识别参数论文范文（精选9篇）

识别参数论文 第1篇

1 关于土木工程结构

当今社会, 交通和建筑行业一直在发展, 人们也越来越离不开它们, 但是还有许多建筑结构因受到损坏而发生塌陷, 这严重了威胁到了人类的生命和财产安全, 值得引起我们的重视。怎么样才能更好的去避免这类事情的发生是我们一直在探讨并积极寻求解决办法的问题, 可以对建筑结构进行分析以达到目的[1]。一般来说, 传统的结构分析理论主要是通过对强度、稳定性等方面的研究从而确保结构设计的可靠性。这种分析主要是通过试验的办法, 一般新的建筑物建成之后, 需要对其进行静载试验, 在试验完成之后, 可以得到一些参数, 通过这些参数分析出建筑在真正投入使用后的强度、刚度, 这也可以知道该土木工程的施工质量好坏以及结构设计是否合理。这种技术在实践运用中已经有了一定的成效, 但是仅仅靠这种方法是不可能完全达到我们的要求的, 因为土木工程结构的工作环境决定了其要承受大量的动力荷载, 例如风荷载、地振动荷载等, 桥梁结构还要承受水流的冲击荷载和交通荷载。从这里, 我们知道, 仅仅是了解建筑结构的静力特性是远远不够的, 还需要充分了解结构的动力特征参数。只有全面的了解土木工程结构模态参数, 才能更好的避免建筑事故的发生。

2 结构模态参数识别

一般来说, 模态分析就是以振动理论为基础、以模态参数为目标的分析方法。更确切地说, 模态分析也属于一门学科, 是研究系统物理参数模型、模态参数模型和非参数模型的关系, 这些系统关系, 需要我们用特殊的办法去检测, 并通过一定的方法确定这些系统关系。有两种模态分析技术, 一种是理论模态分析, 一种是试验模态分析。这种分类主要是依据于分析办法和手段和方法不同。理论模态分析从名字上就可以知道, 主要是建立在理论的基础上, 这里所说的理论, 主要是指线性理论[2]。而试验模态分析, 又称模态分析的实验过程, 是一种试验建模过程, 属于结构动力学的逆问题。理论模态分析的逆过程。模态分析技术一直都在改善, 到近年来, 以及日渐成熟起来, 在发展过程中, 已经成为结构动力学的支柱之一, 还有一大支柱是有限元分析技术。并且模态分析技术在解决工程振动方面的问题有很大的作用, 也在很多领域中有应用, 因此被全世界振动工程相关学者追捧。

模态分析的实质, 是一种坐标转换, 其目的在于把原来物理坐标系统中描述的响应向量, 放到“模态坐标系统”中来描述。模态分析的一个很重要的方面就是模态参数识别, 这也是为什么要讲述模态分析的原因。模态参数识别方法有两种, 一种是传统的结构模态参数识别方法, 一种是环境振动下的模态参数识别方法。

2.1 传统的结构模态参数识别。

传统的模态参数识别方法特点在于激发时主要是依靠人工, 这就表明过程是需要职员参与的, 不能够自然的去激发, 只要涉及到人工补充激发, 就要求有能够进行激发的设备。如果是较小的结构, 一般的设备是可以满足其要求的, 而且成本也不会过高, 但是一般来说, 土木工程中的结构都比较大, 有时候可能市场上根本没有对应尺寸的设备, 这时候就需要去特别订制, 经过这种渠道, 成本会增加很多。并且这种设备不是指单一的设备, 而且一整套能够与之匹配的设备, 这就表明了使用传统的结构模态参数识别对设备有非常多的要求, 需要质量较好的设备。好的设备都是需要高成本引进的, 一般国外那种极好的设备都比较贵, 生产成本的增加会给我们实际实施带来很多的困难, 这是我们需要考虑的问题。不仅如此, 在实践生产过程中, 设备可能会产生较大的激振力, 可能会损坏结构, 长此以往, 可能会让结构失去原有的构造, 造成无法挽救的损失, 于是我们可以显然的看到该方法的缺点。但是传统的结构模态参数识别也是具有一定的优点的, 例如在强度方面的有关分析中可以得到较全面的结论, 而且该方面在工程实施过程中的稳定性也比较好, 在实际工作运行中, 也可以得到较令人满意的结果。

2.2 环境激励模态参数识别方法。

频域内的非参数方法是属于环境激励模态参数识别的一种, 它具有一定的优点和缺点, 还有一种是时域内的参数方法, 这也是土木工程中所经常使用的方法。但是不管是频域内的非参数方法, 还是时域内的参数方法, 都一直在完善中, 随着科技的进步, 可能更好的为土木工程来服务。再来说说关于环境激励模态参数识别方法本身, 其实在传统的模态参数识别方法中, 我们已经提到关于结构过大所引起的一系列问题, 使用人工去激励会变得很困难, 一个结构可能不在是比较简单的结构, 会变得很复杂, 在这种情况下, 我们就需要考虑到周围环境对它的影响, 自然而然, 环境的模态参数识别方法也就产生了[3]。环境的模态参数识别方法的产生绝对不是偶然的, 是经过一定时间的探索形成的, 在这个过程中, 也经历过许多的曲折。环境的模态参数识别方法较传统的的模态参数识别方法可以更好的保护结构, 因为不需要激励设备, 而激励设备对结构是有一定的损害性的, 激励设备需要人为的作用, 而这种作用是有限的, 不是全面的, 因此可能会作用到局部, 从而引起设备的损害。而环境的模态参数识别方法则不存在这种问题, 因为它不是靠人为去激发, 而且通过环境去激发, 它作用的是整体, 而不是局部。从这里我们也可以看到他的另外一个优点, 就是节约了成本, 因为不需要激发设备, 大大的节省了这一环节的设备成本。既然不需要人工激发, 还节省了这一环节的人力资源。既成本又省人力, 可以很明显的看到该方法的优越性。土木工程在使结构时, 如果选用的是传统的的模态参数识别方法, 就需要有一段时间暂停设备, 而如果选用的是环境的模态参数识别方法, 则不存在这个问题, 因为环境的模态参数识别方法主要是靠环境去激发, 不会对周围产生太大的影响, 这也节省了工程的时间。

结束语

土木工程结构模态参数识别对人类生活的重要性是不言而喻的, 它在土木建筑、航空航天、造船、汽车、机床制造等领域都有很大的应用, 而关于结构模态参数识别方法, 环境激励模态参数识别较传统的激励模态参数识别, 有一定的优越性, 相信随着科学技术的发展, 其技术也会越来越完善, 应用范围也会越来越广。

参考文献

[1]傅志方.振动模态分析与参数识别[M].北京:机械工业出版社, 1990, 9.

[2]傅志方, 华宏星.模态分析理论与应用[M].上海:上海交通大学出版社, 2000, 4.

识别参数论文 第2篇

对于复杂的大自由度系统的反演分析,遗传算法每步计算中包含大量的`正演分析,成为限制遗传算法应用的运行速度的瓶颈.减少反演分析中的正演计算次数,是扩大遗传算法适用范围的有效途径.经验遗传-单纯形算法正是解决这一问题的一种有效方法.本文将这一方法应用于不完全模态参数已知条件下的结构物理参数识别研究.结果表明:本文建议的方法有精度和搜索效率高、对初值选取依赖性不强、可以反映“残缺”的高阶模态信息等优点.

作 者：姜丽萍 杜修力 JIANG Liping DU Xiuli  作者单位：姜丽萍,JIANG Liping(山东省建筑科学研究院,山东,济南,250031)

杜修力,DU Xiuli(北京工业大学,城市与工程安全减灾省部共建教育部重点实验室,北京,100022)

刊 名：地震工程与工程振动  ISTIC PKU英文刊名：JOURNAL OF EARTHQUAKE ENGINEERING AND ENGINEERING VIBRATION 年，卷(期)：2007 27(4) 分类号：P315.96 TU311 关键词：经验遗传-单纯形算法   结构动力特性参数   结构物理参数识别  

识别参数论文 第3篇

(1.同济大学机械与能源工程学院，上海 201804;2.上海海事大学物流工程学院，上海 201306)

0 引言

每一个结构都有其固有的模态参数，如固有频率、模态振型和阻尼比等.只要能够有效识别出结构的模态参数，就可以得到结构的动力学特性.

由于工程上很多大型设备(如桥梁、楼宇、起重设备等)体积庞大，难以使用传统的人工激励方法(即试验模态分析(Experimental Modal Analysis，EMA)［1］)获得此类结构的输出响应，故比较理想的做法是仅通过结构的输出响应识别结构的模态参数.该方法被称为工作模态分析(Operational Modal Analysis，OMA))［2］.与 EMA 相比，OMA 有如下优点:无须激励源;费用少;能在不损伤结构的情况下，进行在线安全监测和健康状况检测等.采用OMA对大型工程结构进行模态参数识别已经成为当今工程界的热点和难点.在过去的几十年中发展起来的OMA 方法有:环境激励技术法(NEXT技术)［3］、自回归滑动模型法(AMAM模型法)［4］和随机子空间法［5］等.

