主权项 |
一种仅输出线性时变结构模态参数辨识方法,其特征在于:包括如下步骤,步骤1:推导出最小二乘支持向量机矢量时变自回归模型(LS‑SVM‑VTAR)的代价函数L<sub>p</sub>(a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k]),具体包括如下步骤;步骤1.1:推导最小二乘支持向量机模型(LS‑SVM)的代价函数L(w,b,e,α)如式(1)所示:<img file="FDA0001086014090000011.GIF" wi="1783" he="135" />式中,L(w,b,e,α)表示代价函数,w为参数矢量,b为实数,e=[e<sub>1</sub> e<sub>2</sub> … e<sub>N</sub>]<sup>T</sup>为误差向量,α=[α<sub>1</sub> α<sub>2</sub> … α<sub>N</sub>]<sup>T</sup>为拉格朗日乘子向量,γ为正则因子,<img file="FDA0001086014090000012.GIF" wi="204" he="85" />为支持向量机训练样本数据,<img file="FDA0001086014090000013.GIF" wi="354" he="77" />为N维至更高n<sub>h</sub>维的映射,上标T表示转置运算,N为训练样本点个数;步骤1.2:将矢量时变自回归模型(VTAR)的系数投影到由径向基函数序列表示的函数空间中;矢量时变自回归模型(VTAR)如式(2)所示:<maths num="0001"><math><![CDATA[<mrow><mi>x</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>=</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><msub><mi>A</mi><mi>i</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mi>x</mi><mo>[</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo>]</mo><mo>+</mo><mi>e</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000014.GIF" wi="1468" he="131" /></maths>式中,<img file="FDA0001086014090000015.GIF" wi="252" he="73" />为系统N<sub>0</sub>个通道的输出向量,k为第k个时刻点,n<sub>a</sub>为VTAR模型阶数,e[k]为k时刻的误差或不可观测的非平稳扰动,A<sub>i</sub>[k]为第i阶与时刻相关的VTAR系数矩阵;将矢量时变自回归模型(VTAR)的系数投影到如式(3)所示的函数空间<img file="FDA0001086014090000016.GIF" wi="76" he="48" />中:<img file="FDA0001086014090000017.GIF" wi="1766" he="94" />式中,p<sub>a</sub>为函数空间阶数,f<sub>j</sub>(j=1,2,…p<sub>a</sub>)为第j阶函数向量;将A<sub>i</sub>[k]展开,即得到函数空间<img file="FDA0001086014090000018.GIF" wi="78" he="53" />表示的矢量时变自回归模型(VTAR),如式(4)所示:<maths num="0002"><math><![CDATA[<mrow><mi>x</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>=</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>p</mi><mi>a</mi></msub></munderover><msub><mi>A</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><msub><mi>f</mi><mi>j</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mi>x</mi><mo>[</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo>]</mo><mo>+</mo><mi>e</mi><mo>[</mo><mi>k</mi><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000019.GIF" wi="1525" he="132" /></maths>x[k]的分量形式如式(5)所示:<maths num="0003"><math><![CDATA[<mrow><msub><mi>x</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>=</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>p</mi><mi>a</mi></msub></munderover><msub><mi>f</mi><mi>j</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><munderover><mo>Σ</mo><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><msub><mi>a</mi><mrow><mi>i</mi><mi>j</mi><mo>,</mo><mi>l</mi><mi>m</mi></mrow></msub><msub><mi>x</mi><mi>m</mi></msub><mo>[</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo>]</mo><mo>+</mo><msub><mi>e</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA00010860140900000110.GIF" wi="1588" he="143" /></maths>式中,a<sub>ij,lm</sub>为矩阵A<sub>ij</sub>的元素,l表示第l个输出通道;步骤1.3:得出最小二乘支持向量机矢量时变自回归模型(LS‑SVM‑VTAR)的代价函数L<sub>p</sub>(a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k]);结合式(1)和式(5)得到所需的代价函数L<sub>p</sub>(a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k])如式(6)所示:<maths num="0004"><math><![CDATA[<mrow><mtable><mtr><mtd><mrow><msub><mi>L</mi><mi>p</mi></msub><mrow><mo>(</mo><msub><mi>a</mi><mrow><mi>i</mi><mi>j</mi><mo>,</mo><mi>l</mi><mi>m</mi></mrow></msub><mo>,</mo><msub><mi>α</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>,</mo><msub><mi>e</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>p</mi><mi>a</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><msubsup><mi>a</mi><mrow><mi>i</mi><mi>j</mi><mo>,</mo><mi>l</mi><mi>m</mi></mrow><mn>2</mn></msubsup><mo>+</mo><mi>γ</mi><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><msubsup><mi>e</mi><mi>l</mi><mn>