《Gabor变换在模态参数辨识中的应用》

对Gabor时频变换在模态参数辨识中的应用进行了探讨,将基于Gabor系数展开的时频滤波方法作为参数辨识的前处理手段之一,该方法对于平稳、非平稳信号都适用。根据信号在时频域内的分布特征,可以直接观测系统的频率分布情况、模态密集程度、能量聚集性、各通道响应信号所含特征量的多少等信息,从而对响应信号的特征构成进行初步判断,并通过剔除、截取等操作实现对响应信号的滤波,更有利于模态参数的辨识。     

应用时频分析方法辨识时变系统的模态参数

应用Gabor展开及Hilbert变换进行时变线性系统模态参数的辨识。利用非平稳信号的Gabor变换将结构响应信号表示在时频面上，并通过Gabor展开重构分离模态分量，建立每一阶模态的时变线性模型。对单模态时变线性模型应用Hilbert变换来辨识随时间变化的模态频率和阻尼。通过对刚度和阻尼慢变的两自由度系统模态参数的仿真辨识验证辨识方法的有效性。仿真结果表明：本文方法为时变线性系统的模态参数辨识提供了一条新的途径。     

风载和冲击载荷激励下的框架结构的模态参数辨识

通过测量框架结构在风载和冲击载荷作用下的加速度响应,使用子空间辨识方法从响应信号中提取结构的模态参数.冲击载荷能改善响应信号的信噪比,减小风载的不平稳随机干扰对参数估计的影响.在参数提取算法中,通过构造特殊形式的辨识矩阵,将特征频率、阻尼比和特征振型估计分两步完成,即先估计特征频率、阻尼比,后估计特征振型.该方法提高了密集模态在强噪声干扰下的可辨识性,同时增强了虚假特征的识别能力.     

几种模态参数盲辨识方法的比较研究

对一多自由度振动系统的模态参数辨识进行了仿真研究。由于该系统具有弱小模态特征，各阶特征能量相差悬殊，不同辨识方法的可辨识性、辨识精度及数值运算量都不相同。分别利用频域分解法、时频域Gabor展开方法、传统子空间辨识法、改进子空间辨识法以及基于高阶统计量的盲方法对该多自由度系统进行了模态参数辨识，分析和比较了各种盲辨识方法的辨识性能。     

一种改进的随机子空间辨识方法的稳定图

为在模态参数辨识中更好地区分虚假模态与物理模态,对传统时域子空间方法的稳定图进行了改进。改进的稳定图利用了由输出信号的自相关函数重构的Hankel矩阵,认为系统阶次固定,模态特征的变化趋势随数据量的增加而体现。在稳定图中引入了可表征各阶估计模态贡献量大小的分量能量指标(CEI)作为判断模态特征稳定性的判据之一,以剔除虚假特征。通过对一个受噪声污染、具有密集模态的振动仿真系统进行辨识,从改进的稳定图中可以看到物理模态随数据量增加仍保持稳定,且对应于较大的CEI值,虚假模态的表现则明显相反,验证了该改进的子空间方法的稳定图的正确性和有效性。     

非稳态环境激励下线性结构的模态参数辨识

假定任意随机激励信号由白噪声与非白噪声信号组成，由此导出线性结构响应之间的相关函数由两部分组成，一部分与脉冲响应具有相同的数学形式，另一部分为其它形式，利用模态分解法的基本原理，把相关函数分解为各个模态函数的叠加与余项之和，这样，第一部分信号已经分解为不同的模态函数，第二部分中的周期信号也变成了模态函数，这就把非稳态环境激励下多自由度线性结构系统的模态参数辨识问题转化为类似于已知各个单自由度系统的脉冲响应进行模态参数辨识问题，理论和模拟实验表明，本文成功地利用模态分解法进行非稳态环境激励下多自由度线性结构系统的模态参数辨识，其主要优点是，无论是白噪声激励，稳态随机激励还是非稳态随机激励，仅根据结构的响应不仅能辨识线性结构的模态参数，而且能有效地识别出环境激励中的周期成分。     

基于HHT-RDT算法的高拱坝泄流结构工作模态识别方法

根据高拱坝泄流结构自身的工作特点,为准确辨识环境激励下的结构模态参数特征,提出了一种基于改进的HHT-RDT算法的高拱坝泄流结构工作模态识别方法。以某高拱坝原型振动响应测试资料为基础,利用改进的小波阈值-EMD算法对原始信号进行降噪预处理,滤除干扰噪声的同时保留有效特征信息;采用HHT-RDT算法识别高拱坝泄流结构的工作模态参数,运用带通滤波对振动响应信号的EMD过程进行控制得到结构的各阶模态分量,利用RDT法提取各阶模态分量的自由衰减信息,识别出高拱坝泄流结构系统的固有频率及阻尼比。工程实例表明,该方法避免了复杂系统定阶过程,有效提高结构振动响应工作模态识别精度,为辨识高拱坝泄流结构的工作模态参数提供捷径。     

