Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ciencias
aplicadas
Artículo
Laboratorio Estatal Clave de Mecánica y Control de Estructuras Aeroespaciales, Universidad de Aeronáutica y Astronáutica
de Nanjing, No. 29 Yudao Street, Nanjing 210016, China; hhliu@nuaa.edu.cn *
Correspondencia: zyshi@nuaa.edu.cn
Resumen: Los parámetros físicos (rigidez, amortiguación) de sistemas variables en el tiempo (TV) bajo excitación
aleatoria proporcionan información valiosa para sus condiciones de funcionamiento, pero a menudo se ven
abrumados por la interferencia de ruido. Para superar este problema, este artículo presenta un novedoso
método de descomposición residual de regresión del kernel de múltiples niveles , que no solo puede separar
efectivamente cada componente modal de la señal de aceleración de vibración bruta, sino también eliminar la
interferencia de ruido. Además, el problema de identificación de parámetros con múltiples grados de libertad
(DOF) se transforma en un problema de identificación de parámetros con un único grado de libertad. Combinado
con el algoritmo integral de modulación de frecuencia polinómica derivada y la teoría de correlación cruzada
basada en la función de ambigüedad fraccionaria de Fourier, se propone un método de identificación de
parámetros físicos. El método proporciona una nueva idea para modelar sistemas de televisión e identificar
parámetros físicos bajo excitación aleatoria. Para demostrar la efectividad del método propuesto, se realizan
simulaciones numéricas con tres casos diferentes de variación (variación, variación cuadrática y variación
periódica) en el tiempo. Además, su robustez se evalúa añadiendo diferentes niveles de ruido de relación señal
ruido (20 dB, 50 dB, 100 dB) a la señal de aceleración de vibración de entrada. Los resultados del análisis
confirman el rendimiento del método propuesto para la identificación de parámetros de sistemas de TV bajo excitación alea
Se puede analizar el concepto modal [9,10] y los sistemas de TV. Mediante métodos de
descomposición, la señal de aceleración de vibración recopilada del sistema de TV se puede
descomponer en una serie de señales de componentes modales, y la señal de un solo componente
resultante se usa luego para la identificación de parámetros [1114]. Sin embargo, todavía existen
algunos defectos (cálculo excesivo , deficiencias teóricas, efecto de punto final) en los métodos de
descomposición ampliamente utilizados, la transformada de Fourier de corto tiempo (STFT) [15] y la
descomposición en modo empírico (EMD) [16]. STFT está limitado por el principio de incertidumbre
de Heisenberg (HUP), lo que conlleva algunas limitaciones en el análisis de señales de televisión. Al
mismo tiempo, la selección de la función de ventana depende de la experiencia manual y la longitud
de la señal analizada puede dar como resultado resultados de análisis inexactos o cálculos excesivos.
EMD, como método adaptativo basado en datos, puede separar varias funciones de modo intrínseco
(IMF) de la señal de vibraciones basándose en la información de la escala de la señal. Sin embargo,
el método carece de una base teórica clara y ampliamente aceptada. Además, el efecto de punto
final es un defecto importante de EMD, es decir, no se consideran puntos de muestreo de señal en el
límite de aplicación de EMD, lo que resulta en oscilaciones obvias en los extremos de la señal
causadas por la tecnología de interpolación. Estas oscilaciones se propagan a lo largo de toda la
señal y conducen a amplitudes y picos anormales cerca de los límites de los FMI descompuestos. El
efecto de punto final puede causar problemas como cambio de forma de envolvente, mezcla modal,
cálculo de límites de señal inestable y un resultado de descomposición IMF inexacto.
Como tecnología no paramétrica, la regresión del núcleo (KR) [17,18] utiliza esencialmente una
función del núcleo como función de peso de los puntos de muestreo de la señal para establecer un
modelo de predicción y encontrar la relación no lineal entre los datos de la señal para adaptarse a las
características. Las características de la autocorrelación de datos decaen con el tiempo. En los últimos
años, la tecnología KR se ha vuelto cada vez más popular en el campo de la predicción de precios, la
detección de fallas y el procesamiento de imágenes. Dudek et al. [19] desarrolló un modelo de predicción
de precios basado en KR en vista de la gran fluctuación de los precios de la electricidad en el mercado
eléctrico, pronosticando con precisión las tendencias de precios según datos históricos. De manera
similar, Wu et al. [20] exploraron un método KR multitarea, demostrando sus ventajosas capacidades
de predicción. Ouyang et al. [21] propusieron un nuevo algoritmo de función del núcleo con capacidad
de predicción validada y potencial de generalización del modelo mejorado. Además, Jaya et al. [22]
segmentaron con éxito hojas objetivo de orígenes similares utilizando un método de segmentación automática bas
Además, Song et al. [23] lograron resultados prometedores en el control del desgaste de herramientas utilizando KR.
