CN114626413A - 一种基于随机子空间算法的结构模态参数识别方法及装置 - Google Patents

一种基于随机子空间算法的结构模态参数识别方法及装置 Download PDF

Info

Publication number
CN114626413A
CN114626413A CN202210204060.XA CN202210204060A CN114626413A CN 114626413 A CN114626413 A CN 114626413A CN 202210204060 A CN202210204060 A CN 202210204060A CN 114626413 A CN114626413 A CN 114626413A
Authority
CN
China
Prior art keywords
modal
matrix
parameters
stable
data
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
Application number
CN202210204060.XA
Other languages
English (en)
Inventor
汪友明
张亚飞
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.)
Xian University of Posts and Telecommunications
Original Assignee
Xian University of Posts and Telecommunications
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 Xian University of Posts and Telecommunications filed Critical Xian University of Posts and Telecommunications
Priority to CN202210204060.XA priority Critical patent/CN114626413A/zh
Publication of CN114626413A publication Critical patent/CN114626413A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)

Abstract

本发明属于结构振动模态测试领域,涉及一种基于随机子空间算法的结构模态参数识别方法及装置，首先在结构的工作状态监测系统中，通过布设的加速度传感器采集结构的振动信号，采集到结构的振动信号后，对振动信号进行预处理去除噪声干扰，通过对振动信号构成的托普利兹矩阵行列数的调整，以及结合振动信号与模态能量之间的关系，可以减少真实模态的缺失，再由系统矩阵与模态参数关系识别结构的模态参数，通过随机子空间方法，得到模态参数结果，提高模态参数的识别精度，最后，将识别到的结构模态参数与结构固有的模态特征参数进行对比分析，对结构进行有无损伤发生的判断；本发明能够很好地接近结构参数的真实值，具有精确的安全评估能力。

