第11卷第3期2013年6月
中 国 工 程 机 械 学 报
CHINESEJOURNALOFCONSTRUCTION MACHINERY
Vol.11No.3
un.2013 J
某型起重机械低阶模态实测的传感器优化配置
张 氢,倪文锦,秦仙蓉,孙远韬
(同济大学机械与能源工程学院,上海 2)01804
摘要:为了在某型起重机械的低阶模态实测实验中获得较高质量的动力学信息,从参数识别的不确定性和多阶模态以信息熵和振型相关系数矩阵的最大非对角元两个优化准则给出优化目标函数,采用逐步累积的振型匹配两个角度,
算法,对现场实验传感器配置进行优化.另外在低阶模态振型矩阵中加入高阶模态,验证优化算法的有效性.关键词:起重机械;信息熵;振型相关系数;模态实测;优化配置
中图分类号:()O329 文献标志码:A 文章编号:1672-5581201303-0263-04
Otimalsensordelomentforlow-orderodalcranetestin -m ppyg
ZHANG NI Wen-Xian-ronSUN Yuan-taoinin,IN g,Qg,jQ
(,,)SchoolofMechanicalEnineerinToniUniversitShanhai201804,China gggjyg
:AbstractTheaerroosestoethiherualitdnamicsdataofon-sitecranemodaltest.Referrin ppppggqyyg
,theuncertaintofarametricidentificationandmultiordermodalmatchintheotimizationobectiveto - ypgpj functionisobtainedbalininformationentroandmodalassurancecriterion(MAC).Theonsite -yppygpy testsensorlacementisotimizedthrouhheuristicseuentialalorithm.Thevaliditofthealorithmis pgqgygp verifiedbaddinhihordermodalstothemodalshaematrix. - yggp
:;;;;lacementKewordscraneinformationentromodalassurancecriterionmodaltestotimalsensor ppypy 工业化发展进程的不断加快,大 随着城市化、
型起重机械在制造、建筑、运输等行业中的需求日益增长.为了保障起重机械作业过程中的安全和效率,需要改善其使用寿命和维护手段,这使得起重机械的可靠性优化设计、日常维护和监测显得尤为重要.由于起重机械多样的工作环境和复杂的作业载荷,使其结构的动力学特性在工程实践中受到重视,而传统的设计规范难以解决这一问题.相比动力学理论分析,对实际结构的动态响应数据进行分析更具有工程实践积累的价值和意义,因此结构模态实测是动力学问题较理想的研究手段.
在本文中某型起重机械低阶模态现场实验设计中,由于现场环境的限制,无法采用有线式传感而无线采集方式成本又太高,不器和数据采集仪,
能大量配置;除却试验条件和成本限制的因素,还要尽量使试验数据中的信息质量较高.这些问题的解决方法就是对传感器的数量与位置进行优化,即
在传感器配置优化问题中将信息熵作为目标对传感器进行优化配置.
PAPADIMITRIOU等1将结构参数识别的不
确定性引入传感器配置优化问题,通过建立系统概率模型,以其信息熵为目标函数,得到较优的试验方案.信息熵采用近似信息矩阵行列式值的范数描其优点是可以对不同传述测量数据包含的信息量,
感器数量的配置方案进行比较.而对于传感器配置方案的振型匹配问题,以振型相关系数(Modal
2
,修正目标函数.AssuranceCriterionMAC)
本文中的实验项目以信息熵优化和传统的
[][]
应用逐步累积序列算法进行传感器MAC为准则,
配置优化规划,并结合理论模态分析对结果进行讨论.
1 传感器配置信息熵准则理论
基金项目:国家自然科学基金资助项目();中央高校基本科研业务费专项资金资助项目()50975207,5107530420113145,20112548
作者简介:张 氢(,男,博士生导师,工学博士.:1967-)E-mailzhintoni.edu.cn@qggj
264
中 国 工 程 机 械 学 报第11卷
函数,先在理论建模中通过有限元和模型参数描述结构系统的动力学问题,再由动力学响应得到系统进而计算信息熵描述参数向量θ贝叶斯概率模型,
3]识别的指标[.