Además de la característica de predicción utilizada por los métodos anteriores, en este artículo se
investiga el potencial de la característica de descomposición KR [24] . Teniendo en cuenta que la
señal de aceleración de vibración recopilada de un sistema de TV con múltiples grados de libertad
(DOF) puede describirse mediante numerosas señales de componentes modales que transportan
información de parámetros, un estimador kernel de NadarayaWatson (NW) [25,26] basado en KR
es Se construye y se presenta el método de descomposición residual de regresión de núcleos
multinivel (KRRD). Al aplicar KRRD multinivel a la señal de vibración recopilada, se forma un marco
de descomposición multinivel , que abarca un conjunto de señales de componentes modales
representadas por las señales de regresión del núcleo que reflejan las características dinámicas de
los parámetros físicos. Mientras tanto, una señal componente de interferencia de ruido representada
por una señal residual puede separarse de la señal de vibración. En este paso, el problema de
identificación de parámetros DOF múltiples se transforma en un problema de identificación de
parámetros DOF único. Esta transformación mejora la relación señalruido (SNR) y proporciona comodidad pa
Los métodos de tiempofrecuencia (TF) son herramientas poderosas para analizar señales no
estacionarias, que pueden rastrear las características de la televisión en escalas de tiempo y frecuencia
[27]. La transformada wavelet (WT), el método más utilizado para el análisis TF, incorpora el concepto
de localización y supera la limitación del tamaño de ventana fijo en diferentes frecuencias. Las ventanas
TF para adaptar las características del televisor esencialmente ajustan una curva con múltiples líneas
horizontales. Wang y cols. [28] presentaron un método basado en WT para identificar el parámetro de
carga y el rendimiento se validó mediante simulaciones numéricas. Zhang et al. [29] identificaron con
éxito los parámetros utilizando un algoritmo de identificación modal basado en WT. Sin embargo, la
resolución TF de WT está restringida por HUP, lo que tiene un impacto significativo en
Machine Translated by Google
Figura 1. Diagrama
Figura 1. Diagramadedeflujo
flujo
deldel método
método propuesto.
propuesto.
yo=1
( )=
calle
en el que n representa el número de señales=residuales,
∑ i( ) ri(t)
1
primero ∑ ()
representa el iésimo residente
(1)
i=1
señal dual, y s∑ 1(t) representa el conjunto de las señales residuales descompuestas cuando la
El nivel de descomposición es [1, n].
Cuando el nivel de descomposición es [2, n], s∑ 2(t) se describe de la siguiente manera:
Por lo tanto, la señal residual descompuesta número 1 se puede obtener mediante resta, y
la expresión correspondiente se muestra de la siguiente manera:
1
− (s(t)−s(t))2
r1(t) = K1(s(t)) = e 2λ2 (3)
s = s
− r (2)
∑2 ∑1 1
Machine Translated by Google
Por lo tanto, la señal residual descompuesta número 1 se puede obtener restando y la expresión
correspondiente se muestra a continuación:
1
Aplica. Ciencia. 2023, 13, 8151
−
2 ( () ()− st st )2 5 de 16
( 1) (rt K
) st= e en1 (el que 2λ (3)
) =
K1
( ) el
en representa
que K1(∙)la estimación
representakernel
lanoestimación
paramétrica NW
delcon el gaussiano
kernel NW no paramétrica con el gaussiano
función del núcleo. λ representa el ancho de banda que puede controlar la suavidad estimada,
yy se
setoma
toma comocomo el recíproco
el recíproco de la frecuencia
de la frecuencia de muestreo. sde
t( )muestreo.
representa el s(t) representa
centro de función delelnúcleo
gaussiano
gaussiano, al igual que el valor medio de s(t).
centro de funciones del núcleo, igual que el valor medio de s(t).
De
De manera
manera similar,
similar, la
la segunda
segunda señal
señalresidual
residualse
sepuede
puededar
darde
delalasiguiente
siguientemanera:
manera:
(4)
r2(t) ( )s∑= 2(t) ()− s∑
rt2primero
= − 3(t)()
∑2 ∑3
(4)
Según
Según el
el análisis
análisis anterior,
anterior, la
la (n
(n −− 1)ésima
1)ésima señal
señal residual
residual se
se puede
puede obtener
obtener mediante
mediante la
la siguiente
siguiente ecuación.
ecuación.
Mientras tanto, se puede eliminar una señal de interferencia rn(t) que contiene ruido.
siguiente ecuación. Mientras tanto, una señal de interferencia rn(t) que contiene ruido puede ser Para proporcionar
una representación
eliminado. más intuitiva una
Para proporcionar del KRRD multinivel, la
representación descomposición
más intuitiva del KRRD multinivel, el marco se muestra
en la Figura
El marco 2.
de descomposición se muestra en la Figura 2.
(5)
rn−1(t) ) =st
r − 1=(tst
s∑
norte
n−1(t)
∑
− n(t) ()
− s∑
1 () ∑ norte
− norte
(5)
Figura 2.
Figura 2. El
El marco
marco de
de descomposición
descomposición de
de KRRD
KRRD multinivel.
multinivel.
2.3. Algoritmointegral
2.3. Algoritmo integral
dede modulación
modulación de frecuencia
de frecuencia polinómica
polinómica
PCT se emplea para generar mejor la representación IF y se puede definir de la siguiente manera:
PCT se emplea para generar mejor representación IF y se puede definir como
sigue:
+∞ c(t)(t−t0 )
yo+1
+∞ ∑
norte
−
−ω j tt 0 j −
∫
(6)
PCT ( t 0ct, ωen
que t0 representa el
) ( ) =inicial,
, el
momento
st ( ) terepresenta
peso
s(t)
0( ) la( señal mi
− i=1
analítica con el
dt ) yo + 1
−∞
Parámetro de TV, w(t − t0) representa la función de ventana, j = √ −1, ω representa el IF, c
en el que t0 representa el momento inicial, s(t) representa la señal analítica con el televisorc(t)(t−t0 ) yo+1
−j∑
norte
representa el coeficiente
parámetro, w(t demodulado
− t0) representa la función de frecuencia
de ventana, adaptativa,
= √−1, y e el IF, representa
ω representa
yo=1 yo+1
el operador de TV demodulado. ( )(
ct tt 0
−
)+
yo 1
− j∑
norte
+
Para ellacoeficiente
representa señal analítica s(t), sede
demodulado puede definir
frecuencia por la amplitud
adaptativa, a(t) y el
y representa laoperador
frecuencia (t):
mi
i=1 yo 1
demodulado de TV.
s(t) = a(t)e j (t)dt (7)
En un corto período de tiempo, (t) muestra una regularidad de variación lineal, y la correspondiente
La expansión de Taylor se da de la siguiente manera:
i
(i) (t0)(t − t0)
(t) = (t0) + (1) (t0)(t − t0) 1 + ∙ ∙ ∙ + ¡i!
