骤：
步骤5.1、基于无迹卡尔曼滤波器算法的UT变换及第(k-1)时间步的状态量χk-1生成(2n+1)个sigma点，并通过状态方程求解出每个sigma点对应的状态量其中k从1开始，且k∈[1,N]，N为总的时间步数，n为状态量的维数，i为第i个sigma点，且i∈[1,2n+1]；
步骤5.2、基于无迹卡尔曼滤波器算法的时间更新步完成从第(k-1)时间步到第k时间步的状态量和状态量协方差的更新，分别记作和/>公式如下所述：
式中，为第m时间步第i个sigma点的权重值，/>为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的状态量估计值，Qk为第k时间步的噪声；
步骤5.3、基于无迹卡尔曼滤波器算法的UT变换及步骤5.2中更新的生成(2n+1)个sigma点，并通过观测方程求解出每个sigma点对应的观测估计值/>
步骤5.4、基于无迹卡尔曼滤波器算法的量测更新步计算输出第k时间步的量测预测值且/>
式中，为第m时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值；
步骤5.5、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk，且
式中，yk为第k时间步的观测值，为第k时间步的量测预测值；
步骤5.6、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的量测预测协方差Pyy,k，
式中，为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值，/>为第k时间步的量测预测值，Rk为第k时间步的噪声；
步骤5.7、基于步骤5.5及步骤5.6计算的εk和Pyy,k构造灵敏参数ηk，且并计算输出每步的ηk值；
步骤5.8、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步与/>的互协方差Pxy,k，/>
步骤5.9、更新第k时间步的卡尔曼增益矩阵：
步骤5.10、更新并输出第k时间步的状态量：
步骤5.11、更新并输出第k时间步的状态量协方差：
步骤5.12、时间步变为(k+1)，重复步骤5.1～步骤5.11直到最大时间步N完成，即直到循环结束。
7.根据权利要求6所述的时变结构参数识别方法，其特征在于，继续基于自适应遗忘因子的无迹卡尔曼滤波器算法进行识别的具体过程包括以下步骤：
步骤7.1、基于无迹卡尔曼滤波器算法的UT变换及第(k-1)时间步的状态量χk-1生成(2n+1)个sigma点，并通过状态方程求解出每个sigma点对应的状态量其中k从1开始，且k∈[1,N]，N为总的时间步数，n为状态量的维数，i为第i个sigma点，且i∈[1,2n+1]；
步骤7.2、基于无迹卡尔曼滤波器算法的时间更新步完成从第(k-1)时间步到第k时间步的状态量和状态量协方差的更新，分别记作和/>公式如下所述：
式中，为第m时间步第i个sigma点的权重值，/>为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的状态量估计值，Qk为第k时间步的噪声；
步骤7.3、基于无迹卡尔曼滤波器算法的UT变换及步骤7.2中更新的生成(2n+1)个sigma点，并通过观测方程求解出每个sigma点对应的观测估计值/>
步骤7.4、基于无迹卡尔曼滤波器算法的量测更新步计算输出第k时间步的量测预测值且/>
式中，为第m时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值；
步骤7.5、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的观测误差εk，且
式中，yk为第k时间步的观测值，为第k时间步的量测预测值；
步骤7.6、基于无迹卡尔曼滤波器算法的量测更新步计算第k时间步的量测预测协方差Pyy,k，
式中，为第c时间步第i个sigma点的权重值，/>为第k时间步第i个sigma点对应的观测估计值，/>为第k时间步的量测预测值，Rk为第k时间步的噪声；
步骤7.7、基于步骤7.5及步骤7.6计算的εk和Pyy,k构造灵敏参数ηk，且并计算输出每步的ηk值；
步骤7.8、判断步骤7.7中计算的ηk与灵敏参数阈值η0的大小，如果ηk＜η0，则基于步骤5.8～步骤5.12继续识别；如果ηk≥η0，则继续执行步骤7.9～步骤7.13；
步骤7.9、构造遗忘因子αk，如果则/>否则αk＝1；
式中，tr为矩阵的迹；
步骤7.10、基于遗忘因子αk分别修正量测预测协方差Pyy,k、互协方差Pxy,k及状态量协方差并输出状态量协方差，具体公式如下：
步骤7.11、基于步骤7.10计算的量测预测协方差Pyy,k和互协方差Pxy,k更新卡尔曼增益矩阵，即
步骤7.12、基于步骤7.11计算的卡尔曼增益矩阵更新并输出第k时间步的状态量，即：
步骤7.13、时间步长变为(k+1)，继续执行步骤7.1～7.12，直到循环结束。
8.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至7之一所述的时变结构参数识别方法。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1至7之一所述的时变结构参数识别方法。
CN202111528835.0A 2021-12-14 2021-12-14 时变结构参数识别方法、存储介质及设备 Active CN114186595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111528835.0A CN114186595B (zh) 2021-12-14 2021-12-14 时变结构参数识别方法、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111528835.0A CN114186595B (zh) 2021-12-14 2021-12-14 时变结构参数识别方法、存储介质及设备

