基于神经网络预测与小波变换的结构非线性振动参数识别

首先介绍利用复Morlet小波变换进行结构非线性振动模型参数识别的原理,进而分析了因小波变换过程中的边端效应以及在采样点较少情况下复Morlet小波变换对非线性模型参数识别准确性的影响。然后提出了利用BP神经网络对非线性模型参数识别的信号进行预测延拓,并基于预测后的信号进行参数识别。最后通过对两种非线性振动模型进行数值仿真,验证了该方法能很好的提高非线性模型参数识别的准确性,并且具有一定的抗噪能力。

延拓小波变换识别的桥梁模态参数研究

振动系统模态识别是当今桥梁结构动力特性研究的热点之一。从复模态理论的一般阻尼系统的模态参数分析入手,利用径向神经网络插值技术,对含有噪声的振动信号进行信号预测延拓降噪处理,借助连续的Morlet小波变换,识别出了振动结构系统的模态。以重庆大佛寺长江大桥为研究背景,使用模态叠加法和Morlet小波分析识别结构,二者吻合程度较高。研究结果表明,基于径向神经网络的延拓预测的信号降噪效果好;Morlet小波变换识别模态参数精度满足工程要求。

基于广义延拓逼近的暂态稳定分析

在求解暂态稳定的问题中给迭代计算一个更好的初值,则能加速网络方程的迭代速度,减少迭代次数。提出了广义延拓算法,并应用于网络方程迭代求解的初值预测,最后通过仿真算例证明了它的有效性。研究结果同时表明,此算法和传统方法相比,能减少计算量,从而节省暂态稳定分析的时间,具有广阔的推广应用前景。

基于小波变换的结构模态参数识别

及时、准确地识别出结构的模态参数是结构健康监测与损伤识别的重要前提。小波分析是众多识别方法中较优越的一种,因其在时-频两域都具有表征信号局部特征的能力,近年来这一方法在线性及非线性系统的参数识别中开始应用。探讨了基于小波脊(R idge)与小波骨架(Ske leton)的模态参数识别方法,针对小波变换中遇到的边端效应问题,提出了基于自回归滑动平均模型(ARM A)的“预测延拓”方法,并以美国土木工程师学会(A SCE)提供的B enchm ark模型为例进行了数值模拟。结果表明,本文提出的方法可以有效地抑制小波边端效应,通过小波变换可以准确地识别出结构的模态参数。

基于分岔理论的数字液压缸稳定性分析与设计

为将分岔理论应用于数字液压缸稳定性分析与设计,对系统非线性模型进行了等价变换和光滑处理,同时为克服刚性问题影响,基于量纲分析理论通过选择合适的基本量将模型无因次化,并采用预测-校正延拓法确保分岔求解的精度和效率。在各自可行区间内,对重要参数和不确定参数进行了单参数分岔分析,结果表明:数字液压缸的初始设计具有一定的稳定裕度和鲁棒性,系统受不确定参数的影响较小;运用分岔理论,能够有效揭示各参数对系统动态稳定性的影响,为系统参数设计提供指导。