考虑不完整边界条件的新型混合试验方法

在混合试验中,当子结构边界自由度较多时,其边界条件往往难以完全实现,而边界条件的缺失势必改变原结构的受力状态,影响结构性能评估的准确性。为此,提出基于模型更新的在线数值模拟方法,称之为考虑不完整边界条件的新型混合试验方法。该方法建立具有相同本构关系的两套数值模型,分别用于整体结构数值计算和物理子结构本构模型参数识别。由于结构反应由整体结构数值模型求得,边界条件自然得到满足;而且数值模型的本构参数不断根据物理试件的试验结果在线修正,提高了数值计算的准确性。以物理试件的恢复力为追踪目标,采用基于梯度的优化方法在线估计并更新材料本构模型参数;以Matlab和Open Sees为计算平台完成了边界条件不完整的钢筋混凝土框架结构虚拟混合试验。结果表明,该方法几乎消除了边界条件不足带来的不利影响,提高了混合试验的模拟精度。     

采用隐性卡尔曼滤波器的自适应子结构试验方法

在传统子结构拟动力试验基础上,提出采用隐性卡尔曼滤波器的自适应子结构试验方法,以减小由于数值子结构中相应构件的恢复力模型误差所带来的不利影响。在子结构试验过程中,在线识别试验子结构模型参数,实时更新数值子结构中相应构件的恢复力模型参数。快速准确的恢复力模型在线识别方法成为自适应拟动力子结构试验的关键,本文将试验子结构恢复力模型的模型参数作为试验子结构系统状态变量的一部分,采用隐性卡尔曼滤波器在线识别其模型参数。通过数值仿真检验采用隐性卡尔曼滤波器在线识别的自适应子结构试验方法性能。结果表明,本文所提出的自适应子结构试验方法具有很好的精度和较快的识别速度,试验结果较传统子结构试验结果有较大改善。     

钢筋混凝土结构材料本构模型参数的在线识别

为保证子结构拟动力试验中数值子结构的可靠性,模型参数在线识别与更新方法逐渐受到关注。对于钢筋混凝土结构,当采用纤维模型建立数值子结构时,混凝土材料本构模型参数的选择具有较大不确定性。因此,该文提出了基于隐性卡尔曼滤波器在线识别混凝土材料本构模型参数的方法。首先,对材料本构模型参数进行分类,定义了本构参数与非本构参数,提出了约束混凝土与非约束混凝土的一致本构方程。然后,针对观测量为混凝土应力的情况进行数值仿真分析,验证了此方法的可行性。最后,通过修改OpenSees源代码,实现了此方法在观测量为构件恢复力情况下的应用。研究结果表明该文提出的方法具有较好的稳定性与较高的精度,从而在很大程度上提高了数值模型的可靠性。     

基于遗忘因子和LMBP神经网络的混合试验在线模型更新方法

目前将神经网络应用于混合试验的在线模型更新是一个重要的研究方向,如何提高神经网络在线模型更新算法的自适应性、稳定性和抗噪声能力是一个关键问题,提出了一种基于遗忘因子和LMBP神经网络的混合试验在线模型更新方法,即每时步利用试验子结构的历史试验数据形成带有遗忘因子的动态窗口样本,并采用增量训练方式训练LMBP神经网络,同步预测具有相同本构模型的数值子结构的恢复力。对一个两自由度非线性结构进行模型更新混合试验数值模拟,数值子结构恢复力预测值的RMSD最终为0.0230。结果表明,基于遗忘因子和LMBP神经网络的混合试验在线模型更新方法具有良好的自适应性、稳定性和抗噪声能力。     

基于物理参数贝叶斯更新的桥梁剩余强度估计研究

考虑系统参数的随机性,将基于广义卡尔曼滤波的子结构法与贝叶斯更新方法相结合,提出了桥梁结构基于贝叶斯更新物理参数的剩余强度估计两步法:第一步,将子结构法与广义卡尔曼滤波算法相结合,成功识别出子结构及其相邻单元的物理参数;第二步,视识别出的结构物理参数为更新信息,对以蒙特卡罗仿真实验结果作为先验分布的参数进行贝叶斯更新并分别基于蒙特卡罗仿真参数和贝叶斯更新物理参数对结构进行了剩余强度估计。数值算例表明:基于贝叶斯更新物理参数估计得到的结构剩余强度明显低于基于蒙特卡罗仿真参数估计得到的结构剩余强度。该方法为测量响应信息不完备条件以及小样本抽样情况下桥梁结构剩余强度估计提供了一个较好的解决思路。     

