基于二重切比雪夫多项式的多自由度系统SMA非线性恢复力识别

针对真实结构在动力荷载作用下恢复力模型难以用准确参数化形式描述问题,将结构非线性恢复力作为结构损伤及非线性行为的直接描述,提出基于二重切比雪夫多项式模型的多自由度体系非线性恢复力时域识别方法,实现结构质量信息完全未知及激励完整、非完整两种情况下多自由度系统非线性恢复力识别。通过带理想双旗形恢复力模型形状记忆合金(SMA)阻尼器两自由度数值模型的数值模拟与安装SMA阻尼器的钢框架模型动力实验结果验证该方法的识别效果,并与基于幂多项式模型方法进行对比。数值模拟验证中同时考虑测量噪声对识别结果影响。结果表明,该方法能对结构质量分布及在动力荷载作用下非线性恢复力进行有效识别,为结构在动力荷载作用下损伤发生、发展过程监测及结构耗能的定量评估提供方法。     

非线性框架结构系统识别

本文对单自由度非线性框架结构参数识别提出了一种半优化方法；对多自由度非线性框加要结构参数识别提出了一种将多自由度系统识别转化为单自由度系统识别的方法，此方法有计算机程度快，精度高等优点。     

利用部分加速度测量的结构滞回特性免模型识别

结构非线性恢复力与位移的关系即滞回特性是强动力荷载作用下结构损伤发生发展过程的直接表征,可直接用于结构耗能的定量评估。该文提出一种仅部分自由度受到激励且只有部分自由度上加速度响应测量已知时结构非线性恢复力和质量识别方法。无需结构恢复力参数化模型,利用切比雪夫多项式来描述非线性恢复力,结合无迹卡尔曼滤波算法（Unscented Kalman Filter, UKF）,在结构刚度、阻尼、质量未知情况下,实现非线性恢复力和结构质量识别。在一个多自由度数值模型中引入磁流变阻尼器模拟非线性构件,通过数值模拟验证该方法的识别效果。结果表明,该方法在仅部分自由度受激励且仅部分自由度上加速度响应时程已知时,可对结构非线性恢复力和质量进行有效识别。该方法对工程结构在强动力荷载作用下损伤发展过程的识别及耗能的定量评估具有重要意义。     

基于实测时间序列的非线性系统恢复力识别

提出一种完全基于激励和结构响应实测数据的结构动力系统非线性恢复力识别方法,并通过在一个4层钢结构模型中引入具有非线性特性的磁流变阻尼器(MR)模拟非线性恢复力,基于此模型结构在不同的激励方式下的动力响应测量数据,验证了该方法的有效性。对于结构的各自由度均受到激励的情况,运用最小二乘拟合算法识别出等效线性系统的物理参数(质量、刚度和阻尼矩阵),进而得到模型结构振动过程中MR阻尼力随时间变化情况并与实验实测结果进行了比较。针对结构仅在有限自由度上受到激励的情况,对以上方法进行了改进,提出了一种非线性系统恢复力的非参数化识别方法,利用结构中弹性恢复力的对称关系,分步确定了结构各层间恢复力模型,从而得到MR恢复力的大小并与实测结果进行了比较。结果表明,基于时域实测信号的非线性系统恢复力识别法在完整激励和非完整激励下均能有效地识别结构的非线性恢复力特性。文章所述方法可以运用于工程结构在动力荷载作用下的损伤发生发展过程的监测与识别。     

部分观测下结构质量及非线性恢复力免模型识别

强动力荷载作用下结构构件的恢复力是其非线性行为的最直观描述,不同结构的非线性特性复杂且往往难以事先用准确的参数化形式描述,而且活荷载的存在也导致结构质量也需要识别,此外测量完整结构所有自由度的动力响应较为困难。为此,提出一种结合等效线性理论与无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的迭代算法,仅利用结构部分自由度上的动力响应,实现结构质量与非线性恢复力的免参数化模型的同时识别。在一个线性多自由度系统中引入磁流变阻尼器模拟非线性元件,在不同质量初始值情况下,当一处或多处存在不同类型的非线性构件时,可实现结构恢复力及质量识别,通过将识别结果与理论值的比较验证了该方法的有效性。     

