一种基于新的正则化技术的冲击载荷识别法

针对冲击载荷和响应的卷积积分关系,将卷积积分离散化,从而把冲击载荷识别问题转为对简单代数方程的求解。由于冲击载荷识别问题往往是不适定的,为了获得稳定解,常采用Tikhonov正则化技术来处理,可识别出的载荷的精度不是很高,提出采用一种新的正则化技术对该问题进行了处理。数值结果表明,该方法相对于传统Tikhonov正则化方法具有更强的抗噪性和鲁棒性,为载荷识别的高精度提供参考。     

采用分离变量法的载荷位置识别技术研究

基于分离变量法提出了一种新的识别动载荷位置及时间历程的方法,以提高载荷定位的效率。根据结构系统参数建立响应与外部载荷之间的卷积关系式并离散化;采用分离变量法将载荷位置信息从脉冲响应函数矩阵中提取出来,根据响应信息选取合适的模态;利用正则化技术对载荷识别过程中的不适定问题进行求解;结合简支梁的仿真计算和实验测试对该载荷定位方法进行验证。研究结果表明,基于分离变量法的载荷识别方法能够准确地定位结构载荷位置并识别载荷时间历程,总体误差较小,相关性系数较大。相对于传统载荷位置识别算法,分离变量法减少矩阵求逆次数,提高了载荷定位的效率。     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

基于实测冲击响应字典稀疏表示的齿轮系统侧隙故障特征提取

为了从齿轮系统振动信号中提取由于齿侧间隙故障产生的瞬态冲击成分,提出了基于稀疏表示的故障特征提取方法,将特征提取转化为稀疏字典的构造和稀疏表示系数的求解。根据侧隙故障瞬态冲击的响应特性,提出采用与其更相似的系统实测冲击响应构造稀疏字典,继而利用正交匹配追踪算法优化求解稀疏表示向量,获得表征瞬态冲击发生时刻的稀疏系数,并重构故障冲击序列。通过冲击成分的包络解调分析,进一步获得瞬态冲击的调制频率。仿真和实验表明,提出的方法能够有效提取齿轮系统齿侧间隙故障特征。     

基于L1范数正则化和最小二乘优化的冲击载荷识别研究#br#

为了改善冲击载荷识别问题的病态特性，最大限度提高识别精度，在时域内提出一种基于L1范数正则化和最小二乘优化的改进冲击载荷识别方法。采用L1范数正则化方法构建冲击载荷稀疏反卷积模型，使用截断牛顿内点法求解L1范数的最小二乘优化问题，同时根据预条件共轭梯度法确定最优搜索路径和计算方向。最后，考虑不同冲击工况、不同响应位置对识别结果的影响。通过对铝合金板进行冲击载荷识别试验进行验证，发现在铝板受单次冲击和多次冲击工况下所识别载荷与施加的实际载荷吻合良好。结果还表明，与Tikhonov 正则化方法相比，该方法能够提高冲击载荷识别的准确性和稳定性。     

离散余弦小波包变换及语音信号压缩感知

针对语音信号压缩感知问题,在研究语音离散余弦变换(Discrete Cosine Transform,DCT)系数和小波包变换(Wavelet Packet Transform,WPT)特性的基础上构造了离散余弦小波包变换(Discrete Cosine Wavelet Packet Transform,DCWPT)。DCWPT首先获取语音信号的DCT域系数,结合语音频谱特性选取部分DCT系数进行WPT变换,从而得到比DCT系数更加稀疏的DCWPT系数。为将此变换直接用于压缩感知,构造了DCWPT的正交稀疏分解矩阵并分析了其稀疏表示性能。结合稀疏表示基优化了正交匹配追踪重构算法,提出了基于DCWPT的语音信号压缩感知框架。通过压缩重构对照实验,采用主客观评价指标,得出该方法优于传统基于DCT的语音压缩感知方法的结论。     

基于Gibbs抽样的结构时域载荷识别

载荷识别的病态问题往往采用正则化技术处理,不过传统正则化方法所选取的正则化参数是恒定不变的,导致识别出的载荷精度不是很高。提出了基于Gibbs抽样的结构时域载荷识别方法,将未知载荷和测量噪声假设为随机变量,建立了载荷识别的多层贝叶斯模型,采用Gibbs抽样法获得载荷的后验值。相比于传统正则化方法,该法具有本征的自适应正则化性能。数值结果表明,该法可提高载荷识别精度,自适应的正则化参数具有良好的优越性。     

