基于eemd和svr的多自由度结构状态趋势预测-应用力学学报.pdf

第29 卷 第2 期 应 用 力 学 学 报 Vol.29 No.2 2012 年 4 月 CHINESE JOURNAL OF APPLIED MECHANICS Apr. 2012 文章编号：1000- 4939(2012) 02-0170-07 基于 EEMD 和 SVR 的多自由度结构状态趋势预测 刘义艳 贺栓海 王露 段晨东 (长安大学 710064 西安) 摘要：由于工程结构的复杂性和引起结构损伤原因的不确定性，结构早期微弱和潜在的损伤难以 识别和预测。为此提出了基于聚类经验模式分解(EEMD)和支持向量机回归(SVR)的结构健康状态 趋势预测方法。首先对多自由度结构渐进损伤的加速度振动信号进行聚类经验模式分解(EEMD)； 再进行希尔伯特变换(HT)计算瞬时频率；然后用回归支持向量机对反映结构健康状态的瞬时频率 进行趋势预测。详细分析了各种参数对回归和预测精度的影响，提出了这些参数的选用方法和一 般原则。研究表明：该方法具有训练样本少的特点；在采用二阶多项式核函数、回归步长 m=3~5 、 误差惩罚因子 C=100 、敏感因子 ε=0.01 时，可以准确地和高精度地预测结构状态趋势，预测精 度达到 0.24781%。 关键词：聚类经验模式分解；支持向量机回归；多自由度结构；瞬时频率；趋势预测 中图分类号：TN911.72；TU311.3 文献标识码： A 号分析方法，是对EMD方法的重大改进[3] 。EEMD 1 引 言 将信号分解成若干个固有模式函数(IMFs)，可以消 除噪声的影响，避免模式混叠现象的发生。土木结 如果能及时准确地识别结构损伤的早期微弱 构是一个复杂的系统，时变性、随机性、模糊性等 或潜在的征兆信号，对可能出现的灾害进行预测并 多方面的因素致使系统振动变化异常复杂，因此必 采取必要的维护措施来恢复或提高原有结构的使用 须根据结构振动趋势变化的规律和特点，找到一个 功能，将可避免裂缝、坍塌等事故的发生。因此， 鲁棒性强、预测精度高且实用的预测方法。神经网 研究结构健康状态趋势预测方法具有重要的科学理 络因其具有较好的自学习能力和函数逼近性能已较 论意义和工程应用价值。 多地应用于时间序列预测。但神经网络使用经验风 研究与开发先进的信号处理技术及提取结构 险最小化原则，容易造成过拟合而影响网络的泛化 发生损伤趋势的特征是结构健康状态趋势预测需要 能力；而支持向量机实现的是结构风险最小化原则， 解决的关键问题[1] 。经验模式分解(EMD)方法是按 这相当于最小化泛化误差的上界[4-5]，因此从理论上 信号自身的内在特性进行的自适应、正交和完备分 讲支持向量机的预测性能高于神经网络。文献[6]采 解，适合于非线性和非平稳信号的处理[2] 。聚类经 用回归支持向量机对光栅智能结构的健康进行了预 验模式分解(EEMD)方法是借助噪声剔除特性的信 测，与遗传基因优化算法相比，此方法大大提高了 基金项目：国家科技支撑计划项目(2008BAJ09B06) ；中国博士后基金(20110491637) 来稿日期：2011-03-02 修回日期：2011-12-09 第一作者简介：刘义艳，女，1981 年生，博士，长安大学电子与控制工程学院，博士后；研究方向——结构健康监测与损伤诊断。 E-mail ：liuyiyan04@126.com 第 2 期 刘义艳，等：基