基于在线神经网络算法的混合试验方法

混合试验是一种将数值模拟与物理试验相结合的新兴结构抗震试验方法,得到了相关研究者们的广泛关注。如何模拟具有强非线性的数值子结构仍是混合试验亟待解决的问题。在传统的离线神经网络基础上提出一种在线学习的神经网络算法,并应用于混合试验中来在线预测数值子结构恢复力。在线学习算法仅利用当前步的系统输入和观测样本,采用递推形式更新每一步的权值和阈值。针对两个自由度非线性结构,分别进行了基于在线学习和离线学习神经网络的混合试验数值仿真。研究表明:与离线学习神经网络算法相比,在线学习神经网络算法具有更好的自适应性,能够有效提高恢复力预测精度和计算效率;基于在线学习神经网络算法的结构混合试验方法可以提高混合试验结果精度。     

自复位摩擦耗能支撑结构多尺度模型更新数值混合模拟方法

为提高复杂结构模型更新数值混合模拟精度及工程应用能力,提出自复位摩擦耗能支撑结构多尺度模型更新数值混合模拟方法。以OpenSees和MATLAB为计算平台,对二层带有自复位摩擦耗能支撑结构钢框架进行在线数值混合模拟。该方法采用容积卡尔曼滤波器算法,同时对单轴钢材Giuffre-Menegotto-Pinto材料本构模型和自复位摩擦耗能支撑构件模型进行参数识别,并更新整体结构数值模型。结果表明,与传统数值混合模拟方法相比,多尺度模型更新数值混合模拟方法有效提高了数值模型精度,显著降低了耗能、残余变形、顶层相对位移、最大层间位移角的相对误差,验证了多尺度模型更新数值混合模拟方法的有效性。     

统计容积卡尔曼滤波器的混合试验模型更新方法

为解决模型更新算法因初始参数选择不当对模型参数识别精度的影响,提出统计容积卡尔曼滤波器的混合试验模型更新方法。该方法采用容积卡尔曼滤波器算法多次识别模型参数,将统计后的参数识别值样本均值作为最终的识别结果,以弱化算法初始参数选择对参数识别结果的影响。应用统计容积卡尔曼滤波器对自复位摩擦耗能支撑模型进行在线参数识别,分析了在不同参数条件下统计容积卡尔曼滤波器的识别精度;针对两层带有自复位摩擦耗能支撑框架结构进行混合试验数值仿真。结果表明,基于统计容积卡尔曼滤波器的方法可以有效提高模型更新混合试验精度及鲁棒性。     

含外部输入的非线性自回归模型及其在实时混合模拟中的应用EI北大核心CSCD

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。     

斜拉桥结构模型修正的子结构方法

针对大跨斜拉桥结构提出了一种子结构模型修正方法。根据斜拉桥结构体系特征,从空间上划分几个比较独立的子结构。对包括所有子结构特征信息和待修正参数的整体结构,进行特征信息对参数的灵敏度分析,验证各子结构之间的相对独立性,并确定子结构模型修正的顺序。基于各子结构的特征信息建立目标函数,采用遗传优化算法,依次对各子结构进行模型修正。以某大跨斜拉桥试验室物理模型为研究对象,对该方法进行了数值仿真和试验验证。基于仿真数据的子结构模型修正精准度高,基于实测数据的修正结果能得到与实际情况相符的合理解释。因此,该斜拉桥模型修正的子结构方法切实有效,且易于工程应用。     

部分加速度测量下结构恢复力与质量非参数化识别方法

传统的基于扩展卡尔曼滤波方法的结构非线性行为识别方法往往要求结构质量以及结构非线性恢复力的参数化模型已知。该研究为解决非线性结构质量,结构参数,非线性恢复力的识别问题,提出了一种两阶段识别方法;为提高计算效率采用遗忘因子扩展卡尔曼滤波算法结合等效线性模型实现结构非线性位置的定位,随后采用无迹卡尔曼滤波算法与恢复力的二重切比雪夫多项式非参数化模型识别结构参数,质量与恢复力。在对一个含形状记忆合金(SMA)阻尼器的多自由度体系的数值模型进行了数值模拟验证的基础上,设计了一个含SMA阻尼器的四自由度框架开展动力试验,验证了所提出方法对结构质量以及恢复力的识别效果。     

