改进随机子空间算法在桥梁结构中的运用

随机子空间算法作为模态参数识别算法中的主要方法之一,虽然被广泛运用于实际桥梁结构的模态参数识别中,但其依然存在一定的缺陷。基于此,针对其存在的三大问题:系统定阶难、只适用于时不变结构以及真实模态筛选存在主观性,笔者提出了相应的解决方法。首先,利用"奇异熵增量一阶导数法"实现系统阶次的智能化判定;其次,引入"滑窗技术"对输入信号进行划窗处理,实现时变结构的参数识别;然后,基于真实模态存在的一般规律,并通过建立相似矩阵实现真实模态的辨识;最后,将信号采集、信号预处理和改进随机子空间算法进行有效结合,运用于某大型斜拉桥振动台试验以验证所提算法的可靠性。结果表明:所提算法能运用于桥梁的健康监测中,且识别结果具有可信性。     

环境激励下桥梁结构信号分解与模态参数识别

为实现环境激励下桥梁结构信号分解与模态参数识别的一体化,首先,针对现有集合经验模态分解算法存在的端点效应和有效本征模态函数筛选难的问题,通过引入镜像延拓算法和支持向量回归机算法来抑制端点效应,并根据互相关系数和能量系数建立筛选有效本征模态函数的新指标——有效系数;其次,根据桥梁结构真实模态存在的一般规律提出了用于智能化辨识稳定图中真实模态的算法;最后,通过某大型斜拉桥振动台试验来验证所提算法的可行性。结果表明,所提算法不仅能实现桥梁结构响应信号的自适应分解和重构,还能实现稳定图中真实模态的智能化筛选,即实现桥梁结构模态参数的智能化识别,且识别结果具有可靠性。     

实时在线桥梁模态参数自动识别

为系统实现桥梁实时在线模态参数自动识别,从数据分析和系统搭建两方面解决桥梁模态参数自动识别问题。首先,引入改进的模糊C均值聚类(fuzzy C-means,简称FCM)算法,通过设定最大聚类数目,得到不同聚类数目下的累积邻接矩阵,并引入图切分算法,自动确定最佳聚类数目,实现稳定图自动识别;其次,提出集数据采集、传输和分析一体化的模态参数自动识别系统框架,通过建立数据解析过程,保证实时在线模态识别的数据获取,并提出动态可变滑动数据窗,保证在线自动识别的实时性;最后,将提出的算法和系统框架运用于拱桥模型来验证所提方法和系统的可行性。结果表明:改进的模糊C均值聚类算法不需要任何人工干预,在默认参数下就可以自动获得最佳聚类数目,实现稳定图自动识别;提出的自动识别系统框架和动态可变滑动数据窗能够实现模态参数自动识别,并保证识别的实时性;提出的桥梁模态参数自动识别方法和自动识别系统能够用于桥梁结构实时在线模态参数的自动识别。     

用于线性时变系统辨识的固定长度平移窗投影估计递推子空间方法

给出了一个新的用于线性时变参数结构系统模态参数识别的基于固定长度平移窗投影估计的递推子空间方法。首先推得基于平移窗投影估计的子空间跟踪算法,以代替奇异值分解,再推得系统数据矩阵的一阶修正形式,从而得到新的基于平移窗投影估计的递推子空间方法。该方法可有效地降低算法的计算量。最后通过刚度随时间变化的3自由度系统和一具有移动质量的机械臂系统的时变模态频率辨识仿真表明该方法可有效地辨识线性时变系统的伪模态参数。     

