elm具体实现过程_基于白噪声激励的模态参数识别方法——具体实现过程

具体实现过程

上述模态参数识别算法的具体实现过程如图3-1所示分三步：数据前处理（包括 NExT）、ERA 核心识别算法和识别后处理。

1 识别虚假模态的方法

由于噪声干扰及功率谱计算误差的存在，造成在非结构频点对应的位置出现小峰值，导致 ERA 算法也将其识别出来，我们将这种模态称为虚假模态。根据虚假模态的特点，本章采用以下方法进行处理。

1.1 求解功率谱时增大平均次数及适当设置重叠宽度

这一方法可以使功率谱更加平滑，但这样做有时能量较低且较密集模态对应的频率点峰值将消失，造成模态丢失，但好在我们所关系的基本为低阶模态，而一般来讲，低阶模态对应的能量都很大，所以影响还不是很大。但当固定采样点数时，增加平均次数将降低分段序列的长度，这势必要增加功率泄漏效应。可以适当增加响应数据点数来提高功率谱估计的精度。

在本章的仿真分析中，一次功率谱估计所用响应数据点数为 4096 点，分段序列的长度取 512 点，重叠宽度取 384 点，经仿真分析，这样计算出来的功率谱既增加了功率谱的平滑程度，又不会淹没低能量的模态，仿真识别的效果较好。

在真实结构识别时，要充分利用此真实结构的有限元模型来大概估计可能出现的模态。在正式识别之前，要进行试验性的识别工作，以确定各参数配置。一般在分段序列长度由大到小的几组情况下分别进行识别，通过观察识别效果和功率谱曲线来确定分段序列的长度。无可否认，这种方式需要经验，带有一定的主观性。

1.2 利用识别出的阻尼比去除虚假模态

阻尼比可以用于剔除虚假模态。仿真过程中发现，虚假模态对应的阻尼比都很大，一部分接近于 1，所以可以将阻尼比大于一定阀值的模态视为虚假模态并将其去除。阀值大小一般取 0.1，即阻尼比大于 10%的模态都将被视为虚假模态而被去除。

《来源科技文献，经本人分析整理，以技术会友，广交天下朋友》