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

1、外激勵在結構設計、結構健康監(jiān)測和振動控制等方面都是非常重要的信息。而在結構設計和許多健康監(jiān)測技術和方法中，都假定已知結構的外激勵。結構上的動載往往無法直接測量或難以準確測量，而測量動載作用下的結構動態(tài)響應是較容易的。因此，利用測量得到的結構動態(tài)響應和結構參數(shù)反演識別外激勵，為工程結構的設計與結構健康監(jiān)測提供了重要基礎。本文在總結前人研究成果的基礎上，提出基于數(shù)據(jù)融合的不確定結構狀態(tài)和未知激勵的識別方法。
　　(1)論文研究基于部分

2、觀測響應下，在經(jīng)典卡爾曼濾波KF算法的基本框架的基礎上，推導出一種基于數(shù)據(jù)融合的未知激勵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的局限，同時將觀測的部分加速度響應（需觀測激勵處響應）和位移響應進行數(shù)據(jù)融合引入觀測方程，從方法上解決了已有的KF-UI算法估計結構位移和未知外激勵時的漂移問題，實現(xiàn)了同時在線識別結構的狀態(tài)與未知激勵。數(shù)值算例驗證了提出KF-UI方法的有效性與可靠性。
　　(2)論文研

3、究了結構的不確定參數(shù)對未知激勵識別的影響，提出基于KF-UI的不確定性結構的激勵識別方法。研究基于結構不確定參數(shù)概率分布或區(qū)間分布的未知激勵的識別方法。該方法將不確定參數(shù)影響的未知激勵的識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算法識別，靈敏度矩陣中的每一個靈敏元素近似用差分法表示。所以當不確定參數(shù)的概率分布或區(qū)間分布已知時，可以識別得到未知激勵的概率分布或區(qū)間分布。最后通過多個數(shù)值算例和蒙特卡洛模擬法的對比，驗證了

4、所提方法的有效性與可靠性。
　　(3)無法觀測到激勵處的響應數(shù)據(jù)時，應用提出的KF-UI算法，將出現(xiàn)病態(tài)識別問題。為此，引入模態(tài)坐標變換，研究提出了基于數(shù)據(jù)融合的未知激勵下的模態(tài)卡爾曼濾波算法，應用提出的KF-UI識別模態(tài)力，最后反算回未知激勵。該方法無需觀測激勵處的響應，實現(xiàn)在線進行結構狀態(tài)與未知激勵的識別。同時由于模態(tài)截斷，降低了計算階數(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行了驗證。
　　(4)

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

6、波算法，能同時進行未知激勵與結構損傷概率識別。最后通過數(shù)值算例驗證了方法的可行性與有效性。
　　(5)論文從傳統(tǒng)擴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，提出的未知激勵下的擴展卡爾曼濾波算法(EKF-UI)，實現(xiàn)同時在線識別結構參數(shù)、狀態(tài)與未知激勵。該方法在傳統(tǒng)EKF的基礎上直接擴展的，方法簡單可行，解決已有EKF-UI方法估計結構位移和未知激勵時出現(xiàn)的漂移問題。最后通過多個線性和非線性結構形式的數(shù)值算例進行驗證了EKF