应用OMA进行结构模态参数识别时基本都要以结构输入为白噪声的假设为前提，但实际的工程结构中理想的白噪声输入是不存在的(如岸桥结构等的风载及大车在不平顺轨道上运行时受到的冲击等，都是在一定频带上的类白噪声输入)，因此OMA的有效性将受到影响.

本文应用数值方法模拟实际结构经常承载的风谱及路谱载荷，并将其作为场桥结构的输入载荷对有限元模型进行激励，得到系统的输出响应数据;采用平衡实现(Balance Realization，BR)法［5］对系统响应数据进行工作模态参数识别，以此检验在系统输入彩色噪声情况下，该方法对港机结构模态参数识别的有效性.

1 风载荷谱模拟

在气流的三维流动中，在3个相互垂直的方向有3个风速分量:顺风向(x方向)分量、横风向(y方向)分量和竖直风向(z方向)分量.

三维脉动风速场可表示为

自然风在空间x，y和z等3个方向上的相关性较弱，且目前对3个分量间相互关系的研究还不够，故在实际分析时可将理论上的三维相关风速场简化为3个沿x，y和z方向相互独立的一维风速场，也就是将一个三维相关的多变量随机过程简化为3个独立的一维多变量随机过程.对于一般非圆柱构件而言，不考虑纵向运动，所以在分析时仅考虑x和z方向上的一维风速场，即

工程上常用脉动风的风速谱描述频率特性.常用的顺向风速谱有Davenport谱、Simiu谱、Hino谱、Kaimal谱、Harris 谱 及 Karman 谱 等.［6］.其 中Davenport谱和Harris谱不随高度变化，而Simiu谱、Hino谱、Kaimal谱和Karman谱考虑近地表层中湍流积分尺度随高度发生的变化.本文用Kaimal谱数值模拟顺风向风速时程:

采用Panofsky谱数值模拟竖直风向风速时程:

由数值模拟得风速为20 m/s，2 min风速时程见图1.理论风速谱的数值模拟风速谱对比见图2，由图2可见二者吻合良好.

图1 数值模拟风速时程曲线

2 路谱数值模拟

描述轨道不平顺特性的最有效方法是对其进行功率谱统计.铁道科学研究院根据郑武线高速试验段测试结果，拟合出轨道谱［7］:

式中:S(f)为功率谱密度函数，mm2/(1/m);f为轨道不平顺的空间频率，1/m;A，B，C，D，E，F，G 为特征参数，取值参考文献［7］.本文分析主要考虑左右轨的竖向高低不平顺和横向轨向不平顺.

图2 顺风向和竖风向理论风速谱与仿真风速谱的对比

将轨道不平顺近似为平稳随机过程，考虑到轨道不平顺在不同方向上的弱相关性，用Shinozuka一元多维平稳随机过程模拟法［8］，根据式(5)模拟得左、右轨竖向和横向轨道不平顺沿纵向(x向)距离分布，见图3.对模拟所得轨道不平顺数据进行PSD统计，仿真谱与式(5)理论谱吻合良好，其中，左轨竖向不平顺理论谱与仿真谱的对比见图4.

图3 左、右轨竖向和横向轨道不平顺曲线

3 案例分析

以一双40英尺大跨距场桥为研究对象，进行数值仿真计算.该场桥基本尺寸参数为:跨距26.5 m，基距7.4 m，起升高度12.4 m.材料参数为:材料Q345，弹 性 模 量 210 GPa，泊 松 比 0.3，密 度7 850 kg/m3.其结构总图见图5.

图4 左轨竖向不平顺理论谱与仿真谱的对比

采用梁单元模拟场桥钢结构、MASS单元模拟集中质量，对该场桥结构进行有限元建模，见图6.整机模型由403个梁单元及9个MASS单元构成，节点数共812个.

将数值模拟得到的风谱载荷和路谱载荷加载在该场桥的有限元模型的相应节点上，应用有限元瞬态动力学方法对其进行动力学计算，得到场桥各节点的输出响应数据.图7为计算得到的场桥结构大梁端部、1/4跨中及跨中的3向加速度时程曲线.

由图7可见:大梁结构在小车运行方向(X向)及大车运行方向(Z向)加速度幅值基本不随大梁位置变化而变化，且X向加速度幅值最大，约为Z向加速度幅值的3～4倍;起升方向(Y向)加速度在大梁端部最小，大梁跨中时最大，其幅值约为X向幅值的1/3.由此表明，大梁在X向较Z向振动严重，且在跨中位置振动最为恶劣.

在应用BR法对结构进行工作模态参数识别时需要确定参考点，以便进行相关函数的计算.参考点应选择包含尽量多模态信息的响应点，即尽量避免选择已知的模态驻点位置，通常可通过有限元计算结果和工程经验来帮助确定参考点.文中选择的参考加速度信号分别为:mt61位置X向加速度信号、dl13位置Z向加速度信号和dl15位置Y向加速度信号，具体位置见图8.

通过增加稳定图中的模型阶次的比较，选择确定稳定可靠的模态参数.文中模型计算阶次为28，由BR法识别的不同模型阶数所对应的固有频率和阻尼比见图9和10.由图可知，相对稳定的模态参数集中在15～22阶之间、选择阶次为18阶次的固有频率及阻尼比作为结构的第2阶模态参数，分别为1.660 Hz和0.3%.其余各阶模态参数亦通过相同的方法进行确定.由此确定的模态参数与有限元计算结果比较见表1.

识别的结构前5阶振型与有限元计算所得振型对比见图11.由图11可见，数值模拟结果与有限元计算结果吻合良好.

对于识别的模态参数进行MAC(模态置信判据)、MPC(模态相位共线性)及MPD(平均相位偏移)验证，见表2和3.从中可见，MAC和MPC指标都为1或接近1，而MPD指标都较小，各阶模态相互独立、正交性良好，表明识别结果真实可靠.

表1 模态参数识别结果

图11 场桥结构前5阶振型(左为有限元法，右为BR法)

表2 模态置信判据MAC值 %

表3 MPC和MPD指标验证

4 结论

通过数值方法分析模拟工程结构如港机结构常见风谱和路谱载荷，并以一双40英尺场桥为研究对象，将模拟的载荷谱加载在有限元模型上，提取结构典型节点的输出响应信号，应用BR法对提取的输出信号进行结构模态参数识别，得出如下结论:

(1)由图2和4可知，数值模拟载荷谱与理论谱吻合良好，说明数值载荷谱真实有效.另外，模拟的载荷谱频带宽度有限，且幅值非均一，并非理想白噪声.

(2)由数值仿真获得的加速度信号可见，在承受风载和路谱载荷情况下，该类型的场桥结构在沿小车运行方向(X向)振动加速度信号幅值最大，约为沿大车运行方向(Z向)的3～4倍;沿起升方向(Y向)振动加速度信号大梁端部最小、跨中最大，跨中起升方向幅值约为小车运行方向幅值的1/3.

(3)识别的模态参数与有限元计算所得的固有频率及振型吻合良好，且由MAC，MPC和MPD指标可见，识别的各阶模态相互独立、正交性良好，表明识别结果真实可靠.

综上可见，在系统输入为风载及路谱载荷等彩色噪声情况下，仅通过结构输出相应数据、应用BR法可以对场桥结构的模态参数进行有效识别.

［1］ALESSANDRO F.Modal parameters estimation in the Z－domain［J］.Mech Systems ＆ Signal Processing，2009，23(1):217－225.

［2］VU V H，THOMAS M，LAKIS A A，et al.Operational modal analysis by updating autoregressive model［J］.Mech Systems＆ Signal Processing，2009，25(3):1028－1044.

［3］JAMES G H III，CARNE T G，LAUFFER J P.The natural excitation technique(NEXT)for modal parameter extraction from operating wind turbines［R］.California:Sandia National Laboratories，1993:1－46.

［4］SMAIL M，THOMAS M，LAKIS A.ARMA models for modal analysis:effect of model orders and sampling frequency［J］.Mech Systems＆ Signal Processing，1999，13(6):925－941.

［5］HERMANS L，Van Der AUWERAER H.Modal testing and analysis of structures under operational conditions:industrial applications［J］.Mech Systems ＆ Signal Processing，1999，13(2):193－216.

［6］黄本才，汪丛军.结构抗风分析原理及应用［M］.2版.上海:同济大学出版社，2008:53－57.

［7］夏禾，张楠.车辆与结构动力相互作用［M］.2版.北京:科学出版社，2005:93－106.

