ITD模态参数识别matlab修改版
Matlab中的系统辨识与参数估计技术
Matlab中的系统辨识与参数估计技术Matlab(Matrix Laboratory)是一款强大的数学软件,被广泛应用于科学计算、数据处理和工程设计等领域。
在实际工程项目中,经常需要通过已有的数据来推断系统的行为模型,这就涉及到系统辨识与参数估计技术。
本文将介绍在Matlab中使用系统辨识与参数估计技术的方法和步骤。
一、系统辨识与参数估计的概念系统辨识和参数估计是在给定输入输出数据的前提下,通过数学或统计方法来推断系统的动态模型和参数值的过程。
系统辨识旨在从实验数据中提取出模型的结构信息,而参数估计则是为了获得模型的具体参数值。
二、离散时间系统的辨识与参数估计对于离散时间系统,常用的辨识方法有ARX、ARMA和ARMAX等。
以ARX 模型为例,其数学表达式为:y(t) = -a(1)y(t-1) - a(2)y(t-2) - … - a(na)y(t-na) + b(1)u(t-1) + b(2)u(t-2) + … +b(nb)u(t-nb)其中,y(t)表示系统的输出,u(t)表示系统的输入,a和b分别是系统的参数。
在Matlab中,可以使用System Identification Toolbox来进行辨识和参数估计。
首先,需要将实验数据导入到Matlab中,然后根据数据的性质选择合适的辨识方法和模型结构。
接下来,使用辨识工具箱提供的函数,通过最小二乘法或最大似然估计等算法来得到系统的参数估计值。
三、连续时间系统的辨识与参数估计对于连续时间系统,常用的辨识方法有传递函数模型、状态空间模型和灰色系统模型等。
以传递函数模型为例,其数学表达式为:G(s) = num(s)/den(s)其中,num(s)和den(s)分别是系统的分子和分母多项式。
在Matlab中,可以使用System Identification Toolbox或Control System Toolbox 来进行连续时间系统的辨识和参数估计。
matlab环境下itd法识别模态参数的编程实现
ITD(Intervaled Time Domain)法是一种在时域内识别模态参数的方法,它通过对信号的时域特征进行分析,得到系统的模态参数。
在MATLAB环境下,可以使用以下步骤实现ITD法识别模态参数的编程:
1. 读入信号数据
首先需要读入需要进行模态参数识别的信号数据。
可以使用MATLAB中的`load`函数或直接从文件中读取数据。
2. 对信号进行预处理
在进行模态参数识别之前,需要对信号进行预处理,以消除噪声等干扰因素。
可以使用MATLAB中的各种信号处理函数进行滤波、去噪等操作。
3. 计算信号的时域特征
ITD法需要计算信号的时域特征,包括信号的均值、方差、峰值等。
可以使用MATLAB中的`mean`、`var`、`peak`等函数计算这些特征值。
4. 确定模态参数
根据ITD法的原理,通过对信号的时域特征进行分析,可以得到系统的模态参数。
具体来说,可以根据信号的峰值分布情况确定系统的模态频率和阻尼比等参数。
可以使用MATLAB中的`histogram`函数绘制信号的峰值分布图,并手动或自动确定模态参数。
5. 实现ITD法识别程序
将以上步骤编写成程序,即可实现ITD法识别模态参数的功能。
可以使用MATLAB中的脚本文件或函数文件进行编写。
需要注意的是,ITD法是一种比较简单的模态参数识别方法,适用于某些特定的应用场景。
在实际应用中,需要根据具体情况选择合适的模态参数识别方法。
基于模态参数识别的ITD算法改进
基于模态参数识别的ITD算法改进李玉刚;叶庆卫;周宇;王晓东【摘要】固有时间尺度分解(ITD)算法在前处理和系统定阶方面存在一定的人为因素,对模态参数的提取会造成误差,且对噪声较为敏感.针对上述问题,提出一种改进的ITD算法.利用基于数据驱动的随机子空间算法对原始数据进行处理,将正交三角分解得到的数据作为ITD法的输入数据,采用稀疏优化正交匹配追踪算法求出特征矩阵,并通过特征矩阵计算特征值、模态频率和阻尼比.通过统计的方法,从众多模态参数中选取真实模态,有效避免虚假模态的产生.实验结果表明,与ITD算法相比,改进ITD算法可降低噪声的影响,解决系统模型阶次必须准确定阶的要求,使模态参数的提取更加精确.%The pre-processing and system order determination of Intrinsic Time-scale Decomposition(ITD) algorithm involve some human factors,which causes error on extraction of modal parameters,and ITD algorithm is also sensitive to noise.To solve these problems,an improved ITD algorithm is proposed.Firstly,the stochastic subspace algorithm based on data driving is used to deal with the original data.The data obtained by orthogonal triangular decomposition is used as the input data of ITD method.The sparse optimization orthogonal matching pursuit algorithm is used to find the feature matrix characteristic value,modal frequency and damping ratio can be calculated.The real modal is selected from many modal parameters through the method of statistics,which effectively avoids the false pared with ITD algorithm,the improved ITD algorithm reduces the influence of noise,solves the problem of systemorder determination and makes the extraction of modal parameters more precise.【期刊名称】《计算机工程》【年(卷),期】2017(043)004【总页数】6页(P298-303)【关键词】固有时间尺度分解算法;模态参数;模型阶次;稀疏优化;相对误差【作者】李玉刚;叶庆卫;周宇;王晓东【作者单位】宁波大学信息科学与工程学院,浙江宁波 315211;宁波大学信息科学与工程学院,浙江宁波 315211;宁波大学信息科学与工程学院,浙江宁波315211;宁波大学信息科学与工程学院,浙江宁波 315211【正文语种】中文【中图分类】TP391.4模态参数[1]识别是桥梁健康监测的重要组成部分,现阶段发展比较成熟的时域方法主要有固有时间尺度分解(Intrinsic Time-SCAle Decomposition,ITD)法[2-3]和随机子空间(Stochastic Subspace Identification,SSI)[4-5]算法等,其优点在于无需贵重的激励识别,使得激励未知的系统辨识问题成为可能。
基于Matlab系统辨识的参数辨识与仿真
提高了系统和网络的可靠性、稳定性。 5.结束语 桌面虚拟化平台的应用,分散了PC的
集中管理,使得企业对资源的利用更加高 效,管理手段更加灵活,保护了企业的数 据安全,降低了部署应用复杂度,提高了 业务弹性,不但大大降低了企业在内部网 络管理中的总成本,而且大幅度的提高了 企业的办公效率,使得投资受益最大化, 最终帮助企业提高核心竞争力。实践证 明,桌面虚拟化平台技术在企业中有广泛 应用前景。
