✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
🔥 内容介绍
本文旨在阐述如何通过数值方法计算和仿真单自由度 (Single Degree of Freedom, SDOF) 和双自由度 (Two Degree of Freedom, 2DOF) 弹簧质量系统的位置和速度。为避免冗余,本文将略去具体的数学公式推导,相关数学背景知识已在配套的演示幻灯片中详细呈现。读者应参照幻灯片以获得完整的数学基础。本文重点在于讨论数值方法的应用,并展示仿真结果,以深入理解这两种系统的动态特性。
1. 引言
弹簧质量系统是机械工程、土木工程以及其他工程领域中常用的理想化模型,用于分析振动和动态响应。单自由度和双自由度系统是理解更复杂系统行为的基础。精确地预测这些系统的运动状态,对于结构设计、控制系统开发和故障诊断至关重要。解析解虽然可以在某些简单情况下获得,但对于更复杂的情况,例如非线性弹簧或阻尼,以及复杂的激励函数,数值方法成为不可或缺的工具。
2. 数值方法选择
多种数值方法可以用于求解弹簧质量系统的运动方程。常用的方法包括:
-
欧拉法 (Euler Method): 一种简单的一阶方法,易于实现,但精度较低,且对步长敏感。
-
改进欧拉法 (Improved Euler Method): 也称为 Heun's method,精度高于欧拉法,但计算量稍大。
-
龙格-库塔法 (Runge-Kutta Methods): 一系列高阶方法,包括经典的四阶龙格-库塔法 (RK4),具有较高的精度和稳定性,是常用的选择。
-
Newmark 方法: 针对结构动力学问题开发的隐式积分方法,适用于求解具有刚性特性的系统。
由于 RK4 方法在精度和计算效率之间取得了良好的平衡,本文选择 RK4 方法作为主要的数值求解方法。
3. 单自由度弹簧质量系统的数值仿真
3.1 模型描述
单自由度弹簧质量系统由一个质量块 (m)、一个弹簧 (k) 和一个阻尼器 (c) 组成。质量块在单一方向上运动。其运动方程可以表示为:
m*x''(t) + c*x'(t) + k*x(t) = F(t)
其中,x(t) 是质量块的位置,x'(t) 是速度,x''(t) 是加速度,F(t) 是外力。
3.2 数值实现
为了使用 RK4 方法,需要将二阶微分方程转换为一阶微分方程组。令 v(t) = x'(t),则有:
x'(t) = v(t)
v'(t) = (F(t) - c*v(t) - k*x(t)) / m
现在,可以使用 RK4 方法迭代计算 x(t) 和 v(t)。RK4 方法的通用形式如下:
k1 = h * f(t_n, y_n)
k2 = h * f(t_n + h/2, y_n + k1/2)
k3 = h * f(t_n + h/2, y_n + k2/2)
k4 = h * f(t_n + h, y_n + k3)
y_{n+1} = y_n + (k1 + 2*k2 + 2*k3 + k4) / 6
其中,h 是时间步长,y_n 是 t_n 时刻的状态变量,f(t, y) 是微分方程的右侧。在本例中,y = [x, v],f(t, y) = [v, (F(t) - cv - kx) / m]。
3.3 仿真结果与分析
通过选择合适的 m、k、c 值和外力 F(t),可以模拟各种不同的系统行为。例如,当 F(t) = 0 且 c = 0 时,系统将发生自由振动。改变阻尼系数 c 可以观察欠阻尼、临界阻尼和过阻尼状态。施加正弦激励可以研究系统的共振现象。
仿真结果通常以位置-时间曲线和速度-时间曲线的形式展示。可以进一步分析系统的固有频率、阻尼比、振幅响应等特征。需要注意的是,选择合适的时间步长 h 对于确保数值解的精度和稳定性至关重要。过大的步长可能导致误差累积甚至发散。
4. 双自由度弹簧质量系统的数值仿真
4.1 模型描述
双自由度弹簧质量系统由两个质量块 (m1, m2)、三个弹簧 (k1, k2, k3) 和两个阻尼器 (c1, c2) 组成。两个质量块分别在各自的方向上运动。其运动方程可以表示为:
m1*x1''(t) + c1*x1'(t) + k1*x1(t) + k2*(x1(t) - x2(t)) = F1(t)
m2*x2''(t) + c2*x2'(t) + k3*x2(t) + k2*(x2(t) - x1(t)) = F2(t)
其中,x1(t) 和 x2(t) 分别是两个质量块的位置,F1(t) 和 F2(t) 是作用在两个质量块上的外力。
4.2 数值实现
类似地,将二阶微分方程转换为一阶微分方程组。令 v1(t) = x1'(t) 和 v2(t) = x2'(t),则有:
x1'(t) = v1(t)
x2'(t) = v2(t)
v1'(t) = (F1(t) - c1*v1(t) - k1*x1(t) - k2*(x1(t) - x2(t))) / m1
v2'(t) = (F2(t) - c2*v2(t) - k3*x2(t) - k2*(x2(t) - x1(t))) / m2
现在,可以使用 RK4 方法迭代计算 x1(t)、x2(t)、v1(t) 和 v2(t)。在本例中,y = [x1, x2, v1, v2],f(t, y) 包含上述四个一阶微分方程的右侧。
本文阐述了如何使用数值方法(特别是 RK4 方法)计算和仿真单自由度和双自由度弹簧质量系统的位置和速度。通过仿真,可以深入理解这些系统的动态特性,例如固有频率、阻尼比、振动模式和能量传递。这些仿真结果对于结构设计、控制系统开发和故障诊断具有重要的意义。读者应结合演示幻灯片中的数学推导,以更全面地理解本文所描述的数值方法和仿真结果。未来的工作可以扩展到更复杂的系统,例如多自由度系统和非线性系统,以及更先进的数值方法,例如有限元方法。
📣 部分代码
clc;
clear all;
close all;
global m k w_f F0
mass = "Mass of body: ";
m = input(mass);
sprnConst = "Spring constant: ";
k = input(sprnConst);
for_w = "Angular frequency of exciting force: ";
w_f = input(for_w);
F_amp = "Amplitude of exciting force: ";
F0 = input(F_amp);
dt = .005;
t = 0:dt:3;
c1 = "Initial velocity: ";
vel0 = input(c1);
c2 = "Iniitial displacement: ";
disp0 = input(c2);
y0 = [vel0 disp0]; %[vel disp]
[tsol,ysol] = ode45('odetest2',0:dt:3,y0);
plot(t,ysol(:,2));
xlabel('Displacement')
ylabel('metres')
figure
plot(t,ysol(:,1));
xlabel('Velocity')
ylabel('metre/sec')
T = 2*pi*sqrt(m/k)
figure
% creates mass plot
mass = plot(ysol(1,2), 0, 'bo', 'MarkerSize', 30, 'MarkerFaceColor', 'b');
% sets axis limits
axis([min(ysol(:,2))-0.1 max(ysol(:,2))+0.1 -0.1 0.1]);
% loops through time steps and update position of mass
time = t;
for i = 1:length(time)
set(mass, 'XData', ysol(i,2));
pause(dt);
end
⛳️ 运行结果
🔗 参考文献
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🌿 往期回顾可以关注主页,点击搜索
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