Науковий вісник НГУ

Покращений метод аналізу головних компонент, заснований на подавленні шуму за допомогою вейвлет-перетворення, з метою ідентифікації модальних параметрів

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Інформаційні технології, системний аналіз та керування

Останнє оновлення: 04 серпня 2016

Опубліковано: 04 серпня 2016

Перегляди: 3371

Authors:

Хайсяо Чі, Університет Хуацяо, м. Сяминь, КНР

Фен Хоу, Університет Хуацяо, м. Сяминь, КНР

Цзунвень Фань, Університет Хуацяо, м. Сяминь, КНР

Ванпін Го, Університет Хуацяо, м. Сяминь, КНР

Мейчжень Чень, Університет Хуацяо, м. Сяминь, КНР

Abstract:

Мета. Точна ідентифікація модальних параметрів є важливою передумовою для моніторингу цілісності конструкцій і виявлення пошкоджень.

Методика. Вейвлет-аналіз є одним з найбільш вигідних методів, оскільки він володіє здатністю представляти локальні особливості сигналу у часовій і частотній областях. Ідентифікацію модальних параметрів, що ефективно досягається за допомогою аналізу головних компонент (PCA), можна розглядати як тип системного розпізнавання.

Результати. Оскільки метод аналізу головних компонент чутливий до Гаусового шуму при вимірах, у роботі пропонується новий метод комбінування подавлення шуму на основі вейвлет-перетворення з методом аналізу головних компонент, і застосовується ця техніка в ідентифікації модальних параметрів.

Наукова новизна. Сигнали піддаються розкладанню на вейвлети з декількома шарами, а отримані вейвлет-коефіцієнти заздалегідь обробляються у відповідності до порогового значення. Потім вони реконструюються зі зменшенням впливу шуму. Дослідження цього аспекту раніше не проводилися.

Практична значимість. Результати моделювання на прикладі балок показують, що запропонований метод здатний розпізнавати основні модальні форми та власні частоти. Крім того, він дозволяє покращувати точність виявлених модальних параметрів і вилучати деякі раніше упущені коливання.

Список літератури / References:

1. Khanmirza, E., Khaji, N. and Majd, V.J., 2011. Model updating of multi-storey shear buildings for simultaneous identification of mass, stiffness and damping matrices using two different soft-computing methods. Expert Systems with Applications, Vol. 38, No. 5, pp. 5320–5329.

2. Bakir, P.G., Eksioglu, E.M. and Alkan, S., 2012. Reliability analysis of the complex mode indicator function and Hilbert transform techniques for operational modal analysis. Expert Systems with Applications, Vol. 39, No. 18, pp. 13289–13294.

3. Wang, J., Barreto, A., Wang, L., Chen, Y., Rishe, N., Andrian, J. and Adjouadi, M., 2010. Multilinear principal component analysis for face recognition with fewer features. Neurocomputing, Vol. 73, No. 10–12, pp. 1550–1555.

4. Akhtar, M.T., Mitsuhashi, W. and James, C.J., 2012. Employing spatially constrained ICA and wavelet denoising, for automatic removal of artefacts from multichannel EEG data. Signal Processing, Vol. 92, No. 2, pp. 401–416.

03_2016_Haixiao
2016-07-29  451.8 KB  739

• Наступна >