基于摄影测量和ERA改进算法的叶片模态辨识方法 下载: 875次
1 引言
风力机叶片是既昂贵又容易损坏的风电组件之一,随着风能产业的预期增长和未来对风能的依赖,迫切需要一种监测叶片运行状态的有效方法[1]。运行模态分析是一种通过测量结构在运行状态下的动态响应,提取结构模态特征的技术,可作为检测叶片健康状况和定量评估结构运行状况的一种有效方法[2-3]。结构响应的获取通常都是采用接触式的测量方法,如应变片、差分应变发生器和其他接触式传感器。然而,接触式的测量方法不仅容易受到传感器数量和采集通道的限制,而且测量系统的布置较为困难,使得风力机叶片的实时测量存在许多局限[4-5]。摄影测量是一种通过分析照片,提取拍摄对象几何形状、位移和变形的学科。该方法不会对测试对象带来质量载荷和刚度变化,具有非接触、高精度、全场测量的优点,在大尺寸全场测量方面已有许多成熟的应用[6-9]。本文在风力机叶片表面粘贴多个编码标志,通过双目相机的连续拍摄和摄影测量方法获取编码标志的三维空间运动信息,避免了因为传感器的附加质量和采集数据不足而引起的测量误差。
特征系统实现算法(ERA)是一种利用线性系统中Ho-Kalman的最小实现理论来识别系统模态参数的时域方法,该方法便于确定模态阶次且识别速度较快,同时对具有低频和模态密集特征的结构具有较强的辨识能力[2]。Li等[10]开发了一种基于ERA的数据驱动方法,并将其应用在机电振荡动态模式的提取中。Castellanos-Toro等[11]使用智能手机获取用于模态分析的加速度数据,结合自然激发技术和ERA算法,成功辨识了400多座桥梁的固有频率和阻尼比。但由于脉冲响应中存在噪声或结构非线性较小的问题,模态辨识方法通常会出现虚假模态和错误定阶等问题,作为帮助区分物理极点和虚假极点的稳定图容易产生错误结果。针对数据噪声的问题,基于奇异值分解(SVD)的噪声消除算法相对于其他算法具有快捷且易于实现的优点。Jiang等[12]将SVD用于重新分配连续小波变换的系数矩阵,以获得振动信号的去噪和更清晰的时频曲线。Golafshan等[13]提出一种基于SVD和Hankel矩阵的球轴承人工故障去噪方法。本文采用SVD和Cadzow算法[14]构造了无噪声污染的Hankel矩阵,并将其用于ERA算法,一定程度上减少了噪声对稳定图的影响。
针对模态定阶过程容易出现虚假模态的问题,模态振幅相干系数、模态相位共线性指标和一致模态等指标在ERA稳定图中被引入,用于区分真实模态和虚假模态[15-17]。Zhang等[15]使用EEMD方法降低数据噪声,根据奇异熵增量谱确定系统阶数,再通过设定频率和阻尼比的阈值进一步消除虚假模态,实现屋顶溢流水电站动力装置的模态参数识别。Moaveni等[16]通过对采样频率的合理选择和有效特征值的筛选,改善了ERA算法在系统阶数未知和初始条件不为零时的辨识结果,但是该方法需多次试算来确定适当的采样频率和特征值,计算量较大。Chiang等[17]通过建立平稳响应的相关函数矩阵,研究与系统响应相关的正弦值的分布来确定系统的阶次,但结果对虚假极点剔除的程度不够明显。本文提出一种基于多次重构Hankel矩阵和层次聚类分析的ERA方法,该方法通过传统的ERA以及SVD去噪后的ERA分别求解不同维度的Hankel矩阵的模态极点,引入模态相似度准则对得到的模态极点进行初步判定,再通过层次聚类分析进一步剔除虚假模态,获取效果更好的稳定图,实现了风力机叶片模态参数更准确的辨识。
2 双目摄影测量原理
为了描述世界坐标系中的任意一点坐标P(xw,yw,zw)的转换关系,现定义:下标l和r分别代表左、右摄像机,且左摄像机坐标系(OCl--XClYClZCl)和三维世界坐标系重合。具体转换步骤如下:右摄像机坐标系(OCr--XCrYCrZCr)通过旋转矩阵R0绕XCr、YCr和ZCr轴分别旋转α、β和γ角,得到与左摄像机坐标系平行的坐标系(Ok--XkYkZk),再通过平移矩阵T(tx,ty,tz)的转换,即可实现世界坐标系与右摄像机坐标系之间的转换。根据小孔成像原理,得到摄像机坐标系与成像平面坐标系之间的转换关系,最后通过转换坐标原点和单位尺寸,生成图像像素坐标。世界坐标系中的任意一点P(xw,yw,zw)在三维世界坐标系、摄像机坐标系、图像平面坐标系和图像像素坐标系的空间变换关系为
式中:Rr为右摄像机坐标系(OCr--XCrYCrZCr)依次绕XCr、YCr和ZCr轴分别旋转α、β和γ角的旋转正交矩阵;T为平移矢量;f为摄像机镜头焦距;dx和dy分别表示每个像素在x轴和y轴的物理尺寸(单位:mm/pixel)。根据(1)式可以得到左摄像机图像像素坐标到三维世界坐标的映射关系为