2 传感器配置优化目标函数
传感器配置的目的是得到关于实验对象信息测量数据所含的信息量越大,量最大的测量数据,
对于系统参数的识别越准确.从信息量的角度出发,求信息熵的最小值,来最大化信息量.故优化目标定义为在众多配置方案中选出信息熵指数最小最优方案设计问题按其特点是离散优化问的方案.
题,传感器的数量和位置为目标函数的变量.写为()inH(5δ δ,θσ0,0)p=m
式中:δp为最优传感器配置向量.
对大型结构动力学实验而言,不同数量和位置的传感器配置排列组合数目会达到天文级,故穷举搜索极端耗时,不适用于工程应用.为使优化快速收敛,需针对相关问题进行讨论.
本文讨论结构低阶模态实测,故参数向量为模态坐标q,即θ≡q∈Rn,n表示模态坐标q的阶数.响应向量x用x=Φθ表示,Φ为n阶模态的模
N×n7]
态振型矩阵,将信息矩阵Q写作[:.Φ∈R
N
()m;x(m;e(m;1θ)=Lθ)θ)+Ly(
式中:L为观测矩阵,L∈RN×N,θ为模型参数向量;由0和1组成,为系统RN×N为N阶方阵;m;θ)y (
…,输出响应向量,m为采样时间指数,m=1,2,为理论分析响应向量;为预测N;x(m;e(m;θ)θ)
2
误差,由零均值、σ方差的高斯概率密度函数组成,
σ为标准方差.
定义传感器配置向量δ∈RN,若第i自由度为测点,则δ反之为0;可得LT1,L=dia.δ)g(i=
根据系统响应数据D和预测误差e(概m;θ)量化参数θ识别的不确定性.由贝叶率密度函数,
斯理论及全概率公式,得到结构概率模型:θ)p(
/NN-1)2-(
J(D) p(θD) θ;πθ)=cθ([]o
()2
式中:c为规格化常数;J(D)=(m;-θ;∑‖θ)y(
m=1
2
/Lx(m;NNo为测量和分析响应间差值的度θ)‖)
为先验量·为2-范数,No为测点数量;πθ)θ(2
求解m得^概率分布.^inJ(D)θ;θ最优值;σ=θ2^为预测误差最优值;在方案设计时^J(D)θ;θ与^σ
2
无法取得,推导中用标称值θ0代替.0与σ
N
=θ,δ)δ)Q(q,≡Q (
j=1
∑δiΦΦ
T
()6
为了得到关于全局性的优化结果,引入 因此,
传统的振型相关系数MAC作为对振型向量正交性
j
符号为Mi,其表达式为的评价条件,MAC
概率密度函数p(指出结构模型参数的取值θ)以信息熵作为对结构参数θ预测的指标.存在或然性,
由信息熵定义式H(D)=-lnD)d∫θ θ|θ,p(p()
]4
得到相应的信息熵[当N→∞时,通过L.alace积分p
i()M7=TT
ΦiΦi)ΦjΦj)((
式中:由于测量自由Φi,Φj分别为Φ的i和j列.度远小于结构自由度,为了保证模态向量间的空间
ij
MAC
T2
近似展开得到信息熵数值表达式:
0
H(D)n=l+δ,πθ
ethδθ0()
/N2θ
[]5
NNo-1)-(
交角足够大,不至于丢失重要模态,要求MMAC矩阵
优化过程中,用M表示MMAC的非对角元素值较小.
矩阵的最大非对角元素值,作为另一优化目标,以获得相对较优配置方案.综合两个评价准则,得到最终的优化目标函数:
MMHHp1arin+δgδmp=MM
Hw(-Hp(δδ2)1)
MM
3MM
Mw(-Mp(δδ4)3)
o2
()nln3σπθ0-0)θ(
2
式中:为向量Nθ表示向量θ的元素数量;h(δ,θ0)
/-(NN-1)2
的H其近J(D)essian矩阵,θ关于[θ0;]o
2
似表示为Q(/即是Fisher信息δ,θσδ,θQ(0)0,0)
6]
以设计标称参数θ整理式矩阵[.σ0,0代替D,
]
()8
(),得信息熵的数值表达式:3
M
式中:δ为传感器数为M时的候选传感器配置;MM
为δM的信息熵值,为δM的振型相H(M(δ)δ)
MM
关系数矩阵最大非对角元;,分别Hp(Hw(δδ1)2)
M
为候选配置中信息熵最大值与最优值,,Mp(δ3)M
分别为候选配置中MMAC矩阵最大非对角Mw(δ4)M
)为各个值所元的最大值和最优值;i=1,2,3,4δi(
H(D)δ,δ,θσ=0,0)~H(
Nθln2 π+2[()
2
()lnndet4-σ δ,θQ(0]0)]2[
)凭借信息熵作为参数θ取值进行预测,5 式(
说明不同δ下信息熵值的变化趋势.
