协方差驱动随机子空间辨识的参数敏感性分析

协方差驱动随机子空间辨识(Covariance-driven Stochastic Subspace Identification,SSI-cov)是近年来发展较为成熟的工作模态分析方法。针对其识别精度和效率对参数设置具有较高敏感性的问题,基于敏感性分析方法,利用奇异熵增量跳跃点明显程度、频率平均识别误差、阻尼比总变异系数、振型平均模态置信因子、运行时间5种评价指标以及稳定图,通过一经典五自由度层模型仿真算例,研究Toeplitz矩阵行块数、采样频率、数据长度对SSI-cov识别结果的影响规律。并给出既能满足精度要求又可控制程序运行时间的参数建议取值范围。最后,通过一缩尺三层框架模型在白噪声激励下实测数据对提出的根据SSI-cov改进参数设置进行验证,结果表明提出的各参数建议取值范围均较为合理。

基于随机子空间法的滑动轴承运行模态参数识别

滑动轴承的运行模态参数是其状态监测和早期故障诊断的重要指标,利用随机子空间法识别滑动轴承运行模态参数时,环境噪声和阶数过估计引起的虚假模态会影响真实模态参数的识别。为减少虚假模态的干扰,首先对振动信号利用互补集合经验模态分解和小波变换相结合的方法进行降噪处理,然后将预处理后的信号分段并分别进行模态参数识别,通过对比同阶极点获得更清晰的稳定图,最后采用谱聚类算法实现模态参数的自动选择。通过数值仿真和相关试验验证该方法的有效性。

基于随机子空间识别的模态参数不确定性量化方法

基于协方差驱动随机子空间识别(covariance-driven stochastic subspace identification,SSI-COV)方法的模态参数识别具有强鲁棒性、高精度的优势,在结构工作模态分析中应用广泛。为保证模态参数识别的准确性,新近提出的基于随机子空间(stochastic subspace identification,SSI)的模态参数不确定性量化方法,可有效估计模态参数的方差,但由于其计算各中间变量时,需显式表示出Jacobian矩阵,导致矩阵运算维度高、计算效率低。为此,提出一种基于SSI-COV的模态参数不确定度高效计算方法。首先,计算振动响应相关函数的方差,通过奇异值分解(singular value decomposition,SVD),选取合适的奇异值截断阶数,由每阶奇异向量组装出多组Hankel矩阵的扰动。其次,根据一阶矩阵摄动理论,隐式计算SSI-COV算法各中间变量的一阶扰动,最终,由多组模态参数的扰动叠加计算出方差。最后,以桁架结构模型为例,采用所提方法辨识结构模态参数并计算模态参数方差,分析了Hankel矩阵维度及相关函数奇异值截断阶数对辨识结果的影响,结果表明计算得到的模态参数方差与蒙特卡洛仿真(Monte Carlo simulation,MCS)结果非常接近,且模态参数不确定度可作为剔除虚假模态的有效依据。

基于随机子空间法的异步实测桥梁模态识别

针对工程结构模态参数测试时,多个测点之间的时间不同步采样导致识别出的振型结果不准确问题,文章提出基于随机子空间法的异步实测桥梁模态识别方法,通过误差函数值表征不同步数据在分析过程中产生的数值误差程度,以误差函数为最小值时所对应的时间作为估计的时间延迟,并以此延迟修正异步实测响应数据;利用随机子空间法对修正数据进行模态参数识别,通过有限元模拟和实验验证分别讨论模态识别时,桥梁不同测点异步采样对振型识别的影响,验证所提出的时间延迟识别方法的准确性和可行性。

基于随机子空间的集成深度信念网络算法

燃煤电站的NO_(x)排放是造成大气污染的主因之一,准确测定SCR入口处的NO_(x)浓度对控制NOx排放具有重要意义。针对燃煤过程中的高维参数变量,提出基于随机子空间的集成深度信念网络预测算法。利用偏最小二乘法对现场数据进行特征提取并计算方差解释度;根据方差解释度进行随机子空间划分,建立输入样本在不同方向上的投影子空间,在各个子空间训练相同结构的基学习器;最后,通过BP神经网络进行集成。以660 MW超超临界直流燃煤锅炉为研究对象,进行仿真实验,结果与常用NO_(x)排放预测模型进行对比,表明所提预测模型有良好的提升效果。