基于无迹卡尔曼滤波的动态贝叶斯小波变换在轴承故障诊断中的应用

针对工程实际中滚动轴承发生故障的类型具有典型性和故障信号具有冲击性,且振动信号的频率成分因外界环境的影响而变得极其复杂的特点,提出了一种基于负熵和无迹卡尔曼滤波的动态贝叶斯小波变换方法。该方法将SE(Squared Envelope) Infogram方法应用到无迹卡尔曼滤波方法(Unscented Kalman Filter, UKF)中,利用SE Infogram确定滤波器参数初值,即中心频率与带宽的初值,结合UKF对中心频率与带宽进行优化,以最优中心频率与带宽对振动信号进行滤波分析,对滤波后的信号进行包络解调分析,实现轴承微弱故障特征的提取。利用负熵指标代替以往研究所用的峭度指标,可以有效消除或削弱高峰值干扰的影响。最后,通过对仿真信号和轮对轴承试验信号对提出的方法进行了验证。结果表明,该方法能够有效提取强背景噪声下轴承外圈、内圈故障和滚动体故障,验证了该方法对轴承微弱故障诊断的有效性。     

Fast Tracking of Power Quality Disturbance Signals Using an Optimized Unscented Filter

This paper presents a hybrid approach for tracking the amplitude, phase, frequency, and harmonic content of power quality disturbance signals occurring in power networks using an unscented Kalman filter (UKF) and swarm intelligence. The UKF is a novel extension of the well-known extended Kalman filter (EKF) using an unscented transformation to overcome the difficulties of linearization and derivative calculations of signals with a low signal-to-noise ratio (SNR). Further, the model and measurement error covariance matrices $Q$ and $R$, along with the UKF parameters, are selected using a modified particle swarm optimization (PSO) algorithm for accurate tracking of signal parameters. To circumvent the problem of premature convergence and local minima in conventional PSO, a dynamically varying inertia weight based on the variance of the population fitness is used. This results in a better local and global searching ability of the particles, which improves the convergence of the velocity, and in a better accuracy of the UKF parameters. Various simulation results for nonstationary sinusoidal signals occurring in power networks with varying amplitudes, phases, and harmonic contents corrupted with noise having a low SNR reveal significant improvements in noise rejection and speed of convergence and accuracy.      

未知激励下的无迹卡尔曼滤波新方法

无迹卡尔曼滤波（UKF）是一种识别非线性系统的有效方法,然而传统的UKF方法需要观测外部激励,这限制了UKF的应用范围。迄今为止,国内外对未知激励情况下的UKF方法的研究还非常少。该文在传统UKF的基础上,推导出在未知激励情况下的无迹卡尔曼滤波（UKF-UI）方法的递推公式,通过对观测误差的最小化,利用非线性方程求解,识别未知外部激励,进而识别非线性结构系统状态与结构未知参数。进一步采用融合部分观测的加速度响应及位移响应,消除识别结果的漂移问题。分别通过白噪声和未知地震作用下识别非线性迟滞模型的两个数值算例,考虑观测噪声对非线性系统进行识别,从而验证提出新方法的有效性。结果表明,该文所提出的UKF-UI方法,能够在部分观测结构系统响应的情况下,有效地识别非线性结构参数和未知激励。     

基于改进无迹卡尔曼滤波的锂电池SOC在线估计

针对无迹卡尔曼滤波算法对电池模型敏感并且容易受到不确定噪声干扰的问题,提出了改进的无迹卡尔曼滤波算法（improved unscented Kalman filter,IUKF）,提高电池荷电状态（State of charge,SOC）估计精度和鲁棒性能。首先,对锂离子电池进行建模并完成参数离线辨识。紧接着,对模型参数进行敏感性分析,研究不同参数对SOC估计效果的影响程度,为模型参数自适应对象的选取提供依据。随后,研究了包含模型自适应算法和噪声自适应算法在内的IUKF算法实现过程。最后,通过物理实验对比分析了IUKF与其它算法的实际估计效果,实验结果表明,该方法估计误差小于1.79%,鲁棒性能良好。     

