导读:本文包含了工作模态参数论文开题报告文献综述及选题提纲参考文献，主要关键词:透平机械,工作模态辨识,随机激励,转子稳定性
工作模态参数论文文献综述
李启行,褚福磊[1]（2019）在《环境激励下的旋转机械工作模态参数辨识》一文中研究指出伴随着高速透平机械向大跨度、柔性结构方向发展,转子-轴承系统的稳定性将面临着严峻考验。在出厂测试阶段,确保机组转子系统具有足够稳定性裕度是降低生产现场机组发生失稳故障风险的重要手段。采用适用于随机平稳环境激励下的随机子空间法,对机组的模态参数进行辨识,可规避在转子非驱动端增设电磁激振器的传统测试方法。通过分析转子振型进动方向,区分一阶正反进动的模态参数。结合3-σ统计聚类算法,剔除非稳定的噪声或物理极点,形成了区分转子系统的正反进动的稳态图。数值仿真表明,随机子空间法可以有效地辨识系统的模态参数,利用旋转机械的振型进动方向分析方法可以区分正反进动。此外,通过传统扫频激励模态参数辨识试验,验证了随机子空间方法的辨识精度和工程测试可行性。研究结果可为透平机组的稳定性测试提供技术和理论支撑。(本文来源于《机械工程学报》期刊2019年19期）
张天舒[2]（2018）在《基于流形学习的线性结构工作模态参数识别》一文中研究指出针对工作模态参数识别(OMA)存在时空开销大、精度低等问题,本文基于流形学习算法,对一维线性时不变结构、叁维线性时不变结构和线性慢时变结构的工作模态参数识别问题分别提出了解决方案,主要研究内容包括:针对一维线性时不变结构,提出了基于自迭代主元抽取(SIPCE)和基于Sanger神经网络主元分析的工作模态参数识别方法。相较基于传统主元分析的工作模态参数识别方法,基于自迭代主元抽取的工作模态参数识别方法避免了矩阵分解中存在的病态问题,具有更高的识别精度,同时大大降低了时间和空间开销。考虑到实际应用场景对算法时效性的要求,以及多核硬件并行计算的发展,提出基于Sanger神经网络并行主元抽取工作模态参数识别方法。相比较Oja网络和APEX网络,Sanger网络不仅可以同时提取多阶主成分而且其中间的权重矩阵有着实际的物理意义。其依据学习率和学习规则并行迭代得到多阶主成分,易于被嵌入到多核硬件,具有很高的工程价值。通过一维时不变简支梁仿真及实验数据集上的工作模态参数识别结果,验证了基于自迭代主元和基于Sanger神经网络主元分析工作模态参数识别方法的准确性和可靠性。针对叁维线性时不变结构,提出了直接矩阵组装的自迭代主元抽取和等距特征映射(ISOMAP)的叁维工作模态参数识别方法。通过分析一维线性时不变结构和叁维线性时不变结构的不同,以及基于模态响应矩阵求逆反代的叁维模态振型组装方法的缺点,提出叁维模态振型直接矩阵组装法。该方法将叁个维度的振动响应信号组装起来然后求解模型,大大提高了叁维模态振型的识别精度。但叁维模态振型直接矩阵组装法耗费的计算资源高于之前的方法,并且增加了矩阵分解出现病态的风险。使用自迭代主元抽取求解直接矩阵组装的模型,不但避免了求解过程中的病态问题,还大大降低了时间和空间开销。针对叁维时不变结构的非线性特征,提出使用等距特征映射算法求解叁维结构。叁维线性结构的模态响应数据中存在着非线性特性,等距特征映射算法使用近地距离度量测点间的近邻关系,可以很好的表达叁维结构中的非线性特征。在叁维圆柱壳上的仿真验证结果表明,基于自迭代主元抽取和基于等距特征映射工作模态参数识别方法均对复杂叁维线性结构工作模态参数有着很好的识别效果。针对线性慢时变结构,提出了基于滑动窗自迭代主元抽取(MWSIPCE)工作模态识别方法。依据“短时时不变”理论,将连续的一段时间划分成小的时间窗,在每个时间窗内,结构体可以被近似的认为是时不变的。此时使用自迭代主元抽取算法识别结构体在时间窗内的工作模态参数,近似作为时间窗内中间时刻的模态参数的。时间窗随着时间的推移而滑动,如此可以得出慢时变结构在各个时刻的模态参数,然后将每个时刻的模态参数连起来最终得到线性慢时变结构时变的工作模态参数。通过线性时变悬臂梁的仿真,验证了基于MWSIPCE工作模态参数识别方法的正确性,并且就仿真实验过程中出现的模态交换问题做出了合理的解释。(本文来源于《华侨大学》期刊2018-05-30）