基于数据库的优化随机子空间法识别精度评价

模态识别精度评价贯穿模态识别研究的全过程,但基于单一或少数算例的模态识别精度评价方法存在偶然性,因此提出一种基于结构响应数据库评价模态识别精度的方法。数据库的关键数据是结构的模态参数理论值和结构响应;对于集中质量模型,提出一种基于模态参数构建结构物理模型(质量、刚度和阻尼矩阵),进而计算结构响应的数据库构建方法,并用算例验证了可行性。针对随机子空间法定阶难、虚假模态剔除难的问题,提出一种基于奇异熵增量定阶和稳态图两阶段虚假模态剔除的优化随机子空间法,并利用数据库方法对优化的随机子空间法进行了识别精度评价,结果表明:基于数据库的模态识别精度评价方法可行;优化的随机子空间法频率和振型的识别精度高、阻尼比的识别精度较低。

面向燃机多工况宽频域工作模态参数识别的随机子空间方法

面向燃气轮机工作状态下多工况、宽频域模态参数识别需求,在对典型燃机整机振动模态分析的基础上,虑及测试数据类型、测点位置与方向的选取及不同运行工况影响,提出一种针对燃机整机工作模态参数识别的随机子空间方法。基于实测振动数据,对典型燃机工作模态参数进行了自动划分识别。结果表明:通过分别控制行块数,充分挖掘位移、速度、加速度三种类型数据包含的不同频段模态参数信息并对识别结果择优合并,能够较好识别出数十倍于燃机工频的宽频域模态;合理选取测点位置和方向,能够得到关心频段内局部或整体模态;利用多转速运行工况数据,能够区分出受转速影响的整体模态。实现了对燃机整机振动宽频域范围内整体和局部模态、机匣和转子模态的识别,可为在此基础上的动力特性分析、整机动力学模型修正、结构振动状态评估、振动故障特征提取等提供支撑。

基于随机子空间法的结构模态参数自动识别方法

为解决随机子空间法在稳定点自动分析方面存在的抗噪能力不足问题,提出了一种新的自动化识别方法.首先,采用协方差驱动的随机子空间法,按照新的定义方式输出稳定点.其次,采用改进的OPTICS算法对稳定点进行清洗、聚类.然后,采用基于频率中值的自适应合并方法,对未完全合并的簇进行有效聚合,并以簇中值作为模态参数的代表值,实现完全无人工干预的自动化模态识别.最后,以Lysefjord悬索桥模型为例进行模态识别,验证该方法的可行性.结果表明:所提方法在实现自动化的同时,具有较高的精度,频率值最大误差仅为1.926%,且在各程度噪声干扰下都能以较高的成功率自动、准确地识别模态参数,相比于对照方法,其鲁棒性优势明显.

基于随机子空间和统计模型的输电塔损伤识别

针对输电塔结构,给出一种基于随机子空间结合统计模型的损伤诊断方法,利用输电塔振动响应信号挖掘数据统计特征并构建高灵敏损伤诊断指标实现输电塔结构局部构件的损伤检测。首先,获取输电塔结构的瞬态动力响应数据;其次,利用随机子空间法识别模态参数,构造名义模态参数,并定义一个与参数识别过程相关的残差向量表征结构动力参数变化;最后,计算该残差对结构参数的灵敏度,并构造残差灵敏度的χ^(2)统计量作为结构损伤诊断指标。通过数值模拟及现场试验对某足尺输电塔结构进行分析,结果表明,上述方法可有效对输电塔结构局部构件的螺栓松动、杆件破坏等损伤进行识别。

基于PSO-DBSCAN的随机子空间模态参数自动识别

拱坝的模态识别是大坝健康监测中的重要一环,模态参数识别的准确度对大坝的性能评价有重要意义.首先利用随机子空间法识别模态参数,针对该方法需要人工辨识稳定图中真实模态的不足,引入密度聚类算法(DBSCAN)对模态结果进行去噪和拾取,并利用粒子群算法改进DBSCAN算法,实现DBSCAN超参数的自动调整,提高识别效率,为DBSCAN超参数的选择提供参考.将该方法应用于一混凝土拱坝数值模型中,并分析了不同采样数据长度对识别结果的影响和该方法的抗噪性.结果表明:合理选择采样时长,能够得到更完整的模态信息,本研究提出的方法能够有效实现模态参数的自动识别并有较高的精度和抗噪性,可以为大坝的安全分析提供参考.

