CN116186495B 基于完备模态分解和随机森林响应面拟合的结构参数求解方法 （南京航空航天大学）

基于完备模态分解和随机森林响应面拟合本发明公开了一种基于完备模态分解和随最小频率差，设计频率重叠准则并结合VMD确定分解分量数K，将获得的K个IMF分量和残差项在重构后的信号利用变速GWO算法结合FIR带通滤明能够在强噪声以及存在密集模态的环境中高精度的识别出模态结构参数，提升算法的准确21.一种基于完备模态分解和随机森林响应面拟合的结构参数求解方法，其特征在于，步骤S1、获取结构主频数估计值和自振频率估计值，根步骤S2、基于步骤S1获得的相邻频率最小频率差构造步骤S3、基于步骤S2获得的最优分量数值K对原始模态信步骤S4、将步骤S3获得的降噪重构信号利用变速GWO算法步骤S5、基于步骤S4获得的最优分割频率获取单模步骤S6、基于步骤S5获得的模态频率，利用随机森林拟将基于有限元软件Patran计算得到的μ组结构不同弹性模量和泊松比下模态仿真结果构成数据集Θ,并利用随机森林算法以弹性模量和泊松比为横坐标，模态频率为纵坐标对(3)依据均方误差最小原则对回归树中的节点分裂至无法进一步分裂，重复该操作生(4)构建一系列独立同分布的决策树并进行投票确定样本最终类别，获得的预测结果(5)基于随机森林模型以结构弹性模量和泊松比为横坐标，模态频率为纵坐标拟合响步骤S602、基于步骤S5获得的模态频率和步骤S601拟合的响应面以及实验模态结果，32.根据权利要求1所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求步骤S101、利用自回归功率谱AR模型结合自动峰值拾取算法获取结构主频数估计值3.根据权利要求1所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求在约束条件为各本征模态函数之和等于原始输入信号y(t)的情况下，寻求k个本征模k4取符合阈值要求的所有分量个数K中最大值作为最优V4.根据权利要求1所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求分解获得的K个IMF分量和残差项在内的K+1个分量分别利用S5.根据权利要求1所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求步骤S401、将步骤S3获得的降噪重构信号利用变速GWO算备划分；基于步骤S2获得的结构主频数n*和对应的自振频率估计值建立变速基于式(9)分别根据前n*_1阶左右截止频率利用FIR带通滤波器进行滤波并根据变速待前n*_1阶左右截止频率及其对应的单模态时域信号确定后，第n*阶单模态时域信号5VSGWO1＝random(0,1)，rVSGWO2＝random(0,1)和rVSGWO3＝random(0,1)分别是随机数；优化目标函数设置综合考虑相关系数、互近似熵和包6.根据权利要求5所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求基于式(16)和式(17)的结果把每一行斜线求与的结果累加后求取平均值，即得到p'(rv)和p3(ry):进一步得到互近似熵公式如下：ry)=p'(r)-p'(ry)(18)67.根据权利要求6所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求和β分别为待评价数据维数和评价指标数；7越接近1表示样本评分越好。8.