本发明专利技术提供了时变工作模态参数自适应识别方法、装置、设备及介质，将平滑度的概念引入动力学结构，通过监测原始信号的平滑度，自动调整滑动窗的窗口大小，结合传统的流形学习算法，例如主成分分析法、多维尺度分析法、局部保留投影方法等以进行线性时变结构的工作模态参数识别，利用振动测试方法获得幕墙玻璃的动态特性参数来识别玻璃幕墙支撑结构松动及其结构胶的老化与损伤程度。基于平滑度的窗长自适应线性时变结构工作模态参数识别方法能实现窗长大小自适应变化，与传统的滑动窗方法结合流形学习算法相比较，基于平滑度自适应算法的识别精度高于传统滑动窗方法，对于非平稳信号和时变结构工作模态参数识别和跟踪能力更强。强。强。
【技术实现步骤摘要】
时变工作模态参数自适应识别方法、装置、设备及介质
[0001]本专利技术涉及线性识别结构工作模态参数识别领域，具体涉及时变工作模态参数自适应识别方法、装置、设备及介质。
技术介绍
[0002]工作模态参数识别是通过测量环境随机激励下的结构位移响应信号来进行模态参数识别，在大型应用工程中具有重要的意义，可以进行实时的结构监测和损伤检测。针对时不变结构，目前市面上已提出了主成分分析法（Principal component analysis，PCA）和等距离映射算法（ISOMAP），但PCA算法存在模态丢失和虚假模态等问题。之后又使用了Sanger神经网络进行并行的PCA工作模态参数识别，解决了传统PCA存在奇异性、对测量噪声敏感和效率低下等问题。使用LLE算法和HHT相结合的模态识别方法，通过LLE算法降维后使用HHT识别结构阻尼，从而提取出有效的模态参数。使用矩阵直接组装法，提出了主元抽取的三维连续体结构工作模态参数识别。
[0003]针对线性慢时变结构振动响应特性，模态信息无法一次提取完整，需要在时间序列上不断进行采样和分析。因此，提出了滑动窗（Moving Window，MW）方法，基于“时间冻结”理论，将短时间间隔内的结构看成“短时时不变”的。目前，滑动窗在线性时变结构工作模态参数识别方面已有一些实际的应用，第一种，将滑动窗与主元分析法进行了结合，提出MWRPCA算法，有效的识别出线性时变结构的模态参数；第二种，提出了基于滑动变步长的EASI算法；第三种将滑动窗技术与领域保留投影算法(Neighborhood preserving embedding，NPE)相结合，利用NPE算法能够保持原始数据集的特性的特点，进行线性时变结构的参数识别。但上述已有研究中，滑动窗的窗长都是固定的，不能随着结构时变快慢和振动信号非平稳程度的不同而窗长大小自适应变化，导致线性时变结构工作模态参数识别不准确，对于非平稳信号和时变结构工作模态参数识别和跟踪能力弱。
[0004]有鉴于此，提出本申请。
技术实现思路
[0005]有鉴于此，本专利技术的目的在于提供时变工作模态参数自适应识别方法、装置、设备及介质，能够有效解决现有技术中的幕墙故障诊断方法存在模态丢失、抗噪声能力差，噪声很敏感，对于工作模态的识别会有很大的误差,而且时间复杂度高，难以识别高阶模态，会出现模态重复识别的问题。
[0006]本专利技术公开了时变工作模态参数自适应识别方法,包括：在预设时间间隔内获取由传感器采集的幕墙的多通道振动响应数据，
其中，为时间，为时域位移响应信号，为在所述线性时变结构上布置的振动传感器检测点个数，T为时域的采样点个数，为实数范围内的维度为的矩阵，为第个滑动窗窗口，，为第个采样序列点，，为第个采样序列点，，为滑动窗的长度，代表第个传感器在时刻内采集的响应信号；对所述多通道振动响应数据进行模态参数识别处理，生成工作模态参数，其中包括模态固有频率、模态振型；根据所述工作模态参数与被测幕墙故障前的模态参数进行比较，生成故障判断结果。
[0007]优选地，所述多通道振动响应数据的第一个窗口长度为。
[0008]优选地，对所述多通道振动响应数据进行模态参数识别处理，生成工作模态参数，具体为：计算所述多通道振动响应数据的当前窗口内的平滑度大小；连续截取第个时刻长度为的时域振动响应信号，在该信号对应的数据窗口中建立流形学习算法，求解该窗口工作模态参数的模型，并根据流形学习算法求得的低维嵌入，其中，为降维后的维度；通过单自由度技术（SDOF）或者傅里叶变换（FFT）对降维后的矩阵进行处理，生成模态固有频率；利用二乘广义逆对时刻的低维嵌入进行计算处理，生成模态振型
矩阵，并采用模态置信参数MAC来评定模态振型识别的准确性；将时刻变量重新进行赋值，重复上述步骤，直至时，生成工作模态参数。
[0009]优选地，计算所述多通道振动响应数据的当前窗口内的平滑度大小，具体为：对所述多通道振动响应数据的当前窗口的信号进行差分操作处理，生成多个信号对应的一阶导数，并计算所述一阶导数的平均值；根据公式计算所述多通道振动响应数据的当前窗口内的平滑度大小，其中，为第个时刻长度为的时域振动响应信号，窗口长度。
[0010]优选地，采用模态置信参数MAC来评定模态振型识别的准确性的具体计算方式为：其中，是被识别的第个模态振型，代表真实的第个模态振型，和分别代表与的转置，代表两个向量的内积，表示和的相似程度，。
