基于HHT的明清官式古建筑的模态参数识别方法

提出了一种基于HHT方法的结构模态参数识别技术,并结合故宫木结构古建筑现场实测,探讨结合SSA(Singular Spectrum Analysis)的HHT(Hilbert-Huang Transform)方法在低信噪比信号模态识别中的应用。为了分析结合SSA的HHT方法的性能,用结合SSA的HHT方法和普通的HHT方法分别识别通过数值模拟得到的不同信噪比的数据信号,并对识别结果进行分析,对比表明该方法在低信噪比信号处理上有就好的识别效果,并运用在故宫木结构参数识别上。     

利用声信号基于HHT方法识别螺旋桨模态参数EI北大核心CSCD

为了对螺旋桨的模态参数进行无接触式测量,首先基于声学边界元方法,建立了螺旋桨在冲击载荷作用下辐射声信号与模态参数之间的数学模型,该模型相比于已公开文献采用的模型,从理论上揭示了采样声信号不必须取自于结构近场。在此基础上,借助希尔伯特-黄变换(Hilbert-Huang transform, HHT)方法处理非平稳、非线性信号,对采样声信号进行处理来识别结构模态参数。以一螺旋桨缩尺模型为研究对象,分别采用数值模拟和试验手段对该方法的实用性和有效性进行了验证,并评估了环境噪声的影响程度。结果显示该方法能准确识别模态频率和阻尼比,且具有自适应频率分辨率,为工程上精细结构的模态参数识别提供一种新途径。     

大型桥梁模态参数识别的一种方法

提出一种综合运用经验模态分解(EMD)与随机减量技术(RDT)来识别大型桥梁模态参数的方法。首先利用EMD将桥梁在环境激励下的非平稳响应分解成一系列准平稳的本征模函数(IMF)分量,然后用RDT从中提取自由衰减响应,最后将该自由响应表达为一般解析形式,综合运用参数识别理论、最优估计理论识别出桥梁结构的多阶模态参数。利用南京长江大桥实测动力响应识别该桥的模态参数,并将识别结果与有限元分析结果及有关实测值进行比较,表明该方法具有很好的识别精度,适用于大型桥梁的模态参数识别。     

深度神经网络在EMD虚假分量识别中的应用

无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容。希尔伯特黄变换(Hilbert-Huang Transform, HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用。与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function, IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断。该文提出了一种基于深度神经网络(Deep Neural Networks, DNN)与K-L散度(KullbackLeibler Divergence, K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量。     

基于随机减量法的非平稳激励下模态参数识别

针对现有结构模态参数识别方法平稳激励假定的不足,提出了一种非平稳激励下的结构模态参数识别方法。以白噪声调幅激励、调幅相关激励和频率幅值调制共三类非平稳随机激励为对象,采用演化谱理论推导了随机激励分段叠加后的均值和方差表达式,然后在此基础上对传统的随机减量法进行拓展,将非平稳激励下模态参数识别问题转化为结构自由振动曲线的模态参数识别,最后利用特征实现算法识别结构的模态参数。通过一个悬臂梁数值模型和两层实验室钢框架进行验证,识别结果表明运用该算法可以准确识别出非平稳激励下系统的固有频率和振型,且固有频率的识别误差在2%以内,具有较高的识别精度。     

基于改进Hilbert-Huang变换的结构损伤识别方法研究

针对Hilbert-Huang变换(HHT)在信号处理中存在的模态混叠的问题,引入总体经验模态分解(EEMD)对HHT方法进行改进,并将改进的HHT方法应用于工程结构损伤识别中。建立一个三自由度剪切型结构模型,结构刚度退化模型采用双线性刚度退化模型,计算结构在地震作用下的响应,对结构加速度响应进行改进的HHT分析,提出了利用损伤前后结构响应一阶固有模态函数(IMF)特征能量比识别结构损伤位置的方法。结果表明:通过结构响应瞬时频率的变化可以判断结构是否损伤和出现损伤的时间,根据损伤前后各层一阶IMF能量比的变化可以识别损伤的位置。将改进的HHT应用到对实际工程的强震记录分析中,通过提取一阶瞬时频率和一阶IMF特征能量比较好地识别了结构在强震作用下的损伤。     

