CN116680662A - 一种基于压缩感知的自动工作模态分析方法 - Google Patents

一种基于压缩感知的自动工作模态分析方法 Download PDF

Info

Publication number
CN116680662A
CN116680662A CN202310435433.9A CN202310435433A CN116680662A CN 116680662 A CN116680662 A CN 116680662A CN 202310435433 A CN202310435433 A CN 202310435433A CN 116680662 A CN116680662 A CN 116680662A
Authority
CN
China
Prior art keywords
mode
target
modes
compressed sensing
frequency
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.)
Granted
Application number
CN202310435433.9A
Other languages
English (en)
Other versions
CN116680662B (zh
Inventor
王迎
周健
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School 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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN202310435433.9A priority Critical patent/CN116680662B/zh
Publication of CN116680662A publication Critical patent/CN116680662A/zh
Application granted granted Critical
Publication of CN116680662B publication Critical patent/CN116680662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于压缩感知的自动工作模态分析方法，通过若干传感器随机采样获取目标结构的振动响应信号；设置初始频率范围并建立相应的频率字典，基于频率字典通过压缩感知优化算法获取稀疏系数；从频率字典中选择所述稀疏系数最大的前若干位候选模态；获取各候选模态之间的模态置信度，根据稀疏系数和模态置信度筛选出若干目标模态；根据各目标模态确定目标频率范围并建立相应的频率字典，根据目标频率范围和相应的频率字典确定目标结构的工作模态参数。解决了目前基于压缩感知的无重构工作模态参数识别方法的自动程度低，需要用户评判所得到的模态参数，存在人为误差、时间成本和人力成本较高的问题。