(上接第199页)形界面调用的命令和程序 代码调用的命令是一样的。
3.2 参数模型辨识 对时间序列: y(t) = sin(1.2t) + sin(1.5t) + 0.2v(t −1) + 0.1v(t) 分别采用最小二乘法估计、辅助变量 法进行AR模型估计,并绘制频谱图.式中 v(t) 为有色噪声。 程序: v=randn(501,1); y=sin([1:500]'*1.2)+sin([1: 500]'*1.5)+0.2*v([1:500'])+0.1 *v([1:500]); thiv=ivar(y,4); thls=ar(y,4); giv=th2ff(thiv); gls=th2ff(thls); figure(1) bodeplot(gls,'--')
图4 辨识结果
图5 辨识结果
可以看到辨识结果同直接输入命令 得到的结果相同,原因在于图(下转封三)
-199-
(上接第198页)和优化整个机构的桌面环 境。DVP的虚拟架构可以通过高安全性、 增加效率、可靠性、灵活性和响应能力来 降低用户的IT开销。这样的桌面虚拟架构 可以让IT部门更快的反应、管理和控制用 户分散的桌面,以满足业务所需和业务改 变,能更好的适应企业的发展所需,提高 办公效率。
系统辨识的Matlab实现方法(手把手)
最近在做一个项目的方案设计,应各位老总的要求,只有系统框图和器件选型可不行,为了凸显方案设计的高大上,必须上理论分析,炫一下“技术富”,至于具体有多大实际指导意义,那就不得而知了!本人也是网上一顿百度,再加几日探索,现在对用matlab 实现系统辨识有了一些初步的浅薄的经验,在此略做一小节。
必须要指出的是,本文研究对象是经典控制论理最简单最常用的线性时不变的siso 系统,而且是2阶的哦,也就是具有如下形式的传递函数:121)(22++=Ts s T s G ξ 本文要做的就是,对于有这样传递函数的一个系统,要辨识得到其中的未知数T , ξ!!这可是控制系统设计分析的基础哦,没有系统模型,啥理论、算法都是白扯,在实际工程中非常重要哦! 经过总结研究,在得到系统阶跃响应实验数据之后(当然如果是其他响应,也有办法可以辨识,在此还是只讨论最简单的阶跃响应实验曲线,谁让你我是菜鸟呢),利用matlab 至少可以有两种方法实现实现(目前我只会两种,呵呵)!一、函数法二、GUI 系统辨识工具箱下面分别作详细介绍!一、 函数法看官别着急,先来做一段分析(请看下面两排红*之间部分),这段分析是网上找来的,看看活跃一下脑细胞吧,如果不研读一下,对于下面matlab 程序,恐怕真的就是一头雾水咯!*******************************************************************************G(s)可以分解为:))((1)(212ωω++=s s T s G其中, [][]11112221--=-+=ξξωξξωTT1ω、2ω都是实数且均大于零。
则有:211ωω=T ,21212ωωωωξ+=传递函数进一步化为:))(()(2121ωωωω++=s s s G 因此,辨识传递函数就转化为求解1ω、2ω。
当输入为单位阶跃函数时,对上式进行拉普拉斯反变换,得系统时域下的单位阶跃响应为:tteet y 212111221)(ωωωωωωωω---+--=即 tteet y 21211122)(1ωωωωωωωω-----=-令1ω=2ωk )1(>k,得tk t ek e k k t y 22111)(1ωω-----=-⎥⎦⎤⎢⎣⎡--=---t k t e k e k k 2)1(2111ωω 对上式两边取以e 为底的对数得[]⎥⎦⎤⎢⎣⎡-+--=---t k e k t k k t y 2)1(211ln 1ln )(1ln ωω 当∞→t 时,⎥⎦⎤⎢⎣⎡---t k e k 2)1(11ln ω0→,则上式化简为[]t k k t y 21ln )(1ln ω--=-该式的形式满足直线方程b at t y +=)(*其中,)(*t y =[])(1ln t y -,1ln ,2-=-=k kb a ω)1(>k通过最小二乘算法实现直线的拟合,得到a ,b 的值,即可得到1ω、2ω的值,进而可得系统的传递函数。
基于速度响应信号的模态参数识别ITD算法研究
基于速度响应信号的模态参数识别ITD算法研究
武晓飞;郑海起;栾军英;赵亚星
【期刊名称】《机械制造》
【年(卷),期】2009(047)009
【摘要】以环境随机激励作用下的大型塔架结构为研究背景,提出了一种基于速度响应信号的ITD方法.首先应用随机减量技术从速度随机响应信号中提取速度自由响应信号,然后推导出基于速度信号的ITD法并应用于识别系统的模态参数.该方法不用将速度信号积分成位移信号,而是直接对速度信号进行模态参数识别,避免了积分过程中引入误差.将试验结果与传统的基于位移响应的ITD法和峰值谱法进行对比,证明该方法具有较高的计算精度.
【总页数】4页(P29-32)
【作者】武晓飞;郑海起;栾军英;赵亚星
【作者单位】军械工程学院火炮工程系,石家庄,050003;军械工程学院火炮工程系,石家庄,050003;军械工程学院火炮工程系,石家庄,050003;军械工程学院火炮工程系,石家庄,050003
【正文语种】中文
【中图分类】TH113
【相关文献】
1.基于响应协方差小波变换和SVD的结构工作模态参数识别 [J], 徐晓霞;任伟新;韩建刚
2.基于传递函数有理分式的模态参数识别算法研究 [J], 于亚婷;李敏;姜敏;邹宇
3.基于响应功率谱传递比的应变模态参数识别方法研究 [J], 曹林波; 颜王吉; 任伟新
4.基于脉冲响应数据的ARMA法建模以及模态参数识别 [J], 郭永刚;许亮华;水小平
5.基于速度信号的大型结构模态参数识别ITD方法 [J], 栾军英;张晓涛;武晓飞因版权原因,仅展示原文概要,查看原文内容请购买。
环境激励下模态参数识别方法研究
模态参数是指结构动力特性的基本参数,是描述结构动力特性的基本概念,包括固有频率、阻尼比、振型等。
结构模态参数的准确识别,是进行结构健康监测及故障诊断的重要基础,直接关系到结构安全,因此,开展结构模态参数识别技术研究具有重要的理论意义与工程实用价值。
近年来,利用环境激励已大量应用于土木工程的结构动力特性测试中。
环境激励测试能够在结构的实际工作状态下进行,更真实地了解结构的动力特性和结构性能。
本文将对各种模态识别方法进行分类汇总、论述,并对环境激励下模态参数识别算法有待进一步研究的问题进行了展望。
1频域识别算法1.1峰值拾取法基于结构的频响函数在其固有频率位置处会出现峰值的特征,可以实现对结构的模态参数识别。
由于环境激励下无法得到结构的频响函数,用功率谱密度函数代替结构的频响函数实现模态参数的识别,功率谱由实测的随机振动信号快速傅立叶变化转化得到。
姜蕾蕾[1]将幂指数窗应用于多种结构中,并与其他五种窗函数对比研究,确定能够有效改善傅立叶变换后频谱的质量,从而提高峰值拾取法的频率和阻尼比识别精度,拓宽峰值拾取法对阻尼比的适用范围。
陈涛[2]将测点传递率函数矩阵的第2阶奇异值倒数的均值为模态指示函数,建立基于多参考测点平均的峰值拾取法,准确识别系统的模态频率及振型。
在实际应用中,该方法只需计算少量的局部极值点,识别速度快,适用性广泛,被大量使用在实测实验中。
但由于峰值拾取法对峰值的选择较为敏感,对于峰值存在干扰或者峰值较小的信号,可能导致参数提取不准确,并且输出结果可能受到峰值选择的主观性影响,存在一定的不确定性。
因此,在使用时需要综合考虑实际需求和信号特征,选择合适的峰值。
1.2频域分解法频域分解法是峰值拾取法的优化算法,基本原理是根据振动响应构建谱函数矩阵,通过奇异值分解,将多自由度系统转换为单自由度体系,依靠峰值法选取特征频率,进而对系统进行识别。
