导读:本文包含了模态辨识论文开题报告文献综述及选题提纲参考文献，主要关键词:低频振荡,模态辨识,经验模态分解,矩阵束
模态辨识论文文献综述
沈钟婷,丁仁杰[1]（2019）在《基于改进EMD去噪和矩阵束的电力系统低频振荡模态辨识》一文中研究指出提出了一种电力系统低频振荡模态辨识方法.首先使用改进的经验模态分解(empirical mode decomposition, EMD)去噪算法对低频振荡信号进行预处理.针对传统EMD去噪时混迭噪声严重和计算时间较长的问题,在区间阈值处理的基础上向信号迭加余弦波并进行二次分解,可以快速有效地实现信噪分离.随后再利用矩阵束(matrix pencil,MP)算法提取模态参数.对于MP算法的关键定阶问题,引入奇异值的相对差值作为定阶指标,可以实现较为准确的阶数估计.最后对数值信号、系统仿真信号和电网实测信号进行分析.仿真结果表明,所提方法在抗噪能力、参数精度和计算速度等方面都表现优异.(本文来源于《应用科学学报》期刊2019年06期）
赵峰,吴梦娣[2]（2019）在《EEMD-RobustICA和Prony算法在电力系统低频振荡模态辨识中的应用》一文中研究指出针对互联电网低频振荡辨识过程中Prony算法对噪声敏感的问题,该文将总体经验模态分解法、鲁棒性独立分量分析方法与Prony进行有机结合,运用到关键振荡模式辨识中。将待处理信号进行总体经验模态分解后得到的本征模态函数作为鲁棒性独立分量分析算法的输入,对得到的独立分量进行软阈值去噪后进行反变换得到重构后的本征模态函数,接着将重构后的本征模态函数相加得到去噪信号,用Prony算法对去噪信号进行辨识,最终得到低频振荡的模态参数。仿真结果表明:该方法综合利用了总体经验模态分解不依赖信号任何先验知识和完全由数据驱动的自适应性优点,及鲁棒性独立分量分析提取独立分量并保持分量信号完整性的优势,相比传统总体经验模态分解去噪算法,该方法在没有损失信号的前提下可提高分量信号的信噪比,克服Prony算法对噪声敏感的缺陷,更大程度去除噪声,有利于提高辨识精度和准确性,更能满足实际应用需求。(本文来源于《太阳能学报》期刊2019年10期）
李启行,褚福磊[3]（2019）在《环境激励下的旋转机械工作模态参数辨识》一文中研究指出伴随着高速透平机械向大跨度、柔性结构方向发展,转子-轴承系统的稳定性将面临着严峻考验。在出厂测试阶段,确保机组转子系统具有足够稳定性裕度是降低生产现场机组发生失稳故障风险的重要手段。采用适用于随机平稳环境激励下的随机子空间法,对机组的模态参数进行辨识,可规避在转子非驱动端增设电磁激振器的传统测试方法。通过分析转子振型进动方向,区分一阶正反进动的模态参数。结合3-σ统计聚类算法,剔除非稳定的噪声或物理极点,形成了区分转子系统的正反进动的稳态图。数值仿真表明,随机子空间法可以有效地辨识系统的模态参数,利用旋转机械的振型进动方向分析方法可以区分正反进动。此外,通过传统扫频激励模态参数辨识试验,验证了随机子空间方法的辨识精度和工程测试可行性。研究结果可为透平机组的稳定性测试提供技术和理论支撑。(本文来源于《机械工程学报》期刊2019年19期）
贾贵鹏,赵欣,赵育善,师鹏[4]（2019）在《一种基于模态参数实时辨识方法的参数时变航天器控制方法》一文中研究指出针对一种因挠性结构转动引起模态参数变化的航天器研究了一种基于模态参数辨识的控制方法。首先以一种刚柔耦合复杂航天器为对象,建立分析航天器的动力学模型。然后,基于该模型,采用一种基于改进递归预测器的子空间辨识(RPBSID)法模态辨识方法估计系统状态量。最后,基于辨识状态量采用无模型控制方法进行控制,通过基于MATLAB软件的仿真实验,验证了方法的有效性。(本文来源于《飞控与探测》期刊2019年05期）