对应的配置.
第3期张 氢,等:某型起重机械低阶模态实测的传感器优化配置265
3 传感器优化配置数值结果
本文的实验对象是某港口岸边集装箱起重机(简称岸桥)结构总高7臂架总长1总重.5m,22m,由于其作业受实地风载影响较大,而风的1293t.
能量主要集中在低频区,卓越频段在1H故z以内,实验的目的是采集机械结构的低阶模态响应数据.
有限元建模中将岸桥看作空间杆系,由梁单元和杆单元建模.主体梁结构用B前后拉杆eam189,机器房、司机室等较大质量由M用Link8,ass21模拟,模型如图1所示.系统共有603个Beam189单元,8个Link8单元,10个Mass21单元,620个单
即有1取实验先验理论模态元节点,860个自由度. 见表1),候选测点如分析中小于1Hz的4阶模态(图1所示.在臂架5个横截面上沿轴向对称分布,监测1—4号测点位于前臂架,5—6号位于后臂架,
和臂架侧向(平动自由度,竖向(z向)7—10y向)号位于门腿与臂架相连段,监测臂架轴向(和x向)架侧向(平动自由度,共有2z向)0个测量自由度
.
图2 优化配置目标函数值
Fi2 Otimalresultofsensorlacemen
t g.pp
图1 岸桥有限元模型与候选测点
ointsFi1 Finiteelementmodelandcandidate pg.
表1 岸桥实测传感器优化配置的低阶模态Tab.1 Analticmodalfreuencofcrane yqy
阶次1 2 3 4
频率/Hz0.290.330.640.81
振 型臂架侧向一阶弯曲后门腿侧向一阶弯曲前后门腿轴向一阶弯曲臂架侧向二阶弯曲
图3 信息熵值和MAC矩阵最大非对角元值Fi3 InformationentrovalueandMACvalue g.py
4 传感器配置方案和分析
由传感器配置数值优化结果得到最终的配置方案,见表2.
结构侧向刚度较弱,实测的4阶模态振型中有因此13阶为侧向弯曲,0个测试自由度中前8个侧
向自由度是合理的.表2中的第3阶振型(见图4)以门腿的弯曲为主,而前后门腿的模态振型互有相关性,模态信息有所重叠,所以后两个测试自由度能够描述结构第3阶模态.
为了验证结构低阶模态实测传感器配置的合理性,在原4阶频率基础上添加臂架一阶竖向弯曲
见 传感器配置优化目标函数值的变化趋势(
图2)说明候选测点具有其合理性,而优化数值结果显示1信息熵值为0自由度时就已达到最优方案,从两个27.35,MAC矩阵最大非对角元值为0.37.评价指标的总体变化趋势来看(见图3),优化的数值结果可以满足工程实践上的需要
.
266
中 国 工 程 机 械 学 报第11卷
表2 低阶模态实测传感器优化配置方案lacement
Tab.2 Otimalsensor pp
表3 6阶模态实测传感器优化配置方案Tab.3 Otimalsensorlacement
pp
优化配置为目的,采用逐步序列算法,以信息熵和得到配置优化方案.通过MAC指数作为目标函数,
理论验证和工程应用分析得到以下结论:
()由于作为实验对象的起重机械的侧向动1刚度较差,模态振型多为侧向弯曲,从优化结果也显示了对侧向自由度的测量为数据采集的重点,而
图4 第3阶模态振型Fi4 Thethirdmodeshae g.p
一个竖向和对于第3阶门腿的轴向弯曲是线性的,一个轴向测量自由度就能满足现场实测要求;()为了验证优化结果,在低阶模态振型基础2
应用优化算上添加高阶模态形成新的振型矩阵,
法,得到不同的优化配置,可以从动力学的角度验证,增加的自由度数量和位置基本是合理的,从而证明优化算法和结果都是有效的.参考文献:
[1]APADIMITRIOUC,BECKJL,AUSK.Entrobased P -py
otimalsensorlocationforstructuralmodeludatinJ]. ppg[,():ofVibrationandControl2000,65781-800.Journal
[张令弥.一种基于Q2]R分解的逐步累积法传感器配 秦仙蓉,
]振动测试与诊断,():置[J.2001,213168-173.
