晃动液体单摆模型动力学参数的频域辨识

本文研究晃动液体动力学参数的频域辨识法,详细推导了晃动液体的等效单摆模型,研制了贮箱模型、悬挂装置和高灵敏度测力计。通过测量贮箱位移和激振力,求得其位移对激振力的频率特性数据。首先用误差校正法辨识传递函数系数,然后用数学规划法确定模型的动力学参数。同时,通过测量晃动液体的扰动力矩,直接推算单摆模型的悬挂点位置。辨识出的单摆模型动力学参数值与按位势理论计算的数值接近。研究结果表明本文采用的频域辨识法有效。     

汽车悬架整车动力学模型的参数辨识

根据汽车悬架动力学特性的理论知识,建立了七自由度汽车悬架整车动力学方程。推导了悬架动力学方程从惯性物理坐标到传感器坐标的变换,利用执行器作为激励,采用时域辨识方法对参数进行辨识。根据最小二乘估计递推算法,建立了从执行器到传感器的汽车悬架整车动力学模型,实现了悬架模型在线参数辨识,为七自由度汽车悬架的振动主动控制打下了基础。     

结构剪切模型物理参数辨识

导出系统总质量已知时的结构剪切模型物理参数识别公式,分析存在测量噪声时,利用完整系统模态参数和部分模态参数进行系统物理参数识别时的共性和差异,用统计方法比较了两者的识别误差,分析了利用部分模态参数进行识别时造成误差或可能造成识别失效的原因.     

桥梁颤振气动导数辨识的随机激励法

针对桥梁颤振气动导数辨识提出非经典线性系统参数辨识的随机激励法,能够同步识别出桥梁模型中全部的八个颤振气动导数.该方法基于载荷辨识原理,避免讨论非经典线性系统模态矩阵对称性的问题.通过仿真算例,说明此方法识别结果稳定,并具有一定的抗噪干扰能力,在工程应用上具有一定的意义.     

基于粒子群算法的6自由度机械臂动力学模型参数辨识

提出了基于粒子群优化(PSO)算法的工业机器人动力学参数辨识方法。首先利用改进的牛顿-欧拉方法,建立考虑关节摩擦的机械臂线性动力学模型,然后引入PSO算法,建立基于PSO算法的估计未知动力学参数的算法,最后以UR工业机器人为实验对象,通过设计激励轨迹,激励工业机器人关节运动,并对关节运动参数进行采样,实现UR工业机器人的动力学参数估计,并根据力矩预测精度验证动力学模型。实验证明了所提出算法辨识工业机器人动力学模型参数的准确性和有效性。     

桥梁气动导数的识别及模型参数对气动导数的影响

提出了一种利用节段模型的自由振动响应数据识别桥梁断面气动导数的新方法—总体最小二乘时域法，该方法试验装置简单，避免了识别过程中参数选择带来的影响并且具有很高的精度和收敛性。针对自由振动测试技术在高风速下因竖弯方向气动阻尼太大、信号衰减过快导致识别不能进行的问题，本文改变模型的质量、质量惯矩及扭弯频率比进行了一系列试验，说明可以通过增加模型质量和质量惯矩的方法得到足够用于桥梁颤振分析的气动导数。将得出的江阴桥模型的试验结果与Ｓｃａｎｌａｎ方法的结果进行了对比，并且根据它算出的颤振风速在全桥气弹模型上得到了验证。     

基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识

提出一种基于自适应粒子群遗传算法的柔性关节机器人动力学参数辨识方法。该算法采用动态自适应调整策略,提高了粒子群算法收敛速度;同时引入新型遗传算法混合交叉变异机制,避免了粒子群陷入局部最优。将自适应粒子群遗传算法与标准粒子群算法、遗传算法、人工蜂群算法进行了比较,仿真实验结果表明该算法在迭代60次左右完成参数辨识,各参数的辨识相对误差均降低到了1%以内。最后利用旋转柔性关节实验平台进行了实验验证,实验结果证明了该算法具有更好的收敛速度和寻优精度。     