Description

一种基于压缩感知的自动工作模态分析方法
技术领域
本发明涉及计算机技术领域，尤其涉及的是一种基于压缩感知的自动工作模态分析方法。
背景技术
模态分析是研究结构动力行为的一种重要方式，也是结构健康监测的主要组成之一。结构的模态参数具体为模态频率、模态阻尼比、模态振型，模态参数识别为建筑设计和施工、动力学分析、疲劳分析、损伤识别等领域常用的方式。
传统采样定理—奈奎斯特-香农采样定理要求采样频率不小于大于感兴趣的最高模态频率的两倍，对于长期监测而言，采集的样本的数据量很大，大量数据会极大的增加计算负担而且会消耗无线传感器电源的大量的电量。压缩感知(Compressive Sensing,CS)是一种结合信号采集和数据压缩的数学方法，由于结构振动信号有一定的稀疏性，所以能够以显著低于传统奈奎斯特率采集信号。
现有的基于CS的无重构工作模态参数识别方法有先验稀疏分解(Prior sparsedecomposition,PSD)，然而PSD的自动化程度较低，需要用户评判所得到的模态参数，存在一定的人为误差，并且时间成本和人力成本较高。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于压缩感知的自动工作模态分析方法，旨在解决现有技术中基于压缩感知的无重构工作模态参数识别方法的自动程度较低，存在一定的人为误差，并且时间成本和人力成本较高的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种基于压缩感知的自动工作模态分析方法，其中，所述方法包括：
通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
在一种实施方式中，所述频率字典采用离散正弦变换作为基函数。
在一种实施方式中，所述获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态，包括：
根据各所述候选模态筛选出所述稀疏系数位于峰值的若干第一模态；
根据各所述第一模态筛选出非噪声的若干第二模态；
根据各所述第二模态筛选出非谐波的若干所述目标模态。
在一种实施方式中，所述根据各所述第一模态筛选出非噪声的若干第二模态，包括：
针对每一所述第一模态，判断该第一模态的邻域是否存在虚假模态，其中，所述虚假模态与该第一模态在频率和模态振型上的相似度均小于第一预设值；
当该第一模态的邻域存在所述虚假模态时，将该第一模态作为非噪声的所述第二模态；
当该第一模态的邻域不存在所述虚假模态时，获取各所述第一模态两两之间的模态置信度的平均值，当所述平均值小于第二预设值时，将该第一模态作为非噪声的所述第二模态。
在一种实施方式中，所述根据各所述第二模态筛选出非谐波的若干所述目标模态，包括：
获取各所述第二模态两两之间的模态置信度的最大值，判断所述最大值是否小于模态置信度阈值；
当否时，去除所述最大值对应的两者中所述稀疏系数值小的所述第二模态，继续执行获取各所述第二模态两两之间的模态置信度的最大值的步骤，直至所述最大值小于所述模态置信度阈值，将剩余的各所述第二模态作为所述目标模态。
在一种实施方式中，所述工作模态参数包括目标模态频率和目标模态振型，所述根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数，包括：
根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围从相应的所述频率字典中确定目标模态频率和所述目标模态频率对应的目标稀疏系数矩阵；
根据所述目标稀疏系数矩阵，确定所述目标结构对应的目标模态振型。
在一种实施方式中，所述方法还包括：
获取所述目标结构对应的原始模态参数；
根据所述原始模态参数和所述工作模态参数，判断所述目标结构是否处于损伤状态；
当是时，根据所述工作模态参数确定所述目标结构对应的损伤位置。
第二方面，本发明实施例还提供一种基于压缩感知的自动工作模态分析装置，其中，所述装置包括：
采样模块，用于通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
搜索模块，用于设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
筛选模块，用于从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
确定模块，用于根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括有存储器和一个以上的处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如上述任一所述的基于压缩感知的自动工作模态分析方法的指令；所述处理器用于执行所述程序。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有多条指令，其中，所述指令适用于由处理器加载并执行，以实现上述任一所述的基于压缩感知的自动工作模态分析方法的步骤。