2</mn></msubsup><mo>[</mo><mi>k</mi><mo>]</mo></mrow></mtd></mtr><mtr><mtd><mrow><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><munderover><mo>Σ</mo><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><msub><mi>α</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mrow><mo>(</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>p</mi><mi>a</mi></msub></munderover><msub><mi>f</mi><mi>j</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><munderover><mo>Σ</mo><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>N</mi><mi>o</mi></msub></munderover><msub><mi>a</mi><mrow><mi>i</mi><mi>j</mi><mo>,</mo><mi>l</mi><mi>m</mi></mrow></msub><msub><mi>x</mi><mi>m</mi></msub><mo>[</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo>]</mo><mo>+</mo><msub><mi>e</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>-</mo><msub><mi>x</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><mo>)</mo></mrow></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000021.GIF" wi="1742" he="306" /></maths>步骤2:利用Wendland紧支径向基函数构造步骤1中式(3)所示的函数空间<img file="FDA0001086014090000022.GIF" wi="95" he="47" />使函数空间<img file="FDA0001086014090000023.GIF" wi="78" he="52" />变得稀疏;采用的Wendland紧支径向基函数f<sub>j</sub>[k]具体形式如式(7)所示:<img file="FDA0001086014090000024.GIF" wi="1973" he="166" />式中,N<sub>w</sub>是给定的Wendland紧支径向基函数序列的非零部分,且<img file="FDA0001086014090000025.GIF" wi="390" he="78" />δ是径向基函数序列的无量纲宽度缩减因子;<img file="FDA0001086014090000026.GIF" wi="152" he="85" />是φ<sub>1,λ</sub>[r]的离散形式,φ<sub>1,λ</sub>[r]表达式如式(8)所示:<maths num="0005"><math><![CDATA[<mrow><msub><mi>φ</mi><mrow><mn>1</mn><mo>,</mo><mi>λ</mi></mrow></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><mo>+</mo><mrow><mn>2</mn><mi>λ</mi><mo>+</mo><mn>1</mn></mrow></msubsup><msub><mi>p</mi><mrow><mi>λ</mi><mo>,</mo><mi>λ</mi><mo>+</mo><mn>1</mn></mrow></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000027.GIF" wi="1429" he="79" /></maths>λ是多项式的次数,p<sub>λ,λ+1</sub>(r)是λ次的多项式,运算(a)<sub>+</sub>=max{a,0};当λ取值分别为0,1,2,3时,p<sub>λ,λ+1</sub>(r)的表达式分别如式(9)至式(12)所示;φ<sub>1,λ</sub>(r)=(1‑r)<sub>+</sub> (9)<maths num="0006"><math><![CDATA[<mrow><msub><mi>φ</mi><mrow><mn>1</mn><mo>,</mo><mi>λ</mi></mrow></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><mo>+</mo><mn>3</mn></msubsup><mrow><mo>(</mo><mn>1</mn><mo>+</mo><mn>3</mn><mi>r</mi><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000028.GIF" wi="1382" he="79" /></maths><maths num="0007"><math><![CDATA[<mrow><msub><mi>φ</mi><mrow><mn>1</mn><mo>,</mo><mi>λ</mi></mrow></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><mo>+</mo><mn>5</mn></msubsup><mrow><mo>(</mo><mn>3</mn><mo>+</mo><mn>15</mn><mi>r</mi><mo>+</mo><mn>24</mn><msup><mi>r</mi><mn>2</mn></msup><mo>)</mo></mrow><mo>/</mo><mn>3</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000029.GIF" wi="1494" he="87" /></maths><maths num="0008"><math><![CDATA[<mrow><msub><mi>φ</mi><mrow><mn>1</mn><mo>,</mo><mi>λ</mi></mrow></msub><mrow><mo>(</mo><mi>r</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>r</mi><mo>)</mo></mrow><mo>+</mo><mn>7</mn></msubsup><mrow><mo>(</mo><mn>15</mn><mo>+</mo><mn>105</mn><mi>r</mi><mo>+</mo><mn>285</mn><msup><mi>r</mi><mn>2</mn></msup><mo>+</mo><mn>315</mn><msup><mi>r</mi><mn>3</mn></msup><mo>)</mo></mrow><mo>/</mo><mn>15</mn><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>12</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA00010860140900000210.GIF" wi="1615" he="87" /></maths>步骤3:基于Gamma测试的非参数方法确定步骤1中公式(6)中正则因子γ,基于工程经验给出步骤1中公式(6)中基函数宽度减缩系数δ;步骤4:确定步骤1式(6)中最小二乘支持向量机矢量时变自回归模型(LS‑SVM‑VTAR)阶数n<sub>a</sub>和函数空间阶数p<sub>a</sub>;步骤5:根据步骤1中式(6)所示的代价函数L<sub>p</sub>(a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k])求步骤1式(2)中矢量时变自回归模型(VTAR)系数矩阵A<sub>i</sub>[k]表达式,并根据时间冻结方法求系统的模态频率,完成线性时变结构模态参数的辨识;将式(6)中的代价函数L<sub>p</sub>(a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k])对各个自变量a<sub>ij,lm</sub>,α<sub>l</sub>[k],e<sub>l</sub>[k]求导,并整理得:<maths num="0009"><math><![CDATA[<mrow><mo>(</mo><msub><mi>Ω</mi><mi>l</mi></msub><mo>+</mo><mfrac><mi>I</mi><msub><mi>γ</mi><mi>l</mi></msub></mfrac><mo>)</mo><msub><mi>α</mi><mi>l</mi></msub><mo>=</mo><msub><mover><mi>x</mi><mo>~</mo></mover><mi>l</mi></msub><mo>,</mo><mo>(</mo><mi>l</mi><mo>=</mo><mn>1</mn><mo>,</mo><mn>2</mn><mo>,</mo><mo>...