基于反馈控制的桥梁节段模型干风洞实验仿真

在风场作用中,针对桥梁结构与风荷载耦合而表现出非自伴随动力系统的现象,提出了仅具有5个独立控制参数的桥梁节段主动控制模型来模拟含有8个颤振气动导数的节段风洞试验模型。该模型由刚体所受的分布力系可等效为集中力系原则出发,利用PID反馈控制技术所构造,其在数学力学模型方面与风洞试验模型完全一致。通过几何变换,干风洞实验测量的线位移信号可转换为角位移信号。同时,运用MIMO分析技术可简单而精确获取系统完备的频响函数矩阵,再采用基于复模态理论中左右特征向量的辨识算法识别控制参数。通过数值仿真,验证了主动控制模型的合理性,同时也显示了该模型在桥梁风振研究中的应用价值和推广意义。     

桥梁节段模型颤振导数的确定

本文提出了一种以节段模型受到初始脉冲激励后的自由振动的阻尼和频率作为基本参数，在时域内识别二元非流线型体颤振导数的方法。在这一方法中，非耦合导数的确定与常规的方法没有根本的不同，而耦合导数是在指定的折算风速下根据各主振方向上的模型参数以及相应的非耦合导数通过求解非线性代数方程组得到。与目前常用的Ｓｃａｎｌａｎ方法相比，略去了实验必需的纯单一模态振动的要求，从根本上减少了对风洞实验技术的要求和工作量，而且识别精度有明显的提高。     

基于人工神经网络的动力学参数辨识法

针对传统最小二乘法辨识动力学模型精度不高的问题,结合深度学习方法,提出了一种基于人工神经网络的动力学参数辨识方法。使用线型整流单元(ReLU)作为神经网络的激活函数,使用RMSProp算法对神经网络权值进行迭代,使用Dropout方法防止过拟合。采用有限项傅里叶级数轨迹作为激励轨迹,对采集到的数据进行标准化处理及滤波处理。最后,对算法得到的模型进行比较验证。结果表明,本文提出的方法相对于传统方法有较高的精度,不需要对摩擦力进行建模,能够更好地应用于机器人模型控制系统。     

GARTEUR飞机模型模态参数识别

对GARTEUR飞机模型进行模拟环境激励下的模态实验,同步采集多通道时域响应数据,基于MATLAB软件平台,采用小波变换的方法对响应数据进行处理和分析;在密集模态分离和小波脊线提取方面,提出了能量阈值法和局部能量极大值法相结合的新方法,最终利用线性拟合及最小二乘法求解飞机模型的模态参数,并与使用其他方法识别的模态参数结果进行比较,验证其可行性．     

基于图模法的蜂窝纸板参数识别

根据蜂窝纸板连续性的特点,可将蜂窝纸板看作是分层模型.分析了支座激励与响应之间的关系,利用图模法推导出蜂窝纸板一质量系统的振动传递率公式.对蜂窝纸板一质量系统进行了扫频试验,利用实验结果求出了各频率条件下蜂窝纸板的弹性系数和阻尼系数,为蜂窝纸板的合理应用提供了理论与实践依据.     

混凝土结构材料非线性本构参数识别算法研究

针对混凝土材料特性离散性较大、本构参数不确定性较强的问题,本研究提出了基于RSM-CMA的钢筋混凝土结构材料非线性本构参数的识别算法。首先,讨论分析了ABAQUS混凝土损伤塑性模型与规范提供的混凝土本构模型的统一方法,开发了混凝土材料子程序,获取了影响混凝土单轴应力-应变关系的敏感待识别参数,给出了损伤塑性模型屈服面函数与塑性势函数等非识别参数的建议取值。其次,基于响应面法(RSM),实现了结构宏观响应与细观本构参数间隐性关系的显式表达,基于带约束的最小二乘原理,构建目标函数,利用混沌猴群算法(CMA),实现本构参数的优化识别。最后,以钢筋混凝土拱构件的数值仿真为算例,验证了本研究所提算法的准确性。结果表明:抗压强度、峰值压应变是混凝土本构敏感性参数;抗压强度为影响结构极限承载力的最显著本构参数,弹性模量次之,峰值压应变影响最小;本研究所提算法能够较为准确地识别材料的本构参数,有助于获取精确的结构层次宏观响应,可为有限信息下材料本构参数的辨识、获取提供参考。     

