基于AEEMD和改进DATA-SSI算法的桥梁结构模态参数自动化识别

模态参数作为桥梁结构最重要的动力参数之一,在实际运用中,可通过监测其变化情况来辨识结构的使用性能,精确地参数识别对保障桥梁健康运营具有十分重要的意义。鉴于此,该文对现阶段常用的振动信号降噪处理算法和模态参数识别算法进行了相应的改进。一方面,提出一种新的信号自适应分解与重构算法,即自适应总体平均经验模态分解算法(AEEMD),该算法相比总体平均经验模态分解算法(EEMD)而言,能够根据信号的自身特征自动化确定添加白噪声的幅值标准差和集成平均次数;能更好地处理端点效应;同时还能够保证所得本征模态函数之间不存在模态混叠现象;最终实现有效IMF分量的自动化筛选和信号重构。另一方面,将多维数据聚类分析算法引入随机子空间算法中,并以频率值、阻尼比以及振型系数为因子建立判别矩阵,以智能化区分虚假模态和真实模态,最终实现模态参数自动化识别。文章最后分别用模拟信号和实际桥梁测试信号对所提算法的有效性进行验证,结果表明,该文所提算法能运用于实际桥梁结构的模态参数自动化识别。

基于EEMD-小波阈值去噪的桥梁结构模态参数识别

为研究环境激励下大跨径桥梁结构振动响应特性,采用拾振器监测结构动态变形.针对监测信号中的噪声影响,提出EEMD-小波阈值联合滤波方法来提升信号精度.首先,利用EEMD算法对信号进行分解,基于平均周期图法和相关系数法双重判定准则剔除虚假分量,然后,结合小波阈值去噪方法对重构信号进行二次降噪,再利用RDT-ITD法识别结构模态参数.将滤波降噪和模态识别方法应用于天津永和桥实测振动响应分析中,并结合有限元分析结果进行对比.结果表明:EEMD-小波阈值联合滤波方法优于应用单一方法,能进一步提升信号精度;信号降噪后,利用RDT-ITD方法成功提取了结构前3阶竖向自振频率和相应阻尼比;识别的结构自振频率值与有限元分析结果基本一致,基频值相差3.07%.

基于EEMD和ARMA算法的某大型斜拉桥的模态参数识别

识别桥梁结构模态参数是结构健康监测和振动控制等研究及工程实践中的一个重要环节。基于EEMD和ARMA算法的模态参数识别技术,利用EEMD分解对原始加速度信号进行分析,然后对所得的IMF进行信号重构。将重构的加速度信号作为ARMA算法的输入,进行模态参数识别,得到了某大桥的前6阶频率,并分析了每阶频率1d内的变化波动情况。通过对比分析每阶频率与实际值的差距,表明该识别方法能有效识别该斜拉桥频率。

基于EEMD的薄板结构模态参数的识别

模态参数的识别在结构动力学分析中有着重要的作用。本文研究了一种采用时域响应信号,辨识薄板结构固有频率和阻尼比的方法。首先将信号进行EEMD分解,获得本征模函数(IFM),减弱模态混叠现象;然后采用Hilbert变换,利用单自由度自由响应信号的特点,识别出结构的模态参数。结合仿真和实验,结果表明该方法优于EMD和传统的半功率带宽法。

EEMD和SVM相结合的储层流体识别模型

针对深层储层地震响应微弱、含气性识别困难的问题,提出了一种基于聚合经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)的地震属性提取及储层含气性识别方法。对地震信号运用EEMD方法进行分解,得到一系列本征模态函数(intrinsic mode function,IMF)。优选具有强相关性的本征模态函数重构特征子信号提取地震属性。通过相关性和R型聚类分析评估地震属性,最终选取4种相对独立的属性作为SVM的输入特征参数,并利用粒子群优化(particle swarm optimization,PSO)算法优化参数后得到的SVM模型实现对储层含气性的识别。实验结果表明,所提方法能够有效地提取储层地震属性及进行含气性识别。