基于滑动窗邻域保留投影的工作模态分析

为了识别线性慢时变结构的工作模态参数,提出一种基于滑动窗邻域保留投影(MWNPE)的工作模态参数识别方法。该方法基于“时间冻结”理论,利用固定长度的窗口,将每个窗口内的非平稳信号看作平稳的随机序列,从而将线性时变结构离散成有限个线性时不变结构。在每个窗口内,利用邻域保留投影算法寻找窗口内位移响应数据的低维嵌入,低维嵌入与模态坐标响应矩阵相对应;再利用单自由度识别技术从模态响应矩阵中识别出窗口的模态固有频率;最后,利用最小二乘广义逆估计出变换矩阵,变换矩阵与模态振型矩阵相对应。通过质量慢时变三自由度(DOF)的仿真结构验证表明,所提方法能有效识别出线性慢时变结构的工作模态参数,且识别精度优于滑动窗主成分分析方法和滑动窗等变自适应源分离(EASI)方法。     

环境激励下高桩码头物理模型模态实验

建立高桩码头物理模型,进行环境激励下的模态实验研究.利用特征系统实现算法(eigensystem realizationalgorithm,简称ERA),结合自然激励技术(natural excitation technique,简称NExT),即NExT-ERA模态识别方法编写模态识别程序来识别物理模型的模态参数,并与有限元模型的计算结果进行对比分析.研究结果表明,物理模型实验值与有限元计算结果相比,二者数值接近,误差很小,说明NExT-ERA模态识别方法能够应用于环境激励下高桩码头的模态识别.环境载荷激励下结构的动力响应信号较弱,结构的高阶模态一般无法激出,某些数据识别出的模态参数存在“漏阶”现象,因此结合有限元模型进行分析非常必要.     

基于奇异值分解的ERA改进算法及模态定阶

研究了一种基于奇异值分解的ERA改进算法和模态定阶方法。在奇异值分解基础上,根据选定阶次在动态系统中所占比重,提出一种模态定阶指标——奇异值百分比,将该指标应用在改进后的特征系统算法中。首先,利用脉冲响应信号构造初始Hankel矩阵,对此矩阵进行奇异值分解生成去噪后的信号矩阵;其次,根据Cadzow算法重构Hankel矩阵;最后,利用奇异值指标确定模态阶次。通过仿真算例验证了改进后的特征系统实现算法具有良好的抗噪能力,利用定阶指标能有效确定模态阶次、剔除虚假模态,对于阻尼识别精度更高。应用该方法对某三厢车排气系统进行了模态参数识别,通过与LMS系统识别结果比较验证了方法的准确性。     

输入未知条件下框架结构的损伤诊断研究

提出将结构健康监测技术用于输入未知条件下识别结构损伤，确定结构损伤位置和损伤程度。该方法首先利用自然激励技术(NExT)结合特征系统实现算法(ERA)，从结构的动力响应信号中得到结构的模态参数(频率和振型)，然后利用所识别结构损伤前后的模态参数来计算结构单元损伤诊断指标值，用以确定结构的损伤位置和损伤程度。为了验证损伤诊断方法的可行性，将该方法运用于平面框架结构。算例结果表明，该方法能够精确定位出框架结构的损伤位置，并判断出构件的损伤程度，具有实际应用价值。     

运营条件下异型拱桥的模态参数识别

以一复杂的异型钢管混凝土拱桥为对象，根据运营期间车辆交通荷载引起的余振实测结果，用小波变换（wavelet transform,简称WT）和特征系统实现法（eigensystem realization algorithm，简称ERA）两种方法对结构模态参数识别结果进行了对比，讨论了两种方法在复杂结构体系模态参数识别中的适用性。进一步以ERA识别方法为对象，比较了记录波除噪及不同记录波对参数识别结果的影响。结果表明：WT方法以及ETA方法得到的结构模态参数识别结果基本一致，两种方法相互校核可剔除噪声模态，获得真实的结构模态信息；除噪对基于余振衰减波的模态参数识别精度提高意义不大，不同记录波的对比识别可剔除单波随机噪声的影响，提高识别结果的可靠性。     

