MSPC 在结构损伤辨识中的研究与应用(转帖).docVIP

中国科技论文在线 MSPC在结构损伤辨识中的研究与应用 王亮 太原理工大学机械电子工程研究所，太原（030024） E-mail: 摘 要：长期以来，结构的损伤识别都是工程界中一个活跃的研究领域，学者们提出了大量的损伤识别的方法。 本文将多元统计过程控制的理论引入到结构的损伤识别中，首先对加速度传感器得到的振动信号进行处理，分别建立时序模型（AR模型），以AR模型的系数作为损伤识别的基本参变量，利用多向主元分析对AR模型的系数进行压缩提炼，并以平方预测误差（SPE）值是否超限作为损伤是否存在的标志，最后讨论了主元模型残差的欧氏距离以及马氏距离在损伤识别中的应用。借助matlab软件的强大功能，对悬臂梁实验得到的振动信号数据进行分析，验证该方法的有效性。 关键词：损伤识别，AR模型，多向主元分析（MPCA）,SPE,欧氏距离，马氏距离 1. 引言 由于受设计载荷、工作环境以及各种突发性外在因素的影响，工程结构在服役期间不可避免的会出现损伤，结构性能下降，直接影响到结构的使用安全。因而如何去识别和诊断结构的损伤，对其安全性进行评估和监控，已成为当今亟待解决的一个难题。对动态数据采用时序建模的方法可以有效地分析数据的统计特性，在此基础上得到的时序模型系数可作为识别损伤的敏感因素。在现实中，往往在被测对象上布置较多的传感器，一方面得到了更为丰富的信息，另一方面又不可避免地造成了信息的重叠与冗余。基于这一点，可运用PCA技术对时序模型系数进行处理、压缩和提炼，不但能保留原始数据的重要信息，还能降低处理难度，减少噪声影响。本文正是引入了多元统计过程控制的成熟理论，利用主元分析和多元控制图来识别悬臂梁的损伤。 2. 时序建模与动态数据处理 在实验中采集到的振动信号是典型的动态数据.因此,可以利用结构的振动信号响应,通过时序建模来提取结构出现损伤前后的动态特性.本文的方法基于实验信号处理与多元统计分析的原理,对振动信号建立自回归 (AR)模型并对模型系数进行分析[1]。 2.1 振动信号的预处理 振动信号预处理是将振动测试中采集到的数据尽可能真实地还原成实际振动状态，使其满足系统建模的要求，保证计算精度的最基本的数据加工方式，常包括平稳化预处理，消除趋势项，滤波，标准化处理等等。Matlab软件的系统辨识工具箱中提供了数据预处理函数。 2.2 模型结构确定 已有的理论证实，AR模型，MA模型及ARMA模型之间存在互相等效的内在联系。ARMA模型足以代表相当大的范围的各种平稳随机过程，而纯AR或纯MA模型来描述则需要很多参数才能达到较好的拟合，,ARMA模型所用系数比较“节约”。不过从拟合的复杂性来看，AR模型比较简便，所以在阶数不高时或要求计算快速简单时，还是愿意用AR模型。 2.3 模型定阶 确定模型阶次可通过系统的输入输出数据，用辨识的方法确定。常用的辨识阶次的方法有损失函数检验法，F检验法以及AIC，FPE,BIC准则等等。 - 1 - 中国科技论文在线 2.4 模型参数估计 参数估计包括模型自回归系数、滑动平均系数和白噪声方差的估计。在估计过程中,需要用到样本自协方差函数和样本自相关函数。 2.5 模型验证 从观测数据到适用的模型是一个反复探索的过程，建立时序模型之后，还需验证模型的优劣。一个好的拟合模型应该能够提取观察值序列中几乎所有的样本信息,也就是说,拟合后的残差序列将不再包含任何信息,即残差序列应该为白噪声序列.判断残差序列是否为白噪声序列可以通过分析它的自相关函数图等等. 另外，为了提高建模效率，需要对建模过程进行合理的组织，采取科学的方法。为此，学者们提出了Box-Jenkins和Pandit-Wu建模方案，具体的内容不详细叙述，有兴趣的读者可以参阅相关资料。本文是借助matlab系统辨识工具箱建立时序AR模型。 [6] 3． PCA（主元分析）以及MPCA（多向主元分析） 假设在参考状态（无损伤）下得到的数据集X∈R T T n×m （在本文中我们将建立的AR模 [4] 型的系数作为参变量），式中n为样本数，m为参变量数。利用主元计算方法得到：主元矩阵TH=[t1...tm]∈Rn×m，负荷向量矩阵PH=[p1...pm]∈Rm×m。如果各测量变量间存在冗余,那么只利用前l(lm)个主元就可反映出数据集的主要信息,而剩下的(m?l)个主元反映的是冗余信息和噪声等不确定的信息,所以TH和PH可分别分:解为 TH=[T,Tr],PH=[P,Pr]。其中:T为前l个主元构成的矩阵, T∈Rn×l;P为T的负荷矩阵, 其构成的子空间称为主元子空间, P∈R m×l ;Tr为后(m?l)个主元构成的矩阵, Tr∈Rn×(m?l);Pr为Tr的负荷矩阵,其构成的子空间称为残差子空间, Pr∈Rm×(m?l);前l个主 元所概括的原