(8)
i+1
+∞ norte
c(t)(t−t0 ) i+1
|PCT(t0, ω, c(t))| = −∞ a(t)w(t − t0)e j (t)dte −j[ω(t−t0)]e −j∑yo=1 dt
i+1
= +∞ yo+1
/(i+1)∙i!) −j (t)t0 mi −j∑
norte
c(t)(t−t0 ) i+1
dt
−∞ a(t)w(t − t0)e j( (t)t0+∙∙∙+ (i) (t)(t−t0) mi yo=1
(9)
= +∞ ( (yo) (t)
mi j(∑ norte
yo=1
−∞ yo! −c(t)))a(t)w(t − t0)dt
≤ +∞
−∞ a(t)w(t − t0)dt
2ts π
α = arctán C ,πα − , (10)
fs 2 2
La forma discreta del parámetro α y la forma de actualización de la Ecuación (6) se muestran a continuación:
π π 2π π nαπ
πα= + ,
−
+ , ∙ ∙ ∙, − + (11)
−2 Na + 1 2 Na + 1 2 Na + 1
2
Especificación(t0, ω) = |PCT(t0, ω, cm)| (13)
Con base en la ecuación (14), la función base h i ti ,ωi ,ci (t) de la señal del iésimo componente puede
describirse de la siguiente manera:
C
yo+1
yo (t−t0 )
i h (t) = w(t − t0) ∙ e ti ,ωi ,ci j ωi (t−t0)+∑ n yo=1 yo+1
(15)
Entonces, la primera y segunda derivada de la función base h i (t) con respecto a ti ,ωi ,ci
El tiempo se calcula de la siguiente manera:
. C
yo (t−t0 )
yo+1
i
i h ti ,ωi ,ci (t) = w(t − t0) ∙ j ωi + ci(t − t0) ∙ mij ωi (t−t0)+∑ norte yo=1 yo+1
(dieciséis)
i+1
..
i 2
Ci (t−t0 )
i h ti ,ωi ,ci (t) = w(t − t0) ∙ jici(t − t0) − ωi + ci(t − t0) ∙ mij ωi(t−t0)+∑ norteyo=1 i+1
i+1 (17)
i 2
Ci (t−t0 )
yo1
= w(t − t0) ∙ jici(t − t0) − ωi + ci(t − t0) mij ωi(t−t0)+∑ n ∙
yo=1 i+1
Machine Translated by Google
En esencia, PCT sigue siendo WT y admite la reconstrucción de señales. Además, las funciones de base
de primera derivada y segunda derivada satisfacen la condición admisible y la condición de decaimiento [35],
que se dan de la siguiente manera:
2
+∞ ˆh yo (ω)
= dω < ∞ (18)
chi yo
−∞ ω
.i .. i
h i (±∞) = h (±∞) = h (±∞) = 0 (19)
norte norte
+∞ i
PCT.. i ..xi (t) = −∞ .. xi(t) dt..h t0,ωi ,ci(t)dt
h
.i +∞ .i (21)
= − +∞
.. xi(t)dt h (t) t0,ωi ,ci −∞ −∞ ..xi (t) h (t)dtt0 ,ωi ,ci
Combinado con la ecuación (19), el primer término de la ecuación anterior se actualiza de la siguiente manera:
. . .
..xi (t)dt i h t0,ωi ,ci +∞ = ..xi (t)dt i h t0,ωi ,ci ..xi (t)dt i h t0,ωi ,ci
(t) −∞ (+∞) − (−∞) = 0 (22)
+∞ .i
PCT.. i ..xi (t) = − ..xi (t) h (t)dt = −PCT. t0,ωi ,ci ..xi (t) (23)
h −∞ yo h
.. i
De manera similar, la PCT basada en la ecuación h (t) se aplica a la señal .. xi(t) y la correspondiente
ti , ωi , ci se obtiene de la siguiente manera:
+∞ i
PCT..h i −∞ .. xi(t) dt..h t0,ωi ,ci (t)dt
_ ..xi (t) =
.
= +∞ −
+∞ +∞ (24)
i .. xi(t)dt h t0,ωi ,ci
(t) −∞ .. xi(t) h yo t0,ωi ,ci (t)dt
−∞ −∞
+∞
+ −∞ ..xi (t)h i t0,ωi ,ci (t)dt
Los dos primeros términos de la ecuación (24) se pueden escribir de la siguiente manera:
. +∞ +∞ +∞
..xi (t)dt i h t0,ωi ,ci (t)
−
..xi (t) h i t0,ωi ,ci (t)dt =0 (25)
−∞ −∞ −∞
Machine Translated by Google
+∞ i
PCT.. ..xi (t) = .. xi(t) dt..h t0,ωi ,ci (t)dt
−∞ (26)
yo h
= +∞
−∞
..xi (t)h i t0,ωi ,ci (t)dt = PCTh i .. xi(t)
Para reconstruir las señales de velocidad y desplazamiento, las ecuaciones (23) y (26) se pueden reescribir
de la siguiente manera:
+∞
i
PCT.. yo
h
..xi (t) = .. xi(t) j ωi + ci(t − t0) i h t0,ωi ,ci (t)dt = −PCT. ..xi (t) (27)
−∞ yo h
yo1 2
+∞ i
PCT.. yo ..xi (t) = −∞ .. xi(t) jici(t − t0) .. xi(t)
− ωi + ci(t − t0) h i (t)dt t0,ωi ,ci
h (28)
= PCTh i
1 +∞
i
.. xi(t) = − Ch PCT. yo h ..xi (t) h i t0,ωi ,ci (t)dω / j ωi + ci(t − t0) (29)
−∞
1 +∞ yo1 2
i
..xi (t) = PCTh i .. xi(t) h i t0,ωi ,ci (t)dω/ jici(t − t0) − ωi + ci(t − t0) (30)
Ch −∞
Como operador lineal, la transformada fraccionaria de Fourier (FRFT) puede realizar la rotación en sentido
antihorario en cualquier ángulo de la señal alrededor del eje TF, y la FRFT de orden p viene dada por:
+∞
K2(u, t)s(t)dt (31)
FRFTp(u) =
−∞
en el que K2(u,t) representa una función del núcleo y se expresa de la siguiente manera:
1−j
cot β 2 exp ju β 2 + t 2 cuna
2
− ut csc β , β = nπ
K(u, t) = (32)
δ(u − t), β = 2nπ
δ(u + t), β = (2n ± 1)π
+∞ τ τ
AFs1 (τ, ω) = s1(t + 2
)s1 (t −
2
) exp(−jωt)dt (33)
−∞
τ τ
rs1 s1 (t, τ) = s1(t + )s1 (t − (34)
2 )2
+∞
AFα (τ, ω) = Rs1 s1(t, τ)K(u, t)dt (35)
s1
−∞
Machine Translated by Google
2
en el (τ) = E{s1(t) ∙ s1(t + τ)} = √ 2πA Rs1 s1 1 ,τ = 0 (36)
que E{∙} representa el operador de expectativa. Mientras tanto, se construye una señal de modulación de
, ω representa la variación de frecuencia .
