【技术实现步骤摘要】
本专利技术涉及工作模态参数识别领域，具体涉及一种基于统计特征变窗长的欠定时变工作模态参数识别方法及装置。
技术介绍
1、在实际工程应用中，动态系统的模态参数识别面临诸多挑战，尤其是在时变和欠定条件下。传统的模态参数识别技术主要针对时不变系统，假设系统的模态参数在整个观测过程中保持稳定。然而，许多工程系统，如桥梁、旋转机械以及交通系统等，往往在不同的工作条件或时间阶段表现出时变特性。例如，桥梁在不同负载下的动态响应会随荷载位置和载荷大小的变化而改变；旋转机械中的转速变化会导致模态频率、阻尼比和模态振型发生变化。这些时变特性使得传统的模态识别方法无法准确适应快速变化的系统状态。
2、在欠定条件下，模态参数识别更是面临巨大挑战。实际应用中，往往由于传感器数量有限，模态数量超出可观测度，导致识别问题变得更加复杂。例如，在结构复杂、传感器布置受限或成本紧张的情况下，如何从有限的测量数据中准确提取系统的模态频率、模态阻尼比及模态振型，成为一项难题。传统的基于固定滑动窗口的时变模态识别方法通过对数据进行分段处理来应对系统的时变特性，但这一方法存在窗口大小固定、响应滞后及精度不足等问题，尤其是在快速或剧烈变化的情况下，无法及时捕捉系统的动态特征。
3、此外，现有的时变模态参数识别技术多依赖于粗略的假设和简单的统计分析，难以处理复杂的动态变化及欠定条件带来的信息缺失问题。在实际应用中，系统的模态参数不仅随时间变化，还可能受到外部扰动、操作条件变化等因素的影响，这使得实时、精确地进行模态参数识别成为一项具有挑战性的任务。p>
技术实现思路
1、本申请的目的在于针对上述提到的技术问题提出一种基于统计特征变窗长的欠定时变工作模态参数识别方法及装置。
2、第一方面，本专利技术提供了一种基于统计特征变窗长的欠定时变工作模态参数识别方法，包括以下步骤：
3、s1，获取在设定环境激励下的结构振动的响应信号序列，设置响应信号序列中的滑动窗口的编号、初始的窗长、最小窗长和最大窗长和调节因子，将第一个滑动窗口作为当前的滑动窗口，初始的窗长作为第一个滑动窗口的窗长；
4、s2，对响应信号序列中的当前的滑动窗口内的响应信号子序列进行处理，得到当前的滑动窗口内的处理后的响应信号子序列，对当前的滑动窗口内的处理后的响应信号子序列提取当前的滑动窗口的时频特征矩阵，并采用主成分分析从当前的滑动窗口的时频特征矩阵中提取得到当前的滑动窗口的主成分矩阵，采用自相关函数分析当前的滑动窗口内的处理后的响应信号子序列，确定当前的滑动窗口的滞后期；
5、s3，将当前的滑动窗口的时频特征矩阵、滞后期和主成分矩阵结合构建当前的滑动窗口的三阶张量，对当前的滑动窗口的三阶张量进行cp分解，得到当前的滑动窗口的模态响应矩阵，根据当前的滑动窗口的模态响应矩阵估计得到当前的滑动窗口的模态参数；
6、s4，基于当前的滑动窗口内的处理后的响应信号子序列计算得到当前的滑动窗口的统计特征，根据当前的滑动窗口的统计特征和调节因子设计自适应窗长调整策略，得到下一个滑动窗口的窗长；将下一个滑动窗口作为当前的滑动窗口并重复步骤s2-s4，直至当前的滑动窗口的范围超过响应信号序列的总长度的范围。
7、作为优选，对响应信号序列中的当前的滑动窗口内的响应信号子序列进行处理，得到当前的滑动窗口内的处理后的响应信号子序列，具体包括：
8、对响应信号序列中的当前的滑动窗口内的响应信号子序列中的每个时刻的响应信号进行标准化处理，得到当前的滑动窗口内的每个时刻的标准化处理后的信号值，如下式所示：
9、
10、其中，当前的滑动窗口内的响应信号子序列为i表述滑动窗口的编号，nm为传感器的个数，li表示当前的滑动窗口的窗长，为实数集合，x(t)为当前的滑动窗口内的响应信号子序列x(i)中的第t个时间步的响应信号，μ1表示当前的滑动窗口内的响应信号子序列x(i)中所有时间步的响应信号的均值，σ1表示当前的滑动窗口内的响应信号子序列x(i)中所有时间步的响应信号的标准差，表示当前的滑动窗口内的第t个时间步的标准化处理后的信号值；
11、使用小波变换对当前的滑动窗口内的每个时刻的标准化处理后的信号值进行去噪处理，得到当前的滑动窗口内的每个时刻的处理后的响应信号，如下式所示：
12、
13、其中，w表示小波变换，w-1表示小波逆变换，xdenoised(t)表示当前的滑动窗口内的第t个时间步的处理后的响应信号，当前的滑动窗口内的所有时间步的处理后的响应信号构成当前的滑动窗口内的处理后的响应信号子序列。
