论文部分内容阅读
模态参数(模态固有频率、振型和阻尼比)能够反应结构的动力学特性,进而可应用于结构动态设计、故障诊断等。工作模态分析(Operational Modal Analysis,OMA)能够仅从振动传感器收集到的振动响应信号中识别出结构的模态参数,但仅适合线性时不变结构且无法在线实时识别。本文在基于主成分分析、盲源分离和流形学习的工作模态分析方法的基础上,结合了滑动窗、在线递推、增量学习等方法,实现了线性慢时变结构的工作模态参数在线实时识别,主要内容如下:(1)提出了基于窗函数和窗长度自适应选取的滑动窗主成分分析(PCA)的线性慢时变结构工作模态参数在线实时识别方法。该方法将相邻模态之间的方差贡献率差值的绝对值作为自适应指标(AI),在PCA分解之前根据AI选取窗函数和窗长度,避免发生模态交换,提高算法对线性慢时变结构的模态振型和固有频率的识别精度。在质量慢时变的三自由度系统和密度慢时变的悬臂梁的仿真实验结果表明,该方法比矩形窗固定步长的滑动PCA方法具有更好的识别精度。(2)提出了基于滑动窗变步长独立等变自适应(EASI)的线性慢时变结构工作模态参数在线实时识别方法。首先,基于盲源分离和工作模态参数问题的相似性,提出将变步长EASI算法应用于模态参数识别。之后,选取指数衰减和时间递减两种变步长方法,再结合滑动窗,提出滑动窗变步长EASI方法对线性慢时变结构的模态振型和固有频率进行在线实时识别。在质量慢时变的三自由度系统和密度慢时变的悬臂梁的结果表明,与滑动窗固定步长EASI、变步长EASI方法相比,滑动窗变步长EASI方法具有更好的时变跟踪能力、识别精度和收敛速度。(3)提出了基于滑动窗的增量局部线性嵌入(LLE)的线性慢时变结构工作模态参数在线实时识别方法。该方法结合了流形学习中的LLE算法、滑动窗和增量学习,达到递推的删除旧数据、增加新数据、更新识别模型和跟踪时变特性的目的,利用Arnoldi方法计算低维嵌入。在质量慢时变的三自由度系统和密度慢时变的悬臂梁结果表明,该方法与正交迭代、逆迭代方法识别的线性慢时变结构的模态振型和固有频率有较高精度,与滑动窗LLE方法相比,运算时间更少。