多模态时域信号模态分离、阻尼参数辨识方法及存储介质技术

本发明专利技术公开了一种多模态时域信号中各模态的分离方法、各模态的阻尼参数辨识方法以及存储介质，本发明专利技术的分离方法包括：采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数；使用变分模态分解方法并将优化的输入参数作为变分模态分解方法的输入参数对目标信号进行分解，获得包含在目标信号中的所有单模态时域信号，其中，目标信号为多模态时域信号。本发明专利技术的分离方法采用CS算法优化二次惩罚因子α和带宽τ，有利于实现多模态时域信号中各模态的准确分离，分离过程中无模态混叠现象发生，为下一步的模态阻尼参数辨识奠定了基础。本发明专利技术辨识方法能够有效降低误差，提高模态阻尼的辨识精度。

【技术实现步骤摘要】
多模态时域信号模态分离、阻尼参数辨识方法及存储介质
本专利技术涉及模态阻尼参数辨识领域，特别地，涉及一种多模态时域信号中各模态的分离方法、各模态的阻尼参数辨识方法以及存储介质。
技术介绍
机械系统的模态参数是对其进行动力学分析的基础，它对结构动力学设计有重要意义。准确辨识模态参数中的阻尼参数的难度较大，如何从振动信号中准确辨识其模态参数，特别是阻尼参数，一直来都是国内外学者和工程技术人员的研究热点问题。现有的阻尼参数辨识的时域方法——对数衰减法，往往只能针对单模态信号(单自由度系统)。而对于多模态信号，由于信号中存在多模态耦合，无法直接使用时域方法对多模态信号中的模态阻尼参数进行辨识。并且由于受到环境噪声的影响大，在工程上，利用对数衰减法识别阻尼参数的精度不高。而现有的阻尼参数辨识的频域方法——半功率带宽法(HPB)，容易受到时域信号到频域转换过程中的能量泄露等因素的影响。同时，由于受到很多不确定因素如离散半功率点难以准确获得等影响，HPB方法的辨识误差较大，同时阻尼辨识的稳定性也比较差。在工程中，实测的机械振动信号一般为非线性非平稳信号，而时域方法和频域方法一般只能处理线性平稳信号。若要处理非线性非平稳信号，需要使用时频方法。典型的时频方法有经验模态分量(EmpiricalModeDecomposition,EMD)、局部均值分解(LocalMeanDecomposition,LMD)、本征时间尺度分解(IntrinsicTime-scaleDecomposition,ITD)、变分模态分解(VariationalModeDecomposition,VMD)等。EMD、LMD、ITD等时频方法有共同的缺陷：分解结果存在较严重的端点效应和模态混叠现象，它们的模态混叠现象比VMD方法更加明显。VMD方法与经验模态分解(EMD)和局部均值分解(LMD)相比，分解信号的端点效应不明显，分解效果好于EMD方法和LMD方法。根据VMD方法的分解原理，在分解前需要预设模态分解个数K、二次惩罚因子a和带宽τ这三个参数，并且输入参数(K,a,τ)不同，VMD方法的分解结果也不同。VMD方法的最大缺陷在于输入参数(K,α,τ)需要人为设定，对于不同的被分解信号而言，(K,α,τ)的设定无规律可循。固定的(K,α,τ)设定值并不适用于所有被分解信号，从而使VMD分解结果失真，出现类似经验模态分解(EMD)和局部均值分解(LMD)常见的模态混叠现象。因此，直接利用这些时频方法并不能将实测多模态时域信号中的各模态准确分离出来，使得多模态时域信号的模态阻尼参数辨识无法准确进行。
技术实现思路