[0011]本专利技术还公开了时变工作模态参数自适应识别装置，包括：信号数据获取单元，用于在预设时间间隔内获取由传感器采集的幕墙的多通道振动响应数据，
其中，为时间，为时域位移响应信号，为在所述线性时变结构上布置的振动传感器检测点个数，T为时域的采样点个数，为实数范围内的维度为的矩阵，为第个滑动窗窗口，，为第个采样序列点，，为第个采样序列点，，为滑动窗的长度，代表第个传感器在时刻内采集的响应信号；参数识别单元，用于对所述多通道振动响应数据进行模态参数识别处理，生成工作模态参数，其中包括模态固有频率、模态振型；故障判断单元，用于根据所述工作模态参数与被测幕墙故障前的模态参数进行比较，生成故障判断结果。
[0012]优选地，所述参数识别单元具体用于：计算所述多通道振动响应数据的当前窗口内的平滑度大小；连续截取第个时刻长度为的时域振动响应信号，在该信号对应的数据窗口中建立流形学习算法，求解该窗口工作模态参数的模型，并根据流形学习算法求得的低维嵌入，其中，为降维后的维度；通过单自由度技术（SDOF）或者傅里叶变换（FFT）对降维后的矩阵进行处理，生成模态固有频率；利用二乘广义逆对时刻的低维嵌入进行计算处理，生成模态振型矩阵，并采用模态置信参数MAC来评定模态振型识别的准确性；将时刻变量重新进行赋值，重复上述步骤，直至时，生
成工作模态参数。
[0013]本专利技术还公开了时变工作模态参数自适应识别设备，包括处理器、存储器以及存储在所述存储器中且被配置由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上任意一项所述的时变工作模态参数自适应识别方法。
[0014]本专利技术还公开了可读存储介质，存储有计算机程序，所述计算机程序能够被该存储介质所在设备的处理器执行，以实现如上任意一项所述的时变工作模态参数自适应识别方法。
[0015]综上所述，本实施例提供的时变工作模态参数自适应识别方法、装置、设备及介质，将多个振动传感器装置布置于测量结构的关键点上，通过传感器测量得到的振动响应信号进行工作模态参数识别，检测系统结构的模态参数，并将其应用于幕墙结构的故障诊断与健康状态监测中。从而解决现有技术中的幕墙故障诊断方法存在模态丢失、抗噪声能力差，噪声很敏感，对于工作模态的识别会有很大的误差,而且时间复杂度高，难以识别高阶模态，会出现模态重复识别的问题。
附图说明
[0016]图1是本专利技术实施例提供的时变工作模态参数自适应识别方法的流程示意图。
[0017]图2是本专利技术实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.时变工作模态参数自适应识别方法, 其特征在于，包括：在预设时间间隔内获取由传感器采集的幕墙的多通道振动响应数据，其中，为时间，为时域位移响应信号，为在所述线性时变结构上布置的振动传感器检测点个数，T为时域的采样点个数，为实数范围内的维度为的矩阵，为第个滑动窗窗口，，为第个采样序列点，，为第个采样序列点，，为滑动窗的长度，代表第个传感器在时刻内采集的响应信号；对所述多通道振动响应数据进行模态参数识别处理，生成工作模态参数，其中包括模态固有频率、模态振型；根据所述工作模态参数与被测幕墙故障前的模态参数进行比较，生成故障判断结果。2.根据权利要求1所述的时变工作模态参数自适应识别方法, 其特征在于，所述多通道振动响应数据的第一个窗口长度为。3.根据权利要求1所述的时变工作模态参数自适应识别方法, 其特征在于，对所述多通道振动响应数据进行模态参数识别处理，生成工作模态参数，具体为：计算所述多通道振动响应数据的当前窗口内的平滑度大小；连续截取第个时刻长度为的时域振动响应信号，在该信号对应的数据窗口中建立流形学习算法，求解该窗口工作模态参数的模型，并根据流形学习算法求得的低维嵌入，其中，为降维后的维度；通过单自由度技术（SDOF）或者傅里叶变换（FFT）对降维后的矩阵进行处理，生成模态固有频率；利用二乘广义逆对时刻的低维嵌入进行计算处理，生成模态振型矩阵，并采用模态置信参数MAC来评定模态振型识别的准确性；将时刻变量重新进行赋值，重复上述步骤，直至时，生成工作模态参数。4.根据权利要求3所述的时变工作模态参数自适应识别方法, 其特征在于，计算所述
多通道振动响应数据的当前窗口内的平滑度大小，具体为：对所述多通道振动响应数据的当前窗口的信号进行差分操作处理，生成多个信号对应的一阶导数，并计算所述一阶导数的平均值；根据公式计算所述多通道振动响应数据的当前窗口内的平滑度大小，其中，为第个时刻长度为的时域振动响应信号，窗口长度。5.根据权利要求3所述的时变工作模态参数自适应识别方法, 其特征在于，采用模态置信参数MAC来评定...
【专利技术属性】
技术研发人员：王成，马昊霖，郑益斌，
申请(专利权)人：厦门万宾科技有限公司，
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。