根据权利要求1所述的一种基于完备模态分解和随机森林响应面拟合的结构参数求d8[0002]模态参数识别是研究系统固有动态特性的重要手段，模态参数主要包括模态频[0003]采用时频域法并结合优化算法的完备模态分解可以显著提高在考虑强噪声和密[0006]一种基于完备模态分解和随机森林响应面拟合的结构参数求解方法，该方法包9[0017]步骤S102、根据频谱图估计频率分割范围和相邻频率最小频率差频率；δ(t)为狄拉克分布；为对时间的导数；*为卷积运算；为向量的L2范数；[0029]步骤S202、基于步骤S1获得的相邻频率最小频率差构造频率重叠准则及其阈[0035]步骤S301、基于步骤S2获得的最优VMD分解分量个数K对将VMD分解获得的K个IMF分量和残差项在内的K+1个分量分别利用SVD进行行完备划分；基于步骤S2获得的结构主频数n*和对应的自振频率估计值建立变速GWO优化参数为D-[D,D……D],其中Di＝[di1,di2]为第i阶模态的左右分割频率，i[0040]基于式(9)分别根据前n*_1阶左右截止频率利用FIR带通滤波器进行滤波并根据变速GWO算法的优化目标函数确定对应的最优n和im分别表示第in和im个数据点，且in＝1,p'(ry)和p'(rv):进一步得到互近似熵公式如下：ry)=p'(ry)-p'(ry)(18)[0070]计算概率矩阵P中的每一个元素B.如下：[0090]当外部激励fkd(t)作用域系统kd点时，第ip点和第jp点相应的互相关函数计算如[0094]将基于有限元软件Patran计算得到的μ组结构不同弹性模量和泊松比下模态仿真结果构成数据集Θ,并利用随机森林算法以弹性模量和泊松比为横坐标，模态频率为纵坐[0098](3)依据均方误差最小原则对回归树中的节点分裂至无法进一步分裂，重复该操[0099](4)构建一系列独立同分布的决策树并进行投票确定样本最终类别，获得的预测[0102](5)基于随机森林模型以结构弹性模量和泊松比为横坐标，模态频率为纵坐标拟IMF分量和残差项分别利用SVD进行降噪处理，可以有效避免由于VMD分解残差项存在造成[0108]4、本发明利用将传统粒子群优化算法的速度分量引入到灰狼优化算法中形成变速GWO优化算法，结合了灰狼优化算法的局部搜索能力强的优点和粒子群优化算法收敛速[0111]图1为实施例1中提供的基于完备模态分解和随机森林响应面拟合的结构参数求[0118]图8为实施例1中提供的基于最优分割频率获得的第一阶模态衰减信号及功率谱[0119]图9为实施例1中提供的基于最优分割频率获得的第二阶模态衰减信号及功率谱[0120]图10为实施例1中提供的基于最优分割频率获得的第三阶模态衰减信号及功率谱[0121]图11为实施例1中提供的基于最优分割频率获得的第四阶模态衰减信号及功率谱[0122]图12为实施例1中提供的基于最优分割频率获得的第五阶模态衰减信号及功率谱[0123]图13为实施例1中提供的基于最优分割频率获得的第六阶模态衰减信号及功率谱和自振频率估计值根据频谱图估计频率分割范围和相邻频率和[0133]步骤S102、根据频谱图估计频率分割范围和相邻频率最小频率差取符合阈值要求的所有分量个数K中最大值作为最优VMD分解分量个数；根据图4中a可知，234567801119723456789得的K个IMF分量和残差项在内的K+1个分量分别利用SVD进行降噪处理，选择SVD降噪有效对Hm进行奇异值分解得到：Hm12前r阶奇异值对应的矩阵分量进行逆运算得到Hm的最佳逼近矩阵i.,将矩阵中的反对角综合考虑残差信号可以有效避免模态丢失现象并获得较好的去噪效果，对比结果如表4所行完备划分；基于步骤S2可以获得结构主频数为n*和自振频率估计值建立变[0177]基于式(12)分别根据前n*_1阶左右截止频率利用FIR带通滤波器进行滤波并根据[0183]变速GWO算法结合灰狼优化算法的局部搜索能力强的优点和粒子群优化算法收敛[0186]基于变速GWO的优化目标函数优化过程如图7所示，不同模态的优化数值如表5所123456mj*到p'(rv)和p'(ry):进一步可得互近似熵公式如ry)=p'(ry)-p'(ry)(22)[0229]步骤S5、基于步骤S4获得的最优分割频率获取完备模态衰减信号yi(t)(i＝1,12345123456[0245]对基于Patran计算得到的μ组模态仿真结果数据集Θ进行拟合，并结合实验模态[0249](3)依据均方误差最小原则对回归树中的节点分裂至无法进一步分裂，重复该操[0250](4)构建一系列独立同分布的决策树并进行投票确定样本最终类别，获得的预测[0253](5)基于随机森林模型以结构弹性模量和泊松比为横坐标，