frecuencia s2(t) = A2 ∙ exp j(ω + ω)t + at2 en la que
Rs1 s2 (τ → 0) ≈ 0 (37)
en donde M(t), C(t) y K(t) son las matrices de masa, amortiguamiento y rigidez de TV; ..x (t), . x(t) y x(t)
son los vectores de aceleración, velocidad y desplazamiento del sistema; y f(t) son los vectores de
excitación ejercidos sobre el sistema.
Sobre la base de la teoría de la superposición modal, el vector de aceleración del sistema puede
considerarse como la suma de múltiples componentes modales. El vector de aceleración del résimo DOF
se puede expresar como .. xri(t)(r = 1, 2, . . . , R).
Bajo la condición de que sólo se conozca la señal de aceleración, se emplea el algoritmo integral
PCT y la ecuación (38) se reescribe de la siguiente manera:
Además, la ecuación (39) se puede actualizar con amplitud Apq y fase de la siguiente manera:
2 c1
mi
j[ω1 (t−t0)+∑ norte yo=1 ]
(t−t0 ) i+1
3
un m
pq(t) j[ω2(t−t0)+∑ norte
c2 (t−t0 )
]
yo=2 i+1
A
e
cn(t−t0 )
j[ωn(t−t0)+∑ norte
mi yo=n i+1 ]
PCT..h q ( .. xpq(t))
AM _
pq(t) = norte q+1
Ch −jcq− ωq+∑ q ( .. xpq(t)) q=1 cq(t−t0)
PCT.
AC h
pq(t) = norte q+1 ,(p, q = 1, 2, ∙ ∙ ∙ , norte) (41)
Ch −jcq− ωq+∑ q=1 cq(t−t0)
Las operaciones de expectativa se realizan en ambos lados y la ecuación (40) se puede actualizar de la
siguiente manera:
2 2
j[ω1 (t−t0 )+∑ n
c1 (t−t0 )
] j[ω1 (t−t0 )+∑ n
c1 (t−t0 )
]
T
mi
yo=1 i+1 mi
yo=1 i+1
AM 3 c2 (t−t0 ) 3 c2 (t−t0 )
pq(t) mi
j[ω2 (t−t0 )+∑ n i=2 i+1 ]
mi
j[ω2 (t−t0 )+∑ n i=2 i+1 ]
cn(tt0 )
norte
(42)
j[ωn(t−t0 )+∑ n i=n yo+1 ] j[ωn(t−t0 )+∑ n i=n yo+1 ]
mi mi
t
AM
pq(t)
t
A [M(t) C(t) K(t)]T = E f(t) ∙ f(t)
C pq(t)
k
A
pq(t)
Aquí, el ruido blanco gaussiano aleatorio se establece como la fuerza de excitación del sistema, y su
La función de correlación se define de la siguiente manera:
λmδ(τ) m = n ,
mi{ fm(t) ∙ fn(t + τ)} = (m, n = 1, 2, . . . , n) (43)
0 metro = norte
Por lo tanto, el lado derecho de la ecuación (42) se puede reescribir de la siguiente manera:
λ1 0 ∙ ∙ ∙ 0
0 λ2 ∙ ∙ ∙ 0
t
mi f(t) ∙ f(t + τ) = .. .. .. .. ,τ = 0 (44)
. . . .
0 0 ∙ ∙ ∙ λn
Con base en las ecuaciones (37) y (43), la matriz de la función de correlación se puede obtener de la
siguiente manera:
2 c1 (t−t0 ) 2 c1 (t−t0 ) T
] ]
mij[ω1 (t−t0)+∑ norte yo=1 mij[ω1 (t−t0)+∑ norte yo=1
i+1 i+1
10∙∙∙0
3 3
mij[ω2(t−t0)+∑ norte yo=2
c2 (t−t0 ) i+1
]
mij[ω2(t−t0)+∑ norte yo=2
c2 (t−t0 ) i+1
] 01∙∙∙0
mi = .. .. . . .. (45)
.. .. . . . .
. .
cn(t−t0 ) i+1
norte
cn(t−t0 ) i+1
norte
00∙∙∙ 1
] ]
mij[ωn(t−t0)+∑ norte yo=n mij[ωn(t−t0)+∑ norte yo=n
t λ1 0 ∙∙∙0
AM pq(t) AM pq(t)
=
0 λ2 ∙ ∙ ∙ 0
[M(t) C(t) K(t)] A
C pq(t) [M(t) C(t) K(t)] A
C pq(t)
.. .. .. .. (46)
. . . .
