基于TGSVD的桥梁移动荷载识别及正则化矩阵选取

基于时域法（time domain method ,简称TDM）识别移动荷载理论,通过引入正则化矩阵,提出采用截断广义奇异值分解法(truncated generalized singular value decomposition,简称TGSVD)识别桥梁移动荷载。比较不同正则化矩阵对TGSVD识别结果影响,并与TDM识别结果进行比较,两轴移动荷载识别结果表明,正则化矩阵选取对TGSVD识别精度、鲁棒性等影响较大。当正则化矩阵选取适当,TGSVD采用弯矩和加速度响应均具有较高识别精度且识别结果受噪声干扰小。在测点类型单一或测点数量较小时优势更为突出,适宜于现场移动荷载识别,具有较强的工程应用价值     

基于PPTSVD的桥梁移动荷载识别

为了改进时域法(time domain method,简称TDM)识别桥面移动荷载时存在的识别精度受测量噪声、响应类型及数量影响较大等缺陷,在截断奇异值分解(truncated singular value decomposition,简称TSVD)的基础上,提出了基于分段多项式截断奇异值分解(piecewise polynomial truncated singular value decomposition,简称PPTSVD)识别桥梁移动荷载。采用简化欧拉梁模型,由反演车辆荷载作用下桥梁的弯矩响应和加速度响应识别桥面移动荷载,得到了不同噪声水平下TDM,TSVD与PPTSVD的识别结果。研究结果表明,与采用奇异值分解(singular value decomposition,简称SVD)进行常规降噪的TDM相比,采用TSVD识别移动荷载在识别精度和抗噪性能方面均有一定提高,且由TSVD改进的PPTSVD识别方法较前两种方法具有更加明显的优势;PPTSVD识别精度高、识别结果受响应类型及响应组合影响较小且具有良好的鲁棒性,更适用于桥梁移动荷载的现场识别。     

基于广义正交函数和正则化的移动荷载识别法

为了识别桥上移动荷载,把车/桥系统抽象为承受一组移动荷载的简支梁,用有限元方法建立桥梁振动方程,根据测试的桥梁响应,由广义正交函数根据模态叠加原理确定模态响应及其导数,用正则化技巧得到稳定的识别结果。数值模拟和试验结果表明,该方法用于识别桥上移动荷载是有效的、可行的     

噪声动态光散射数据Tikhonov与截断奇异值正则化反演

Tikhonov与截断奇异(TSVD)正则化是动态光散射数据反演中的两种重要方法,不同的正则化方法会对噪声DLS数据测量结果产生不同的影响。分别采用二阶差分矩阵的Tikhonov与TSVD方法,在6种噪声水平下,对宽窄不同的单峰与双峰分布颗粒进行了反演研究。结果表明:Tikhonov具有较好的光滑性;对于单峰分布颗粒,TSVD峰值误差更小、对于窄分布以及强噪声宽分布颗粒系反演,其抗噪性能更强、反演误差更小;对于双峰分布颗粒,Tikhonov具有较小的反演误差、较强的双峰分辨能力与抗噪声能力;对于窄分布颗粒的反演,一般TSVD峰值误差更小。在同样噪声情况下,Tikhonov与TSVD的双峰分辨力与颗粒的粒径峰值比有关。Tikhonov双峰分辨力较强,能够分辨出峰值比较低的颗粒。对实测200nm单峰颗粒进行反演,Tikhonov、TSVD的反演峰值误差分别为3%和1.85%,TSVD峰值位置更准确,能够验证模拟数据的结论。     

基于Green函数和正则化的动态载荷识别方法

在载荷识别过程中由于结构矩阵的病态特性以及测量噪声的影响,常规最小二乘法往往失效。针对这一问题,采用正则化方法进行载荷识别。载荷在时域内可用一系列脉冲来表示,系统的响应是载荷与单位脉冲响应函数的卷积分。通过对载荷反演模型剖析,指出该病态问题的本质,提出了相应的正则化求解方法。基于Morozov相容性原理,采用一种新的选取正则化参数的准则分别进行了单输入单输出和二输入二输出系统的载荷识别。仿真结果说明该识别方法是有效的,可以得到满足工程要求的稳定近似解。     