频域分解法在20世纪80年代由Prevosto[3]所提出。
系统全参数辨识 matlab 实现
实用标准文案4. 设某物理量Y 与X 满足关系式Y=aX 2+bX+c ,实验获得一批数据如下表,试辨识模型参数a ,b 和c 。
(50分)报告要求:要有问题描述、参数估计原理、程序流程图、程序清单,最后给出结果及分析。
(1)问题描述:由题意知,这是一个已知模型为Y=aX 2+bX+c ,给出了10组实验输入输出数据,要求对模型参数a ,b ,c 进行辨识。
这里对该模型参数辨识采用递推最小二乘法。
(2)参数估计原理对该模型参数辨识采用递推最小二乘法,即RLS ( recurisive least square ),它是一种能够对模型参数进行在线实时估计的辨识方法。
其基本思想可以概括为:新的估计值)(ˆk θ=旧的估计值)1(ˆ-k θ+修正项 下面将批处理最小二乘法改写为递推形式即递推最小二乘参数估计的计算方法。
批处理最小二乘估计θˆ为Y T TΦΦΦ=-1)(ˆθ,设k 时刻的批处理最小二乘估计为:k T k k T k Y ΦΦΦ=-1)(ˆθ令111)]1()()1([)()(----+-=ΦΦ=k k k P k P T kT k ϕϕ K 时刻的最小二乘估计可以表示为k T k Y k P k Φ=)()(ˆθ=)]()()[(11k y k Y k P k T k ϕ+Φ-- =)]1(ˆ)()()[()1(ˆ--+-k k k y k K k Tθϕθ;式中)()()(k k P k K ϕ=,因为要推导出P(k)和K(k)的递推方程,因此这里介绍一下矩阵求逆引理:设A 、(A+BC )和(I +B CA 1-)均为非奇异方阵,则111111)()(------+-=+CA B CA I B A A BC A 通过运用矩(3)程序流程图(如右图1所示)递推最小二乘法(RLS)步骤如下:已知:n、b n和d。
aStep 1 :设置初值)0(ˆθ和P(0),输入初始数据;Step2 :采样当前输出y(k)、和输入u(k)Step3 :利用上面式①②③计算)(k K、)(ˆkθ和)(k P;Step4 :k→k+1,返回step2,继续循环。
matlab系统辨识工具箱
1.2常用的模型类
作为系统辨识的三个基本要素之一,模型类的选 择往往决定能否有效地建立对象的辨识模型。在 Matlab系统辨识工具箱中提供了对多种模型类的 支持,包括非参数模型类中的脉冲响应模型、参 数模型类中的AM模型、ARMAx模型、BJ模型和 状态空间模型等。
7
非参数模型类
在非参数模型类中主要包括脉冲响应模型和频域描述模型。 如下图,假设系统为线性系统,u输入,y输出,v噪声,输入输出关系为
9
模型建立和转换的函数介绍
模型建立函数
函数名
iddata
功能
标准包含输入输出数据的对象
idmodel
idarx idgrey idpoly idss
基本的模型对象,综合了许多模型的公共特点
从ARX多项式建立ARX模型 根据M文件定义idgrey模型 构造基于输入输出模型的idpoly模型 构造状态空间模型
16
6. idss
功能:构造状态空间模型 语法: m = idss(A,B,C,D) m = idss(A,B,C,D,K,x0,Ts,'Property1',Value1,... 'PropertyN',ValueN) mss = idss(m1) 说明:状态空间模型为 ~ x (t ) A( ) x(t ) B( )u (t ) K ( )e(t ) x(0) x0 ( ) y (t ) C ( ) x(t ) D( )u (t ) e(t )
Re sponse:为三维ny nu Nf的阵列,ny输出变量个数,nu 输入变量个数,Nf为 频率点个数,即freqs的长度。 Re sponse (ky, ku, kf )为ku到ky在频率freqs(kf )处的 复值频率响应。当为SISO系统时, Re sponse可以为一向量。 freq s:包含响应频率的长度为Nf的列向量。 Co var iance : 5维ny nu Nf 2 2的阵列。
使用Matlab技术进行系统辨识的基本方法
使用Matlab技术进行系统辨识的基本方法概述:系统辨识是指通过对已知输入输出数据的分析和处理,推断出系统的动态性质和数学模型的过程。
在科学研究、工程设计和控制应用中,系统辨识扮演着重要的角色。
而Matlab作为一种强大的数值计算和数据分析软件,为系统辨识提供了便利且高效的工具。
本文将介绍使用Matlab进行系统辨识的基本方法,并结合实例进行讲解。
一、数据采集与准备在进行系统辨识之前,首先需要采集到对应的输入输出数据。
一般来说,输入信号是已知的,可以通过外部激励或者系统自身的变动来获取;而输出信号则是根据输入信号通过系统响应得到的。
在采集数据时,需要注意数据的质量和采样频率的选择。
二、数据预处理在进行系统辨识之前,数据通常需要进行一些预处理,以去除噪声、平滑数据和调整时间序列等。
这可以通过Matlab中的数据处理函数和滤波器实现。
例如,可以使用高斯滤波器对数据进行平滑处理,或者使用降噪算法去除不必要的噪声。
三、参数估计参数估计是系统辨识的核心步骤之一,它通过对已知数据进行分析和处理,推断出系统的数学模型和参数。
在Matlab中,有多种方法和工具可供选择,如最小二乘法、最大似然法、系统辨识工具箱等。
这些工具可以根据不同的模型和数据类型灵活选择,并提供相应的算法和函数。
四、模型验证与优化根据估计得到的系统模型和参数,可以使用Matlab进行模型验证和优化。
模型验证是指将估计得到的模型与真实系统进行对比,检验其拟合程度和预测能力。
如果模型的拟合程度较差,则需要对参数进行调整和优化,以提高模型的准确性和稳定性。
五、模型预测与应用在系统辨识完成之后,可以使用得到的模型进行系统预测和应用。
通过对未知输入信号进行预测,可以得到相应的输出响应,进而实现对系统动态性质的分析和控制。
Matlab提供了丰富的预测和应用函数,例如时域模拟、频域分析、控制系统设计等,可以满足不同应用场景的需求。
六、案例分析为了更好地理解和掌握使用Matlab进行系统辨识的基本方法,下面通过一个简单的案例进行分析。
振动模态的参数识别综述
振动模态的参数识别综述谭冬梅1 姚 三1 瞿伟廉1(1.武汉理工大学 土木工程与建筑学院,湖北 武汉 430070)摘 要:综述了目前振动模态参数识别的频域方法、时域方法、时2频方法、基于小波分析与基于H HT 变换的非平稳信号处理的时2频方法及基于模拟进化的方法的基本原则与具体做法,比较了各方法的优缺点及适用范围,并展望了模态参数识别的方向.关键词:振动模态; 参数识别; 小波分析中图分类号:TU311.3 文献标识码:A 文章编号:1000-5730(2002)03-0073-06模态参数识别的主要任务是从测试所得的数据中,确定振动系统的模态参数[1],其中包括模态固有频率、模态阻尼比、模态质量、模态刚度及振型等.目前参数识别分为频域法、时域法、时2频方法及基于模拟进化的方法四大类.1 频域法问题的引入从结构损伤诊断开始,振动模态参数是主要的损伤标识量.傅立叶变换是时域到频域相互转化的工具,从物理意义上讲,它的实质是把波形分解成许多不同频率的正弦波的叠加.在测试时,响应与力的信号是时间的函数,要在频域内进行参数识别,就必须将其转换成频域信号.计算机技术的发展及快速富氏变换(FFT)技术的实现,实现了时域信号转换成频域信号,特别是专用的FF T 谱分析仪问世,使频域内参数识别的技术得到迅速发展.频域法又分为单模态识别法、多模态识别法、分区模态综合法和频域总体识别法.对小阻尼且各模态耦合较小的系统,用单模态识别法可达到满意的识别精度.