本发明的有益效果：本发明实施例可以实现基于压缩感知自动分析工作模态参数。解决了现有技术中基于压缩感知的无重构工作模态参数识别方法的自动程度低，需要用户评判所得到的模态参数，存在人为误差，并且时间成本和人力成本较高的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的基于压缩感知的自动工作模态分析方法的流程示意图。
图2是本发明实施例提供的四自由度质量-弹簧-阻尼结构示意图。
图3是本发明实施例提供的β＝0时基于四自由度质量-弹簧-阻尼系统测量的振动位移响应信号的压缩前原始信号的时域图。
图4是本发明实施例提供的β＝0时基于四自由度质量-弹簧-阻尼系统测量的振动位移响应数据的压缩前原始信号的频谱图。
图5是本发明实施例提供的基于压缩感知的自动工作模态分析装置的模块示意图。
图6是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了一种基于压缩感知的自动工作模态分析方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
针对现有技术的上述缺陷，本发明提供一种基于压缩感知的自动工作模态分析方法，所述方法包括：
步骤S100、通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
步骤S200、设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
步骤S300、从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
步骤S400、根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
本实施例的目标是自动识别实际工程结构在工作激励下的模态参数，从而辅助结构振动控制、状态识别以及损伤识别。为了便于理解本发明，首先需要说明的是，在结构动力学理论中，对于n自由度的线性时不变系统，运动控制方程为：
其中，M∈Rn×n是质量矩阵，C∈Rn×n是阻尼矩阵,K∈Rn×n是刚度矩阵，Ft是随机激励矩阵，X是n维位移响应矩阵；
振动位移响应X(t)＝[X1(t)，...，Xn(t)]T可分解为：
其中，Γ是具有元素Aj的对角系数矩阵，Ψ＝[ψ1，...，ψn]为模态振型矩阵，S是具有元素的模态坐标矩阵，ωn,j、ωd,j、ξj、θj分别是第j阶模态的无阻尼固有频率、有阻尼固有频率、模态阻尼比和相位；
随机信号Y(即随机采样下的振动响应信号)可分解为：
Y＝XΦ＝ΨΓSΦ+e；
其中，Φ是压缩矩阵(M×L)。
具体地，本实施例预先在目标结构的不同位置分别设置了传感器，然后通过随机时间采样的方式获取目标结构在工作激励下各传感器测得的振动响应信号(时域响应信号)。此外，本实施例还设定了一个较大的初始频率范围并建立对应的频率字典D。需要理解的是，Y可以稀疏表示为： γ用于包括ΨΓ，根据压缩感知理论可知，如果γ和D满足约束等距性条件，且γ在D域中是稀疏的，基于频率字典(与初始频率范围相关)通过压缩感知优化算法获取振动响应信号不同模态的稀疏系数，即能够振动响应信号的稀疏解(稀疏系数矩阵γ)，方程为：Arg min||γ||1s.t.||γDΦ-Y||2≤ε。然后从频率字典中挑选预设数量(p1)的稀疏系数值较大(例如稀疏系数值排前若干位)的元素/原子作为候选模态，这些候选模态的稀疏系数可以基于前述的振动响应信号的稀疏解确定。然后以模态置信度准则(MAC)和稀疏系数为指标，从各候选模态中挑选出符合标准的若干目标模态，再基于这些目标模态确定一个更小的目标频率范围并建立对应的频率字典，然后根据目标频率范围从频率字典中提取出目标结构的模态频率和模态振型，即得到目标结构的工作模态参数。本发明采用压缩感知优化算法根据振动响应信号自动从频率字典中提取目标结构的工作模态参数，减少了模态分析过程中的人工参与，进而减少人为误差和时间、人力成本。
在一种实现方式中，所述压缩感知优化算法为L1-magic算法。
具体地，L1-magic是用于压缩信号的稀疏表示的强大算法之一，其性能优良，不需要假设信号的稀疏度。通过L1-magic算法在频率字典搜索模态参数，可以更好地实现基于压缩感知的工作模态参数识别。
在一种实现方式中，所述初始频率范围为无阻尼频率搜索范围，无阻尼频率搜索范围可以设定为0-采样频率的一半。
在一种实现方式中，所述频率字典采用离散正弦变换作为基函数。