Publications (2)

Publication Number Publication Date
CN114186595A CN114186595A (zh) 2022-03-15
CN114186595B true CN114186595B (zh) 2023-12-01

Family

ID=80543795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111528835.0A Active CN114186595B (zh) 2021-12-14 2021-12-14 时变结构参数识别方法、存储介质及设备

Country Status (1)

Country Link
CN (1) CN114186595B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692465B (zh) * 2022-04-15 2023-09-08 石家庄铁道大学 桥梁损伤位置的无损识别方法、存储介质及设备
CN114692279B (zh) * 2022-04-15 2023-09-15 石家庄铁道大学 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

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140011863A (ko) * 2012-07-20 2014-01-29 부산대학교 산학협력단 불균일 단면형상의 무한 보 변형특성 추정을 위한 비선형 반복법 적용 수치해석방법
KR20160110773A (ko) * 2015-03-12 2016-09-22 숙명여자대학교산학협력단 칼만 필터 모델을 이용한 이동 객체 추적 방법 및 장치
CN107579780A (zh) * 2017-08-28 2018-01-12 哈尔滨工业大学深圳研究生院 基于半径导向卡尔曼的参数自适应偏振态跟踪和均衡方法
US10234508B1 (en) * 2012-08-17 2019-03-19 University Of South Florida Dynamic parameter estimation of generators
CN109976380A (zh) * 2019-03-29 2019-07-05 北京理工大学 基于卡尔曼滤波估计的隔离度辨识校正方法及系统
CN110532621A (zh) * 2019-07-30 2019-12-03 北京航空航天大学 一种飞行器气动参数在线辨识方法
CN110555190A (zh) * 2019-09-05 2019-12-10 广西科技大学 非经典阻尼系统动力响应的实模态法及其应用
CN113392451A (zh) * 2021-06-09 2021-09-14 哈尔滨工业大学 基于车-桥梁耦合作用力修正的桥梁模型更新方法、系统、存储介质及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040102937A1 (en) * 2002-11-21 2004-05-27 Honeywell International Inc. Energy forecasting using model parameter estimation
US9439602B2 (en) * 2011-10-26 2016-09-13 Dexcom, Inc. Alert system for hypo and hyperglycemia prevention based on clinical risk
US20150114625A1 (en) * 2013-10-29 2015-04-30 Schlumberger Technology Corporation Method of Acquiring Viscosity of A Downhole Fluid
US11002802B2 (en) * 2018-12-12 2021-05-11 Jiangnan University Fault detection method for buck converter based on inverse kalman filter
CN109614720B (zh) * 2018-12-14 2020-07-28 厦门大学 在役隔震/减振装置的无模型非线性特性实时识别方法
CN109682561B (zh) * 2019-02-19 2020-06-16 大连理工大学 一种自动检测高速铁路桥梁自由振动响应以识别模态的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140011863A (ko) * 2012-07-20 2014-01-29 부산대학교 산학협력단 불균일 단면형상의 무한 보 변형특성 추정을 위한 비선형 반복법 적용 수치해석방법
US10234508B1 (en) * 2012-08-17 2019-03-19 University Of South Florida Dynamic parameter estimation of generators
KR20160110773A (ko) * 2015-03-12 2016-09-22 숙명여자대학교산학협력단 칼만 필터 모델을 이용한 이동 객체 추적 방법 및 장치
CN107579780A (zh) * 2017-08-28 2018-01-12 哈尔滨工业大学深圳研究生院 基于半径导向卡尔曼的参数自适应偏振态跟踪和均衡方法
CN109976380A (zh) * 2019-03-29 2019-07-05 北京理工大学 基于卡尔曼滤波估计的隔离度辨识校正方法及系统
CN110532621A (zh) * 2019-07-30 2019-12-03 北京航空航天大学 一种飞行器气动参数在线辨识方法
CN110555190A (zh) * 2019-09-05 2019-12-10 广西科技大学 非经典阻尼系统动力响应的实模态法及其应用
CN113392451A (zh) * 2021-06-09 2021-09-14 哈尔滨工业大学 基于车-桥梁耦合作用力修正的桥梁模型更新方法、系统、存储介质及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An General Unscented Kalman Filter with unknown inputs for identification of structural parameters of structural parameters;Shuwen Pan;2016 35th Chinese Control Conference (CCC);318-322 *
利用部分加速度测量的结构滞回特性免模型识别;许斌;王云;;工程力学(第02期);192-199 *
基于STUKF的非线性结构系统时变参数识别;杜永峰;张浩;赵丽洁;李万润;;振动与冲击(第07期);178-183+205 *
基于UKF的结构动荷载识别方法与试验验证;郭丽娜;宋开明;张延哲;丁勇;;振动与冲击(第03期);75-82 *
波形钢腹板PＣ桥施工关键技术与时变特征分;丁勇;第十九届全国现代结构工程学术研讨会;253-257 *

