基于扩展卡尔曼滤波和初等变换的结构参数和荷载识别研究

扩展卡尔曼滤波(extend Kalman filter,EKF)是一种能有效识别结构参数的时域方法,但经典的EKF需要已知外激励信息。在实际工程中,由于受各种条件限制,往往难以有效获取作用于结构的外激励信息,这大大限制了此类EKF算法的工程应用。为克服这一局限性,提出一种基于EKF的未知激励下的结构参数识别方法。通过初等行变换矩阵,变换观测方程,消除未知外激励在观测方程中的影响。利用状态方程获取先验估计,并基于变换后的观测方程,进一步获取结构状态的后验估计,从而实现结构参数的有效识别。同时,基于当前时间步的系统状态和观测信息,识别作用于结构的未知外激励。通过剪切框架结构模型和平面桁架2个数值算例,验证该方法的有效性。此外,通过进一步识别未知激励作用下含有Dahl模型的非线性结构,验证该方法在非线性系统参数识别中的可行性。研究结果表明,在考虑部分响应观测和噪声影响下,该方法能有效地对线性和非线性结构的参数及未知外激励进行识别。

基于扩展卡尔曼滤波的结构参数和荷载识别研究

经典的扩展卡尔曼滤波(Extend Kalman Filter,EKF)方法可有效识别结构参数,但却需要已知外部激励,然而,在工程实际中,有些外激励往往难以实时获取。为此,该文提出了一种基于EKF的未知激励下的结构参数和荷载识别方法。通过在观测方程中引入投影矩阵,实现了结构参数的识别,同时,利用最小二乘估计实时识别了未知的外激励。为了验证该方法的有效性和鲁棒性,文中采用了三个数值算例:四层的Benchmark模型、分段线性系统和非线性Duffing系统。数值分析的结果表明,该方法不仅能够准确识别线性和非线性结构的参数,还能有效识别作用于这些结构的外激励。