基于自适应EKF结构参数识别与鲁棒性分析

TH212%TH213.3; 扩展卡尔曼滤波(extended Kalman filter,简称EKF)方法常用于结构参数识别,但存在对滤波参数敏感等局限性,需大量试错来寻找最优噪声方差参数.针对此问题,推导了基于残差的协方差匹配公式.首先,通过滑动窗口法或遗忘因子法自适应更新匹配测量噪声方差,实现了基于EKF的自适应识别结构参数;其次,以一个3层Duffing型非线性剪切框架为例来验证方法的有效性,并进行了参数鲁棒性分析.结果表明:滑动窗口法和遗忘因子法均能很好地估计测量噪声方差,识别效果和收敛速度接近;与非自适应EKF方法相比,自适应EKF方法对噪声方差的初始取值不敏感,具有很强的鲁棒性....

Full description

Saved in:
Bibliographic Details
Published in振动、测试与诊断 Vol. 44; no. 6; pp. 1082 - 1089
Main Authors 万华平, 马强, 欧一鸿, 张文杰, 周家伟, 陈伟刚
Format Journal Article
LanguageChinese
Published 浙江大学建筑设计研究院有限公司 杭州,310028%浙江大学平衡建筑研究中心 杭州,310028 01.12.2024
浙江大学平衡建筑研究中心 杭州,310028%浙江大学建筑工程学院 杭州,310058
浙江大学建筑工程学院 杭州,310058
浙江大学建筑设计研究院有限公司 杭州,310028%浙江东南网架股份有限公司 杭州,311209
Subjects
structural parameter identification
遗忘因子法
结构参数识别
滑动窗口法
robustness
自适应扩展卡尔曼滤波
adaptive extended Kalman filter
sliding window method
forgetting factor method
鲁棒性
Online AccessGet full text
ISSN1004-6801
DOI10.16450/j.cnki.issn.1004-6801.2024.06.005

Cover

More Information
Summary:TH212%TH213.3; 扩展卡尔曼滤波(extended Kalman filter,简称EKF)方法常用于结构参数识别,但存在对滤波参数敏感等局限性,需大量试错来寻找最优噪声方差参数.针对此问题,推导了基于残差的协方差匹配公式.首先,通过滑动窗口法或遗忘因子法自适应更新匹配测量噪声方差,实现了基于EKF的自适应识别结构参数;其次,以一个3层Duffing型非线性剪切框架为例来验证方法的有效性,并进行了参数鲁棒性分析.结果表明:滑动窗口法和遗忘因子法均能很好地估计测量噪声方差,识别效果和收敛速度接近;与非自适应EKF方法相比,自适应EKF方法对噪声方差的初始取值不敏感,具有很强的鲁棒性.
ISSN:1004-6801
DOI:10.16450/j.cnki.issn.1004-6801.2024.06.005