基于不完备实测模态数据的结构损伤识别方法研究

在传统的基于模型修正的损伤识别中,由于实测模态信息有限而待识别参数过多,往往导致损伤识别方程出现较大误差,从而限制了该方法在复杂结构中的应用。为解决这一问题,对结构的自由度进行了分解,将损伤结构中模态振型的未测量部分表达为已测量到的模态振型、模态频率以及结构其它参数的函数。将损伤视为结构单元刚度的减小,利用完好结构的计算模态数据以及损伤结构扩充后的实测模态数据,建立了结构的损伤识别方程。运用信赖域优化算法对具有双重约束条件的目标函数进行最小化,识别出了结构各单元的刚度损伤参数。通过两个损伤识别数值仿真算例及实验验证,结果表明,在测点数量有限及测试噪声等不利因素影响下,所提方法只需运用少量的实测模态信息,即可实现结构损伤位置及程度的准确识别,同时算法具有较好的鲁棒性。     

抑制模态混叠的HHT结构模态参数识别方法研究

针对传统经验模态分解法(EMD)的模态混叠问题,在分析模态混叠产生机理的基础上,提出基于互补总体平均经验模态分解(CEEMD)与信号调频(FM)结合的组合分解方法(FM-CEEMD),并通过仿真信号验证了FM-CEEMD分解方法的有效性。将FM-CEEMD分解取代传统EMD分解应用于希尔伯特-黄变换(HHT),得到抑制模态混叠的改进HHT结构模态参数识别方法。仿真试验与实际拱坝识别结果表明:提出的改进HHT法不仅能避免模态信息丢失、提高模态参数识别精度,同时也适用于实际水利工程模态识别研究。     

结构振动台模型模态参数识别新方法研究

提出了一种结构振动台模型模态参数识别方法,利用结构模型试验过程中地震反应记录,识别结构模型模态参数。首先判断结构模型在地震动激励下发生的是非时变反应还是时变反应,当结构模型发生非时变反应时,采用整个反应记录数据识别模型参数;当结构模型发生时变反应时,则识别模型进入和退出时变反应的时刻点,将整个记录时程分为3段,采用模型退出时变反应后第三段数据识别参数。该方法可以识别试验中每一次地震动输入之后的结构模态参数,得到整个试验过程中结构模型动力特性变化情况。利用所提方法识别了一座12层钢筋混凝土框架结构模型模态参数,并将识别结果和白噪声输入下模态分析结果进行了对比,验证了方法的实用性、可靠性和准确性。结果发现:结构模型自振频率在整个试验过程中呈阶梯状下降,模型发生破坏后,频率降低,阻尼比增加,传递函数幅值随着输入地震动峰值增加而降低。     

基于Hilbert-Huang变换和自然激励技术的模态参数识别

基于工程结构振动信号的分析与处理识别结构的模态参数,是结构健康监测和损伤诊断的重要手段之一。基于傅里叶分析的信号处理方法对非线性、非稳态信号的处理能力差,传统的模态参数识别方法也存在阻尼比识别精度不高的问题。基于Hilbert-Huang变换和自然激励技术,提出了一种新的模态参数识别方法,首先通过经验模态分解和Hilbert变换提取信号的瞬时特性,进而利用自然激励技术和模态分析的基本理论识别结构的模态频率和模态阻尼比。利用这一方法,对12层钢筋混凝土框架模型振动台试验一测点的加速度记录进行了处理,识别了模态参数,识别结果与其它识别方法及有限元分析结果的对比表明该方法识别模态频率是可靠的,而模态阻尼比的识别虽然较传统的基于傅里叶变换的半功率带宽法有所改进,但识别的精准性仍然难以确认。     

基于HHT的结构模态参数自动化识别方法和试验验证

建筑结构的模态参数识别是健康监测系统中的核心算法。模态参数识别经过多年的发展已经非常成熟,种类繁多。但是基于Hilbert-Huang变换(Hilbert-Huang transform, HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测。该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network, DNN)结合K-L散度实现了EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis, SSA)结合Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function, IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别。将上述方法应用于一3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别。     

基于峰频带通信号HHT变换的框架结构试验模态分析

该文提出了基于峰频带通信号希尔伯特-黄变换(HHT)的结构模态参数识别方法。该方法将小波包带通滤波技术与HHT模态参数识别技术结合,有效的抑制了信号分解过程中的模态混叠现象。采用去端点法较好地解决了带通滤波和经验模式分解(EMD)所引起的端点效应问题,提高了算法的稳定性和可靠性。在此基础上,利用实验室条件下测得的脉冲加速度响应信号有效地识别出钢筋混凝土框架结构模型的模态参数,并和理论计算值进行了比较。结果表明:弯剪层模型比纯剪切层模型更能反映框架结构整体横向振动的动力特性。     