14、作为优选，对当前的滑动窗口内的处理后的响应信号子序列提取当前的滑动窗口的时频特征矩阵，并采用主成分分析从当前的滑动窗口的时频特征矩阵中提取得到当前的滑动窗口的主成分矩阵，采用自相关函数分析当前的滑动窗口内的处理后的响应信号子序列，确定当前的滑动窗口的滞后期，具体包括：
15、采用小波变换时频分析方法对当前的滑动窗口内的处理后的响应信号子序列提取当前的滑动窗口的时频特征矩阵，如下式所示：
16、
17、其中，xdenoised(t)表示当前的滑动窗口内的第t个时间步的处理后的响应信号，ψ表示母小波，a表示尺度，b表示平移参数，wψ表示当前的滑动窗口的时频特征矩阵；
18、将当前的滑动窗口的时频特征矩阵输入到主成分分析算法中，通过计算协方差矩阵并进行特征分解得出特征向量矩阵和主成分矩阵，如下式所示：
19、y＝wψm；
20、其中，y表示主成分矩阵，m表示特征向量矩阵；
21、利用自相关函数分析当前的滑动窗口内的处理后的响应信号子序列的周期性特征，得到自相关函数曲线，如下式所示：
22、
23、其中，acf(l)表示自相关函数曲线中的不同滞后期对应的峰值，li表示当前的滑动窗口的窗长，l表示滞后期，μ2表示当前的滑动窗口内的所有时间步的处理后的响应信号的均值；
24、根据自相关函数曲线中的显著峰值确定当前的滑动窗口的每个滞后期lg，其中g＝1,2…,s，s表示当前的滑动窗口的滞后期的总数。
25、作为优选，步骤s3具体包括：
26、初始化一个三阶张量x，针对每个滞后期lg对三阶张量x的第三维进行填充，假设当前的滑动窗口的时频特征矩阵wψ为n×m的矩阵，则每个时间步t对应的时频特征为x[t,:]，对于每个滞后期lg，从当前的滑动窗口的时频特征矩阵wψ中提取一个长度为li+1的数据片段：
27、xl＝x[t+lg,:]；
28、其中，xl表示数据片段，t＝1,2,...,li，li表示当前的滑动窗口的窗长；
29、然后填充三阶张量，得到填充后的三阶张量：
30、x[t,j,lg]＝wavelet feature(xl,j)；
31、其中，x[t,j,lg]表示填充后的三本文档来自技高网...
【技术保护点】
1.一种基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，对所述响应信号序列中的当前的滑动窗口内的响应信号子序列进行处理，得到当前的滑动窗口内的处理后的响应信号子序列，具体包括：
3.根据权利要求1所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，对所述当前的滑动窗口内的处理后的响应信号子序列提取当前的滑动窗口的时频特征矩阵，并采用主成分分析从所述当前的滑动窗口的时频特征矩阵中提取得到当前的滑动窗口的主成分矩阵，采用自相关函数分析所述当前的滑动窗口内的处理后的响应信号子序列，确定当前的滑动窗口的滞后期，具体包括：
4.根据权利要求3所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，步骤S3具体包括：
5.根据权利要求1所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，基于所述当前的滑动窗口内的处理后的响应信号子序列计算得到当前的滑动窗口的统计特征，具体包括：
<...【技术特征摘要】
1.一种基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，对所述响应信号序列中的当前的滑动窗口内的响应信号子序列进行处理，得到当前的滑动窗口内的处理后的响应信号子序列，具体包括：
3.根据权利要求1所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，对所述当前的滑动窗口内的处理后的响应信号子序列提取当前的滑动窗口的时频特征矩阵，并采用主成分分析从所述当前的滑动窗口的时频特征矩阵中提取得到当前的滑动窗口的主成分矩阵，采用自相关函数分析所述当前的滑动窗口内的处理后的响应信号子序列，确定当前的滑动窗口的滞后期，具体包括：
4.根据权利要求3所述的基于统计特征变窗长的欠定时变工作模态参数识别方法，其特征在于，步骤s3具体...
【专利技术属性】
技术研发人员：王成，陈浩楠，廖晓斌，郭瑞孝，苏汉斌，
申请(专利权)人：华侨大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。