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。     

梁桥上移动荷载识别中的测点优化

基于空间梁格模型.识别得到了梁桥上作用的移动荷载.依据MAC矩阵准则(模态置信准则),采用逐步积累法,对荷载识别中的测点进行了优化布置.数值仿真计算中,对一单箱三室连续箱梁桥上的车桥相互作用力进行了识别.结果表明,测点优化措施可提高识别的精度和效率,降低识别结果对车辆偏心距的敏感性.     

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。     

基于反问题的正则化波束形成改进算法

基于反问题的正则化波束形成技术能以较高的计算效率得到稳健的声源识别结果。然而由于其正则化解中的正则化矩阵取决于低效的传统波束形成方法,使得基于反问题的正则化波束形成的声源识别结果精准度较低。为了在低信噪比环境下进一步提升其声源识别性能,基于Tikhonov正则化一般形式解提出一种双重迭代优化算法。该算法基于延时求和波束形成算法与互谱运算构造出新的正则化矩阵,并结合迭代方法对新正则化矩阵和波束输出进行优化,最终以较少的迭代步数经两次迭代运算有效提高了声源识别精度和稳定性。最后,通过数值仿真和实验算例,进一步验证了双重迭代优化算法的可行性和有效性。     

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     

正则化参数自适应选取的声学CT温度场重建

声学CT温度场重建为不适定逆问题。正则化参数的选取对重建精度有重要影响。提出一种正则化参数自适应选取的温度场重建算法——ARPSM(adaptive regularization parameter selection by minimum change criterion)算法。该算法采用一种新的、称为最小变化法的正则化参数选取法,自适应地选取正则化参数,兼顾温度场细节重建和噪声抑制。模型温度场和实验室内均匀温度场的重建结果表明,与常用的L曲线法相比,最小变化法确定的正则化参数对应着更小的温度场重建误差。ARPSM算法具有较高的重建精度和较强的噪声抑制能力,可望用于仓储粮食温度分布监测等对重建质量有较高要求的应用场合。     

识别梁上移动荷载及其位置的再探讨

首先将梁的响应——一个关于时间和坐标的函数 ,由 Parseval等式得到了一个仅关于时间的函数。对该函数中的未知参数 ,即移动荷载及位置 ,用正则化反分析迭代法进行识别。从理论上对时域法和频域法识别移动荷载问题进行了完善和补充     

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。     

正则化技术在状态空间载荷识别中的应用

针对载荷识别问题中的不适定性，提出了一种基于局部最小准则(local minimum criterion，简称LMC)的正则化技术处理方法。通过对线性系统离散状态空间方程的研究，建立了基于该正则化技术的状态空间载荷识别数学模型。仿真结果表明，该方法能有效地识别出载荷且计算效率较高，并结合数值试验结果分析研究了测点数、采样时间间隔和激励力频率因素对识别结果的影响，为载荷识别的高精度提供参考     

模糊聚类在正交多项式法模态参数识别中的应用

针对试验模态分析中密集模态识别精度差等问题,采用频率归一化正交多项式法进行多模态参数识别,并采用模糊聚类方法实现多测点极点的自动选择,减少识别过程中对分析人员经验的依赖。详细论述在频率归一化下系数矩阵正交化和转换矩阵的归纳求法以及模糊聚类方法的具体实现。仿真数据证明算法能够识别密集模态,剔除虚假模态,识别精度高。     

振动系统时域动态识别的几个问题

在ITD方法[1]-[7]中,准确区分真假模态和精确识别模态参数是识别技术的两个关键问题。该法采用模态置信因子来区别真假模态[4][5],其准确度受测试数据中的噪声与测点个数的影响较严重。该法将最小二乘方程组化为法方程[4]来求解系统矩阵,增加了所求方程的病态性和不稳定性[8][9]。为此,本文进行了改进,借助于对不同序列频率值的比较来区别真假模态,当测点较少也有足够的可靠性,且测试噪声对频率的影响也最小。在算法上本文采用了改进的Gram－Schmidt正交化方法来求解识别计算中的最小二乘方程组,使识别精度有了提高。本文用FORTRAN77语言编制了识别程序,进行了若干试算,结果令人满意。     

由梁的响应识别移动荷载

介绍了由梁的响应识别梁上移动荷移的方法，讨论了测试误差、荷载数、荷间隔、荷载移动速度等因素对识别结果的影响。比较了单点多时，同时多点的位移响应或应变响应用以识别移动荷载的效果。     