本专利技术提供了一种多模态时域信号中各模态的分离方法、各模态的阻尼参数辨识方法以及存储介质，以解决现有技术无法将多模态时域信号中的各模态准确分离导致多模态时域信号的模态参数辨识无法进行以及现有技术的模态参数辨识精度不高、稳定性不好的技术问题。本专利技术采用的技术方案如下：一方面，本专利技术提供了一种多模态时域信号中各模态的分离方法，包括：采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数；使用变分模态分解方法并将优化的输入参数作为变分模态分解方法的输入参数对目标信号进行分解，获得包含在目标信号中的所有单模态时域信号，其中，目标信号为多模态时域信号。进一步地，采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数的步骤包括：以变分模态分解方法对目标信号进行分解得到各模态分量，获取各模态分量的峰值频率和峰值幅值与包含在目标信号中对应的各单模态时域信号的峰值频率和峰值幅值的差值，并选取二者的峰值频率差值和峰值幅值差值中较大者作为目标函数；对目标函数的值进行迭代优化，并以目标函数取最小值时对应的输入参数作为优化的输入参数。进一步地，以变分模态分解方法对目标信号进行分解得到各模态分量，获取各模态分量的峰值频率和峰值幅值与包含在目标信号中对应的各单模态时域信号的峰值频率和峰值幅值的差值，并选取二者的峰值频率差值和峰值幅值差值中较大者作为目标函数的步骤包括：对目标信号进行傅里叶变换，获得多个第一模态频率及对应的多个第一幅值；采用变分模态分解方法对目标信号进行分解，获得多个模态分量；对多个模态分量进行傅里叶变换，得到多个第二模态频率及对应的多个第二幅值；利用多个第一模态频率与对应的多个第二模态频率的绝对差值并求和获得峰值频率差值，利用多个第一幅值与对应的多个第二幅值的绝对差值并求和获得峰值幅值差值，将峰值频率差值和峰值幅值差值中较大者确定为目标函数。进一步地，对目标函数的值进行迭代优化，并以目标函数取最小值时对应的输入参数作为优化的输入参数的步骤包括：设置群体中寄生巢的数量、搜索空间里解的维数、最大迭代次数，并初始化群体；计算每个寄生巢的目标函数值，并记录当前最小的目标函数值作为最优解；根据莱维飞行搜索机制对所有寄生巢的位置进行更新，若这一代中比上一代的目标函数值更小，则将获得的更小的目标函数值取代之前的最优解成为新的最优解；产生随机数与被宿主发现的概率进行比较，若随机数大于被宿主发现的概率，则改变当前寄生巢的位置，得到新的寄生巢位置，否则保留上一代寄生巢的位置；按照前两步迭代更新寄生巢的位置，将达到最大迭代次数时获得的最终的最优解所对应的二次惩罚因子和带宽作为优化的输入参数。进一步地，分离方法还包括：将对目标信号进行傅里叶变换获得的模态频率的个数确定为变分模态分解方法的模态分解个数；采用变分模态分解方法并将优化的输入参数作为变分模态分解方法的输入参数对目标信号进行分解的步骤包括：将优化后的二次惩罚因子和带宽结合确定的模态分解个数作为变分模态分解方法的输入参数，对目标信号进行分解。根据本专利技术的另一方面，还提供了一种多模态时域信号中各模态的阻尼参数辨识方法，用于对上述的分离方法所获得的所有单模态时域信号，识别获取各模态的阻尼参数，辨识方法包括：识别出所有单模态时域信号各自正确的上极值点、下极值点；针对各单模态时域信号分别选取用于参与模态阻尼参数辨识的上极值点、下极值点；根据选取的上极值点和下极值点，采用包络线拟合法或者包络线积分法获取各单模态时域信号的对数衰减δ；由各单模态时域信号的对数衰减δ并根据公式计算获取各模态的阻尼比ζ。进一步地，各单模态时域信号用于参与模态阻尼参数辨识的上极值点、下极值点的选取原则为：以单模态时域信号的最大极值点为第一个上极值点，以不小于最大极值点的幅值预定比例且幅值最小的上极值点为最后一个上极值点；或者，以单模态时域信号的最小极值点为第一个下极值点，以不小于最小极值点的幅值预定比例且幅值最小的下极值点为最后一个下极值点；同时，确保选取的上极值点个数与下极值点个数相同。作为其中一种实施方式，根据选取的上极值点和下极值点，采用包络线拟合法获取各单模态时域信号的对数衰减δ的步骤包括：采用指数函数对选取的上极值点或者下极值点进行包络线拟合，获得指数拟合系数B；对各单模态时域信号进行傅里叶变换得到各模态对应的有阻尼固有频率ωd，由公式获得各单模态时域信号的对数衰减δ。作为另一种实施方式，根据选取的上极值点和下极值点，采用包络线积分法获取各单模态时域信号的对数本文档来自技高网...