而对模态耦合较大的系统,必须用多模态识别法.1.1 单模态识别方法从理论上说单模态识别方法[2,3]只用一个频响函数(原点或跨原点频响函数),就可得到主导模态的模态频率和模态阻尼(衰减系数),而要得到该阶模态振型值,则需要频响函数矩阵的一列(激励一点,测各点响应)或一行(激励各点,测一点响应)元素,这样便得到主导模态的全部参数.将所有关心模态分别作为主导模态进行单模态识别,就得到系统的各阶模态参数.a.直接估计法.直接估计法认为系统的观测数据是准确的,没有噪声和误差,直接由其求取系统的数学模型,分为直接读数法(分量估计法)及差分法.直接读数法利用单自由度系统频响函数各种曲线的特征进行参数识别.该方法适用于单自由度系统的参数识别,对复杂结构,当各阶模态并不紧密耦合时,也可应用此法对某阶模态作参数识别,这种方法主要基于特征曲线的图形进行参数识别,所以有人也称为图解法.由于该方法识别精度差、效率低,现已基本淘汰.差分法利用各振点附近实测频响函数值的差分直接估算模态参数,简单易行,便于编程处理.但由于属于直接估计,且未考虑剩余模态影响,所以精度不高.b.最小二乘圆拟合法,属于曲线拟合法.其基本思想是根据实测频响函数数据,用理想导纳圆去拟合实测的导纳圆,并按最小二乘原理使其误差最小.此方法只用最小二乘原理估算出导纳圆半径或振型,而其他模态参数的估计仍建立在图解法的基础上,故精度不高.1.2 多模态识别方法多模态识别方法[2,3]是在建立频响函数的理论模型过程中,将耦合较重的待识别模态考虑进去,用适当的参数识别方法去估算.它适用于模态较为密集,或阻尼较大,各模态间互有重叠的情况.a.根据所选频响函数数学模型不同有两类方法:一类以频响函数的模态展式为数学模型,包括非线性加权最小二乘法,直接偏导数法;另一类以频响函数的有理分式为数学模型,包括Levy 法收稿日期:2002-07-10.作者简介:谭冬梅(1976-),女,硕士研究生;武汉,武汉理工大学土木工程与建筑学院(430070).基金项目:国家自然科学基金会主任基金项目(50145020).第19卷第3期 华 中 科 技 大 学 学 报(城市科学版) Vol.19No.32002年9月 J.of Huazhong Univ.o f Sci.&Tech.(Urban Science Edi tion) Sep.2002(多项式拟合法),正交多项式拟合法等.Levy法做参数识别的数学模型采用频响函数的有理分式形式,由于未使用简化的模态展式,理论模型是精确的,因而有较高的识别精度,但计算工作量大.b.优化识别法.优化识别法的思路是将非线性函数在初值附近做泰勒展开,通过迭代来改善初值,达到识别参数的优化.1.3分区模态综合法对较大型结构,由于单点激励能量有限,在测得的一列或一行频响函数中,远离激励点的频响函数信噪比很低,以此为基础识别的振型精度也很低,甚至无法得到结构的整体振型.分区模态综合法[3,4]简单,不增加测试设备便可得到满意的效果,缺点是对超大型结构仍难以激起整体有效模态. 1.4频域总体识别法频域总体识别法[3]建立在MI M O频响函数估计基础上,用频响函数矩阵的多列元素进行识别.还有一种建立在SIM O频响函数估计之上的不完全的SI M O参数识别,它运用所有测点的频响函数来识别模态阻尼和模态频率,可以认为是一种总体识别.运用SIM O法识别模态阻尼和模态频率原则上也可以用各点的测量数据,并分别识别各点的留数值.但是根据单点激励所测得的一列频响函数来求取模态参数时,可能遗漏模态,单点激励无法识别重根以及难以识别非常密集的模态.1.5线性动态系统的Karhunen2loeve(KL)方法Karhunen2loeve过程[5]是在频域内推导的,它基于准确的系统响应和离散傅立叶变换表达式.考虑分布函数在频域内导出的特征方程将产生的不同问题,对有效KL模态计算和利用KL特征模态构造降阶系统,也讨论了系统响应的选择. Karhunen2loeve分解已经大量应用于产生动态和流体结构应用的特征模态的新集合[6~10],KL方法有如下优点.a.KL过程利用快照方法,使获得大型系统特征模态的问题降为解决只有100阶矩阵的特征模态.b.提出了真实的优化模态.c.直接响应,不需要系统的动态模型表述,能应用于分析和实验模型.d.解决了线性系统及其伴随系统,有可能重新构造初始系统的特征模态.然而,对于更一般的包括多输入的响应问题, KL方法的输入选择不是唯一的,需进一步研究.频域法的最大优点是利用频域平均技术,最大限度地抑制了噪声影响,使模态定阶问题容易解决,但也存在若干不足.a.功率泄露、频率混叠及离线分析等.b.在识别振动模态参数时,虽然傅立叶变换能将信号的时域特征和频域特征联系起来,分别从信号的时域和频域观察,但由于信号的时域波形中不包含任何频域信息,所以不能把二者有机结合.另外,傅立叶谱是信号的统计特性,从其表达式可看出,它是整个时间域内的积分,没有局部分析信号的功能,完全不具备时域信息,这样在信号分析中就面临时域和频域的局部化矛盾.c.由于对非线性参数需用迭代法识别,因而分析周期长;又由于必须使用激励信号,一般需增加复杂的激振设备.特别是对大型结构,尽管可采用多点激振技术,但有些情况下仍难以实现有效激振,无法测得有效激励和响应信号,比如对大型海工结构、超大建筑及超大运输等,往往只能得到其自然力或工作动力激励下的响应信号.2时域法时域法是近年才在国内外发展起来的一门新技术,它可以克服频域法的一些缺陷.特别是对大型复杂构件,如飞机、船舶及建筑物等受到风、浪及大地脉动的作用,它们在工作中承受的荷载很难测量,但响应信号很容易测得,直接利用响应的时域信号进行参数识别无疑是很有意义的.时域法是将振动信号直接进行识别.最基本、最常用的有Ibrahim时域法、I TD法、最小二乘复指数法(LSCE法)、多参考点复指数法(PRCE法)、特征系统实现法(ERA法)和ARM A时序分析法. 2.1Ibrahim时域法1973年~1976年提出的Ibrahim时域法[2~4]是以粘性阻尼多自由度系统的自由响应为基础,根据对各测点测得的自由振动响应信号以适当的方式采样,建立自由振动响应矩阵及数学模型,求出系统的特征值与特征向量,最终识别出各模态参数.此方法概念简单,但问题是,第一,在I2 brahim时域法中的位移、速度及加速度响应的测试是困难的;第二,此法要求激励能量足够大,否则不足以使系统产生所需全部模态的自由振动响应信息;第三,要求测试对应于系统n个自由度测点的自由响应,才能构成2n@2n阶的状态向量矩阵,测试工作量很大.2.2ITD法I TD法[2,3,11]属SI M O参数识别,直接使用自由响应或脉冲响应信号.其基本思想是使用同时测得的各测点的自由响应(位移、速度或加速度三者之74华中科技大学学报(城市科学版)2002年一),通过三次不同延时采样,构造自由响应采样数据的增广矩阵,根据自由响应的数学模型建立特征方程,求解出特征对后再估算各阶模态参数.I TD 法的特点是同时使用全部测点的自由响应数据,成为后来发展起来的多种整体识别法的基础.1986年,Ibrahim又提出了省时的S TD法,实际上是I TD 法的一种新的解算过程,使IT D法的计算量大为降低,节省了内存和机时,而且有较高的识别精度,尤其对于误差的识别,可免除有偏误差.S TD法对用户的参数选择的要求也大为减少.2.3最小二乘复指数法(LSCE法)最小二乘复指数法(L SCE法)[2,3]是另一类时域识别方法,也称Prony法,属于SIS O参数识别. LS CE法直接使用自由响应或脉冲响应信号,基本思想是以Z变换因子中包含待识别的复频率,构造Prony多项式,使其零点等于Z变换因子的值.这样,将求解Z变换因子转化为求解Prony多项式的系数.为了求解这一组系数,构造脉冲响应数据序列的自回归(A R)模型,自回归系数即Prony多项式的系数,通过在不同起始点采样,得到关于自回归系数的线性方程组,用最小二乘法可得到自回归系数的解,于是可求得Prony多项式的根.再由脉冲响应数据序列构造该测点各阶脉冲响应幅值(留数)的线性方程组,用最小二乘法求解,对各点均作上述识别,得到各阶模态矢量.