,QINGXianronZHANGLinmi.Theforwardseuential gqsensorbasedonQRdecomosition[J].otimallacement ppp,,JournalofVibrationMeasurement&Dianosis2001,21 g():3168-173.
[3]ECKJL,KATAFYGIOTISLS.Udatinmodelsand B pg
—bncertaintiesaesiantatisticalramework[J].their u s fy,():JournalofEnineerinMechanics1998,1244455-461. gg
[3]APADIMITRIOUC. P
Otimal p
sensor
lacementp
methodoloorarametricdentificationftructural p i o sgy f[],:sstemsJ.JournalofSoundandVibration2004,278(4) y
923-947.
[4]LEISTEIN N,HANDELSMANR.Asmtoticexansions B ypp
[:,interalM].New YorkDoverPublication1986.for g[5]DIAFE.Methodoloforotimalsensorlocations UDWA gyp
[]forarameteridentificationindnamicsstemsJ.Journal pyy,():ofEnineerinMechanics1994,1202368-390. gg
[6]RDC,YAOL.Enhancementofonorbitmodal KAMME -
identificationfareacetructureshrouhensor o l s s t sgpg[],():J.JournalofSoundandVibration1994,1711lacement p
119-139.
模态和扭转模态(见图5),
得到新的模态矩阵.通过见表3)比优化算法得到的新的传感器优化配置(.
较表2和表3,为了识别高阶模态以及相应的模态信息,需要增加相关的自由度,说明此优化规划按实测要求能给出合理的结果.图4,实线表示5中,岸桥结构模态所对应的振型,虚线表示岸桥结构原始位置.
图5 第5阶与第6阶模态振型Fi5 Thefifthandsixmodeshae g.p
5 结论
本文以某型起重机械低阶模态试验的传感器
第11卷第3期2013年6月
中 国 工 程 机 械 学 报
CHINESEJOURNALOFCONSTRUCTION MACHINERY
Vol.11No.3
un.2013 J
某型起重机械低阶模态实测的传感器优化配置
张 氢,倪文锦,秦仙蓉,孙远韬
(同济大学机械与能源工程学院,上海 2)01804
摘要:为了在某型起重机械的低阶模态实测实验中获得较高质量的动力学信息,从参数识别的不确定性和多阶模态以信息熵和振型相关系数矩阵的最大非对角元两个优化准则给出优化目标函数,采用逐步累积的振型匹配两个角度,
算法,对现场实验传感器配置进行优化.另外在低阶模态振型矩阵中加入高阶模态,验证优化算法的有效性.关键词:起重机械;信息熵;振型相关系数;模态实测;优化配置
中图分类号:()O329 文献标志码:A 文章编号:1672-5581201303-0263-04
Otimalsensordelomentforlow-orderodalcranetestin -m ppyg
ZHANG NI Wen-Xian-ronSUN Yuan-taoinin,IN g,Qg,jQ
(,,)SchoolofMechanicalEnineerinToniUniversitShanhai201804,China gggjyg
:AbstractTheaerroosestoethiherualitdnamicsdataofon-sitecranemodaltest.Referrin ppppggqyyg
,theuncertaintofarametricidentificationandmultiordermodalmatchintheotimizationobectiveto - ypgpj functionisobtainedbalininformationentroandmodalassurancecriterion(MAC).Theonsite -yppygpy testsensorlacementisotimizedthrouhheuristicseuentialalorithm.Thevaliditofthealorithmis pgqgygp verifiedbaddinhihordermodalstothemodalshaematrix. - yggp
:;;;;lacementKewordscraneinformationentromodalassurancecriterionmodaltestotimalsensor ppypy 工业化发展进程的不断加快,大 随着城市化、
型起重机械在制造、建筑、运输等行业中的需求日益增长.为了保障起重机械作业过程中的安全和效率,需要改善其使用寿命和维护手段,这使得起重机械的可靠性优化设计、日常维护和监测显得尤为重要.由于起重机械多样的工作环境和复杂的作业载荷,使其结构的动力学特性在工程实践中受到重视,而传统的设计规范难以解决这一问题.相比动力学理论分析,对实际结构的动态响应数据进行分析更具有工程实践积累的价值和意义,因此结构模态实测是动力学问题较理想的研究手段.
