基于Kriging形函数的线性时变结构模态参数辨识

近年来,对航空航天飞行器随时间变化的动力学特性研究需求越来越迫切。仅输出参数化时域的时变时间序列模型以其结构简约、精度高且跟踪能力强而成为研究热点,尤其是泛函向量时变自回归(FS-VTAR)模型已经得到了广泛应用。然而传统的FS-VTAR模型在保证其辨识优势的同时却需要针对不同时变结构选择合适的基函数形式及较高的基函数阶数,该过程相当复杂且耗时。本文借鉴无网格法中移动最小二乘(MLS)法构造形函数的思想,提出一种基于Kriging形函数的线性时变结构模态参数辨识方法。该方法首先引入自适应于辨识信号的Kriging形函数;再把时变系数在形函数上线性展开,利用最小二乘(LS)法得到形函数的展开系数;最后把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:基于Kriging形函数的FS-VTAR模型相比于传统的FS-VTAR模型能有效地避免基函数形式的选择和较高的基函数阶数,且精度相当;相比于移动最小二乘法能有效地解决其数值条件问题且具有更高的模态参数辨识精度。     

结合离线知识的时变结构模态参数在线辨识

飞行器的结构模态参数在线获取对其高效、可靠运行具有重要意义。传统时变结构模态参数辨识方法存在辨识虚假结果较多，抵抗测量数据中的极端异常值能力差等问题，难以有效应用于在线过程。建立一种基于长短时记忆网络的时变结构模态参数在线辨识网络模型，通过数据集构建过程离线地引入先验信息，同时结合模型自身特性，有效提升制约在线辨识应用的可靠性。实验结果表明：在不同时变规律下，与传统辨识方法相比，在线辨识模型能有效缓解虚假结果问题，同时保证辨识结果的连续性；采用α稳定分布模型对脉冲噪声进行建模，验证了其在测量数据包含由于偶发因素产生的极端异常值时在线辨识鲁棒性。     

基于时变TVAR模型和CKF滤波的助推器落点预测

为解决助推器难以精确回收的问题,提出了一种容积卡尔曼滤波(CKF)和时变自回归(TVAR)模型融合的助推器落点预测方法。针对外弹道观测数据的非平稳时序特点,利用TVAR模型对其建模,预测助推器脱落时和助推器落地之间一段时间的未来测量值,以离散化质点弹道模型作为状态方程,将未来测量值作为CKF滤波弹道位置估计的测量值。为普适非平稳序列,考虑时变TVAR对非平稳时间序列的时变参数和模型阶数的确定。该方法是预测助推器落点滤波外推法的一种新实践。实验数据结果表明,TVAR预测助推器落点与TVAR-CKF融合预测的助推器落点相比,融合后预测的结果与实际测量的助推器落点的偏差更小,可为实际应用提供参考。     

高速飞行器热结构工作时变模态参数辨识

高速飞行器由于其很高的飞行速度而无可避免地受到气动加热作用的影响,进而引起结构特性的时变。采用理论或有限元方法(FEM)进行数值分析,难以获取反映结构在飞行(工作)状态下的真实模态参数。通过辨识获取高速飞行器热环境下的时变结构模态参数是一项十分具有挑战性的任务。针对此问题,引入参数化时频域的最大似然方法,对气动加热作用下的高速飞行器升力面结构的时变模态参数进行了辨识。通过模拟真实飞行状态的数值算例研究,说明参数化时频域的最大似然方法能够很好地辨识出低信噪比(SNR)情况下的模态频率和模态振型,验证了参数化时频域最大似然方法适用于具有显著时变特征的高速飞行器热结构的时变结构模态参数辨识,可为将来相关的工程研究和应用提供良好的理论支持。     