</mo><msub><mi>N</mi><mn>0</mn></msub><mo>)</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>13</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000031.GIF" wi="1517" he="151" /></maths><maths num="0010"><math><![CDATA[<mrow><msub><mi>a</mi><mrow><mi>i</mi><mi>j</mi><mo>,</mo><mi>l</mi><mi>m</mi></mrow></msub><mo>=</mo><mo>-</mo><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msub><mi>α</mi><mi>l</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><msub><mi>f</mi><mi>j</mi></msub><mo>[</mo><mi>k</mi><mo>]</mo><msub><mi>x</mi><mi>m</mi></msub><mo>[</mo><mi>k</mi><mo>-</mo><mi>i</mi><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>14</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000032.GIF" wi="1470" he="134" /></maths>式中,γ<sub>l</sub>是第l个输出通道对应的正则因子,I为N维单位矩阵,α<sub>l</sub>、x<sub>l</sub>、Ω<sub>l</sub>分别如式(15)、(16)所示:<maths num="0011"><math><![CDATA[<mrow><msub><mi>α</mi><mi>l</mi></msub><mo>=</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><mrow><msub><mi>α</mi><mi>l</mi></msub><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>α</mi><mi>l</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mrow><msub><mi>α</mi><mi>l</mi></msub><mrow><mo>(</mo><mi>N</mi><mo>)</mo></mrow></mrow></mtd></mtr></mtable></mfenced><mo>,</mo><msub><mover><mi>x</mi><mo>~</mo></mover><mi>l</mi></msub><mo>=</mo><mfenced open = "[" close = "]"><mtable><mtr><mtd><mrow><msub><mi>x</mi><mi>l</mi></msub><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><msub><mi>x</mi><mi>l</mi></msub><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mo>·</mo></mtd></mtr><mtr><mtd><mrow><msub><mi>x</mi><mi>l</mi></msub><mrow><mo>(</mo><mi>N</mi><mo>)</mo></mrow></mrow></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>15</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000033.GIF" wi="1453" he="309" /></maths><img file="FDA0001086014090000034.GIF" wi="1541" he="141" />其中,⊙表示对应元素相乘运算,F矩阵和R<sub>m</sub>矩阵元素如式(17)所示:<maths num="0012"><math><![CDATA[<mrow><msub><mi>F</mi><mrow><mi>k</mi><mi>s</mi></mrow></msub><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>p</mi><mi>a</mi></msub></munderover><msub><mi>f</mi><mrow><mi>j</mi><mo>,</mo><mi>k</mi></mrow></msub><msub><mi>f</mi><mrow><mi>j</mi><mo>,</mo><mi>s</mi></mrow></msub><mo>,</mo><msub><mi>R</mi><mrow><mi>m</mi><mo>,</mo><mi>k</mi><mi>s</mi></mrow></msub><mo>=</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>n</mi><mi>a</mi></msub></munderover><msub><mi>x</mi><mrow><mi>m</mi><mo>,</mo><mi>k</mi><mo>-</mo><mi>i</mi></mrow></msub><msub><mi>x</mi><mrow><mi>m</mi><mo>,</mo><mi>s</mi><mo>-</mo><mi>i</mi></mrow></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>17</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001086014090000035.GIF" wi="1542" he="136" /></maths>式(16)所示的矩阵Ω<sub>l</sub>一般称为Gram矩阵;由于式(13)中除α<sub>l</sub>外,其他变量只与步骤1式(3)中基函数空间<img file="FDA0001086014090000036.GIF" wi="78" he="54" />和系统输出<img file="FDA0001086014090000037.GIF" wi="50" he="59" />有关,均为已知量,因此求解式(13)所示的线性方程,即能够得到α<sub>l</sub>的值;将α<sub>l</sub>的值代入式(14)中,即能够得到a<sub>ij,lm</sub>的值;再将a<sub>ij,lm</sub>代入式(5)中,能够得到步骤1式(2)中矢量时变自回归模型(VTAR)系数矩阵A<sub>i</sub>[k];采用时间冻结法,据系数矩阵A<sub>i</sub>[k]求第k个时刻点系统的频率和阻尼,完成线性时变结构模态参数的辨识。 |