基于改进复杂追踪算法的结构模态参数识别

以固定梯度的复杂追踪算法进行目标函数寻优时,收敛速度慢,易陷入局部极值,且存在针对不同的模型需人为选择合适的学习步长等不足,限制了该算法的实用性。为此,将最优步长思想引入复杂追踪算法,根据实时分离度自动调整步长,并根据分离信号的峭度值自适应地选择不同的非线性函数,以提高算法的计算精度,进而增强其实用性。为验证该改进复杂追踪算法识别结构模态参数识别的可行性与优越性,采用该方法分别识别了简支梁的数值模型和三层框架试验模型的模态参数,并与原方法进行识别结果对比,结果表明该改进算法可以较准确地识别结构模态参数。

时滞优化对复杂追踪算法精度的影响

盲源分离是实现混合信号分离的一个重要途径,可以分离多个时间相关的高斯信号的混合信号,具有较好的鲁棒性。以一种新的盲源分离算法——复杂追踪算法为例,利用信号的统计特征,分析信号的自相关函数与偏自相关函数,用以确定复杂追踪算法的时滞个数。复杂追踪算法是近期新发展起来的一种结合信号统计特性和时序结构的盲源分离算法,通过找到一个合适的投影方向,使其在该方向投影信号的复杂度最小,从而实现对混合信号的分离。而时滞选择的优劣决定了目标函数的正确与否。最后以三层框架的数值模拟对时滞优化进行了有效性验证。

基于CP结合DE-GWO-SVR的海上风电基础结构损伤识别

结构仅输出的振动信号往往是各种源信号通过复杂规律形成的混合信号,对结构损伤特征提取与数据挖掘造成了很大困难。对此,提出了一种基于盲源分离(BSS)理论的复杂度追踪(CP)算法结合差分进化(DE)改进灰狼(GWO)算法优化的支持向量机(SVR)用于解决复杂结构的模态与损伤识别;CP算法基于信号预测性函数通过使分离信号的时间预测性度量最大化找到其线性混合矩阵,使分离分量具有最小复杂度并据此估计源信号。利用CP算法对结构响应信号进性分离得到信号分布向量(SDV)与分离源信号,通过定义差值曲率分布向量可以对结构损伤位置进行准确定位;对于损伤程度的识别,提出了一种DE改进的GWO对SVR进行优化的算法,即在GWO算法迭代过程中利用差分进化思想引入动态缩放因子以及交叉概率因子提高搜索和收敛速度,扩大种群所搜范围;利用不同工况下CP算法提取的差值曲率分布向量对结构损伤程度进行识别。通过对海上风电基础结构数值模型的分析,结果表明:CP算法对于高阶模态参数识别较fastICA表现出较强的适应性与优越性;同时,DE-GWO能够提高收敛速度,通过SVR算法对损伤的识别结果相比于BP神经网络更加准确。