CN117688422A - 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 - Google Patents
基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117688422A CN117688422A CN202311549382.9A CN202311549382A CN117688422A CN 117688422 A CN117688422 A CN 117688422A CN 202311549382 A CN202311549382 A CN 202311549382A CN 117688422 A CN117688422 A CN 117688422A
- Authority
- CN
- China
- Prior art keywords
- modal
- order
- time
- frequency
- component analysis
- 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 103
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000013016 damping Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000003064 k means clustering Methods 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 15
- 238000012880 independent component analysis Methods 0.000 description 14
- 238000000926 separation method Methods 0.000 description 14
- 230000005284 excitation Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
基于改进稀疏分量分析的欠定模态参数识别方法,(1)输入;(2)将响应数据转换至时频域;(3)自回归谱分析,通过峰值检测识别峰值点位置和模态阶次;(4)对时频系数进行模运算,剔除低能量点,再利用余弦距离判定法求解各阶模态响应对应的单源点;(5)由单源点检测结果生成模态响应的时频掩码,重构各阶模态响应;对各阶模态响应点作归一化处理,采用K‑means聚类求解各聚类方向,构造模态振型矩阵;(6)将模态响应转换到时域,应用基于单自由度拟合技术的单模态识别方法,求解模态固有频率和阻尼比;(7)输出:模态频率、阻尼比和模态振型。本发明使得该方法识别精度较高,改善了其鲁棒性和适用性,属于结构健康监测领域。
Description
技术领域
本发明涉及结构健康监测领域,具体涉及一种基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质。
背景技术
桥梁结构健康监测(Structural Health Monitoring,SHM)旨在对桥梁工程结构在建造和服役中的承载受力情况、损伤演化规律进行全生命周期的监测,为结构状态评估和预警、设计理论和模型验证、传感器及结构控制装置等方面的研究提供了重要的技术支持。SHM领域中的模态分析旨在利用观测动力响应数据来识别结构的动力特性参数,如频率、阻尼比和模态振型等,然后开展结构有限元模型修正、结构状态评估和损伤识别等工作。运营模态分析(Operational Modal Analysis,OMA)能在无需人为施加荷载激励、无需中断交通的情况下对环境激励下的结构进行模态分析,已经成为了模态分析领域的主流方法。
SHM领域的发展日新月异,对OMA提出了自动化、智能化等新要求——要求OMA方法既能够自动地对环境激励下的结构进行模态参数识别,又能智能地克服噪声、虚假模态和密集模态等因素的干扰。对于传统的OMA方法,如频域分解法(Frequency DomainDecomposition,FDD)、特征系统实现算法(Eigensystem Realization Algorithm,ERA)和随机子空间识别(Stochastic Subspace Identification,SSI)等,在应用过程中存在一定局限:其一,在稳定图分析等环节中需要有专家参与稳定极点的选取等工作;其二,为了证明模态识别结果的可靠性,需要借助有限元分析结果进行验证。上述问题不仅引入了主观误差因素,还降低了OMA的效率和自动化水平。随着对OMA研究的不断深入,涌现出越来越多的模态分析方法。其中,语音识别领域中的盲源分离方法(Blind Source Separation,BSS)凭借其模型简单、实施快速以及自动化程度高等特点优势,有效推动了关于结构模态参数自动、智能识别算法的研究。