与I TD法相比,L SCE 法在识别模态频率和模态阻尼时只用一个测点的脉冲响应数据,而不象I TD法那样使用全部测点自由响应数据,因而L SCE法属于局部识别法.2.4多参考点复指数法(PRCE法)在上述单参考点复指数法的基础上,提出了多参考点复指数法(PRCE法)[3],它源于单点激励下的最小二乘复指数法,属M IM O整体识别法,数学模型为基于MI M O的脉冲响应函数矩阵.2.5特征系统实现法(ERA法)特征系统实现法(ERA法)[3,11]源于单点激励下的I TD法,属MI M O整体识别法.ERA法以由M I M O得到的脉冲响应函数为基本模型,通过构造广义Hankel矩阵,利用奇异值分解技术,得到系统的最小实现,从而得到最小阶数的系统矩阵,以此为基础可进一步识别系统的模态参数.该方法理论推导严密、技术先进且计算量小,是当时乃至目前最完善又最先进的方法之一,比LSC E法的识别精度有较大提高,特别是能识别密集模态和重根情形,对大型复杂结构效果良好.2.6ARMA时序分析法时间序列分析或时间序列方法[2,3,11]是对有序的随机数据进行分析、研究和处理.20世纪70年代中期,美籍华人吴贤铭和Pandit将时序法成功用于机械制造业,对其数学方法赋予了清晰的物理概念,讨论并阐明了时序模型方程与振动微分之间的关系.时序法使用的数学模型(差分方程)主要是A R模型和AR M A模型,A R模型只使用响应信号,A RM A模型需使用激励和响应两种信号,两者均使用平稳随机信号.ARM A属SIS O 参数识别,直接使用随机激励和响应信号,利用差分方程和Z变换,分别建立强迫振动方程与A R2 M A模型、传递函数与A RM A模型的等价关系,由ARM A模型识别模态参数.与LS CE法相同,只使用一个测点的ARM A模型,就可以识别出各阶极点,因而也属于局部识别法.在以往进行频域谱分析时,常由于信号截断而引起泄露,出现旁瓣、分辨率低及信号被淹没等缺陷,而时间序列分析则与谱分析不同,由于时序谱是动态谱,观测数据能外延,因此不会由于观测数据的样本长度有限而产生上述缺陷.用时序模型进行参数识别无泄露、分辨率高,但它的形式、阶次与参数都必须正确选择,因而这又是时序分析的难点.1986年Leuridan J M等人使用ARM A模型提出了另一种M IM O时域识别法DPM I(direct parameter model identifica2 tion),将LSEC,PRCE及I TD法统一起来.时域参数法的主要优点是可以只使用实测响应信号,无需FFT,因而可以利用时域方法对连续工作的设备,例如发电机组、大型化肥设备及化工装置,进行/在线0参数识别,这种在现实工况下识别的参数真正反映了结构的实际动态特性.由于时域法参数识别技术只需要响应的时域信号,从而减少了激励设备,大大节省了测试时间与费用,这些都是频域法所不具有的优点.当不使用脉冲响应信号时,缺点也很明显.由于不使用平均技术,因而分析信号中包含噪声干扰,所识别的模态中除系统模态外,还包含噪声模态.如何甄别和剔除噪声模态,一直是时域法研究中的重要课题.3小波分析法[12~15]小波分析法能将时域和频域结合起来描述观察信号的时频联合特征,构成信号的时频谱,也称时频局部化方法.特别适用于非稳定信号.3.1小波分析的基本思想小波理论的思想形成于本世纪初,Haar在1910年提出第一个小波规范正交基,即人们所熟知的Haar系.小波Wavelet变换是由法国数学家75第3期谭冬梅等:振动模态的参数识别综述M orlet于1980年提出的,他与法国理论物理学家Grossman共同提出连续小波变换的几何体系,其基础是平移和伸缩(放射群)下的不变性,这使得能将一个信号分解成对空间和尺度(时间与频率)的独立贡献,同时又不丢失原有信号的信息.基于小波理论时频表示的基本思想:认为自然界各种信号中频率高低不同的分量具有不同的时变特性,通常是较低频率成分的频谱特征随时间的变化比较缓慢,而较高频率成分的频谱特征则变化比较迅速.因此,按这样的规律非均匀地划分时间和频率轴,就可以在服从测不准原理的前提下,在不同的时频区域都能获得比较合适的时间分辨率和频率分辨率.3.2模态参数识别的小波变换分析方法首先利用调频高斯小波变换良好的时频分辨能力以及带通滤波性质使系统自动解耦,然后从脉冲响应函数的小波变换出发识别模态参数.信号直接小波变换方法的优点,一是直接根据定义而来,概念非常易于理解,因此易于工程技术人员理解与应用;二是可将实际工程中大量存在的非平稳的随机信号、有局部断点的信号及一些不能用Fourier变换来分析的信号等,用直接小波变换分解为不同尺度上(不同频率范围内)的分量,再对这些分量进行分析.如可用Fourier变换,这样即可使用人们熟知的有效方法.3.3信号除噪处理的小波分析方法在实际工程中,结构损伤识别信号不可避免地混有噪声与干扰,能较好地排除噪声,对充分进行特征提取是非常重要的.因此,对结构损伤信号进行预处理,主要是进行消噪处理,小波分析能同时在时频域中对信号进行分析,所以它能有效地区分信号中的突变部分和噪声,实现信号的消噪.小波消噪处理的算法是:a.强制消噪处理.首先将一维信号小波分解,然后把小波分解结构中的高频系数全部变为零,再对信号进行重构.这种方法比较简单,重构后的消噪信号也比较平滑,但容易丢失信号的某些高频有用成份.b.给定阀值消噪处理.分为三个步骤:一维信号的小波分解;小波分解高频系数的阀值量化;一维小波的重构.小波分析被认为是傅立叶分析方法的突破性发展,是一种新的时变信号时2频两维分析方法.它与短时傅立叶变换的最大不同之处是其分析精度可变,它是一种加时变窗进行分析的方法,在时2频相平面的高频段具有高的时间分辨率和低的频率分辨率,而在低频段具有低的时间分辨率和高的频率分辨率,这正符合低频信号变换缓慢而高频信号变化迅速的特点.小波变换比短时傅立叶变换具有更好的时频窗口特性,克服了傅立叶变换中时-频分辨率恒定的弱点,因此它能在具有足够时间分辨率的前提下分析信号中的短时高频成份,又能在很好的频率分辨率下估计信号中的低频.但小波分析源于傅立叶分析,小波函数的存在性证明依赖于傅立叶分析,因此,它不可能完全取代傅立叶分析.本质上,小波变换仍是一种线性变换,不能用于处理非线性问题.此外,小波变换的分析分辨率仍有一定的极限,这使得变换结果在某些场合下失去了物理意义.4基于HHT变换的非平稳信号的处理方法[16,17]4.1HHT变换的基本原理经验模态分解方法E M D(e mpirical mode decom2 position)[18]用于非平稳信号处理.信号经E M D分解后的各分量I M F(Intrinsic M ode Function)都是平稳的,可以进一步进行Hilbert变换得到Hilbert谱,由此得到的Hilbert能谱能准确反映出物理过程中能量在各种频率尺度及时间上的分布.EM D方法为非平稳信号进行变换奠定了基础,美国宇航中心N AS A将其称为HHT(Hilbert/Huang T ransform)变换.E M D方法本质上是对一个信号进行平稳化处理分解,产生具有信号的不同特征尺度的本征模函数I M F分量.对于非平稳信号,直接进行Hilbert变换没有意义.而IM F分量是平稳的,基于I M F分量进行Hilbert变换后得到的Hilbert能谱能准确反映出物理过程中能量在各种频率尺度及时间上的分布.谱是一个三维(时间2频率2局地振幅)谱形,与小波谱的表示方法类似.E M D分解主要是为了进行Hilbert变换得到Hilbert谱,基于I M F分量的Hilbert 谱的计算通过Fourier变换实现.4.2基于HHT变换的模态参数识别HHT变换是一种谱分析方法,分为两部分.a.Hilbert变换.Hilbert变换的关键是经验振型分离法,该方法认为任何复杂的时间序列都是由一些相互不同的、简单的、并非正弦函数的固有振型函数组成,一步步将较高频率成份从一时间序列中分离出来,将时间系列分解成若干个周期愈来愈长的固有振型函数.b.Hilbert谱分析.