连续小波变换在密集工作模态参数识别中的应用

为了研究小波变换对密集工作模态参数识别效果,构建一个含有密频成分的三自由度系统,应用窄带白噪声模拟环境激励,采用改进的Morlet小波作为连续小波变换的基函数。研究发现,降低小波函数带宽可以提高频率分辨率,解耦密集模态,但同时也加剧边缘效应问题,影响参数识别精度。为此,文章采用支持向量机（SVM）小样本预测技术对信号进行延拓,先增加信号的可用长度,变换之后再截取有用部分,使得边缘效应问题得到抑制。仿真结果表明,此方法可以得到较高的识别精度。最后,通过对磨机前两阶宻频模态进行识别,验证该方法的可行性与有效性。     

基于解析小波变换的变压器绕组模态参数识别

电力变压器绕组的模态参数与绕组结构振动特性、动力特性优化设计及振动故障诊断密切相关,考虑到传统的模态识别方法在获取变压器绕组这类非线性系统参数时的局限性,在对某10 kV实体变压器绕组进行轴向激振实验的基础上,引入复小波变换法对测试得到的振动信号进行分析,同时使用Crazy Climber算法提取小波脊线,得到变压器绕组的前三阶固有频率及其对应的阻尼比。计算结果与目前通用的频域识别方法Poly Max法识别结果的良好吻合说明计算结果的正确性。此外,计算结果表明基于小波变换的模态参数识别方法具有较强的抗干扰性能力,适合于分析变压器绕组这类复杂结果的模态参数。     

基于希尔伯特变换结构模态参数识别

应用HHT方法对GARTEUR飞机模型模态参数进行识别,通过采用多通带滤波器对信号进行滤波,较好的解决模态混叠问题,采用NExT法对信号预处理,由EMD分解获得较准确的各阶固有模态函数分量（IMF）,在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应,然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。最后对悬臂梁进行数值仿真模拟,并将模态参数识别结果和理论值进行对比,并运用此方法进一步识别GARTEUR飞机模型固有模态参数。     

基于小波变换的轧辊磨床振动信号分析研究

针对实际测试项目,介绍了用于轧辊磨床振动测量的信号采集系统的硬件组成及信号采集方法。简述了振动信号分析的理论与方法,采用基于小波变换的信号分析方法对磨床振动信号进行分析,能同时兼顾高频与低频段的频谱特性,提高特征频率的提取精确度,进而提高系统故障诊断的可靠性。     

基于小波变换方法的高层建筑模态参数辨识

针对高层建筑抗震、抗风、健康监测及损伤诊断等研究中结构模态参数辨识问题,利用随机减量技术从环境激励下的高层建筑振动响应数据中提取自由衰减信号,根据自由衰减信号小波变换结果可以有效地辨识高层建筑固有频率和粘性阻尼系数。通过仿真结果与理论值比较,证实了该方法的有效性和精确性。该方法成功地运用于大连市某高层楼房的固有频率和粘性阻尼系数的辨识,为该高层楼房健康监测提供了重要的参考依据。     

扫频激励下的飞机颤振模态参数小波辨识研究

为在大噪声环境下准确辨识飞机颤振模态参数,提出了一种适用于扫频激励的颤振模态参数小波辨识方法.该方法首先采用分数阶傅里叶变换对试飞数据时频滤波,随后由频响函数获得脉冲响应,并运用小波变换从脉冲响应中提取模态参数.该方法即利用了扫频信号在分数阶傅里叶域内的聚焦特性,又借助了Morlet小波的窄带滤波特性,显著降低了辨识过程中噪声的不利影响.讨论了算法性能,给出了适用范围,并采用仿真算例和实测试飞数据予以验证,结果表明该方法在大噪声环境下表现了较高的辨识精度.     

小波变换与自助理论在模态参数辨识中的应用研究

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.     

