多输入—多输出实验模态参数识别（2）：时域识别法及其内在联系

本文在多输入——多输出实验模态参数识别技术离散统一模型的基础上,介绍了几种得到广泛应用的多输入——多输出实验模态参数时域识别技术,如直接参数模型识别法,Polyreference 识别法,Ibrahim 时域法和特征系统实现算法(ERA),并将这几种算法统一在一个基本的数学模型—离散的统一模型上,指出了这几种识别方法相互之间的联系。     

多输入—多输出实验模态参数识别（1）：统一的数学模型

本文利用状态空间方程给出一般粘性阻尼线性振动系统的线性高阶微分多项式模型,及其所对应的离散差分模型.这个模型描述了系统多输入激励信号和多输出响应信号之间的关系.近十年来发展起来的多输入—多输出实验模态参数识别都是建立在这个模型之上的,在这个意义上,我们称之为多输入—多输出实验模态参数识别技术的统一数学模型.当考虑到测量频段外模态和测量数据中噪声的影响时,本文也给出了相应的统一数学模型.     

时域模态参数识别的直接特征系统实现算法

本文提出了一种新的结构模态参数识别算法,称为直接特征系统实现算法(DERA)。直接采用时域多输入多输出数据构成线性时不变离散系统的最小实现,并利用系统矩阵的特征值和特征向量求取模态参数。输入输出数据的直接应用避免了利用脉冲响应函数作原始数据的ERA、PRCE等算法的一些局限。奇异值分解技术的引入使系统的定阶和实现更方便,并具有了更良好的数值稳定性。为验证算法,构造了一个五自由度的弹簧质量系统进行数值模拟。良好的数值结果证明了本算法的有效性,并表明本算法对密集模态仍有较高的识别精度。     

一种不受相位噪声影响的模态参数识别法

本文提出了一种根据幅值频响数据来识别模态参数的频域识别法.该方法首先通过识别幅值频响函数模型来得到传递函数的零点和极点.鉴于不同结构系统可以有完全相同的幅值频响函数,文中提出了由相位频响数据来判定传递函数零点的号性,以唯一确定传递函数,从而消除了相位噪声对模态参数识别结果的影响.作为例子,文中给出了计算机模拟实验例子和滚动轴承支承动态参数识别的应用实例.     

基于实验模态参数的结构多层结合部参数识别

本文从一般情况出发，提出了一种利用结构实验模态参数与子结构有限元模型，识别结构多层结合部刚度与阻尼参数的方法。当结合部模态向量分别为可测，部分可测或不可测时，给出了相应的识别算法，特别地，当结合部模态向量为可测时，其识别算法无任何矩阵求逆运算。算例表明，本文方法具有满意的识别精度。     

线性振动亏损系统广义模态参数的识别方法

基于线性振动亏损系统的广义模态理论,本文提出了一种识别亏损系统广义模态参数的频域方法。该方法将直接法与迭代法相结合,无需人工初值,可分步识别出亏损系统的全部广义模态参数。模拟识别结果表明,本文方法是有效且可行的。     

弹性——粘弹性复合结构的动态载荷识别

提出了一种识别弹性－－粘弹性复合结构动态载荷频域方法。首先将复合结构利用约对值模态应变能方法（ＡＶＭＳＥ）进行模态分析而获得模态参数，其次在频域中通过模态变换法求得动态载荷谱。通过两个算例说明方法的应用，其结果表明该方法是有铲的，识别精度是好的。并对该方法应用中的一些问题进行了讨论。     

基于贝叶斯方法的模态参数识别的不确定度分析

振动模态分析和模态参数识别是动态测试的一个重要研究方向。模态参数在模型的修正、响应的预测、系统的健康检测及控制等方面有着重要的作用。但动态测试的不确定度分析,尤其是模态参数的不确定度的研究还十分缺乏。本文主要基于贝叶斯方法,通过傅立叶变换(FFT)建立时域数据和频域数据之间的对应关系。根据共振频带内的多个模态的响应数据得到相对应的模态参数,优化得到模态参数的最佳估计值,评定模态参数识别的不确定度。在固支梁的模态实验中,加速度传感器采集环境激励中的振动数据,运用贝叶斯法进行处理得到模态参数的最佳估计值。在此基础上,通过模态参数的最佳估计值,以及仪器的检定报告数据,结合合成不确度分析方法,系统分析了模态参数识别的不确定度。     

结构模态参数的时序分析(ARMAV模型)识别法

本文简述了用时间序列分析(ARMAV 模型)识别结构模态参数的原理,对建模方法进行了分析,并对建模分析中至关重要的初值选择问题进行了讨论,提出了一种有效的初值的选取方法;在模拟计算部分中,用 Wilson-θ积分法模拟了一个三个自由度的振动和低信噪比、大阻尼振动和密集模态等复杂情形,对用时序方法(ARMAV 模型)识别模态参数的能力进行了检验;最后通过对实验数据进行有效的预处理后,用时序方法(ARMAV 模型)识别出一个真实结构(圆盘)的第一、二阶模态参数,并得到结构的完整振型.     

