摘要 本文提出了基于智能算法的时变模态参数识别方法。首先用小波包对响应信号进行分解和单支重构，然后将得到的多个窄带分量输入智能算法，如粒子群优化或径向基函数神经网络，进而经过优化或训练得到输出——时变系统的模态参数。先对一个三自由度刚度线性变化的系统做了仿真计算，接着对一转子实验器做了突变系统的实验验证。结果表明，两种方法都能够识别出时变系统的模态参数。相比之下，粒子群算法比径向基函数神经网络方法所得结果更加稳定，阻尼比识别精度更高，突变系统特性识别效果也更好。
关键词：时变系统，模态识别，智能算法，粒子群算法，神经网络
1引言
随着工程技术的不断发展，航空航天、机械、建筑、桥梁等领域的许多工程结构的特征参数会随时间变化，从而对结构振动特性产生影响。例如：气动刚度随时间变化的导弹、飞机机翼颤振、结构的动力屈曲、发射过程中火箭系统的质量特性、太阳能电池帆板和机械臂展开等多体动力学、智能材料随环境条件变化所导致的结构动态响应时变特性等。目前对于线性时不变结构动力学的研究已趋于成熟，但时变结构仍然还有许多问题需要解决。
时变模态参数识别主要包括基于参数化模型的时域法、非参数化模型的时频法、智能算法等。时域法直接利用响应的时域信号进行参数识别，主要利用短时时不变、跟踪或递推技术、基函数加权等思想来考虑时变因素的影响，包括子空间法[1]、时间序列建模法[2]以及复指数法[3]等，时域法在噪声干扰大的情况下鲁棒性较差，而且定阶困难。时频法能够同时显示时域和频域信息，符合时变系统参数识别应用的需要，主要有短时傅里叶变换、魏格纳-维尔分布法、Gabor展开、小波/小波包变换[4,5]以及Hilbert-Huang变换[6,7]等，但是对于具有小能量、密集成分、信噪比差的复杂响应信号，时频法难以较好地得到系统各阶模态。随着智能控制理论的不断深入研究，出现了一些基于智能算法的参数识别方法，如BP神经网络[8,9]、遗传算法[10]等，但将它们用于时变系统的研究还很少，因此，有必要进一步开展这方面的研究工作。本文提出的基于智能算法的时变模态参数识别方法，首先将时频分析技术——小波包作为预处理，对获得的响应信号先进行分解和单支重构，然后再将得到的多个窄带信号输入智能算法，即粒子群或径向基函数神经网络，进而经过优化或训练得到时变系统的模态参数。文中也对这两种方法所得的仿真和实验结果做了对比分析。
作者：郑敏