具体地，本实施例采用离散正弦变换作为基函数建立频率字典D中的频率字典D包括S，即实际模态坐标矩阵。除此之外，频率字典D还可以包括其他感兴趣的情况。频率字典包括若干元素/原子，每一元素/原子对应频率字典中的一行数据，且都具有相应的稀疏系数。频率字典中的元素/原子可表示为：
d＝sin(ωd，jt)；
其中，ωd,j是第j阶模态的有阻尼固有频率，t是离散时间向量。
在一种实现方式中，所述步骤S400具体包括：
步骤S401、根据各所述候选模态筛选出所述稀疏系数位于峰值的若干第一模态；
步骤S402、根据各所述第一模态筛选出非噪声的若干第二模态；
步骤S403、根据各所述第二模态筛选出非谐波的若干所述目标模态。
具体地，本实施例首先采用峰值提取法从各候选模态中筛选出若干第一模态，位于峰值的候选模态所对应的稀疏系数的值应当大于相邻点。然后再将各第一模态中噪声对应的模态删除，剩余的即为第二模态。最后再将各第二模态中谐波对应的模态删除，剩余的即为目标模态。这些目标模态在一定程度上可以反映目标结构的真实模态。
在一种实现方式中，所述步骤S402具体包括：
步骤S4021、针对每一所述第一模态，判断该第一模态的邻域是否存在虚假模态，其中，所述虚假模态与该第一模态在频率和模态振型上的相似度均小于第一预设值；
步骤S4022、当该第一模态的邻域存在所述虚假模态时，将该第一模态作为非噪声的所述第二模态；
步骤S4023、当该第一模态的邻域不存在所述虚假模态时，获取各所述第一模态两两之间的模态置信度的平均值，当所述平均值小于第二预设值时，将该第一模态作为非噪声的所述第二模态。
具体地，本实施例判断某个第一模态是否为噪声时，会基于稀疏系数的质量考虑两种情况。第一种情况为不理想情况，这种情况下真实模态附近会产生大量频率和模态振型相近的谐波，而噪声附近不会产生谐波，因此本实施例首先基于是否存在虚假模态来评估该第一模态是否为噪声。若根据第一种情况评估该第一模态为噪声，则考虑第二种情况。第二种情况为理想情况，这种情况下不会产生大量谐波，而噪声与真实模态的模态振型相近，所以本实施例其次会基于模态置信度的平均值来评估该第一模态是否为噪声。若根据第二种情况也评估该第一模态为噪声，则判断该第一模态为噪声，需要删除。
举例说明，模态置信度(MAC)的计算方式为：
其中，{ψi}为第i个模态的模态振型，{ψj}为第j个模态的模态振型，MACij可以用于衡量两个模态的模态振型的相关性。
针对第一种情况，真实模态附近会产生谐波，而噪声附近不会产生谐波，因此基于是否存在虚假模式来进行评估。若第一模态的稀疏系数的值与相邻点的值很接近，表示该第一模态存在虚假模态，其不是噪声。当满足下述公式时，表示存在虚假模态：
若该第一模态周围不存在值相近的元素，表示该第一模态不存在虚假模态，则需要根据第二种情况来判断其是否为噪声。第二种情况下噪声与真实模态的模态振型相近，所以根据MAC的均值来进行评估，当满足下述公式时，表示该第一模态不是噪声：
若该第一模态既不满足第一种情况，同时也不满足第二种情况，则判定该第一模态为噪声，需要删除。将所有噪声删除后，剩余的即为非噪声的第二模态。
在一种实现方式中，所述步骤S403具体包括：
步骤S4031、获取各所述第二模态两两之间的模态置信度的最大值，判断所述最大值是否小于模态置信度阈值；
步骤S4032、当否时，去除所述最大值对应的两者中所述稀疏系数值小的所述第二模态，继续执行获取各所述第二模态两两之间的模态置信度的最大值的步骤，直至所述最大值小于所述模态置信度阈值，将剩余的各所述第二模态作为所述目标模态。
去除噪声以后还需要去除各第二模态中可能存在的谐波。具体地，计算各第二模态两两之间的MAC值，然后在所有MAC值中找到最大值，判断其是否小于预设的MAC阈值，当否时，删除该最大值对应的两者中稀疏系数值小的第二模态。然后针对剩余的所有MAC值，继续执行在所有MAC值中找到最大值的步骤，直至找到的最大值小于MAC阈值，将剩余的所有候选模态作为目标模态。
举例说明，寻找所有MAC中的最大值依次去除谐波，直至剩余的所有MAC均满足下述公式：
MACij<p2(i＝1,…,p1,i≠j)；
其中，p2为设定的MAC阈值。
在一种实现方式中，所述工作模态参数包括目标模态频率和目标模态振型，所述步骤S500具体包括：
步骤S501、根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围从相应的所述频率字典中确定目标模态频率和所述目标模态频率对应的目标稀疏系数矩阵；
步骤S502、根据所述目标稀疏系数矩阵，确定所述目标结构对应的目标模态振型。
具体地，各目标模态在一定程度上可以反映目标结构的真实模态，因此本实施例基于各目标模态确定一个精准的、较小的目标频率范围进行搜索，从频率字典中确定目标模态频率和其对应的目标稀疏系数矩阵。然后从目标稀疏系数矩阵中提取目标模态振型，从而得到目标结构的工作模态参数。
在一种实现方式中，所述方法还包括评估所述目标模态振型的识别精度。具体地，可以使用模态置信度准则(MAC)评估模态振型的识别精度：