振动响应传递率及其工作模态分析方法综述

基于振动响应传递率的工作模态分析方法是近年来出现的一类新的频域工作模态分析方法。由于振动响应传递率独特的动力学特性,该类方法得到了迅速的发展。从以下三个方面对振动响应传递率及其工作模态分析方法进行综述:振动传递率的概念、振动传递率的估计方法和基于振动传递率的工作模态辨识方法。在对各种辨识方法原理介绍的基础上,分析其特点及其存在的问题。结合多自由度系统模型,采用四种具有代表性的辨识方法对不同激励情况下的工作模态进行辨识,并对辨识结果以及方法的局限性进行了分析比较。     

一种分段平稳随机信号的参数识别方法

基于振动的结构健康监测的前提是从振动测试信号中提取结构模态参数。随机子空间方法是近年来发展起来的一种线性系统辨识方法，可以有效地从环境激励的结构响应信号中提取结构模态参数。随机子空间识别方法的应用前提是输人满足白噪声的假定，输出信号应当是平稳信号。论文对随机子空间方法的使用前提进行了拓展。将非平稳信号划分为分段平稳随机信号进行处理，为非平稳信号的研究提供一种新的分析方法。基本思想是将在现场采集的结构输出信号进行分段，各段信号应满足稳定的条件，即分段平稳。将各段信号用随机子空间结合稳定图进行识别，然后将所有各段所识别的模态参数再一次用稳定图方法进行分析，得出结构的模态参数。最后用-3跨连续梁的数值模型进行验证，结果表明用随机子空间方法结合两次稳定图可以有效地识别分段平稳的随机信号。     

FRP橡胶隔振器水平剪切特性的初步研究

应用小波变换及自助理论对多自由度系统进行模态参数辨识。通过对结构系统响应信号进行小波变换将其表示在时频域内,在分析了小波变换的时频分辨率特性后,利用最小Shannon熵获取最优小波参数,并运用自助理论估计出模态参数分布的置信区间范围。数值仿真表明了该方法对模态参数估计的有效性。将所提方法应用于一个振动台的模态分析,实验结果表明,提出的小波自助模态参数辨识方法降低了模态参数辨识的难度,提高了模态频率和阻尼比的辨识精度。     

非线性调频分量分解的转子油膜涡动信号分析研究

转子轴承系统的振动信号常呈现非线性调频特征且信号分量在频域混叠,传统的频谱分析方法难以处理该类信号。基于参数化解调的非线性调频信号分解方法来分析油膜涡动、油膜振荡特征信号能够有效分解频域混叠的非平稳信号。首先通过优化频谱集中性指标来估计信号瞬时频率参数并用估计到的参数将非线性调频信号解调为平稳信号,最后用带通滤波器提取解调信号。仿真及实验信号通过该方法分析后的结果证明,所用非线性调频分量分解的信号分解方法能够有效提取转子轴承系统的油膜涡动、油膜振荡故障特征,从信号时频图及提取分量的时域图可以清晰看到油膜涡动、油膜振荡的发生发展过程,为早期油膜涡动判定提供依据。     

Application of Local Wave Time-Frequency Spectrum and Neural Networks to Fault Classification in Rotating Machine

A new method of fault analysis and detection by signal classification in rotating machines is presented. The Local Wave time-frequency spectrum which is a new method for processing a nonstationary signal is used to produce the representation of the signal. This method allows the decomposition of one-dimensional signals into intrinsic mode functions(IMFs) using empirical mode decomposition and the calculation of a meaningful multi-componentinstantaneous frequency. Applied to fault signals, it provides new time-frequency attributes. Then the moments and margins of the time-frequency spectrum are calculated as the feature vectors. The probabilistic neural network is used to classify different fault modes. The accuracy and robustness oftained during the different fault modes( early rub,the proposed methods is investigated on signals obloose, misalignment of the rotor) .     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

谐波噪声下的试验模态分析

试验模态分析中通常使用平均方法处理由实验环境引起的随机噪声。当测试环境中含有周期噪声时,很难通过平均方法去除,在频响函数中会产生虚假共振峰,影响结构参数识别精度。该文提出了基于增强概率统计的谐波响应检测方法,将物理坐标下的响应信号变换到模态坐标中,并根据谐波信号的统计特性检测出谐波成分。提出了一种基于谐波分解与重构的谐波去除方法,用于消除谐波成分对结构参数识别的影响。通过平面刚架的仿真算例和GARTEUR飞机模型实测算例阐明了提出方法的实现过程,验证了其可靠性。     