Description

一种基于随机子空间算法的结构模态参数识别方法及装置
技术领域
本发明属于结构振动模态测试领域，涉及一种基于随机子空间算法的结构模态参数识别方法及装置。
背景技术
随着工业化技术的不断发展，一些大型结构在生产生活中起着越来越重要的作用，其结构也越来越复杂。人们对其安全性、耐用性的关注日益增多，如何快速地实现对结构损伤位置、损伤程度的识别成为了一些专家学者急需解决的难题。在实际的使用过程中，对结构发生损伤进行及时的预报显得非常重要，更为重要的是，有些结构的重要部件一旦发生损伤，它的破坏程度迅速发展，而在未及时发现的情况下，很快就会导致整个结构的毁坏，后果不堪设想。
为了解决整个结构特别是大型复杂结构的安全使用问题，因此对结构损伤程度的识别成为国内外学者关注的焦点，特别是利用结构的振动响应和系统动态特性参数对结构进行分析，近几十年来成为国内外研究的热点。其基本思想是：结构发生损伤会引起结构中物理参数(质量、刚度等)的改变，结构的模态参数(模态频率、模态振型、模态阻尼等)随之发生改变，根据此改变量即可确定结构损伤的位置与程度。按不同的技术水平，工程结构的损伤确定和质量评估可分为以下四个层次：①预估结构是否发生损伤；②确定损伤位置；③判断损伤程度；④结构发生损伤后的寿命预估。基于振动数据的结构损伤程度的识别可选用的特征指标有：结构的固有频率、结构位移模态振型、结构曲率模态振型、结构应变模态、结构位移(速度、加速度)频率响应函数、结构模态应变能等。
结构的模态参数识别是结构健康监测领域研究的重点，模态分析在大型结构的健康监测中起到十分重要的作用，大型结构中重要的模态参数包括固有频率、阻尼比及模态振型，因此模态参数识别的重要任务就是识别结构的频率和振型。随机子空间方法是近年来发展起来的一种线性系统辨识方法，该方法无需进行人工激励，直接从环境激励的响应输出信号中提取结构的模态参数，这些模态参数将作为结构健康监测、受损结构物的评定和结构控制的输入；
然而，随机子空间方法作为模态参数的识别方法之一，虽然被广泛运用于实际工程结构的模态参数识别中，但其依然存在系统阶次确定难、模态缺失、真实模态筛选存在主观性及真实模态参数提取存在的不准确问题。因此，急需一种检测方法能够准确确定系统模型的阶次获得结构的真实模态，进而得到真实可靠的频率模态参数、阻尼比模态参数及高精确度的振型模态参数。通过随机子空间方法获得的模态参数与结构的固有模态参数对比，从而判断结构是否有损伤的发生，再进一步确定损伤发生的位置及程度。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出了一种基于随机子空间算法的结构模态参数识别方法，以期能够准确确定系统模型的阶次获得结构的真实模态，得到真实可靠的频率模态参数、阻尼比模态参数及高精确度的振型模态参数。
本发明解决技术问题所采取的技术方案是：一种基于随机子空间算法的结构模态参数识别方法，包括以下步骤：
步骤1：在结构上共采集i个测点的加速度响应数据{yr|r＝1，2，...，i}；其中yr表示第r个测点的加速度响应数据；
步骤2：对采集到的加速度响应数据进行预处理，预处理之后计算每一列实测数据的协方差，并构造成协方差矩阵；利用奇异值分解对协方差矩阵进行奇异值分解，得到对应的奇异值矩阵，由主元分析方法对奇异值矩阵进行计算，以得到结构的近似模型阶次k；
步骤3：通过步骤1中得到的加速度响应数据建立Hankel矩阵，Hankel矩阵中包含了结构的全部响应信号；对Hankel矩阵分块为“过去yp”和“将来yf”两部分，每一部分的块行数相同；
步骤4：通过步骤3中构造的Hankel矩阵，有离散随机状态空间方程可知，输出协方差可定义为：
Figure BDA0003528449710000021
实际测试中只能得到j个数据，假定输出数据具有各态历经，则：
Figure BDA0003528449710000031
Figure BDA0003528449710000032
式(1)中：vk，wk分别为不同的零均值高斯白噪声；xk+1表示第k+1时刻的状态向量；
步骤5：通过步骤4中计算得到的协方差序列组成Toeplitz矩阵，组成Toeplitz的最主要作用是在保持结构实测响应信号原有信息的情况下缩减数据量，提高计算效率；