其中，为识别的第j阶模态振型，{ψj}为第j阶理论模态振型，MAC范围在0到1之间。当MAC值越趋近于1时，识别的模态振型精度越高。
在一种实现方式中，所述方法还包括评估固有频率(即目标模态频率)的识别精度：
其中，ωj表示理论第j阶固有频率，ω'j表示识别的第j阶固有频率。当Δωj越接近0时，识别的固有频率精度越高。
在一种实现方式中，所述方法还包括：
步骤S600、获取所述目标结构对应的原始模态参数；
步骤S601、根据所述原始模态参数和所述工作模态参数，判断所述目标结构是否处于损伤状态；
步骤S602、当是时，根据所述工作模态参数确定所述目标结构对应的损伤位置。
具体地，原始模态参数是在目标结构完好无损时测得的。本实施例通过若干随机采样的传感器获取目标结构的多个振动响应信号，即得到一组多通道振动响应信号数据。由于各传感器分别设置于目标结构的不同部位，因此通过对比原始模态参数和各振动响应信号计算出的工作模态参数，就可以判断目标结构当前是否有损伤以及具体的损伤位置。
为了证明本发明的技术效果，发明人采用四自由度质量-弹簧-阻尼系统进行试验。将质量矩阵设置为M＝diag([1 1 1 1])，刚度矩阵被设置为：
阻尼矩阵设置为C＝0.1M+βK，考虑β＝0和0.00008，激励F是零均值、单位方差的高斯白噪声矩阵。然后基于数值软件进行仿真，采样频率为20Hz的振动响应数据，采样5000次，压缩比为5和8，压缩后的随机信号用于本发明方法性能的验证。参数p1＝100，p2＝0.4。如图2所示为四自由度质量-弹簧-阻尼结构示意图；如图3所示为β＝0时基于四自由度质量-弹簧-阻尼系统测量的振动位移响应信号的压缩前原始信号的时域图；如图4所示为β＝0时基于四自由度质量-弹簧-阻尼系统测量的振动位移响应数据的压缩前原始信号的频谱图。
通过本发明方法识别的模态参数如表1所示，由表中结果可知，本发明方法有较好的识别精度。需要说明的是，由于对于随机振动的模态阻尼比识别需要额外的前处理，而该前处理不涉及本发明方法，故不展示阻尼比结果，但本发明方法可以成功在自由振动下识别模态阻尼比。
表1.基于四自由度质量-弹簧-阻尼系统识别的模态参数
综上，本发明的优点在于：1.能够实现自动化，有效减少计算时间，提高模态参数的识别精度和鲁棒性；2.无需在传感器添加额外模块；3.可被用于设备故障诊断、健康监测以及系统结构分析与优化。本发明的创新点在于：1.提出自动挑选模态的策略；2.使用L1-magic算法；3.可以直接从压缩信号中提取模态参数；4.使用离散正弦变换作为基函数构建频率字典。
基于上述实施例，本发明还提供了一种基于压缩感知的自动工作模态分析装置，如图5所示，所述装置包括：
采样模块01，用于通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
搜索模块02，用于设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
筛选模块03，用于从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
确定模块04，用于根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
基于上述实施例，本发明还提供了一种终端，其原理框图可以如图6所示。该终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏。其中，该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于压缩感知的自动工作模态分析方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一种实现方式中，所述终端的存储器中存储有一个以上的程序，且经配置以由一个以上的处理器执行所述一个以上程序包含用于进行基于压缩感知的自动工作模态分析方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述，本发明公开了一种基于压缩感知的自动工作模态分析方法，通过若干传感器随机采样获取目标结构的振动响应信号；设置初始频率范围并建立相应的频率字典，基于频率字典通过压缩感知优化算法获取稀疏系数；从频率字典中选择稀疏系数最大的前若干位候选模态，获取各候选模态两两之间的模态置信度，根据稀疏系数和模态置信度从各候选模态中筛选出若干目标模态；根据各目标模态确定目标频率范围并建立相应的频率字典，根据目标频率范围和相应的频率字典确定目标结构的工作模态参数。解决了现有技术中基于压缩感知的无重构工作模态参数识别方法的自动程度低，需要用户评判所得到的模态参数，存在人为误差，并且时间成本和人力成本较高的问题。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种基于压缩感知的自动工作模态分析方法，其特征在于，所述方法包括：