动载荷识别的广义域模态模型及其精度分析研究

基于广义域模态模型提出了一种仅用系统响应输出识别动态载荷的方法。以系统中的其它点作激励点来代替常常为不可达的实际载荷作用点，通过辨识得到系统模态参数并在模态和物理两种坐标下对动态载荷作出估算，从而避免通常对系统修改结构或改变边界条件而导致的识别误差。对该模型的误差传播牧场性与识别精度分析结果表明该方法能适用于工程实际动载荷测量。     

基于转角模态和小波神经网络的连续梁损伤识别研究

基于小波奇异性检测原理和神经网络非线性映射能力,结合结构基本模态参数,提出了一种结合小波神经网络与结构转角模态的损伤识别方法．首先,建立三跨连续梁的有限元模型获取结构模态参数,并对其进行Mexihat小波变换,通过系数图突变点判断结构损伤位置．然后,将小波系数模特征向量作为BP神经网络的输入,分别研究了该方法在单损伤和多损伤工况下的识别能力．最后将不同工况下神经网络预测值与结构实际损伤程度进行对比,得到单处损伤预测误差平均值为0.22%,多处损伤预测误差平均值分别为0.22%和0.18%,结果表明该方法在结构损伤识别方面的有较高有效性及精确度．     

基于Welch法的协方差随机子空间方法的模态参数识别

对工程结构进行环境激励下的模态参数识别具有重要意义, 而随机子空间法作为适合环境激励下模态参数识别的时域方法, 由于噪声和复杂激励的原因, 会产生虚假模态、真实模态遗漏、系统自动定阶难和计算效率等问题, 这些问题阻碍了该方法在实际工程中的广泛应用. 本文提出了基于Welch法的随机子空间方法, 通过Welch法对振动响应在频域进行去噪、降低环境激励和其他不确定性因素影响的处理, 把结构固有模态从噪声和激励频率中突显出来, 形成富含更多结构模态的Toeplitz矩阵, 然后进行奇异值分解和状态矩阵计算, 最后进行特征值分析. 为了实现自动定阶, 对不同奇异值分量构建的状态矩阵得到的特征参数, 进行模糊C均值聚类分析和模态的平均相位偏移分析, 剔除虚假模态, 实现结构模态参数的自动识别. 并把本文所提出方法应用于一座大跨悬索桥的实测加速度响应分析, 和一座七十层的高层建筑的加速度响应分析, 跟频域分解法、传统随机子空间法和基于相关分析的随机子空间法的计算结果进行了比较, 发现基于Welch方法的随机子空间法相比于传统随机子空间法和基于相关分析的随机子空间法, 在避免模态遗漏和计算效率方面有显著提高, 而相对于频域分解法则在自动识别和剔除虚假模态方面有明显优势.      

多自由度系统自然激励技术的统一模型

结构运行状态下的模态参数提取是结构健康监测系统需要解决的关键问题之一.自然激励技术的提出为大型复杂工程结构运行状态下的模态参数提取提供了一条新的途径.原始自然激励技术给出了单输入白噪声激励下利用结构位移响应的互相关函数进行模态识别的理论模型,对于多输入情况则缺乏相应的理论模型.本文在单输入理论模型的基础上进一步发展了自然激励技术:推导了多输入独立白噪声激励下多自由度系统结构位移响应的互相关函数的解析公式,并分析了它与单输入情况下互相关函数之间的关系;基于此互相关函数定义了一个新函数,证明它含有结构各阶模态信息,可以表达为一系列衰减正弦函数之和,并且各个组分正弦函数的频率等于各阶模态的有阻尼固有圆频率;提出了以新函数为核心的同时适用于单输入和多输入情况的模态识别算法,建立了自然激励技术的统一模型.     