对这一固有振型函数系列进行Hilbert变换,得到Hilbert 谱,该谱的振幅既是频率的函数,又是时间的函数.任一时间序列的Hilbert谱中检测出某振幅的频率,是指这一振幅的瞬时频率,因此,检测出的76华中科技大学学报(城市科学版)2002年这种频率的波不一定在此时间序列的整个持续时间都存在.HHT分析与小波分析等其他方法相比,具有如下特点.a.E M D能有效地处理非平稳信号.在线性框架下,HHT谱与小波谱具有相同的表现特性,但HH T谱在时域内的分辨率高于小波谱.b.与Fourier谱相比,从Hilbert谱中不仅可看出幅值,而且可以看出频率随时间的变化情况,这是Fourier 谱所不能反映的.此外,对非平稳的时程曲线, Fourier谱的分辨率可能要低一些,而对Hilbert谱来说,因为可以结合频率和时间两个坐标来分析,容易消除一些干扰,有利于提高检索信号的分辨率.c.在克服边缘效应后,HHT能较好地处理短时信号.在实际应用中,短时信号的处理是很重要的.d.HHT能客观地处理一类非线性问题,所得到的三维谱形能准确地用于波内调制机制反映出系统的非线性变化特性,这是其他方法所不能比拟的.小波分析难以处理非线性问题.e.E M D能较好地分离强间歇信号,而且也是去除高频噪音的最好方法之一.实际应用HHT时,必须克服边缘效应.5基于模拟进化的模态参数识别5.1基于模拟进化的模态参数识别的基本原理基于模拟进化的模态参数识别方法实现了基于达尔文进化理论的整体优化算法用于识别线性振动结构的模态参数.Bremermann[19]认识到生物进化是一个优化过程.设计变量的向量被认为是一个生物体,变量向量的组成部分被称为类似于一个生物体的基因.Fogel和A tmar[20]研究了基于模拟有性结合的进化机理,他们的结果表明在整体优化有效中,通过高斯随机变量结果改变进化解法的每个组成部分.在这个过程中,变量向量起着生物体的作用,因此参数空间的每个点被认为是一个生物体.每个生物体(变量向量)复制本身给后代,其中复制错误(随机)用来解释变异.两代生物体根据给定规则彼此竞争,在整个群体中,每个生物体与随机选择的生物体进行竞争以获得适应性分数.得最高分的生物体作为下一代的双亲而幸存,剩余的生物体则被淘汰,同样的过程一直重复到整个群体得到很好的进化[21].5.2线性结构的模态参数识别[22]a.响应计算的快速回归算法.对于线性结构的每个占优模态,可通过动力方程求解其在某种激励下的响应,再将模态响应迭加.在优化过程中,基于进化的研究包含大量计算,因此必须有一个高效求解算法用于该动力方程.如果是在时域基于模态扫描的概念下进行模态参数识别,则受到对于线性振荡器的向前响应快速算法的激发,提出了输入数据三个连续时间段内呈平方插值的假设,从而得到响应计算的快速回归算法.b.模态扫描.在识别感兴趣的模态参数识别问题时,将输出错误的平方作为最小化的价值函数,并引入模态扫描的概念.价值函数的最小值通过连续性的模态扫描获得,在每次扫描中,由M 个单模态最小值去估计模型中每M个模态的参数.因此价值函数是根据只有一个模态的模态参数初次最小化,在达到测试容许的适应性后,将一个新的模态增加到模型中,再根据两个模态的模态参数执行最小化.重复该过程直到价值函数的减小值小于规定值.c.收敛准则.在一个最优化研究中,如果价值函数值的绝对或相对变化小于规定的容许值,则被认为是收敛的.在进化研究中,最好生物体的目标函数值可能在一些代中保持相同,常规的收敛准则可能导致不是局部最小值的错误结论.根据/适应前景0的概念,生物体将向前景的极值移动(符合对环境最适应的定位),基于此提出新的准则.若在最好或最坏生物体间的/形态0(欧拉距离)差异小于规定值,则进化研究被认为是收敛的.基于模态扫描的模态参数识别,只要当前模型满足收敛准则,就将额外的模态增加到模态模型中.d.评估模态阶数的方法.在系统识别中,为了确定准确的模型阶数,使用的准则是随着模型大小的增加,所处罚价值函数的降低,结构模型则根据该准则的给定最小值获得.数值算例是对一个简单的10个自由度的链式质量2弹性2阻尼系统进行参数识别.数值模拟的结果表明进化研究算法对于多重最优是可靠的,可靠性是靠每一代结束后维持群体候选结果而达到的,实际上提供了在同一时间对不同解的高效并行研究.甚至在困难的条件下(SNR=1),进化研究算法证明了它能确定一个好的解,这表明提出的基于模拟进化的模态参数识别方法用于测试噪音是很可靠的.该方法用于识别更复杂模态的现实问题上,还需要更进一步研究.6结论与展望结构的振动模态参数识别是一个具有广阔工程应用前景的研究课题,虽然关于振动模态的参77第3期谭冬梅等:振动模态的参数识别综述。
基于希尔伯特变换结构模态参数识别
基于希尔伯特变换结构模态参数识别范兴超;纪国宜【摘要】应用HHT方法对GARTEUR飞机模型模态参数进行识别,通过采用多通带滤波器对信号进行滤波,较好的解决模态混叠问题,采用NExT法对信号预处理,由EMD分解获得较准确的各阶固有模态函数分量(IMF),在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应,然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。
最后对悬臂梁进行数值仿真模拟,并将模态参数识别结果和理论值进行对比,并运用此方法进一步识别GARTEUR飞机模型固有模态参数。
%The HHT method is applied to the modal parameter identification of GARTEUR plane model. The multi-channel filter is applied to process the signal for solving the problem of modal aliasing. Meanwhile, the NExT method is adopted to get more accurate individual-order intrinsic mode functions (IMF) form the EMD decomposition. The mirror continuation method is applied to process extreme value points for suppressing the endpoint effect. Then, the natural frequency of each order and the damping ratio are identified with Hilbert transform and ITD method. The numerical simulation of a cantilever beam is carried out and the simulation results are compared with the theoretical results. Finally, the intrinsic modal parameters of the GARTEUR plane model are recognized with this method.【期刊名称】《噪声与振动控制》【年(卷),期】2014(000)003【总页数】5页(P52-56)【关键词】振动与波;模态参数识别;Hilbert-Huang变换;模态阻尼比;镜像延拓【作者】范兴超;纪国宜【作者单位】南京航空航天大学机械结构力学及控制国家重点实验室,南京210016;南京航空航天大学机械结构力学及控制国家重点实验室,南京 210016【正文语种】中文【中图分类】O241.82Hilbert-Huang变换[1](HHT)是1998年美国华裔科学家Huang提出的一种新的数据处理方法,该方法已应用到地球物理学领域,并取得较好的效果,其主要是由经验模态分解(Empirical Mode Decomposition)和Hilbert变换(Hilbert Transform)两个部分组成,其主要思想是EMD分解[5]。