雷宇翔,缑锦,王成,罗伟[3]（2018）在《DE-ICA优化算法在工作模态参数识别的应用》一文中研究指出提出一种差分进化(DE)改进的独立成分分析(ICA)优化算法,解决工作模态参数识别时容易陷入局部最优,难以识别出高阶模态参数的问题.通过对悬臂梁的ANSYS仿真数据对比可知:相对于传统的ICA方法,结合差分进化算法的ICA识别的模态参数精度更高,且能分离出更多的高阶模态,更适合于高阶模态参数的识别.(本文来源于《华侨大学学报(自然科学版)》期刊2018年02期）
张天舒,王成,官威,王建英,刘艳[4]（2018）在《基于自迭代主元抽取的工作模态参数识别》一文中研究指出针对传统批处理主成分分析工作模态参数识别中存在的矩阵奇异值或特征值分解病态问题,本文提出了一种基于自迭代主元抽取的工作模态参数识别方法。与传统批处理主成分分析通过矩阵分解一次获得所有主成分不同,该方法通过自迭代逐一抽取主成分从而实现主要贡献工作模态的逐一识别。理论分析表明,该方法的时间复杂度和空间复杂度比传统批处理主成分分析工作模态参数识别方法更低。在简支梁仿真数据集上的识别结果表明,自迭代主元抽取算法可以从平稳随机响应信号中有效地识别出线性时不变结构的主要贡献模态振型和固有频率,在响应测点和采样时间较多时其时间开销较传统方法也更小。(本文来源于《数据采集与处理》期刊2018年02期）
孙倩,颜王吉,任伟新[5]（2017）在《基于响应传递比的桥梁结构工作模态参数识别》一文中研究指出响应传递比在系统极点处与输入无关,并且等于振型比。基于这一独特性质,可以融合多个激励工况下的测试值构建传递比矩阵,并通过奇异值分解技术快速判断出系统的极点,进而根据传递比向量直接估算出振型向量。为了研究该方法在土木工程结构的工作模态参数识别中的应用,首先通过数值算例验证了响应传递比方法可以有效剔除谐波输入引起的虚假模态。此外,通过一环境激励下实桥的振动试验对该方法进行验证,并与有限元方法和随机子空间法结果进行了对比。结果表明,响应传递比方法能够有效地运用于环境激励下桥梁结构的模态参数识别。(本文来源于《工程力学》期刊2017年11期）
王建英[6]（2017）在《基于盲源分离的线性结构工作模态参数识别》一文中研究指出工作模态分析(OMA)一直是国内外研究的重点对象。基于二阶盲辨识(SOBI)和独立成分分析(ICA)方法,本文分别提出了线性时不变结构、复杂叁维连续体结构和线性时变结构工作模态参数识别方法,主要研究内容包括:(1)研究了基于SOBI和ICA的线性时不变结构工作模态参数识别方法。首先从理论上分析工作模态识别方法和盲源分离之间的相似之处,并得出了分离矩阵与模态振型之间、分离信号和模态坐标响应之间的一一对应关系,指出了基于盲源分离(BSS)工作模态参数识别方法识别模态顺序不确定、振型能量不确定、模态缺失的根本原因。其次,从目标函数和优化方法出发,比较不同ICA方法应用于时不变结构工作模态分析领域时的优缺点。最后,由于ICA方法使用的是高阶统计量,本文还研究基于二阶统计量的SOBI方法。在离散叁自由度和简支梁上的线性时不变数值仿真验证中,对比和分析SOBI方法和各种ICA方法线性时不变结构工作模态参数识别的优缺点。(2)研究了基于SOBI的复杂叁维连续体结构的工作模态参数识别方法。本文利用在笛卡尔坐标系下叁维结构叁个方向的模态坐标矩阵相同的特性,先使用SOBI方法识别出响应最大的那个方向的模态坐标响应,再利用最小二乘广义逆的方法将该模态坐标矩阵回代到其它两个方向上识别其它两方向的模态振型,最后完成叁维模态振型组装。在叁维圆柱壳上的仿真验证结果表明,基于SOBI和最小二乘广义逆的方法能有效地识别出叁维圆柱壳上的模态参数。(3)研究了基于滑动窗SOBI的线性时变结构工作模态参数在线识别方法。此方法利用“短时时不变”理论,假设在一个很小的时间窗内,结构是时不变的,此时可以利用SOBI方法识别结构在中间时刻的工作模态参数,随着时间的推移,窗口也不断向前滑动,从而识别出每个时刻的模态参数,最后将每个时刻的模态参数连起来,从而形成时变结构的模态参数,并给出方法中滑动窗的选取规则和应用范围。在线性时变叁自由度系统和时变悬臂梁上的仿真验证结果表明,在选择合适的滑动窗窗口的大小的情况下,基于滑动窗SOBI方法能有效地识别出时变结构的模态参数,识别效果比基于滑动窗ICA方法更好。(本文来源于《华侨大学》期刊2017-05-19）