基于子结构技术和Landweber迭代正则化的载荷识别

为解决大型复杂结构上的载荷识别问题,提出了一种基于子结构减缩技术和Landweber迭代正则化的载荷识别方法,将模型减缩技术中的子结构分析方法应用于动态响应的求解,基于Landweber迭代正则化来解决载荷识别过程中的不适定性问题.通过对比例车体模型的数值仿真分析,并与传统的Tikhonov正则化方法进行对比,其结果表明:该方法不仅能准确识别作用在比例车体上多种形式载荷,而且其抗噪性和鲁棒性均明显优于Tikhonov正则化方法.     

基于子结构技术和Landweber迭代正则化的载荷识别

为解决大型复杂结构上的载荷识别问题,提出了一种基于子结构减缩技术和Landweber迭代正则化的载荷识别方法,将模型减缩技术中的子结构分析方法应用于动态响应的求解,基于Landweber迭代正则化来解决载荷识别过程中的不适定性问题.通过对比例车体模型的数值仿真分析,并与传统的Tikhonov正则化方法进行对比,其结果表明:该方法不仅能准确识别作用在比例车体上多种形式载荷,而且其抗噪性和鲁棒性均明显优于Tikhonov正则化方法.     

基于弹性网正则化的广义逆波束形成

广义逆波束形成是一种高效的声源识别方法。然而受限于较低的算法稳健性,使得其难以实现高精度的声源识别定位。为提高广义逆波束形成声源识别性能,结合弹性网正则化方法和广义逆理论提出一种基于弹性网正则化的广义逆波束形成。首先从广义逆理论出发介绍了特征向量求解以及阈值截断滤波过程,并结合弹性网正则化思想全面阐述了基于弹性网正则化的广义逆波束形成基本理论;其次建立了数值仿真模型,以单极子和多声源识为研究对象,对比其他波束形成算法详细分析了声源类型与频率等因素对其声源成像性能的影响。最后以单极子、不相干以及相干声源为研究对象进行实验分析,结果表明由于基于弹性网正则化的广义逆波束形成的波束输出解具有较强的稀疏性和稳健性,使得其相比传统广义逆波束形成,能更精准地识别定位声源。     

基于非负贝叶斯正则化的冲击载荷光纤识别法

针对目前冲击载荷识别中存在的传感器质量不可忽略和识别结果带有负分量问题,提出基于非负贝叶斯正则化的复合材料结构冲击载荷光纤识别方法。首先,将光纤布拉格光栅（fiber Bragg grating,简称FBG）传感器集成于复合材料筒舱结构上,获取其动态响应信号;其次,建立冲击载荷识别模型,将冲击载荷识别问题表示为时域离散的反卷积问题;最后,考虑到冲击载荷的非负特性,通过贝叶斯层次化建模获得其后验概率密度函数,最大化概率密度函数得到冲击载荷的最大后验概率解。结果表明,FBG传感器可以较好地实现多个传感点冲击响应的同步测量,非负贝叶斯正则化方法可以有效地克服传统Tikhonov正则化的不足,自适应确定算法参数,消除没有物理意义的负分量,使得重建的冲击载荷时间历程与实际历程相吻合。     

基于矩阵摄动的随机结构动态载荷识别技术

基于矩阵摄动和正则化方法提出一种随机结构动态载荷识别的分析方法。在时域内将动态载荷表示为时间和随机参量的函数,并以结构动力响应的卷积分关系式建立随机结构动态载荷识别的正问题。在离散化卷积分的基础上,利用基于泰勒展开的矩阵一阶摄动方法将随机结构的载荷识别问题转化为两类确定性反求问题,即结构随机参量取均值时动态载荷的反求和动态载荷关于各随机参量灵敏度的反求。当测量响应中带有噪声时,利用改进的正则化及L曲线方法克服反求过程中的病态性问题,实现两类确定性问题的稳定近似反求和动态载荷统计特征的有效评估。数值算例表明,针对随机结构该方法能稳定有效地实现动态载荷的识别和评估。     