根据(2)式可以得到右摄像机图像像素坐标到三维世界坐标的映射关系为
采用张正友的棋盘格标定方法[18],得到摄像机的内部参数(焦距f和畸变系数s)和外部参数(旋转矩阵R0和平移矢量T),联立(2)式和(3)式即可求解编码标志的三维坐标为
本文的编码标志由中心圆、环形编码带以及对角扇形组成,编码标志的坐标定义为对角扇形的角点(中心圆圆心)。编码标志采用12位Schneider编码方案,根据环形编码带的位置、大小和数量识别编码标志的编码代号[19]。在中心坐标的提取上,首先通过Canny算子得到中心圆的轮廓,然后基于最小二乘椭圆拟合法求解圆心坐标,同时结合Hough变换对扇形角点进行检测定位,最后根据圆心坐标和扇形角点坐标的差值,判定坐标提取的准确性。
3 模态参数的识别
3.1 特征系统实现算法
对于一个n维线性时不变振动系统,在时间离散域上的状态方程和输出方程可以表示为
式中:A为系统转移矩阵,A∈ℝ2n×2n;B为输入矩阵,B∈ℝ2n×l,其中,l为输入的数量;C为观测矩阵,C∈ℝm×2n,其中,m为输出的数量;x(k)、u(k)、y(k)分别为状态向量、输入向量和输出向量;k为离散时间。系统的响应数据可以表示为
根据系统响应数据构造广义Hankel矩阵为
式中:P为能观矩阵,P∈ℝrm×rs;Q为能控矩阵,Q∈ℝ2n×rs;rs为系统的阶次。当k=1时,对H(0)进行奇异值分解可得
式中:L和R分别为H(0)的左、右奇异值向量矩阵,L∈ℝrm×2n,R∈ℝ2n×sl;Λ为奇异值对角阵,Λ∈ℝ2n×2n;λn为奇异值。通过设定阈值ε截断奇异值矩阵Λ,进而获得系统的最小实现阶次n',截断条件为
系统的最小实现[A',B',C']为
式中:Λn'为Λ截断后的特征值所构成的对角阵,Λn'=diag(λ1,λ2,…,λn');Ln'和Rn'分别为L和R矩阵的前n'列;
3.2 系统响应的去噪与重构
当数据采集系统用于实验测量时,被测信号不可避免地被噪声污染。在模态分析过程中,如果数据噪声污染严重,与某些微弱信号相关的真实模态很可能被噪声所掩盖,模态分析算法生成的稳定图容易出现大量的虚假模态,影响参数的辨识。为剔除原始数据中的噪声,在特征系统实现算法的基础上,采用奇异值分解的性质来估计初始Hankel矩阵的秩,对得到的奇异值进行筛选和置零操作,生成去除系统噪声的近似矩阵,最后通过Cadzow算法重构为Hankel矩阵的形式,实现系统数据的去噪与重构。
定义由离散脉冲响应函数构成的Hankel矩阵为H(0),可以写为
由于测量环境的影响,此时Hankel矩阵H(0)不仅包含有用的数据信息还包含数据噪声,奇异值分解后可以写为
式中:
式中:Sg为大于噪声阈值ε的奇异值σi(i=1,2,…,g),代表没有噪声的信号部分;S0为小于噪声阈值ε的奇异值σi(i=g+1,g+2,…,L),代表具有噪声的信号部分,其中,L=min(r,s)。通过绘制归一化奇异值图谱的方法来确定大于噪声阈值ε的奇异值个数g,根据(10)式即可确定合适的噪声阈值大小ε。把S0中的奇异值全部置为0后,此时得到的矩阵
式中:Σ为消除较小的奇异值S0后的奇异值矩阵。需要注意的是,此时的
式中:α=max(1,i-r+1);β=min(s,i)。
3.3 多次重构Hankel矩阵的虚假极点剔除法
使用特征系统实现算法识别模态参数时,如果选用的阶次低于系统真实的阶次,有可能会遗漏真实模态,如果选用的阶次高于系统真实的模态阶次,则识别的稳定图会呈现较多的虚假模态,对真实模态造成干扰。
针对该问题,定义初始的Hankel矩阵H0为参考矩阵,以降噪后重构的Hankel矩阵
式中:fi和ξi为标准组极点对应的固有频率和阻尼比;fj和ξj为参考组极点对应的固有频率和阻尼比;Wf和Wξ为固有频率和阻尼比的权重;df和dξ为固有频率和阻尼比的容差。若rij≤1,则判定极点为稳定极点;反之,则为不稳定极点。通过多次改变初始Hankel矩阵的行列数和模态相似度判定,生成一个稳定模态集合,对该稳定的模态集合进行层次聚类分析,进一步剔除虚假模态,对剔除虚假模态后的结果进行均值处理,得到最终辨识的模态参数,具体的算法流程如
4 实验与结果分析
为了验证该方法的有效性及优越性,基于摄影测量技术对某型1.5 kW风力机叶片开展了测振实验,