在本文中某型起重机械低阶模态现场实验设计中,由于现场环境的限制,无法采用有线式传感而无线采集方式成本又太高,不器和数据采集仪,
能大量配置;除却试验条件和成本限制的因素,还要尽量使试验数据中的信息质量较高.这些问题的解决方法就是对传感器的数量与位置进行优化,即
在传感器配置优化问题中将信息熵作为目标对传感器进行优化配置.
PAPADIMITRIOU等1将结构参数识别的不
确定性引入传感器配置优化问题,通过建立系统概率模型,以其信息熵为目标函数,得到较优的试验方案.信息熵采用近似信息矩阵行列式值的范数描其优点是可以对不同传述测量数据包含的信息量,
感器数量的配置方案进行比较.而对于传感器配置方案的振型匹配问题,以振型相关系数(Modal
2
,修正目标函数.AssuranceCriterionMAC)
本文中的实验项目以信息熵优化和传统的
[][]
应用逐步累积序列算法进行传感器MAC为准则,
配置优化规划,并结合理论模态分析对结果进行讨论.
1 传感器配置信息熵准则理论
基金项目:国家自然科学基金资助项目();中央高校基本科研业务费专项资金资助项目()50975207,5107530420113145,20112548
作者简介:张 氢(,男,博士生导师,工学博士.:1967-)E-mailzhintoni.edu.cn@qggj
264
中 国 工 程 机 械 学 报第11卷
函数,先在理论建模中通过有限元和模型参数描述结构系统的动力学问题,再由动力学响应得到系统进而计算信息熵描述参数向量θ贝叶斯概率模型,
3]识别的指标[.
2 传感器配置优化目标函数
传感器配置的目的是得到关于实验对象信息测量数据所含的信息量越大,量最大的测量数据,
对于系统参数的识别越准确.从信息量的角度出发,求信息熵的最小值,来最大化信息量.故优化目标定义为在众多配置方案中选出信息熵指数最小最优方案设计问题按其特点是离散优化问的方案.
题,传感器的数量和位置为目标函数的变量.写为()inH(5δ δ,θσ0,0)p=m
式中:δp为最优传感器配置向量.
对大型结构动力学实验而言,不同数量和位置的传感器配置排列组合数目会达到天文级,故穷举搜索极端耗时,不适用于工程应用.为使优化快速收敛,需针对相关问题进行讨论.
本文讨论结构低阶模态实测,故参数向量为模态坐标q,即θ≡q∈Rn,n表示模态坐标q的阶数.响应向量x用x=Φθ表示,Φ为n阶模态的模
N×n7]
态振型矩阵,将信息矩阵Q写作[:.Φ∈R
N
()m;x(m;e(m;1θ)=Lθ)θ)+Ly(
式中:L为观测矩阵,L∈RN×N,θ为模型参数向量;由0和1组成,为系统RN×N为N阶方阵;m;θ)y (
…,输出响应向量,m为采样时间指数,m=1,2,为理论分析响应向量;为预测N;x(m;e(m;θ)θ)
2
误差,由零均值、σ方差的高斯概率密度函数组成,
σ为标准方差.