基于ARX模型的复合材料加筋板结构冲击载荷时程重建

发展一种基于ARX模型的冲击载荷时程重建方法,用于识别作用在复合材料结构上的冲击载荷时间历程,为复杂结构冲击载荷识别问题的解决提供有效途径。建立复合材料加筋板结构冲击载荷实验,首先对完成网格划分的复合材料加筋板结构进行冲击载荷训练,实现系统辨识,得到结构的ARX模型;然后推导逆向ARX模型的输入输出关系,通过逆向传递函数矩阵集合描述复合材料加筋板结构,结合等参单元理论,基于传感器信号重建复合材料加筋板结构的冲击载荷时间历程。研究结果表明,所提方法能够在线有效地重建作用在复合材料加筋板结构上的冲击载荷时间历程。     

基于改进正则化方法的状态空间载荷识别技术

由于噪声和系统特性的影响,载荷识别问题往往是不适定的,为了克服该问题获得稳定解,一般采用正则化技术来处理,可是直接利用传统正则化方法重构载荷,识别出的载荷的精度不是很高,本文提出采用一种改进正则化方法,数值仿真结果表明该方法能够有效地抑制噪声的影响,从而更精确的识别出载荷。     

从单点响应识别多点周期性冲击载荷

在已知脉冲响应的基础上,利用周期性冲击载荷的时序特征给出从单点响应识别多个载荷的时域方法.为改善系数矩阵的性态,提高求解精度,使用能量集中的正交基函数展开冲击载荷,同时为避免不完备函数基产生大的识别误差,通过参数优化使基函数具有一定的自适应性.基函数的参数优化增强了有限数量基函数对冲击载荷的匹配能力.针对一个扭转振动模型的载荷识别问题,研究了所提方法的辨识性能.仿真结果表明该方法具有较好的识别精度,而识别精度与激励载荷对观测信号的贡献大小有关.     

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。     

面向船体结构动冰载荷监测的线性形函数识别方法研究EI北大核心CSCD

船体结构冰载荷监测系统中的载荷识别算法是对船舶在冰区安全运行进行实时评估的关键环节,而常用的影响系数矩阵法尚未考虑冰载荷的动力效应。在时域内将动冰载荷离散为诸多时间元,在每个时间元内利用线性形函数的组合形式逼近构造动冰载荷;通过结构的动力响应分析得到形函数的响应矩阵,并以此建立船体结构冰载荷识别的正问题。利用共轭梯度最小二乘迭代型正则化算法和终止迭代准则对冰载荷识别问题中的不适定性进行控制。该数值算例和试验验证均表明,该冰载荷识别模型具有良好的识别精度、求解速度及稳定性。     

动态载荷时域识别的联合去噪修正和正则化预优迭代方法

系统响应可表示为单位脉冲响应函数与激励载荷的卷积,将其离散化一组线性方程组,则载荷识别问题即转化为求解线性方程组的反问题。针对响应中带有噪音时载荷识别的困难,提出了联合奇异熵去噪修正和正则化预优的共轭梯度迭代识别方法。一方面对含噪信号进行基于奇异熵的去噪处理,提高反问题求解中输入数据的精度。另一方面利用正则化方法对共轭梯度迭代算法进行预优,改善反问题的非适定性。由于从输入的响应数据去噪和正则化算法两方面同时改善动态载荷识别反问题的求解,因此可以有效地抑制噪声,提高识别精度。通过数值算例分析,表明在不同的噪声水平干扰下,其识别精度均优于常规的正则化方法,能够实现有效稳定地识别动态载荷。最后通过实验研究进一步验证了该方法的正确性和有效性。     

利用核函数和不同正则化方法的结构载荷识别混合技术研究

提出一种基于核函数和不同正则化方法进行载荷识别技术研究,以提高识别精度。首先,根据结构系统的逆问题理论和Green核函数方法建立动力学方程;其次,采用正则化技术,如Tikhonov方法、截断奇异值分解(TSVD)方法、LSQR方法等,通过混合方法增加虚拟边界约束条件对不适定性问题求解;最后,结合实际算例和利用混合方法进行载荷识别的数值计算与试验验证。结果表明:混合方法中利用GCV曲线选择最优的正则化参数值,通过Tikhonov结合LSQR方法进行正则化的求解,得到的载荷识别的结果最好。尽管预测数据存在一定的分散性误差,但是识别能力良好、总体误差较小、相关性系数较大。基于Green函数和正则化技术的载荷识别混合方法可以有效地应用到工程实际研究。     