基于混沌粒子群随机子空间的桥梁多点损伤识别

受复杂荷载与不利环境影响,桥梁结构服役性能日趋退化。结构模态参数是结构整体力学性态的特征指标,通过敏感模态参数可对结构服役状态进行判识。针对传统模态识别存在虚假模态,易遗漏真实模态,且计算效率较低的不足,采用混沌局部搜索对粒子群算法进行改进,优化加速度信号加窗截断位置和大小,结合协方差随机子空间法对各子信号进行模态识别;构建基于比例柔度矩阵和均布荷载曲率的损伤识别模型,通过挠度曲率相对变化判断结构损伤位置和程度;并通过开展斜拉桥缩尺模型损伤识别试验,对本方法的有效性进行验证。研究结果表明:混沌粒子群随机子空间方法具有较好的模态识别精度,可实现斜拉桥拉索、主梁等典型损伤准确定量和定位识别;结构跨中位置发生损伤对结构性能影响更大,实际工程中应提高跨中区域主梁和拉索的承载力储备以提升结构安全性。

基于随机子空间法的风电塔筒模态参数识别研究

模态参数是结构的固有属性,是判断结构运行安全性的重要动态指标。针对风机结构的模态参数辨识问题,对四川A风场1.5 MW风电塔筒结构进行了数值模拟,得出了结构在风荷载下的振动响应。采用NExT联合SSI法的工作模态识别方法,利用稳定图对虚假模态进行剔除,同时利用NExT-ITD法进行对比。结果表明,辨识结果与理论值的对比验证了2种方法的可行性,2种方法都可以识别结构的模态参数,但NExT-SSI法相比于NExT-ITD法识别精度更高,更适合环境激励下风电塔筒结构的模态参数识别。

基于随机子空间法的海上风电机组模态阻尼比识别与评估

海上风电机组在整机载荷计算时必须考虑整机与基础的阻尼比。但现有条件下,模态阻尼比的识别精度偏低,工程应用上,模态阻尼比测试值存在离散性,短期测试难以得到有统计意义的结果。为此提出一种针对海上风电机组的阻尼比评估方案,采用运行模态分析(Operational Modal Analysis,OMA)方法对广东沿海某风电场某型号风机进行1个月的持续测试,应用随机子空间法识别阻尼比,确定了阻尼比测试值的概率分布模型,研究了阻尼比离散程度与采样数据时间、测试样本数量、风速、湍流等因素的关系。结果发现随着采样时间的增加,置信区间上下边界均有增大的趋势,阻尼比离散程度在低风速高湍流下较大,随着风速增加而降低。给出阻尼比分布模型与95%置信区间,将阻尼比识别值置信范围降低到0.1%。所提方案降低了测试时间成本,为产品设计研发提供了具备统计意义的实测数据支持。

基于孤立森林与随机子空间的小干扰稳定评估

环境激励下的电力系统随机响应蕴含着系统丰富的动态信息,通过随机子空间技术提取出随机响应中的小干扰稳定特征参数,但是提取过程中往往容易混入异常数据,导致无法判断出系统的真实状态。针对此问题提出了基于随机子空间与孤立森林的小干扰稳定评估方法,使用孤立森林算法对随机子空间技术提取的小干扰稳定特征参数结果进行异常值检测,有效改善了随机子空间技术获取系统的特征参数(振荡频率、阻尼比)的准确性。最后对IEEE 16机系统进行实例仿真,仿真结果表明了该方法的可行性。

重磁异常三维物性反演随机子域法方法技术

本研究针对三维物性反演中存在的困难和问题,提出三维物性反演的随机子域方法技术,首先是将正反演中保持不变的几何格架分离计算并存储,避免重复计算,从而提高正反演计算速度;其次是利用对称性等实现等效计算,明显降低格架计算和存储要求;再通过随机子域方式,降低反演的维数问题;另外,通过概率方式控制子域生成的分布,实现约束新机制.模型和实例计算表明了方法技术的效果,为大面积重磁数据的三维反演提供了有效的途径.