定义传感器配置向量δ∈RN,若第i自由度为测点,则δ反之为0;可得LT1,L=dia.δ)g(i=
根据系统响应数据D和预测误差e(概m;θ)量化参数θ识别的不确定性.由贝叶率密度函数,
斯理论及全概率公式,得到结构概率模型:θ)p(
/NN-1)2-(
J(D) p(θD) θ;πθ)=cθ([]o
()2
式中:c为规格化常数;J(D)=(m;-θ;∑‖θ)y(
m=1
2
/Lx(m;NNo为测量和分析响应间差值的度θ)‖)
为先验量·为2-范数,No为测点数量;πθ)θ(2
求解m得^概率分布.^inJ(D)θ;θ最优值;σ=θ2^为预测误差最优值;在方案设计时^J(D)θ;θ与^σ
2
无法取得,推导中用标称值θ0代替.0与σ
N
=θ,δ)δ)Q(q,≡Q (
j=1
∑δiΦΦ
T
()6
为了得到关于全局性的优化结果,引入 因此,
传统的振型相关系数MAC作为对振型向量正交性
j
符号为Mi,其表达式为的评价条件,MAC
概率密度函数p(指出结构模型参数的取值θ)以信息熵作为对结构参数θ预测的指标.存在或然性,
由信息熵定义式H(D)=-lnD)d∫θ θ|θ,p(p()
]4
得到相应的信息熵[当N→∞时,通过L.alace积分p
i()M7=TT
ΦiΦi)ΦjΦj)((
式中:由于测量自由Φi,Φj分别为Φ的i和j列.度远小于结构自由度,为了保证模态向量间的空间
ij
MAC
T2
近似展开得到信息熵数值表达式:
0
H(D)n=l+δ,πθ
ethδθ0()
/N2θ
[]5
NNo-1)-(
交角足够大,不至于丢失重要模态,要求MMAC矩阵
优化过程中,用M表示MMAC的非对角元素值较小.
矩阵的最大非对角元素值,作为另一优化目标,以获得相对较优配置方案.综合两个评价准则,得到最终的优化目标函数:
MMHHp1arin+δgδmp=MM
Hw(-Hp(δδ2)1)
MM
3MM
Mw(-Mp(δδ4)3)
o2
()nln3σπθ0-0)θ(
2
式中:为向量Nθ表示向量θ的元素数量;h(δ,θ0)
/-(NN-1)2
的H其近J(D)essian矩阵,θ关于[θ0;]o
2
似表示为Q(/即是Fisher信息δ,θσδ,θQ(0)0,0)
6]
以设计标称参数θ整理式矩阵[.σ0,0代替D,
]
()8
(),得信息熵的数值表达式:3
M
式中:δ为传感器数为M时的候选传感器配置;MM
为δM的信息熵值,为δM的振型相H(M(δ)δ)
MM
关系数矩阵最大非对角元;,分别Hp(Hw(δδ1)2)
M
为候选配置中信息熵最大值与最优值,,Mp(δ3)M
分别为候选配置中MMAC矩阵最大非对角Mw(δ4)M
)为各个值所元的最大值和最优值;i=1,2,3,4δi(
H(D)δ,δ,θσ=0,0)~H(
Nθln2 π+2[()
2
()lnndet4-σ δ,θQ(0]0)]2[
)凭借信息熵作为参数θ取值进行预测,5 式(
说明不同δ下信息熵值的变化趋势.
对应的配置.
第3期张 氢,等:某型起重机械低阶模态实测的传感器优化配置265
3 传感器优化配置数值结果
本文的实验对象是某港口岸边集装箱起重机(简称岸桥)结构总高7臂架总长1总重.5m,22m,由于其作业受实地风载影响较大,而风的1293t.
能量主要集中在低频区,卓越频段在1H故z以内,实验的目的是采集机械结构的低阶模态响应数据.
有限元建模中将岸桥看作空间杆系,由梁单元和杆单元建模.主体梁结构用B前后拉杆eam189,机器房、司机室等较大质量由M用Link8,ass21模拟,模型如图1所示.系统共有603个Beam189单元,8个Link8单元,10个Mass21单元,620个单
即有1取实验先验理论模态元节点,860个自由度. 见表1),候选测点如分析中小于1Hz的4阶模态(图1所示.在臂架5个横截面上沿轴向对称分布,监测1—4号测点位于前臂架,5—6号位于后臂架,
和臂架侧向(平动自由度,竖向(z向)7—10y向)号位于门腿与臂架相连段,监测臂架轴向(和x向)架侧向(平动自由度,共有2z向)0个测量自由度
.
图2 优化配置目标函数值
Fi2 Otimalresultofsensorlacemen
t g.pp
图1 岸桥有限元模型与候选测点
ointsFi1 Finiteelementmodelandcandidate pg.
表1 岸桥实测传感器优化配置的低阶模态Tab.1 Analticmodalfreuencofcrane yqy
阶次1 2 3 4
频率/Hz0.290.330.640.81
振 型臂架侧向一阶弯曲后门腿侧向一阶弯曲前后门腿轴向一阶弯曲臂架侧向二阶弯曲
图3 信息熵值和MAC矩阵最大非对角元值Fi3 InformationentrovalueandMACvalue g.py
4 传感器配置方案和分析
由传感器配置数值优化结果得到最终的配置方案,见表2.