桥梁颤振气动导数识别的迭代法

本文提出一种利用自由振动响应通过年顿－拉夫逊迭代同时识别出桥梁全部8个颤振气动导的方法。此法具有对迭代初值要求不高，识别结果稳定的特点，并具有一定的抗噪声干扰能力。数字仿真与实物试验结果表明本文方法有效，可行。     

The Identification of the Wind Parameters Based on the Interactive Multi-Models

The wind as a natural phenomenon would cause the derivation of the pesticide drops during the operation of agricultural unmanned aerial vehicles (UAV). In particular, the changeable wind makes it difficult for the precision agriculture. For accurate spraying of pesticide, it is necessary to estimate the real-time wind parameters to provide the correction reference for the UAV path. Most estimation algorithms are model based, and as such, serious errors can arise when the models fail to properly fit the physical wind motions. To address this problem, a robust estimation model is proposed in this paper. Considering the diversity of the wind, three elemental time-related Markov models with carefully designed parameter α are adopted in the interacting multiple model (IMM) algorithm, to accomplish the estimation of the wind parameters. Furthermore, the estimation accuracy is dependent as well on the filtering technique. In that regard, the sparse grid quadrature Kalman filter (SGQKF) is employed to comprise the computation load and high filtering accuracy. Finally, the proposed algorithm is ran using simulation tests which results demonstrate its effectiveness and superiority in tracking the wind change.     

Identification of Crims Model Parameters for Warpage Prediction in Injection Moulding Simulation

Polymer injection moulding is a process widely used to produce components in a lot of different applications. One of the most critical aspects related to this process is to control the warpage of the parts after the extraction from the mould. Numerical simulations can predict a part warpage by using specific warpage models. Among numerical codes, Autodesk Moldflow Insight® uses a Corrected In Mold Residual Stress (CRIMS) model, that calculate the residual stresses develop during the moulding process. Warpage is then predicted calculating the deformations of the component induced by the considered stresses. Using experimental and numerical techniques, a new identification procedure was introduced to evaluate the six parameters of the CRIMS model included in the Moldflow® material properties database. The study was conducted on a box for an automotive application made of polypropylene. On the base of a complete rheological, thermal and physical characterization of the employed material, a numerical simulation of the process was implemented, integrating it with an optimization procedure to identify the values of the CRIMS parameters that force numerical results to fit measured deformations. As this procedure was very time consuming, requiring to run several computationally intensive simulations, artificial neural networks were employed to approximate numerical results with lower computational time. Results were verified with independent samples, showing good correspondence between experimental results and numerical calculated deformations.     

Identification of Parameters of a Nonlinear Material Model Considering the Effects of Viscoelasticity and Damage

This work deals with mechanical properties of a rubber material that is used in modern tram wheels as a damping element. Nonlinear static response as well as strain softening and hysteresis are captured in the material model that is selected. Method of identification of the model's parameters is developed. The identification method relies on successive minimizations with respect to different sets of parameters. Tests in tension, compression and simple shear are performed. Parameters of the material model are identified based on the tension and compression data, while the shear data are used for validation only.     

从响应信号辨识斜拉桥模型的模态参数

针对斜拉桥模型在平稳随机激励下的模态参数辨识问题，研究了提高子空间方法参数辨识精度和可信度的有效途径。在矩阵奇异值分解的基础上，文中使用信号特征分量的能量指标来估计模型阶次，同时给出一种特征频率随拟合数据变化的稳定图。在虚假特征显示能力以及降低数值运算量等方面，这种形式的稳定图与能量指标的结合具有正更大的优越性。在斜拉桥模型的模态参数辨识中，物理模态和寄生模态得到了很好的分离，而且斜拉桥模型在分析频带内的物理模态被全部识别出来。辨识结果的比较说明了给出的辨识方法是有效的。