基于小波分析的线性时变结构参数识别方法的深度探究与应用.docxVIP

基于小波分析的线性时变结构参数识别方法的深度探究与应用

一、引言

1.1研究背景与意义

随着现代工程结构向大型化、复杂化方向发展，如高层建筑、大跨度桥梁、航空航天结构等，结构的安全与可靠性成为至关重要的问题。结构参数识别作为结构健康监测的核心内容，旨在通过对结构振动响应数据的分析处理，获取结构的固有特性及参数随时间的变化规律，进而实现对结构健康状态的评估与损伤诊断。这为结构的安全运营、维护管理以及寿命预测提供了科学依据，在保障人民生命财产安全、降低经济损失等方面发挥着关键作用。例如，在桥梁结构中，通过结构参数识别可以及时发现桥梁由于长期荷载作用、环境侵蚀等因素导致的结构性能退化，提前采取加固维修措施，避免桥梁垮塌等重大事故的发生。

线性时变结构在实际工程中广泛存在，如受到随时间变化荷载作用的结构、材料性能随时间逐渐劣化的结构等。与线性时不变结构不同，线性时变结构的固有频率、阻尼比等参数会随时间发生变化，这使得传统基于线性时不变假设的参数识别方法不再适用。准确识别线性时变结构的参数面临诸多挑战，例如非平稳振动响应信号的处理、时变参数与噪声干扰的有效分离、时变特性的准确建模等。这些挑战限制了对线性时变结构健康状态的准确评估和损伤的及时诊断，迫切需要发展新的理论和方法来解决这些问题。

小波分析作为一种新兴的信号处理方法，具有时间频率局部化特性，能够在时域和频域同时对信号进行局部化分析，有效地处理非平稳信号。其多分辨率分析能力可以将信号分解为不同尺度下的细节和近似信息，便于提取信号的时变特征。将小波分析应用于线性时变结构参数识别，能够充分利用其优势，有效处理结构的非平稳振动响应信号，准确提取时变特征参数，为建立高精度的线性时变结构参数识别方法提供有力支持。这对于推动结构健康监测技术的发展，提高线性时变结构的安全性和可靠性具有重要的理论意义和工程应用价值。

1.2国内外研究现状

在小波分析领域，国外起步较早，法国地质学家J.Morlet和A.Grossmann于20世纪70年代在分析处理地震数据时引入小波分析概念，并成功应用于地震信号分析，此后小波分析在理论和应用方面都取得了飞速发展。在信号处理领域，小波变换已广泛应用于信号降噪、信号分析、特征提取等方面；在图像处理领域，小波变换被用于图像压缩、图像增强、图像分割等方面。小波神经网络（WNN）作为小波变换和神经网络的结合，也在模式识别、图像处理、信号处理等领域得到广泛应用。国内学者在小波变换的基本理论研究方面取得一定成果，在应用方面对小波变换在信号处理、图像处理、数据压缩等领域的应用进行了深入研究，并取得一些创新性成果，在小波神经网络的研究方面也有一定进展。

在结构参数识别方面，早期主要针对线性时不变结构，发展了基于频域分析、时域分析等多种参数识别方法，如峰值拾取法、随机子空间法等。随着工程实际中对线性时变结构参数识别需求的增加，国内外学者开展了相关研究。国外一些研究尝试将时频分析方法应用于线性时变结构参数识别，如短时傅里叶变换、小波变换等，但短时傅里叶变换的时频分辨率固定，难以适应复杂的时变信号分析；而小波变换虽然具有良好的时频局部化特性，但在选择合适的小波基函数、确定分解层数等方面仍存在一定困难，影响参数识别的精度和稳定性。国内学者在这方面也进行了积极探索，提出了一些改进的方法，如结合遗传算法优化小波基函数选择、采用自适应小波分解等，但总体上，目前线性时变结构参数识别方法仍不够成熟，存在对复杂时变结构适应性差、抗噪声能力弱等问题。

1.3研究内容与方法

本研究旨在建立基于小波分析的线性时变结构参数识别方法，实现对结构固有频率及阻尼比等参数的准确识别。具体研究内容如下：

数据采集与预处理：收集线性时变结构在不同工况下的振动响应数据，对采集到的数据进行去噪、滤波等预处理操作，去除噪声干扰和异常数据，提高数据质量，为后续分析提供可靠的数据基础。

基于小波分析的时频特征提取：采用小波分析方法对预处理后的振动响应数据进行时频分析，通过合理选择小波基函数和分解层数，将信号分解为不同尺度下的时频分量，提取反映结构时变特性的特征参数，如小波能量谱、小波系数的统计特征等。

数学模型建立与参数辨识：基于提取的时变特征参数，利用系统辨识理论建立线性时变结构的数学模型，如状态空间模型、自回归滑动平均模型等。采用合适的参数辨识算法，如最小二乘法、递推最小二乘法、卡尔曼滤波等，对模型中的时变参数进行辨识，得到结构固有频率及阻尼比随时间的变化规律。

模型验证与精度评估：通过数值仿真和实际结构试验，对建立的参数识别方法和数学模型进行验证。将识别结果与理论值或实际测量值进行对比，评估结构参数识别的精度和可靠性，分析方法的优缺点，提出改进措施。

在研究方法上，采用理论分析、仿真实验与案例研究