基于盲源分离(BSS)的运营模态识别方法的基本原理是:在仅已知观测信号的情况下,通过独立性、稀疏性等判别标准对单阶模态响应进行分离,同时求解模态振型矩阵,进而分别识别各阶模态参数。根据传感器数(n)和激活模态阶次数(m)之间的数量关系,可将BSS问题划分为超定问题、正定问题和欠定问题。当前用于运营模态识别的盲源分离技术主要有:独立分量分析、二阶盲识别和稀疏分量分析等。
1、独立分量分析方法(Independent Component Analysis,ICA)
独立分量分析(ICA)是盲源分离的核心技术,其基本原理是:在源信号及其混合矩阵均未知的情况下,对混合信号矢量进行分析,取各独立矢量之间统计相关性最小的结果作为源信号分离结果,进而求解源信号的混合矩阵。通常各源信号的概率密度分布是未知的,为此,学者们提出了一系列关于各源信号间独立性的度量标准,如互信息、信息熵和非高斯性等,用来进行源信号的分离。
2、二阶盲识别方法(Second-Order Blind Identification,SOBI)
SOBI方法需要假设源信号间在空间上不相关,而在时间上相关,然后利用根据时间序列数据构建的协方差矩阵进行模态参数识别。与ICA相比,SOBI方法无需观测信号的高阶统计信息,而且具有更好的噪声鲁棒性。
3、稀疏分量分析方法(Sparse Component Analysis,SCA)
随着桥梁的跨度和结构复杂程度的不断增加,需要布设足够多的传感器来获取完整的结构模态信息,而且模态试验中传感器的数量会受到成本的限制,因此,在对结构实施运营模态分析时,常会遇到激活模态阶次数大于传感器数的欠定工况。对欠定工况下的观测信号进行模态分析时容易发生信息缺失或病态矩阵等问题。因此,有必要对欠定工况下的运营模态参数识别方法进行研究。
SCA是求解欠定模态识别问题的一种主流方法,其基本原理是将观测信号转换到时频域或其他稀疏域,进而利用观测信号在稀疏域中表现出的稀疏性对源信号进行分离。基于SCA的模态参数识别方法的主要步骤为:观测信号的稀疏变换、单源点检测、模态振型矩阵估计和模态响应源信号重构。首先,采用短时傅里叶变换等稀疏变换方法将信号转换到时频域中,使其表现出稀疏特性;单源点检测则是利用信号点在时频域中的稀疏性和线性聚类特性识别各阶模态对应的信号点;接着,通过归一化和聚类算法利用单源点求解各阶模态的振型方向,完成模态振型矩阵估计;然后,采用基于L1范数最小化的稀疏恢复算法来重构模态响应;最后通过单模态识别算法对各阶模态响应进行模态参数识别。其中,源信号的恢复效果取决于模态振型矩阵估计的质量。因此,模态振型矩阵估计是SCA方法的重点的研究环节之一。模态振型矩阵的确定通常采用聚类算法,包括划分式聚类方法、层次式聚类方法、基于密度的聚类方法以及基于网格的聚类方法。
随着关于ICA方法的研究的不断推进,学者们发现ICA存在一些问题。一方面,ICA在密集模态、欠定问题和中高阻尼结构等工况下的适用性差。这是因为在ICA的假设下,只允许至多存在一个满足高斯分布的源信号,然而,在上述工况中模态响应源信号不再满足ICA的独立性假设,进而导致ICA方法的模态参数识别结果较差。
虽然SOBI方法无需观测信号的高阶统计信息,但是在中高阻尼结构、非平稳激励、强噪声干扰、密集模态或欠定问题等工况下,传统SOBI的模态参数识别效果不理想。
研究表明,SCA方法存在两个主要问题。其一是模态响应源信号重构的效率问题。大部分SCA方法均采用基于L1范数最小化的稀疏恢复算法来重构模态响应,此类算法虽然精度高,但是在运行过程中需要穷尽所有可能的模态振型组合,尤其是在待测模态阶数大于观测信号数的欠定盲源分离问题中,计算量会随着待测模态阶次增大而激增,导致计算效率降低。其二是SCA在噪声工况和密集模态工况下适用性差的问题。与ICA和SOBI相比,虽然SCA具有处理非平稳激励的能力和欠定工况适用性,但是在遇到低能量模态工况时,容易受噪声和时滞的影响,而且在密集模态工况下(尤其是在地震激励作用下),SCA的模态参数识别结果容易出现较大误差。
发明内容
针对现有技术中存在的技术问题,本发明的目的是:提供一种基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质,利用稀疏分量分析方法实现了单阶模态响应的分离,并通过单模态识别方法对单阶模态响应进行模态参数识别,利用稀疏分量分析对欠定工况的适用性以及算法较低的参数化程度,实现了欠定工况(传感器数量少于激活模态阶数)下的运营模态自动化分析;同时针对稀疏分量分析方法的存在的计算效率低的问题和噪声、时滞工况适用性差等问题进行了改进,使得该方法识别精度较高,改善了其鲁棒性和适用性。本方法无需专业人士介入,即使缺乏专业知识背景的人士也能够使用,能够在结构动力学工程中广泛应用。
本发明的第一个目的在于提供一种基于改进稀疏分量分析的欠定模态参数识别方法。
本发明的第二个目的在于提供一种计算机设备。