路径识别系统关键设备技术参数浅析 第4篇

复合通行卡的唤醒机制、复合通行卡与路侧天线最佳标识区、复合通行卡内置电池容量是多路径识别系统建设的关键环节。唤醒机制的确定、最佳标识区的规定、唤醒机制的确定、电池容量的选择等关系到整个路径识别系统的安全、平稳运行。本文针对多路径系统关键设备的技术参数进行全面的分析, 为多路径系统技术的应用提供基础技术保障。

2 复合通行卡的唤醒机制

车载复合通行卡驶入高速公路后通过收费站入口车道激活进入低功耗状态, 且绝大部分时间都会处于低功耗状态, 在低功耗状态中复合通行卡会定时唤醒进入信号强度检测状态, 在信号强度检测状态检测信标基站信号强度, 若信号强度低于门限值, 则认为目前复合通行卡不在信标基站的覆盖范围之内, 复合通行卡重新回到低功耗状态;若信号强度达到门限值, 就认为复合通行卡进入了信标基站覆盖范围, 此时复合通行卡跳转到通讯状态, 接收信标基站广播的信标信息并写入复合通行卡, 完成写入操作后复合通行卡再回到低功耗状态[1]。通行卡的状态转换图如图1。

复合通行卡进入高速路网后, 在接收信标信息之前, 复合通行卡必须被唤醒从低功耗状态转换到接收状态。目前复合通行卡的唤醒方式主要有两种, 一种是外部信号触发唤醒方式, 一种是定时唤醒方式。

外部信号触发唤醒方式是通过专用检波电路对基站信号检波, 检波电路产生的信号唤醒复合通行卡。

外部信号唤醒的优点是复合通行卡在信标基站的覆盖范围内时才会被唤醒, 缺点是需要一块专门的唤醒电路[2], 采用专门唤醒电路的缺点主要有两点:其一, 专用唤醒电路是一直耗电的 (不管是不是在信标基站的覆盖范围之内) , 耗电量还比较可观 (目前市场主流产品的唤醒电路耗电约为5.3u A) ;其二, 专用唤醒电路的灵敏度也比较低, 大概只能达到-40dbm左右, 提高的难度很大, 这就造成采用这种唤醒方式的产品只靠信标基站的覆盖范围可能无法保证复合通行卡的可靠唤醒和可靠接受数据, 而需要增加专门的唤醒基站, 增加了项目的采购成本和施工难度。

定时唤醒是利用内部定时器按照一定的时间间隔唤醒复合通行卡的CPU, 利用复合卡内部芯片唤醒功能, 判断复合通行卡是否在信标基站的覆盖范围内。

定时唤醒方式的优点是灵敏度比较高, 这种方式下的灵敏度就是芯片的灵敏度, 可以达到-88dbm以上。采用这种方式的关键是对空口信号唤醒功能的使用, 如果使用不当会比较费电, 应充分利用芯片的空口信号唤醒和接收信号强度指示的功能, 使得处于定时唤醒状态内的平均电流消耗降到7.2u A左右, 使得唤醒电路在消耗较低功率的同时获得较高的灵敏度, 从而只使用一个信标基站就可以使复合通行卡可靠的唤醒和接收数据, 降低项目的采购成本和施工难度。

通过两种唤醒方式的对比分析, 结合路径识别系统的实际情况, 从提高接收路标信息可靠度、技术难度、经济效益等方面考虑, 路径识别系统中复合通行卡的唤醒方式宜采用定时自唤醒模式。

3 复合通行卡与路侧天线最佳标识区

复合通行卡与路侧天线进行信息交互的最佳标识区与复合卡的自唤醒周期、路侧天线有效通信距离以及通行车速有关。目前对于通行卡的自唤醒周期和路侧天线的有效通信距离尚无国家标准进行规范, 结合目前技术发展情况以及部分地标中的规定, 在多路径系统中应用的复合通行卡的自唤醒周期采用3s、路侧天线有效的通信距离为300m。

针对复合通行卡的自唤醒周期3s以及路侧天线有效的通信距离300m的条件下, 分别对通行车速在180公里/小时和250公里/小时情况下对车载复合通行卡和路侧天线的最佳标识区[3]进行分析。

(1) 通行车速为180公里/小时的最佳标识区

车载复合通行卡在收费站入口处被唤醒以后, 进入低功耗状态, 唤醒后的路径识别模块, 工作在主动路径信息搜索状态, 路径信息的搜索是间歇性的, 其间歇搜索时间为3秒, 3秒的间歇搜索时间。在行车速度180公里/小时的情况下, 3秒内行驶距离为150米;在路侧天线有效通信距离300米之内至少保证车载通行卡有2次以上搜索机会, 并且保证其中有1次是在最佳的路径标识区域。

(2) 通行车速为250公里/小时的最佳标识区

在极端情况下, 某些车辆超速可达到200多公里/小时, 为保证路网中运行车辆均被标识行驶信息, 严重超速车辆也应被标识信息, 同时根据相邻两次标识时间确定该车辆在本区间的形势车速。在行车速度250公里/小时的情况下, 3秒内行驶距离为150米;在路侧天线有效通信距离300米之内至少保证车载通行卡有1次以上路径信息的标识机会, 而且能够保证1次标识是在较佳的标识区域。

高速公路路网中行驶车辆最高车速在250公里/小时的情况下, 至少能保证有一次最佳标识区, 在车速位于正常行驶的100-120公里/小时区间内, 至少能保证三次以上的最佳标识区。

4 复合通行卡内置电池容量

复合通行卡电池[4]的容量与复合通行卡的使用寿命密切相关, 由于路径识别系统中的复合通行卡采购成本较大, 复合通行卡的使用寿命是业主最关心的问题。增加使用寿命有两条途径:一是从技术角度考虑, 采用低功耗芯片, 合理设计芯片外围电路, 确保整个产品具有较小的耗电量;二是采用较大容量的电池, 在相同功耗的情况下, 电池的容量与卡的使用寿命成正比。

目前各个厂家设计复合通行卡所采用的芯片以及外围电路均为市场主流产品, 不同品牌的复合通行卡功耗差别较小, 本文针对550m AH的电池容量和800m AH的电池容量通行卡使用寿命进行分析。

在对复合通行卡使用寿命进行分析前应首先假定复合通行卡的使用条件。假设条件如下:

路上时间:roadon=24小时/天, 即全天候在路网中运行;收费站出口次数:Cexit=15次/天;收费站入口次数:Centr=15次/天;单次出口时间:Texit=56ms/次;单次入口时间:Tentr=43ms/次;途经基站:n=50座。

复合通行卡功耗参数:与标识站交互信息时电流消耗:I:20m A;与标识站交互信息时长:T1:5m S;路上定时唤醒平均电流:Ion=9.7u A;与读写器信息交互时电流消耗:Iexit=20m A;1天出、入口操作消耗的电量Q1=Iexit*Texit*Cexit+Iexit*Texit*Centr=0.00825m Ah;1天路上定时唤醒模式消耗的电量Q2=roadon*Ion=0.2328m Ah;1天路上信息交互模式消耗的电量Q3=I*n*Iexit*Cexit=0.0209m Ah;1天消耗的总电量Q=Q1+Q2+Q3=0.26195m Ah。

经过对通行卡耗电量的分析可知, 通行卡每天耗电量为0.26195m Ah。考虑到电池的损耗, 年自放1%以及20-30m A电流脉冲及未能放电余量 (非充电电池当电量消耗到一定量时, 所剩电量无法应用, 称之为未放电余量) 15%, 综合考率电池的消耗, 电池有效放电容量 (Qvalid) 为电池标称容量的80%。

当采用电池容量为550m Ah时的使用年限:电池可用天数Duse=Qvalid*80%/Q=1679.7天=4.602年。

当采用电池容量为800m Ah时的使用年限:电池可用天数Duse=Qvalid*80%/Q=2443.2天=6.694年。

经过对不同容量电池的通行卡在每天24小时在路网中运行的使用寿命分析, 550m Ah和800m Ah的电池容量的通行卡使用寿命分别约为:4.6年和6.7年。考虑电池类型的选择, 复合卡电池形式有以下两种:纽扣电池和软包电池。在路径识别系统中复合通行卡尺寸范围内, 前者容量可到550m Ah, 后者容量可达到800m Ah。

两种电池优缺点分析:纽扣电池的优点在于成本比较低, 属于标准件, 可以随时大量采购。缺点在于受到通行卡厚度和大小的影响, 在标准IC卡尺寸、厚度小于5mm时, 纽扣电池的容量约为550m AH。软包电池的优点在于:可以根据通行卡的形状定做电池, 其容量能达到800m AH以上。缺点在于:定做电池供货周期较长, 其费用约是纽扣电池的2~3倍。

通过对比分析, 综合考虑卡的使用寿命以及经济效益, 在多路径识别系统中, 复合通行卡电池宜选用550m Ah的纽扣电池。

5 结语

通过对多路径识别系统中的复合通行卡唤醒机制、最佳标识区选择以及复合卡电池容量选择的研究和分析, 复合通行卡的唤醒机制宜选用自唤醒模式;在自唤醒周期为3S情况下, 至少能保证高速通行车辆有一次或者一次之上的最佳标识区;通行卡电池容量的选择宜选用纽扣类型550m AH的电池。本文对路径识别系统中的关键设备技术参数进行了详细的研究和分析, 为多路径识别系统今后的应用和推广提供了基础的技术支持。

摘要：本文详细分析了路径识别系统中通行卡的唤醒机制、通行卡与路侧天线最佳标识区以及通行卡电池, 通过分析对比, 提出了路径识别系统中关键设备的技术参数选择, 为多路径系统的应用提供了基础技术支持。

关键词：最佳标识区,唤醒机制,电池容量

参考文献

[1]张旭琛, 彭敏, 戴庆元, 杜涛.用于射频标签的低功耗上电复位电路[J].半导体技术, 2011 (01) .

[2]王洁, 高庆华, 王洪玉.适用于RFID标签及无线传感器的射频唤醒电路[J].微波学报, 2009 (04) .

[3]陈冰.无源RFID定位系统搭建与VIRE算法优化[D].天津大学, 2012.

