Data-SSI与图论聚类结合识别果树固有频率

果树的固有频率是林果振动采收机械设计的重要依据之一。为有效识别果树的固有频率,该研究提出了基于数据驱动随机子空间Data-SSI(Data-driven Stochastic Subspace Identification)法与图论聚类稳定图相结合、仅以果树的输出响应信号对果树进行固有频率识别的方法,以尽量减少人为主观因素的影响。将该方法用于一棵室内小型银杏树和一棵室外较大银杏树固有频率的识别并与冲击力锤频谱测试结果进行对比分析。结果表明,室内小型果树在随机激励下采用本文方法识别结果与频谱试验结果最大相对误差为4.17%;室外大型果树在环境激励下所提方法识别结果与频谱试验结果平均相对误差为2.88%,最大相对误差为6.02%。本文方法对仅基于输出响应信号的果树固有频率识别具有一定可行性,可为果树智能化共振采收时快速准确确定共振频率提供参考。

飞机紊流激励响应的模态参数识别

风洞颤振试验中通常采用紊流自然激励,提高了模态参数识别的难度。发展了两类紊流激励响应的模态参数识别方法:一是采用随机子空间方法结合经验模态分解方法识别信号的模态参数;二是采用随机减量技术、自然激励技术提取自由衰减响应,进而利用矩阵束方法进行参数识别。紊流激励响应仿真数据与风洞试验数据分析结果表明:采用这两类方法都可以进行单测点紊流激励响应信号的模态参数识别,识别结果具有较高的准确性,结合速度-阻尼比法与颤振裕度法,有助于颤振边界的提前预测。

基于双协方差随机子空间识别的类噪声数据低频振荡辨识

低频振荡可能会给电力系统的安全稳定带来极大危害,因此在线监测和分析低频振荡参数十分重要。为了有效地从类噪声数据中获取低频振荡模态参数,基于双协方差随机子空间识别(stochastic subspace identification,SSI)算法提出了一种低频振荡模态辨识的新方法。在传统SSI算法的基础上,引入双协方差SSI算法和系统聚类算法对物理模态自动拾取、自动定阶,实现低频振荡参数的有效精确辨识。分别应用传递函数和IEEE WSCC 3机9节点系统模型产生的仿真数据进行了测试,结果表明该方法能够实现自动定阶,得到的稳定图较传统SSI算法更清晰,识别结果中不会出现虚假模态,能高精度估计低频振荡模态参数,且抗噪性能良好。

一种改进的识别结构模态参数的随机子空间法

随机子空间法可有效地从环境激励下的结构响应中获取结构的模态参数,但在识别过程中需要构造高维矩阵,对高维矩阵进行奇异值分解需要大量内存与计算时间,严重影响该算法的计算效率.针对该问题,文中通过研究协方差驱动随机子空间法中Toeplitz矩阵奇异值的分解过程,发现其中一个子矩阵对于模态参数识别结果无影响,故而提出一种新的构造Toeplitz矩阵的方法,从而降低了Toeplitz矩阵的维数,提高了计算效率.实例分析证明,改进的协方差驱动随机子空间法在保持计算精度的情况下,计算时间是原来的10.6%.

基于FSSI的环境激励下机电振荡特征参数快速识别方法研究

环境激励作用下的电力系统随机响应蕴含丰富的系统动态信息。随着广域测量系统的广泛应用,基于随机响应信号的低频振荡分析具有良好的应用前景。在对电力系统随机响应数据特征分析的基础上,提出了基于快速随机子空间辨识算法(Fast Stochastic Subspace Identification,FSSI)的电力系统机电振荡参数识别方法。FSSI算法利用LQ分解取代了传统随机子空间算法中的奇异值(SVD)分解过程,在保证SSI算法在振荡频率、阻尼比及模态振型识别精度的同时,极大地提高了分析计算的速率。IEEE 4机2区域系统和16机68节点系统仿真计算结果表明文中提出的方法具有较高的识别精度和计算速率。

环境激励下基于频域特征的扰动源定位方法

环境激励下小幅周期性扰动容易被淹没在类噪声信号中,从时域角度很难实现小幅周期性扰动的检测及扰动源定位。在分析环境激励下电力系统类噪声信号频域特征的基础上,提出了基于频域特征的小幅周期性扰动的检测与扰动源定位方法。环境激励下周期性扰动的频域表征为振荡恒定、阻尼比近似为0的振荡模式,且在该模式中扰动源所在机组的模态相位超前于其他机组。利用随机子空间辨识算法对环境激励下的类噪声响应信号进行分析,提取振荡模态及参数,根据模态个数及特征参数实现小幅周期性扰动的检测,检测到周期扰动后,根据阻尼比近似为0的周期性振荡模式的模态相位关系即可定位扰动源所在机组。IEEE 4机2区域系统和IEEE 16机68节点系统的算例结果验证了所提方法的有效性和可行性。