偏心支撑框架空间子结构混合试验边界条件模拟方法

数值子结构的建模精度和子结构的边界条件模拟是子结构混合试验中的两个关键问题。为进一步研究这种新型结构试验方法对于空间框架结构的适用性,基于高强钢组合Y形偏心支撑框架模型展开研究。首先建立了一套由OpenSees, OpenFresco试验平台以及MTS加载系统组成的混合试验系统。然后分别针对2层、3层和4层3跨高强钢组合Y形偏心支撑框架,取底层带有偏心支撑的框架部分作为试验子结构,其余部分作为数值子结构在OpenSees中进行模拟。在混合试验之前,利用已有单榀试件拟静力试验结果对数值子结构的建模方法进行了数值模拟验证。最后选取El Centro波作为原始输入地震波,针对试验子结构的平动模拟和竖向荷载作用进行了一系列空间子结构混合试验。结果表明:通过数值模拟验证拟静力试验结果的方式,可以为混合试验中数值子结构的建模提供参考依据;采用双作动器水平加载来实现试验子结构的平动,可以有效考虑数值子结构对试验子结构的边界约束;竖向荷载的考虑,可以更真实的模拟试验子结构的重力二阶效应。     

基于Sigma点全局迭代参数卡尔曼滤波的折线型本构模型参数识别

折线型本构模型控制参数少,物理意义明确,但其数学表达式复杂因而识别困难。针对折线型本构模型的参数识别,提出基于Sigma点变换的全局迭代参数卡尔曼滤波算法。所提方法以待识别参数作为状态向量,降低状态向量维度,减少计算量;基于Sigma点卡尔曼滤波避免求解雅克比(Jacobian)矩阵,实现非连续型函数本构模型的参数识别;通过设定目标函数进行全局迭代,以获得最优解。由于非线性系统下一时刻响应与历史路径有关,量测更新时由初始时刻计算到当前时刻。最后,在地震荷载下,将隔震支座系统简化为单自由度双线性模型,将桥墩简化为单自由度Takeda模型,根据该文所提出的方法理念,分别基于无迹卡尔曼滤波(unscented Kalman filter,UKF)、容积卡尔曼滤波(cubature Kalman filter,CKF)和球面单纯形径向容积正交卡尔曼滤波(spherical simplex-radial cubature quadrature Kalman filter,SSRCQKF)采样规则识别折线型本构模型参数。结果表明所提方法能够准确识别非线性参数,同时具有较强的鲁棒性,不同滤波器收敛过程及结果也有所差异。     

Estimation Performance for the Cubature Particle Filter under Nonlinear/Non-Gaussian Environments

This paper evaluates the state estimation performance for processing nonlinear/non-Gaussian systems using the cubature particle filter (CPF), which is an estimation algorithm that combines the cubature Kalman filter (CKF) and the particle filter (PF). The CPF is essentially a realization of PF where the third-degree cubature rule based on numerical integration method is adopted to approximate the proposal distribution. It is beneficial where the CKF is used to generate the importance density function in the PF framework for effectively resolving the nonlinear/non-Gaussian problems. Based on the spherical-radial transformation to generate an even number of equally weighted cubature points, the CKF uses cubature points with the same weights through the spherical-radial integration rule and employs an analytical probability density function (pdf) to capture the mean and covariance of the posterior distribution using the total probability theorem and subsequently uses the measurement to update with Bayes’ rule. It is capable of acquiring a maximum a posteriori probability estimate of the nonlinear system, and thus the importance density function can be used to approximate the true posterior density distribution. In Bayesian filtering, the nonlinear filter performs well when all conditional densities are assumed Gaussian. When applied to the nonlinear/non-Gaussian distribution systems, the CPF algorithm can remarkably improve the estimation accuracy as compared to the other particle filter-based approaches, such as the extended particle filter (EPF), and unscented particle filter (UPF), and also the Kalman filter (KF)-type approaches, such as the extended Kalman filter (EKF), unscented Kalman filter (UKF) and CKF. Two illustrative examples are presented showing that the CPF achieves better performance as compared to the other approaches.