识别参数论文 第5篇

作为健康监测系统和结构检测共同的核心技术,损伤识别成为近年来的研究热点。其中基于模态参数的损伤识别方法属于整体损伤检测范畴的一种,其基本原理是结构的模态参数(固有频率、模态振型等),是结构物理特性(刚度、质量和阻尼)的函数。当结构的物理特性改变时,会影响到系统的动力特性,因此通过比较损伤前后结构模态参数的变化便可对损伤进行识别。通过结构损伤前后的模态信息构造损伤特征指标的方法被称为损伤识别指标法,又称为指纹直接识别法,其突出优点是方便直观、易于实施,主要包括以下三个步骤:1)结合有限元模型建立结构在无损状态下的模态信息;2)通过现场的测试数据得到结构在损伤状态下的模态信息;3)通过结构损伤前后的模态信息构造特征指标,进而对损伤进行识别。随着结构检测技术的不断发展,研究者已经陆续提出了一系列基于模态参数的损伤指标,并通过各种实验进行了验证。

1 直接利用模态参数的损伤识别指标

1.1 基于固有频率的损伤识别指标

由于结构频率测试简便,准确度高,基于频率的损伤识别方法得到了广泛的研究。Farrar等人[1]的研究表明,低阶频率变化对损伤不敏感,只有高阶频率能够指示损伤位置。这一缺点限制了频率在损伤识别中的应用,后来学者致力于通过频率构造更合理的损伤敏感因子的研究。高芳清[2]的研究表明,频率变化平方比包含了损伤位置和损伤程度的双重信息,可以进行损伤定位;刘文峰等人[3]通过频率变化率进行了简支梁结构损伤定位的研究。

1.2 基于振型的损伤识别指标

Wolff和Richardson[4]提出了一个应用MAC来识别结构损伤存在和位置的方法。MAC利用振型的正交特性比较两个不同振型,在模态实验中常用于检验测量模态振型的正交性。在应用这种方法时,结构的振型通常分解为各子结构的振型,通过计算损伤前后各子结构的MAC来判断损伤的存在和位置。在MAC指标的基础上,Lieven和Ewins[5]利用振型信息提出了COMAC。MAC和COMAC均为第一水平的损伤指标,即判断损伤是否发生。MAC及COMAC的适用范围不同,若判断振型对损伤的敏感程度,应采用MAC;而若要判别损伤是否发生,则应采用COMAC。

Pandey等人[6]通过一个梁的数值算例发现振型曲率对于损伤更为敏感,可以作为一个有效的指标加以利用。Ko[7]又提出了一种振型曲率改变率的指标MCI(Modal Curvature Index)。

1.3 结合固有频率和振型的损伤识别指标

当结构产生损伤后,一般将导致结构刚度下降柔度增加,Pandey和Biswas[8]提出模态柔度差MF(Modal Flexibility)这一指标,是将损伤前后柔度的变化矩阵中绝对值最大的列作为损伤检测的指标。

模态柔度改变率MFI(Modal Flexibility Index)也由Ko提出,定义为损伤前后柔度变化矩阵的对角项,并将损伤前的柔度矩阵中相应对角项归一化。

从物理意义上看,柔度矩阵中的某一列表示的是在相应自由度上作用单位力时,其他自由度产生的位移。曹晖等人[9]结合曲率的概念提出了一种模态柔度曲率差(Modal Flexibility Curvature)的指标。对于梁状的结构体系,首先对损伤前后的柔度矩阵求曲率得到柔度曲率矩阵,之后再求模态柔度曲率的差值,并将各列的最大值作为识别指标,MFC通常为一维向量,表示结构损伤前后各节点所在位置柔度曲率的变化情况,在损伤单元节点处表现为最大值。

Zhang和Aktan等人[10]将均匀荷载面(Uniform Load Surface)定义为结构在均匀单位荷载作用下各节点自由度的变形向量。同模态柔度矩阵相比,ULS向量具有以下几个特点:1)由于存在累加项,因此各个测点存在的测量噪声可以通过相加的方式消除;2)高阶模态相加有互相抵消的趋势,因此ULS向量中,低阶模态的贡献相对于模态柔度更大。将损伤前的ULS向量与损伤后的ULS向量相减,便得到了差向量,表示损伤前后各节点ULS值的变化,通过最大值反映损伤的存在。

Zhang和Aktan还通过对ULS向量求曲率得到了均匀荷载面曲率指标ULSC(Uniform Load Surface Curvature)。分别求得损伤前后的ULSC向量并相减,利用差向量即可识别损伤的位置,损伤单元节点处的指标仍是以最大值表示。

2 基于模态应变能的损伤识别指标

为了利用更有效的指标对损伤进行识别,有些学者开始将模态参数和有限元模型信息相结合,从而提出了一系列基于模态应变能的损伤识别指标。

Shi等人[11]提出了一种单元模态应变能改变率指标,认为该指标可以有效的识别损伤的位置,刘晖等人[12]将损伤变量与有限元方法结合,以单元模态应变能构造了一种损伤识别指标——单元损伤变量(D)。认为由于结构产生损伤会导致刚度降低、柔度增加,故不应该计算,得到损伤后的单元模态应变能会大于损伤前的,张新亮[13]改进了损伤变量D,将表达式分子的绝对值去掉,利用符号和大小来对损伤进行判断和识别。

3 基于结构特征方程的单元刚度折减系数

Ren和Roeck[14]结合结构有限元模型(FEM)的特征方程提出了一种新的基于模态参数的损伤识别方法。该方法将单元刚度折减系数作为损伤识别指标,通过单元刚度折减系数的值表征单元的损伤程度,从而达到损伤识别的目的。

基于结构特征方程的损伤识别方法,其主要原理是将每个单元的刚度折减系数Δα作为单元损伤指标,利用损伤前后的模态参数和结构动力方程可以构造出关于单元刚度折减系数的损伤方程,求解方程得到每个单元损伤指标的值即可进行损伤定位和定量。这种方法在应用时有以下几个特点:

1)该方法损伤定位和损伤定量是同时进行的,即需要计算每个单元损伤指标的值来判断损伤的位置,同时确定损伤的程度。当单元数目较多时,计算量会很大;

2)由于约束条件{Δα}≥0的存在,利用非负最小二乘法求得的结果更接近实际情况;

3)在构造损伤方程时,不仅需要损伤前初始结构的模态参数,而且还要结合结构的特征方程,因此该方法需要较精确的有限元模型。

4 结语

识别参数论文 第6篇

在水文模拟研究中, 当研究区域的水文模型结构确定后, 如何有效识别模型参数就成为最重要的问题。目前参数识别的一般途径是将模型参数识别看作一个反问题, 通过实测的蒸发、降雨和流量资料反求水文模型参数。在数学上处理这类反问题的常用方法是最优化方法, 代表性的有:Rosenbrock法[1]、单纯形算法[2]、单纯形混合进化算法 (SCE-UA) [3]、遗传算法 (GA) [4]和粒子群算法 (PSO) [5,6]等。但由于水文模型存在高度敏感性参数、参数之间存在高度相关性以及所构造的目标函数具有高维、多峰值、不连续、非凸及带噪声等特征问题, 使得最优化方法求得的最优参数组并非唯一, 从而导致模型预测的不确定性。因此, 在参数识别过程中, 应尽可能从实际问题中挖掘信息, 参数灵敏度分析和相关性分析等就是获取先验信息的重要手段。为此, 本文以新安江模型在湖北省黄柏河流域天福庙水库流域的应用为例, 对水文模型参数的识别方法进行深入研究。

1新安江模型

新安江模型是分散性模型, 它把流域按泰森多边形法分成许多块单元流域, 对每个单元流域作产汇流计算, 得出单元流域的出口流量过程;再进行出口以下的河道洪水演算, 求得流域出口的流量过程;最后把每个单元流域的出流过程相加, 求出流域出口的总出流过程。模型共有15个参数, 包括产流层参数:蒸发能力折算系数 , 上、下层张力水容量WUM、WLM, 深层蒸散发系数C, 蓄水容量WM, 张力水蓄水容量曲线方次B, 不透水面积比例IMP;汇流层参数:表土自由水蓄水容量SM, 表土自由水蓄水容量曲线方次EX, 自由水蓄水水库分别对地下水和壤中流的出流系数KG、KSS, 壤中流和地下水库的消退系数KKSS、KKG, Nash单位线法的2个参数CN、CK。表1给出了模型参数的值域。

2参数分析

2.1敏感性分析

敏感性分析定性或定量地评价了模型参数不确定性对模型结果的影响, 包括局部灵敏度分析和全局灵敏度分析。局部灵敏度分析检验单个参数的变化对模型结果的影响程度, 而全局灵敏度分析则检验多个参数的变化对模型运行结果总的影响。由于本文仅需要掌握哪些参数对模拟结果影响显著, 故采用局部灵敏度分析方法对新安江模型参数进行敏感性分析, 具体过程参见文献[7]。