图 3. 摄影测量实验图。(a) 双目摄像测量仪; (b) 实验约束状态; (c) 9号编码标志识别图; (d) 风力机叶片
Fig. 3. Experiment configuration. (a) Binocular camera measuring instrument; (b) experimental constraint state; (c) identification of No.9 coded marker; (d) wind turbine blade
以37、39和41号编码标志重构坐标系,并定义39号编码标志为坐标原点,以37和39号编码标志的连线为X轴,39和41号编码标志的连线为Y轴,以XY平面的法线方向为Z轴。设置相机的拍摄帧率为120 Hz,在Z方向的敲击激励下,连续采集1000幅图像,通过对编码标志的匹配跟踪,实现风力机叶片在X、Y、Z三个方向上振动数据的测量。其中
表 2. 叶片固有频率识别误差
Table 2. Natural frequency identification error of blades unit: %
|
表 1. 叶片固有频率识别结果
Table 1. Natural frequency identification results of blades unit: Hz
|
图 5. 编码标志的振动位移曲线。(a) X方向; (b) Y方向; (c) Z方向
Fig. 5. Vibration displacement curves of coded marker. (a) X direction; (b) Y direction; (c) Z direction
为避免生成过多的虚假极点,设置模型迭代阶次为20,并将编码标志的振动响应数据导入ERA辨识算法中,以频率为横坐标,绘制系统的稳定图并求解模态参数。
图 6. 传统的ERA稳定图。(a) X方向; (b) Y方向; (c) Z方向
Fig. 6. Stabilization diagrams for traditional ERA. (a) X direction; (b) Y direction; (c) Z direction
图 7. SVD去噪声后的ERA稳定图。 (a) X方向; (b) Y方向; (c) Z方向
Fig. 7. Stabilization diagrams after noise removal by SVD. (a) X direction; (b) Y direction; (c) Z direction
图 8. 阻尼频率关系图。(a) X方向; (b) Y方向; (c) Z方向
Fig. 8. Diagrams of damping and frequency. (a) X direction; (b) Y direction; (c) Z direction
图 9. 改进后的ERA稳定图。 (a) X方向; (b) Y方向; (c) Z方向
Fig. 9. Stabilization diagrams for improved ERA. (a) X direction; (b) Y direction; (c) Z direction
图 10. 归一化的奇异值。 (a) X方向; (b) Y方向; (c) Z方向
Fig. 10. Normalized singular values. (a) X direction; (b) Y direction; (c) Z direction
为了验证本文方法的准确性和有效性,采用B&K公司的8206-002力锤、4514B-001加速度传感器和3053-B-120采集卡对某型1.5 kW风力机叶片开展模态力锤实验,首先使用PULSE软件的MTC Hammer模块对实验对象进行建模与信号采集,最后通过Reflex后处理模块进行模态参数的辨识,并取10次实验结果的平均值作为最终得到的结果。
式中:fi,e为稳定图上实际生成的极点值;
式中:fb,e为锤击法实验得到的结果;δe为固有频率的相对误差。由
5 结论