徐昆鹏,孙伟,高俊男,梅雪峰[5]（2019）在《基于构件模态失谐模型的涂层整体叶盘失谐辨识》一文中研究指出涂层整体叶盘失谐参数辨识是研究整体叶盘涂层减振设计的重要基础,基于构件模态失谐模型(CMM)提出了一种涂层整体叶盘失谐辨识方法。在简要介绍该失谐模型的基础上,根据涂层整体叶盘复合结构的特点,进行了质量失谐与刚度失谐辨识方法的理论推导,其中对质量失谐的辨识方法进行了近似处理;给出了失谐辨识的操作流程,包括质量及刚度失谐模态参与因子计算、质量失谐辨识、求解正则坐标向量和刚度失谐辨识等4个步骤;按照所提出的辨识流程和算法对一个简化的涂层整体叶盘进行了失谐辨识实践,得到了该叶盘质量和刚度失谐分布。按照辨识结果重新建立了一个新的失谐整体叶盘分析模型,通过对比由该模型与原涂层整体叶盘有限元模型获得的叶盘固有特性证明了辨识结果的合理性。(本文来源于《振动与冲击》期刊2019年14期）
余磊,刘莉,马志赛,康杰[6]（2019）在《基于多维振动响应GSC-TARMA模型的时变结构模态参数辨识》一文中研究指出针对多维振动响应测量信号下的仅输出时变结构模态参数辨识问题,基于广义随机约束时变自回归滑动平均模型(Generalized stochastic constraints time-dependent auto-regressive moving average,GSC-TARMA),拓展出广义随机约束向量时变自回归滑动平均模型(Generalized stochastic constraints vector time-dependent auto-regressive moving average,GSC-VTARMA)。为降低计算复杂度,进一步提出改进的GSC-VTARMA模型(GSC-VTARMA~*),并利用时变刚度数值系统与移动质量简支梁时变结构实验系统的非平稳振动响应信号对所提模型进行了验证。通过与单维GSC-TARMA模型和传统的泛函序列向量时变自回归滑动平均(Functional series vector time-dependent auto-regressive moving average,FS-VTARMA)模型进行对比,辨识结果表明:相较于GSC-VTARMA模型,GSC-VTARMA~*模型在保持辨识精度相同的前提下降低了计算复杂度;相较于单维GSC-TARMA模型, GSC-VTARMA~*模型具有更高的数据利用率与辨识鲁棒性; GSC-VTARMA~*模型具有与传统的FS-VTARMA模型相近的辨识精度,但由于采用了递推算法,该模型计算效率更高,在线辨识能力更强。(本文来源于《机械工程学报》期刊2019年15期）
姜涛,刘方正,陈厚合,李雪,李国庆[7]（2019）在《基于多通道快速傅里叶小波变换的电力系统主导振荡模式及模态协同辨识方法研究》一文中研究指出针对连续小波变换在主导振荡模式辨识中存在效率低的不足,提出一种快速傅里叶小波变换(CWTFT)方法以提高小波变换效率;针对单通道小波辨识的结果受振荡模式可观性影响的缺陷,提出一种多通道CWTFT,实现多通道量测信息的时频域分解,进而获得对应的小波系数矩阵;在此基础上,借助小波尺度相对能量甄别出与主导振荡模式强相关的关键小波尺度,以其为基准重构小波系数矩阵;对重构的小波系数矩阵进行奇异值分解,利用重构小波系数矩阵的第一左、右奇异特征向量辨识系统主导振荡模式及振荡模态。将所提方法应用到16机68节点测试系统和南方电网的广域实测数据中,结果验证了该方法的准确性和有效性。(本文来源于《电力自动化设备》期刊2019年07期）
