基于Kriging模型和无迹卡尔曼滤波的转向架构架模型修正

来源 :振动与冲击 | 被引量 : 0次 | 上传用户:wangxiding138
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
为提高转向架构架模型的修正效率和实时性,提出了一种基于Kriging模型和无迹卡尔曼滤波的模型修正方法。首先,对构架进行模态分析,引入信息熵确定模态阶数来优选频响函数频率区间。其次,构造Kriging模型,将频响函数经过小波变换并提取第4层低频系数作为Kriging模型输出,并通过改进的灰狼算法(grey wolf optimizer, GWO)确定Kriging模型相关参数值。最后,以待修正参数作为状态向量,以Kriging模型预测的小波系数和真实响应的小波系数之差的平方和作为观测函数,通过无迹卡尔曼滤波算法求解待修正参数。结果表明,所提方法对构架模型参数修正有良好的精度、效率和鲁棒性,且在0.03 s内收敛到真实值。
其他文献
瞬变电磁响应受到发射波形的影响,正演计算中需考虑发射波形.基于位移逆Krylov子空间投影的模型降阶算法能够精确模拟三维全波形瞬变电磁正演响应,但该算法计算精确的on-time响应非常耗时.目前实际工作中多数情况下都是对off-time时间段的数据进行处理解释,因此可以将正演问题简化为精确模拟考虑发射波形的off-time时间段的响应.本文实现了一种改进的基于位移逆Krylov子空间投影的模型降阶
电网故障时,多锁相环同步型变流器系统面临严重的暂态同步失稳问题。然而多变流器系统模型阶数高,交互耦合复杂,给暂态同步稳定分析带来严峻挑战。为此,本文提出了基于同调等值的多变流器系统聚合降阶方法。首先建立了多变流器系统等值摇摆方程,发现阻抗压降的差异是导致同母线与不同母线变流器同调特性差异的原因。在此基础上,提出了基于阻抗压降的多变流器系统同调判据。接着,在功率约束条件下给出了同调变流器群等值电路参
中国的人口红利逐渐减弱,制造业的缺点开始凸显。在此背景下,企业创新、落后工艺和产能变革等迫切需要得以改观,以期使制造业实现良性发展。选取692家A股市场制造业上市公司2015—2019年的财务数据,借助面板数据模型,研究了政府补助、制造业上市公司研发投入和创新绩效之间的内在关系。结果表明:政府补助、研发投入均与企业创新绩效成正相关关系。对于制造业企业来说,要通过建立健全补助事前调研制度、加大补助力
通过传统实验或CFD手段获取流场信息的方法往往需要耗费大量资源或时间,这在需要快速获取大量流场信息时产生的成本是无法接受的,发展比传统CFD更快速的流场预测方法具有重要意义。采用本征正交分解(POD)方法对样本流场进行模态分解,提取流场的主导模态;而后采用径向基函数神经网络(RBFN)响应POD基函数的系数,实现流场降阶预测模型的构建,并在模型中采用基于函数响应偏差的自适应抽样方法;通过某串列叶栅
在直驱风电机组状态空间模型、SVG状态空间模型的基础上,建立了含SVG直驱风电场并网系统降阶状态空间模型;分析发现直驱风电场内SVG可能引起宽频振荡。为了抑制含SVG直驱风电场内宽频振荡,提出了含SVG直驱风电场宽频振荡阻尼控制器设计方法。基于降阶状态空间模型,以目标振荡模式的阻尼比为目标函数,通过优化算法整定控制器参数。最后对含SVG直驱风电场并网电力系统进行了模态分析和时域仿真分析,验证了宽频
针对非线性大扰动翼型气动力优化问题,提出了基于卷积神经网络气动力降阶模型的优化方法.该方法用不同形状参数下翼型的气动力数据作为训练信号,训练卷积神经网络翼型气动力降阶模型.采用该气动力降阶模型,以最大升阻比为目标,对翼型进行优化,结果表明该方法可用于大扰动下翼型气动力的预测和优化.该文同时还讨论了池化法和径向基法的训练信号数据降维方法对降阶模型精度的影响,结果表明训练信号数据降维能够提高气动力降阶
为获得高性能的多组件连接结构件,需要利用优化设计方法确定组件间连接的最优位置。使用降阶模型(ROM)可以大幅降低计算成本,满足优化过程中多次重分析的需要。将Craig-Bampton(CB)方法与本征正交分解(POD)结合,利用POD构造参数变化组件的缩减基函数集合,通过组件的本征正交模态(POMs)获得子结构的降阶变换矩阵,结合动态子结构装配技术,获得整体结构的降阶模型(PCB-ROM)。算例验
太阳能无人机结构质量轻、机翼柔性大、翼载低的特点使其对阵风更加敏感,在阵风扰动下更容易出现大攻角情况,气动力呈现非线性特性。为研究阵风对飞机结构及飞行稳定性的影响,需要建立精确的气动力模型来进行气动弹性及飞行仿真分析。传统面元法精度低,CFD-CSD全阶有限元分析方法效率低,因此需要建立降阶模型来平衡精度和效率之间的矛盾。已有的多种降阶方法在其适用性、收敛性、泛化能力等方面缺乏深入研究,因此很难直
学位
基于Kriging模型,引入距离限制,建立了一种改进的主动学习Kriging模型,计算结构的可靠度。首先采用初始样本点建立Kriging模型替代真实功能函数,通过主动学习函数扩充样本点,改进Kriging模型;在加入最佳样本点过程中,引入最小距离限制,防止样本点聚集,造成信息冗余,从而提高模型计算效率。实际算例表明,基于距离限制的改进Kriging主动学习模型既保证了计算结果的精度同时只需要更少的