基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。     

基于PIM法车桥耦合模型Duhamel项迭代格式选择

考虑荷载在积分步长内的协调分解和不变常量,结合模态综合叠加技术,建立移动弹簧质量车桥耦合振动模型,引入精细积分算法(precise intergration method,简称PIM),并采用科茨及高斯积分格式展开精细积分中Duhamel非齐次项进行求解。以移动弹簧质量车模型作用于简支梁桥为例,分析积分步内荷载等效方法及Duhamel非齐次项展开方式对车桥耦合振动响应的影响。研究结果表明:荷载协调分解并结合科茨积分格式计算结果与解析解更接近,Newmark-β法积分步长内荷载分解形式对计算结果影响较小;荷载协调分解的高斯积分格式计算结果呈发散趋势,待定系数法计算结果与实际偏离较大;Newmark-β法能满足工程需要,但在保证相同计算精度时,需采用较小积分步长、同时耗费较多计算时间;与其他几种数值方法相比,积分步长内荷载协调分解并将科茨积分格式引入精细积分的算法(PIM-Cotes-Harmonize,简称PIM-C-H法),具有快速收敛且计算快的优势。     

基于伪频响函数矩阵法的运行模态分析方法

基于传递率测量的伪频响函数法运行模态分析技术无需白噪声激励假设,具有强"谐波模态抑制"能力,但其模态识别结果依赖待分析伪频响函数的选取、稳定性欠佳。为解决该问题,建立了基于伪频响函数矩阵法的运行模态分析方法。该方法首先构造多参考测点、多参考工况的伪频响函数矩阵,然后基于伪频响函数矩阵采用最小二乘复频域法求解模态频率和阻尼比、基于传递率函数矩阵求解模态振型,最后通过建立相应的稳态图并结合以多参考测点平均的传递率函数矩阵第2阶奇异值的倒数为基础的模态指示函数来确定模态阶数与最终的模态结果。5自由度质量-弹簧-阻尼系统仿真结果及自由梁的运行模态试验结果均表明,提出方法既继承了基于伪频响函数法的运行模态分析方法的强"谐波模态抑制"能力,亦能有效解决伪频响函数法识别结果稳定性欠佳的问题、一定程度上提高模态识别精度,且更利于自动化。     

机械振动学(八)

(2)正则模态矩阵为了使模态分析更简便,常把主座标{q}正则化为正则坐标{q}_N。正则化可以有多种方式,常用的一种是将模态质量矩阵正则化为单位矩阵[Ⅰ]。由于模态质量矩阵的对角线元素M_r(r=1,2,…,n)之值通常是不尽相等的,所以在正则化时,必须对每一阶主振型选择一个适当的因子使M_r=1,这种因子a_r称为r阶的正则化因子。     

测量信息对飞行器工作模态辨识精度影响分析

针对模态辨识结果对输入的敏感性，研究了测量信息对飞行器工作模态辨识精度的影响。介绍了自回归 滑动平均(auto-regressive and moving average,简称ARMA)模型环境激励模态辨识方法的理论、试验测点和激励情况，并给出了试验研究方案情况。通过选择不同测点布置组合，研究了测点布置对辨识结果的影响。对各测点数据人为增加噪声，研究了数据品质对辨识结果的影响。研究发现，测点数目较多，且测点布置在振型数值较大位置，辨识结果较好。     

基于U曲线法的油气润滑ECT系统图像重建病态优化

采用U曲线法确定油气润滑ECT系统图像重建中的正则化参数,分析正则化处理后灵敏度矩阵的病态性;通过LBP算法和Tikhonov正则化算法分别对油气润滑ECT系统管道截面进行第一次图像重建;对第一次重建图像的灰度分布矩阵进行门限滤波阈值的优化,并对管道截面进行二次图像重建。结果表明:相较于L曲线法,U曲线法选取的正则化参数在削弱灵敏度矩阵病态程度方面的作用显著;第一次图像重建中,图像重建质量有较大改善;门限滤波阈值优化后的二次图像重建中,图像重建质量进一步提高。研究表明U曲线法确定的正则化参数和门限滤波阈值优化有助于提高油气润滑ECT系统的图像重建质量。     

机械结构冲击载荷稀疏识别方法研究

冲击载荷识别在结构健康监测、动力学优化设计、铣削力测量等领域扮演重要角色。然而,现有的基于L2范数的冲击载荷识别正则化方法在识别精度、稳定性、计算效率、参数选取等方面均存在瓶颈和局限。近年来兴起的稀疏正则化理论为冲击载荷识别提供了一种新的探索途径。充分利用冲击载荷在时域内稀疏的先验信息,提出冲击载荷稀疏识别新方法,通过最小化L1罚函数项取代传统的最小化L2罚函数项,建立基于L1范数的稀疏识别正则化模型,突破基于L2范数的冲击载荷识别方法精度低的瓶颈。基于L1范数的稀疏识别方法与基于L2范数的Tikhonov正则化方法在机械结构单源和多源冲击载荷识别中进行了对比。薄板结构冲击载荷识别试验表明:基于L1范数的正则化解在时域内非常稀疏,冲击载荷非加载区噪声被极大地抑制;稀疏识别方法在重构冲击载荷时间历程、稳定性和计算效率方面均优于传统的Tikhonov方法。