【技术保护点】
1.一种多模态时域信号中各模态的分离方法，其特征在于，包括：采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数；使用变分模态分解方法并将所述优化的输入参数作为变分模态分解方法的输入参数对目标信号进行分解，获得包含在所述目标信号中的所有单模态时域信号，其中，所述目标信号为多模态时域信号。

【技术特征摘要】
1.一种多模态时域信号中各模态的分离方法，其特征在于，包括：采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数；使用变分模态分解方法并将所述优化的输入参数作为变分模态分解方法的输入参数对目标信号进行分解，获得包含在所述目标信号中的所有单模态时域信号，其中，所述目标信号为多模态时域信号。2.根据权利要求1所述的多模态时域信号中各模态的分离方法，其特征在于，所述采用布谷鸟搜索算法对变分模态分解方法的输入参数中的二次惩罚因子和带宽进行优化，获得优化的输入参数的步骤包括：以变分模态分解方法对目标信号进行分解得到各模态分量，获取各模态分量的峰值频率和峰值幅值与包含在所述目标信号中对应的各单模态时域信号的峰值频率和峰值幅值的差值，并选取二者的峰值频率差值和峰值幅值差值中较大者作为目标函数；对目标函数的值进行迭代优化，并以目标函数取最小值时对应的输入参数作为所述优化的输入参数。3.根据权利要求2所述的多模态时域信号中各模态的分离方法，其特征在于，所述以变分模态分解方法对目标信号进行分解得到各模态分量，获取各模态分量的峰值频率和峰值幅值与包含在所述目标信号中对应的各单模态时域信号的峰值频率和峰值幅值的差值，并选取二者的峰值频率差值和峰值幅值差值中较大者作为目标函数的步骤包括：对目标信号进行傅里叶变换，获得多个第一模态频率及对应的多个第一幅值；采用变分模态分解方法对目标信号进行分解，获得多个模态分量；对多个模态分量进行傅里叶变换，得到多个第二模态频率及对应的多个第二幅值；利用多个第一模态频率与对应的多个第二模态频率的绝对差值并求和获得峰值频率差值，利用多个第一幅值与对应的多个第二幅值的绝对差值并求和获得峰值幅值差值，将峰值频率差值和峰值幅值差值中较大者确定为目标函数。4.根据权利要求3所述的多模态时域信号中各模态的分离方法，其特征在于，所述对目标函数的值进行迭代优化，并以目标函数取最小值时对应的输入参数作为所述优化的输入参数的步骤包括：设置群体中寄生巢的数量、搜索空间里解的维数、最大迭代次数，并初始化群体；计算每个寄生巢的目标函数值，并记录当前最小的目标函数值作为最优解；根据莱维飞行搜索机制对所有寄生巢的位置进行更新，若这一代中比上一代的目标函数值更小，则将获得的更小的目标函数值取代之前的最优解成为新的最优解；产生随机数与被宿主发现的概率进行比较，若所述随机数大于所述被宿主发现的概率，则改变当前寄生巢的位置，得到新的寄生巢位置，否则保留上一代寄生巢的位置；按照前两步迭代更新寄生巢的位置，将达到最大迭代次数时获得的最终的最优解所对应的二次惩罚因子和带宽作为所述优化的输入参数。5.根据权利要求1所述的多模态...

【专利技术属性】
技术研发人员：边杰，陈亚农，王平，唐广，徐友良，
申请(专利权)人：中国航发湖南动力机械研究所，
类型：发明
国别省市：湖南,43