时间序列与主成分分析的结构损伤识别

提出一种基于AR模型均方根误差主成分分析的结构损伤识别方法.首先利用检测数据建立AR模型,求得模型的均方根误差,然后,采用主成分分析的方法获得主成分载荷矩阵,将此矩阵经过数据标准化处理得到结构损伤特征指标.通过比较结构不同状态下传感器获得的损伤特性指标,进行损伤定位.最后,基于美国Los Alamos实验室三层框架结构模型的损伤实验数据,利用本文方法和基于AR模型系数损伤定位的方法对该结构各种损伤状况进行识别.2种方法的对比研究表明采用本文的方法,通过主成分分析排除外界干扰因素,减少运算量,具有更高的损伤识别精度.     

基于不完备模态测试信息的结构损伤识别方法研究

测试信息不完备、测量噪声等因素是制约结构损伤识别方法应用的主要难点.为此首先采用部分测点的实测模态振型数据和未测点的有限元模型模态振型数据构造出完整的模态振型.其次,建立了一种适合梁系和杆系结构的基于不完备测试信息的损伤识别方程,并采用Levenberg-Marquardt非线性最小二乘算法进行了方程的求解.由于采用的是标量损伤模型,该方法可以同时进行结构的损伤定位和定量研究.最后,用一个平面桁架模型进行了数值模拟,重点考查了实测自由度数、模态数、测试噪声对损伤识别结果的影响.研究表明,在测试数据不完备及一定噪声水平条件下,该方法仍有较好的损伤识别能力.     

基于多元时间序列融合的飞行动作识别方法

针对飞行动作数据随机性强与长度不一致的问题,提出通过减小动态时间规整(DTW)算法的搜索空间,并定义不同特征参数贡献度的概念,实现对飞行数据的多元时间序列融合,从而完成对战术机动动作的识别。通过引入预分类和细分类结合的方式,对动作数据进行预处理,然后根据改进的动态时间规整(WDTW)算法对待测数据进行识别。仿真实验表明,相比传统DTW算法,WDTW算法通过降低算法复杂度,识别计算时间变化明显;对核密度与精准度系数的分析表明识别准确率亦有所提高。实验结果验证了所提方法的准确性。     

基于时间序列模型的预估控制算法

提出一种具有反馈修正的，基于时间序列模型ＣＡＲＭＡ的单值预估控制算法，对这种算法下闭环预估控制系统结构和稳定性进行了分析，对各种预估控制算法的鲁棒性进行了仿真对比。反馈修正的引入，使闭环预估控制系统的鲁棒性有很大的改善，使这种算法更适合于工业应用。     

基于时间序列ARIMA模型的电力负荷短期预测分析

科学的预测电力负荷数据可以更有效地进行电力生产规划和电力供需调整。本文基于代顿市2017年度电力负荷数据构建ARIMA模型,并使用该模型预测2018年的第一个月。并与1月份的实际数据进行比较,验证了模型的真实性和可靠性。研究结果表明:ARIMA(1,1,1)具有良好的预测结果和准确的预测精度。平均预测误差约为4.00%,达到了最小误差的预测效果。     

基于时间序列手势轮廓模型的动态手势识别

针对动态手势在时间尺度上的多变性和复杂性,提出了一种动态手势识别框架.该框架利用时间序列上提取的手势轮廓构造动态手势轮廓图像,获得不同动态手势在不同时间尺度下其轮廓图像的均值图像和方差图像,并将这些图像用于构成动态手势轮廓模型库,在此模型库基础上,利用相关信息方法和改进的动态时间规整方法完成动态手势的识别.实验结果表明,文中提出的动态手势轮廓模型对不同时间尺度的动态手势具有较强的鲁棒性,改进的动态时间规整方法较传统方法具有更高的识别率.     

基于时间序列分析的车桥共振损伤识别研究

随着我国高速铁路的快速发展,针对高速铁路中桥梁的损伤识别研究已成为热门研究领域。与传统静力条件下研究手段不同,在车桥共振条件下的损伤识别研究更加符合实际,具有真实广泛的应用价值。通过时间序列分析的损伤识别方法对桥梁振动响应的仿真数据建立 自回归移动平均模型,定义自回归模型参数的一种代数组合作为损伤因子,分别对比损伤因子的变化程度。最终分析表明,使用时间序列分析方法可以成功地对车桥共振环境激励下的结构损伤进行识别。     

关于时间序列预测法的探讨

时间序列预测法是一种根据动态数据揭示系统动态结构和规律的统计方法.本文给出了时间序列模型的模式识别和实现方法,建立了能够比较精确地反映时间序列中所包含的动态依存关系的数学模型,具有一定的自适应性,能更好地预测实际问题.     