前后向时间序列模型联合估计的时变结构模态参数辨识

为提高时变结构模态参数辨识精度和抗噪声能力,提出一种前后向泛函向量时变自回归滑动平均(FSVTARMA)时间序列模型联合估计的模态参数辨识方法。首先建立前后向FS-VTARMA模型联合估计的均方误差形式的费用函数,其次引入非平稳信号中前向模型和后向模型估计系数的近似共轭关系,再利用两步最小二乘法(2SLS)得到时变模型系数,最后把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:能有效地克服前向模型估计中模态参数一步延迟以及起始时刻无法准确获得,以及后向模型估计中模态参数一步超前以及终止时刻无法准确获得的缺点,具有更高的模态参数辨识精度和更强的抗噪声能力。     

基于希尔伯特变换结构模态参数识别

应用HHT方法对GARTEUR飞机模型模态参数进行识别,通过采用多通带滤波器对信号进行滤波,较好的解决模态混叠问题,采用NExT法对信号预处理,由EMD分解获得较准确的各阶固有模态函数分量（IMF）,在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应,然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。最后对悬臂梁进行数值仿真模拟,并将模态参数识别结果和理论值进行对比,并运用此方法进一步识别GARTEUR飞机模型固有模态参数。     

基于变分模态分解的模态参数识别研究

基于变分模态分解(VMD),提出一种新的结构模态参数识别方法:①通过自由振动试验或通过随机减量法从结构随机振动响应中获取结构自由衰减振动响应(FDR),并采用VMD方法从FDR中分解出结构模态响应;②通过经验包络法(EE)计算模态响应瞬时频率,并通过一种该研究新提出的方法计算模态响应瞬时阻尼比;③结构的模态振型向量可通过处理所有可用传感器得到的模态响应得到。瞬时模态频率和模态阻尼比可以捕获模态参数的任何瞬态变化。通过一系列数值和试验算例验证了该方法的有效性,突出了该方法的优势,并对该方法抗噪声性能进行了研究。研究表明,该方法适用于线性和非线性系统,且可用于识别具有密集模态和瞬态特性的系统。     

多点激励模态参数识别方法研究进展

在回顾多点激励模态参数识别方法理论和应用的最新进展基础上,重点针对基于响应数据的多点激励参数识别法在模态参数识别中的应用进行了分析和总结。按对激励信号模型假设不同:基于白噪声的平稳随机激励假设和非平稳随机激励假设下多点激励模态参数识别技术分别进行深入的讨论。最后,对多点激励参数识别方法的发展前景进行了探讨和展望。     

基于应变模态响应重构的损伤识别方法EI北大核心CSCD

土木结构的损伤识别技术对提升结构可靠性与安全性具有重要意义,也是土木结构健康监测研究中的热点问题。现有的损伤识别方法往往需要识别模态参数,或者需要准确获取结构外部载荷信息,极大限制了相关方法在实际工程中的应用。为克服现有方法的局限性,该文将结构动态响应重构方法引入到损伤识别中,提出了基于应变模态响应重构的损伤识别方法。构建结构健康状态的有限元模型,以损伤结构测量的信号输入,通过基于经验模态分解的应变重构方法,可以获取使用无损伤模型的结构全局模态响应。以传感器采集的模态响应和重构模态响应的差异作为有限元模型修正的依据,通过应变模态比值构建的传递率的灵敏度矩阵进行迭代运算,求得损伤位置及损伤程度。该方法无需获取结构的外部激励信息,通过高效的时域应变重构,能够在少量测量信号下实现对结构损伤的精确识别。为验证该方法的准确性和高效性,开展了连续梁单一损伤和多损伤识别研究,探讨了测量噪声和模态阶次选取对识别结果的影响,结果表明,该方法能够准确、高效识别不同程度的损伤,对测量噪声具有较强的鲁棒性。     

小波变换在密集模态结构参数识别中的应用

系统研究了小波变换在具有低频密集模态的土木工程结构参数识别中的应用。采用Morlet小波，首先阐述了该方法识别模态频率和模态阻尼比的基本原理；分析了其时间和频率分辨率，针对土木工程结构中低频模态密集的情况，提出了选择小波参数的具体方法。通过三自由度结构的数值分析验证了该方法的正确性和优越性。     

小波模态参数辨识的边缘效应问题研究

首先在应用Morlet小波变换进行模态参数识别的原理基础上，分析小波变换过程中产生边缘效应的原因及对模态参数识别准确性的影响。提出将支持向量机回归方法用于结构模态参数识别的数据预测延拓中。通过对单自由度和三自由度结构的数值仿真，并与对称延拓方法比较，验证该方法在抑制边缘效应方面的有效性及其在模态参数识别方面的准确性。