步骤6：通过对Toeplitz矩阵分别运用特征值法求解得稳定极点，运用加权交叠平均法获得的功率谱曲线图，对比稳定极点构成的稳定轴数与加权交叠平均法功率谱曲线图中的峰值数是否相等；进而判断是否存在模态缺失，若存在模态缺失，利用线性相位滤波技术，它将按照信号能量与频率成正比，对频率分量作时移，保证了通过该滤波器的各频率成分的延迟一致，使得各分类组中不同模态分量之间的相位同步，从而保证信号不失真，再对各分类组中的模态分量进行模态识别分析；
步骤7：通过分析Toeplitz矩阵的行数与系统状态矩阵之间的关系，可以得出由不同的行数构成的托普利兹矩阵，不仅对系统的计算速度产生影响，同时对模态参数的识别精度也有着不可忽视的影响；因此由步骤2得到的模型近似阶次k和响应数据总长度l，确定Toeplitz矩阵的行数i需满足k<i<l，在这样一个条件下确定合适的系统阶数，有助于提高算法的识别精度，同时可以减少虚假模态的引入及真实模态的缺失；
步骤8：由状态空间方程的定义可以推导得，可观测矩阵O和可控矩阵M，系统是可观可控的；计算不同i值对应的Toeplitz矩阵，并对其进行奇异值分解；然后计算系统的状态矩阵A及输出矩阵C；
步骤9：对系统的状态矩阵A进行特征值分解，进而求得模型的频率、阻尼及振型模态参数；
步骤10：由对系统矩阵A进行特征值分解得到的极点绘制稳定图，并以满足频率、阻尼、振型三者不同的关系，以不同符号颜色标示在稳定图中；
步骤11：以模型阶次为纵坐标、频率为横坐标绘制的稳定图，能够清晰地反映结构在不同的模型阶次下，真实极点与虚假极点的分布情况；为了获得结构的整体模态特征参数和局部模态特征参数，分析稳定图中的数据特征，得出不同的模型阶数下其所对应的模态参数，进而提取结构的相关信息；
步骤12：结合实际工况的需求，重新绘制稳定图，得到更加接近结构固有模态的模态参数；
步骤13：由于测量数据中不可避免得引入噪声干扰，同时在计算的过程中会产生噪声极点；这样就会在稳定图中引入虚假模态，对系统最终模态参数的提取产生极大的干扰；将识别得到的多组模态参数，分别用不同的子集表示，每一个子集都包含频率、阻尼比和模态振型；定义各子集之间模态参数的距离公式，设置距离公式的阈值限，并对每一子集进行判断从而实现伪模态的剔除；
步骤14：剔除由计算极点以及噪声等引起的虚假模态后，采用图论聚类法，对结构模态结果基于结构频率和模态置信准则指标定义的距离进行聚类，设置聚类数目与聚类阈值限，以自动识别出结构的真实模态参数。
优选的，所述步骤2中预处理包括：利用多项式函数构造趋势项，对振动信号进行消除趋势项，对去除趋势项的信号进行平滑处理，采用平滑平均值法。
优选的，所述步骤2中预处理包括：对采集到的加速度响应信号进行极点对称模态分解得到分解固有模态分量和残差分量，采用盲源分离法对所得分量进行分离，得分离信号进行频域转换得到噪声分量进行降噪处理。
优选的，所述步骤13中模态参数自动识别方法根据稳定点之间的相似性大小，运用模态参数合理设置聚类阈值及聚类元素个数；该方法综合利用了频率、阻尼比，模态置信准则这些模态参数，不是将这些模态参数进行简单的线性加权求和，而是根据稳定点之间的相似性大小，运用模态参数合理设置聚类阈值及聚类元素个数，有效地发挥了模态参数的局部相似特征进行较好地聚类分析提取模态信息。
本发明还提出了一种结构模态参数自动识别装置，包括：
数据采集模块，用于采集结构物的振动响应加速度信号，所述的振动响应加速度信号即人为使用力锤对结构物施加激励下所产生的加速度响应数据；由于对结构物施加的激励力不同，需要结合实际中工程结构的材料特性及数值分析结果，合理设置采样频率、采样时间以及对加速度传感器测量点选取的合理性进行评估；
数据预处理模块，由于环境噪声等因素的影响，需对采集的加速度振动响应数据进行消除趋势项和降噪处理；利用多项式函数构造趋势项，对振动信号进行消除趋势项，进行平滑处理，采用平滑平均值法；对采集到的加速度响应信号进行极点对称模态分解得到固有模态分量和残差分量，采用盲源分离算法，对所得的固有模态分量和残差分量进行分离，对分离信号进行频域转换得到噪声分量进行降噪处理；
初始参数及模态识别模块，包括：系统阶次设定单元、参数识别单元与模态筛选单元；其中，系统阶次设定单元，在对结构物进行模态参数识别的过程中，需要对结构物的阶次有一个预估计，阶次设置的过大容易引入虚假模态不利于后续对模态参数的提取，阶次设置的过小又易导致真实模态的缺失，所提取的模态信息不能够准确反映结构物的物理信息；此时就要使用由对结构物施加激励力所产生的加速度响应数据，对其进行主元分析并结合加速度响应数据的长度，以及不同阶模态的模态能量分量与其所对应的稳定极点之间的关系，来设定系统阶次的取值范围；参数识别单元，由所采集到结构物的加速度响应数据使用随机子空间方法提取在不同系统阶次下的固有频率、阻尼比及振型模态参数；模态筛选单元，结合结构物的工程实际经验，设置合理的频率、阻尼及模态置信准则阈值限，得到剔除部分不稳定极点后的初始模态参数；