采用人工生成数据对新安江模型参数进行分析, 即假定一组参数为模型参数的真实值, 利用实测的降雨和蒸发资料, 通过新安江模型模拟生成理想的流量资料, 然后再利用这些数据进行模型参数识别。这种方法保证了模型没有结构上的误差, 参数估计的所有误差仅来源于参数识别方法本身。表2为本文定义的参数灵敏度级别, 表3为参数假定真实值和敏感性分析结果, 其中状态变量分别为蒸发量E、产流量R、地表径流量RS、壤中流流量RSS、地下径流量RG和流域出口流量Q。由表3可知, 新安江模型有3个敏感参数K、CN和CK, 3个较敏感参数SM、KG和KSS, 2个一般敏感参数WM和EX。其中, 产流参数中K和SM为敏感参数, 汇流参数中WM、EX、KG、KSS、CN和CK为敏感参数, 这些参数在模型率定过程中需多次反复调试, 其余不敏感参数则只需选取其经验值或粗略调试即可。

2.2相关性分析

水文模型中常用的参数相关性分析方法有2种:参数相关系数法 (Parameter Correlation Coefficient) 和奇异值分解法 (Singular Value Decomposition, SVD) 。参数相关系数法一般用来识别2个参数之间的相关性, 而奇异值分解法可以有效识别多个参数的相关性, 2种方法都是以参数的平均灵敏度矩阵为基础展开计算的。故本文采用SVD法进行参数相关性分析。首先对平均灵敏度矩阵进行归一化, 然后进行SVD分解, 具体过程见文献[7,8], 结果如表4所示。

由表4分析可知:在最后一行的奇异值中, σ7=σ8=0, σ6/σ1<σ5/σ1<ε=0.001, 说明有效秩为4, 式 (1) ～ (4) 为奇异值最小的后4个分量。由式 (1) 和式 (2) 可知, 参数WM的变化ΔxWM、参数K的变化ΔK、参数SM的变化ΔxSM、参数EX的变化ΔxEX、参数KG的变化ΔxKG和参数KSS的变化ΔxKSS可通过相互调整达到较一致的模型输出结果, 说明参数WM, K, SM, EX, KG, KSS相关, 因此, 产流参数和汇流参数存在相关性。同理, 由式 (3) 和式 (4) 可知, 参数SM的变化ΔxSM、参数EX的变化ΔxEX、参数KG的变化ΔxKG、参数KSS的变化ΔxKSS、参数CN的变化ΔxCN和参数CK的变化ΔxCK可通过相互调整达到较一致的模型输出结果, 说明参数SM, EX, KG, KSS, CN, CK相关, 因此, 汇流层内参数之间也存在相关性。

$\begin{array}{l}\text{Δ}v{}_5=-0.3227\text{Δ}x{}_{W{\rm M}}+0.3152\text{Δ}x{}_{{\rm K}}+0.1178\text{Δ}x{}_{S{\rm M}}+\\ 0.5807\text{Δ}x{}_{EX}+0.4723\text{Δ}x{}_{{\rm K}G}+0.4714\text{Δ}x{}_{{\rm K}SS}(1)\\ \text{Δ}v{}_6=0.6294\text{Δ}x{}_{W{\rm M}}-0.6327\text{Δ}x{}_{{\rm K}}+0.0601\text{Δ}x{}_{S{\rm M}}+\\ 0.293\text{Δ}x{}_{EX}+0.239\text{Δ}x{}_{{\rm K}G}+0.2385\text{Δ}x{}_{{\rm K}SS}(2)\\ \text{Δ}v{}_7=-0.5376\text{Δ}x{}_{S{\rm M}}-0.2952\text{Δ}x{}_{EX}+0.249\text{Δ}x{}_{{\rm K}G}+\\ 0.2485\text{Δ}x{}_{{\rm K}SS}+0.5002\text{Δ}x{}_{C{\rm N}}-0.4998\text{Δ}x{}_{C{\rm K}}(3)\\ \text{Δ}v{}_8=-0.5376\text{Δ}x{}_{S{\rm M}}-0.2952\text{Δ}x{}_{EX}+0.249\text{Δ}x{}_{{\rm K}G}+\\ 0.2485\text{Δ}x{}_{{\rm K}SS}-0.4998\text{Δ}x{}_{C{\rm N}}+0.5002\text{Δ}x{}_{C{\rm K}}(4)\end{array}$

3参数识别的数学模型

3.1二层规划模型

二层规划[9]是近年来应用比较广泛的一种具有二层递阶结构的系统优化方法, 适合于决策变量具有层次结构的系统, 强调的是整体的最优。它包含上层问题和下层问题, 上层和下层均有各自的目标函数和约束条件, 上层问题的目标函数和约束条件不仅与上层决策变量有关, 而且还依赖于下层问题的最优解或最优值。下层问题的最优解又受上层决策变量的影响。二层规划的决策过程是:上层在可行范围内给定一个决策变量, 下层决策者根据自身的利益对此作出合理的反应, 根据下层决策者的反应, 上层决策者对其给定的决策进行修正, 最终找到使上层目标达到最优的决策。

非线性二层规划模型的标准形式如下:

$\{\begin{array}{l}\underset{x}{{\displaystyle \min }}F(x,y)\\ G(x,y)0\\ \underset{y}{{\displaystyle \min }}f(x,y)\\ g(x,y)0\\ x\in X\subset R{}^{n{}_1},y\in Y\subset R{}^{n{}_2}\end{array}(5)$

式中:F, f分别为上下层目标函数;x∈Rn1, y∈Rn2分别为上下层变量;G, g分别为上下层约束函数。

3.2新安江模型参数识别的二层规划模型

水文模型参数优选时存在水量平衡和流量过程线相吻合2个目标难以兼顾, 以及参数间的相关关系难以处理等问题。为使流域出口处的模拟流量与实测流量过程相吻合, 首先应满足整个降雨径流过程的水量平衡, 在产流层水量达到基本平衡的基础上, 然后进行汇流计算, 再将汇流计算结果反馈到产流层进行调节计算。因此, 产流层和汇流层的关系就形成了一个典型的二层决策问题。二层规划的特点是从整体的角度出发, 既考虑局部利益也兼顾全局, 它兼顾了水量平衡和流域出口处流量过程线吻合的目标, 同时将产流参数和汇流参数分开优选, 较好地处理了参数间的相关关系。

本文将新安江模型的产流层和汇流层溶入一个二层规划模型中, 利用二层规划优化技术交互优选出产流参数和汇流参数。在实际预报中, 我们的目标是使汇流过程的实测流量和模拟流量误差应尽可能小, 以此为基础建立上层目标函数;由于产流层控制着流域的总水量, 只有在水量基本平衡的基础上, 才可能使流量过程线尽可能吻合, 产流层的决策不仅影响汇流层的决策, 也部分影响其目标实现, 因而以产流层水量平衡建立下层目标函数。因此, 我们把汇流层作为起主导地位的上层, 产流层作为下层, 构造率定新安江模型参数的二层规划模型。

对任意给定的上层汇流参数, 在满足约束的条件下, 确定下层产流参数y, 使得水量误差最小。设Qobs, i为率定期实测流量序列, Qsim, i为率定期模拟的流量过程, N为实测和模拟流量资料的总个数, 则第1层 (下层) 决策模型为:

$\{\begin{array}{l}\underset{y}{{\displaystyle \min }}\frac{\left|{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{obj,i}-{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{sim,i}\right|}{{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{obj,i}}\\ y{}_{l}yy{}_u\end{array}(6)$

式中:变量y为产流层敏感参数K, WM;yu, yl为变量y的上下界。

然后, 在可能的范围内确定上层汇流参数x, 使得在整个率定期内实测流量和模拟流量误差尽可能小。对于任意给定的上层汇流参数x, 由式 (6) 得到极值$\overline{y}$ (x) , 它是在率定期内使水量误差达到最小的下层产流参数值。当x变化时, $\overline{y}$ (x) 是由式 (6) 确定的极值函数。则第2层 (上层) 决策模型为:

$\{\begin{array}{l}\underset{x}{{\displaystyle \min }}\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}(}Q{}_{obj,i}-Q{}_{sim,i}){}^2\\ x{}_{l}xx{}_u\end{array}(7)$

式中:变量x为汇流层敏感参数SM, EX, KG, KSS, CN, CK;xu, wl为变量x的上下界。

式 (6) 和式 (7) 构成了识别新安江模型参数的二层规划数学模型, 即式 (8) 。它表示在水量达到基本平衡的条件下, 使实测的流量和模拟的流量误差最小。

$\{\begin{array}{l}\underset{x}{{\displaystyle \min }}F{}_1(x,y)=\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}(}Q{}_{obj,i}-Q{}_{sim,i}){}^2\\ x{}_{l}xx{}_u\\ \underset{y}{{\displaystyle \min }}F{}_2(x,y)=\frac{\left|{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{obj,i}-{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{sim,i}\right|}{{\displaystyle \sum _{i=1}^{{\rm N}}Q}{}_{obj,i}}\\ y{}_{l}yy{}_u\end{array}(8)$