整体平动自由结构载荷时域识别技术研究

研究整体平动自由结构载荷识别的Green函数法及应用途径。建立测点绝对运动加速度与动态激励力卷积关系,采用截断奇异值分解的正则化方法求解反卷积问题。以受轴向激励自由梁为对象,考虑不变及变截面模量两种情形,讨论整体平动及变形运动在核函数中的构成比例与核函数矩阵病态特性关系,分析结构整体刚度及测点部位局部刚度对载荷反演精度影响机制及测点布置需考虑的刚度因素,提高正则化方法计算稳健性;分析复杂的组合薄壁结构,以一点响应反求其在牵制释放实验中所受冲击载荷进行结构瞬态响应有限元仿真,比较多点仿真与实测结果,验证反求方法的有效性。     

共轭梯度最小二乘迭代正则化算法在冲击载荷识别中的应用

结构动载荷识别反问题是典型的病态问题,需要应用正则方法克服其病态特性而获得稳定的解。与直接正则化算法Tikhonov方法相比,共轭梯度最小二乘(Conjugate Gradient Least Squares,CGLS)迭代算法在载荷识别反问题的正则化过程有无须对传递矩阵求逆、无须明确正则化参数的优点。提出共轭梯度最小二乘迭代正则化算法和启发式迭代收敛终止准则,用于三自由度仿真模型和壳结构试验模型的冲击载荷识别,并与经典的Landweber迭代正则化算法和直接正则化算法Tikhonov方法比较。仿真和实验结果表明:CGLS迭代正则化算法在识别精度、收敛速度、计算效率和抗噪性方面有明显优势。     

面向桥梁结构健康监测的压缩感知动力响应信号重构

为了解决桥梁结构健康监测中采集海量数据带来数据传输和存储成本大的问题,引入压缩感知理论,优化常规观测矩阵,以增加观测矩阵和稀疏基的不相关性,用少量的动力响应信号采样数据恢复较为准确的原始信号。用吉安大桥的现场环境振动试验数据验证了基于压缩感知的桥梁动力响应重构方法的可行性和有效性。研究结果包括：压缩感知重构信号在时域里与原始信号吻合良好,当压缩比在 20% 以上时,重构信号相对误差在 10% 以下,优化观测矩阵重构的信号精度高于初始观测矩阵重构的信号,尤其是在低压缩比情况下,有利于减少数据的采集量;观测矩阵优化后重构信号的频谱与原始信号的频谱更加吻合,频谱出现的几个峰值均能准确对应,相比之下,初始观测矩阵重构信号的频谱出现较多峰值的误判,且有些峰值未能识别;观测矩阵优化方法可以适用于随机高斯矩阵、伯努利矩阵和稀疏随机矩阵,具有较广泛的适用范围。研究结果表明基于压缩感知的桥梁结构动力响应信号重构方法是实现用少量采样数据恢复较为准确的原始信号的有效方法。     

二维分布动载荷识别的频域方法

运用频域法在广义正交域中识别二维分布动载荷。基于数学拟合理论，二维动态载荷在广义正交域中可分解为二维正交函数的级数形式，未知的二维分布动载荷就可以表示为各阶正交基函数线性叠加，这时未知的复杂分布动载荷的识别就可以转化为简单的正交拟合系数的识别。根据线性系统的叠加原理，将待识别载荷的分解基函数看成已知分布动载荷作用于结构时，结构的响应与待识别载荷作用下结构的响应成线性关系。只要结构实测的响应点数大于待识别的系数，就能求出各系数，因而就可以识别分布动载荷。通过计算机仿真验证该方法能有效识别二维分布动载荷，且能与有限元方法结合，识别复杂结构上的分布动载荷。该方法具有很好的通用性，能简单方便运用于工程结构，能很好地抑制噪声的干扰。仿真试验说明该方法具有很好的识别精度。进一步的试验验证了该方法工程适用性。     

滚动轴承压缩故障信号的特征代理与凸优化重构算法EI北大核心CSCD

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。     

基于灵敏度分析的结构动态载荷识别研究

对结构动态载荷反演问题进行深入研究,提出了一种基于灵敏度分析法的结构动态载荷识别时域分析技术。将结构输入动态载荷表示为一系列参数的形式,通过灵敏度迭代分析来确定相应的载荷参数,从而确定结构的动态输入载荷。在灵敏度迭代求解过程中,为减少响应测量噪声引起的影响,引入正则化求解技术来寻求满足工程要求的稳定近似解。最后提出的方法成功应用于正弦级数迭加形式的输入载荷识别,仿真结果表明灵敏度分析法在载荷识别中是有效的。