欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020107097380
申请人: 福建农林大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,包括以下步骤:步骤S1:采集结构响应信号;

步骤S2:对采集的结构响应信号进行时间序列分块及基于SSI的模态参数识别;

步骤S3:采用模糊C均值聚类进行稳定轴自动拾取,得到初始模态参数;

步骤S4:根据得到的初始模态参数,基于层次聚类进行二次聚类,得到修正后模态参数;

步骤S5:对修正后模态参数识别结果不确定性量化,得到最终识别结果;

所述步骤S2具体为:

步骤S21:结构响应信号数据样本Y={Y1,Y2,…,Yt},取分块长度b,按照时间序列依次构建各分块,其中分块ZQ={Yt‑(Q‑1)*b+1,Yt‑(Q‑1)*b+2,…,Yt},其中Q=[t/b];

其中,[.]表示向下取整;

步骤S22:生成观测分块Z={Z1,Z2,…,ZQ},各分块分别代表桥梁某一个测点不同时间段的时程响应信号;

步骤S23:采用Block‑Bootstrap理论,从Z中有放回地随机抽取M块,生成再生样本步骤S24:对于再生样本中每一个子样本,重复运用SSI‑COV法进行识别,得到M块数据的稳定图。

2.根据权利要求1所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述步骤S24中还包括:设定频率容差<5%、阻尼容差<1%和模态保证准则>98%三个软指标阈值对得到的M幅稳定图进行初次清洗。

3.根据权利要求1所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述步骤S24具体包括以下步骤:

1)构建Hankel矩阵

式中:yi是l*1维的列向量,j为Hankel矩阵的列数;2i为Hankel矩阵的行数;

2)根据白噪声均值为零且互不相关的性质,计算输出协方差矩阵RiRi=E[yk+iyk]

式中:E代表数学期望;

3)将协方差序列组成Toeplitz矩阵进行分解得到可观矩阵Oi和可控矩阵Γi:

2 i‑1 T

Oi=(C CA CA…CA )

i‑1

Γi=(A G…AG G)

式中:A为系统状态矩阵,C为输出矩阵,G为下一状态输出协方差矩阵;

4)对可观矩阵Oi进行奇异值分解得:

式中:U、V都是正交矩阵,S是由正奇异矩阵组成的对角阵;

5)计算得到系统状态矩阵A和输出矩阵C;并对系统状态矩阵A进行特征值分解,得A=‑1ΦΛΦ

n×n

式中:Λ=diag(λm)∈C ,λm表示第m个离散时间复特征值,Φ是以特征向量为列向量组成的n阶阵;

6)将离散系统转化为原连续系统,系统特征值也相应变化,则由下式式中:Δt表示采样时间间隔,am表示系统特征值的实部,bm表示系统特征值的虚部;

计算结构第m阶模态参数

式中: 表示系统的模态频率,ξm表示系统的模态阻尼比;

结构第m阶模态的观测振型是系统状态矩阵A的特征向量Φm的可观部分,计算如下

4.根据权利要求1所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述步骤S3具体为:步骤S31:设识别的M组识别结果,X={x1,x2,...,xh};把每一个样本和聚类中心的距离使用隶属度平方加权,使得类内误差平方和目标函数扩展为类内加权误差平方和函数:式中:vr为聚类中心;o为加权指数;c为聚类数目;μrs表示第s个数据点属于第r类的隶属度;

0

步骤S32:确定聚类数目c,2≤c≤h,,设定迭代停止阈值ε,初始化聚类中心v ,设定迭代计数器ξ=0;

步骤S33:计算并更新隶属度矩阵U;

步骤S34:计算或者更新聚类中心;

ξ ξ+1

步骤S35:如果||v‑v ||≤ε,则算法停止,并且输出隶属度矩阵U及聚类中心vr;否则,令ξ=ξ+1,重新执行步骤S33;

步骤S36:采用FCM算法通过对聚类中心和隶属度矩阵不断迭代更新,直到目标函数收敛,聚类完成;

步骤S37:设稳定图中能直观识别出W阶模态,则将模糊C均值聚类数目设为W,通过不断迭代得到一个W*1的聚类中心矩阵;若信号分成了Q个块,随机抽取M次,通过循环迭代,则变为W*M的矩阵。

5.根据权利要求1所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述步骤S4具体为:步骤S41:对于模糊C均值聚类中识别的聚类中心矩阵,采用层次聚类法进行二次聚类,将样本中的每个对象都单独视作一个集群,根据定义的度量计算两两集群之间的距离,形成距离信息矩阵;

步骤S42:将距离最近的两类合并为一类,重复以上步骤,直到样本中所有的元素都归为一类,合并类时记下样本编号及统计各类中元素的个数,并画出聚类谱系图;

步骤S43:计算极点距离,

确定分层树截断规则,以距离阈值或聚类数目作为约束条件,得到最终的聚类结果,距离阈值取0.01;

步骤S44:定义真假模态判别指标IDIq,将IDIq<0.6的聚类中包含的频率值视为虚假模态,IDIq≥0.6的视为修正模态,进而自动剔除虚假模态;

步骤S45:对剔除虚假模态后修正模态的聚类结果进行概率统计分析即得到模态参数识别结果的概率统计特征值,以均值作为修正后模态识别结果:式中:Numq为第q个聚类包含的元素个数,M为抽取的数据块数。

6.根据权利要求5所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述步骤S5具体为:步骤S51:循环步骤S2‑S4 B次,得到B组模态参数识别;

步骤S51:定义判别指标MDIq,对B组修正后模态参数进行筛选,以真实模态MDIq≥0.6所在聚类中元素均值作为最终识别结果,用方差来衡量模态参数识别结果的不确定性。

7.根据权利要求6所述的基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法,其特征在于,所述判别指标具体为:式中:B为重复运行的次数。