式中:F1 (x, y) 表示使实测流量和模拟流量的误差达到最小;Fx (x, y) 表示使水量误差达到最小。

利用二层规划理论的优化技术优选新安江模型的产流参数和汇流参数。首先给定上层汇流参数, 根据水量平衡来优选下层产流参数, 然后将优选的产流参数反馈给汇流层来调整汇流参数, 产流层再根据汇流参数来修正自身参数, 不断进行交互式优化直至产流层和汇流层的目标函数达到最优。二层规划问题的求解算法步骤参考文献[10]。与现有的方法比较, 这种优选方法具有以下一些优点:①将产流参数和汇流参数分开进行优选, 很好地处理了不同层次的参数间的非线性补偿作用, 同时将高维问题分解为2个低维的子问题, 减少了计算中的舍入误差, 提高了在搜索空间中寻找最优解的质量。②保证了在水量达到基本平衡的基础上, 使汇流层的实测和模拟流量过程线最佳吻合, 而不像多目标规划方法中一个目标的改善要以牺牲另一个目标为代价。

4实例研究

为了验证基于二层规划理论的水文模型参数优选方法 (Bilevel Programming Based Method, BPM) 对于天福庙水库实测资料的新安江模型敏感参数的优选性能, 选用SCE-UA和PSO算法优化单目标函数式 (9) 进行对比测试, 不敏感参数取固定值 (见表1) 。

$f(\theta )=\frac{1}{{\rm N}}{\displaystyle \sum _{i=1}^{{\rm N}}(}Q{}_{obs,i}-Q{}_{sim,i}){}^2(1+\frac{|\overline{Q}{}_{obs}-\overline{Q}{}_{sim}|}{\overline{Q}{}_{obs}})(9)$

以水量的相对误差RE和模型效率系数R2作为评价指标。为了避免随机数产生器种子的影响, 分别运行3种方法10次, 结果取平均值。表5给出了3种方法所得到的目标函数值、率定期 (1988-1992) 、检验期 (1995-1996) 的水量相对误差及模型效率系数的计算结果。表6给出了不受初值影响的较好的BPM法识别新安江模型参数值的结果。图1给出了天福庙水库检验期 (1995-1996) 的NBPM法流量实测值与模拟值的比较图。

由图1可以看出, 利用BPM方法优选的参数进行水文过程模拟, 模拟的流量序列和实测流量序列的趋势比较一致。由表5可得出以下结论:①在水量平衡系数方面, 除了SCE-UA在率定期的水量误差超过5%以外, 利用其他方法进行模拟, 所计算的水量误差均在允许范围内。②在效率系数方面, 不论在率定期还是在检验期, BPM方法比其他方法的效率系数高, 但是这些方法的效率系数均没有超过0.8。原因可能有2个方面:①水文数据本身的误差因素。天福庙水库的流域较小, 降雨、径流资料均为日资料, 这可能会影响模拟结果。②不敏感参数的经验取值可能没有完全反映出流域的实际情况。

5结论

水文模型参数识别的一般方法是利用最优化技术来直接求解反参数识别问题, 估计出模型参数值, 这种方法没有考虑水文模型参数间的相关性所带来的模型预测不确定性。针对此问题, 本文以新安江模型在湖北黄柏河流域天福庙水库的应用研究为例, 首先分析了模型参数的敏感性和相关性, 然后在二层规划理论的基础上, 将新安江模型的产流层和汇流层溶入一个二层规划模型, 提出了一种能有效处理高维问题, 并在参数的相互作用和目标函数响应面非凸的情况下具有鲁棒性的新参数识别方法基于二层规划理论的参数识别方法。这种参数识别方法克服了已有方法的不足, 更符合实际的产汇流过程, 有利于提高模型的预报精度。通过与SCE-UA和PSO算法优化单目标函数的结果比较, 表明了这种方法的有效性和优越性。

参考文献

[1]Rosenbrock H H.An automatic method for finding the greatestor least value of function[J].Computer Journal, 1960, (3) :175-183.

[2]Nelder J A, Meade R A.Si mplex method for function mini miza-tion[J].Computer Journal, 1965, (7) :308-313.

[3]Duan Q Y, Sorooshian S, Gupta VJ.Effective and efficient glob-al opti mization for conceptual rainfall-runoff models[J].WaterResources Research, 1992, 28 (4) :1 015-1 031.

[4]Wang QJ.The genetic algorithmandits applicationto calibratingconceptual rainfall-runoff models[J].Water Resources Re-search, 1991, 27 (9) :2 467-2 471.

[5]江燕, 胡铁松, 桂发亮, 等.粒子群算法在新安江模型参数优选中的应用[J].武汉大学学报 (工学版) , 2006, 39 (4) :14-17.

[6]江燕, 刘昌明, 胡铁松, 等.新安江模型参数优选的改进粒子群算法[J].水利学报, 2007, 38 (10) :1 200-1 206.

[7]王建平.复杂环境模型参数识别的软计算技术及其应用研究[D].北京:清华大学, 2005.

[8]Washantha Lal A M.Calibration of riverbed roughness[J].Jour-nal of Hydraulic Engineering.1995, 121 (9) :664-671.

[9]盛昭翰.主从递阶决策论——Stackelberg问题[M].北京:科学出版社, 1998.

基于神经网络的多参数损伤识别 第7篇

本文以简支梁为研究对象, 通过数值仿真, 采用标准化后的频率下降量、振型变化量与频率变化平方的比值、曲率模态差做为神经网络输入, 合理地解释简支梁损伤前后状态的变化, 实现损伤位置和损伤程度的识别。

1 损伤识别参数理论分析

1.1 正则化频率变化率

P.C.Kaminski以自振频率、频率变化量以及正则化的频率变化率作为参数识别损伤位置, 认为正则化的频率变化率比其他两者效果好, 正则化的频率变化率:

只与损伤位置有关。

与损伤的程度和位置均相关。

1.2 振型向量的变化与频率变化平方的比值

振型向量的变化与频率变化平方的比值, 即 , 无阻尼结构自由振动方程:

一介摄动有限元形式为:

结构损伤视作刚度变化, 质量不变, , 忽略高阶微量, 将上式展开, 对于第j介模态有

左乘 , 考虑正交性

式 (6) 左乘 , 考虑到

把 (9) 带入 (8) , 考虑正交性 (8) 可以简化为:

结构的整体刚度矩阵可由单元刚度矩阵相加而成, 则整体刚度矩阵的变化也可由单元刚度矩阵的变化相加而成, 即 , 为损伤单元总数。当只有一处损伤或多处相同程度的损伤时, 为常 数, 则有

式 (13) 表明 仅与损伤位置有关, 而与损伤程度无关。

1.3 振型曲率

梁式受弯构件的曲率公式为:

式中:M为截面弯矩;EI为截面抗弯刚度; 为弯曲曲率半径, 如果结构局部出现损伤, 刚度变小, 曲率发生变化, 小变形情况下:

曲率模态是结构损伤识别的敏感标示量, 可以检测桥梁结构损失的存在及位置, 曲率模态变化的幅值就可以判断损伤程度, 通过一介差分方程得到第i个节点的曲率模态:

式中:Δ是两个相继测量点之间的距离

2 基于神经网络的损伤识别

2.1 基于神经网络的损伤识别基本原理

神经网络用于损伤识别的基本方法是:根据结构在不同状态 (不同损伤位置的不同损伤程度) 反应, 通过特征抽取, 选择对结构损伤较敏感的参数作为网络的输人向量, 结构的损伤状态作为输出, 建立损伤分类训练样本集, 然后对网络进行训练。当网络训练完毕, 即已具有模式分类功能。

2.2 损伤梁的模态分析

利用ansys建立简支梁数值分析模型, 简支梁长L为400cm, 截面尺寸宽b为20cm高h为50cm材料的弹性模量为35MPa, 泊松比为0.1667, 质量密度为2600Kg/m3, 采用实体单元模拟梁单元, 划分为40个等长的梁单元对其进行有限元分析, 结构损伤模拟裂缝来实现, 裂缝宽2mm, 简支梁5个损伤位置, 每个位置裂缝损伤深度分别为5cm、10cm、15、20cm。

2.2.1 频率分析 (见图1, 2)

通过不同位置的裂缝深度与频率变化率比较可以看出, 结构受损后频率变小、从频率变化率 (下降率) 可以看出各阶频率对损伤敏感程度不同、频率变化率 (下降率) 随损伤程度的增加非线性增加, 频率对大损伤更敏感。

2.2.2 曲率模态分析

从图3所示结果可以看出, 曲率模态差在损伤位置发生突变, 能够准确识别出单损伤的位置;各阶曲率模态差对损伤敏感程度不同。

2.3 基于神经网络的损伤识别

采用非线性映射能力较强的单隐层BP网络进行损伤识别, 采用标准化后的频率下降量, 振型变化量与频率变化平方的比值 (归一化) , 曲率模态差 (归一化) 作为神经网络输入输入样本为11维向量, 在3层网络中, 初始隐含层的神经元个数n2与输入层神经元个数n1采用公式n2=2 n1+1。隐层神经元的传递函数采用S型正切函数tansig, 输出层神经元采用S型对数函数logsig, 训练函数为trainlm, 测试结果显示, 隐层神经元个数为23时误差最小, 收敛速度比较快, 故隐层神经元个数取23.以裂缝位置和损伤程度作为输出层有5个神经元.网络经过13次训练, 误差达到最小。

以结构出现5种不同深度的裂缝做为测试样本, 输入已经训练好的网络, 归一化后的测试样本输出结果见表1。

有网络识别结果可以看出, 以多参数作为BP网络输入, 可以准确实现裂缝定位和定量, 数值模拟分析最大误差7.24%, 误差产生的原因与训练样本数量、网格划分精度有关。

