多维时间序列模型在结构异常识别中的应用研究.pdfVIP

多维时间序列模型在结构异常识别中的应用① 林友勤1陈志为1任伟新2 (1福州大学土木工程学院福建福州350002； 2中南大学土木建筑工程学院湖南长沙410057) 摘要 本文利用多维时间序列模型ARMAV的自回归系数构造距离判别函数、定义结构异常特征参 数，并引入统计分析方法，对结构的异常状态诊断及损伤定位．该方法可以充分利用实测的大量数据， 能够克服噪音及测试误差、测试数据的离散性所带来的困难，可以判明结构是否出现异常，并能大体 找出异常位置． 关键词 ARMAV模型；异常特征参数；异常识伤 引言 以模式识别为基础的异常诊断技术，是近30年来迅速发展起来的一门综合性的新技术，它具 有鲜明的实践性、理论性与跨学科性，目前仍在发展之中。在异常诊断中，系统的不同状态就表 现有不同的模式，而要进行“识别”，即所谓诊断，首先要确定系统的各种参考模式(或基准模式、 基准状态)，然后，再将系统目前的模式(称为待检模式、待检状态)与参考模式比较，最后确定 待检模式属于哪一种参考模式。异常诊断首先必须根据系统的性质，正确地测取与状态有关的、 能够反映状态变化的特征信号：其次应能正确地从特征信号中提取与状态有关的、对状态变化敏 感的特征量；接着应能正确地根据特征量构造判别函数，作为对状态分类的原则。晟后根据判别 函数与系统的实际情况对系统状态作出正确判断。因此，在异常诊断中很关键的一步是提取对状 态变化敏感的特征。根据敏感特征提取的方法不同，目前结构异常识别方法大致可分为两大类： 一类是基于结构动力学特性(模态参数)变化方法，一类是直接基于信号处理的方法。基于模态 的方法均是由测试的动力信号，采用系统识别的方法得到结构的动力学特性，由结构动力学特性 的改变来识别异常。时序模型是直接基于信号处理的方法，系统由于其内部相应的机制，又由于 其同外界相互的作用，就会有相应的行为、响应或输出。输出数据这一时间序列包含相应系统本 身的固有特性，因此，系统的变化必然造成输出序列的变化，文献【1】、【2]利用结构的输出数据建 立ARX时间序列模型进行结构异常诊断和损伤定位。文献[3IN用AR模型的自回归系数构造距 离判别函数、定义损伤特征参数，文献[4】采用ARMA模型对结构异常进行诊断，这些都是一维 (标量)时序模型。而多维时间模型ARV或ARMAV，对数据而言，能够描述多维随机向量过程， 对系统而言，能描述多输入一多输出系统。因此，多维模型具有较标量模型更广泛的应用前景。 文献[SJN用ARMAV估计系统的模态参数，利用所识别的频率作为损伤特征参数来识别结构的 异常。 ①基金项目：福州大学科技发展基金资助项目(2004一XY-14) ——1343·—— 本文利用多维时间序列模型ARMAV的自回归系数构造距离判别函数、定义结构异常特征参 数，并引入统计分析方法，对结构的异常状态诊断及定位。 1 ARMAV模型 砭=叭IYⅡ…)‰】T是一个m维的时序向量，其中各分量)kp=1，2，…，m)是随机变量；当 t变化时，{Z)构成了Ⅲ元随机过程的一个样本。显然，由于时间序列元数的增多，多元时序{E) 比一元时序锄)含有更丰富的信息，它不仅能反映单个时序饥，(，=1，2，…，m)内部数据先后之 间的统计联系，而且还能反映不同时序{‰)与{妇)(r,s=1，2，…，Ⅲ；，≠j)之间的相互统计联系。 1．1 ARMAV模型的一般形式 (1) 巧=OlYt_1+口2Yt一2+…+口～耳吨一^E—l一比乓一2…一‰E一～+E 式中，Er为Ⅲ维的白噪声向量，矩阵啦∈R…(f=1,2，…，％)是自回归参数矩阵，矩阵 乃ER”“(f=1，2，…，嘭)是滑动平均参数矩阵，Ha、n扮别为自回归部分和滑动平均部分的阶次{ 式中各矩阵和向量的形式为： Ml 嘶1i 嵋2t…qⅢi nI， ’n耐 qf Yzt 口2tl 6E22i…a抽‘ Y2li硒协 +‰i e2f 茸= ● 比=