基于变分模态分解和奇异值分解的频率相近信号分离方法

频率相近信号分离是故障诊断的难点问题。变分模态分解(VMD)作为一种新的信号时频分析方法,对频率相近信号具有较高的分辨率,能够实现频率相近信号的分离。VMD分解时先指定分解层数,层数选取的优劣将直接影响分解效果,过分解时容易产生虚假频率成分,反之,欠分解则容易丢失有用频率成分。基于此,提出一种基于变分模态分解和奇异值分解相结合的相近频率信号分离方法。首先选择适当的分解层数对信号进行VMD过分解,然后对分解得到的分量进行奇异值分解,通过奇异值分解检测并剔除虚假信号成分,从而实现频率相近信号的有效分离。利用仿真信号和滚动轴承故障信号证明了该方法的有效性和可行性。     

Separation of overlapping linear frequency modulated (LFM) signals using the fractional fourier transform

Linear frequency modulated (LFM) excitation combined with pulse compression provides an increase in SNR at the receiver. LFM signals are of longer duration than pulsed signals of the same bandwidth; consequently, in many practical situations, maintaining temporal separation between echoes is not possible. Where analysis is performed on individual LFM signals, a separation technique is required. Time windowing is unable to separate signals overlapping in time. Frequency domain filtering is unable to separate signals with overlapping spectra. This paper describes a method to separate time-overlapping LFM signals through the application of the fractional Fourier transform (FrFT), a transform operating in both time and frequency domains. A short introduction to the FrFT and its operation and calculation are presented. The proposed signal separation method is illustrated by application to a simulated ultrasound signal, created by the summation of multiple time-overlapping LFM signals and the component signals recovered with ±0.6% spectral error. The results of an experimental investigation are presented in which the proposed separation method is applied to time-overlapping LFM signals created by the transmission of a LFM signal through a stainless steel plate and water-filled pipe.     

SCA-VMD在变压器声信号降噪中的应用

针对采集变压器运行声信号时会混入噪声的情况,提出了基于稀疏分量分析-变分模态分解（sparse component analysis-variational modal decomposition,SCA-VMD）分离变压器运行声信号并降噪的方法。基于稀疏特性的欠定盲源分离能够在观测信号数目小于未知源信号数目的情况下实现源信号的有效分离,变分模态分解（VMD）能将一个多分量信号一次性分解为多个单分量信号。以两路观测信号作为输入,利用稀疏分量分析法（SCA）分离得到变压器运行声信号,再利用VMD将分离信号分解为4层本征模态函数（intrinsic mode function,IMF）分量,通过阈值滤波的方法对高频分量和低频分量进行去噪处理,利用新的IMF分量重构得到去噪信号。仿真试验和实际试验结果表明,该方法能实现对变压器运行声信号的有效分离和去噪处理。     

An empirical mode decomposition‐based frequency‐domain approach for the fatigue analysis of nonstationary processes

Mechanical structures in service are often subjected to irregular loads, which are typically idealized as stationary random processes. However, the service loads in real applications are often nonstationary ones, in which case conventional frequency‐domain methods are no longer applicable. Here, a novel frequency‐domain approach based on empirical mode decomposition is developed for the fatigue analysis of nonstationary processes. A simplified approach is introduced to calculate the rainflow cycle distributions of non‐Gaussian intrinsic mode functions. Two typical nonstationary processes in engineering practice are simulated numerically to validate the proposed method. The proposed method is applied to fatigue life estimation of a dynamical structure under nonstationary excitations. Reliable life estimations are obtained within much less computation time than the time‐domain method. The results verify the applicability and effectiveness of the proposed method for the fatigue analysis of nonstationary processes.     

谐波窗方法及其在裂纹故障识别中的应用

分析了谐波小波的优点。在研究谐波小波的频段分解的基础上，提出了不分层分析的谐波窗方法。推导了谐波窗的频段分析表达式，并给出了实现过程。该方法显示了小波分析的窗口伸缩功能．但避免了在基于二进的小波变换过程中，由于隔点采样导致的信息丢失现象。利用该方法对3个数字信号进行分析，体现了该方法对近频信号和微弱瞬态信号的识别能力，也体现了该方法对淹没在强噪声中微弱周期信号的提取能力。利用该方法，对某汽车齿轮箱的裂纹故障产生的原因进行振动信号的频域识别，得到了满意结果。     

一种新的估计瞬时频率的方法—经验包络法

常用的求取瞬时频率的方法,希尔伯特变换,会出现无法解释的负频率和明显的端点效应。标准希尔伯特变换克服了希尔伯特变换出现负频率的缺点,但仍然有端点效应。为了避免希尔伯特变换,基于信号的经验调幅调频分解,论文提出了一种新的求取瞬时频率的方法—经验包络法(empirical envelope method,简称EE）。经验包络法本质上是先通过经验调幅调频分解获取纯调频信号,然后对其求导,再对求导的结果进行经验调幅调频分解,提取出包络信号,便可获得原信号的瞬时频率。论文首先给出了经验调幅调频分解的详细过程,然后给出了经验包络法的原理和具体步骤,最后采用仿真信号将经验包络法与希尔伯特变换、标准希尔伯特变换和反余弦法进行了对比,分析结果表明了经验包络法的优越性