本发明的第三个目的在于提供一种存储介质。
为了达到上述目的,本发明采用如下技术方案:
一种基于改进稀疏分量分析的欠定模态参数识别方法,包括如下步骤,
(1)输入:环境激励下的结构动力响应;
(2)采用短时傅里叶变换将响应数据转换至时频域;
(3)利用自回归模型进行功率谱分析,并通过峰值检测识别峰值点位置和模态阶次;
(4)对时频系数进行模运算,以消除异相数据的影响,再利用频域峰值点对单源点进行定位;然后剔除低能量点,再利用余弦距离判定法筛选出位于同一聚类直线上的点,得到与各阶模态响应对应的单源点;
(5)根据单源点检测结果,生成各阶模态响应的时频掩码,重构各阶模态响应;同时,对各阶模态响应点作归一化处理,并采用K-means聚类方法求解各聚类方向,进而构造模态振型矩阵;
(6)通过短时傅里叶变换的逆变换将各阶模态响应转换到时域,进而应用基于单自由度拟合技术的单模态识别方法,求解各阶模态的固有频率和阻尼比;
(7)输出:模态频率、阻尼比和模态振型。
作为一种优选,步骤(3)为:首先根据模型预测误差求解自回归模型的最优阶次p,通过Yule-Walker方法求解p阶自回归模型的参数,完成p阶自回归模型的建立;然后应用p阶自回归模型拟合时序过程并生成功率谱;最后采用峰值拾取算法识别模态阶次和峰值的频带位置。
作为一种优选,峰值拾取算法为基于极大值和极小值搜索算法进行峰值拾取,若某点左右两侧数值均小于或大于该点数值,则被标记为峰值点或谷值点。
作为一种优选,采用Billauer开发的基于极大值和极小值搜索算法进行峰值拾取。
作为一种优选,在通过自回归谱分析求解的功率谱中根据功率谱峰值频带位置读取对应的频率值,用于评估峰值点位置的识别精度。
作为一种优选,步骤(4)为:a.通过模运算消除噪声和时滞等干扰;b.剔除低能量点;c.根据余弦距离判别式筛选单源点。
作为一种优选,引入自回归谱分析方法模运算、基于余弦距离判定的单源点检测方法和时频掩码技术,对传统的稀疏分量分析方法进行改进,旨在提高稀疏分量分析方法在进行模态参数识别时的噪声鲁棒性和时滞工况适用性。
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现一种基于改进稀疏分量分析的欠定模态参数识别方法。
一种存储介质,存储有程序,所述程序被处理器执行时,实现一种基于改进稀疏分量分析的欠定模态参数识别方法。
本发明的原理是:引入自回归(Auto-Regressive,AR)谱分析方法、模运算、基于余弦距离判定的单源点检测方法和时频掩码技术,对传统的稀疏分量分析方法(SparseComponent Analysis,SCA)进行改进,旨在提高SCA方法在进行模态参数识别时的噪声鲁棒性和时滞工况适用性。
1.采用基于自回归谱分析的方法进行模态阶次识别和频域峰值频带识别,以提高频域分辨率、噪声鲁棒性和运算效率;现状的方法常采用基于短时傅里叶变换的功率谱进行模态阶次识别,功率谱不够平滑,易受噪声干扰,而且运算占用内存较大。
2.采用基于余弦距离检测的方法完成单源点检测,包括1)通过模运算消除时滞和噪声等对观测信号在时频域中的线性聚类特性的干扰;2)通过低能量点剔除进一步消除低能量噪声的干扰;3)通过功率谱峰值点定位各阶模态响应值点,并采用基于余弦距离判别式的方法提取各阶模态对应的单源点。
3.采用基于时频掩码的方法进行模态响应重构(或分离),使得模态响应重构效率大大提升。
本发明具有如下优点:
1、由于采用了基于AR谱分析的模态阶次识别方法,通过AR模型对输入信号进行预测并生成功率谱,功率谱分辨率更高、更加平滑和稳定,使得模态阶次识别更加高效,噪声鲁棒性更强。
2、引入了基于余弦距离检测的单源点检测方法,通过模运算、低能量点剔除消除了噪声和时滞等的干扰,提升了方法整体的鲁棒性和适用性。
3、采用基于时频掩码的方法进行模态响应重构,无需像基于L1范数最小化的线性优化程序那样需要穷举模态振型方向组合的可能性,使得该步骤的效率显著提升。
附图说明
图1为Lissajous图形示意图。
图2为余弦距离法示意图。
图3为一种基于改进稀疏分量分析的欠定模态参数识别方法的流程图。
图4为两通道五阶模态模拟信号散点图(理想工况)。
图5为AR谱分析结果。
图6为模运算后的时频能量点和峰值点。
图7为两通道五阶模态模拟信号各阶模态振型聚类结果(理想工况)。
图8为两通道五阶模态模拟信号模态响应分离结果(理想工况)。
具体实施方式
下面将结合具体实施方式来对本发明做进一步详细的说明。
本发明的为了对工程结构运营期间的结构健康监测,提供了一种基于改进稀疏分量分析的欠定模态参数识别方法。使用该方法识别到的结构模态参数来指导有限元模型更新和损伤检测等结构健康监测领域的工作。
本发明方法,包括以下部分:一、基于自回归谱分析的模态阶次自动识别。二、基于稀疏分量分析的模态响应分离及模态振型识别。三、基于单自由度拟合技术的单模态参数识别。具体如下:
一、基于自回归谱分析的模态阶次自动识别。