基于Tikhonov正则化方法的WSN空间定位算法

位置信息是无线传感器网络(wireless sensor networks,WSN)节点监测信息的重要组成部分。基于RSSI测距的空间定位无需额外增加成本,定位功耗小,符合WSN的发展要求,但由于多径衰减等问题造成测距误差较大,导致空间定位问题的不适定性,表现为解不稳定或无解。基于Tikhonov正则化方法进行求解,在三维空间中建立了定位模型,利用偏差原理解决了最优正则化参数选择问题。室内定位实验结果表明三维空间定位正则化参数可以选取55,定位误差可以控制在2m左右,优于经典的极大似然法。     

基于ANN和动应变的梁桥移动荷载识别及试验

为了实现桥梁上车载参数的快速识别,基于欧拉梁动力解析解分析桥梁挠度和应变对移动荷载的敏感性,选择敏感性更强的应变作为输入参数,研究将人工神经网络(artificial neural networks,简称ANN)用于识别梁桥移动车载的理论和方法。对简支梁桥在移动车载作用下的动应变响应进行理论分析及数值模拟,选取不同工况下的模拟数据对网络进行训练,分析激活函数组合和训练方法对网络精度的影响及噪声水平对动荷载工况下正确识别率的影响。通过车-桥模型动力试验验证该方法的合理性和可用性。结果表明,不同激活函数组合对识别结果影响较小,而不同的训练算法对识别结果影响较大,在应用神经网络识别桥梁移动荷载时,可以通过桥梁的动应变,对车辆的位置、速度和动荷载进行识别。     

非凸罚正则化稀疏低秩矩阵的大型减速机圆锥滚子轴承微弱故障诊断

在强烈外界噪声下或轴承故障早期发展阶段,从轴承非平稳故障信号中提取微弱冲击成分是一个难点,针对这一问题,提出了一种新的基于非凸罚正则化稀疏低秩矩阵（Non-convex penalty regularization sparse low-rank matrix,NPRSLM）的轴承微弱故障特征提取方法。该方法不依赖振动信号结构的先验知识,也无需采集大量的样本信号来训练字典,避免了传统稀疏表示设计冗余字典带来的缺乏物理意义,通用性差等缺陷。该方法的核心思想是把采集的振动信号与待提取的故障脉冲看作一维矩阵（向量）,通过求解稀疏正则化的反问题得到故障脉冲信号。在建模上,通过引入非凸罚函数代替了传统最小化L1-norm融合套索算法,建立非凸罚正则化稀疏低秩矩阵模型,理论推导了所建立模型的严格凸性,并利用交替方向乘子法（Alternating direction method of multipliers,ADMM）对模型进行求解,同时讨论了模型参数对模型算法的收敛性问题、凸性与非凸性边界取值问题等。仿真算例与大型减速机圆锥滚子轴承诊断实例表明：该方法不仅能提取隐藏在强烈外界噪声中的微弱冲击特征,而且改善了传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的脉冲能量大幅衰减与脉冲数目丢失问题。     

基于参数化有限元分析的桥梁支座刚度矩阵的求解

应用参数化有限元分析技术,对桥梁铅芯橡胶支座进行了分析,阐述了如何运用参数化技术分析复杂组合结构。经过分析,获得了不同参数下铅芯橡胶支座的刚度矩阵,为桥梁的整体量化分析提供了数值依据。     

基于优化k值的VMD和矩阵分形的供输弹系统早期故障诊断

对于供输弹系统早期故障信号非线性、非平稳、故障信息易被湮没难以识别的问题,提出了基于优化k值的变分模态分解(VMD)和矩阵分形的早期故障识别方法。首先计算不同k值下相对能量比值μ的大小,选择与较小μ值对应的k作为分解层数并对分解结果进行检验;然后通过计算VMD分解后得到的各工况信号IMF的广义维数,构建每种工况的分形矩阵;最后计算样本信号与待测信号分形矩阵的相关系数,确定待测信号的工况。结果表明该方法能对供输弹系统早期故障进行有效识别。