[发明专利]Sanger神经网络并行主元抽取的工作模态参数识别方法和系统

说明书

本发明公开了Sanger神经网络并行主元抽取的工作模态参数识别方法和系统，采用等距特征映射的三维时不变结构工作模态参数识别方法。因为等距特征映射算法使用近地距离度量测点间的近邻关系，可以很好的表达三维结构中的非线性特征，因此该方法对复杂三维结构工作模态参数有着很好的识别效果，可用于设备故障诊断、健康监测以及系统结构分析与优化。还包括Sanger神经网络时不变结构工作模态参数识别方法，使用基于Sanger神经网络并行主元抽取工作模态参数识别方法。依据学习率和学习规则并行迭代得到多阶主成分，易于被嵌入到多核硬件，具有很高的工程价值。

技术领域

本发明涉及模态参数识别领域，特别是一种时不变结构的工作模态参数识别方法和系统，包括有一种等距特征映射的三维时不变结构工作模态参数识别方法，一种基于Sanger神经网络的时不变结构的工作模态参数识别方法，一种基于等距特征映射的设备故障诊断与健康状态监测方法，一种基于Sanger神经网络的设备故障诊断与健康状态监测方法和一种时不变结构的工作模态参数识别系统。

背景技术

随着科学技术的发展与进步，航空航天、建筑、桥梁、海洋、机械等领域的工程结构逐渐向大型化、复杂化、智能化方向发展，结构所承受载荷难以测量，若要建立其动力学模型，传统的基于测量输入输出求取系统模态参数的方法难以适用，只能采用仅需测量输出响应的工作模态参数识别方法。时不变结构指的是结构的动力学参数固定不变，其动力学参数不随着时间的变化而改变。依据模态理论，其振动特性能够实现在模态空间里进行各阶解耦，而解耦的关键是各阶时不变模态的振型向量。到目前为止，一维时不变结构已经有比较完整的方法体系，主要分为频域法和时域法两种方法。

在真实的工程应用中，大多需要将算法直接嵌入到独立的硬件设备中，随着多核并行计算的发展，相比较普通的串行结构的算法，并行算法具有更大的速度优势。神经网络算法由于独特的算法结构，是一种重要的并行算法的实现方式。Hebb规则在1949年首次被提出，1982年Oja等人提出了一种基于Hebb规则的主成分抽取算法，被称为Oja算法。然而，Oja算法仅仅抽取一阶主成分，不能满足实际的应用需求。为了并行抽取更多阶主成分，T.D.Sanger提出使用仅含有输入、输出两层神经元的前向神经网络，王等人提出了新的学习规则，使得Sanger网络的输入含有多个特征值时，其中间权重也能收敛为具有标准正交向量的归一化矩阵。S.Y.Kung提出了自适应主成分网络(APEX)，这大大降低了计算量。Yang等人将基于神经网络的主元算法应用于基因数据的预测，Jia等人将其应用于图像轮廓的提取。本文将基于神经网络的主元抽取应用于工作模态参数识别，可以并行的抽取模态参数。

相比于一维时不变结构，三维结构的振动学特性更加复杂，三维结构的模态振型的识别更加是模态分析领域的难点与关注的焦点。实际工程结构都是三维的，从一维到三维，是基于模态参数分析方法从科学技术研究向工程应用迈出的一大步。近几年来基于复杂三维连续体结构的工作模态参数识别方法有了新的突破与发展。2014年，王成等人首次尝试针对复杂三维连续体结构建立主元分析模型，求解模型，并且提出了一个有效的三维模态振型的组装方法。然而，其主元分析模型的求解基于特征值分解的方法可能存在病态问题，三维模态振型的求解中使用矩阵求逆反代的方法，因此求解结果容易造成较大误差。2017年，王建英等人提出使用二阶盲辨识求解复杂三维结构，虽然避免了主元分析算法求解的病态问题，但是三维模态振型的组装方法沿用矩阵求逆反代的方法。白俊卿等人提出了基于局部线性嵌入的工作模态参数识别方法，这是基于非线性流形学习算法在工作模态参数识别领域的首次尝试，但作者并未对求解过程中变量的物理意义给出详细的解释。张静静等人优化了基于局部线性嵌入的工作模态参数识别方法中最近邻的选择方法，使得算法更加鲁棒。董龙雷等人在此基础上以一个复合材料板为对象，验证基于局部先行嵌入的工作模态参数识别方法对噪声有着较高的鲁棒性。基于局部线性嵌入的工作模态参数识别方法是一种基于非线性流形学习的算法，但主要针对结构由于阻尼比的增加所带来的结构非线性，并没有深入挖掘三维模态响应数据内部的非线性特征。

发明内容