通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
2.根据权利要求1所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述频率字典采用离散正弦变换作为基函数。
3.根据权利要求1所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态，包括：
根据各所述候选模态筛选出所述稀疏系数位于峰值的若干第一模态；
根据各所述第一模态筛选出非噪声的若干第二模态；
根据各所述第二模态筛选出非谐波的若干所述目标模态。
4.根据权利要求3所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述根据各所述第一模态筛选出非噪声的若干第二模态，包括：
针对每一所述第一模态，判断该第一模态的邻域是否存在虚假模态，其中，所述虚假模态与该第一模态在频率和模态振型上的相似度均小于第一预设值；
当该第一模态的邻域存在所述虚假模态时，将该第一模态作为非噪声的所述第二模态；
当该第一模态的邻域不存在所述虚假模态时，获取各所述第一模态两两之间的模态置信度的平均值，当所述平均值小于第二预设值时，将该第一模态作为非噪声的所述第二模态。
5.根据权利要求3所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述根据各所述第二模态筛选出非谐波的若干所述目标模态，包括：
获取各所述第二模态两两之间的模态置信度的最大值，判断所述最大值是否小于模态置信度阈值；
当否时，去除所述最大值对应的两者中所述稀疏系数值小的所述第二模态，继续执行获取各所述第二模态两两之间的模态置信度的最大值的步骤，直至所述最大值小于所述模态置信度阈值，将剩余的各所述第二模态作为所述目标模态。
6.根据权利要求1所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述工作模态参数包括目标模态频率和目标模态振型，所述根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数，包括：
根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围从相应的所述频率字典中确定目标模态频率和所述目标模态频率对应的目标稀疏系数矩阵；
根据所述目标稀疏系数矩阵，确定所述目标结构对应的目标模态振型。
7.根据权利要求1所述的基于压缩感知的自动工作模态分析方法，其特征在于，所述方法还包括：
获取所述目标结构对应的原始模态参数；
根据所述原始模态参数和所述工作模态参数，判断所述目标结构是否处于损伤状态；
当是时，根据所述工作模态参数确定所述目标结构对应的损伤位置。
8.一种基于压缩感知的自动工作模态分析装置，其特征在于，所述装置包括：
采样模块，用于通过若干传感器随机采样获取目标结构的振动响应信号，其中，各所述传感器分别位于所述目标结构的不同部位；
搜索模块，用于设置初始频率范围并建立相应的频率字典，基于所述频率字典通过压缩感知优化算法获取稀疏系数；
筛选模块，用于从所述频率字典中选择所述稀疏系数最大的前若干位候选模态，获取各所述候选模态两两之间的模态置信度，根据所述稀疏系数和所述模态置信度从各所述候选模态中筛选出若干目标模态；
确定模块，用于根据各所述目标模态确定目标频率范围并建立相应的所述频率字典，根据所述目标频率范围和相应的所述频率字典确定所述目标结构的工作模态参数。
9.一种终端，其特征在于，所述终端包括有存储器和一个以上的处理器；所述存储器存储有一个以上的程序；所述程序包含用于执行如权利要求1-7中任一所述的基于压缩感知的自动工作模态分析方法的指令；所述处理器用于执行所述程序。
10.一种计算机可读存储介质，其上存储有多条指令，其特征在于，所述指令适用于由处理器加载并执行，以实现上述权利要求1-7任一所述的基于压缩感知的自动工作模态分析方法的步骤。
CN202310435433.9A 2023-04-19 2023-04-19 一种基于压缩感知的自动工作模态分析方法 Active CN116680662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310435433.9A CN116680662B (zh) 2023-04-19 2023-04-19 一种基于压缩感知的自动工作模态分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310435433.9A CN116680662B (zh) 2023-04-19 2023-04-19 一种基于压缩感知的自动工作模态分析方法