环境激励下结构模态参数识别的改进ITD法
,L I S h u a i ,L I Ha i — l o n g
( 1 .K e yl ' a b o f E d u c a t i o n Mi n i s t r y f o r C o n s t r u c t i o n a n d N e w T e c h n o l o g y o f M o u n t a i n C i t i e s , C h o n g q i n g U n i v e r s i t y , C h o n g q i n g 4 0 0 0 4 5 , C h i n a ;
h e a h h m o n i t o r i n g .A n i m p r o v e d i b r a h i m t i m e d o ma i n( I T D)me t h o d w a s p u t f o r w a r d , c o m b i n e d w i t h s t o c h a s t i c s u b s p a c e
与I T D法相 比 , 改进的 I T D法 明显提高 了对频率和 阻尼 比等结构模态 参数 的识别 精度 , 表明改进 I T D法 可应用 于结 构 的
模态参数识别 ; 与S S I 法相 比, 改进 I T D法精度没有降低 , 同时缩 短 了计算 时间 , 这将 为该方法 应用到 结构 的实时监 测提
使用MATLAB进行系统辨识的步骤与技巧
使用MATLAB进行系统辨识的步骤与技巧引言:近年来,随着科学技术的不断进步和社会的快速发展,各行各业对于系统辨识的需求越来越迫切。
系统辨识是指在实际系统工作的基础上,通过对系统进行观测和试验,利用数学模型和计算机技术,对系统进行参数估计和结构辨识的过程。
而MATLAB作为一款重要的科学计算软件,为系统辨识提供了强有力的支持。
本文将详细介绍使用MATLAB进行系统辨识的步骤与技巧。
一、系统辨识的基本概念在使用MATLAB进行系统辨识之前,首先需要了解系统辨识的基本概念。
系统辨识主要涉及到两个方面的内容:参数估计和结构辨识。
参数估计是指通过对系统进行实验观测,利用数学方法对系统的参数进行估计;而结构辨识则是指通过试验数据和专业知识,确定系统的结构。
系统辨识的目的是建立一个能够准确描述实际系统行为的数学模型。
二、MATLAB中的系统辨识工具在使用MATLAB进行系统辨识时,我们可以使用其内置的系统辨识工具箱。
该工具箱包含了一系列强大的函数和算法,可以实现系统辨识中的参数估计、模型建立和分析等功能。
通过这些工具,我们可以高效、准确地进行系统辨识。
三、系统辨识的步骤1. 数据采集与预处理在进行系统辨识之前,首先需要采集系统的试验数据。
这些数据可以通过合适的传感器进行观测和记录。
为了获得高质量的数据,我们需要注意选择合适的采样频率和采样时长,并对数据进行预处理,去除噪声和异常值。
2. 建立初始模型在参数估计之前,需要建立一个初始模型,用于参考和优化。
这个初始模型可以基于已有的专业知识或经验,也可以通过MATLAB提供的模型库进行选择。
初始模型的建立可以提高辨识的准确度和效率。
3. 参数估计参数估计是系统辨识的核心过程,包括了参数选择、参数估计和不确定度分析等步骤。
在MATLAB中,我们可以使用各种参数估计方法,如最小二乘法、极大似然估计法等。
通过这些方法,我们可以获得最优的参数估计结果,并对估计结果的可靠性进行评估。
识别桥梁模态参数时域法的仿真研究
识别桥梁模态参数时域法的仿真研究
朱东生;朱曦;田琪
【期刊名称】《兰州交通大学学报》
【年(卷),期】1995(014)003
【摘要】根据土木结构环境振动的特点和ITD法及随机减量技术的优点,建议
用ITD法或随机减量技术结合ITD法由结构环境振动响应数据识别其模态参数,并用计算机仿真技术,讨论了使用ITD法和随机减量技术时应注意的一些问题,对桥墩和一些斜拉桥进行了仿真识别,结果表明,用这种方法由土木结构的环境振动响应识别其模态参数是可行的,并具有测试方便,数据处理简单,精度较高,识别结果较多的优点。
【总页数】9页(P1-9)
【作者】朱东生;朱曦;田琪
【作者单位】不详;不详
【正文语种】中文
【中图分类】U441.3
【相关文献】
1.基于随机子空间法的城市桥梁模态参数识别研究与程序开发 [J], 李晓玲;韩超
2.大跨度高速铁路桥梁模态参数频域识别方法研究与应用 [J], 魏剑峰
3.环境激励下移动车辆对桥梁模态参数识别的影响研究 [J], 贺文宇;丁绪聪;任伟新
4.桥梁结构全息模态参数识别方法试验研究 [J], 简传熠;邵帅;周志祥;杜鹏;余忠儒;
邓国军
5.两种识别结构模态参数时域法的对比研究 [J], 裴强;刘小庆
因版权原因,仅展示原文概要,查看原文内容请购买。
一种SWAT模型参数识别的改进方法
一种SWAT模型参数识别的改进方法赵堃;苏保林;申萌萌;管毓堂;周静雯【期刊名称】《南水北调与水利科技》【年(卷),期】2017(015)004【摘要】参数的敏感性分析和不确定性分析是分布式水文模型构建的先决条件.在辽河流域建立SWAT模型,利用SWAT-CUP中的SUFI-2算法进行参数的率定,在此基础上提出一种更为简便的参数识别方法.将研究区域辽河干流的主要支流分别进行参数识别,再将SWAT-CUP中率定的最佳参数的从TXINOUT文件中提取出来,分别覆盖到SWAT模型中各对应支流子流域的TXINOUT文件中,即可得到按主要支流经过参数识别后的SWAT模型,避免了SWAT-CUP调参工具涉及众多子流域导致参数识别过于复杂的问题.结果表明,辽河干流主要支流招苏台河、清河、柴河等子流域主要水文断面率定期的平均纳什效率系数分别为0.60、0.65、0.68,验证期分别为0.60、0.72、0.77,参数率定的结果相对于全局调参有较大的改进.采用本文提出的参数识别方法,可以解决SWAT-CUP全局调参时上下游断面结果难以同时匹配或伪匹配的问题,又可以避免分区参数识别时对不同子流域的土地利用类型、土壤类型以及坡度等参数的繁琐设定,同时降低了SWAT模型手动调参的复杂程度,可较好地应用到SWAT模型参数识别过程中.【总页数】5页(P49-53)【作者】赵堃;苏保林;申萌萌;管毓堂;周静雯【作者单位】北京师范大学水科学研究院,北京 100875;北京师范大学水科学研究院,北京 100875;上海市社会主义学院,上海 200237;北京师范大学水科学研究院,北京 100875;北京师范大学水科学研究院,北京 100875【正文语种】中文【中图分类】P332【相关文献】1.一种高效的SWAT模型参数自动率定方法 [J], 陈强;苟思;秦大庸;周祖昊2.一种可用于表征土地利用变化水文效应的水文模型探讨--SWAT模型在云州水库流域的应用研究 [J], 张蕾娜;李秀彬;王兆锋;李星3.一种基于SWAT模型的干旱牧区生态脆弱性评价方法——以艾布盖河流域为例[J], 宋一凡;郭中小;卢亚静;廖梓龙;徐晓民4.一种用于电流互感器铁心J-A磁滞参数识别的改进方法 [J], 周仕豪;潘本仁;万勇;王冠南;张妍;桂小智5.ITD模态参数识别的一种改进方法 [J], 高玉金因版权原因,仅展示原文概要,查看原文内容请购买。
ITD模态参数识别的一种改进方法
ITD模态参数识别的一种改进方法
高玉金
【期刊名称】《机械强度》
【年(卷),期】1989(11)2
【摘要】本文推荐了一种区分特征值的方法,将ITD法识别的单值频率范围由上半平面扩展到了整个Z平面,并研究了ITD法在整个Z平面上的特性.为了检验ITD法在整个Z平面上的模态识别能力,对一个齿轮箱体进行了实验。
在整个Z平面上识别的模态参数优于仅在上半平面所识别的模态参数.
