基于改进经验小波变换的海洋平台结构模态参数自动识别方法

针对经验小波变换(empirical wavelet transform,EWT)方法在处理低信噪比信号中频谱分割边界容易产生误判的问题,提出了一种改进经验小波变换(improved empirical wavelet transform,IEWT)的结构模态参数自动识别方法。首先计算信号的互功率谱矩阵,采用奇异值分解(SVD)及尺度空间(SSPP)方法确定频谱的分割边界,将信号分解为若干固有模态函数(IMF)分量,再结合随机减量技术(RDT)和希尔伯特变换(HT)实现模态参数的自动识别。使用IEWT方法对自由振动响应信号及ASCE Benchmark模型信号进行模态参数识别,并分别与EWT方法、基于自回归功率谱的经验小波变换(AR-EWT)方法及小波变换(WT)方法进行对比,结果表明IEWT方法能够自适应确定频谱分割边界,对结构的频率及阻尼比等模态参数具有较高的识别精度;进一步将该方法应用到实验室海洋平台模型的模态参数识别中,证明该方法可用于复杂噪声环境下的低频结构的模态参数识别。

AR模型功率谱改进的频域模态自动识别方法

针对频域分解法在模态自动识别上的不足,提出了一种基于AR模型功率谱改进的频域模态自动识别方法——AR-AFDD法。首先,通过AR模型功率谱估计确定所有可能是物理模态的频率点,并对相应功率谱矩阵进行奇异值分解,然后,利用时间振型相关性对所选取的峰值进行判别,实现物理模态与噪声模态的自动区分,最后,以自功率谱的最优拟合完成阻尼比估计;采用试验模型和实际桥梁对AR-AFDD法进行验证。研究表明:AR-AFDD法能够快速有效地实现结构模态参数的自动识别,识别结果能够区分物理模态与噪声模态,在实际结构的健康监测数据分析中具有良好的可靠性。

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.

基于移动传感的桥梁自动模态参数识别

提出一种基于移动传感的桥梁自动模态参数识别方法。移动传感单元包括一个动力车和一个刚性小拖车,动力车搭载了数据采集和传输设备以及北斗授时模块,刚性拖车搭载加速度拾振器,动力车与拖车的连接具有良好的隔振效果,有效获取桥梁结构本身不同位置的振动信号。模态试验时,移动传感单元依次自动获取不同测点的结构振动信息,通过北斗授时模块实现与固定参考单元获取的振动信息相位时间同步。基于随机子空间的自动模态参数识别方法可以快速从固定参考单元与移动传感单元获取的振动信息中提取结构模态信息。该方法可以获取较高的空间分辨率结构振动信息,进而获取准确的结构振型信息。将移动传感应用于一座下承式系杆拱桥,取得了优良的模态识别效果。

基于博弈K均值聚类的模态参数自动识别算法

为提高基于随机子空间(stochastic subspace identification, SSI)法模态参数识别的自动化程度,提出了基于博弈K均值(game-based K-means, GBK)聚类的两阶段模态参数自动识别算法。首先,对采集到的数据通过SSI识别出大量待分析的极点并根据所提出的硬性指标对虚假模态进行初步剔除;其次,将前后两阶模态的多类型偏差指标构造成特征矩阵进行GBK聚类,进一步将剩余虚假模态进行剔除;之后,将提取的结构模态进行层次聚类得到各阶模态;随后将提出的方法通过六自由度质量-弹簧结构数值模型进行验证,最后,将此算法应用于某大跨悬索桥的实际监测数据中进行模态参数自动识别,进一步验证了该方法在实际工程中对采集到的海量数据进行自动化识别的可行性和适用性。

基于HHT的结构模态参数自动化识别方法和试验验证

建筑结构的模态参数识别是健康监测系统中的核心算法。模态参数识别经过多年的发展已经非常成熟,种类繁多。但是基于Hilbert-Huang变换(Hilbert-Huang transform,HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测。该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network,DNN)结合K-L散度实现了EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis,SSA)结合Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function,IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别。将上述方法应用于一3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别。

基于稳定图解析的桥梁模态参数全自动识别

桥梁模态参数识别是桥梁智能监测的重要内容,传统桥梁模态参数识别方法需要人工干预,不适合连续监测,且在传感器较少时可能失效。为解决该问题,提出改进的稳定图解析方法,实现桥梁模态参数全自动识别。首先,提出模态相似指标(Modal Similarity Criterion, MSC)度量模态相似性,解决传统模态置信度指标在传感器较少时可能失效的问题;然后,提出新的稳定图自动清洗方法,剔除稳定图中的大量虚假模态,同时提出改进的层次聚类算法自动解析清洗的稳定图,实现模态参数自动识别;最后,将提出的方法应用于一座斜拉桥和一座具有密集模态的连续梁桥Benchmark,并在极端传感器布置工况下验证所提方法辨别密集模态的可行性。结果表明:即使在发生振型空间混叠时,提出的MSC指标仍能有效辨别不同模态;提出的稳定图自动清洗和自动解析方法不需要任何人工设定的阈值,能够自动剔除虚假模态并得到准确的模态识别结果,同时能够准确识别发生振型空间混叠的密集模态。提出的自动识别方法不受结构刚度和加速度传感器布置位置和数量的限制,能够统一地应用于具有不同刚度和不同传感器布置工况的跨海桥梁集群监测。

深度神经网络在EMD虚假分量识别中的应用

无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容。希尔伯特黄变换(Hilbert-Huang Transform,HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用。与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function,IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断。该文提出了一种基于深度神经网络(Deep Neural Networks,DNN)与K-L散度(KullbackLeibler Divergence,K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量。