模态阶次识别是运营模态分析的重要环节之一。对于环境激励作用下的实际工程结构,一般情况下只有部分模态会被激活,而且所激活模态的阶次数通常是未知的,这给模态参数识别问题类型(正定、超定或欠定问题)的判定带来了困难。在基于SCA的模态参数识别方法中,模态阶次识别结果中的功率谱峰值点有利于完成单源点检测、模态振型矩阵的构造以及模态响应重构。
基于自回归谱分析的模态阶次自动识别的基本原理为:首先根据模型预测误差求解自回归模型的最优阶次p,通过Yule-Walker方法求解p阶自回归模型的参数,完成p阶自回归模型的建立;然后应用p阶自回归模型拟合时序过程并生成功率谱;最后采用峰值拾取算法识别模态阶次和峰值的频带位置。
1.自回归(Auto-Regressive,AR)谱分析。该部分内容对应本发明方法的步骤(3)。
p阶的AR模型可以表示为考虑加性高斯白噪声污染的随机过程{xt},如式(1-1)所示。通过AR模型计算得到时序数据的功率谱见式(1-2)。
xt=nt+a1xt-1+a2xt-2+…+apxt-p (1-1)
式中,xt为观测信号,p是AR模型的阶次,ai是AR模型的参数,nt是零均值和零方差的加性高斯白噪声。f为频率,σ2是模型对时序过程预测结果的方差,t指时刻t,Δt是采样间隔。
1.1、基于最终预测误差(Final Prediction Error,FPE)估计AR模型阶次。
①从一阶AR模型(AR1)开始,利用式(1-3)计算一阶预测误差(FPE1);
式中,N是采样数据的长度,σi是i阶AR模型的预测误差,i表示当前阶次。
②在迭代过程中,通过式(1-3)求解各阶次的AR模型的预测误差FPEi;
③取FPEp=minFPEi对应的阶次p为最佳AR模型阶次。
1.2、AR模型参数求解。
根据FPE准则确定AR模型的最优阶次后,继续采用Yule-Walker法求解p阶的AR模型参数。式(1-1)两边同时右乘得到Yule-Walker方程(式(1-4))。
式中,rX(·)是观测信号的自相关系数,是观测信号的方差。通过求解上述Yule-Walker方程,可以得到p阶AR模型的参数{a1,a2…,ap},从而完成AR模型的建立。
1.3、AR谱求解。
建立了AR模型后,即可利用式(1-2)求解输入观测信号的AR功率谱。
2.模态阶次和峰值频带识别。
根据最佳阶次和参数建立了自回归模型后,利用式(1-2)生成观测信号的频域功率谱,进而采用峰值拾取方法完成模态阶次识别和峰值点定位。
本发明采用Billauer开发的基于极大值和极小值搜索算法进行峰值拾取(网址:http://billauer.co.il/blog/2009/01/peakdet-matlab-octave/,2009),其原理为:如果某点左右两侧数值均小于(或大于)该点数值,则被标记为峰值点(或谷值点)。运用上述峰值拾取算法对自回归谱进行分析,即可完成各阶模态对应功率谱峰值位置和模态阶次数的自动识别。同时,在通过自回归谱分析求解的功率谱中根据功率谱峰值频带位置读取对应的频率值,用于评估峰值点位置的识别精度。
二、基于稀疏分量分析的模态响应分离及模态振型识别。
1.基于短时傅里叶变换(Short Time Fourier Transformation,STFT)的稀疏变换。该部分内容对应本发明方法的步骤(2)。
由STFT计算的时频系数为:
式中,g(u-t)是移动窗函数,s(u)是窗函数截取的信号,u和t是时间,f是频率。
2.基于余弦距离的单源点检测。该部分内容对应本发明方法的步骤(4)。
2.1、通过模运算消除噪声和时滞等干扰。
根据式(2-1),考虑时滞或噪声使观测信号间产生的相位差δ,观测信号的STFT见式(2-2),同时,相位差δ也会反映在各阶模态响应上,如式(2-3)。
单源点是指只有一阶模态激活的点。式中,f0为某阶模态的固有频率。考虑相位差后,在单源点(tk,fl)上时频系数实部的比值为:
式中,Ak表示时频系数实部的幅值,aki表示模态响应值点在模态坐标系中的坐标。可见,单源点的实部比值不再是常数,因此无法用式(2-5)进行单源点检测。
式中,Δθ取很小的角度值。同时,根据Lissajous图形理论可得,在二维平面上,相位差δ会使两个正弦信号的图像不再呈现为直线,而是表现为椭圆或圆,如图1所示。
为此本发明采用模运算的方法消除噪声、时滞等对观测信号的干扰。
通过对观测信号的时频系数G(t,w)进行模运算,得到时频域中观测信号的能量值:
根据式(2-4)和式(2-6)可得考虑相位差δ的单源点检测判别式(式(2-7))。
式中,由于|eiwt|=1,则进而可以得到/>
此时,Lissajous图形是一条直线,说明通过模运算得到的时频能量点能够克服噪声、异步测量产生的时滞等带来的影响,进而恢复成与在无时滞工况时相当的直线聚类特性。
2.2、剔除低能量点。
