目前大多數(shù)模型修正方法以頻率作為模型的響應(yīng),在某些情況下,模態(tài)參數(shù)的識別誤差比有限元模型建模誤差還要大。基于頻響函數(shù)的模型修正方法避開了結(jié)構(gòu)模態(tài)分析,且頻響函數(shù)能夠提供更多的數(shù)據(jù),它的每條曲線都可以作為目標函數(shù)來進行模型修正。同時,在模型修正過程中,使用代理模型替代有限元模型可減小計算量,是解決復(fù)雜工程結(jié)構(gòu)優(yōu)化問題的有效途徑之一�；诖�,本文首先研究了基于徑向基函數(shù)(Radial Basis Function,RBF)模型和頻響函數(shù)的模型修正方法,并與其他代理模型的修正精度和消耗時間進行對比。然后對頻響函數(shù)矩陣進行運算,把運算后的矩陣元素作為損傷響應(yīng),選用Kriging模型作為替代模型進行損傷識別。主要工作如下:簡述頻響函數(shù)和代理模型的相關(guān)理論。闡述了頻響函數(shù)作為輸出響應(yīng)的優(yōu)勢,介紹了頻響函數(shù)的具體理論,并對其測試時激勵點和測點選取原則的相關(guān)理論進行了介紹,最后對代理模型構(gòu)建步驟和理論進行介紹。結(jié)合RBF模型和頻響函數(shù)進行模型修正理論。針對模型修正迭代過程中調(diào)用有限元模型產(chǎn)生的大量計算成本問題,選用RBF模型替代有限元模型,加速度頻響函數(shù)作為輸出響應(yīng),并使用模態(tài)參與變異系數(shù)準則和模態(tài)動...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 有限元模型修正方法
        1.2.1 按結(jié)構(gòu)響應(yīng)分類的模型修正方法
        1.2.2 按修正對象分類的模型修正方法
        1.2.3 基于代理模型的模型修正方法
        1.2.4 基于頻響函數(shù)的模型修正方法
    1.3 基于模型修正的損傷識別
    1.4 主要研究內(nèi)容
2 頻響函數(shù)和代理模型理論
    2.1 頻響函數(shù)理論
        2.1.1 頻響函數(shù)的優(yōu)勢
        2.1.2 頻響函數(shù)概念
    2.2 激勵點和測點的選取
        2.2.1 激勵點的選取
        2.2.2 測點的選取
    2.3 代理模型理論
        2.3.1 構(gòu)建代理模型步驟
        2.3.2 常用的代理模型
    2.4 本章小結(jié)
3 基于徑向基函數(shù)模型和頻響函數(shù)的模型修正
    3.1 基于RBF模型和頻響函數(shù)的模型修正流程
    3.2 構(gòu)造樣本庫
    3.3 RBF模型構(gòu)造方法及參數(shù)優(yōu)選
    3.4 代理模型精度檢驗
    3.5 目標函數(shù)
    3.6 智能優(yōu)化算法
    3.7 數(shù)值算例
        3.7.1 激勵點與測點的選取
        3.7.2 試驗設(shè)計與初始樣本選取
        3.7.3 RBF模型的構(gòu)造及驗證
        3.7.4 天牛須算法
        3.7.5 模型修正
        3.7.6 對比驗證
    3.8 本章小結(jié)
4 基于Kriging模型和頻響函數(shù)的損傷識別
    4.1 損傷識別流程
    4.2 損傷參數(shù)
    4.3 損傷特征
    4.4 Kriging模型
    4.5 目標函數(shù)
    4.6 優(yōu)化算法
    4.7 算例
        4.7.1 懸臂梁模型
        4.7.2 損傷工況
        4.7.3 構(gòu)建Kriging模型
        4.7.4 識別結(jié)果及分析
    4.8 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻
攻讀學(xué)位期間的研究成果



本文編號：3868993