靳行,林建辉[8]（2019）在《应用VMD与Teager能量算子的结构模态系统辨识》一文中研究指出针对变分模态分解(variational mode decomposition,简称VMD)参数选择对结构模态特征识别的影响,应用VMD和Teager能量算子(Teager energy operator,简称TEO)提出了一种新的结构系统辨识方法,根据VMD层数参量K的变化寻找稳定的极点,用于识别结构模态特性。为了满足TEO对单分量的要求,采用VMD方法将振动信号分解成不同尺度的细节信号(band-limited intrinsic mode function,简称BIMF)。对BIMF使用TEO法估计固有频率与阻尼比,使用层数参量K时形成的稳态极点判断真实结构模态系统参数,去除虚假分量。进行了数值和实验验证,并与传统方法进行比较,结果表明,所提出的方法在传统模态分析与环境激励的模态分析均为有效、准确且可行的。(本文来源于《振动.测试与诊断》期刊2019年03期）
孙志鑫[9]（2019）在《基于多元经验模态分解的电力系统低频振荡模式辨识》一文中研究指出电力系统低频振荡现象一直是威胁电网稳定安全运行的主要因素之一,若振荡现象未自发地平息且不能被及时抑制,持续的振荡极有可能造成电网崩溃,引发一系列的安全事故。对电力系统低频振荡进行快速准确地辨识,可以帮助电力运行人员确定产生低频振荡现象的成因,以便采取相应的抑制措施,同时也能为预防这种现象的再次发生提供参考依据,有利于维持电网的安全、稳定、可靠运行。随着同步相量测量单元(phasor measurement unit,PMU)在电网中大规模配置,基于广域量测信息的辨识方法已在低频振荡分析领域取得了长足进步,但是,目前此类方法大多只限于对单一通道量测信号进行辨识,其辨识结果易受振荡模式的可观性及量测噪声的影响,存在不同信号通道之间振荡模式难以校准的问题。针对这一不足,本文采用一种基于多元经验模态分解(multivariate empirical mode decomposition,MEMD)的电力系统主导振荡模式辨识方法。通过引入多元经验模态分解,实现对于多通道量测信号的同步分解,得到对应不同振荡模式的多个本征模函数(intrinsic mode function,IMF)分量;然后利用Teager能量算子,计算每个本征模函数的相对能量值,并以相对能量权重为判断依据,筛选出振荡辨识所关心的主导振荡模式对应的本征模函数;在此基础上,引入预测误差法(prediction error method,PEM),从算法原理上对目前基于量测数据的振荡参数计算方法作出改进,准确求解主导振荡模式的振荡频率和阻尼比,进而提高低频振荡的在线检测水平,从整体角度把握系统的低频振荡特性。最后,通过IEEE 68节点测试系统的仿真数据和辽宁电网PMU广域实测数据对本文所提方法进行分析、验证,分析结果验证了本文所提方法的准确性和有效性。(本文来源于《东北电力大学》期刊2019-05-01）
张贤[10]（2019）在《基于变分模态分解和分形的大地电磁信噪辨识及分离研究》一文中研究指出随着国民经济和重工业生产的高速发展,各种人文电磁干扰日趋严重,在矿集区开展大地电磁测深面临严峻挑战。为此,将微弱的大地电磁信号从强电磁干扰中精细提取成为研究热点。本文将变分模态分解(Variational Mode Decomposition,VMD)和分形应用于大地电磁信噪辨识及分离,主要研究如下:(1)研究了VMD和匹配追踪算法基本原理,对比分析了VMD与经验模态分解、固有时间尺度分解的处理效果;通过观测中心频率、相似度和信噪比,讨论了VMD中模态个数K的选取及对强干扰的去噪性能,并运用匹配追踪对VMD重构信号做二次信噪分离处理。