基于滑动窗变步长等变自适应源分离的线性慢时变结构工作模态参数识别

为了仅从非平稳振动响应信号中在线识别线性慢时变弱阻尼结构的时变和瞬态的模态参数,提出一种基于滑动窗变步长等变自适应源分离(MWVEASI)的工作模态参数识别方法.该方法采用固定窗长技术,使得非平稳振动响应信号在每个窗内可近似看作是平稳的随机序列,线性慢时变结构可看作多个时不变结构.在每个窗内,再利用变步长的EASI算法识别出该时段内的模态振型和固有频率作为最中间时刻的瞬时模态参数.最后移动窗口,得到线性时变结构的整个时段的工作模态参数.在质量慢时变的三自由度弹簧振子结构的仿真数据集上的识别结果表明,两种不同的MWVEASI方法都能够很好地识别线性慢时变结构的模态振型、固有频率,与滑窗固定步长EASI、变步长EASI算法相比,MWVEASI能够更好地跟踪时变特性,识别精度高、收敛速度快.     

电动负载模拟器摩擦模型参数辨识方法

为实现电动负载模拟器的高精度控制，针对负载模拟器运行中受到的摩擦力影响问题，提出基于改进布谷鸟算法（improved cuckoo search algorithm，简称ICSA）的摩擦模型参数辨识方法。首先，搭建了电动负载模拟器试验样机，建立了动力学数学模型,并引入一种连续摩擦模型代替传统不连续摩擦模型；其次，将布谷鸟算法（cuckoo search algorithm，简称CSA）进行改进，在辨识中自动调整判定概率和步长的数值，提高了收敛速度和收敛精度；然后，通过逐点试验的方法得到了负载模拟器角速度范围为［-1,1］rad/s的摩擦力数据，并利用ICSA算法对摩擦力模型进行辨识；最后，进行了验证试验。试验结果表明： ICSA算法能准确快速地辨识出连续摩擦模型的6个参数，且收敛速度快、准确性高；当迭代达到最大迭代次数时，ICSA算法的目标函数值较CSA算法减小了45.2%。     

An improved stochastic subspace identification for operational modal analysis

An improved stochastic subspace identification algorithm is introduced to solve the low computational efficiency problem of the Data-driven stochastic subspace identification. Compared with the conventional algorithm, it needs much less cost of memory and computing time because it does not have a process of the QR decomposition of Hankel matrix. Model similarity index is proposed to measure the reliability of the modes obtained by the improved stochastic subspace identification. Furthermore, the stabilization diagram in combination with the modal similarity index is adopted to effectively indicate spurious modes resulting from noise and model redundancy. A criterion named the modal norm is introduced to indicate the dominating mode. A numerical example on the parameter estimation of a linear time-invariant system of 7 degrees of freedom and one experimental example on the parameter estimation of Chaotianmen bridge model in Chongqing are presented to demonstrate the efficacy of the method.     

高阶累积量的子空间模态参数辨识方法研究

基于传统的高阶累积量降阶方法的子空间模态参数辨识方法具有一定的缺陷.提出采用2种降阶方法用于改善高阶累积量的子空间模态参数辨识方法,并对该方法进行了实验验证,证明了方法的可靠性.该方法的计算量较小,能够用于一般结构的模态参数辨识.     

基于Hankel矩阵联合近似对角化的结构模态识别

针对基于二阶盲辨识(second order blind identification,简称SOBI)的模态参数识别方法存在的不足,提出了一种基于Hankel矩阵联合近似对角化(Hankel matrix joint approximate diagonalization,简称HJAD)技术的结构运行模态分析(operational modal analysis,简称OMA)的新方法。该方法通过对随机子空间类模态识别方法常用的Hankel矩阵进行联合近似对角化,以分离各阶模态响应,进行模态识别。与基于SOBI的模态识别方法相比,在具体实施过程中,仅需要在分析数据中添加与实测振动响应对应的时间延迟的数据,实现难度较小。数值算例和物理模型试验的分析结果表明,所提出的基于HJAD技术的结构运行模态分析方法,不仅具有鲁棒性强和计算效率高的优点,还可以克服传统的基于SOBI的模态识别方法的模态识别能力受测点数目限制的问题。     