虚假模态剔除模块，因为采集到的加速度响应数据中通常包含有噪音、数值模型的虚假模态等，这些虚假模态的存在会对真实模态参数的提取产生干扰；利用结构物的频率、模态置信准则模态参数构造距离公式并设置合理的阈值限，实现对初始模态中所含有的虚假模态的剔除；
真实模态组合模块，针对剔除虚假模态后的模态参数，结合稳定图对模态数据进行分析，得到结构物在不同系统阶数下的状态空间模型，对每个模型进行模态参数识别，将得到的所有模态参数绘制在稳定图上，用来确定结构物的模态参数，并将在不同模型阶数下相同的模态参数进行组合；
真实模态参数自动拾取模块，图论聚类方法是以样本数据的特征作为类的指标，充分利用各个稳定点的模态信息构造聚类树，分割聚类树进行曲线的拟合自动设置聚类阈值限和聚类元素数目，进而可将具有相似特征的数据进行较好地聚类，从而实现对真实模态参数的自动拾取。
本发明的有益效果是：
本发明通过对测点加速度响应数据的处理，由估测的系统模型阶次与加速度响应数据总长度的结合，来确定Toeplitz矩阵的最佳行数，对修正的托普利兹矩阵进行随机子空间法识别模态参数，得到了高精度频率模态参数、阻尼比模态参数。从而提升了随机子空间法的模态参数识别精度。
附图说明
图1是一种基于随机子空间算法的结构模态参数识别方法的总体流程图；
图2为测点2的位移响应图；
图3为二阶振型图；
图4为本发明确定系统模型阶次流程图；
图5为本发明极点标示流程图；
图6为本发明剔除虚假模态流程图；
图7为本发明模态参数拾取流程图；
图8为本发明中的一种结构模态参数自动识别装置示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明中的相关技术进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考图1～8，一种基于随机子空间算法的结构模态参数识别方法，在某结构体上布置加速度传感器，测得相应测点的振动加速度响应信号；
在数据的采集过程中可能会受到环境条件(如温度，湿度)变化的影响，可能含有少量异常测试值，将导致采集到的离散数据中存在趋势项；
利用多项式函数构造趋势项，对振动信号进行消除趋势项，对去除趋势项的信号进行平滑处理，采用平滑平均值法；
环境激励条件下采集的加速度响应信号中无法避免噪声的干扰，对采集到的加速度响应信号进行降噪处理；
利用获取的加速度响应数据构造成Hankel矩阵；
对构造的汉克尔矩阵进行奇异值分解；
利用奇异值分解的逆过程得到重构矩阵，对重构矩阵的对应元素加权求平均值获得降噪后的响应信号；
对汉克尔矩阵进行奇异值分解后的奇异值矩阵，进行主元分析，进而获得结构模型的可能阶次；
Hankel矩阵中包含了某结构的所有响应信号，对Hankel矩阵分块为“过去yp”和“将来yf”两部分，每一部分的块行数相同；
根据离散时间随机状态空间模型：
Figure BDA0003528449710000071
式(1)中：vk，wk分别为不同的零均值高斯白噪声；xk+1表示第k+1时刻的状态向量；
确定系统模型的输出协方差矩阵Ri和下一状态与输出的协方差矩阵G
Figure BDA0003528449710000072
Figure BDA0003528449710000081
式(2)中：j为实际测试中得到的j个数据；
随机子空间算法充分利用结构的可观矩阵和可控矩阵，可观测矩阵Oi，控制矩阵Mi
汉克尔矩阵转化为托普利兹矩阵，可以在保持信号原有信息的情况下，可以实现对数据的降维，从而提高计算效率快速获取系统的模态参数；
计算所得的输出协方差序列组成块Toeplitz矩阵T1|i，如果假定数据具有各态历经性且j→∞，则得出；
Figure BDA0003528449710000082
Toeplitz为i×i的方阵，i为人为选择的参数。当i取不同值时，Toeplitz矩阵的条件数也会发生变化，从而导致输出数据的扰动对系统矩阵的求解产生不同的影响。当Toeplitz矩阵条件数越小，响应数据的扰动对系统矩阵的扰动越小，从而导致根据系统矩阵求解的模态参数误差更小；
