论文部分内容阅读
在实际的工程问题中,动载荷的确定对系统的参数识别、故障诊断以及疲劳寿命预测等都具有重要意义。然而,在许多情况下,由于实际环境的约束或经济条件的限制,直接测量系统所受的载荷通常是非常困难的,有时甚至是不可能的。因此,研究基于系统响应和系统特性来间接获取动态载荷是至关重要的。本文对周期性动载荷和冲击载荷分别提出了不同的识别方法,并针对识别过程中的不适定性,采用相应的正则化技术来进行处理。本文的研究工作主要包括:（1）将周期性动载荷在时域内利用一系列脉冲响应函数描述,并用卷积分关系进行结构动响应离散,建立了基于Green函数的周期性动载荷识别方程。采用Tikhonov和广义截断奇异值分解（TSVD）正则化方法分别来处理识别问题中的病态特性。通过单源动载荷和多源动载荷的识别进行数值对比研究,分析不同噪声水平和不同响应类型下的识别结果。接着,对悬臂梁上的正弦载荷识别进行了试验验证,并用多岛遗传优化方法对有限元模型进行修正,从而得到较准确的Green函数矩阵。（2）针对冲击载荷识别问题中的稀疏特性,利用冲击载荷与响应的卷积积分关系,基于传递矩阵,构造了冲击载荷的一般稀疏识别方程。然后,基于截断牛顿内点法的l1范数正则化技术求解识别的病态方程。同时,采用预条件共轭梯度算法计算l1范数正则化的搜索方向。通过板和比例车体结构的冲击载荷识别试验研究了识别方法的准确性,并将识别结果与Tikhonov正则化进行对比。（3）结合子结构技术,将本文所提出的Green函数法应用在三维的比例车体结构上,并用TSVD正则化技术处理识别问题的不适定性。利用所建立的比例车体结构周期性动载荷识别模型进行了数值仿真分析,对不同形式的周期性动载荷作用下该识别方法的有效性进行了研究。结果表明:对于周期性动载荷的识别问题,选择加速度信号作为输入响应,TSVD正则化技术识别周期动载荷的结果优于Tikhonov正则化,且整体的识别误差更低,相关系数更高;对于冲击载荷的识别,提出的l1范数正则化相比于Tikhonov正则化在识别冲击载荷时具有更强的抗噪性和鲁棒性。