3 结论

3.1简支梁受损后反映结构整体特征参数的频率降低, 并且减少的趋势与损伤程度成非线性正比关系, 根据频率变化, 可以从总体上判断结构是否受损。

3.2曲率模态差是反映结构局部损伤的敏感性参数, 在无噪声情况下准确定位损伤, 但不能反映结构的损伤程度。

3.3非线性映射能力较强的单隐层BP网络进行损伤识别, 不但可以的定位损伤, 而且可以较为准确的判断损伤程度。

参考文献

[1]谢峻, 韩大建.一种改进的基于频率测量的结构损伤识别方法[J].工程力学, 2004, 21 (1) :21-25

识别参数论文 第8篇

顶推施工法自1959年应用于桥梁建设,经过几十年的发展,现在广泛应用于等高度连续梁、变高度连续梁、连续刚构、拱桥、斜拉桥、混合型桥梁的建设实践中,其中最适宜于等高度连续梁。对于大跨度等高度顶推连续梁,为保证桥梁最终线型和截面应力在安全范围内,必须对其进行施工监控,而对于监控中很重要的参数识别环节由于各种原因一直没有得到很好的实施,本文就这一问题展开研究,以墩顶最大正位移为控制条件,提出一种基于二分法的自适应参数识别方法,并在常德一座大跨度顶推连续梁的工程实践中得到应用,取得了良好的效果,能为以后同类问题提供参考,可以做进一步的推广实施[1,2,3]。

1 工程背景

湖南常德沅江西大桥顶推部分的上部结构由947 m预应力砼顶推连续梁构成,全桥顶推长度423 m,分19个节段预制顶推,第一段梁长11.75 m,第2～18段梁长均为23.50 m,第19段梁长11.75 m。钢导梁按32 m长,800 kN重控制设计配筋。单幅桥为单箱单室斜腹板箱形等截面,箱梁梁高为3.20 m(箱中心线),箱梁顶板宽为14.49 m,底板宽度为6.5 m。下部结构为柱式桥墩,26～33号墩墩柱为200200 cm方柱式墩,墩柱顶设墩顶系梁;34号墩为过渡墩,墩柱为200200 cm方柱式墩,墩柱顶设盖梁。在34#墩前设置临时墩,在34#墩后设置预制平台,顶推方向为从34#墩向26#墩,桥型总体布置图、墩柱形状图如图1、图2所示。采用多点顶推工艺,在辅助墩和梁经过的墩顶及梁即将到达的墩顶设置顶推装置,且由一个液压站统一控制,以达到统一施力的效果。

2 有限元模型的建立

2.1 上部结构有限元模型

根据沅江西大桥的施工特点和施工监控分析要求,利用桥梁结构分析软件Midas civil进行了沅江西大桥主桥947顶推部分上部结构的施工过程的模拟计算,因正装计算能真实地模拟各个施工状态、对施工各阶段的结构进行静力分析,所以按施工步骤,本文采用的方法是有限元逐步正装计算法[4]。计算模型的建立基本上根据施工的实际情况对结构进行空间杆系离散,主梁用梁单元进行模拟[5],前端32 m为变截面的钢导梁,其后为C55混凝土主梁,全桥节点总数434个,梁单元总数193个,根据不同的施工阶段顺次激活相应的节段来模拟实现顶推梁逐段增长以至成桥的过程。模型中每一个预制节段为一个施工阶段[6,7],考虑参数识别的需要,具体情况细化施工阶段,模型截图如图3所示。

2.2 下部结构有限元模型的建立

本文参数识别以墩顶最大正位移为控制条件,为求得该位移,需要建立具体的墩柱模型,通过输入不同的主动力(摩擦力、顶推反力)来求得该最大纵向正位移值。用有限元软件Midas civil建立墩柱模型,采用梁单元模拟承台、墩柱、墩顶系梁单元,整个模型节点总数为33个,单元总数为31个,摩擦力用两个集中力模拟,分别作用在墩顶节点上,顶推反力也以集中力模拟,作用在墩顶系梁中心节点上,两者作用方向相反,模型截图如图4所示。

3 参数识别理论分析

3.1 理论分析[8,9]

在梁体行走过程中,用Midas全桥空间模型算出墩在各个阶段的支反力,根据施工单位实验所得滑动摩擦系数推出摩擦力,施工方案中会提供墩的顶推施力,把此两种力以主动集中力的形式输入到Midas墩柱模型中得到墩的水平正位移,简单的力学模型可认为该主动力和墩的水平位移是线性关系,考虑到混凝土墩的收缩徐变还有温度等等的影响,也可根据数据用计算数学的内容回归出该主动力合力与墩水平正位移的函数,从而得到此两者的一一对应关系,也即得出了支反力与梁体水平正位移的关系。建立了支反力与墩顶水平正位移的一一对应关系后,就可以对全桥空间模型修改一定的参数来得到不同的支反力,其对应不同的墩顶水平正位移,该待识别参数与墩顶水平位移的关系即可得到,结合实测的墩顶水平位移就可以进行相应的参数识别工作。

由于梁体行走过程中梁体位置一直变化,墩支反力也会产生相应的变化,从而产生一直变化的墩顶水平位移,又由于实际施工中液压千斤顶施力不同步及其他等等问题,梁体走走停停,出现“爬行”现象,正负位移交替出现,这样就给我们的参数识别工作带来极大的困难,但其墩顶最大正位移我们是可以得到的,一段走梁过程中的墩顶最大支反力也是可以得到的,可以建立此两者的关系。实际操作中我们通过选取一个施工阶段,该阶段主梁体已经通过墩柱而导梁尚未到下个墩柱,取此23.5 m节段的最后5 m段梁体的行走过程来进行实时监测(梁体近似匀速稳定前行),得到该过程中的墩顶最大正位移量,然后和该过程相同参数不同参数值对应的最大支反力算得的墩顶正位移做比较来进行参数识别。

3.2 二分法介绍[10]

参数识别的方法很多,有最小二乘法、卡尔曼滤波法、神经网络法等等,其中最经典的是最小二乘法,然而其在计算结构的影响矩阵比较复杂,工作量极大,本文提出的二分法利用现有结构分析程序解决参数识别的问题,简单实用。

首先测量得到某一施工阶段某墩(本文工程背景下选取其为31墩)墩顶最大正位移{D},确定要识别的参数{A}(本文工程背景下选取混凝土容重为例),把{A0}(参数理论值)输入全桥有限元模型,按照已拟定的施工步骤进行正装计算,计算完毕后查看有限元模型相应阶段的墩顶支反力,然后代入到墩柱有限元模型,计算出相应的墩顶最大正位移{D0},那么实测值{D}与理论值{D0}会存在一个差值:

{△D0}={D}-{D0} (1)

为消除这一差值{△D0},在下一轮的正装分析中,取计算参数{A1},取值{A1}按如下原则:

{△D0}>0时,选取的参数应使计算墩顶位移大于实测值;

{△D0}<0时,选取的参数应使计算墩顶位移小于实测值;

开始第一次迭代计算,取{A1}正装计算,墩顶位移记为{D1},那么必有:

{D1}<{D}<{D0}或{D0}<{D}<{D1}

假定{D0}<{D}<{D1},设计参数{A0}与第一次迭代计算参数{A1}会存在一个误差值:

{△A1}={A1}-{A0} (2)

开始第二次迭代计算,取

$\{A{}_2\}=\frac{1}{2}\{\text{Δ}A{}_1\}+\{A{}_0\}$正装计算,墩顶位移记为{D2},那么必有:

{D1}<{D}<{D2}或{D2}<{D}<{D1}

假定{D1}<{D}<{D2}第一次迭代计算参数{A1}与第二次迭代计算参数会存在一个误差:

{△A2}={A2}-{A1} (3)

开始第三次迭代计算,取$\{A{}_3\}=\frac{1}{2}\{\text{Δ}A{}_2\}+\{A{}_1\}$,墩顶位移记为{D3},重按此方法循环迭代计算直到满足精度要求,可假设精度要求:

$k=\frac{1}{n}{\displaystyle \sum _{i=1}^n\frac{|\{\Delta D{}_n\}|}{\{D{}_n\}}}<[k](4)$

式(4)中:{Dn} n次迭代计算墩顶正位移;

{△Dn} n次迭代计算墩顶正位移与实测值差值;

[k] 误差容许系数,在沅江西大桥参数识别过程中取[k] 为0.03。

当n=0时,即为原始计算墩顶最大位移,此时k={△D0}/{D0}。

迭代过程中计算参数的取值具有每迭代一次误差减少一半的特点,经过n次迭代计算后,误差仅为初始误差的$\frac{1}{2{}^n}$。具体流程图如图5所示。

4 工程算例

影响墩顶水平最大正位移的因素包括主梁混凝土容重、混凝土弹性模量、混凝土收缩徐变系数以及施工荷载等。其中混凝土弹性模量可以通过弹性模量试验获取,混凝土收缩徐变系数在应力测试工作中可以较好地识别出来,而施工荷载在进入主梁标准节段施工后基本不变,可以较容易把握。剩下的主梁混凝土容重则由于混凝土施工精确度较难把握,需要通过理论识别获取。本文主要以混凝土容重为主要参数来进行参数识别工作。选取第七阶段顶推完成一部分,使得主梁经过31#墩,该23.5 m节段所剩最后5 m段进行分析说明,并取此31#墩墩顶最大正位移为控制条件,由于已经经过一段时间的顶推,此时梁体近似匀速稳定前行,具体阶段图如图6所示:

