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。     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。     

无人机-无人车异构时变编队控制与扰动抑制

研究了无人机-无人车异构系统时变输出编队控制与扰动抑制问题，要求多无人机与无人车在受到未知外部扰动的情况下，保持设计的输出时变编队构型。首先，对无人机与无人车进行单体运动学与动力学建模，同时建立扰动模型，并引入代数图论概念，建立异构集群系统的协同控制模型。然后，对各无人机-无人车设计了具有分层架构的分布式时变输出编队控制器，包含基于一致性理论的编队中心估计项和基于内模原理的扰动抑制补偿项。进一步分析异构系统实现输出时变编队的可行性条件，给出了分布式编队控制器的参数选取算法，并证明了时变编队控制器构成的闭环系统的稳定性。最后，通过仿真算例来验证所设计的编队控制器的有效性。     

制导航空炸弹变结构控制器设计

针对制导航空炸弹的滚转通道,设计了一种具有线性部分变结构控制器。基于弹体模型的时变特性,该控制器首先设计切换函数以确定滑动模态动特性,附加以参数变化范围内的定常模型为对象的线性部分用以控制趋近模态。对某型号制导炸弹设计变结构控制律,仿真结果表明能较好地适应系统的参数变化,提高控制精度,系统具有良好性能。     

变阶次分段ARMA模型算法研究

建立了时变悬臂梁有限元模型,采用时序分析方法中的自回归滑动平均模型,即ARMA模型算法进行模态参数识别。重点分析了利用奇异值分解确定ARMA模型阶次的方法,提出了奇异值最小差值法和一种变阶次ARMA模型算法。结合分段ARMA模型算法对时变悬臂梁系统的模态参数进行识别。结论指出:从仿真分析的角度来看,分段ARMA模型算法对模型的前三阶固有频率的识别结果还是可信的,尤其是变化较明显的高阶固有频率。     

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。     

基于左矩阵分式模型的模态参数识别方法

提出一种多输入多输出(MIMO)系统的宽频模态参数识别算法。该方法基于频响函数(FRF)的左矩阵分式模型(LMFD),通过最小二乘法在z域内求解模态参数,避免了s域内矩阵的病态问题。针对左矩阵分式模型的特点,给出了一种通过主分量分析(PCA)建立稳定图的方法。指出了传统的频域多参考点(PRFD)方法与基于左矩阵分式模型识别方法之间的关系。最后采用GARTEUR模型仿真算例与飞机模型的实测算例对所提出的方法进行了验证,结果表明该方法具有良好的识别效果。     

基于参数优化变分模态分解的瞬时模态参数识别

针对变分模态分解的模态数和二次惩罚因子难以确定的问题,提出了基于正交性指标、能量比值和变分能量熵的参数优化算法;对于分解得到的单分量信号,发展了基于多项式调频小波变换的瞬时频率识别方法和基于能量法的瞬时阻尼比识别方法。开展了三自由度时变结构仿真研究和时变钢梁实验研究。研究结果表明：优化后的变分模态分解法能够精确分离多自由系统的各阶时变分量,具有较强的抗噪性能;基于多项式调频小波变换的瞬时频率识别方法具有很强的时变频率追踪性能、抗噪声能力强,时变频率识别精度高,平均误差不超过1%;能量法能够较准确地识别结构的瞬时阻尼比,识别误差保持在10%左右,抗噪优势明显。     

非对称转子支承系统动力分析的约束模态减缩方法

为了对3D有限元模拟的非对称转子支承系统进行减缩,基于模态减缩理论,提出了一种高效率、高精度的约束模态减缩方法。对约束模态减缩方法的概念及原理进行介绍,并给出非对称转子支承周期时变系统运动微分方程的约束模态减缩形式;以简单非对称转子支承系统的模态特性分析为例,对提出的模型减缩方法的精度进行研究。研究表明约束模态减缩方法的减缩精度,主要受模态截断阶次和约束因子两个因素影响。约束因子在0.01 ~ 0.1之间取值时,此模型减缩方法具有很高的减缩精度。     

数字化试飞平台下基于PSO的某型初级教练机飞行品质参数辨识试飞工程方法研究

飞机飞行品质系统辨识是根据飞机系统的输入和输出响应时间历程求取该系统的数学模型及模型中的各参数的过程.本文给出一种在飞行试验中辨识飞机飞行品质短周期模态特性参数辨识试飞工程方法,首先应用连续域等效低阶系统传递函数来描述飞行品质模态特性系统,然后采用基于粒子群算法(Particle Swarm Optimization,PSO)的离散递推最小二乘算法,建立待估参数准则函数,通过极小化待估参数准则函数,求得参数的估计值,最后对辨识的模型进行验证.仿真算例表明该方法具有良好的收敛性和跟随性.     