非线性振动结构的识别

本文研究了具有复阻尼非线性振动结构的识别。提出了一种能自动跟踪适应多自由度系统非线性时变特性的时域识别方法－自适应参考系统时域识别法（ＡＲＴＤＩ）。该方法利用系统某一时刻的起始参数（一般选ｔ＝０时刻）构造一参考线性系统，将非线性的识别变换映射成参考系统指导下的线性问题，由此建立ＡＲＭＡ模型及Ｙｕｌｅｗａｌｋｅｒ方程，从而实现非线性结构的线性识别。文中给出了漫湾电站拦污栅结构的大型振动台试验识别结果，以印证本研究理论方法的正确和有效。     

部分观测下结构质量及非线性恢复力免模型识别

强动力荷载作用后结构的非线性恢复力是其非线性行为的最直观描述,但由于不同结构非线性特性的复杂性,非线性行为往往难以事先用准确的参数化形式描述,而且由于土木工程结构的活荷载的不确定性,结构质量也往往无法准确预知,结构各自由度所有动力响应也难以完整获得。为此,本文提出一种仅利用结构部分自由度上的加速度响应,结合等效线性理论与无迹卡尔曼滤波(Unscented Kalman Filter, UKF )算法,迭代识别结构非线性恢复力与结构质量方法。该方法不需要假设任何参数化或非参数化模型。通过在一个线性多自由地系统中引入磁流变阻尼器(MR)模拟非线性元件构成非线性动力模型,考虑不同质量初始值和一处或者多处存在非线性而且非线性特征不一样的情况,基于部分自由度上的加速度响应测量,对结构中磁流变阻尼器的恢复力以及结构质量进行了识别,通过与理论值的比较验证了该方法的有效性。     

基于切比雪夫多项式模型的多自由度结构非线性恢复力时域识别

结构非线性恢复力可直接描述其在动力荷载作用下损伤发生发展过程,传统的基于特征值抽取的结构识别方法严格来讲不适应于振动过程中出现损伤的情况。该文利用结构动力响应时程的切比雪夫多项式表示非线性恢复力,在结构质量等物理参数和恢复力模型未知时,提出利用最小二乘优化算法的多自由度结构在完整及非完整激励下非线性恢复力识别方法。对一个含磁流变阻尼器的多自由度数值模型和一个带磁流变阻尼器的四层框架结构的非线性恢复力进行了识别,在数值模拟中探讨了测量噪声对识别结果的影响,并与基于幂多项式模型的方法的结果进行了对比。结果表明,所提出的非线性恢复力识别方法能对结构的非线性恢复力进行有效识别,识别精度高,可用于工程结构在强动力荷载作用下的损伤发生发展过程的监测与识别,并对结构耗能进行定量评估。     

局部非线性刚度阻尼系统参数识别的一种新方法

研究了具有平方非线性刚度和平方非线性阻尼的两自由度局部非线性振动系统，采用空间法来识别该系统模型的参数。利用该方法对非线性频响函数进行估计，并利用最小二乘法对模型的非线性刚度系数和非线性阻尼系数进行了优化，实验结果表明了该方法的可行性，在识别和优化汽车等局部非线性系统的物理参数方面具有一定的参考价值。     