在对数据处理的过程中，如奇异值分解，会抑制响应信号中低能量的特征成分。这样的操作虽有利于消除噪声，但可能会削弱一些有用的低信噪比成分，使其无法与噪声区分。这导致了识别结果中可能存在模态缺失。考虑到响应信号中不同模态分量之间能量分布的不同，对各模态分量组中的数据分别运用特征值法求解得稳定极点，运用加权交叠平均法获得的功率谱曲线图，比较稳定极点数与功率谱曲线图中峰值数是否一致。如果不一致，应用线性相位滤波技术，它将按照信号能量与频率成正比，对频率分量作时移，保证了通过该滤波器的各频率成分的延迟一致，使得各分类组中不同模态分量之间的相位同步，这样能够减少甚至可以避免所进行的数据操作对低阶模态能量特征的抑制效应，从而获得结构的全部模态信息。
结合上述对某结构模型阶次的近似确定、模态缺失控制和响应数据的总长度，来确定托普利兹矩阵的行数，从而使求解得到的模态参数更接近某结构的真实参数；
对托普利兹矩阵进行奇异值分解；
Figure BDA0003528449710000091
式(5)中，U1，V1为对应于非0奇异值的左、右奇异向量构成的酉矩阵，S1为内含降序的奇异值对角阵,U2，V2为对应于0奇异值的左、右奇异向量构成的酉矩阵；
由对托普利兹矩阵的分解，可以进一步得出观测矩阵和控制矩阵的表达形式；
Figure BDA0003528449710000092
根据输出协方差矩阵的时延信号，可以得到托普利兹矩阵的表达形式；
T2|i+1＝OiAMi (7)
由式(5)和式(7)的关系可知
T1|iA＝T2|i+1 (8)
对于矩阵p，||p||m(m＝1或2等)称为矩阵p的条件数。
由线性方程组px＝q解的性质可知，如果矩阵p的条件数大，q的微小改变能引起解x很大的变化，数值稳定性差。如果矩阵p的条件数小，q有微小的改变，x的变化也很微小，数值稳定性好。因此，条件数越小其计算结果的误差越小计算结果的准确度越高。
可知托普利兹矩阵的条件数影响系统解的稳定性及精确度，因此对其行列数的控制是可行的；
结合输出协方差矩阵的定义构造相关矩阵：
Figure BDA0003528449710000093
Figure BDA0003528449710000101
Figure BDA0003528449710000102
由式(5)可知式(11)为噪声信号组成的协方差矩阵；
可设已知噪声的方差为τ2，则所有噪声信号构成的协方差矩阵为
D2＝τ2Ei (12)
式(12)中Ei为i阶单位矩阵；
由式(11)和式(12)可以得到
S2＝iτ2Ei-n (13)
结合上述式(7)-式(11)可以得到
Figure BDA0003528449710000103
通过观测矩阵、控制矩阵及托普利兹矩阵，可以得到系统的状态矩阵和输出矩阵；
对系统的状态矩阵进行特征值分解进而可以获得结构的模态参数；
可以发现特征值矩阵中，主对角线元素的个数越多，信号越复杂，由此可见，可利用特征值矩阵中的元素来反映信号含有的信息量；
通过分析阶次在所设置的阈值范围内变动时，其对应阶次的特征值矩阵所含有的信息，能够获得接近结构的真实模态参数。因此，通过此方法来辨识系统的真实阶次是可行的；
为了更好地观察结构的模态特征，以各模型阶次求得的极点以频率为横坐标，阶次为纵坐标绘制稳定图；
根据稳态判断条件将这些极点按稳定性进行分类，并以不同的图标和颜色标示；
稳态判断的流程和条件为：假设第i阶模型得到某一极点λi和第i+1阶模型得到的极点λi+1，根据对应极点计算得到频率、阻尼比模态参数是否满足如下条件，从而以不同的图标和颜色标示在稳定图中显示；
Figure BDA0003528449710000111
Figure BDA0003528449710000112
式(15)中，f，f′分别为i阶模型和i+1阶模型求得的模态频率参数，Δf为阈值；
式(16)中，ξ，ξ′分别为i阶模型和i+1阶模型求得的模态阻尼参数，Δξ为阈值；
利用动力学对结构进行诊断时对大型结构施加整体激励比较困难，一般只能做到局部激振得到结构的局部振动反应。而且结构的局部振动，相比整体振动更能准确地反映了结构局部特性；
低阶模态主要反映结构的整体动态特性，而高阶的局部模态则反映结构的局部动态特性，将二者有效联合起来，可实现实测信息的充分利用，有利于提升模型的计算效率。在满足结构整体及局部动态特性的基础上，适当的对模型进行缩聚，可减小求解计算规模，提高优化效率；
对稳态图中的数据点进行分析重构稳态图，获得更加符合实际需要的模态参数；
作为一种时域识别方法，随机子空间算法无法直接估算模型阶次，为保证获取全部模态信息，模型阶次往往被假定很大，这不可避免的引入大量的计算极点；
这些计算极点与测量噪声引起的噪声极点会对最终模态参数的拾取造成极大的干扰；
