改進(jìn)的擴(kuò)展卡爾曼濾波和粒子濾波在時變結(jié)構(gòu)系統(tǒng)識別與損傷在線診斷的研究.pdf

1、結(jié)構(gòu)損傷診斷是結(jié)構(gòu)健康監(jiān)測中一項具有挑戰(zhàn)但是有非常重要的環(huán)節(jié)，尤其在實時的在線結(jié)構(gòu)損傷診斷領(lǐng)域。通過對結(jié)構(gòu)某些重要參數(shù)，如剛度的識別，系統(tǒng)識別是一種很直接又很方便的方法來監(jiān)測結(jié)構(gòu)損傷。基于振動響應(yīng)數(shù)據(jù)，迭代的擴(kuò)展卡爾曼濾波算法在系統(tǒng)識別中有著廣泛的應(yīng)用，并有著很好的識別精度與收斂速度.但是擴(kuò)展卡爾曼濾波算法自身還有著一些局限性:一是為了獲得最優(yōu)的參數(shù)估計，擴(kuò)展卡爾曼濾波需要對其中的幾個參數(shù)有著準(zhǔn)確設(shè)定，例如初始狀態(tài)矩陣和測量噪聲協(xié)方差矩

2、陣;另一個局限性是當(dāng)面對時變系統(tǒng)是，傳統(tǒng)擴(kuò)展卡爾曼濾波未能很好地跟蹤參數(shù)的變化。
　　在這篇碩士論文中，本文提出了將移動平均技術(shù)和卡爾曼濾波算法相結(jié)合，使得在卡爾曼濾波進(jìn)行中可以用一個移動的窗口實時迭代更新測量噪聲協(xié)方差矩陣。在傳統(tǒng)擴(kuò)展卡爾曼濾波中，測量噪聲協(xié)方差矩陣通常假設(shè)成常數(shù)，與其不同的是，這種結(jié)合的改進(jìn)算法使得濾波有更好的魯棒性。通過兩個數(shù)值算例，驗證改進(jìn)的算法能夠有效地更新測量噪聲協(xié)方差矩陣并且增強(qiáng)了算法的魯棒性。除此之

3、外，本文同時還提出了一個變化的遺忘因子來克服傳統(tǒng)卡爾曼濾波不能識別時變系統(tǒng)的問題。通過一種上下閡值的設(shè)定，使得算法中的一個參數(shù)（估計誤差協(xié)方差矩陣）被限定在了這個“帶”中，改進(jìn)的擴(kuò)展卡爾曼濾波可以很有效地追蹤系統(tǒng)參數(shù)的變化。通過一個六層剪切框架的模型，期間受到了剛度的突變和剛度的漸變，被提出的方法被證實具有良好的參數(shù)跟蹤效果，即使是在測量噪聲高及有限觀測的數(shù)據(jù)的情況下。最后，將改進(jìn)的算法運用于一個三層的剪切鋼框架模型中。這個鋼框架模型受

4、到了一個下落錘子的突然撞擊，導(dǎo)致第一層結(jié)構(gòu)受到突然的損傷，其剛度驟減。改進(jìn)的方法很好地追蹤了這個結(jié)構(gòu)損傷的變化并估計了測量噪聲協(xié)方差矩陣，準(zhǔn)確地識別了結(jié)構(gòu)的損傷程度和損傷發(fā)生的時間。
　　對于擴(kuò)展卡爾曼濾波的另一個局限性---難以識別強(qiáng)非線性或者有著非高斯分布噪聲的系統(tǒng)，本文選擇使用粒子濾波來克服這個困難。在傳統(tǒng)擴(kuò)展卡爾曼濾波中，估計參數(shù)的分布假定為高斯分布。與其不同的是，粒子濾波基于序列的重要性采樣，通過采樣粒子來模擬所關(guān)心的參