【总页数】5页(P61-65)
【关键词】齿轮箱体;ITD法;模态参数;参数识别
【作者】高玉金
【作者单位】上海工业大学
【正文语种】中文
【中图分类】TH113.1
【相关文献】
1.改进的复Morlet 小波基参数优化方法在模态参数识别中的应用 [J], 董艳平;
2.一种改进模态参数识别方法在结构工程中的应用 [J], 徐晖;宋兴禹
3.一种改进的识别结构模态参数的随机子空间法 [J], 李团结;刘伟萌;唐雅琼;高利强
4.一种模态弱响应且模态密集的参数识别方法 [J], 贾天娇;岳林
5.一种抑制模态混叠的改进HHT模态参数识别方法 [J], 宿策;解宏伟;吴海涛因版权原因,仅展示原文概要,查看原文内容请购买。
matlab变参量微分方程参数识别
1 变参数微分方程数值求解例子2 求function dydt=fun(t,y,u,v)r=u+2;s=v-2;dydt=[r+y(2);s*y(1)-2*s*y(2)];u=[1;5;15;20;25];v=[6;12;18;24;30];tspan=0:1:4;y0=[0 2];yy=y0;for i=1:length(tspan)—1[t,y]=ode45(@fun,[tspan(i),tspan(i+1)],y0,[],u(i),v(i)); y0=y(end,:);yy=[yy;y0];endplot(tspan,yy,’—o’)2。
1 匿名函数法f=@(t,y,u,v) [u+2+y(2);(v—2)*y(1)-2*(v—2)*y(2)]u=[1;5;15;20;25];v=[6;12;18;24;30];tspan=0:1:4;y0=[0 2];yy=y0;for i=1:length(tspan)—1[t,y]=ode45(f,[tspan(i),tspan(i+1)],y0,[],u(i),v(i));y0=y(end,: );yy=[yy;y0];endplot(tspan,yy,'—o')2。
2 修改加上时间tt(显示所有计算值)clearu=[1;5;15;20;25];v=[6;12;18;24;30];tspan=0:1:4;y0=[0 2];tt =[];yy=[];for i=1:length(tspan)—1[t,y]=ode45(@fun,[tspan(i),tspan(i+1)],y0,[],u(i),v(i));y0=y(end,: );tt=[tt;t];yy=[yy;y];endplot(tt,yy);%所有的计算数值.2。
3 同过差值可以调节精度。
如果u,v随着t是时刻变化的,但是通过测试手段只能测得某一时刻的u,v.clearglobal yyt1=0:0。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
%ITDxx识别模态参数
clear
clc
close all hidden
format long
%% txt文件下输入
fni=input('ITD法模态参数识别-输入数据文件名:','s');
fid=fopen(fni,'r');
mn=fscanf(fid,'%d',1);%模态阶数
%定义输入实测数据类型
%ig=1时域数据如冲击响应、自由振动、互相关函数、随机减量法处理结果%ig=2频域数据如频响函数实部和虚部数据
ig=fscanf(fid,'%f',1);
%ig=1时,f为采样频率sf,ig=2时,f为频率间隔df
f=fscanf(fid,'%f',1);
fno=fscanf(fid,'%s',1);%输出数据文件名
b=fscanf(fid,'%f',[ig,inf]);%实测时域或频域数据
status=fclose(fid);
%%
clc;
clear all;
format long
[FileName,PathName] = uigetfile('*.mat', 'Select the Mat-files of time signal'); %窗口读文件,并获取包含路径的文件名
if isequal(FileName,0)
disp('User cancel the selection');%如果取消选择则显示提示
return;
else
FULLFILE=fullfile(PathName,FileName);
Signal_str= sprintf('User selected signal file:%s',FULLFILE);
disp(Signal_str);
Struct=load(FULLFILE);
end
c=fieldnames(Struct);%得到一个元胞数组,包含Struct中各个域名(倘若有多个的话)
b=getfield(Struct,c{1}); %获取c{1}对应的域中的内容
b=b(3601:9600);
%%
%ig=1时域数据如冲击响应、自由振动、互相关函数、随机减量法处理结果
%ig=2频域数据如频响函数实部和虚部数据
ig=input('数据类型ig=');
f=input('采样频率f=');%指定采样频率
mn=input('计算模态阶数mn=');%指定计算模态阶数
%建立特征方程矩阵的阶数(为模态阶数的2倍)
nm=2*mn;
%组织识别计算多用的时域数据及参数
if ig==1%实测时域数据
sf=f;%采样频率
n=fix(length(b)/2);%向0靠拢取整,取时域数据的长度
h=b(1,1:2*n)';%将输入时域数据赋值给列向量h
dt=1/sf;%时间间隔
t=0:dt:(2*n-1)*dt;%建立离散时间向量
else %实测频域数据
df=f;%取频率间隔
n=length(b(1,:));
f=0:df:(n-1)*df;%建立离散频率向量
H=b(1,:)'+b(2,:)'*i;%建立对应正负频率的实测频响函数向量
H(n+1)=real(H(n));
H(n+2:2*n)=conj(H(n:-1:2));%conj求负数的共轭值
h=real(ifft(H));%频响函数经IFFT并取实部变换成脉冲响应函数t=linspace(0,1/df,2*n);%建立离散时间向量
dt=t(2)-t(1);%计算时间间隔
end
%计算自由振动响应矩阵
L=length(h);
M=L/2;
for k=1:nm
x1(k,:)=h(k:L-(nm-k+1))';
x2(k,:)=h(k+1:L-(nm-k))';
end
%用最小二乘法求解特征方程矩阵
B=x1\x2;%B=x2*x1'*inv(x1*x1');
[A,V]=eig(B);%计算特征值及特征向量(特征值V,特征向量A)%变换特征值对角阵为一向量
for k=1:nm
U(k)=V(k,k);
end
F1=abs(log(U'))./(2*pi*dt);%计算模态频率向量
D1=sqrt(1./(((imag(log(U'))./real(log(U'))).^2)+1));%计算阻尼比向量%计算振型系数向量
l=1;
for k=0:(2*n-1)
Va(k+1,:)=[conj(U).^k];
end
S1=(inv(conj(Va')*Va)*conj(Va')*h);%inv矩阵求逆
h1=real(Va*S1);%计算生成的脉冲响应函数%绘制脉冲响应函数拟合曲线图
figure(1);
plot(t,h,':',t,h1);
xlabel('时间(s)');
ylabel('幅值');
legend('实测','拟合');
grid on;
if ig>1
H1=fft(Va*S1);%计算生成的频响函数
%绘制频响函数实部拟合曲线图
figure(2);
nn=1:n;
subplot(2,1,1);
plot(f,real(H(nn)),':',f,real(H1(nn)),'r'); xlabel('频率(Hz)');
ylabel('实部');
legend('实测','拟合');
grid on;
%绘制频响函数虚部拟合曲线图
subplot(2,1,2);
plot(f,b(2,:),':',f,imag(H1(nn)),'r');
xlabel('频率(Hz)');
ylabel('虚部');
legend('实测','拟合');
grid on;
end
[F2,I]=sort(F1);%将自振频率从小到大排列
%剔除方程中的非模态项(非共轭根)和共轭项(重复项)m=0;
for k=1:1:nm-1
if F2(k)~=F2(k+1)
continue;
end
m=m+1;
l=I(k);
F(m)=F1(l);%自振频率
D(m)=D1(l);%阻尼比
S(m)=S1(l);%振型系数
end
%打开文件输出识别的模态参数数据
fno='out.txt';
fid=fopen(fno,'w');
fprintf(fid,'频率(Hz)阻尼比(%%)振型系数\n');
for k=1:m
fprintf(fid,'%10.4f %10.4f%10.6f\n',F(k),D(k)*100.0,imag(S(k))); end
status=fclose(fid);。