利用协方差驱动的随机子空间算法对N组结构信号进行模态参数识别，得到N组识别结果，每组结果都包含对应的频率值、阻尼比以及振型系数；
建立N组子集，分别从第一组子集开始，依次计算得到相邻子集之间的距离，构成距离矩阵；
根据是否满足上述距离公式，以此判断对应模态类型实现伪模态的剔除；
对剔除虚假模态后的模态进行参数的拾取利用图论聚类的方法；
图论聚类法，是将剔除虚假模态之后的稳定图映射为无向图，稳定图中的稳定点映射为无向图中的顶点，无向图中的边描述稳定点之间的联系，其中无向图中每一条边的权值，根据稳定点之间的模态相似程度定义。在无向图上构造最小生成树，定义阈值，从所构成的最小生成树中剔除权值大于阈值的边，计算合并后的新类别的最小生成树。每棵最小生成树充分利用其中稳定点的模态信息作为一个聚类树，分割聚类树进行曲线拟合自动设置聚类阈值限和聚类元素数目，进而可将具有相似特征的数据进行较好地聚类。同时，根据频率、模态振型相似度分别定义距离公式设置相应的阈值，对上述聚类后的稳定点进行二次聚类，此时稳定图中的稳定点，已经根据其间的相似程度划分为了不同的类。根据所设置的类中元素数目判断该类是否为真实模态类，从而实现对真实模态参数的自动拾取。
对稳定图中频率相近及振型相似的稳定点自动分类，定义频率指标的模态之间的距离，定义振型之间基于置信准则的距离；
Figure BDA0003528449710000121
dij2＝1-MACi，j (18)
基于距离矩阵，以各个稳定点之间的距离作为样本，然后将相关模态距离的三分之一作为dij1的阈值；
结合实际工程经验，可以选取MACi，j为0.1，进而得出dij2的阈值；
当满足如上公式(17)和公式(18)时，即相应的稳定点归为一类，统计元素个数完成模态参数的自动识别；
结合本发明内容，对某桥梁结构进行长期健康监测获得的振动响应数据进行分析处理，运用本发明所提出的改进的随机子空间识别方法对其进行模态参数识别，进而得到频率模态参数。如表1所示，相比传统随机子空间识别方法得到的频率模态参数，本发明的方法提高了模态参数的识别精度，在准确性方面有了极大的提升。
表1
Figure BDA0003528449710000131
综上所述，本发明提供了一种基于随机子空间算法的结构模态参数识别方法及装置，本发明通过对测点加速度响应数据的处理，由估测的系统模型阶次与加速度响应数据总长度的结合，来确定Toeplitz矩阵的最佳行数，对修正的托普利兹矩阵进行随机子空间法识别模态参数，得到了高精度频率模态参数、阻尼比模态参数，从而提升了随机子空间法的模态参数识别精度；因此本发明拥有广泛的应用前景。
需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种基于随机子空间算法的结构模态参数识别方法，其特征在于，包括以下步骤：
步骤1：在结构上共采集i个测点的加速度响应数据{yr|r＝1，2，...，i}；其中yr表示第r个测点的加速度响应数据；
步骤2：对采集到的加速度响应数据进行预处理，预处理之后计算每一列实测数据的协方差，并构造协方差矩阵，运用奇异值分解法对协方差矩阵进行奇异值分解，得到奇异值矩阵，由主元分析方法对奇异值矩阵进行计算，以得到结构的近似模型阶次k；
步骤3：通过步骤1中得到的加速度响应数据建立Hankel矩阵，Hankel矩阵中包含结构的全部响应信号；对Hankel矩阵分块为“过去yp”和“将来yf”两部分，每一部分的块行数相同；
步骤4：通过步骤3中构造的Hankel矩阵，输出协方差定义为：
Figure FDA0003528449700000011
测试中得到j个数据，设定输出数据具有各态历经，则离散状态空间方程和输出协方差公式如下：
Figure FDA0003528449700000012
Figure FDA0003528449700000013
式(1)中：vk，wk分别为不同的零均值高斯白噪声；xk+1表示第k+1时刻的状态向量；
步骤5：通过步骤4中计算得到的协方差序列组成Toeplitz矩阵，组成Toeplitz用于在保持结构实测响应信号原有信息的情况下缩减数据量，提高计算效率；
步骤6：通过对Toeplitz矩阵分别运用特征值法求解得稳定极点，运用加权交叠平均法获得功率谱曲线图，对比稳定极点构成的稳定轴数与加权交叠平均法功率谱曲线图中的峰值数是否相等；进而判断是否存在模态缺失，若存在模态缺失，利用线性相位滤波技术，它将按照信号能量与频率成正比，对频率分量作时移，保证了通过该滤波器的各频率成分的延迟一致，使得各分类组中不同模态分量之间的相位同步，从而保证信号不失真，再对各分类组中的模态分量进行模态识别分析；