转子系统模态参数现场识别技术研究

基于时域振动参数识别理论,本文讨论了由转子和油膜轴承构成的转子系统的模态参数现场识别问题。本文所述方法不需要施加人工激振,仅在轴承座处测量轴承座的振动和转子的绝对振动,可以在线应用。     

基于多参数自适应VMD的GNSS形变监测序列分解

针对结构健康监测场景下,全球导航卫星系统（GNSS）形变监测序列中各类特征相互混叠,难以进行特征提取与独立分析的问题,提出一种基于多参数自适应变分模态分解（MA-VMD）的时间序列分解算法。首先对变分模态分解（VMD）算法中多项参数对分解结果的影响进行了综合分析;然后从原始序列以及分解结果的频域特性出发,自适应调整分解模态数、惩罚因子、初始中心频率及拉格朗日乘子四组参数,建立MA-VMD算法。仿真序列实验表明,MA-VMD算法的序列分解结果与真实值之间的互相关系数为98.77%、均方根误差为0.1365 mm,均接近全局最优,并显著优于经验模态分解、奇异谱分析、改进变分模态分解等算法。最后基于实测GNSS变形监测数据验证了所提算法在工程应用上的有效性。     

基于线性多点逼近的载荷识别方法

利用结构响应信息进行载荷识别是结构工程重要研究内容之一.本文提出了基于时空多点线性逼近的动载荷识别方法,利用特定的载荷基函数在空问和时间上多点线性组合逼近结构的未知荷载输入,实现结构载荷的参数化表达,使得载荷识别反问题归结为一个多点权重系数求解问题.所建立的识别方法不需要对结构模型预先进行模态分析,采用一个常系数矩阵对...     

曲率模态及其在桁架桥梁损伤识别中应用

当前桥梁的安全性问题日益引起人们的广泛关注，对桥梁结构进行状态监测和安全评估成为众多学者的研究课题。在目前所采用的各种方法中，模态分析法的应用最为广泛，通过监测桥梁的模态参数即可获得其状态信息。通常在模态分析中所采用的参数如：固有频率、振型等参数，反映的都是结构的整体特性，难以用来确定故障位置，只有利用能够表征结构局部特性信息的模态参数曲率模态的变化，才能完成桥梁状态监测工作。本文以1：10钢桁架桥梁模型为研究对象，用有限元模型及实验模型进行局部损伤的识别，实验采用锤击法及变时基(VTB)技术对桥梁模型进行了模态分析。识别表明，通过曲率模态的变化可明显识别结构的损伤部位，取得了很好的识别效果。为今后桥梁结构损伤识别提供了一种可行的研究方法。     

利用振动模态测量值和神经网络方法的结构损伤识别研究

提出了一种基于模态测量参数和神经网络的结构损伤检测方法,建造了两种输入方式的BP神经网络,即自振频率以及结合自振频率与振型,并讨论了不同数量的输入信息对结构损伤检测精度和计算效率的影响。证明了输入的参数越多,神经网络就越聪明,训练的收敛速度越快;以及在保证一定的测量精度的情况下,基于频率与振型的损伤识别结果要好于基于频率的检测结果。最后,通过对3层框架模型的4种损伤工况下的结构损伤检测结果的分析,认为利用模态测量参数和神经网络方法能够准确地识别结构损伤的位置,而且能较精确地识别结构损伤的大小。     

固有模态函数振动传递率损伤识别实验研究

针对风荷载、地震荷载等存在但难以精确量测的问题,提出一种无需量测外荷载的新的损伤识别方法。将经验模态分解(Empirical Mode Decomposition,EMD)应用于结构损伤识别,通过求振动响应信号固有模态函数(Intrinsic Mode Function,IMF)的振动传递率,构建了一种新的结构损伤识别参数。对预置不同程度开胶损伤的玻璃幕墙试件进行动态测试,得到不同损伤程度下玻璃幕墙的固有模态函数振动传递率,与无损伤条件下的固有模态函数振动传递率进行比较来识别和评估玻璃幕墙开胶损伤程度。研究表明:此方法无需量测外荷载也能识别结构损伤,损伤参数值能反映损伤大小。     

基于模态参数考虑边界条件变异的桥梁结构损伤识别

根据桥梁结构的实际工程特性,分析其边界条件变异、结构损伤及其参数变化,采用约束优化理论,建立以实测和理论模态参数误差平方和最小为目标函数的优化反演问题。基于矩阵摄动理论引入与结构动力方程对应的特征值和特征向量的一阶、二阶摄动量,将优化反演问题简化为非线性最小二乘法优化反演问题。针对桥梁结构边界条件对模态参数影响显著的实际情况,实施桥梁结构边界条件预识别,采用单元模态应变能方法预定位损伤,提出考虑边界条件变异的桥梁结构损伤识别具体流程。以一磁浮轨道梁方案为例,采用数值模拟进行边界条件变异及损伤的识别验证,结果表明:该方法能够有效识别边界条件的变异及构件损伤,识别参数的相对误差最大为12.48%,具有较高的识别精度。