针对传统接触式测量方法在大尺寸结构应用中的局限性,本文通过摄影测量的方法获取编码标志在空间的运动信息,克服了接触式测量方法采集点数量不够以及传感器附加质量改变结构特性的问题。针对模态计算过程中容易出现虚假模态的问题,提出了一种改进的ERA方法,获取了更清晰和更精确的稳定图,实现了风力机叶片模态参数更准确的辨识。为了证明该方法的有效性,对某型1.5 kW风力机叶片进行实验验证。通过分析发现,风力机叶片在X、Y、Z三个方向的振动数据,均可单独用于辨识模态参数。数据噪声会导致主模态发生偏移,并生成散乱分布的虚假极点,虚假模态虽然不能完全消除,但是可以采用层次聚类分析进行剔除。实验结果表明,摄影测量方法可以准确地获取风力机叶片表面编码标志的空间运动信息,改进的ERA方法识别的各阶固有频率的相对误差均小于3%,三个方向数据辨识的各阶固有频率的平均误差在2%左右,其中使用Z方向数据辨识的模态参数的改进效果最明显,研究成果为大型结构的模态测试和叶片的状态监测提供了一种参考方法。
[1] Li D S. Ho S C M, Song G B, et al. A review of damage detection methods for wind turbine blades[J]. Smart Materials and Structures, 2015, 24(3): 033001.
[2] Juang J N, Pappa R S. An eigensystem realization algorithm for modal parameter identification and model reduction[J]. Journal of Guidance, Control, and Dynamics, 1985, 8(5): 620-627.
[3] 张永祥, 刘心, 褚志刚, 等. 基于随机子空间法的模态参数自动提取[J]. 机械工程学报, 2018, 54(9): 187-194.
[6] 杨谢柳, 尹晨宇, 方素平, 等. 基于全站仪的大型三维形貌摄影测量方法[J]. 激光与光电子学进展, 2020, 57(10): 101505.
[7] 王君, 董明利, 李巍, 等. 大型槽式太阳能反射镜面摄影测量方法[J]. 激光与光电子学进展, 2018, 55(5): 051204.
[8] 严俊, 叶南, 李廷成, 等. 无编码点的工业摄影测量技术的研究及实现[J]. 光学学报, 2019, 39(10): 1015002.
[9] 解则晓, 王晓东, 宫韩磊. 基于双目视觉的薄壁零件圆孔轮廓测量[J]. 中国激光, 2019, 46(12): 1204004.
[11] Castellanos-Toro S, Marmolejo M, Marulanda J, et al. Frequencies and damping ratios of bridges through operational modal analysis using smartphones[J]. Construction and Building Materials, 2018, 188: 490-504.
[13] GolafshanR, Yuce Sanliturk K.SVD and Hankel matrix based de-noising approach for ball bearing fault detection and its assessment using artificial faults[J]. Mechanical Systems and SignalProcessing, 2016, 70/71: 36- 50.
[18] Zhang Z. A flexible new technique for camera calibration[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22(11): 1330-1334.
[19] 张宗华, 王森, 王宇莹, 等. 基于编码环带径向直线拟合的圆环编码标志点中心提取方法[J]. 激光与光电子学进展, 2020, 57(7): 071203.
Article Outline
全伟铭, 郭迎福, 王文韫, 邹龙洲. 基于摄影测量和ERA改进算法的叶片模态辨识方法[J]. 激光与光电子学进展, 2021, 58(4): 0411001. Weiming Quan, Yingfu Guo, Wenyun Wang, Longzhou Zou. Modal Identification Method of Blade Based on Photogrammetry and Improved ERA[J]. Laser & Optoelectronics Progress, 2021, 58(4): 0411001.