基于部分觀測數(shù)據(jù)融合的不確定性結(jié)構(gòu)狀態(tài)與所受未知荷載的在線識(shí)別.pdf

1、外激勵(lì)在結(jié)構(gòu)設(shè)計(jì)、結(jié)構(gòu)健康監(jiān)測和振動(dòng)控制等方面都是非常重要的信息。而在結(jié)構(gòu)設(shè)計(jì)和許多健康監(jiān)測技術(shù)和方法中，都假定已知結(jié)構(gòu)的外激勵(lì)。結(jié)構(gòu)上的動(dòng)載往往無法直接測量或難以準(zhǔn)確測量，而測量動(dòng)載作用下的結(jié)構(gòu)動(dòng)態(tài)響應(yīng)是較容易的。因此，利用測量得到的結(jié)構(gòu)動(dòng)態(tài)響應(yīng)和結(jié)構(gòu)參數(shù)反演識(shí)別外激勵(lì)，為工程結(jié)構(gòu)的設(shè)計(jì)與結(jié)構(gòu)健康監(jiān)測提供了重要基礎(chǔ)。本文在總結(jié)前人研究成果的基礎(chǔ)上，提出基于數(shù)據(jù)融合的不確定結(jié)構(gòu)狀態(tài)和未知激勵(lì)的識(shí)別方法。
　　(1)論文研究基于部分

2、觀測響應(yīng)下，在經(jīng)典卡爾曼濾波KF算法的基本框架的基礎(chǔ)上，推導(dǎo)出一種基于數(shù)據(jù)融合的未知激勵(lì)下的卡爾曼濾波算法(KF-UI)。提出的方法克服了經(jīng)典KF算法需要觀測外激勵(lì)的局限，同時(shí)將觀測的部分加速度響應(yīng)（需觀測激勵(lì)處響應(yīng)）和位移響應(yīng)進(jìn)行數(shù)據(jù)融合引入觀測方程，從方法上解決了已有的KF-UI算法估計(jì)結(jié)構(gòu)位移和未知外激勵(lì)時(shí)的漂移問題，實(shí)現(xiàn)了同時(shí)在線識(shí)別結(jié)構(gòu)的狀態(tài)與未知激勵(lì)。數(shù)值算例驗(yàn)證了提出KF-UI方法的有效性與可靠性。
　　(2)論文研

3、究了結(jié)構(gòu)的不確定參數(shù)對未知激勵(lì)識(shí)別的影響，提出基于KF-UI的不確定性結(jié)構(gòu)的激勵(lì)識(shí)別方法。研究基于結(jié)構(gòu)不確定參數(shù)概率分布或區(qū)間分布的未知激勵(lì)的識(shí)別方法。該方法將不確定參數(shù)影響的未知激勵(lì)的識(shí)別近似為均值或中值處的一階泰勒展開，確定量部分通過KF-UI算法識(shí)別，靈敏度矩陣中的每一個(gè)靈敏元素近似用差分法表示。所以當(dāng)不確定參數(shù)的概率分布或區(qū)間分布已知時(shí)，可以識(shí)別得到未知激勵(lì)的概率分布或區(qū)間分布。最后通過多個(gè)數(shù)值算例和蒙特卡洛模擬法的對比，驗(yàn)證了

4、所提方法的有效性與可靠性。
　　(3)無法觀測到激勵(lì)處的響應(yīng)數(shù)據(jù)時(shí)，應(yīng)用提出的KF-UI算法，將出現(xiàn)病態(tài)識(shí)別問題。為此，引入模態(tài)坐標(biāo)變換，研究提出了基于數(shù)據(jù)融合的未知激勵(lì)下的模態(tài)卡爾曼濾波算法，應(yīng)用提出的KF-UI識(shí)別模態(tài)力，最后反算回未知激勵(lì)。該方法無需觀測激勵(lì)處的響應(yīng)，實(shí)現(xiàn)在線進(jìn)行結(jié)構(gòu)狀態(tài)與未知激勵(lì)的識(shí)別。同時(shí)由于模態(tài)截?cái)啵档土擞?jì)算階數(shù)。通過剪切框架和桁架的數(shù)值算例對所提出的方法的有效性與可靠性進(jìn)行了驗(yàn)證。
　　(4)

5、已有的很多研究結(jié)構(gòu)系統(tǒng)識(shí)別和損傷識(shí)別的方法中，都需要所有外部荷載為已知。而實(shí)際工程中，有些外部荷載常難以全部測量或無法直接測量。為此，研究提出未知激勵(lì)下的參數(shù)卡爾曼濾波算法，同時(shí)在線識(shí)別未知激勵(lì)和結(jié)構(gòu)損傷。該方法與已有的未知激勵(lì)下的最小二乘方法相比，極大地簡化了計(jì)算。并通過多個(gè)線性和非線性結(jié)構(gòu)的數(shù)值算例進(jìn)行了驗(yàn)證。同時(shí)，考慮結(jié)構(gòu)參數(shù)的不確定性，結(jié)合第三章的不確定性結(jié)構(gòu)的激勵(lì)識(shí)別方法，研究提出未知激勵(lì)下的基于結(jié)構(gòu)參數(shù)概率分布的參數(shù)卡爾曼濾

6、波算法，能同時(shí)進(jìn)行未知激勵(lì)與結(jié)構(gòu)損傷概率識(shí)別。最后通過數(shù)值算例驗(yàn)證了方法的可行性與有效性。
　　(5)論文從傳統(tǒng)擴(kuò)展卡爾曼濾波的基本框架出發(fā)，基于部分觀測數(shù)據(jù)融合，提出的未知激勵(lì)下的擴(kuò)展卡爾曼濾波算法(EKF-UI)，實(shí)現(xiàn)同時(shí)在線識(shí)別結(jié)構(gòu)參數(shù)、狀態(tài)與未知激勵(lì)。該方法在傳統(tǒng)EKF的基礎(chǔ)上直接擴(kuò)展的，方法簡單可行，解決已有EKF-UI方法估計(jì)結(jié)構(gòu)位移和未知激勵(lì)時(shí)出現(xiàn)的漂移問題。最后通過多個(gè)線性和非線性結(jié)構(gòu)形式的數(shù)值算例進(jìn)行驗(yàn)證了EKF