计及随机噪声的频域多输入多输出模态参数识别

提出了一种计及随机噪声的多输入多输出频域模态参数识别方法。该方法基于连续时间域的频率响应函数有理分式模型,利用Forsythe正交多项式改善求解性态,属频域的极大似然类估计方法。在最小二乘估计的基础上,利用"先验"的随机噪声信息进行优化迭代的极大似然估计,得到更优的模态参数识别结果。根据Cramer Rao下界不等式,在几乎不增加计算量的情况下获得所识别结果的不确定性信息,提高了模态参数识别的可靠性。采用GARTEUR飞机模型作为仿真算例,对本算法进行了仿真验证。     

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。     

粘弹材料在粘弹性板建模中的应用研究

 给出了确定粘弹性材料本构关系的 GHM模型各参数的简便方法。基于 GHM模型,用有限元法计算了粘弹夹芯板的模态参数,计算结果同参考文献相比,精度高且更接近于实验结果,同时与 ANSYS5.5及NASTRAN70.7的计算结果基本一致,表明给出的方法是可靠的,说明 GHM模型不但能准确描述粘弹性材料的本构关系,而且能与有限元方法相融合,所得系统二阶运动方程可以方便地利用各种控制理论进行振动主动控制。     

具有时变刚度传动误差及间隙的齿轮系统动力学分析

建立了 ４ 自由度的直齿圆柱齿轮系统的非线性动力学方程。该方程包含了时变啮合刚度、传动误差及间隙。利用齿轮结构的旋转对称性,提出了用一个啮合齿对上的参数表示其它啮合齿对上参数的方法。为了求解方程,提出了一种有效的数值方法——基于打靶法的局部参数化延拓法。该方法不但能够得到非线性振动微分方程的周期解,而且特别适合处理含奇异点的非线性特征值问题。最后给出了一个数值计算示例。     

模型参考时变滑态变结构控制方法研究

针对一类特殊线性时变系统,提出了一种新的模型参考时变滑态结构控制器设计方法。能较好地适应时变系统参数大范围的变化,提高控制精度和控制效益。利用该方法设计了某型BTT导弹俯仰-偏航通道自动驾驶仪变结构控制律,取得了很好的控制效果。     

基于ARX模型的笼型异步电机控制策略研究

针对笼型异步电机控制系统中时变、非线性的特点,提出了以ARX模型为核心。模型参考自适应控制策略为基础的笼型异步电机的控制策略。所提出的控制策略对于电机参数变化和系统干扰具有较好的鲁棒性。通过仿真和样机试验,对所提出的控制策略进行了验证。     

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。     

飞机颤振模态参数的频域子空间辨识

 研究了基于非参数噪声模型的频域子空间系统辨识法，并采用频域子空间辨识算法实现了基于多通道数据的颤振模态参数辨识，改变了传统的单通道颤振试验数据分析模式，试验结果表明子空间算法能有效提取多通道数据中包含的主要危险模态信息，且计算量小，适用于模态参数的在线分析。     

基于随机子空间方法的模态参数识别研究

随机子空间识别 (StochasticSubspaceIdentification ,以下简称SSI)方法是一种新的时域识别方法 ,该方法仅用自然响应数据 ,通过QR分解和SVD分解等一套正交投影算法识别系统模型。研究了SSI方法在模态参数识别领域的应用。采用NASAmini mast模型 ,仿真分析了SSI算法控制参数选择技巧 ,论证了其参数识别精度。通过处理日本CFT大楼实测数据 ,研究了SSI方法识别真实结构模态参数的问题。应用Kalman滤波器 ,测量响应可以分解为模态空间响应 ,将信号功率谱分解成多条单自由度系统功率谱。     

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.