在实验梁段行走过程中用全站仪实时测量并记录31#墩纵向位移,然后对实验数据进行取舍、分析后,取定这个5 m梁行走段的31#墩最大纵向正位移,再按照上述迭代法原理取不同的待识别参数值输入到模型中进行迭代计算,识别出我们想要的参数值,计算结果见表1,不同参数的模型计算值与实测值的差值绘出图表后如图7所示。

注:(1)表中精度k取值为1#、2#、3#、4#点计算得到精度值的较大者,[k]=0.03; (2)表中1#、2#、3#、4#点位置布置如图2所示。

从图7可以看出,随迭代次数的增加,模型算得的墩顶最大正位移与实测最大正位移越来越近,到完成5次迭代以后,两者之间的差值为0.1 mm,收敛控制参数k为0.028,小于0.3,在控制标准以内,因此我们认为此时所识别的参数混凝土容重27.325 kN/m3已经与真实值基本相当,是所需要的,可以输入模型进行其他方面计算,对关键截面应力等进行验算控制。

5 结论

从以上的分析可得:

(1)在大跨度顶推施工控制过程中通过选取走梁过程中墩最大纵向正位移作为控制条件进行参数识别是可行的,这就为以后我们进行顶推施工中参数识别提供了另一种可选的控制条件,并且实践证明效果良好。

(2)参数识别的方法很多,本文提出的二分法就是参数自适应概念的充分体现,这种方法通过选用不同的参数值使模型输出的反应能体现实际的结构情况,只是通过数学上参数区间二分的原理使得每次模型的反应都能越来越接近结构实际响应。

(3)对于大跨度顶推梁桥施工监控,由于理论与实际的差别,需要识别的因素很多,包括主梁混凝土容重、混凝土弹性模量、混凝土收缩徐变系数以及施工荷载等等,这些因素中经过细致的敏感性分析知道,混凝土容重对结构的各方面性能影响较大,而且由于施工过程中混凝土方量不容易控制,易出现超方现象,所以容重是我们首先要识别的因素。

摘要：以湖南常德一座大跨度顶推施工连续梁为工程背景,介绍施工监控中一种基于二分法的自适应参数识别方法。该方法以顶推走梁过程中墩顶最大水平正位移为控制条件,解决了连续梁顶推施工监控中参数识别较难的问题,并在该工程实践中得到良好应用。取得非常好的效果,能为以后顶推方法施工桥梁监控中的参数识别问题提供参考。

关键词：顶推施工,参数识别,二分法,最大正位移

参考文献

[1]杨豫湘,刘乐辉.柔性墩多点顶推施工技术.中外公路,2002;(5):84—86

[2]刘统良.大跨度预应力混凝土连续梁桥施工控制研究.科技资讯,2007;(29):51—53

[3]张华平,田仲初.斜连续梁桥顶推施工控制.山西科技,2005;(3):63—64

[4]燕全胜,王卫锋,邹小江.顶推法施工过程仿真分析软件的研制.世界桥梁,2003;(3):66—69

[5] WANG Jinfeng,LIN Jianping,CHEN Chunlei,et al.Simulation anal-ysis and control research of long multi-span composite bridge with in-cremental launching construction.ICCTP,2011:3078—3090

[6]王勇.PC梁顶推施工过程的仿真分析.管理施工,2006;(3):55—57

[7]崔清强.复杂预制线型钢箱梁顶推计算分析.桥梁建设,2009;(6):50—53

[8]周斌,刘媛.顶推施工连续梁施工中墩顶水平位移控制分析.河南建材,2009;(6):128—129

[9]徐化轩,史丰收.基于虚拟仪器技术的桥墩顶部位移自动监控系统.铁道工程学报,2002;(1):30—33

识别参数论文 第9篇

目前, 建筑结构的损伤识别分为静力检测以及动力检测, 对于大多数建筑结构的损伤检测主要还是以静态监测为主。但是静态监测的检测周期较长, 而且设备繁杂, 影响建筑结构的正常使用, 同时检测过程中又能对建筑结构造成新的破坏。随着现代技术的发展, 动力检测的损伤识别精度越来越高, 而且具有无损、高效的特点。

1模态参数识别的基本方法

近年来出现了较多使用不同模态参数和算法识别损伤的方法, 其以及在建筑结构损伤领域显示出了其强大的优势。模态参数识别是通过对建筑结构进行激励, 得到建筑结构的响应, 进而确定建筑结构的动力特性参数即模态参数。目前建筑结构的模态参数识别主要是经典的传递函数模态分析法以及基于环境激励的模态参数识别[1]。传递函数模态分析法是同时利用激励的力以及输出响应进行参数识别, 而基于环境激励的模态参数识别则不需要对激励进行激励, 仅仅利用建筑结构的响应即可识别模态参数。主要的基于环境激励的模态识别方法有峰值拾取法以及频域分解法。

1. 1峰值拾取法

峰值拾取法假定建筑结构响应的互功率谱峰值仅仅由一个模态决定, 利用建筑结构响应的互功率谱替代其频响函数。因此可以通过功率谱峰值对应的频率值得到建筑结构的固有频率值, 根据建筑结构的实际工作挠度比值得到结构的模态振型。峰值拾取法由于其识别方法简单, 操作便捷等优势, 在建筑结构的模态参数识别中应用最为广泛。但是其不能识别密集模态, 对于建筑结构的阻尼比识别误差较大。

1. 2频域分解法

频域分解法是基于白噪声激励识别模态参数的方法, 在原理上与峰值拾取法基本一致, 并且克服了峰值拾取法的不足, 在识别过程中, 建筑结构的固有频率以及阻尼是由对应单自由度相关函数的对数衰减中得到。因此, 频域分解法的主要工作原理是对响应功率谱进行奇异值分解, 将其分解为相应多阶模态的一组单自由度结构功率谱函数。

2基于模态参数的建筑结构损伤识别

基于模态参数的建筑结构损伤识别主要的原理是根据结构的自振微分方程 ( 式1) , 通过识别得到的固有频率、振型、阻尼等模态参数与建筑结构的质量、刚度、材料特性等物理力学参数存在对应关系。 因此建筑结构出现损伤时, 必然会导致模态参数发生变化, 根据模态参数的变化程度判断建筑结构的损伤程度以及损伤位置。

早期运用直接比较模态参数的办法进行建筑结构的损伤判断, 此法计算简单。对于直接比较建筑结构的固有频率变化不包含空间信息, 无法判断损伤位置。通过比较振型变化, 现在常用的是利用MAC ( 模态置信度因子) 判断建筑结构的损伤位置, MAC表示了两组模态振型的相关程度, MAC值用于识别每个子结构中的损伤, 为0时损伤较大, 为1时一致。但是通过振型比较对于局部损伤较为敏感的高阶模态的准确率较低。因此, 随着技术的不断发展, 各类改进的损伤识别理论被提出。

朱宏平[2]利用建筑结构自振频率较低及环境激励下结构响应信噪比低的特点, 运用小波变换降噪处理, 抑制原始信号的噪音部分 ( 高频) 。徐飞鸿[3]通过构建柔度相对变化率矩阵, 并对其进行差分处理, 得到其曲率矩阵, 并将每列绝对值最大值作为损伤识别指标。罗姗姗[4]等对某网壳结构进行数值分析, 并将损伤前后的模态曲率作为损伤指标进行连续小波变换, 从而判断损伤位置。张力通过砌体结构的低阶模态参数, 结合差异演化算法对砌体结构层间刚度进行识别[5]。孙红跃[6]以框架建筑的固有频率的变化为基本参数, 利用BP神经网络进行训练, 进而得到建筑结构损伤识别的方法。

3结语

基于模态参数的建筑结构损伤识别的研究工作进展迅速, 有效的提高了准确性和可靠度, 但是由于建筑结构的损失与其成因之间又较复杂的关系, 且影响因素的不确定性和随机性较大。在运用模态参数对建筑结构进行识别的时候还要进一步减少测试信号的误差, 并且提高抗干扰能力, 提出综合的损伤判定标准。

参考文献

[1]李惠彬.大型工程结构模态参数识别技术[M].北京理工大学出版社.

[2]朱宏平, 翁顺.运用小波分析方法进行结构模态参数识别[J].振动与冲击, 2007, No.10804:1-4+13+165.

[3]徐飞鸿, 戴斌.基于柔度相对变化率曲率矩阵的损伤结构识别方法[J].长沙理工大学学报 (自然科学版) , 2015, v.12;No.4804:63-68.

[4]罗姗姗, 王孟鸿, 何远营, 等.基于模态曲率与小波变换的网壳结构损伤识别研究[J].建筑技术开发, 2013, v.40;No.31711:8-10+27.

[5]张力.基于差异演化的砌体结构动力检测[J].福建建筑, 2015, No.20103:52-54+106.