Also Published As

Publication number Publication date
CN114186595A (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN114186595B (zh) 时变结构参数识别方法、存储介质及设备
Li et al. Matrix of the covariance of covariance of acceleration responses for damage detection from ambient vibration measurements
CN110334458B (zh) 一种考虑初始损伤状态影响的结构抗震能力评估方法
CN112067116B (zh) 一种具有抗噪性的中小桥梁冲击振动测试与分析方法
CN112033463B (zh) 一种核动力设备状态评估与预测一体化方法和系统
Song et al. Edge-intelligence-based condition monitoring of beam pumping units under heavy noise in industrial internet of things for industry 4.0
Chen et al. Advanced diagnostic system for piston slap faults in IC engines, based on the non-stationary characteristics of the vibration signals
Cheung et al. The application of statistical pattern recognition methods for damage detection to field data
CN101706355A (zh) 基于NExT/ARMA的结构响应分析方法
CN109813511B (zh) 基于移动车辆的桥梁快速测试与参数识别方法
Shi et al. Structural damage detection using artificial neural networks and wavelet transform
Wu et al. L 1 regularized model updating for structural damage detection
Li et al. A convolutional neural network‐based full‐field response reconstruction framework with multitype inputs and outputs
Xin et al. Damage detection in initially nonlinear structures based on variational mode decomposition
Huang et al. Wavelet‐based approach of time series model for modal identification of a bridge with incomplete input
CN115455791A (zh) 一种基于数值模拟技术提高滑坡位移预测准确率的方法
CN107246944B (zh) 一种基于统计矩理论的结构损伤识别方法
CN114021403B (zh) 基于应变模态的承力结构件损伤识别方法及系统
CN113779708B (zh) 一种冲击载荷作用下射孔减震系统的可靠性评价方法
Chelidze Fatigue life estimation of structures under statistically and spectrally similar variable amplitude loading
Finotti1a et al. Structural novelty detection based on sparse autoencoders and control charts
CN114692465B (zh) 桥梁损伤位置的无损识别方法、存储介质及设备
Lyu et al. Health state inversion of Jack-up structure based on feature learning of damage information
Li et al. Damage detection for structures under ambient vibration via covariance of covariance matrix and consistent regularization
CN114461979A (zh) 一种结构参数不确定性量化与误差逐级传递方法及系统

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