基于贝叶斯压缩感知的复合材料结构冲击载荷识别研究

提出了一种基于贝叶斯压缩感知的新方法,对作用在复合材料结构上的冲击载荷时间历程进行识别。首先将复合材料结构冲击响应的动力学正问题表示为单位脉冲响应函数和冲击载荷的卷积分,时域离散化后获得冲击载荷向量与冲击响应向量之间的线性关系;然后采用一组高斯核函数作为基函数来表示未知冲击载荷时间历程,将冲击载荷识别问题转换为基函数系数的稀疏正则化重构问题;接着通过贝叶斯压缩感知方法来求解该稀疏正则化重构问题,由测量的冲击响应,获得基函数的最优稀疏系数,继而重建冲击载荷时间历程。对复合材料夹层结构的实验研究结果验证了所提出方法的有效性和可应用性。     

基于遗传算法和复合二次径向基函数的复合材料层合板自由振动分析

为了提高复合材料层合板自由振动分析的精度,采用无网格径向基配点法分析复合材料材料层合板的自由振动问题,径向基函数的形状参数对计算精度有很大影响。利用遗传算法对复合二次径向基函数的形状参数进行优化,用优化后的形状参数的复合二次径向基函数计算复合材料层合板的固有频率,计算结果与文献中的结果具有较好的一致性。遗传算法在形状参数优化方面具有很大的潜力,所提出的方法具有较高的计算精度。     

基于改进的信赖域模型管理技术识别风电转子系统不对中载荷

针对求解耗时的风电转子系统不对中载荷识别问题，提出基于改进的信赖域模型管理技术的识别算法。该算法将整个先验分布空间的不对中载荷识别问题转化为一系列信赖域上的近似优化问题，通过区域遗传智能采样技术采集样本，加强径向基函数构建代理模型，再采用遗传算法进行近似优化。通过每个信赖域上的最小目标函数和近似优化结果确定信赖度和下代域的中心、半径，进而不断地缩放、平移信赖域，来保证获得与真实模型一致的不对中载荷。通过四种方法对比表明该方法样本遗传策略，遗传落在下代信赖域空间上的样本，减少实验设计样本个数而提高效率；最小目标函数作为信赖中心调整提高了关键区域代理模型的精度而加快收敛，降低了对代理模型精度的依赖。     

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。     

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。     

基于动态规划的动载荷时域识别方法研究

提出一种基于动态规划方程的动态载荷时域方法。首先从系统的状态空间方程出发,利用最小二乘法建立系统响应的实际测量值与识别值之间的目标函数。将Bellman最优化原理运用到目标函数的最小化当中,推导出动态优化载荷识别公式。通过一个多自由度数值算例对本方法进行验证,表明方法对含有噪声的动态载荷识别问题适应性强,具有较高的识别精度。     

基于径向基函数神经网络的滚动轴承故障模式的识别

径向基函数（RBF）神经网络是一种3层前馈性神经网络，它具有较强的函数逼近能力和分类能力。鉴于径向基函数神经网络的优点，在对滚动轴承振动信号特征分析的基础上，提出了采用时序方法对其建立AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。理论和试验证明了该方法的有效性，且具有较高的识别精度。     

基于RBF神经网络的船舶冲击谱速度数据挖掘与预报

船舶水下非接触爆炸载荷作用下的冲击环境计算分析是船舶设备抗冲击的一项关键工作,而如何快速有效的对船舶冲击环境进行准确预报是人们关心的问题。建立了10余艘尺寸分布合理、形式多样的船舶有限元计算模型,每艘船舶沿船长在不同甲板层上选取了分布均匀的400组样本测点,载入水下非接触爆炸载荷进行计算,形成120多万条船舶冲击环境数据,以此建立了大规模船舶冲击环境数据库,并以径向基神经网络为框架搭建了船舶冲击环境预报模型,分别将船舶的主尺度参数、船舶水下爆炸数值仿真的工况设置参数以及考察点的位置坐标作为神经网络的输入参数,以船舶考察点的谱速度作为唯一输出对搭建的RBF网络进行训练,并通过聚类算法对网络参数进行优化处理,模型训练完成后对未知船舶在给定工况下的冲击环境进行了预报及分析。预报结果表明,经过优化算法优化后径向基神经网络预报模型不仅具有较高的预报精度,且具有较好的泛化和鲁棒性能。该方法可为设计阶段船舶冲击环境的快速预报提供一种新型方法。     

基于LSTM和响应分解的冲击载荷识别方法研究

同一量级的冲击载荷所产生的动响应要远大于静态响应,因此准确识别冲击载荷对于航空器结构件的动强度设计、校核与结构健康监测都具有重要意义。该文章提出的方法主要针对一般线性结构的冲击载荷识别问题,从实测冲击响应应变信号出发,主要解决了冲击载荷与响应信号样本长度不一致这一突出矛盾。首先基于冲击响应信号分解方法来进行振动信号特征提取,然后基于长短期记忆神经网络对载荷和响应信号样本特征进行映射,从而实现冲击载荷识别。通过对挂架模型实测冲击载荷信号进行识别,结果表明4种工况下,该方法识别的冲击载荷的均方根相对误差小于0.6,相关系数大于0.94。结果初步表明,在理想的试验环境中,该方法具备一定的识别精度。     

基于极大似然估计的多参考点模态参数识别方法

在考虑随机噪声的情况下,实现了一种基于极大似然估计的多参考点频域模态参数识别方法。该方法采用频响函数的右矩阵分式模型,通过噪声的协方差矩阵对误差向量加权,使用离散时间域中基函数改善数值求解性态。模态参数的估计过程分为两步：首先由基于最小二乘估计的polyLSCF算法获取迭代初值,然后通过Gauss-Newton方法对极大似然函数进行迭代优化,得到精度更高的模态参数识别结果。采用GARTEUR仿真算例对所给出的方法进行了验证,结果表明：在高噪声情况下,利用噪声信息的极大似然估计方法能够显著提高模态参数的识别精度,特别是阻尼的识别精度。