基于改进EMD的结构模态参数识别比较研究

为了解决经典经验模态分解(Empirical Mode Decomposition,EMD)分解过程中模态混叠的缺陷,提出了基于频带滤波和相关系数法改进EMD的方法,并与新近提出的EEMD方法进行了比较研究,结果表明改进EMD方法在处理模态混叠效果上要优于EEMD,但EEMD方法则不需要任何先验知识,分解过程完全是自动的。

利用改进的EMD和随机减量法识别模态参数

对振动信号进行小波去噪,克服环境噪声的干扰,提高EMD的质量,利用相关系数去除虚伪分量,然后利用随机减量法和ITD法识别出列车地板的固有频率和阻尼比。将此方法识别结果与LMS商业软件识别结果进行对比,频率相对误差不超过6%,阻尼比相对误差不超过7%。由此说明该方法具有较高的识别精度。

工况模态分析的EMD方法

EMD(EmpiricalModeDecomposition)算法 1995年由NASA海洋水波实验室提出 ,本质上是一种将时域信号按频率尺度分解的数值算法 ,对于线性时不变系统 ,它可以从时域信号中直接提取具有不同特征时间尺度的内禀模式函数(IMF ,IntrinsicModeFunction) ,分解得到的IMFs之间具有正交性 ,且分解唯一。本文以此为基础 ,将NExT(NaturalExcitationTechnique)方法推广到多点随机激励下的复模态情况 ,对多自由度线性系统实测响应信号的互相关函数进行EMD分解 ,并进而实现模态参数的辨识。

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。

Identification of Modal Parameters with Linear Structure under Non-stationary Ambient Excitation

Empirical mode decomposition (EMD) is proposed to identify linear structure under non-stationary excitation,and non-white noise coefficient is introduced under the assumption of random signals consisting of white noise and non-white noise signals. The cross-correlation function of response signal is decomposed into mode functions and residue by EMD method. The identification technique of the modal parameters of single freedom degree is applied to each mode function to obtain natural frequencies, damping ratios and mode shapes. The results of identification of the five-degree freedom linear system demonstrate that the proposed method is effective in identifying the parameters of linear structures under non-stationary ambient excitation.

基于改进EEMD算法的桥梁结构模态参数识别

对于桥梁结构而言,可以通过监测其模态参数值的变化情况来评判其健康状况。在对桥梁结构进行模态参数识别时,由于传感器采集的响应信号是在环境激励下监测的,所以信号中会含有部分的噪声,不仅会影响识别结果的精度,还会导致虚假模态的存在,所以实际运用中需要先对响应信号进行一定的预处理。现阶段被广泛运用的预处理方法是总体经验模态分解(EEMD)算法,虽然该算法是在EMD算法基础上改进得到的,但依然存在一定的缺陷。为了弥补这些缺陷,提出了一种新的分解算法,即互补自适应噪声的集合经验模态分解算法(EEMDCAN)。首先确定添加白噪声的幅值标准差和集成平均次数,接着引入了统计学中的聚类分析、相关性分析以及模糊综合评价算法来实现信号的自适应分解与降噪。最后利用所提算法对仿真信号进行分解与重构,并将所得结果与EEMD分解结果进行对比分析,以验证所提算法的可行性;同时为进一步验证所提算法能运用于实际桥梁结构中,以某大型斜拉桥为研究对象,利用改进算法对其加速度信号预处理,结果表明改进算法能够克服EEMD算法存在的模态混叠现象,能更好地对信号进行降噪与重构,且能保留响应信号中更多的有用信息,具有一定的实际运用价值。

环境激励下基于经验模式分解的结构模态参数识别方法

识别结构模态参数是结构健康监测和振动控制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。提出基于经验模式分解(EMD)的环境激励结构模态参数识别的STD法、复指数法与ARMA法。3种方法采用EMD将结构环境振动响应原始信号分解成若干个基本模式分量(IMF),使每一个基本模式分量仅为结构的某一阶固有模态,采用相关系数法结合频谱分析挑选出真实IMF,进而分别用STD法、复指数法与ARMA法进行模态参数识别。四层钢框架模型环境振动试验分析结果表明,3种方法能有效地避免结构各阶模态之间的相互影响,能够更清晰更方便得到结构模态参数。采用基于奇异值差分谱进行去噪处理,使得识别结果更加准确。

