采用工作模态识别法进行模态分析

对于一些大型工作结构 ,有时很难测得输入信号 ,只能单独利用实测响应数据进行工作模态识别。本文针对工程实际中的这一情况 ,首先利用响应间互相关函数同脉冲响应函数在表达形式上的相似性 ,推导出了多参考点时域工作模态复指数法 ,继而又从响应间的互相关函数入手 ,推导出了多参考点频域工作模态识别法。最后采用一飞机模型对这两种方法进行了试验验证 ,并将所得结果做了对比分析 ,结果表明 ,两种多参考点方法都能较有效地单独从实测响应数据提取结构的模态参数 ,且频域工作模态识别法比时域工作模态复指数法识别精度更高。     

频域飞行试验的计划和实施：直升机飞行试验的经验教训

实验性飞行试验和工程飞行试验的主要目的之一是识别飞机系统的动态特性。系统识别用途很多,包括飞行品质研究,飞控系统设计和检验、模拟验证、气动弹性和振动研究以及规范的符合。直升机频域系统识别在过去十年间得到了发展。频域方法采用时域飞行数据（如频域扫描）并将其转换到频域。对于那种数据的各种应用已发表了广泛的资料,但有关飞行试验设计和实施方法的资料非常少。经验教训说明了规定训练及确定频域飞行试验方法的重要     

电传飞机系统动态特性识别

提出了一套识别飞机系统动态特性的方法。对于短时激励信号,可同时采取时域法和频域法;对长时激励信号仅采取频域法。方法验证采用了变稳飞机电传系统试飞数据和专门的仿真试验数据。结果表明:该方法可解决电传飞机系统识别和评定中的许多问题,并为更进一步的应用研究打下基础。     

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。     

飞机从向等效系统识别与评价的应用研究

本文运用时域和频域的等效系统法,针对几种典型的短时信号激励,通过ＢＷ－１变稳机研制试验收度飞和应用研究试飞,进行了大量的纵向等效模型参数识别。最后基于部分识别结果,依据美军标ＭＩＬ＿Ｆ－８７８５Ｃ的要求,从飞行品质的评判方面作了一些初步的探讨 。     

动态载荷识别方法研究

动态载荷识别技术是飞机设计中的关键技术之一，本文对动态载荷识别方法进行了综述，详细介绍了频域反演法，时域反演法，神经网络反演法，逆虚拟激励法以及优化反演法的研究进展。     

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。     

油膜轴承动态特性参数及转子不平衡的现场识别

 应用有限元方法建立了柔性转子—轴承系统的动力学模型,提出了在不施加人工激励的前提下识别油膜轴承动态特性参数和转子不平衡的一种时—频域混合法。这种方法可以对每个轴承进行单独识别,亦可进行统一识别,真正实现了“现场”和“在线”,而且不破坏油膜的正常工作状态。最后给出了合理的现场识别实验结果。     

模态参数识别在飞行颤振试验中的应用

 本文介绍了飞机飞行颤振试验的简况、颤振试飞数据处理的特点和一些特殊要求。简要介绍了用频域参数识别方法和时域参数识别方法识别模态频率和阻尼的基本原理和基本数学模型。文中着重介绍了为解决颤振试飞中所获得的信号的信噪比差,而又要求识别的模态阻尼值的精度比较高这个矛盾和为了尽量缩短数据分析所花费的计算时间而采取的若干措施。     

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。     

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。     

频域最小二乘辨识方法的参数约束条件选取

近年来,频域最小二乘(LS)辨识方法因其较小的计算量和较高的辨识精度,在模态分析尤其是飞机颤振模态分析中得到了广泛关注。在实际应用中为提高辨识精度,通常采用过拟合方法进行系统辨识,然而过高的模型阶次会引入多余的数学极点,导致稳态图中虚假模态的出现,进而影响真实模态的识别。为此,针对多输入多输出系统辨识问题,研究了两种典型参数约束条件对频域最小二乘辨识方法的不同影响,通过理论分析和数学推导解释了约束条件和虚假数学极点稳定性之间的关系。研究结果表明:适当选取约束条件有助于区分真实和虚假模态,是获得清晰稳态图的关键。最后,采用仿真算例和颤振实测数据验证了本文的结论。     