高速飞行器翼面结构热振动试验的TARMA模型方法

高速飞行器翼面结构的热振动试验研究对这类飞行器的设计和安全飞行具有重要的意义。采用时变自回归滑动平均(TARMA)模型方法建立了受热时变结构系统模态频率辨识的数学模型,并用一个数值算例进行了验证。将地面振动测试系统与瞬态热环境模拟系统相结合,设计了翼面结构热振动试验系统并模拟结构的瞬态温度场,同时对纯随机激振力激励下受热时变结构系统的振动位移信号进行测量,并用TARMA模型对时变固有频率进行了辨识,获得了前4阶固有频率随加热时间的变化规律,并将辨识结果与数值计算结果进行了比较,两者误差在5%以内。另外,在稳态均匀热环境下辨识得到的结构系统固有频率变化与数值计算结果也吻合得很好。通过将均匀温度场与瞬态温度场下的结果进行对比分析,指出了瞬态热环境下时变结构的固有频率随加热时间变化的趋势主要由结构材料属性的退化和结构内部不均匀热应力的影响共同决定。     

利用输出误差时间序列模型识别结构时变模态参数

基于振动系统运动方程,建立了描述系统输入和输出关系的输出误差时间序列模型,论证了该模型中外源多项式系数的性质。利用基于UD分解的递归最小二乘参数估计方法估计OE模型的参数,从而得到结构的时变模态参数。数值仿真结果表明用此方法来识别时变模态参数是可行的。     

连续变速颤振试验的自适应粒子滤波算法

连续变速颤振试验的采集信号通常为非平稳信号,其频率和幅值随时间变化,尤其在亚临界状态下, 变化程度十分剧烈。常用的非平稳信号时变参数建模分析方法,在信号非平稳程度较高的情况下难以对信号 的模态进行准确地分析和跟踪。为了解决这一问题,结合信号非平稳度量计算方法,提出一种改进的自适应粒 子滤波算法,并通过仿真实验数据对所提算法在高非平稳度情况下的跟踪性能进行验证。结果表明:与一般粒 子滤波算法相比,本文方法在高非平稳度情况下具有更高的跟踪精度。     

基于递归辅助变量的时变谱估计方法研究与应用

针对遥测速变参数处理中非平稳信号二阶统计量时变特性分析的问题,提出了基于时变线性预测模型和最小二乘准则的递归辅助变量(RIV)时变参数谱估计方法。该方法可以对叠加白噪声和有色噪声的信号进行分析处理,扩大了适用范围,提高了处理的准确性。仿真实验的结果表明,本文方法能够准确地描述信号的二阶统计特性随时间的变化关系,具有较好的数值稳定性,适用于各类非平稳信号的动态和静态分析。     

一种适用于飞行器控制系统的快速时变参数辨识方法

 在自适应控制中,特别在飞行器控制系统中,经常会遇到快速时变参数的辨识问题,这是一个比较困难的问题。本文利用折线段近似时变参数,根据最小二乘原理导出了一种计算比较简单、辨识精度较高的快速时交参数辨识方法。文中对反坦克导弹和地空导弹等快速时变系统进行了数学模拟.其结果表明,这种辨识方法不仅适用于连续快速时变系统,而且在参数变化存在第二类间断点时,仍有较好的辨识结果。     

基于时频切片分解的时变系统参数识别

系统参数识别分为时不变系统参数识别和时变系统参数识别两大研究方向,其中时不变系统参数识 别的研究已趋于成熟,而时变系统参数识别的研究则仍然处于起步阶段。对于多自由度时变结构,提出一种基 于时频切片分解的时变系统参数识别方法。该方法采集结构的振动位移响应,根据时频分解计算得到响应在 整个时频段内的时频能量分布图;依据结构的时频分布特性,选择多个时频切片窗分解响应信号,再对分解出 的信号分别进行逆变换计算完成时域上的信号重构;重构出来的信号对应于结构的各阶模态位移响应信号,利 用Hilbert变换提取信号瞬时频率,从而识别出结构各阶频率。通过一个三自由度的弹簧阻尼质量仿真实验, 验证了该方法具有良好的识别精度和工程实用价值。     

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.     

