复杂环境激励下时变系统模态参数辨识方法研究

论文摘要

本文主要针对大型空间结构、高速飞行器和高速列车等实际工程通常受到难以测量的多种成分激励作用的问题,研究复杂环境激励下时变系统的模态参数辨识方法。本文针对含有白噪声、周期性和瞬态三种成分的复杂环境激励情况,仅利用系统的响应数据,进行了时变结构参数辨识方法的研究。在响应信号的预处理中,采用奇异值分解去除噪声,数字滤波进行频率选取,和相关系数法去除EMD分解产生的虚假IMF分量。在参数辨识中,采用了基于希尔伯特-黄变换的辨识方法,提出了基于EMD与神经网络相结合的辨识方法,进行时变系统参数的辨识。通过MATLAB软件建立了两个三自由度的时变模型,即刚度线变和突变,并对以上各种方法分别进行了仿真验证。结果表明,基于希尔伯特-黄变换的辨识方法和基于EMD与神经网络相结合的方法对刚度线变和突变系统的模态参数都有较好的辨识效果。利用ADAMS软件对一具有匀速移动质点的简支梁系统进行了模拟实验,结果表明,基于希尔伯特-黄变换的辨识方法和基于EMD与神经网络相结合的辨识方法都能够有效的辨识系统的时变频率。从辨识结果图可以看出,两种方法都会受到EMD分解过程中边缘效应的影响,相比之下,基于EMD与神经网络相结合的辨识方法受到的影响更小。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 环境激励下模态参数辨识的研究动态
• 1.2.2 时变系统模态参数辨识的研究动态
• 1.3 本文的主要工作及内容
• 1.3.1 本文的主要工作和创新点
• 1.3.2 本文的内容安排
• 第二章 基于HILBERT-HUANG 变换的参数辨识
• 2.1 经验模态分解（EMPIRICAL MODE DECOMPOSITION，EMD）
• 2.1.1 内禀模态函数（Intrinsic Mode Function，IMF）
• 2.1.2 EMD 分解过程
• 2.1.3 EMD 分解的特点
• 2.2 HILBERT 谱与HILBERT 边际谱
• 2.3 HILBERT-HUANG变换存在的一些问题
• 2.3.1 IMF 判据问题
• 2.3.2 EMD 分解存在的问题
• 2.4 响应信号预处理
• 2.4.1 噪声处理
• 2.4.2 频率筛选
• 2.4.3 算例分析
• 2.5 基于HILBERT-HUANG 变换的时变参数辨识方法
• 2.5.1 复杂环境激励下时变系统响应信号的分解
• 2.5.2 基于Hilbert-Huang 变换的参数辨识
• 2.6 本章小结
• 第三章 基于EMD 与神经网络相结合的参数辨识
• 3.1 神经网络简介
• 3.1.1 神经网络的特性
• 3.1.2 神经网络结构
• 3.1.3 BP 神经网络
• 3.2 基于EMD 与神经网络相结合的时变参数辨识方法
• 3.2.1 基于神经网络的系统辨识
• 3.2.2 基于EMD 与神经网络相结合的参数辨识
• 3.3 本章小结
• 第四章 数值仿真
• 4.1 仿真模型
• 4.2 线变系统模态参数辨识
• 4.2.1 响应信号的EMD 分解
• 4.2.2 基于Hilbert-Huang 变换的参数辨识
• 4.2.3 基于EMD 与神经网络相结合的参数辨识
• 4.3 突变系统模态参数辨识
• 4.3.1 响应信号的EMD 分解
• 4.3.2 基于Hilbert-Huang 变换的参数辨识
• 4.3.3 基于EMD 与神经网络相结合的参数辨识
• 4.4 本章小结
• 第五章 简支梁实验
• 5.1 模型简介
• 5.2 响应信号的EMD 分解
• 5.3 模态参数辨识
• 5.3.1 基于Hilbert-Huang 变换的参数辨识
• 5.3.2 基于EMD 与神经网络相结合的参数辨识
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 研究展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文