官威[7]（2016）在《自适应主元分析的线性时变结构工作模态参数在线识别》一文中研究指出线性时变结构的工作模态参数识别在振动控制和故障诊断等领域具有重要的理论意义和工程应用价值。本文基于线性时变结构的“时间冻结”和“瞬态”表示,提出了自适应主元分析的线性时变结构工作模态参数在线识别方法,并进行了理论推导和数值仿真验证。主要工作如下:(1)从基本主成分分析(PCA)算法出发,建立其与线性时不变结构位移响应的模态坐标表示之间的对应关系,阐述了基于PCA工作模态参数识别方法各参数物理意义及适用条件,通过数值仿真验证了该方法在线性时不变结构工作模态参数识别中的效果。(2)基于“短时时不变”思想,将基于PCA的线性时不变结构工作模态参数识别方法与滑动窗技术结合,提出了滑动窗主元分析的线性时变结构工作模态参数识别方法。在选取合适大小的数据窗后,该方法能有效识别线性时变结构的瞬态模态频率和模态振型。在此基础上,将该方法与自相关矩阵递推、特征值特征向量递推技术相结合,分别提出滑动窗自相关矩阵在线递推和滑动窗特征值特征向量在线递推的主元分析算法。通过理论分析和数值仿真验证,基于滑动窗特征值特征向量递推的主元分析算法较滑动窗自相关矩阵递推的主元分析算法具有更低的时间复杂度、空间复杂度和数值稳定性。(3)基于“遗忘因子加权”思想,将基于PCA的线性时不变结构工作模态参数识别方法与“加权遗忘技术”结合,提出带遗忘因子加权的主元分析的线性时变结构工作模态参数识别方法。在选取合适大小的遗忘因子后,该方法能有效识别线性时变结构的瞬态模态频率和模态振型。在此基础上,将该方法与自相关矩阵递推、特征值特征向量递推技术相结合,分别提出带遗忘因子加权的自相关矩阵在线递推和带遗忘因子加权的特征值特征向量在线递推主元分析算法。通过理论分析和数值仿真验证,基于带遗忘因子加权的特征值特征向量递推主元分析算法较带遗忘因子加权的自相关矩阵递推主元分析算法具有更低的时间复杂度、空间复杂度和数值稳定性。(本文来源于《华侨大学》期刊2016-06-01）
张建伟,朱良欢,江琦,赵瑜,郭佳[8]（2015）在《基于HHT的高坝泄流结构工作模态参数辨识》一文中研究指出基于高坝的工作特点,提出一种适用于泄流结构的工作模态参数时域辨识方法。对于低信噪比泄流结构振动信号,首先,利用小波阈值-经验模态分解(empirical mode decomposition,简称EMD)联合滤波方法滤除低频水流脉动噪声和高频白噪声,得到结构振动有效信息;然后,通过希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)原理辨识结构系统的固有频率及阻尼比;最后,结合奇异熵增量理论对系统模态进行定阶和模态验证。仿真研究表明,该方法能够有效避免模态分解中的频率混杂,具有较强的鲁棒性以及较高的辨识精度。将该方法应用于叁峡重力坝5号溢流坝段,可准确辨识出结构系统的工作模态参数,为研究高坝泄流结构安全运行与在线无损动态检测提供基础。(本文来源于《振动.测试与诊断》期刊2015年04期）
张睿,何常德,黄晋英,张永梅,薛晨阳[9]（2015）在《基于QICA的工作模态参数识别技术及其应用研究》一文中研究指出针对目前基于振动信号的工作模态参数识别方法存在抗噪能力低,参数识别主观经验性较强,识别精度差和识别方法较复杂等问题,研究了一种基于量子优化ICA的工作模态参数识别技术(Operational Model Analysis,OMA),通过齿轮箱LMS模态实验证明,QICA模态参数识别技术操作简单,能够有效排除噪声干扰。最后以QICA识别的齿轮箱五种工况模态频率作为故障诊断特征参量,分析对比各工况下的模态频率的变化,进行了齿轮箱故障诊断。(本文来源于《机械传动》期刊2015年05期）
张锐,黄晋英,郎忠宝[10]（2015）在《基于ICA的工作模态参数识别》一文中研究指出本文分别阐述了独立分量分析和基于ICA的工作模态分析原理,发现了ICA分离模型与结构振动模态分析模型的一致性。应用ICA算法和比利时LMS公司的OMA分析软件分别对齿轮箱正常和断齿工况进行模态参数识别,对比发现,ICA算法与目前最常用的Op.Poly MAX算法相比抗噪性强,识别简便精准,为工作模态参数识别提供新的识别依据。(本文来源于《科技视界》期刊2015年03期）