Time-varying autoregressive modeling of HRR radar signatures

A time-varying autoregressive (TVAR) model is used for the modeling and classification of high range resolution (HRR) radar signatures. In this approach, the TVAR coefficients are expanded by a low-order discrete Fourier transform (DFT). A least-squares (LS) estimator of the TVAR model parameters is presented, and the maximum likelihood (ML) approach for determining the model order is also presented. The validity of the TVAR modeling approach is demonstrated by comparing with other approaches in estimating time-varying spectra of synthetic signals. The estimated TVAR model parameters are also used as features in classifying HRR radar signatures with a neural network. In the experiment with two sets of noncooperating target identification (NCTI) data, about 93% of samples are correctly classified     

Modeling and parameter identification of linear time-varying systems based on adaptive chirplet transform under random excitation

In this paper, a time–frequency algorithm based on adaptive chirplet transform for parameter modeling and identification of Linear Time-Varying (LTV) systems under random excitation is presented. It is assumed that the solution of responses of LTV structures is expressed as the sum of multicomponent Linear Frequency Modulated (LFM) signals in a short-time. Then the measured acceleration response is used to perform the adaptive chirplet transform, in which an integral algorithm is employed to reconstruct the velocity and displacement responses. The vibration differential equation with time-varying coefficients is transformed into a simple linear equation. Furthermore, for systems under random excitation, the input–output relation based on correlation function is also derived to estimate the parameters including physicals parameters and instantaneous modal parameters. The full procedure of the method is presented and validated by using simulated responses. The results show that the presented method is accurate and robust for various LTV systems under random excitation.     

环境激励下基于chirplet变换的线性时变系统参数识别

提出了针对时变系统响应的短时频率线性时变假设,通过将时变响应拟合成多分量线调频信号,根据线调频信号互相关理论推导了随机白噪声激励下时变系统的物理参数识别方法。该识别方法只需基于结构的加速度响应,便能识别结构的时变质量和刚度。由于引入了调频斜率刻画响应信号的短时频率线变特征,该方法相比传统识别方法能更好地追踪快变甚至突变参数,对实际工程中的时变问题具有重要的应用价值。仿真算例中构造了1个3自由度时变结构模型,针对线性时变、周期时变和突变等情况进行了物理参数的识别,误差分析显示识别误差均在5%以内,仿真结果验证了方法的正确性和适用性。     

广义时变ARMA序列预测方法

提出一种广义时变ARMA序列预测方法,给出时变序列和广义时变序列的预测公式及其均方误差。该方法能够对均值、方差、自回归系数和滑动平均系数都随时间变化的广义时变序列(或信号)进行分析和预测,可广泛应用于气象、通信、自动控制、结构响应分析和故障诊断等领域。大量计算表明,本文方法与传统方法相比,具有更高的预测精度。      

State space modeling of random drift rate in high-precision gyro

A state space approach for the modeling of nonstationary time series is presented. Based on the concept of smoothness priors constraint, the overall model is fitted by using the Kalman filler and Akaike's AIC criterion. Whenever an autoregressive (AR) model with time-varying coefficient is fitted in state space model, it can be used for the time-varying spectrum estimation. Some numerical results of gyro drift models are obtained for analysis of high-precision gyro. As the trend, irregular and periodic components of the observed time series can be modeled simultaneously, it is statistically more accurate and efficient than that modeled separately     

基于循环平稳时间序列的齿轮裂纹故障早期检测

在分析齿轮振动信号的基础上 ,结合其具有循环平稳性的特点 ,提出了基于线性几乎周期时变 AR模型的故障早期检测方法 ,推导了基于高阶循环累积量的模型参数辨识算法 ,具有抑制加性平稳噪声的优点。最后在某型直升机齿轮裂纹故障早期检测中进行了应用 ,结果表明该方法具有很好的预测能力 ,利用模型残差的峭度能够检测和预报早期裂纹故障 ,同时为根据正常样本检测旋转机械故障提供了一种思路      

结构有限元模型的试验建模

 对于复杂结构系统,用试验测取的模态参数来识别或修改系统的物理参数,以构造其动态数学模型。这种方法是建立振动系统数学模型的逆方法。 近些年来,国内外不少学者在这一领域做了很多工作。他们方法的共同点是识别系统的总质量矩阵和总刚度矩阵,因此未知量较多。考虑到结构系统总矩阵元素之间有一定关系,文献[3]讨论了一种建立动态有限元模型的逆方法。