基于延时随机子空间方法的非白噪声环境激励结构模态参数识别

为了消除非白噪声环境激励在结构模态参数识别结果中产生的虚假模态,引入扩展状态模型,从状态空间方程的角度论证了虚假模态产生的原因;然后,针对一类具有典型性和代表性的(自相关函数在纵坐标轴附近一定范围内有非零值的)非白噪声环境激励信号,在传统随机子空间算法的基础上引入延时指标,建立延时随机子空间方法。数值算例表明延时随机子空间方法能够有效地剔除非白噪声环境激励在模态参数识别结果中产生的虚假模态,放宽了传统模态参数识别方法对环境输入的白噪声假设。

基于量子粒子群算法的结构模态参数识别

以由结构输入输出数据计算所得实测频响函数与理论频响函数差值最小化为优化目标,通过对理论频响函数中所含结构模态参数搜索取值使目标函数最小,即将结构模态参数识别问题转化为优化问题。采用量子粒子群算法对此过程优化计算,获得结构模态参数。用数值模拟六层框架结构对该方法进行验证。结果表明,量子粒子群可有效识别结构模态参数。

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。

结构模态参数识别讲座

第三讲频域识别(二)——优化方法图解识别方法具有简便直观的优点,但存在着识别精度较差的缺点。因为试验数据不可避免地存在噪声干扰,而图解方法不能排除这些干扰,这样个别数据干扰误差将直接影响参数估计的结果。因此图解方法是一种粗糙的估计方法,严格地说,它不是系统识别的内容。完整的系统识别不是利用个别的试验数据,而是采用一系列的试验数据,经过优化运算,按一定准则建立一个尽可能接近实际系统的数学模型,因此优化的方法可以尽可能地排除干扰误差。优化方法要处理大量数据,一般都使用计算机计算,所以又称为计算机方法。

量子粒子群算法在结构模态参数识别中的应用

量子粒子群算法作为粒子群算法的改进,具有参数少、好编程、易收敛等优势而备受关注。通过将由结构输入、输出数据计算而得的实测频响函数与包含所需识别的结构模态参数的理论频响函数之差最小化作为优化目标,经过对理论频响函数中的结构模态参数搜索取值而使目标函数最小,此过程将结构模态参数识别问题转化为优化问题。采用量子粒子群算法进行优化而得到结构模态参数。为验证该方法的有效性,对一数值模拟的三层混凝土框架结构进行分析,结果表明,量子粒子群可以有效地识别结构模态参数。

环境激励下结构模态参数识别的量子粒子群算法

环境激励下的结构模态参数可以通过不同点输出信号的互功率谱识别出来.将包含结构模态参数的互功率谱理论公式与不同点输出信号计算得到的互功率谱之差作为目标函数,通过搜索模态参数的取值而使目标函数最小,从而将优化问题转化为模态参数识别问题.量子粒子群算法是一种基于群体智能理论的优化算法.论文将量子粒子群算法应用到上述优化问题中识别环境激励下的结构模态参数.最后采用数值模拟的简支梁对该方法进行有效性验证.结果表明,量子粒子群可以有效地识别环境激励下的结构模态参数.

基于独立成分分析的结构模态参数识别

结构模态参数,包括模态振型、模态频率和模态阻尼,是结构健康监测与结构状态评估的前提。通过采用独立成分分析(Independent Component Analysis,ICA)技术将结构的响应信号分解为若干个相互独立的表征各阶特性的分离信号,进而采用单自由度系统参数识别技术对分离信号进行识别,从而完成对结构的模态振型、模态频率和模态阻尼的识别。最后,采用一三层框架模型作为数值算例对该方法进行验证。结果表明,ICA技术可以有效地识别结构模态参数。

桥梁结构模态参数识别方法综述

随着传感技术、信号采集与处理等技术的发展,桥梁结构模态参数识别方法在桥梁结构健康监测领域已经得到普遍重视。然而,将这些方法应用于实际工程中遇到了很多困难。该文基于近20a来国内外振动信息的桥梁结构模态参数识别算法的研究和应用现状,重点回顾了桥梁结构模态参数识别算法,并对有待于进一步研究的问题进行了展望。

