1.一种基于Sanger神经网络的时不变结构的工作模态参数识别方法,其特征在于,具体如下:假设输入为时不变结构在环境激励下的振动响应信号数据矩阵m表示在所述时不变结构上布置的振动传感器检测点个数,T表示时域采样点个数,求取前n阶主成分 n为计算得到的主成分个数,设置m个输入神经元和n个输出神经元,则集合{wij},i=1,
2,...,m;j=1,2,…,n,表示第i个输入神经元和第j个输出神经元之间的链接,权重矩阵初始化学习率lr,损失函数为
(J) (J)
1)计算当前网络输出Y (t)=W X(t),J为迭代次数;
2)依据学习规则以及学习率得到当前权重矩阵的更新量,其中J+1 (J+1) (J) (J+1)
3)依据步骤2)得到的权重矩阵的更新量并行更新权重矩阵W ,W =W +ΔW ;
4)计算当前误差损失 其中,λi是前n阶主成分中 的特征值;
5)如果e<η或者J<Jmax,η为误差阈值,Jmax为最大迭代次数,则J=J+1并返回步骤2),否则转向步骤7);
(J+1)
6)得到最终的权重矩阵W,W=W ,即为模态振型;
7)计算最终的主成分:Y(t)=WX(t),即为模态坐标响应;
8)通过单自由度系统参数识别技术,从模态坐标响应Y(t)计算得到时不变结构的固有频率。
2.一种基于Sanger神经网络的设备故障诊断与健康状态监测方法,基于权利要求1所述的Sanger神经网络的时不变结构工作模态参数识别方法实现,步骤如下:步骤a)采集一组单方向的振动响应数据矩阵作为一个样本数据,进行归一化处理,确定最终误差阈值η;
步骤b)使用Sanger神经网络求解模型整体的模态坐标响应Y(t)和工作模态振型W;
步骤c)通过单自由度系统参数识别技术,从模态坐标响应Y(t)计算得到时不变结构的固有频率;
步骤d)根据计算得到三维时不变结构的模态振型和固有频率与被测设备故障前的模态参数进行分析比较,确定设备是否出现故障,以及故障所在位置;
步骤e)当引入新的样本数据,重复步骤b)‑d)直到样本结束。
3.如权利要求2所述的一种基于Sanger神经网络的设备故障诊断与健康状态监测方法,其特征在于,所述模态参数包括瞬时模态频率、瞬时模态振型。
4.一种时不变结构的工作模态参数识别系统,其特征在于,包括时不变工程结构,用于模拟待识别工作模态参数识别的时不变工程结构;
放置于工作结构上的三向振动响应信号传感器,利用放置于工作结构上的三向振动响应信号传感器测量获得被测时不变工程结构的平稳振动响应信号;
激振设备,用于模拟工作状态下的环境激励;
振动数据采集模块,用于振动数据输入、信号的调理和A/D数据采集转换;
控制和数据处理模块,设有OMAP处理器,采用权利要求1所述基于Sanger神经网络的时不变结构的工作模态参数识别方法进行工作模态参数的识别,并得到诊断信息;
通信模块,用于将振动数据与诊断信息上传到上位机以供存储与分析;
存储模块,用于存储振动数据;
工作模态参数识别模块,用于识别工程结构的工作模态参数;
液晶显示模块,用于显示诊断结果和波形信息;
电源模块,用于提供电源;
控键模块与复位模块,用于参数输入及复位。