利索能及
我要发布
收藏
专利号: 2025103667231
申请人: 宜宾西南大学研究院
专利类型:发明专利
专利状态:已下证
更新日期:2026-08-19
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于MCKF和DBSCAN的改进随机子空间识别方法,其特征在于,包括MCKF降噪预处理模块、COV‑SSI辨识模块和DBSCAN聚类后处理模块,包括以下步骤:S1、利用所述COV‑SSI辨识模块直接分析测量响应信号,估计出MCKF的初始系统状态矩阵F和测量矩阵H;具体为:S11、根据测量响应信号 ,通过输出协方差矩阵构造出Toeplitz矩阵: (1)

其中, 、 分别表示Toeplitz矩阵和输出协方差矩阵;式中 ,其中 、分别表示测量响应信号的总时刻和 时刻测量响应信号;

S12、使用奇异值分解来分解Toeplitz矩阵,即: (2)

式中 和 是正交归一化矩阵;

S13、根据奇异值分解结果,构造扩展可观测矩阵 和可控性矩阵 表述为: (3)

式中 为非奇异矩阵;

S14、通过扩展可观测矩阵 和可控性矩阵 ,计算初始系统状态矩阵 和测量矩阵通过 获得,即: (4)

其中,表示输出通道数;式中符号 表示伪逆;

S2、在所述MCKF降噪预处理模块中设置MCKF的参数,包括初始估计状态、初始误差协方差矩阵、过程噪声协方差矩阵和测量噪声协方差矩阵,然后利用MCKF降噪预处理模块实现所述步骤S1测量响应信号中测量噪声的降低;

S3、采用所述COV‑SSI辨识模块识别结构参数,如系统的模态频率和阻尼比,基于所述步骤S2预处理后的测量响应信号,根据所述步骤S1中公式1‑4重新计算系统状态矩阵 和测量矩阵 ;

S4、采用DBSCAN聚类后处理模块对所述步骤S3识别的结果进行聚类。

2.如权利要求1所述的一种基于MCKF和DBSCAN的改进随机子空间识别方法,其特征在于,所述步骤S1还包括:对于任意一个具有 自由度的系统而言,其动态运动过程通过以下所给出的离散状态空间模型来进行描述: (17)

式中 为时间点 的离散状态向量, 表示时间点 的离散输出向量, 表示为时间点k+1的离散状态向量、 、 表示 和 与 分别相乘; 和 分别表示为过程噪声和输出噪声,其中它们的协方差矩阵定义为: (18)

式中 表示取期望值的操作; 是Kronecker delta函数;和 是任意两个时间点;

过程噪声协方差矩阵 是一个非负定矩阵,观测噪声协方差矩阵 是一个正定矩阵;

Hankel矩阵表示为:

(19)

式中 表示 时刻不同传感器的输出信号;Hankel矩阵表示为两个分量的除法,即 和 ,其中下标 和 分别表示‘过去’和‘将来’。

3.如权利要求1所述的一种基于MCKF和DBSCAN的改进随机子空间识别方法,其特征在于,所述步骤S2包括以下步骤: S21、计算先验状态和协方差矩阵:先验状态 和协方差矩阵 由以下公式计算得出: (5)

式中 和 分别表示时刻 的估计状态和协方差矩阵, 表示时刻 处的过程噪声协方差矩阵;

S22、更新估计状态:初始估计状态 和初始协方差矩阵 分别设置为0和I,根据测得的响应信号 更新估计状态 ;

(6)

(7)

其中 表示卡尔曼增益矩阵;公式(7)中的 和 表示为: (8)

式中 和 分别通过对先验协方差矩阵 和测量噪声协方差矩阵 在时间步处进行Cholesky分解获得; 和 由以下方程定义的对角矩阵: (9)

(10)

式中 表示核带宽为 的高斯核函数; 和 分别表示 的第 个元素和的第 行; 和 的表达式为:

(11)

可以通过实现 的Cholesky 分解来获得;

S23、更新估计状态:估计状态 通过迭代求解方程组公式6‑ 11确定,接着,后验误差协方差 由以下方程更新: (12)

S24、迭代求解:通过所述公式5‑ 12迭代求解,MCKF 实现了响应信号 中测量噪声的提取。

4.如权利要求1所述的一种基于MCKF和DBSCAN的改进随机子空间识别方法,其特征在于,所述步骤S3具体为:离散时间特征值 和模态形状 定义为: (13)

式中 是对应于特征值 的特征向量;在此基础上,系统矩阵的连续时间极点由下式给出: (14)

式中 表示采样时间间隔, 表示系统矩阵的连续时间极点;

根据公式14,计算系统的模态频率 和阻尼比 表述为: (15)

(16)。

5.如权利要求1所述的一种基于MCKF和DBSCAN的改进随机子空间识别方法,其特征在于,所述步骤S4包括以下步骤:S41、对COV‑SSI辨识模块识别的频率和阻尼数据进行预处理、归一化处理,并确保数据满足以下两个条件:a)物理模态的阻尼比必须为正;b)实际应用中极少出现阻尼比超过10%的高阻尼模态;

S42、设置DBSCAN的参数,包括邻域半径ε和最小聚类数MinPts;选择一个未访问的频率和阻尼数据点;

S43、计算其ε邻域内的数据点数量,若数量大于或等于MinPts,则标记为核心对象;否则,标记为噪声点;

S44、利用密度可访问性从核心对象扩展集群;

S45、重复上述步骤S3‑S4,直至无法扩展;

S46、将所有未访问点标记为噪声;

S47、每个集群由频率和阻尼核心点及其可到达点组成;然后,通过每个集群获得确定的模态频率和阻尼比。