步骤7：通过分析Toeplitz矩阵的行数与系统状态矩阵之间的关系，得出由不同的行数构成的托普利兹矩阵，由步骤2得到的模型近似阶次k和响应数据总长度l，确定Toeplitz矩阵的行数i需满足k＜i＜l；
步骤8：计算不同i值对应的Toeplitz矩阵，并对其进行奇异值分解，然后计算系统的状态矩阵A及输出矩阵C；
步骤9：对系统的状态矩阵A进行特征值分解，根据特征值与可控矩阵、可观矩阵的关系进而得到频率、阻尼及振型模态参数；
步骤10：由对系统矩阵A进行特征值分解得到的极点绘制稳定图，并以分别满足频率、阻尼、振型三者不同的计算公式及所设置的阈值限，以不同符号的颜色标示在稳定图中；
步骤11：分析稳定图中的数据特征，得出不同的模型阶数下其所对应的模态参数，根据稳定图中稳定轴的纵、横坐标的关系进而提取结构的相关信息，获得结构的整体模态特征参数和局部模态特征参数；
步骤12：结合实际工况的需求调整模态参数的阈值限，重新绘制稳定图，得到更加接近结构固有模态的模态参数；
步骤13：将识别得到的多组模态参数，分别用不同的子集表示，定义各子集之间模态参数的距离公式，设置距离阈值限，并对每一子集进行判断从而实现伪模态的剔除，以保证可以获取结构的真实模态信息；
步骤14：采用图论聚类法作为模态参数自动识别方法，对于剔除由计算极点与噪声极点等引起的虚假模态后的稳定图，建立最小生成树；根据所定义的频率、模态置信距离公式，以各个稳定极点之间的距离作为样本，综合利用频率、阻尼比，模态置信准则这些模态参数；设置聚类数目及聚类阈值限，进而完成模态参数的自动拾取。
2.根据权利要求1所述的一种基于随机子空间算法的结构模态参数识别方法，其特征在于，所述步骤2中预处理包括：利用多项式函数构造趋势项，对振动信号进行消除趋势项，进行平滑处理，采用平滑平均值法。
3.根据权利要求1所述的一种基于随机子空间算法的结构模态参数识别方法，其特征在于，所述步骤2中预处理包括：对采集到的加速度响应信号进行极点对称模态分解得到固有模态分量和残差分量，采用盲源分离法对所得分量进行分离，得分离信号进行频域转换得到噪声分量进行降噪处理。
4.根据权利要求1所述的一种基于随机子空间算法的结构模态参数识别方法，其特征在于，所述步骤13中模态参数自动识别方法根据稳定点之间的相似性大小，运用模态参数合理设置聚类阈值及聚类元素个数。
5.一种基于随机子空间算法的结构模态参数识别装置，其特征在于，采用权利要求1至4任一权利要求所述的结构模态参数识别方法，包括：
数据采集模块，用于采集结构体的振动响应加速度信号，所述的振动响应加速度信号为外界荷载对结构体施加激励下所产生的振动信号；
数据预处理模块，用于对采集的加速度振动响应数据进行消除趋势项和降噪处理；
初始参数及模态识别模块，包括：系统阶次设定单元、参数识别单元与模态筛选单元；
虚假模态剔除模块，用于利用结构体的频率、振型模态参数构造距离公式并设置合理的阈值限，实现对初始模态中所含有的虚假模态的剔除；
真实模态组合模块，用于针对剔除虚假模态后的模态参数，结合稳态图理论，得到结构在不同系统阶数下的状态空间模型，对每个模型进行模态参数识别，将得到的所有模态参数绘制在稳定图上，用来确定结构的模态参数，并将在不同模型阶数下相同的模态参数进行组合；
真实模态参数自动拾取模块，用于以样本数据的特征作为类的指标，充分利用各个稳定点的模态信息构造聚类树，分割聚类树进行曲线的拟合自动设置聚类阈值限和聚类元素数目，进而可将具有相似特征的数据进行较好地聚类，从而实现对真实模态参数的自动拾取。
CN202210204060.XA 2022-03-02 2022-03-02 一种基于随机子空间算法的结构模态参数识别方法及装置 Pending CN114626413A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210204060.XA CN114626413A (zh) 2022-03-02 2022-03-02 一种基于随机子空间算法的结构模态参数识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210204060.XA CN114626413A (zh) 2022-03-02 2022-03-02 一种基于随机子空间算法的结构模态参数识别方法及装置