基于时间序列分析与高阶统计矩的结构损伤检测

基于时间序列分析,提出一种有效检测结构非线性损伤的方法.在分析基于AR模型残差均方差指标的基础上,指出传统方法存在损伤信息泄漏的缺陷,特别是对于非线性损伤检测.为提高传统方法损伤检测结果的可靠性,提出采用残差的高阶统计矩——偏度和峰度作为传统指标的补充,提出了3个指标的算术平均和几何平均共6种综合指标,并应用模糊聚类分析实现结构损伤检测.利用考虑了环境因素影响的三层建筑结构模型的非线性损伤实验数据验证了提出的方法.研究表明,6种综合指标对非线性损伤检测的可靠性均高于传统方法,其中以均方差和峰度的几何平均指标检测效果最佳.     

基于小波包变换的时间序列模型模态参数识别

提出了基于小波包变换的时间序列模型结构模态参数识别方法.该方法以线性的离散时间序列方程为基础,对结构的振动响应数据进行小波包变换分解,利用小波包函数的正交特性,建立量测点间的离散化运动方程,最后利用该离散化运动方程的系数矩阵,估算结构的模态参数(自振频率、阻尼比与振型).用数值模拟算例对此方法进行了验证,并与随机子空间识别方法结果进行了比较.结果表明,该方法可以正确地识别出结构的模态参数.     

利用组合模态参数识别结构损伤的神经网络法

采用组合模态参数在有限元模型基础上对结构损伤进行了识别.同时考虑了噪声输入情况下,即存在数据误差时神经网络的损伤识别能力.结果表明,以组合模态参数作为网络输入参数,并通过学习训练所得网络不仅具有理想的损伤识别能力,还具备良好的容错性和鲁棒性.     

基于柔度矩阵法的结构损伤识别

针对工程结构的健康监测, 提出一种基于柔度矩阵法的损伤识别方法, 只需结构的低阶模态参数便可识别结构的损伤位置和程度, 克服了实际应用中高阶模态参数较难获得的缺陷, 并通过一个悬臂结构损伤识别的数值模拟验证了该方法的有效性.     

基于广义柔度矩阵的结构损伤识别方法

提出一种基于广义柔度矩阵的结构损伤识别方法. 以悬臂梁结构为例, 比较了柔度灵敏度方法和广义柔度灵敏度方法的损伤识别效果. 结果表明, 广义柔度灵敏度方法能更准确地识别损伤位置和程度.     

时间序列方法在观测资料分析中的应用

利用时间序列方法,分析了除确定性部分后的残差序列,提取其中有规律成分作为预报时的补偿项,形成叠合模型,进行建筑物观测资料的分析,实例表明,该方法提高了预报精度,证明了叠合模型方法的适用性。     

结构损伤识别的直接解析法

探讨一种损伤识别的方法——直接解析法.本方法从结构模态有限元算式出发,把频率和振型看作损伤参数的函数,经过泰勒展开获得频率、振型对损伤参数的一阶偏导数,然后构造以损伤参数为未知量的超定线代方程组,求解得到全部损伤参数值.进一步又提出本方法的自迭代修正,大幅度提高了识别精度.本方法可以同时识别出结构损伤的数量、位置和程度,并可识别任意多数量的损伤参数.通过对一个5层框架结构的数值模拟分析,验证了它的可行性.     

利用时序分析方法识别模态参数的研究

本文对时间序列分析方法识别模态参数进行了研究。重点介绍了ARMA和ARMAV模型识别模态参数的原理,并用大量模拟实验检验了两种模型在分离模态、不同信噪比、大阻尼、密集模态等复杂情况下识别模态参数的能力,从结果可以看出ARMAV模型是一种有效的识别方法。     

面向缩聚模型的结构损伤识别研究

为了减少结构健康监测系统中传感器的数量,创新性地结合缩聚原理和自适应二次乘方和误差法提出了一种面向缩聚模型的结构损伤识别方法.根据模型缩聚原理对结构有限元模型进行了缩聚,依据缩聚后有限元模型、利用自适应二次乘方和误差法对结构参数进行了识别和追踪,从而实现了结构损伤的识别.对某一大型平面桁架结构进行了仿真,期间考虑了白噪声和地震波的影响;对某一悬臂梁结构进行了实验,以研究白噪声、正弦、拟El-Centro 3种激励下的6种情况.结果表明:所提方法只需使用少量的传感器便可精确地识别出结构中损伤的发生时刻和损伤的程度及位置,仿真结果的最大误差小于3%,实验结果的最大误差小于5%.     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

非线性位移时间序列分析模型的进化识别

引入进化算法的全局优化思想,结合时间序列分析的基本理论,提出了一种新的岩土结构变形非线性动力学演化特征的进化识别算法·设计了能自动确定输入时步长度以及非线性动力学模型结构和参数的分步进化方案,对非线性时间序列分析模型的结构和参数进行全局最优搜索·将该方法用于三峡永久船闸高边坡开挖变形的预测分析,取得了满意的效果,提供了一个有效的岩土工程设计与施工的分析工具·