Ak pq(t) Ak pq(t)
00 ∙ ∙ ∙ λn
0
un m
√ λ1 0 ∙ ∙ ∙ 0 √
pq(t) λ2 ∙ ∙ ∙ 0
[M(t) C(t) K(t)] A = .. .. .. .. (47)
C . . . .
Ak
pq(t) pq(t) 0 0 ∙ ∙ ∙ √ λn
1
En
METRO
4. Simulación numérica
4. Simulación numérica
En esta sección, un modelo simulado de tres DOF que incorpora rigidez y amortiguación TV. En esta
sección, un modelo simulado de tres DOF que incorpora rigidez y amortiguación TV.
se construye para testificar la efectividad del método propuesto, que se ilustra en se construye para testificar la
efectividad del método propuesto, que se ilustra en
Figura 3. Los parámetros estructurales iniciales del modelo de TV se dan a continuación, y Figura 3. Los
parámetros estructurales iniciales del modelo de TV se dan a continuación, y el
La fuerza de excitación era ruido blanco gaussiano aleatorio. La frecuencia de muestreo se estableció en
La fuerza de excitación era ruido blanco gaussiano aleatorio. La frecuencia de muestreo se estableció en
1200 Hz y el tiempo de muestreo se estableció en 10 s.
1200 Hz y el tiempo de muestreo se estableció en 10 s.
=
123 10(kilos
mmm ) , = 15 kilogramos, ) =
( ) 20( kilogramos
m1 = 10(kg), m2 = 15(kg), m3 = 20(kg)
) kkk
k1
123==50000 (N/m ) k2
50000(N/m), , == 30000(N/m),
30000 N/m ( k3 20000 (N/m )
, = =20000(N/m) (48)
(48)
ccc= 8 (N/m ) , = 6 N/m ) , = 4 (N/m )
6(Ns/m),
( c1
12 3 = 8(Ns/m),
c3 = 4(Ns/m)
c2 =
Figura3.
Figura 3.El
Elmodelo
modelode
deTV
TVde
detres
tresgrados
gradosde
delibertad.
libertad.
Este artículo
tienen considera la identificación
más probabilidades de cambiar ende comparación
la rigidez y lacon
amortiguación, ya que estos
la masa estructural parámetros
en la ingeniería
práctica.
tienen más probabilidades de cambiar en comparación con la masa estructural en estructuras de ingeniería
prácticas . Además,
turas. Además, evaluar
evaluar la rigidez
la rigidez y la amortiguación
y la amortiguación es más
es más significativo
significativo en términos
en términos de estructural y control
de daño
de vibraciones. Para simular las características dinámicas.
control de daños naturales y vibraciones. Para simular con mayor precisión las características dinámicas de
estructuras
estructuras prácticas, se utilizan
prácticas con mayor tres casos tres
precisión, diferentes
casos de variación
diferentes deen el tiempo
variación ende
el la rigidez.
tiempo de rigidez
yy se
se investigan losparámetros
investigan los parámetros dede amortiguación,
amortiguación, a saber,
a saber, variación
variación lineal,lineal, variación
variación cuadrática,
cuadrática y variación
periódica.
y variaciónLos casos detallados
periódica. Los casosse dan a continuación:
detallados se dan a continuación:
k1==2000t
∆k1
∆ 2000 t
2 ∆k2 = 2000t −2 5000t (49)
ktt
∆=2 − 2000 5000 (49)
∆k3 = −2000 ∙ sen(0,5πt)
( 0,5
k∆3 =− 2000 sen πt )
∆c1 = −0,5t
∆c2 = 0.5 0,5
∆c 1=− t
∙ pecado(0.5πt) (50)
∆c3 = 0
∆=c2 0,5 pecado( 0,5πt ) (50)
Se calculó la señal bruta de aceleración de vibración bajo una fuerza de excitación aleatoria.
∆C3= la 0correspondiente forma de onda en el dominio del tiempo.
a través del algoritmo de Newmark, y se muestra
en la Figura 4a. Para extraer el componente modal correspondiente a cada orden DOF, el
Se calculó la señal bruta de aceleración de vibración bajo una fuerza de excitación aleatoria. Luego se aplicó
KRRD multinivel a la señal bruta de aceleración. Los componentes descompuestos a través del algoritmo de
Newmark y la correspondiente forma de onda en el dominio del tiempo se muestran en las Figuras 4bd,
respectivamente. Posteriormente, la frecuencia polinómica
se muestra en la Figura 4a. Para extraer el componente modal correspondiente a cada orden de modulación
se empleó un algoritmo integral para cada componente modal. La figura 5 ilustra
DOF, luego se aplicó el KRRD multinivel a la señal de aceleración bruta. El resultado de la reconstrucción de la
señal de las señales de velocidad y desplazamiento (azul) obtenido de
Los componentes planteados se muestran en las Figuras 4bd, respectivamente. Posteriormente, el polinomio el
algoritmo integral. Además, las señales de velocidad y desplazamiento (rojas) obtenidas
Se empleó un algoritmo integral de modulación de frecuencia para cada componente modal. Las figuras de
simulación numérica también se incluyen en la Figura 5 para verificar aún más la reconstrucción.
La figura 5 ilustra el resultado de la reconstrucción de la señal de las señales de velocidad y desplazamiento (azul)
rendimiento del algoritmo integral. Las formas de onda en el dominio del tiempo en la primera línea de
obtenido del algoritmo integral. Además, las señales de velocidad y desplazamiento de la Figura 5
representan las señales de desplazamiento, mientras que la segunda línea representa la velocidad.
señales, y cada columna corresponde a un DOF diferente. Comparando el azul y
formas de onda rojas en la Figura 5, se puede ver que el algoritmo integral propuesto exhibe
Buen rendimiento de reconstrucción de señal.
