基于盲源分离的结构模态参数识别

提出一种结构模态参数识别的新方法。该方法以盲源分离理论中基于二阶统计量的AMUSE算法为基础,通过对测试数据Hilbert变换构建分析数据矩阵,通过求解不同时滞下数据协方差矩阵的广义特征值问题实现对结构模态参数的识别。数值算例结果表明,该方法不仅适用于实模态情况,同时适用于复模态情况,且计算简单,识别精度高,对测量白噪声有很好的鲁棒性。     

基于VMD-SSI的结构模态参数识别

将变分模态分解(VMD)和随机子空间法(SSI)结合,提出了基于VMD-SSI的结构模态参数识别新方法。针对VMD中的模态分层数K值确定困难的问题,提出模态重复比率准则,保证了模态信息的有效分解。依据模态重复比准则确定测量信号的最优分层数K;利用VMD方法进行信号并行分解,用奇异值分解(SVD)去噪,以提高模态参数的识别精度。用该研究提出的VMD-SSI方法识别模态固有频率和阻尼,用VMD方法辨识模态振型,将VMD-SSI法应用于外伸梁模型的模态参数识别,并利用统计理论分别检验识别的模态频率、模态阻尼和模态振型的精度。结果表明, VMD-SSI法识别模态参数的精度高于传统SSI法。     

基于变分模态分解的模态参数识别研究

基于变分模态分解(VMD),提出一种新的结构模态参数识别方法:①通过自由振动试验或通过随机减量法从结构随机振动响应中获取结构自由衰减振动响应(FDR),并采用VMD方法从FDR中分解出结构模态响应;②通过经验包络法(EE)计算模态响应瞬时频率,并通过一种该研究新提出的方法计算模态响应瞬时阻尼比;③结构的模态振型向量可通过处理所有可用传感器得到的模态响应得到。瞬时模态频率和模态阻尼比可以捕获模态参数的任何瞬态变化。通过一系列数值和试验算例验证了该方法的有效性,突出了该方法的优势,并对该方法抗噪声性能进行了研究。研究表明,该方法适用于线性和非线性系统,且可用于识别具有密集模态和瞬态特性的系统。     

基于变分模态分解和同步提取变换识别时变结构瞬时频率EI北大核心CSCD

针对同步提取变换(SET)不能分离频率成分间隔相近的多分量信号的问题,提出了一种结合变分模态分解(VMD)和同步提取变换识别时变结构瞬时频率的方法。首先,通过傅里叶变换确定预设模态数量,利用VMD对多分量信号进行分解得到多个模态分量;然后,采用SET对每个模态分量进行时频分析获取瞬时频率;最后,将各模态分量的时频谱图叠加得到完整的多分量信号时频谱图。针对多分量时变信号和两自由度时变结构自由振动响应信号的瞬时频率识别结果,验证了基于VMD和SET结合方法识别时变结构瞬时频率的有效性和正确性。结果表明,该方法具有较好的噪声鲁棒性和能量聚集性,克服了SET处理频率成分间隔相近的多分量信号的不足,能有效识别具有近距离频率成分的时变结构瞬时频率。索力线性和正弦变化时拉索瞬时频率识别的试验验证了该方法的适用性。     

基于变分模态分解的侵彻过载信号盲分离

侵彻过载信号包含复杂的信号分量,传统的信号处理方法无法有效提取弹体的侵彻过载特征.提出一种将变分模态分解与盲源分离相结合的侵彻过载信号特征分离方法,首先由变分模态分解将源信号分解成一系列本征模态函数;然后将本征模态函数与源信号组成多维观测信号,对其自相关矩阵进行奇异值分解估计源信号数目,并计算各本征模态函数与源信号的相...     

遥测振动信号单通道盲源分离自适应滤波幅度校正方法

针对基于经验模态分解(empirical mode decomposition,EMD)和独立分量分析(independent component analysis,ICA)的单通道盲源分离幅度不确定性问题,根据最小失真准则提出了一种自适应滤波幅度校正方法。利用EMD将单通道信号分解为一系列本征模态函数(intrinsic mode function,IMF),依据对数坐标下的边际谱分布确定单通道信号包含的独立分量数目。选择对应的IMF组合作为观测信号分量,利用ICA完成分离。根据分离信号数目确定横向滤波器阶数,并将分离信号作为滤波器的输入信号分量。利用滤波器输出和原始单通道信号设计目标函数,自适应调整滤波器系数使算法完成收敛,算法收敛后的滤波器权系数即为对应分离信号的幅度校正系数。仿真及飞行器试验遥测振动信号的处理结果证明在EMD-ICA基础上,该方法可准确得到信号各分量的幅度信息,为遥测振动信号进行时域统计及时频分析中能量检测提供了有效技术途径。     