通过模运算恢复了观测信号在时频域中的线性聚类特性后,即可进一步进行降噪。在时频域中,异常数据、测量噪声等干扰因素产生的能量通常很低。因此为了削弱甚至消除上述因素的干扰,在根据各阶模态对应的时频能量峰值点完成对单源点定位后、进行余弦距离判定前,需对各单源点实施低能量点剔除。首先,将这部分时频能量点中能量小于能量中位数的点剔除;然后设置阈值系数为0.1,乘以当前模态能量峰值作为剩余低能量点剔除的阈值。把低能量点剔除后,保留当前峰值频带位置上的高能量时频点。
2.3、根据余弦距离判别式筛选单源点。
各阶模态响应对应的单源点所在聚类曲线是近似过峰值点和原点的直线。本发明把时频能量点与峰值点间的余弦距离作为指标来判定时频能量点是否在时频峰值点与原点所成直线范围。余弦距离的示意图见图2,其计算公式如下:
求得各阶模态峰值点对应的时频能量点E(wp)与其他时频能量点E(wi)间的余弦距离后,根据单源检测判别式(2-9)分离出单源点。
dist(E(wi),E(wp))=1-cos(E(wi),E(wp))<ε (2-9)
式中,ε是一个极小的数,一般取经验值0.004。
3.基于时频掩码的模态响应重构。该部分内容对应本发明方法的步骤(5)。
对于健康结构而言,其固有频率通常是相对稳定的。因此,在时频域中根据观测信号功率谱峰值点对模态响应值点进行定位并完成单源点检测后,可以根据该结果重构模态响应。本发明提出采用一种基于时频掩码的模态响应重构方法,根据单源点检测结果生成各阶模态响应值点的在时频域中的位置编码(简称时频掩码)来重构各阶模态响应。
根据单源点检测获得的单源点位置来构造与各阶模态响应相对应的时频掩码B=[M1,M2,……,Mn],如式(2-10)所示。
式中,n为模态数量,N表示频带数;满足式(2-9)的模态响应值点所在位置的数值定为1,其余位置的数值为0。求得各阶模态的时频掩码后,通过式(2-11)分离出各阶模态响应的时频系数。
三、基于单自由度拟合技术的单模态参数识别。该部分内容对应本发明方法的步骤(6)。
在得到各阶模态响应后,由于每个响应数据只有一个主导模态,可以对其采用单模态参数识别。本发明将应用McNeill等(Mcneill S I,Zimmerman D C.Aframework forblind modal identification using joint approximate diagonalization[J].Mechanical Systems and Signal Processing.2008,22(7):1526-1548.)提出的单自由度拟合技术求解各阶模态响应的频率和阻尼比,该方法的实施步骤如下:
(1)采用傅里叶变换对输入的单模态响应做频谱分析,取频谱峰值附近的n个点,获取其频率fip和傅里叶系数hip(默认n取7)。
(2)通过式(2-12)求解第i阶模态对应的特征值λi,“*”表示矩阵的哈达马积。
(3)最后,由式(2-13)和式(2-14)求解模态频率fi和阻尼比ξi。
通过上述步骤,得出各阶模态对应的频率和阻尼比,方法的具体原理参见文献(Mcneill S I,Zimmerman D C.A framework for blind modal identification usingjoint approximate diagonalization[J].Mechanical Systems and SignalProcessing.2008,22(7):1526-1548.)。
实施例一
本发明采用式(8-1和8-2)中的两通道五阶模态模拟信号算例,采样频率为100Hz,采样时长为10s。
X(t)=A·S(t) (8-1)
式中,S=[S1,S2,S3,S4,S5]T,S1=sin(2π·3t)、S2=sin(2π·6t)、S3=sin(2π·10t)、S4=sin(2π·15t)、S5=sin(2π·20t)。混合矩阵(或模态振型矩阵)A为:
一种基于改进稀疏分量分析的欠定模态参数识别方法,包括如下步骤,
(1)输入:环境激励下的结构动力响应。
(2)采用短时傅里叶变换将响应数据转换至时频域。
对观测信号进行稀疏转换,将其从时域转换到时频域。观测信号的时域和时频域散点图如图4所示。窗长度设定为1024,步长为1。
(3)利用自回归模型进行功率谱分析,并通过峰值检测识别峰值点位置和模态阶次。
对观测信号实施基于AR谱分析的模态阶次识别,求解模态阶次、峰值频带位置。AR谱分析结果如图5。
(4)对时频系数进行模运算,以消除异相数据的影响,再利用频域峰值点对单源点进行定位;然后剔除低能量点,再利用余弦距离判定法筛选出位于同一聚类直线上的点,得到与各阶模态响应对应的单源点。
根据峰值频带位置对各阶模态响应值点实施基于余弦距离的单源点检测,包括:模运算、低能量点剔除和基于余弦距离检测的单源点识别。得到与各阶模态响应对应的单源点。如图6所示。
(5)根据单源点检测结果,生成各阶模态响应的时频掩码,重构各阶模态响应;同时,对各阶模态响应点作归一化处理,并采用K-means聚类方法求解各聚类方向,进而构造模态振型矩阵。