Machine Translated by Google
,
Aplica. Ciencia. Aplica. Ciencia. 2023
2023,,1313, 8151 x PARA REVISIÓN
1412 de 16 de 17
14 de 17
POR PARES Solicitud. Ciencia. 2023, 13, x PARA REVISIÓN POR PARES
Figura4.
Figura 4.Resultado
Resultadode
delaladescomposición
descomposiciónKRRD
KRRDmultinivel:
multinivel:(a)
(a)señal
señalde
deaceleración
aceleraciónbruta,
bruta,(b)
(b)tercer
tercerorden
orden Figura
4. Resultado de la descomposición KRRD multinivel: (a) señal de aceleración bruta, (b) componente de tercer
orden, (c) componente
componente, (c) de segundo
componente de orden,orden,
segundo y (d) componente
y (d) de primer
componente de orden.orden.
primer
componente, (c) componente de segundo orden, y (d) componente de primer orden.
Figura 5. Las señales de velocidad y desplazamiento obtenidas por algoritmo integral (azul) y numérico Figura 5.
de
Lasvelocidad
señales dey desplazamiento
velocidad y desplazamiento
obtenidas porobtenidas
algoritmopor
integral
algoritmo
(azul)integral
y numérico
(azul) y numérico Figura 5. Las señales
simulación (rojo).
simulación (rojo).
Figura
Figura6.
Figura 6.
6.Resultados
Resultados
Resultadosdede
de
la la
la identificación
identificación
identificación de
derigidez:
de la la
la rigidez:
rigidez: (a)
(a)
(a) k1, k1
k1,
(b) k2, (b) y, (c)y k3.
k2k3.
y (c) (c) k3 .
5. Conclusiones
5. Conclusiones
Con el objetivo
aleatoria, de abordar
un novedoso la dificultad
análisis integraldedelamodulación
identificación de parámetros
de frecuencia físicos multinivel
polinomial bajo excitación
basado
en modulación
de KRRD, un novedoso polinomio
de frecuencia. multinivel
Se propuso el basado
método en KRRDKRRD
utilizado Se propuso el método
multinivel de análisis integral
para descomponer el
método recopilado.
vibración recopiladaElenmétodo
señalesutilizó KRRD multinivel
de componentes para correspondientes
modales descomponer la señal
a cada deDOF.
aceleración
señal dede
aceleración de vibración en señales de componentes modales correspondientes a cada DOF.
Estas
Estas señales
señales de
de componentes
componentes modales
modales contienen
contienen información
información crucial
crucial del
del sistema
sistema de
de TV,
TV, como
como la
la rigidez.
rigidez.
Machine Translated by Google
Para indicar aún más la solidez del método propuesto, diferentes niveles de SNR de
Se añadió ruido (20 dB, 50 dB, 100 dB) a la señal bruta de aceleración de vibración. Mientras tanto,
aquí se introdujo un indicador estadístico llamado error porcentual absoluto medio (MAPE),
que puede evaluar la precisión de los resultados identificados. El mismo procedimiento mostrado en
Se realizó la Sección 3 y el error de identificación detallado se muestra en la Tabla 1.
1 NS ιi −ιi
MAPA = ∑
NS yo=1 yo
× 100% (51)
SNR (dB)
Error/%
Sin ruido 20 50 100
En la Tabla 1, se puede ver que bajo diferentes niveles de SNR, el error de rigidez puede
mantenerse dentro del 3% y la amortiguación aún puede garantizar una buena precisión de identificación.
A través del análisis antes mencionado, se puede deducir que el método propuesto en este
El papel es eficaz para superar el ruido aleatorio y tiene buena robustez y resistencia física al televisor.
trazabilidad de parámetros.
5. Conclusiones
Con el objetivo de abordar la dificultad de la identificación de parámetros físicos bajo excitación aleatoria ,
se desarrolló un novedoso análisis integral de modulación de frecuencia polinómica multinivel basado en KRRD.
Se propuso el método. El método utilizó KRRD multinivel para descomponer lo recopilado.
señal de aceleración de vibración en señales de componentes modales correspondientes a cada DOF.
Estas señales de componentes modales contienen información crucial del sistema de TV, como la rigidez.
y amortiguación. En este paso, se resolvió el problema de identificación de parámetros de un sistema multiDOF.
se transformó en el problema de identificación de parámetros de un solo sistema DOF, lo que facilitó el análisis
posterior. Además, se eliminó el componente de interferencia de ruido,
y se mejoró el rendimiento antirruido del método propuesto. Además, el
método empleó el algoritmo integral de modulación de frecuencia polinomial para reconstruir
las señales de velocidad y desplazamiento basadas en el componente modal único descompuesto
señal. Al combinar la teoría de la correlación cruzada, la ecuación diferencial dinámica del televisor
El sistema se modeló en el dominio del tiempo y los parámetros físicos se identificaron mediante
resolviendo la ecuación lineal simultánea.
Basado en simulación numérica, el efecto de identificación de parámetros físicos bajo
tres casos diferentes de variación (variación lineal, variación cuadrática, variación periódica)
se llevó a cabo en un modelo de TV establecido de tres grados de libertad. Los resultados numéricos demostraron
la capacidad del método propuesto para rastrear eficazmente diversas variaciones de la física
parámetros a lo largo del tiempo. Además, la robustez del método propuesto fue verificada mediante
agregando diferentes niveles de ruido SNR (20 dB, 50 dB, 100 dB) a la aceleración de vibración bruta
señal. Se garantiza que los errores de identificación de rigidez y amortiguación permanecerán dentro
un rango estable, lo que indica la alta precisión de identificación del método propuesto incluso
bajo interferencia de ruido.
Sólo se utilizó la señal de aceleración de vibración para la identificación de parámetros, que
facilita la adquisición de señales en ingeniería práctica y mejora el potencial de aplicación.