基于复杂追踪理论的结构模态参数识别

复杂追踪(CP)是近期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新算法,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。通过CP技术将结构的响应信号分离,得到模态振型和模态响应,进而利用单模技术分析得到的结构模态参数。最后,采用一三层框架数值模型对该方法进行验证,结果表明该算法可以准确有效地识别结构的模态参数。

基于帝国主义竞争算法的结构模态参数识别

结构模态参数(包括频率、振型和阻尼)识别,是结构健康监测与结构状态评估的核心内容。帝国主义竞争算法(ICA)作为一种新颖的智能算法,已成功应用于许多复杂的优化问题中。ICA识别结构模态参数的实质是通过最小化包括所要识别的模态参数的结构输出理论公式和结构现场输出之差,将结构模态参数识别问题转化成优化问题。最后采用一个三层框架和一个简支梁数值模型对该方法进行验证。结果表明,帝国主义竞争算法可以有效识别结构模态参数,且识别精度较高。

基于运行模态分析的典型结构模态研究

随着结构的大型化以及激励的复杂化,难以通过传统的实验模态分析法得到结构的模态参数。本文基于自然激励法(NExT)和特征系统实现法(ERA)建立NExT-ERA模态识别理论,提出新的模态分析方法,识别自由板的模态参数。同时对自由板进行单点激振器激振,多点响应测量的模态分析试验,并对比自由板Ansys仿真分析、实验模态分析和NExT-ERA模态分析的识别结果。结果显示,NExT-ERA模态分析方法在频率、振型识别上具有良好的识别精度,也能准确识别实验模态分析中缺失的模态。

量子粒子群结合小波变换识别结构模态参数

通过对结构响应进行连续小波变换将多自由度模态参数识别转化为多个单自由度模态参数识别。建立小波骨架理论公式与由结构输出信号计算而得的小波骨架之差为目标函数的优化问题,通过搜索包含于小波骨架理论公式中的模态参数的取值而使目标值最小,从而将优化问题转化为模态参数识别问题。量子粒子群算法是一种基于群体智能理论的优化算法。将量子粒子群算法应用到上述方法中一次性识别出结构的频率、阻尼和振型。最后采用数值模拟的简支梁对该方法进行有效性验证。结果表明,量子粒子群算法结合连续小波变换可以有效地识别环境激励下的结构模态参数。

运用改进帝国竞争算法识别结构模态参数

智能优化算法以其可在输入输出数据不完备且含噪声污染以及在系统刚度、质量等先验信息缺乏的情况下识别结构参数的优点,近些年来被广泛应用于参数识别。然而,智能算法识别结构参数时容易出现早熟收敛和陷入局部最优的问题,从而导致识别结果误差较大。帝国竞争算法(ICA)作为一种新颖的智能优化算法,在结构参数识别中也同样存在这类缺陷。为此提出一种融合粒子群优化算法(PSO)全局最优思想的改进帝国竞争算法,并将其运用于结构模态参数识别中。五个标准测试函数的测试结果表明,改进帝国竞争算法的性能优于传统帝国竞争算法。最后通过不同加噪环境下简支梁结构的算例分析,进一步验证改进算法可以有效克服寻优过程中早熟收敛、误差较大的缺陷,并且具有良好的抗噪性。

基于振动台试验的模态参数识别算法比较研究

基于结构动力响应信号的分析与处理,识别结构模态参数是结构健康监测和损伤诊断等研究及工程实践中的一个重要环节,同时也是前提和难点所在。经过近几十年的努力,结构模态参数识别技术虽然有了长足的发展,但到目前为止众多的参数识别基本算法及其改进仍然存在一些不足。本文对较为典型的识别算法间的共性、差异及不足进行了分析比较,并重点选取特征系统实现算法和有理分式多项式法,对同济大学土木工程防灾国家重点实验室12层钢筋混凝土框架模型振动台试验数据进行了处理,并对识别结果进行了分析、比较,以便为后续研究奠定基础。

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。