频域分解模态识别方法阻尼识别精度研究.docVIP

频域分解模态识别方法阻尼识别精度研究 　　摘要：在模态参数识别中，模态阻尼比往往比固有频率、振型参数更难被准确识别。为了提高频域分解模态识别方法的阻尼识别精度.分析了算法中产生误差的主要因素，提出了采用自回归模型谱估计代替原有周期图谱估计的改进方法。开展了仿真算例研究，以白噪声激励下结构的振动响应为输入条件，使用频域空间域分解法进行模态参数识别。算例结果验证了采用基于自回归模型的谱估计代替原有的周期图法谱估计，既保留了对密频模态的分辨能力，又提高了阻尼参数的识别精度，且在采样数据长度较短的情况下具有优越性。 　　关键词：参数识别；阻尼识别；频域分解法；谱估计 　　中图分类号：TB123；0329 　　文献标志码：A 　　文章编号：1004-4523（2015）04-0518-08 　　引 言 　　频域分解（Frequency Domain Decomposition，FDD）类方法是一类运行模态分析（OperationalModal Analysis，OMA）方法，通过测虽结构在环境激励下的振动响应，得到能够反映真实动力学特性的模态参数。在模态参数中，阻尼比往往会比固有频率、振型更难被准确识别。因此有必要对此类方法的阻尼识别精度展开研究，分析阻尼识别误差的来源，改善识别效果。FDD方法最早由Princker等在复模态指示函数的基础上提出，在满足白噪声激励假设和小阻尼假设时，能够很好地识别模态频率和振型，且对密集模态的分辨率较高，但存在无法识别模态阻尼的缺点；为了解决这一问题，Princker等随后提出了增强频域分解法（EnhanceFrequency Domain Decomposition， EFDD），在FDD的基础上将频域信息转化到时域，然后在时域中使用对数衰减（Logarithmic Decrement，Logdec）法得到模态阻尼比。然而EFDD方法在时频域转化的过程中必然带来数据截断，造成了阻尼识别的不精确；王彤等提出频域空间域分解法（Frequency and Spatial Domain Decomposition， FSDD），引入增强功率谱密度（Enhance Power Spectrum Destiny，EPSD）的概念，直接在频域内对EPSD进行最小二乘拟合后获得模态频率和阻尼。Zhang等利用FSDD法实现了对几个实际工程结构的模态识别。 　　总的来说，FDD类方法使用奇异值分解（Singular Value Decomposition，SVD）技术，将信号空间与噪声空间分离开来，抗噪声干扰能力较强，且具有较好的密频分辨能力。本文重点关注FDD类方法的阻尼识别精度问题，首先从算法上分析带来误差的几个因素，并针对其中影响较大的可控因素――功率谱估计方法进行探讨，提出使用基于自回归（Autoregressive，AR）模型的谱估计方法进行改进，开展了两个仿真算例验证，得到了一些结论。 　　1 频域分解模态识别方法的理论分析 　　FDD类方法都是基于如下的输入、输出功率谱密度函数（ Power Spectrum Destiny，PSD）关系 　　Gyy（jω）=H*（jω）Gxx（jω）HT（jω） 　　（1）式中 Gxx（jω），Gyy（jω）分别为输入和输出PSD矩阵；H（jω）为频响函数（Frequency Response Function，FRF）矩阵，FRF可以用部分分式形式表示式中 N为模态阶数，Ar为第r阶极点，Rr为第r阶留数矩阵，R*r为第r阶模态振型与模态参与向量转置的乘积，即Rr=φrrYr。假设输入为一白噪声，则Gxx（jω）为一实常数对角阵，将式（2）代人到式（1），化简得到式中 Ar为相关的留数项，在小阻尼情况下，r阶模态附近Ar可以被简化为式中 dr=rHrCyr为一实数。在某一频率处，当只有少数几个模态（一般只有一个或两个）贡献显著时，定义这些模态集合为Sub（ω），响应PSD矩阵可以写成 　　FDD法首先对测量的响应时程数据进行谱估计得到Gyy（jω），在其离散频率点ω=ωi处对GTyy（jωi）进行奇异值分解式中ui为奇异值向量矩阵，Si为奇异值组成的对角矩阵。 　　在输出的PSD图中，如果谱峰附近仅有第r阶模态起主导作用，那么方程（5）可以近似为 　　对比式（6）和（7），第一个奇异值向量ur即为第r阶模态振型，对应的奇异值具有单自由度特性，通过比较奇异值曲线峰值附近模态振型的模态置信度（Modal Assurance Criterion，MAC）确定此单自由度特性曲线的范围，进而确定固有频率。 　　EFDD法是FDD法的改进方法，它解决了FDD法无法识别阻尼参数的问题。EFDD选取了奇异值曲线峰值附近MAC值较大的频段，对其作逆傅立