随机数据驱动下的电力系统低频振荡参数识别方法

为利用随机响应数据进行电力系统安全评估和确保电力系统安全稳定运行,提出基于随机响应数据电力系统低频振荡参数识别算法。该方法利用随机子空间辨识(SSI)方法从WAMS的量测数据中提取出系统低频振荡的频率以及阻尼比,同时可以判断出振荡模态。通过对IEEE 4机2区系统进行实例仿真,并将该方法辨识结果与其他方法辨识结果以及系统理论振荡参数进行对比和分析,其结果验证了该方法的可行性以及有效性。

基于摄影测量的大型风机叶片运行模态分析

针对大型风力发电机叶片振动模态在线测量的问题,运用摄影测量结合协方差驱动随机子空间法对工作中的大型风机叶片进行动态模态分析。首先,通过摄影测量得到叶片上关键测点的轨迹;然后,通过协方差驱动随机子空间法对得到轨迹的进行运行模态分析,得到被测叶片的模态参数,包括固有频率、固有阻尼和模态振型。由于实地测量困难,所以通过GH Bladed仿真建立2MW风机和风场模型并模拟得到叶片上若干目标点的运行轨迹,利用提出的方法计算叶片的模态参数。实验结果表明,一~五阶模态的固有频率相对误差小于1.4%,振型相对误差小于10.0%,验证了摄影测量和协方差驱动随机子空间法应用在大尺寸风机叶片模态分析的正确性。并将该方法应用在一架3.5m叶片的风机实测中,得到其固有频率,验证了摄影测量和协方差驱动随机子空间法的可行性。

采用Bootstrap抽样的靖远黄河大桥模态参数识别不确定性量化

提出一种基于Bootstrap抽样的模态参数识别不确定性量化方法,从整体和局部的角度评价模态参数识别结果的可靠性.首先,基于动力测试的加速度时程数据,采用协方差驱动随机子空间(SSI-COV)法识别不同测试组的模态参数;引入Bootstrap抽样方法,对多组模态参数识别结果进行B次重复抽样,得到Bootstrap样本数据,并通过其概率统计特征值衡量整体不确定性.然后,对单个测试组中不同时间段的识别结果进行重复抽样,分析并量化单个测试组的模态参数识别的不确定性.最后,以靖远黄河大桥试验数据为例,对靖远黄河大桥竖向单个及多个测试组下的模态参数进行不确定性量化.结果表明:不同测试组识别的前3阶固有频率的均值分别为1.5539,1.7206,2.1652,方差分别为0.0761,0.0429,0.0965;单个测试组识别的前3阶固有频率的均值分别为1.5265,1.7880,2.3060,方差分别为0.0153,0.0496,0.0182;文中方法识别的固有频率值总体较为稳定.

改进EMD和COV-SSI在桥梁结构模态参数识别中的运用

为了更好地实现桥梁结构信号分解和模态参数识别的一体化处理,以及桥梁结构运营状态的实时监控。首先针对经验模态分解方法(EMD)存在的不足进行完善,包括引入正交思想以提高模态的辨识精度,提出筛选有效本征模态函数的新算法(自适应经验模态分解,AEMD)。其次针对协方差的随机子空间识别(COV-SSI)算法难以适用于桥梁结构这种非线性时变结构,提出了将滑窗技术融于其中以实现对桥梁结构模态参数的跟踪识别。随后将AEMD算法和改进的协方差驱动随机子空间算法进行结合以实现桥梁结构信号分解和模态参数识别的一体化处理。最后以某大型斜拉桥为研究对象,对比分析了所得模态参数结果以验证所提算法的可行性,结果表明:在EMD算法中融入正交思想能够有效地提高模态的辨识精度,同时还能在一定程度上处理端点效应;通过夹角余弦法计算各IMF分量与原始信号之间的相似程度可以实现有效IMF分量的筛选;将滑窗技术与随机子空间算法进行结合,能实现对时变结构的模态参数识别;将滑窗技术、AEMD算法及COV-SSI算法进行融合,能够实现从信号分解到模态参数识别的一体化处理,能够完成对桥梁结构模态参数的在线监测,且所得结果具有可信性。