归一化和聚类过程如图7所示,分离得到的模态响应的时域和频域示意图如图8所示。
(6)通过短时傅里叶变换的逆变换将各阶模态响应转换到时域,进而应用基于单自由度拟合技术的单模态识别方法,求解各阶模态的固有频率和阻尼比。
对分离得到的各阶模态响应值点作STFT逆变换转换到时域,进而采用基于单自由度拟合技术的单模态识别方法,求解各阶模态的固有频率和阻尼比。
为了验证本发明所提改进方法在求解欠定模态参数识别问题时的噪声鲁棒性以及在时滞工况下的性能,本实施例将研究以下工况,包括理想工况(无噪声、无时滞)、噪声工况(SNR=10dB)以及噪声-时滞耦合工况(SNR=10dB、对通道二的数据设置0.04s的测量时差)。三个工况的模态参数识别结果如表一。
表一两通道五阶模态模拟信号模态参数识别结果
(7)输出:模态频率、阻尼比和模态振型。
实施例二
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现实施例一的一种基于改进稀疏分量分析的欠定模态参数识别方法。
实施例三
一种存储介质,存储有程序,所述程序被处理器执行时,实现实施例一的一种基于改进稀疏分量分析的欠定模态参数识别方法。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于,包括如下步骤,
(1)输入:环境激励下的结构动力响应;
(2)采用短时傅里叶变换将响应数据转换至时频域;
(3)利用自回归模型进行功率谱分析,并通过峰值检测识别峰值点位置和模态阶次;
(4)对时频系数进行模运算,以消除异相数据的影响,再利用频域峰值点对单源点进行定位;然后剔除低能量点,再利用余弦距离判定法筛选出位于同一聚类直线上的点,得到与各阶模态响应对应的单源点;
(5)根据单源点检测结果,生成各阶模态响应的时频掩码,重构各阶模态响应;同时,对各阶模态响应点作归一化处理,并采用K-means聚类方法求解各聚类方向,进而构造模态振型矩阵;
(6)通过短时傅里叶变换的逆变换将各阶模态响应转换到时域,进而应用基于单自由度拟合技术的单模态识别方法,求解各阶模态的固有频率和阻尼比;
(7)输出:模态频率、阻尼比和模态振型。
2.按照权利要求1所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于,步骤(3)为:首先根据模型预测误差求解自回归模型的最优阶次p,通过Yule-Walker方法求解p阶自回归模型的参数,完成p阶自回归模型的建立;然后应用p阶自回归模型拟合时序过程并生成功率谱;最后采用峰值拾取算法识别模态阶次和峰值的频带位置。
3.按照权利要求2所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于:峰值拾取算法为基于极大值和极小值搜索算法进行峰值拾取,若某点左右两侧数值均小于或大于该点数值,则被标记为峰值点或谷值点。
4.按照权利要求3所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于,采用Billauer开发的基于极大值和极小值搜索算法进行峰值拾取。
5.按照权利要求3所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于,在通过自回归谱分析求解的功率谱中根据功率谱峰值频带位置读取对应的频率值,用于评估峰值点位置的识别精度。
6.按照权利要求1所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于,步骤(4)为:a.通过模运算消除噪声和时滞等干扰;b.剔除低能量点;c.根据余弦距离判别式筛选单源点。
7.按照权利要求1所述的一种基于改进稀疏分量分析的欠定模态参数识别方法,其特征在于:引入自回归谱分析方法模运算、基于余弦距离判定的单源点检测方法和时频掩码技术,对传统的稀疏分量分析方法进行改进,旨在提高稀疏分量分析方法在进行模态参数识别时的噪声鲁棒性和时滞工况适用性。
8.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-7任一项所述的基于改进稀疏分量分析的欠定模态参数识别方法。
9.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-7任一项所述的基于改进稀疏分量分析的欠定模态参数识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549382.9A CN117688422A (zh) | 2023-11-20 | 2023-11-20 | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311549382.9A CN117688422A (zh) | 2023-11-20 | 2023-11-20 | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117688422A true CN117688422A (zh) | 2024-03-12 |
