预测结构性能退化的混合粒子滤波方法

发布时间：2021-04-16 10:42

　　现代工程结构的失效破坏许多起因于结构性能的退化,因此需要探索有效的方法实现结构的性能预测,从而针对性地提出预防措施以及维修策略,以避免突发失效带来的巨大损失。复杂结构多为非线性系统,多数情况下,关于其性能特点并不存在太多有效的先验信息。利用合理的物理模型来分析结构性能退化,能够减少对先验信息的依赖性;采用粒子滤波方法可以实现基于观测信息的非线性系统模型的状态动态评估。但是传统的粒子滤波方法在频繁的重采样后粒子的多样性降低,会出现粒子匮乏现象。本文提出一种混合粒子滤波方法（PF-DREAM）,对结构性能退化物理模型进行更新。对于先验信息较少的物理模型,为了减少初始模型参数对模型预测结果的影响,采用DST理论充分识别各个先验信息中的信任度,从而确定先验模型参数。进行参数更新时,利用差分进化自适应Metropolis算法（DREAM）结合粒子滤波（PF）算法,实现粒子在参数空间中的状态转移,使得新的粒子仍然服从相同的后验分布,保持粒子的多样性,提高模型预测精度。最后:将混合的粒子滤波方法应用到锂电池容量退化问题和疲劳裂纹扩展问题中,算例表明混合粒子滤波方法与传统的粒子滤波方法相比,可以减小模... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

图2-1粒子滤波采样原理

数目增加时，其子空间的维数相应增加。因此，其数值运算次数随之增加，进而增加计算成本。图3-1 利用子空间采样原理示意图3.3.2 PF-DREAM实现步骤及流程图基于以上理论，PF-DREAM模型更新方法的流程如图3-2所示，程序实现的详细步骤如下（1）根据选定的物理模型 M ，利用MATLAB中的高斯牛顿算法的曲线拟合工具拟合先验数据集，得到每条曲线关于模型参数的估计值及95%的置信区间；（2）利用DST联合准则确定模型参数的分布，作为先验分布()0px；（3）初 始 更 新 步 k 1， 从 先 验 分 布 中 生 成 等 权 值 的 N 个 粒 子 ： xpxwNNiiNi~()110,01i,0 ， ；（4）如果出现检测点

图3-2 PF-DREAM方法的框架图REAM算法的电池退化规律的预测组相同条件下的电池的容量退化，将其中三组电池容量退化轨迹。数据来源说明如下：对象1.1Ah的商业锂离子电池，采用美国Arbin BT20行循环充放电老化实验，放电电流为1.1A，其中数据如图3-3中绿色十字点所示，数据来自于马型选择双指数模型[17]，即Q a exp(b N) c exp(d N)阻抗， b ,d 代表退化速率。

【参考文献】：
期刊论文
[1]基于扩展卡尔曼粒子滤波算法的神经网络训练[J]. 王法胜,郭权.  计算机工程与科学. 2010(05)
[2]基于贝叶斯原理的粒子滤波算法[J]. 王鑫,胡昌华,暴飞虎.  弹箭与制导学报. 2006(S5)
[3]高斯-厄米特粒子滤波器[J]. 袁泽剑,郑南宁,贾新春.  电子学报. 2003(07)
[4]学科交叉融合 寿命定量设计——我国机械设计的当务之急[J]. 储佳章,王建一.  中国机械工程. 1998(11)

硕士论文
[1]贝叶斯参数更新在可靠性分析中的应用[D]. 王宇.南京航空航天大学 2014



本文编号：3141275