Machine Translated by Google
potencial del método propuesto. Sin embargo, el método propuesto se basa esencialmente en
el supuesto de variación lineal a corto plazo y tiene limitaciones en el rendimiento de
identificación para el sistema de TV con características de variación no lineal de intervalo a corto plazo.
Para mejorar la adaptabilidad y la precisión de la identificación de parámetros del método
propuesto, los autores estudiarán más a fondo el ajuste no lineal de la señal de TV.
Contribuciones del autor: Visualización, ZS; Escritura: preparación del borrador original, NS; Redacción: revisión y edición, NS Todos los
autores han leído y aceptado la versión publicada del manuscrito.
Financiamiento: Esta investigación fue financiada por las Fundaciones Nacionales de Ciencias Naturales de China, número de subvención
12272172) y el Desarrollo del Programa Académico Prioritario de las Instituciones de Educación Superior de Jiangsu.
Referencias
1. Lei, Y.; Yang, N. Identificación simultánea de parámetros físicos estructurales que varían en el tiempo y excitaciones desconocidas mediante mediciones parciales. Ing. Estructura.
2020, 214, 110672. [Referencia cruzada]
2. Canción, J.; Mingotti, A.; Zhang, JH; Peretto, L.; Wen, H. Factor de amortiguación preciso y estimación de frecuencia para valores reales amortiguados
señales sinusoidales. Traducción IEEE. Instrumento. Medidas. 2022, 71, 1–4. [Referencia cruzada]
3. Cui, LL; Wang, X.; Xu, YG; Jiang, H.; Zhou, JP Un novedoso método de cambio de filtro Kalman sin perfume para prolongar su vida útil
Predicción de rodamientos. Medición 2019, 135, 678–684. [Referencia cruzada]
4. Li, Q.; Liang, S. Pronóstico inteligente de trayectorias de degradación para maquinaria rotativa basado en un modelo de descomposición dispersa con penalización asimétrica.
Simetría 2018, 10, 214. [CrossRef]
5. Zhang, JL; Xie, JQ; Shi, W.; Huo, YT; Ren, ZK; Él, DP Resonancia y bifurcación del sistema quíntico fraccionario MathieuDuffing . Caos: Interdisciplina. J. Ciencia no lineal. 2023, 33,
23131. [Referencia cruzada] [PubMed]
6. Jannifar, A.; Mohd Zubir, MN; Kazi, SN Un enfoque innovador para realizar análisis modal experimental (EMA) en armónicos en funcionamiento para la identificación modal
estructural. Medida 2020, 159, 107795. [CrossRef]
7. Shi, ZY; Derecho, SS; Li, HN Identificación basada en el subespacio de un sistema lineal variable en el tiempo. AIAA J. 2007, 45, 20422050. [Referencia cruzada]
8. Liu, L.; Ripamonti, F.; Corradi, R.; Rao, ZS Sobre el análisis modal vibroacústico experimental de un sistema placacavidad. Mec.
Sistema. Proceso de señal. 2022, 180, 109459. [Referencia cruzada]
9. Yang, W.; Liu, L.; Zhou, SD; Ma, ZS Identificación de parámetros modales de estructuras lineales variables en el tiempo utilizando la forma Kriging
función. Acta Aeronauta. Y astronauta. Pecado. 2015, 36, 1169–1176.
10. Li, CX; Liu, YQ; Liao, YY; Wang, JJ Un método VME basado en la tendencia convergente de VMD y su aplicación en el diagnóstico de fallos múltiples de rodamientos. Medida 2022,
198, 111360. [CrossRef]
11. Shi, ZY; Derecho, SS; Xu, X. Identificación de sistemas dinámicos MDOF lineales variables en el tiempo a partir de excitación forzada utilizando Hilbert
transformación y método EMD. J. Vibración de sonido. 2009, 321, 572–589. [Referencia cruzada]
12. Robin, V.; Keith, S.; Yves, G.; Marc, B. Análisis modal experimental y operativo: identificación automatizada del sistema para
Aplicaciones críticas para la seguridad. Mec. Sistema. Proceso de señal. 2023, 183, 109658.
13. Saito, A.; Kuno, T. Análisis modal experimental basado en datos mediante descomposición de modo dinámico. J. Vibración de sonido. 2020, 481, 115434.
[Referencia cruzada]
14. Zhang, Y.; Song, HW Técnica de decremento aleatorio no superpuesto para la identificación de parámetros en el análisis modal operativo.
J. Vibración de sonido. 2016, 366, 528–543. [Referencia cruzada]
15. Wan, TH; Tsang, CW; Hui, K.; Chung, E. Detección de anomalías de ruedas de tren utilizando transformada de Fourier de corto tiempo y
Algoritmos de aprendizaje no supervisados. Ing. Aplica. Artif. Intel. 2023, 122, 106037. [Referencia cruzada]
16. Wang, ZJ; Él, novia; Du, WH; Zhou, J.; Han, XF; Wang, JT; Él, HH; Guo, XM; Wang, JY; Kou, YF Aplicación del método de descomposición del modo variacional optimizado de
parámetros en el diagnóstico de fallas de la caja de cambios. Acceso IEEE 2019, 7, 2169–3536. [Referencia cruzada]
17. Fanático, peso; Yang, L.; Bouguila, N. Modelado de datos axiales agrupados no supervisados mediante modelos no paramétricos bayesianos jerárquicos
con distribuciones de Watson. Traducción IEEE. Patrón Anal. Mach. Intel. 2022, 44, 9654–9668. [Referencia cruzada]
18. Horova, I.; Kolacek, J.; Zelinka, J. Kernel Smoothing en MATLAB: Teoría y práctica del Kernel Smoothing; Científico mundial: Singapur,
2012.