Family
ID=90130926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311549382.9A Pending CN117688422A (zh) | 2023-11-20 | 2023-11-20 | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117688422A (zh) |
-
2023
- 2023-11-20 CN CN202311549382.9A patent/CN117688422A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intrinsic chirp component decomposition by using Fourier series representation | |
CN111626153A (zh) | 一种基于集成学习的局放故障状态识别方法 | |
Ma et al. | A novel blind source separation method for single-channel signal | |
Han et al. | A recursive sparse representation strategy for bearing fault diagnosis | |
Wang et al. | Blind source extraction of acoustic emission signals for rail cracks based on ensemble empirical mode decomposition and constrained independent component analysis | |
CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
CN109598175B (zh) | 一种基于多小波基函数和超正交前向回归的时频分析方法 | |
Dong et al. | A repeated single-channel mechanical signal blind separation method based on morphological filtering and singular value decomposition | |
CN110048416B (zh) | S-g滤波和自适应mp算法的低频振荡模态辨识方法 | |
CN114469124B (zh) | 一种运动过程中异常心电信号的识别方法 | |
CN113476032B (zh) | 一种基于有向图谐波分析的脑结构与功能耦合的方法 | |
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 | |
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 | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
Torkamani et al. | Detection of system changes due to damage using a tuned hyperchaotic probe | |
CN113345399A (zh) | 一种强噪声环境下的机器设备声音监测方法 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN115166514A (zh) | 一种基于自适应频谱分割去噪的电机故障识别方法及系统 | |
CN114077854A (zh) | 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置 | |
CN117116290B (zh) | 基于多维特征的数控机床部件缺陷定位方法和相关设备 | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
CN112034312A (zh) | 一种电力设备绝缘缺陷模式识别方法 | |
CN117688422A (zh) | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 | |
CN112205990A (zh) | 一种基于sEMG的不同负载下手腕角度预测方法及装置 | |
CN109840386B (zh) | 基于因子分析的损伤识别方法 |
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 |