REAL-TIME MODAL PARAMETER ESTIMATION USING SUBSPACE METHODS: APPLICATIONS

This article describes the underlying theory and hardware implementation of a newly developed algorithm for online modal parameter identification. An online modal parameter estimation algorithm using subspace methods is applied to both model and experimental data for a 4-m laboratory truss structure. Experimental evaluation of this algorithm demonstrates that the technique accomplishes the objective of tracking multiple modes of a complex dynamical system using multiple sensors. The time-varying behaviour is captured in real time via a graphical display of the frequencies and the damping ratios of the system. It is shown that the recursive algorithm provides results similar to the batch algorithm for a time-invariant system. In addition, it is shown that the batch algorithm used to derive the recursive algorithm performs similarly to a newly derived batch algorithm that is closely related to the Eigensystem Realization Algorithm. Details concerning the digital signal processor implementation and off-line monitoring are also presented.     

Online automatic identification of the modal parameters of a long span arch bridge

The “Infante D. Henrique” bridge is a concrete arch bridge, with a span of 280 m that crosses the Douro River, linking the cities of Porto and Gaia located in the North of Portugal. This structure is being monitored by a recently installed dynamic monitoring system that comprises 12 acceleration channels. This paper describes the bridge structure, its dynamic parameters identified with a previously developed ambient vibration test, the installed monitoring equipment and the software that continuously processes the data received from the bridge through an Internet connection. Special emphasis is given to the algorithms that have been developed and implemented to perform the online automatic identification of the structure modal parameters from its measured responses during normal operation. The proposed methodology uses the covariance driven stochastic subspace identification method (SSI-COV), which is then complemented by a new algorithm developed for the automatic analysis of stabilization diagrams. This new tool, based on a hierarchical clustering algorithm, proved to be very efficient on the identification of the bridge first 12 modes. The results achieved during 2 months of observation, which involved the analysis of more than 2500 datasets, are presented in detail. It is demonstrated that with the combination of high-quality equipment and powerful identification algorithms, it is possible to estimate, in an automatic manner, accurate modal parameters for several modes. These can then be used as inputs for damage detection algorithms.     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

环境激励下的旋转机械工作模态参数辨识

伴随着高速透平机械向大跨度、柔性结构方向发展,转子-轴承系统的稳定性将面临着严峻考验。在出厂测试阶段,确保机组转子系统具有足够稳定性裕度是降低生产现场机组发生失稳故障风险的重要手段。采用适用于随机平稳环境激励下的随机子空间法,对机组的模态参数进行辨识,可规避在转子非驱动端增设电磁激振器的传统测试方法。通过分析转子振型进动方向,区分一阶正反进动的模态参数。结合3-σ统计聚类算法,剔除非稳定的噪声或物理极点,形成了区分转子系统的正反进动的稳态图。数值仿真表明,随机子空间法可以有效地辨识系统的模态参数,利用旋转机械的振型进动方向分析方法可以区分正反进动。此外,通过传统扫频激励模态参数辨识试验,验证了随机子空间方法的辨识精度和工程测试可行性。研究结果可为透平机组的稳定性测试提供技术和理论支撑。     

时间序列模型中的随机共振现象

在滑动自回归(auto regressive and moving average,简称ARMA)时间序列模型的基础上,利用模态稳定性图来确定系统真实模态,描述了在求解过程中产生的随机共振现象。借助悬臂梁的有限元模型,利用精细时程积分方法计算得到了其加速度脉冲响应函数,建立了用于振动模态识别的ARMA模型。在利用模态稳定性图来确定系统真实模态的过程中发现,加入合适的噪声信号可以有效地改善识别结果,剔除虚假模态,即产生了随机共振现象。对悬臂梁进行时变化处理后,随机共振现象较之前不变系统更加显著,对最终识别结果产生了明显的优化作用。