结构侧向刚度较弱,实测的4阶模态振型中有因此13阶为侧向弯曲,0个测试自由度中前8个侧
向自由度是合理的.表2中的第3阶振型(见图4)以门腿的弯曲为主,而前后门腿的模态振型互有相关性,模态信息有所重叠,所以后两个测试自由度能够描述结构第3阶模态.
为了验证结构低阶模态实测传感器配置的合理性,在原4阶频率基础上添加臂架一阶竖向弯曲
见 传感器配置优化目标函数值的变化趋势(
图2)说明候选测点具有其合理性,而优化数值结果显示1信息熵值为0自由度时就已达到最优方案,从两个27.35,MAC矩阵最大非对角元值为0.37.评价指标的总体变化趋势来看(见图3),优化的数值结果可以满足工程实践上的需要
.
266
中 国 工 程 机 械 学 报第11卷
表2 低阶模态实测传感器优化配置方案lacement
Tab.2 Otimalsensor pp
表3 6阶模态实测传感器优化配置方案Tab.3 Otimalsensorlacement
pp
优化配置为目的,采用逐步序列算法,以信息熵和得到配置优化方案.通过MAC指数作为目标函数,
理论验证和工程应用分析得到以下结论:
()由于作为实验对象的起重机械的侧向动1刚度较差,模态振型多为侧向弯曲,从优化结果也显示了对侧向自由度的测量为数据采集的重点,而
图4 第3阶模态振型Fi4 Thethirdmodeshae g.p
一个竖向和对于第3阶门腿的轴向弯曲是线性的,一个轴向测量自由度就能满足现场实测要求;()为了验证优化结果,在低阶模态振型基础2
应用优化算上添加高阶模态形成新的振型矩阵,
法,得到不同的优化配置,可以从动力学的角度验证,增加的自由度数量和位置基本是合理的,从而证明优化算法和结果都是有效的.参考文献:
[1]APADIMITRIOUC,BECKJL,AUSK.Entrobased P -py
otimalsensorlocationforstructuralmodeludatinJ]. ppg[,():ofVibrationandControl2000,65781-800.Journal
[张令弥.一种基于Q2]R分解的逐步累积法传感器配 秦仙蓉,
]振动测试与诊断,():置[J.2001,213168-173.
,QINGXianronZHANGLinmi.Theforwardseuential gqsensorbasedonQRdecomosition[J].otimallacement ppp,,JournalofVibrationMeasurement&Dianosis2001,21 g():3168-173.
[3]ECKJL,KATAFYGIOTISLS.Udatinmodelsand B pg
—bncertaintiesaesiantatisticalramework[J].their u s fy,():JournalofEnineerinMechanics1998,1244455-461. gg
[3]APADIMITRIOUC. P
Otimal p
sensor
lacementp
methodoloorarametricdentificationftructural p i o sgy f[],:sstemsJ.JournalofSoundandVibration2004,278(4) y
923-947.
[4]LEISTEIN N,HANDELSMANR.Asmtoticexansions B ypp
[:,interalM].New YorkDoverPublication1986.for g[5]DIAFE.Methodoloforotimalsensorlocations UDWA gyp
[]forarameteridentificationindnamicsstemsJ.Journal pyy,():ofEnineerinMechanics1994,1202368-390. gg
[6]RDC,YAOL.Enhancementofonorbitmodal KAMME -
identificationfareacetructureshrouhensor o l s s t sgpg[],():J.JournalofSoundandVibration1994,1711lacement p
119-139.
模态和扭转模态(见图5),
得到新的模态矩阵.通过见表3)比优化算法得到的新的传感器优化配置(.
较表2和表3,为了识别高阶模态以及相应的模态信息,需要增加相关的自由度,说明此优化规划按实测要求能给出合理的结果.图4,实线表示5中,岸桥结构模态所对应的振型,虚线表示岸桥结构原始位置.
图5 第5阶与第6阶模态振型Fi5 Thefifthandsixmodeshae g.p
5 结论
本文以某型起重机械低阶模态试验的传感器