一种基于在线辨识和专家系统的飞行器智能姿态控制方法

针对未来战场形势对攻击型飞行器提出的大包线飞行、大不确定、主动容错控制问题,提出了一种基于在线辨识和专家系统的智能姿态控制方法。该方法通过在线估计飞行器的时域、频域关键参数,驱动专家系统实时计算并调整控制器参数;结合时域、频域辨识结果诊断、定位故障,实现故障隔离、控制策略调整。该方法综合了飞行器结构、气动试验数据和专家知识,通过在线辨识和估计丰富了专家系统推理计算所需信息,促进了专家系统的在线应用,是一种近期可实现的智能控制方法。仿真结果表明,采用该方法,姿态发散概率由无容错控制时的45%降低到容错控制时的0%,姿态控制任务完成率100%。     

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

采用频域多参考点模态识别法进行工作状态下的模态识别

 针对工程实际情况,从实测响应间的互相关函数入手,推导出适用于工作状态下的频域多参考点模态识别法,然后采用一飞机模型对该方法进行了试验验证。     

Identification of reduced-order model for an aeroelastic system from flutter test data

Recently, flutter active control using linear parameter varying (LPV) framework has attracted a lot of attention. LPV control synthesis usually generates controllers that are at least of the same order as the aeroelastic models. Therefore, the reduced-order model is required by syn-thesis for avoidance of large computation cost and high-order controller. This paper proposes a new procedure for generation of accurate reduced-order linear time-invariant (LTI) models by using sys-tem identification from flutter testing data. The proposed approach is in two steps. The well-known poly-reference least squares complex frequency (p-LSCF) algorithm is firstly employed for modal parameter identification from frequency response measurement. After parameter identification, the dominant physical modes are determined by clear stabilization diagrams and clustering tech-nique. In the second step, with prior knowledge of physical poles, the improved frequency-domain maximum likelihood (ML) estimator is presented for building accurate reduced-order model. Before ML estimation, an improved subspace identification considering the poles constraint is also proposed for initializing the iterative procedure. Finally, the performance of the proposed procedure is validated by real flight flutter test data.     

基于递推傅里叶变换的飞行器参数在线辨识方法

在线辨识在现代飞行控制系统设计中扮演越来越重要的角色,飞行器模型的在线更新使得人们可以采用更智能的控制方法。基于计算精度和速度的考虑,在线辨识方法通常以递推方式进行,主要分为时域和频域两大类方法。在建立飞行器系统模型结构的基础上,利用频域递推傅里叶变换及最小二乘方法,实现对气动及控制偏导数的在线辨识。针对某飞机纵向通道的在线辨识仿真验证该方法有效,且计算速度和收敛速度快,辨识结果与参数真实值之间的一致性好,方法对传感器噪声有较强的适应性。最后,分析比较了各种典型激励信号对辨识结果的影响,为进行实际在线辨识试验提供了参考依据。     

Operational modal parameter identification with colored noise excitation

Operational Modal Analysis (OMA) refers to the modal analysis of a structure in its operating state. The advantage of OMA is that only the output vibration signal of a system is used in the analysis process. Classic OMA is based on the white noise excitation assumption and many identification methods have been developed in both time domain and frequency domain. But in reality, many environmental excitations are not compliance with the white noise assumption. In this paper, a method of half power bandwidth analysis is applied to power spectrum analysis to deal with the colored noise and trapezoidal spectral excitation. The modal frequencies and modal damping ratios are derived and the error caused by trapezoidal spectral and colored noise excitation are analyzed. It is proved that the OMA algorithm based on the white noise assumption can be extended to the colored noise environments under certain conditions. Finally, a simulation example with a cantilever beam and a vibration test with four kinds of colored noise and trapezoidal spectrum base excitation are carried out and the results support the proposed method.