Publications (2)

Publication Number Publication Date
CN116680662A true CN116680662A (zh) 2023-09-01
CN116680662B CN116680662B (zh) 2024-03-08

Family

ID=87784341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310435433.9A Active CN116680662B (zh) 2023-04-19 2023-04-19 一种基于压缩感知的自动工作模态分析方法

Country Status (1)

Country Link
CN (1) CN116680662B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100262390A1 (en) * 2009-04-10 2010-10-14 University Of South Carolina System and method for modal identification using smart mobile sensors
US20150032990A1 (en) * 2013-07-29 2015-01-29 The Regents Of The University Of California Scalable and Parameterized VLSI Architecture for Compressive Sensing Sparse Approximation
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN109632310A (zh) * 2019-01-18 2019-04-16 北京化工大学 一种基于特征增强的轴承故障诊断方法
CN112329855A (zh) * 2020-11-05 2021-02-05 华侨大学 基于自适应字典的欠定工作模态参数识别方法及检测方法
CN112507606A (zh) * 2020-11-05 2021-03-16 华侨大学 基于rbf网络的欠定工作模态参数识别方法及检测方法
CN115614309A (zh) * 2021-12-30 2023-01-17 西安交通大学 基于Lp范数正则化的航空发动机周向声模态测量方法
CN115982626A (zh) * 2023-01-06 2023-04-18 哈尔滨工业大学（深圳） 一种基于压缩感知的无重构模态参数获取方法及检测方法
CN115982625A (zh) * 2023-01-06 2023-04-18 哈尔滨工业大学（深圳） 一种基于先验信息的长期工作模态分析方法及检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100262390A1 (en) * 2009-04-10 2010-10-14 University Of South Carolina System and method for modal identification using smart mobile sensors
US20150032990A1 (en) * 2013-07-29 2015-01-29 The Regents Of The University Of California Scalable and Parameterized VLSI Architecture for Compressive Sensing Sparse Approximation
CN105424359A (zh) * 2015-11-25 2016-03-23 华南理工大学 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法
CN109632310A (zh) * 2019-01-18 2019-04-16 北京化工大学 一种基于特征增强的轴承故障诊断方法
CN112329855A (zh) * 2020-11-05 2021-02-05 华侨大学 基于自适应字典的欠定工作模态参数识别方法及检测方法
CN112507606A (zh) * 2020-11-05 2021-03-16 华侨大学 基于rbf网络的欠定工作模态参数识别方法及检测方法
CN115614309A (zh) * 2021-12-30 2023-01-17 西安交通大学 基于Lp范数正则化的航空发动机周向声模态测量方法
CN115982626A (zh) * 2023-01-06 2023-04-18 哈尔滨工业大学（深圳） 一种基于压缩感知的无重构模态参数获取方法及检测方法
CN115982625A (zh) * 2023-01-06 2023-04-18 哈尔滨工业大学（深圳） 一种基于先验信息的长期工作模态分析方法及检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DEBASISH JANA等: "Data-driven full-field vibration response estimation from limited measurements in real-time using dictionary learning and compressive sensing", ENGINEERING STRUCTURES, pages 1 - 20 *
李宏林: "基于字典学习的齿轮箱故障诊断方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 3 - 4 *
李帅永;毛维培;程振华;韩明秀;夏传强;: "基于VMD和K-SVD字典学习的供水管道泄漏振动信号压缩感知方法", 仪器仪表学报, no. 03, pages 49 - 60 *
王晓玉: "结构健康监测数据压缩采样与重构的群稀疏优化算法", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 2 - 4 *

Also Published As

Publication number Publication date
CN116680662B (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
Paulson et al. Data-driven reduced-order models for rank-ordering the high cycle fatigue performance of polycrystalline microstructures
Au Uncertainty law in ambient modal identification—Part I: Theory
US7363172B2 (en) Method and apparatus for detecting damage in structures
CN112329855B (zh) 基于自适应字典的欠定工作模态参数识别方法及检测方法
Beck et al. Stochastic fracture mechanics using polynomial chaos
CN114565003B (zh) 基于压缩采样和字典稀疏分解的欠定工作模态分析方法
CN114611582B (zh) 一种基于近红外光谱技术分析物质浓度的方法及系统
CN113935535A (zh) 一种面向中长期预测模型的主成分分析方法
CN113465734B (zh) 一种结构振动的实时估计方法
CN116680662B (zh) 一种基于压缩感知的自动工作模态分析方法
CN115982625B (zh) 一种基于先验信息的长期工作模态分析方法及检测方法
CN112859192A (zh) 岩心饱和度预测模型构建方法与岩心饱和度预测方法
Sadeqi et al. Automated operational modal analysis based on long‐term records: A case study of Milad Tower structural health monitoring
CN115982626A (zh) 一种基于压缩感知的无重构模态参数获取方法及检测方法
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
CN114398228A (zh) 一种设备资源使用情况的预测方法、装置及电子设备
CN115204532A (zh) 基于多变量误差修正组合模型的油气产量预测方法及系统
Alamilla et al. Seismicity assessment using earthquake catalogues with uncertain and incomplete data: probabilistic formulation
O'Brien et al. EWSmethods: an R package to forecast tipping points at the community level using early warning signals, resilience measures, and machine learning models
CN113158142A (zh) 一种确定人工湿地有机污染物去除路径贡献率的定量计算方法
CN111721685A (zh) 复杂储层t2谱转换毛管压力曲线的方法及系统
CN110738248A (zh) 状态感知数据特征提取方法及装置、系统性能评估方法
Kolgatin Computer-based simulation of stochastic process for investigation of efficiency of statistical hypothesis testing in pedagogical research
CN114386525B (zh) 一种评估标准的自适应调整方法、装置、设备和存储介质
CN113761771B (zh) 多孔材料吸声性能预测方法、装置、电子设备和存储介质

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
GR01 Patent grant
GR01 Patent grant