基于VMD和DBN的非线性结构模型参数识别

为解决现有的非线性结构模型参数识别方法面临优化过程复杂的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)和深度置信网络(deep belief network, DBN)的非线性结构模型参数识别方法。首先,利用VMD和希尔伯特变换(Hilbert transform, HT)识别振动响应的瞬时参数;将瞬时参数进行主成分分析后作为输入,非线性模型参数作为输出;然后,利用DBN拟合两者之间的非线性映射关系;最后,将实测振动响应的瞬时参数进行主成分分析,输入训练好的DBN可直接识别修正后的非线性模型参数。通过对两个不同非线性类型的双自由度模型和一个复杂框架模型在地震作用下的数值模拟,与高压输电结构的振动台试验,验证了该方法的有效性。数值与试验结果表明,所提方法具有较高的计算效率和良好的抗噪性。     

基于稀疏指标的优化变分模态分解方法EI北大核心CSCD

针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。     

基于VMD的建筑结构模态参数识别

在建筑结构的健康监测、控制和状态评估中经常遇到的一个关键性问题是如何根据实测响应信号准确估计结构阻尼比及自振频率等模态参数。基于变分模态分解(VMD)提出一种新的结构模态参数识别方法。该方法首先对实测振动信号进行VMD分解,获得单模态信号,然后采用自然环境激励技术(NEXT)得到单模态信号的自由衰减响应,最后利用直接插值法(DI)和曲线拟合获得结构的自振频率和阻尼比。通过三层框架结构的数值模拟验证了该方法的准确性及可靠性。利用该技术对台风“达维”作用下广州中信广场的实测加速度数据进行分析,并将估计的结构模态参数和其他识别方法的分析结果进行对比,进一步验证了该方法的准确性和有效性。     

基于EEMD子带提取相关机械振动信号单通道盲源分离

针对传统独立分量分析难以解决机械故障诊断中存在的相关源信号盲分离、欠定盲分离等问题,在相关振源信号部分子带满足统计独立的假设前提下,提出基于总体经验模态分解子带提取相关机械源单通道盲源分离方法。该方法将单通道观测信号进行总体经验模态分解获得到子带观测信号,将单通道信号及子带观测信号组成新的多维信号,利用奇异值分解及贝叶斯准则估计源信号数目;据互信息标准与源信号数目选若干独立性较强的子带观测信号重构,实现信号升维;对重构的观测信号进行白化预处理及联合近似对角化,获得源信号估计。并仿真、实验验证该方法在机械故障诊断中的有效性。     

基于VMD和Chirplet变换的结构损伤识别研究EI北大核心CSCD

为识别结构损伤位置及对损伤程度进行量化,提出了一种基于变分模态分解(variational mode decomposition,VMD)和Chirplet变换的结构损伤识别方法。采用VMD对结构振动响应信号进行分解得到模态分量,并利用Chirplet变换对模态分量进行时频分析,构建模态分量Chirplet变换能量指标识别损伤位置,利用Chirplet时频熵量化结构损伤程度。采用一个刚度变化的简支梁数值算例对所提方法进行验证,结果表明,无论单点损伤或多点损伤,所提方法均能准确识别结构的损伤位置并量化损伤程度。     

基于参数自寻优变分模态分解的信号降噪方法EI北大核心CSCD

针对滚动轴承故障信号具有非线性、非平稳、噪声强的特点,提出了一种基于参数自寻优变分模态分解(variational modal decomposition,VMD)的信号降噪方法。以模态复合熵作为适应度函数,采用改进粒子群算法进行VMD参数自适应寻优,确定变分模态分解最优模态数K和二次惩罚因子α;基于最优K和α,对原始信号进行VMD分解,得到K个本征模态函数(intrinsic mode function,IMF)分量;利用相关系数筛选法,进行模态分量的有效模态和含噪模态识别,利用小波阈值去噪方法对含噪模态进行去噪处理;将有效模态与去噪后的模态进行重构,实现信号降噪。分别用滚动轴承故障仿真信号和试验信号进行验证,并与EMD降噪方法进行比较,结果表明该方法可有效提高故障信号的信噪比,降噪效果明显,有利于滚动轴承故障特征的提取。     

融合经验模态分解与时频分析的单通道振动信号分离研究

通过单通道振动信号分离研究探讨机械振动源信号提取问题。采用集合经验模态分解方法将单通道信号构造成多通道信号,再通过主分量分析方法得到多通道构造信号的特征值分布情况并以此进行源信号数目估计,进而利用基于时频分析的盲源分离技术获取振动源信号。实验表明,该方法能有效实现单通道振动信号分离,具有较强实际应用价值。     

双/单通道传导电磁干扰噪声盲源分离研究

传导电磁干扰差共模噪声分离中,硬件分离网络结构复杂、成本较高,传统软件分离受环境噪声影响明显,测量同步性差。针对上述局限,提出一种基于盲源分离理论的传导电磁干扰噪声差共模分离策略。首先,利用快速独立分量分析对L线、N线噪声实施双通道盲源分离,实验证明其比射频电流叠加法信噪比范围更宽,适用性更强;其次,单通道盲源分离采用连续小波变换实施虚拟通道扩展以克服同步测量误差,同时改进快速独立分量分析目标函数以提升收敛性能。实验证明,其分离性能取决于小波函数的选取而非扩展通道数量,性能相比双通道盲源分离有一定降低,但节省经济成本,具有较好应用前景。     