基于经验模式分解的随机子空间识别方法

提出了基于经验模式分解(EMD)的环境激励结构模态参数随机子空间识别(SSI)方法。该方法用设置间断频率的EMD将结构环境振动响应原始信号分解成若干个基本模式分量(IMF),使每一个基本模式分量仅为结构的某一阶固有模态,进而用随机子空间方法进行模态参数识别。实桥环境振动实验分析结果表明,该方法能有效地避免结构各阶模态之间的相互影响,能够更清晰方便地得到结构的模态参数。

HHT方法在模态密集结构模态参数识别中的应用研究

结合海洋平台物理模型的动力响应数据,研究加入伪信号技术的HHT方法在模态密集结构模态参数识别中的应用,并对伪信号参数的选择方法进行了改进。通过两自由度系统数值算例说明了改进后伪信号技术结合HHT方法用于模态参数识别的优越性及可行性。进而运用模态参数识别频域方法中的峰值法(PP)和时—频方法中的HHT方法结合伪信号技术对海洋平台物理模型进行了模态参数识别。分析结果表明,该类方法对模态密集结构参数的识别效果良好,适用于模态密集结构的模态参数识别。

基于希尔波特—黄变换(HHT)的海洋平台结构模态参数识别

本文研究了希尔波特一黄变换(HHT)中的模态混淆问题解决方法的理论。建立海洋平台结构有限元模型,通过模态分析得到其理论模态参数;然后在瞬时荷载的激励下得到有限元模型和实际结构的振动响应,利用采用Fourier滤波器的HHT方法和采用改进伪信号技术的HHT方法识别其模态参数。结果对比表明,这两种方法都可以准确地识别结构的模态参数,采用改进伪信号技术的HHT方法对实际平台的模态参数识别结果相对更加准确、合理。

基于Laplace小波相关滤波的结构模态参数精确识别方法

为了从结构脉冲响应信号中精确识别结构模态参数,提出一种基于Laplace小波相关滤波的结构模态参数精确识别方法。首先对结构的脉冲响应信号进行经验模式分解,将结构多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,再对这些分量分别进行Laplace小波相关滤波便可准确识别结构的各阶模态参数。仿真信号的计算结果表明该方法可以得到精确的阻尼固有频率,并能准确地锁定阻尼比。悬臂梁力锤激励试验结果表明该方法在实际结构的模态参数识别中也非常有效。

含非线性干摩擦与粘滞阻尼系统的参数辨识

推导了含有理想干摩擦环节的单自由度振动系统在加速度域的参数分离及辨识方法,结合EMD(Empirical Mode Decomposition,简称EMD)经验模态信号筛分技术,用含噪声的加速度衰减响应信号对系统进行了参数分离及辨识。仿真结果表明,粘滞阻尼辨识精度达到了97.068%,干摩擦阻尼辨识精度达到了95.43%。将该方法应用于某化工厂管道组成的振动系统,成功地进行了粘滞阻尼和干摩擦阻尼辨识。

运行工况下转子系统模态参数识别技术研究

针对目前高速旋转机械通过建模求解各阶固有频率复杂、困难问题,提出一种基于随机子空间(Stochastic Subspace Identification,SSI)和经验模式分解(Empirical Mode Decomposition,EMD)相结合的系统模态参数识别方法。该方法首先通过对转子系统运行工况下的振动响应进行分段滤波获取各阶模态自由衰减分量,然后引入EMD对处理后的信号进行分解,降低模态混叠及其他信号成分对模态参数识别的影响。其次,以EMD分解后的数据为基础,构建Hankel矩阵,通过SVD分解和卡尔曼状态滤波得到系统的随机状态模型,并对状态矩阵进行特征值分解,从而得到系统的一阶与二阶模态的固有频率。仿真分析和转子实验台的实际测试结果表明,该方法可以有效识别运行工况下转子系统的一、二阶固有频率,为后续系统特性分析和故障辨识提供新的思路。