基于奇异值分解的频响函数降噪方法

为了提高外场测试中频响函数的信噪比,提出了一种基于奇异值分解的频响函数降噪方法。该方法首先对脉冲响应函数在相空间内进行重构;然后对重构轨道矩阵进行奇异值分解达到降噪的目的。其中,降噪阶次通过奇异熵增量进行确定。采用GARTEUR飞机模型建立具有密集模态的仿真算例进行验证。结果表明,在噪声干扰较大时,该降噪方法能够显著改善模态参数的识别精度,尤其是阻尼的识别精度。

基于模糊聚类的模态参数自动识别

多参考点最小二乘复频域法(p-LSCF)是近几年来提出的宽频带模态参数识别算法,该算法在抗干扰能力、识别密集模态、以及处理大阻尼复杂结构方面具有非常好的特性。区分真实极点与计算极点是该算法中非常重要的一步,这项工作通常是借助于稳定图由人工来完成。对于复杂结构,这个过程尤其繁琐并且耗时。模糊聚类分析已经在多个领域得到了成功的应用,通过将模糊聚类作为自动分析稳定图的工具引入到模态分析中,实现了模态参数的自动识别。

环境激励下宽频带模态参数识别研究

由于功率谱的模态阶次是频响函数模态阶次的2倍,直接使用响应信号的功率谱进行模态参数识别容易导致识别过程中需要过高的系统阶次、运算量加大、数值算法不稳定等问题。因此使用功率谱的模态识别方法多为窄频带算法,难以适用于宽频带识别。针对该问题,在使用相关图法估计功率谱的过程中,仅对正时延相关函数进行傅里叶变换(FFT)可以实现功率谱降阶,并且降阶后的模态参数不发生变化。根据频响函数与降阶功率谱具有相似数学表达式的特点,将试验模态分析中的多参考点最小二乘复频域(p-LSCF)宽频带算法与降阶功率谱相结合,实现了环境激励条件下的模态参数识别。通过一个二层单跨框架结构仿真算例与一个建筑结构的实测算例进行了验证,结果表明:该方法能够较准确识别模态参数,具有耦合模态的识别能力;在模态选择中,除了借助于模态指示函数,高阶模态应利用稳定图加以判断。