(2)研究了去趋势波动分析的基本原理,通过求解原始信号的标度指数,自适应得到了VMD中模态个数K的取值,同时估计每个模态的标度指数,讨论了选取大于等于0.75的模态来重构大地电磁有用信号。(3)研究了大地电磁信号的分形盒维数、Higuchi分形维数、模糊熵和近似熵四种特征参数,定量区分了大地电磁有用信号和强干扰;将多特征参数和模糊C均值聚类相结合进行了信噪辨识,并对辨识为强干扰的数据运用小波软阈值进行去噪。(4)研究了多重分形谱的基本原理,分析了典型大地电磁数据多重分形谱的不均匀度、不规则度特征参数,将其输入至支持向量机进行训练,生成一个信噪分类数学模型,并仅对甄辨为强干扰的数据采用匹配追踪进行噪声压制。上述方法经仿真实验、EMTF数值模拟、青海试验点和实测资料处理,实验结果表明:所研方法能有针对性地剔除大地电磁时间域序列中的大尺度强干扰,与远参考法、VMD整体处理法、小波整体处理法及匹配追踪整体处理法相比,测点的视电阻率-相位曲线更为光滑、平稳,较好地改善了低频段的大地电磁数据质量。(本文来源于《湖南师范大学》期刊2019-05-01）
模态辨识论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对互联电网低频振荡辨识过程中Prony算法对噪声敏感的问题,该文将总体经验模态分解法、鲁棒性独立分量分析方法与Prony进行有机结合,运用到关键振荡模式辨识中。将待处理信号进行总体经验模态分解后得到的本征模态函数作为鲁棒性独立分量分析算法的输入,对得到的独立分量进行软阈值去噪后进行反变换得到重构后的本征模态函数,接着将重构后的本征模态函数相加得到去噪信号,用Prony算法对去噪信号进行辨识,最终得到低频振荡的模态参数。仿真结果表明:该方法综合利用了总体经验模态分解不依赖信号任何先验知识和完全由数据驱动的自适应性优点,及鲁棒性独立分量分析提取独立分量并保持分量信号完整性的优势,相比传统总体经验模态分解去噪算法,该方法在没有损失信号的前提下可提高分量信号的信噪比,克服Prony算法对噪声敏感的缺陷,更大程度去除噪声,有利于提高辨识精度和准确性,更能满足实际应用需求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模态辨识论文参考文献
[1].沈钟婷,丁仁杰.基于改进EMD去噪和矩阵束的电力系统低频振荡模态辨识[J].应用科学学报.2019
[2].赵峰,吴梦娣.EEMD-RobustICA和Prony算法在电力系统低频振荡模态辨识中的应用[J].太阳能学报.2019
[3].李启行,褚福磊.环境激励下的旋转机械工作模态参数辨识[J].机械工程学报.2019
[4].贾贵鹏,赵欣,赵育善,师鹏.一种基于模态参数实时辨识方法的参数时变航天器控制方法[J].飞控与探测.2019
[5].徐昆鹏,孙伟,高俊男,梅雪峰.基于构件模态失谐模型的涂层整体叶盘失谐辨识[J].振动与冲击.2019
[6].余磊,刘莉,马志赛,康杰.基于多维振动响应GSC-TARMA模型的时变结构模态参数辨识[J].机械工程学报.2019
[7].姜涛,刘方正,陈厚合,李雪,李国庆.基于多通道快速傅里叶小波变换的电力系统主导振荡模式及模态协同辨识方法研究[J].电力自动化设备.2019
[8].靳行,林建辉.应用VMD与Teager能量算子的结构模态系统辨识[J].振动.测试与诊断.2019
[9].孙志鑫.基于多元经验模态分解的电力系统低频振荡模式辨识[D].东北电力大学.2019
[10].张贤.基于变分模态分解和分形的大地电磁信噪辨识及分离研究[D].湖南师范大学.2019