基于信号的在线加速度和应变数据融合：运用于全场动态位移估计的 B 样条与卡尔曼滤�

位移在结构健康监测(SHM)和受动力载荷作用下的结构系统损伤检测中起关键作用。然而,由于在动力载荷下直接测量位移的便利性差以及位移传感器的高成本,位移测量往往受到限制。近年来,从加速度和应变数据间接估计位移的研究逐渐受到关注。已有研究开发出了多种基于加速度和应变数据的数据融合技术来估计位移。然而,现有的数据融合技术大多依赖于系统特性(如振型)或有限元模型,且要求对系统具有准确的先验知识才能成功实现。因此,它们本身存在局限性,即适用性仅限于结构简单、且易获取此类信息的情形。在本文中,我们采用 B 样条基函数构建了一种基于卡尔曼滤波的数据融合算法,该算法仅依赖于系统的基本信息(如几何形状和边界条件),这正是该方法的主要优势。此外,该算法使得我们仅需少量传感器即可对系统进行全场位移在线监测。该方法在受动力激励作用下的锥形梁有限元模型生成的数值数据集上进行了验证。随后,该数据融合技术被应用于风力发电机叶片在动力载荷下的实验基准测试,以估计位移时程。两种情况下,由应变和加速度重建的位移均与有限元模型响应良好吻合。