基于随机子空间结合稳定图的间谐波高精度检测方法

为精确检测间谐波参数,提出了基于随机子空间辨识(SSI)与稳定图法相结合的间谐波检测方法。SSI算法可以直接根据含有系统特征信息的端部量测数据检测出系统的参数,首先结合稳定图检测出间谐波分量的个数和模型阶次,然后用SSI算法直接对原始含噪信号精确检测出各间谐波分量的实际频率,如果信号的信噪比大于10dB,则无须去噪,用最小二乘法对各间谐波分量的幅值进行精确检测。分别针对间谐波数值仿真信号、含噪调幅信号及电弧炉电流信号进行间谐波分析,结果表明:该方法抗噪声能力强、计算速度快、检测精度高,尤其对时变性较强的调幅性间谐波信号具有强适应性。仿真结果验证了该方法的可行性与有效性。

稳定图方法在随机子空间识别模态参数中的应用

参数识别是结构健康监测领域研究中的重点。随机子空间法是近年来发展起来的一种线性系统辩识方法,可以有效地从环境激励的结构响应中获取模态参数。在随机子空间识别方法中,确定系统的阶数是该方法的关键工作。稳定图方法是一种比较新颖的确定系统阶次的方法,但该方法容易识别出虚假模态。针对这种情况对稳定图方法进行了改进,避免了虚假模态的出现,进而提高了随机子空间方法的识别精度。稳定图方法改进的重点是用模态置信因子来消除虚假模态。同时由于通常采用的阻尼理论与实际情况尚存在差距,影响了识别效果。在稳定图中将阻尼比的标准放松或取消,得到更加理想的识别效果。最后对此方法在一三跨连续梁的数值模型上进行了验证,结果表明,该方法具有良好的识别效果。

基于随机子空间和最小二乘法的介质损耗角检测方法

介质损耗角是判断高压设备绝缘状况的有效参数之一,而准确地提取基波电压和电流信号是检测介损角的关键。为精确检测介损角,提出基于随机子空间辨识(stochastic subspace identification,SSI)与最小二乘(leastsquare,LS)法的介损角检测方法。该方法可以准确提取基波电压和电流分量,得到基波电压和电流的相位,从而实现介损角的准确检测。当介损角真实值、电压频率、3次谐波、直流分量、采样频率、采样点数以及白噪声等状态变化时,对SSI-LS法基本无影响;当白噪声的信噪比>25 dB时,其计算结果满足介损角的误差精度;经与谐波分析法进行比较分析可知,此算法的速度和精度较优。仿真分析结果验证了该方法的可行性与有效性。

随机子空间产生虚假模态及模态遗漏的原因分析

参数识别是结构健康监测领域研究中的重点。随机子空间法是近年来发展起来的一种线性系统辩识方法,可以有效地从环境激励的结构响应中获取模态参数。由于它具有只需给定系统的阶次一个参数,不存在不收敛的情况等优势,越来越受到国内外业内人士的广泛关注。但是该方法也不是十全十美的,容易产生虚假模态和模态遗漏现象,这些都严重影响了识别效果。因此将识别结果中的虚假模态剔除,是随机子空间方法进一步在理论和应用上拓展的关键。要做到这些,首先要分析虚假模态产生的原因。该文就对虚假模态的产生原因进行了分析。分析表明虚假模态产生的原因主要有两方面:一方面是由于随机子空间方法的基本计算过程而导致的;另一方面是由于实际应用中输入信号不满足白噪声的假定和/或输出信号受到环境的干扰而导致的。分析中采用了一数值模拟例子。

基于随机子空间和AdaBoost的自适应集成方法

如何构造差异性大且精确度高的基分类器是集成学习的重点,为此提出一种新的集成学习方法——利用PSO寻找使得AdaBoost依样本权重抽取的数据集分类错误率最小化的最优特征权重分布,依据此最优权重分布对特征随机抽样生成随机子空间,并应用于AdaBoost的训练过程中.这就在增加分类器间差异性的同时保证了基分类器的准确度.最后用多数投票法融合各基分类器的决策结果,并通过仿真实验验证该方法的有效性.