未知数量稀疏源盲分离的一种新方法

提出了一种新的用于未知数量稀疏源盲分离的统一方法。为了改善聚类分离的精度，该方法选取混合空间中半径给定的、中心位于原点的超球面以外的所有数据点，然后将这些数据点映射到中心位于原点的单位超球面上以得到集合Cy。由此，原来的聚类变为致密聚类，各聚类互相重叠的现象几乎消失。随后，先通过关于Cy的聚类分离来估计混合矩阵，再根据混合矩阵估计源，其中最佳不相似阚值和相应的聚类数量是自动生成的。计算机仿真结果验证了该方法对具有不同程度稀疏性源的有效性。当源充分稀疏时，重构信噪比大约是300dB。因此，该方法精确、便利。     

基于改进EMD-ICA的结构模态参数识别研究

该文针对频带滤波改进经典经验模态分解(EmpiricalModeDecomposition,EMD)的模态分解能力不足时产生过多虚假模态的问题以及真正本征模函数(IntrinsicModeFunction,IMF)的判定问题,提出了将改进EMD与独立分量相结合的信号分析方法。该方法不需要人为预先设定阈值,能够自动分离出真正的IMF分量,消除改进EMD过程中产生的虚假模态,保障EMD分解信号的有效性。然后利用随机减量技术获得各IMFs的自由模态,最后利希尔伯特变换和最小二乘拟合技术相结合的方法来识别出结构的频率和阻尼比,并通过两个数值算例和一个七层钢框架的模态试验予以验证。研究结果表明：该方法可有效解决改进EMD的缺陷,并成功识别出结构的模态参数。     

基于变分模态分解的水下目标噪声特征提取及分类

当信号中存在异常事件引起的间歇现象时,传统的经验模态分解算法常易产生较为严重的模态混叠现象,严重影响目标特征提取的性能.文章在水下被动目标信号特征分析提取中引用变分模态分解算法.该方法能够自适应地对信号频带进行切割,极大程度上避免了传统模态分解算法所产生的模态混叠现象,提高了对目标特征提取的准确性,同时也避免了无效计算...     

基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法

针对转子裂纹故障特征难于提取,提出了一种基于蝙蝠算法(BA)优化参数的变分模态分解(VMD)诊断转子裂纹故障的方法。将蝙蝠算法应用于变分模态分解,对变分模态分解中参数K和惩罚因子α进行全局寻优,用BA搜索VMD的最优(α,K)组合,迭代过程采用局部极小包络熵为适应度值。仿真分析的结果表明,BA-VMD方法能很好的完成VMD参数K和α的自适应获取,且在抗模态混叠和抗噪声干扰方面的具有明显优势,最后采用BA-VMD方法对裂纹转子的位移信号进行了实验分析,分析结果表明,采用BA-VMD方法处理后的频谱能充分反映出信号的频率特征,且通过频率结构特征很容易识别出转子裂纹的故障特征。     

基于VMD-SSI的结构模态参数识别

针对结构的弱模态易淹没在噪声中导致模态识别遗漏的问题,该文提出了一种基于变分模态逐步抽取高能量模态的结构弱模态识别方法。该方法采用自回归模型功率谱准确选取高能量模态的初始中心频率;利用变分模态抽取法进行高能量模态分量的分解,接着将去除高能量模态成分的信号代替原始结构响应,重复进行下一阶高能量模态的初始中心频率选取和模态成分分解;对各模态分量进行主成分分析法实现振型识别。进一步,通过地震激励下的十自由度数值算例验证该方法在非平稳激励下弱模态识别的有效性;利用IASC-ASCE健康监测工作组开发的4层框架基准模型试验进行数据分析,验证该方法在实际应用中的有效性。结果表明,所提方法能够用于地震激励下含噪情况的结构弱模态识别。

     

环境激励下基于小波变换和奇异值分解的结构模态参数识别

采用小波变换和奇异值分解相结合的方法对环境激励下结构的模态参数进行识别.首先对环境激励下的时不变结构的加速度响应进行协方差分析得到时域协方差响应,利用小波变换将协方差响应转换到时/频域中,沿每一个尺度点提取协方差响应的小波系数阵,然后对提取的小波系数阵进行奇异值分解得到奇异值和奇异向量,最后从重构的奇异值和奇异向量中识别出结构的模态参数.文章通过3自由度系统数值算例分析了该方法的抗噪性能,结果表明该方法具有很好的抗噪能力,在15 dB噪声干扰下能够稳定和准确地识别出结构的模态参数,且比直接用小波变换方法识别的结果更准确;并通过东海大桥主航道斜拉桥模态参数识别的例子进一步验证该方法的实际应用可行性.