一种基于强震监测数据的高拱坝模态参数自动识别方法技术

一种基于强震监测数据的高拱坝模态参数自动识别方法，包括：基于高拱坝强震监测数据，采用随机子空间识别方法算法进行高拱坝模态参数识别，以自振频率和模态置信准则为坐标、所有测点的功率谱的最大值为背景曲线绘制稳定图；联合局部离群因子和核密度估计识别稳定图中的异常极点，剔除虚假模态，再运用麻雀搜索算法搜寻K

【技术实现步骤摘要】
一种基于强震监测数据的高拱坝模态参数自动识别方法


[0001]本专利技术涉及水工建筑物安全监测领域，具体是一种基于强震监测数据的高拱坝模态参数自动识别方法。

技术介绍

[0002]模态参数识别是结构健康监测领域的重要组成部分，对于高拱坝这种大型复杂结构，通过环境激励的工作模态分析，既能确保结构的安全，还能降低维护和管理的成本。高拱坝强震监测是利用安装在高拱坝和自由场上的强震仪，测量“大坝
‑
水库
‑
地基”系统在地震激励下的动力响应，是一种特殊的结构振动监测数据。通常将强震激励视为平稳白噪声，基于这一信号输入假定以及线性结构分析的前提，可仅通过输出响应进行高拱坝模态参数识别。
[0003]由于高拱坝是一种体型巨大的工程结构，结构的自由度高，模态密集，受工作环境干扰的影响显著，给结构的模态分析带来了很大困难。因此，如何基于强震监测数据，自动识别高拱坝模态参数是需要亟待解决的问题。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提供一种基于强震监测数据的高拱坝模态参数自动识别方法，该方法基于强震监测数据，以SSI识别高拱坝的自振频率为横坐标，由振型计算得到的模态置信准则为纵坐标，最大功率谱为背景曲线绘制可靠的稳定图，在此基础上，针对单一的聚类算法经常得不到最佳聚类效果，将LOF(局部离群因子)、KDE(核密度估计)、SSA(麻雀搜索算法)和K
‑
means聚类算法结合，综合上述方法的优点提出一种新的SSA
‑
KMK聚类算法，弥补K
‑
means算法对初始聚类中心和异常点敏感、容易局部收敛的缺点，并最终实现高拱坝模态参数的自动识别。
[0005]本专利技术解决其技术问题所采取的技术方案为：
[0006]一种基于强震监测数据的高拱坝模态参数自动识别方法，包括下述步骤：
[0007]S1：稳定图绘制：采用SSI(随机子空间识别)对高拱坝强震监测数据初步分析，识别出不同阶数的自振频率和振型，计算出满足容差的自振频率和MAC(模态置信准则)，以满足容差的自振频率为横坐标、MAC为纵坐标、所有测点的功率谱的最大值作为背景曲线，绘制稳定图，通过LOF(局部离群因子)算法和KDE(核密度估计)方法分析稳定图中的极点，剔除虚假模态；
[0008]S2：参数初始化：设置SSA(麻雀搜索算法)的种群个数、迭代次数、预警值、发现者比例、侦察者比例，初始化K个聚类中心的麻雀种群；
[0009]S3：聚类中心更新：对每组聚类中心，根据最小距离原则将稳定图中剔除了异常点的极点划分到距离最小的簇内，计算每个簇内元素的平均值作为该簇新的中心；
[0010]S4：最佳适应度值和麻雀个体计算：计算麻雀群体中个体适应度值，对所有麻雀个体适应度值进行排序，找到当前最佳和最差适应度值，更新发现者、加入者和侦察者位置，
计算麻雀种群适应度值，更新麻雀种群位置，判断算法是否达到最大迭代次数，不满足则返回步骤S3，满足则输出最佳适应度值和麻雀个体；
[0011]S5：最佳聚类中心和聚类划分获取：将步骤S4得到的最佳麻雀个体作为初始聚类中心，运用K
‑
means聚类算法对稳定图中剔除了异常点的极点进行聚类分析，得到最终的聚类中心和聚类划分；
[0012]S6：模态参数确定：确定距最终的聚类中心最近的极点包含的参数为最终的模态参数。
[0013]步骤S1中对稳定图绘制的具体步骤如下：
[0014]S11、对于具有高拱坝强震监测数据，其离散型随机状态空间模型为：
[0015][0016]式中：x
k
∈R
n
×1，y
k
∈R
l
×1分别为系统离散时间的状态矢量x与输出矢量y在k时刻的值，l为系统输出的数目；A∈R
n
×
n
，C∈R
l
×
n
分别为系统状态空间方程的状态矩阵和输出矩阵；w
k
∈R
n
×
l
，v
k
∈R
l
×1分别为系统建模过程噪声w和测量噪声v在k时刻的值，其为均值为零的白噪声；
[0017]S12、构造Toeplitz矩阵：
[0018][0019]式中：输出向量的协方差矩阵R
i
为：
[0020]S13、Toeplitz矩阵分解：
[0021]对Toeplitz矩阵T
1|i
进行SVD分解可得：
[0022][0023]式中：U1∈R
li
×
n
，V1∈R
li
×
n
均为正交矩阵，S1为降序排列的n个主奇异值对角阵；
[0024]S14、对系统矩阵特征值分解为：
[0025]A＝ΨΛΨ
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0026]式中，Λ是一个由离散时间系统的极点μ
i
组成的对角矩阵，Ψ是系统状态空间方程的状态矩阵A的特征向量；
[0027]S15、通过离散系统的极点μ
i
计算连续系统的特征值λ
i
为：