Publications (1)

Publication Number Publication Date
CN114626413A true CN114626413A (zh) 2022-06-14

Family

ID=81900314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210204060.XA Pending CN114626413A (zh) 2022-03-02 2022-03-02 一种基于随机子空间算法的结构模态参数识别方法及装置

Country Status (1)

Country Link
CN (1) CN114626413A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997028A (zh) * 2022-07-18 2022-09-02 北京工业大学 一种基于改进稳定图的空间网格结构省时随机子空间方法
CN115357853A (zh) * 2022-08-22 2022-11-18 河海大学 一种基于快速随机子空间的工程结构模态参数识别方法
CN115436037A (zh) * 2022-08-24 2022-12-06 国网新疆电力有限公司电力科学研究院 基于ssi参数识别的输电杆塔健康状态判别方法及装置
CN116738571A (zh) * 2023-06-12 2023-09-12 盛年科技有限公司 手性点阵结构材料等效介质参数分析方法
CN117332205A (zh) * 2023-12-01 2024-01-02 深圳市城市公共安全技术研究院有限公司 压电阻抗温度补偿高精度自动优化方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997028A (zh) * 2022-07-18 2022-09-02 北京工业大学 一种基于改进稳定图的空间网格结构省时随机子空间方法
CN115357853A (zh) * 2022-08-22 2022-11-18 河海大学 一种基于快速随机子空间的工程结构模态参数识别方法
CN115357853B (zh) * 2022-08-22 2023-08-04 河海大学 一种基于快速随机子空间的工程结构模态参数识别方法
CN115436037A (zh) * 2022-08-24 2022-12-06 国网新疆电力有限公司电力科学研究院 基于ssi参数识别的输电杆塔健康状态判别方法及装置
CN116738571A (zh) * 2023-06-12 2023-09-12 盛年科技有限公司 手性点阵结构材料等效介质参数分析方法
CN116738571B (zh) * 2023-06-12 2024-02-09 盛年科技有限公司 手性点阵结构材料等效介质参数分析方法
CN117332205A (zh) * 2023-12-01 2024-01-02 深圳市城市公共安全技术研究院有限公司 压电阻抗温度补偿高精度自动优化方法及装置
CN117332205B (zh) * 2023-12-01 2024-03-12 深圳市城市公共安全技术研究院有限公司 压电阻抗温度补偿高精度自动优化方法及装置

Similar Documents

Publication Publication Date Title
CN114626413A (zh) 一种基于随机子空间算法的结构模态参数识别方法及装置
WO2021004154A1 (zh) 一种数控机床刀具剩余寿命预测方法
CN107657088B (zh) 基于mckd算法与支持向量机的滚动轴承故障诊断方法
CN106055918B (zh) 一种电力系统负荷数据的辨识及修正方法
Worden et al. Novelty detection in a changing environment: regression and interpolation approaches
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN112257530A (zh) 基于盲信号分离和支持向量机的滚动轴承故障诊断方法
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
CN115130495A (zh) 一种滚动轴承故障预测方法及系统
CN112131797B (zh) 一种基于应力分析的主轴轴承寿命预测和可靠性评估方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
CN111665050B (zh) 一种基于聚类k-svd算法的滚动轴承故障诊断方法
CN110555235A (zh) 基于向量自回归模型的结构局部缺陷检测方法
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN109798920A (zh) 基于改进emd的mems陀螺随机误差建模滤波方法
CN111181634B (zh) 一种分布式光纤振动信号快速定位方法
CN103852525A (zh) 基于ar-hmm的声发射信号识别方法
CN112636328B (zh) 一种中压配电网设备负荷状态辨识方法
CN109840386B (zh) 基于因子分析的损伤识别方法
CN116990633A (zh) 一种基于多特征量的故障研判方法
CN114781083A (zh) 一种发动机稳态数据层次分析与稳态数据特征值提取方法
CN113889147A (zh) 一种基于动态时间弯曲算法的机械系统声纹信号匹配方法
Al-Bugharbee et al. Autoregressive modelling for rolling element bearing fault diagnosis
CN114372344A (zh) 一种次同步振荡阻尼特性影响因素的量化辨识方法

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