基于GNAR模型和Itakura距离的结构非线性损伤识别方法

为了有效地解决时域非线性损伤的识别问题,提出了基于线性/非线性自回归一般表达式模型(general expression for linear and nonlinear autoregressive model,GNAR模型)和Itakura距离的损伤识别方法。描述了GNAR模型的基本理论,给出了基本的模型定阶和参数估计方法。采用剪枝算法对GNAR模型结构进行了优化选取,并提出了以Itakura距离作为损伤指标的非线性损伤识别方法。采用3层框架非线性损伤实验验证了该方法的有效性,并将提出的方法运用于输电塔钢架模型的非线性损伤识别实验中。结果表明:提出的结构非线性损伤识别方法对框架和输电塔钢架结构的非线性损伤识别效果良好,且环境变化对其识别结果影响较小,由该方法计算得到的损伤层损伤概率明显大于未损伤层,有利于高效地确定非线性损伤源的位置。     

Monte Carlo filters for identification of nonlinear structural dynamical systems

The problem of identification of parameters of nonlinear structures using dynamic state estimation techniques is considered. The process equations are derived based on principles of mechanics and are augmented by mathematical models that relate a set of noisy observations to state variables of the system. The set of structural parameters to be identified is declared as an additional set of state variables. Both the process equation and the measurement equations are taken to be nonlinear in the state variables and contaminated by additive and (or) multiplicative Gaussian white noise processes. The problem of determining the posterior probability density function of the state variables conditioned on all available information is considered. The utility of three recursive Monte Carlo simulation-based filters, namely, a probability density function-based Monte Carlo filter, a Bayesian bootstrap filter and a filter based on sequential importance sampling, to solve this problem is explored. The state equations are discretized using certain variations of stochastic Taylor expansions enabling the incorporation of a class of non-smooth functions within the process equations. Illustrative examples on identification of the nonlinear stiffness parameter of a Duffing oscillator and the friction parameter in a Coulomb oscillator are presented. This paper is dedicated to Prof R N Iyengar of the Indian Institute of Science on the occasion of his formal retirement.     

Genetic programming‐based approach to elucidate biochemical interaction networks from data

Biochemical systems are characterised by cyclic/reversible reciprocal actions, non‐linear interactions and a mixed relationship structures (linear and non‐linear; static and dynamic). Deciphering the architecture of such systems using measured data to provide quantitative information regarding the nature of relationships that exist between the measured variables is a challenging proposition. Causality detection is one of the methodologies that are applied to elucidate biochemical networks from such data. Autoregressive‐based modelling approach such as granger causality, partial directed coherence, directed transfer function and canonical variate analysis have been applied on different systems for deciphering such interactions, but with limited success. In this study, the authors propose a genetic programming‐based causality detection (GPCD) methodology which blends evolutionary computation‐based procedures along with parameter estimation methods to derive a mathematical model of the system. Application of the GPCD methodology on five data sets that contained the different challenges mentioned above indicated that GPCD performs better than the other methods in uncovering the exact structure with less false positives. On a glycolysis data set, GPCD was able to fill the ‘interaction gaps’ which were missed by other methods.Inspec keywords: autoregressive processes, biochemistry, biology computing, genetic algorithms, parameter estimation, transfer functionsOther keywords: elucidate biochemical interaction networks, biochemical systems, cyclic‐reversible reciprocal actions, nonlinear interactions, autoregressive‐based modelling, granger causality, transfer function, canonical variate analysis, genetic programming‐based causality detection methodology, GPCD methodology, mathematical model, parameter estimation methods     

An advanced algorithm for partitioning and parameter estimation in local model networks and its application to vehicle vertical dynamics

In this paper, advanced concepts for the identification of complex nonlinear systems are discussed. Three major problems are addressed: The nonlinearity of the system, noise in the data upon which the model has to be built, and the potential to incorporate qualitative and quantitative prior knowledge about the system. As an integrated solution approach, local model networks (LMNs) with appropriate parameter estimation schemes are proposed. LMNs generally offer a versatile structure for the identification of nonlinear dynamic systems. In order to account for a realistic situation when noise is present both in input and output data, an equality constrained generalised total least squares algorithm for the local model parameter estimation of the LMN is presented; the incorporation of equality constraints allows to mathematically enforce desired system properties. As an application and benchmark problem, the vertical dynamics of a vehicle is considered. After training the LMN on a rough road, excellent predictions of the behaviour of the vehicle at crossing a single obstacle are obtained, thus proving the effectiveness of the proposed algorithm. It is illustrated how both the application of a proper parameter estimation scheme and the integration of system constraints systematically improve the performance of the model.     