19. Dudek, G. Pronóstico probabilístico de los precios de la electricidad mediante regresión kernel. En actas de la XV Internacional de 2018
Conferencia sobre el Mercado Europeo de la Energía (MEE), Lodz (Polonia), 27 a 29 de junio de 2018; págs. 1 a 5.
20. Wu, XH; Lu, YY; Zhao, PL Aprendizaje multitarea sobre masas nucleares y energías de separación con la regresión de la cresta del núcleo.
Física. Letón. B 2022, 834, 137394. [Referencia cruzada]
Machine Translated by Google
21. Ouyang, ZL; Zou, ZJ; Zou, L. Regresión de proceso gaussiano basada en función adaptativa de núcleo híbrido para modelado no paramétrico
del movimiento de maniobra del barco. Ing. Océano. 2023, 268, 113373. [Referencia cruzada]
22. Jaya Brindha, G.; Gopi, ES Un enfoque jerárquico para la segmentación automática de imágenes de hojas con fondo similar utilizando la regresión del proceso gaussiano basado en
suavizado del kernel. Ecológico. Informar. 2021, 63, 101323.
23. Canción, GH; Zhang, JH; Zhu, KY; Ge, YS; Yu, LC; Fu, ZS Monitoreo del desgaste de herramientas basado en regresión de procesos gaussianos multinúcleo y codificadores
automáticos de eliminación de ruido multicapa apilados. Mec. Sistema. Proceso de señal. 2023, 186, 109851. [Referencia cruzada]
24. Liu, H.; Xiang, JW Transformación de extracción sincrónica basada en descomposición residual de regresión de Kernel para detectar fallas en sistemas mecánicos. ISA Trans. 2019,
87, 251–263. [Referencia cruzada] [PubMed]
25. Nadaraya, EA Sobre la estimación de la regresión. Teoría probable. Su aplicación. 1964, 9, 141142. [Referencia cruzada]
26. Watson, GS Análisis de regresión suave. Sankhya indio J. Stat. Ser. A 1964, 26, 359–372.
27. Liu, Z.; Él, Z.; Guo, W.; Tang, Z. Un método híbrido de diagnóstico de fallas basado en la eliminación de ruido de wavelets de segunda generación y la media local.
descomposición para maquinaria rotativa. ISA Trans. 2016, 61, 211–220. [Referencia cruzada] [PubMed]
28. Wang, L.; Xu, HY; Liu, YR Un novedoso enfoque de identificación de carga dinámica para estructuras inciertas de múltiples fuentes basado en el
Transformada wavelet teórica de conjuntos y reducción de ruido en capas. Estructuras 2023, 51, 91104. [Referencia cruzada]
29. Zhang, G.; Tang, B.; Chen, Z. Identificación de parámetros modales operativos basada en PCACWT. Medición 2019, 139, 334–345.
[Referencia cruzada]
30. Zhang, J.; Shi, ZY Identificación instantánea de parámetros modales de sistemas lineales variables en el tiempo basados en la descomposición adaptativa de chirplet. Vibración de
choque. 2019, 12, 1475981. [Referencia cruzada]
31. Yang, Y.; Peng, ZK; Zhang, WM; Meng, G. Estimación del retardo de grupo variable de frecuencia utilizando un polinomio en el dominio de la frecuencia
transformación chirplet. Mec. Sistema. Proceso de señal. 2014, 46, 146–162. [Referencia cruzada]
32. Zhang, Y.; Zhao, HS; Tjhen Lie, S. Estimación de formas modales de estructuras en forma de vigas mediante una masa concentrada en movimiento. Ing. Estructura.
2019, 180, 654–668. [Referencia cruzada]
33. Peng, ZK; Meng, G.; Chu, FL Transformada chirplet polinómica con aplicación a la estimación de frecuencia instantánea. Traducción IEEE . Instrumento. Medidas. 2011, 60, 3222–
3229. [Referencia cruzada]
34. Li, R.; Chen, H.; Colmillo, Y.; Hu, Y.; Chen, X.; Li, J. Transformada chirplet polinómica sincronizada y su aplicación en la identificación de yacimientos de gas de arenisca compacta.
IEEE Geociencias. Sensores remotos. Lett. 2022, 19, 1–5. [Referencia cruzada]
35. Deng, Y.; Cheng, CM; Yang, Y.; Yang, WX; Zhang, WM Identificación paramétrica de sistemas de vibración no lineales mediante transformada polinómica chirplet. J. Vib. Acústico.
2016, 138, 051014. [Referencia cruzada]
36. Onur Celik, O.; Engin Tuncer, diseño de patrones de haz de radar T. MIMO mediante el uso de formas de onda PhasedCostas con restricciones PAR
empleando una función de ambigüedad generalizada. Dígito. Proceso de señal. 2023, 135, 103948. [Referencia cruzada]
37. Qiu, TS; Li, L. Un novedoso método de estimación de parámetros conjuntos basado en la función de ambigüedad fraccionaria en un sistema de radar biestático de múltiples entradas
y múltiples salidas. Computadora. eléctrico. Ing. 2013, 39, 1248–1259. [Referencia cruzada]
38. Wang, XJ; Chen, F.; Zhou, HY; Ni, PH; Wang, LH; Zhang, J. Detección de daños estructurales basada en la función de correlación cruzada con fusión de datos de varias mediciones
dinámicas. J. Vibración de sonido. 2022, 541, 117373. [Referencia cruzada]
39. Yu, G.; Zhou, YQ Transformación chirplet lineal general. Mec. Sistema. Proceso de señal. 2016, 70, 958–973. [Referencia cruzada]
Descargo de responsabilidad/Nota del editor: Las declaraciones, opiniones y datos contenidos en todas las publicaciones son únicamente de los autores y contribuyentes individuales y
no de MDPI ni de los editores. MDPI y/o los editores renuncian a toda responsabilidad por cualquier daño a personas o propiedad que resulte de cualquier idea, método, instrucción o
producto mencionado en el contenido.