工作模态参数论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对工作模态参数识别(OMA)存在时空开销大、精度低等问题,本文基于流形学习算法,对一维线性时不变结构、叁维线性时不变结构和线性慢时变结构的工作模态参数识别问题分别提出了解决方案,主要研究内容包括:针对一维线性时不变结构,提出了基于自迭代主元抽取(SIPCE)和基于Sanger神经网络主元分析的工作模态参数识别方法。相较基于传统主元分析的工作模态参数识别方法,基于自迭代主元抽取的工作模态参数识别方法避免了矩阵分解中存在的病态问题,具有更高的识别精度,同时大大降低了时间和空间开销。考虑到实际应用场景对算法时效性的要求,以及多核硬件并行计算的发展,提出基于Sanger神经网络并行主元抽取工作模态参数识别方法。相比较Oja网络和APEX网络,Sanger网络不仅可以同时提取多阶主成分而且其中间的权重矩阵有着实际的物理意义。其依据学习率和学习规则并行迭代得到多阶主成分,易于被嵌入到多核硬件,具有很高的工程价值。通过一维时不变简支梁仿真及实验数据集上的工作模态参数识别结果,验证了基于自迭代主元和基于Sanger神经网络主元分析工作模态参数识别方法的准确性和可靠性。针对叁维线性时不变结构,提出了直接矩阵组装的自迭代主元抽取和等距特征映射(ISOMAP)的叁维工作模态参数识别方法。通过分析一维线性时不变结构和叁维线性时不变结构的不同,以及基于模态响应矩阵求逆反代的叁维模态振型组装方法的缺点,提出叁维模态振型直接矩阵组装法。该方法将叁个维度的振动响应信号组装起来然后求解模型,大大提高了叁维模态振型的识别精度。但叁维模态振型直接矩阵组装法耗费的计算资源高于之前的方法,并且增加了矩阵分解出现病态的风险。使用自迭代主元抽取求解直接矩阵组装的模型,不但避免了求解过程中的病态问题,还大大降低了时间和空间开销。针对叁维时不变结构的非线性特征,提出使用等距特征映射算法求解叁维结构。叁维线性结构的模态响应数据中存在着非线性特性,等距特征映射算法使用近地距离度量测点间的近邻关系,可以很好的表达叁维结构中的非线性特征。在叁维圆柱壳上的仿真验证结果表明,基于自迭代主元抽取和基于等距特征映射工作模态参数识别方法均对复杂叁维线性结构工作模态参数有着很好的识别效果。针对线性慢时变结构,提出了基于滑动窗自迭代主元抽取(MWSIPCE)工作模态识别方法。依据“短时时不变”理论,将连续的一段时间划分成小的时间窗,在每个时间窗内,结构体可以被近似的认为是时不变的。此时使用自迭代主元抽取算法识别结构体在时间窗内的工作模态参数,近似作为时间窗内中间时刻的模态参数的。时间窗随着时间的推移而滑动,如此可以得出慢时变结构在各个时刻的模态参数,然后将每个时刻的模态参数连起来最终得到线性慢时变结构时变的工作模态参数。通过线性时变悬臂梁的仿真,验证了基于MWSIPCE工作模态参数识别方法的正确性,并且就仿真实验过程中出现的模态交换问题做出了合理的解释。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
工作模态参数论文参考文献
[1].李启行,褚福磊.环境激励下的旋转机械工作模态参数辨识[J].机械工程学报.2019
[2].张天舒.基于流形学习的线性结构工作模态参数识别[D].华侨大学.2018
[3].雷宇翔,缑锦,王成,罗伟.DE-ICA优化算法在工作模态参数识别的应用[J].华侨大学学报(自然科学版).2018
[4].张天舒,王成,官威,王建英,刘艳.基于自迭代主元抽取的工作模态参数识别[J].数据采集与处理.2018
[5].孙倩,颜王吉,任伟新.基于响应传递比的桥梁结构工作模态参数识别[J].工程力学.2017
[6].王建英.基于盲源分离的线性结构工作模态参数识别[D].华侨大学.2017
[7].官威.自适应主元分析的线性时变结构工作模态参数在线识别[D].华侨大学.2016
[8].张建伟,朱良欢,江琦,赵瑜,郭佳.基于HHT的高坝泄流结构工作模态参数辨识[J].振动.测试与诊断.2015
[9].张睿,何常德,黄晋英,张永梅,薛晨阳.基于QICA的工作模态参数识别技术及其应用研究[J].机械传动.2015
[10].张锐,黄晋英,郎忠宝.基于ICA的工作模态参数识别[J].科技视界.2015