基础激励下含间隙折叠舵面非线性系统辨识

间隙在飞行器折叠舵面中普遍存在且不易准确描述,通过辨识方法获得间隙的真实非线性特性具有重要意义。基于直接参数估计方法建立基础激励下含间隙非线性系统辨识模型,利用相对速度和相对位移的多项式表征非线性系统的恢复力;引入显著因子剔除多项式中影响度较低的基函数,采用最小二乘求解得出恢复力多项式中各项系数,由不同自由度之间的相对关系组装出整个系统的辨识模型;通过比较基于辨识模型的系统响应和实测系统响应之间的均方误差来评价辨识精度。基础激励下含间隙三自由度结构系统数值算例的辨识结果表明:含间隙非线性系统的恢复力可通过增加刚度立方项进行准确逼近;选取折叠舵面上两处测点分别在无间隙和有间隙的工况下进行辨识,辨识所得运动方程均能较好地描述两测点的动力学特性,对含间隙折叠舵面非线性系统的离散化建模与动力学分析具有重要工程意义。     

Analysis of chemical reaction system with non‐ideal mixing

Abstract

Parameter identification of discrete‐data systems with unmeasured disturbances is investigated. The systems of both known and unknown orders are considered. For a system of unknown order, a first‐order linear moving model is used for identifying the system. The parameter estimation methods are least squares estimation and generalized least squares estimation (or Markov estimation). A comparison of the results via these two estimation methods is presented.     

基于Wiener-Hammerstein模型的一种系统辨识方法

针对工业大系统中Wiener-Hammerstein模型,提出一种新的辨识方法。该方法结合分散辨识对线性系统辨识精度高的优点与混合粒子群优化解决非线性、不可微和多峰值的复杂问题的长处,进行复合控制,并利用计量学中的动态计量方法,建立动态计量仿真模型。仿真研究与实验结果表明,该方法应用在非线性分布参数系统辨识中可有效提高辨识精度。     

非线性参数结构系统的参数识别

本对基于时域信息的非线性参数系统参数识别问题进行了研究。首先提出了一种非线性参数系统的分类方法。然后对非线性参数系统的参数化问题进行了讨论：本提出用NEWTON RAPHSON方法进行非线性参数系统识别方程的求解，并用埃特金加速法提高迭代收敛的速度。章的最后以剪力墙参数的识别问题为例演示了本所提方法的有效性。数值算例表明，识别结果的精度和识别耗时对参数初值的选取并不敏感。     

Bouc-Wen模型参数识别的非线性自适应遗传算法和试验验证

Bouc-Wen模型是一种可表征结构及构件在往复荷载作用下的刚度退化、强度退化等的一种多功能非线性光滑滞回模型,可广泛应用于各类结构滞回行为的描述。Bouc-Wen模型参数是决定结构构件滞回模型力学特征的关键,由于该模型参数众多且物理意义不明确,往往只能从滞回数据得到近似解。为适应该类模型参数高效识别的需求,该研究提出了一种非线性自适应遗传算法,并通过4片不同配筋和加载条件的RC剪力墙的低周反复加载试验对Bouc-Wen模型参数识别的效果进行了验证。模型参数识别得到的滞回曲线和算法效率与标准遗传算法识别的结果以及实验数据进行了对比,结果表明:所提出的方法显著提升了Bouc-Wen模型的识别精度与效率。该文所提出的方法可用来进行结构滞回模型的识别并用所识别的模型进行结构的非线性行为模拟。