[0028][0029]式中：Δt为采样时间间隔；
[0030]S16、自振频率、阻尼比和振型计算结果为：
[0031][0032]式中：f
i
、ξ
i
、Φ
i
分别表示第i阶模态的自振频率、阻尼比和振型；
[0033]S17、计算满足容差的自振频率和MAC：
[0034][0035](1
‑
MAC(n，n+1))
×
100％＜2％
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0036]式中：f为计算自振频率，n为模型的阶数，MAC为模态置信准则(Modal Assurance Criterion)：
[0037][0038]式中：Φ为模态振型，MAC值在0和1之间，表示模态振型的相关性：
[0039]以满足容差的自振频率为横坐标、MAC为纵坐标，绘制稳定图，将所有测点的功率谱的最大值作为稳定图的背景曲线。
[0040]S18、对于稳定图中极点的数据集X＝[x1，x2，
…
，x
N
]∈R
M
×
N
，x
i
(i＝1，2，
…
，N)的所有k个最近邻为：
[0041][0042]x
i
与x
j
的可达距离表示为：
[0043]reach_dist(x
i
，x
j
)＝max{k_dist(x
j
)，dist(x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于强震监测数据的高拱坝模态参数自动识别方法，其特征在于，包括以下步骤：S1：稳定图绘制：采用随机子空间识别方法对高拱坝强震监测数据初步分析，识别出不同阶数的自振频率和振型，计算出满足容差的自振频率和模态置信准则，以满足容差的自振频率为横坐标、模态置信准则为纵坐标、所有测点的功率谱的最大值作为背景曲线，绘制稳定图，通过局部离群因子和核密度估计方法分析稳定图中的极点，剔除虚假模态；S2：参数初始化：设置麻雀搜索算法的种群个数、迭代次数、预警值、发现者比例、侦察者比例，初始化K个聚类中心的麻雀种群；S3：聚类中心更新：对每组聚类中心，根据最小距离原则将稳定图中剔除了异常点的极点划分到距离最小的簇内，计算每个簇内元素的平均值作为该簇新的聚类中心；S4：最佳适应度值和麻雀个体计算：计算麻雀群体中个体适应度值，对所有麻雀个体适应度值进行排序，找到当前最佳和最差适应度值，更新发现者、加入者和侦察者位置，计算麻雀种群适应度值，更新麻雀种群位置，判断算法是否达到最大迭代次数，不满足则返回步骤S3，满足则输出最佳适应度值及与最佳适应度值对应的最佳麻雀个体；S5：最佳聚类中心和聚类划分获取：将步骤S4得到的最佳麻雀个体作为初始聚类中心，运用K
‑
means聚类算法对稳定图中剔除了异常点的极点进行聚类分析，得到最终的聚类中心和聚类划分；S6：模态参数确定：确定距最终的聚类中心最近的极点包含的参数为最终的模态参数。2.根据权利要求1所述的基于强震监测数据的高拱坝模态参数自动识别方法，其特征在于，步骤S1中对稳定图绘制的具体步骤如下包括：S11、对于具有高拱坝强震监测数据，其离散型随机状态空间模型为：式中：x
k
∈R
n
×1，y
k
∈R
l
×1分别为系统离散时间的状态矢量x与输出矢量y在k时刻的值，l为系统输出的数目；A∈R
n
×
n
，C∈R
l
×
n
分别为系统状态空间方程的状态矩阵和输出矩阵；w
k
∈R
n
×
l
，v
k
∈R
l
×1分别为系统建模过程噪声w和测量噪声v在k时刻的值，其为均值为零的白噪声；S12、构造Toeplitz矩阵：式中：输出向量的协方差矩阵R
i
为：S13、Toeplitz矩阵分解：对Toeplitz矩阵T
1|i
进行SVD分解可得：式中：U1∈R
li
×
n
，V1∈R
li
×
n
均为正交矩阵，S1为降序排列的n个主奇异值对角阵；S14、对系统矩阵特征值分解为：
A＝ΨΛΨ
‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，Λ是一个由离散时间系统的极点μ
i
组成的对角矩阵，Ψ是系统状态空间方程的状态矩阵A的特征向量；S15、通过离散系统的极点μ
i
计算连续系统的特征值λ
i
为：式中：Δt为采样时间间隔；S16、自振频率、阻尼比和振型计算结果为：式中：f
i
、ξ
i
、Φ
i
分别表示第i阶模态的自振频率、阻尼比和振型；S17、计算满足容差的频率和MAC：(1
‑
MAC(n，n+1))
×
100％＜2％
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中：f为计算频率，n为模型的阶数，MAC为模态置信准则：式中：Φ为模态振型，MAC值在0和1之间，表示模态振型的相关性；以满足容差的频率为横坐标、MAC为纵坐标，绘制稳定图，将所有测点的功率谱的最大值作为稳定图的背景曲线；S 18、对于稳定图中极点的数据集X＝[x1，x2，
…
，x
N
]∈R
M
×
N
，x
i
(i＝1，2，
…
，N)的所有k个最近邻为：x
i
与x
j
...

【专利技术属性】
技术研发人员：李波，梁蔚，余信江，胡超，胡蕾，杨胜梅，张启灵，韩笑，郑谦，田亚岭，李志，
申请(专利权)人：长江水利委员会长江科学院，
类型：发明
国别省市：