基于小波包变换与核主成分分析的铣削颤振识别

提出一种基于小波包变换（wavelet packets transform, WPT）与核主成分分析（kernel principal component analysis,KPCA）的颤振识别方法。铣削颤振会抑制或增强某些频段内的信号,利用四层小波包分解与重构,得到16个频段内的重构信号,获得各重构信号的面积,并进行归一化处理,完成铣削颤振特征向量的选择。继而通过对比基于主成分分析（principal component analysis,PCA）与核主成分分析的特征提取方法的特征提取效果,选取KPCA对特征向量进行降维处理,最后以降维后的数据作为最小二乘支持向量机分类器的输入对铣削状态进行识别。结果表明,在小样本的情况下仍能有效、准确地对铣削状态进行分类,分类准确率达95.0 %。     

曲率模态小波分析在桥梁损伤检测中的应用

运用连续小波变换对不同缺陷简支梁的曲率模态进行分析。结果表明,根据曲率模态的小波变换系数可以确定结构的损伤位置。若损伤位置处于振型的平衡位置附近,则可以将多阶曲率模态的小波变换结果进行叠加,根据叠加以后的小波变换系数依然可以判断结构损伤的位置。进一步研究表明,结构损伤程度与小波变换系数峰值大小之间没有必然的联系,其峰值仅仅指示结构损伤的位置,需要其他指标来确定结构损伤程度与损伤指标之间的定量关系。     

基于小波变换的结构模态参数识别

及时、准确地识别出结构的模态参数是结构健康监测与损伤识别的重要前提。小波分析是众多识别方法中较优越的一种，因其在时一频两域都具有表征信号局部特征的能力，近年来这一方法在线性及非线性系统的参数识别中开始应用。探讨了基于小波脊（Ridge）与小波骨架（Skeleton）的模态参数识别方法，针对小波变换中遇到的边端效应问题，提出了基于自回归滑动平均模型（ARMA）的“预测延拓”方法，并以美国土木工程师学会（ASCE）提供的Benchmark模型为例进行了数值模拟。结果表明，本文提出的方法可以有效地抑制小波边端效应，通过小渡变换可以准确地识别出结构的模态参数。     

小波变换在密集模态结构参数识别中的应用

系统研究了小波变换在具有低频密集模态的土木工程结构参数识别中的应用。采用Morlet小波，首先阐述了该方法识别模态频率和模态阻尼比的基本原理；分析了其时间和频率分辨率，针对土木工程结构中低频模态密集的情况，提出了选择小波参数的具体方法。通过三自由度结构的数值分析验证了该方法的正确性和优越性。     

小波变换在轿车车内噪声源识别中的应用研究

阐述小波变换及小波分解的基本原理,对车内噪声及相关噪声、振动信号进行测量,利用小波分解原理对噪声及振动信号进行分解,得到各信号的特征向量,根据各信号的特征向量确定车内噪声与其它振动、噪声信号的相关系数,根据车内噪声与各振动、噪声信号的相关程度确定车内噪声的主要噪声源,并试验验证小波变换对噪声源识别的有效性和正确性。     

基于小波分析的结构损伤检测

损伤结构的动力特性具有局部时变的特征，小波变换在时域和频域都具有表征信号局部特征的能力，小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节，因此可以对损伤结构的非线性动力特性能进行有效的分析。提出运用小波分析提取结构损伤特征向量的方法和基本原理，并进一步用神经网络进行损伤位置和程度的检测。文章通过一个两层框架的模型对小波神经网络和传统的BP网络的损伤识别精度作了对比。研究表明，小波神经网络的抗噪声能力较强，损伤识别的效果更好，运用小波神经网络进行结构损伤识别精度要优于传统的BP网络。     

利用改进的EMD和随机减量法识别模态参数

对振动信号进行小波去噪,克服环境噪声的干扰,提高EMD的质量,利用相关系数去除虚伪分量,然后利用随机减量法和ITD法识别出列车地板的固有频率和阻尼比。将此方法识别结果与LMS商业软件识别结果进行对比,频率相对误差不超过6 %,阻尼比相对误差不超过7 %。由此说明该方法具有较高的识别精度。     

采用小波变换实现振动信号数据野点的剔除

在履带车辆振动信号数据处理中,野点的存在会产生虚假的谐频成分。利用小波变换将振动信号分解为近似分量和细节分量,利用莱特准则对细节分量进行野值判别,然后用加权系数法计算新的值替代含野值的细节分量,重构信号。试验数据处理结果表明,该方法能最大保留有用信号信息,实现野值剔除。     

小波包变换在金属磁记忆信号处理中的应用研究

金属磁记忆技术是对金属部件进行早期损伤检测行之有效的方法.针对磁记忆信号中存在干扰磁场,不利于应力集中区特征信号的识别的问题,运用小波包分解重构的滤波方法。小波包将信号分解到各个不同的频段,截取感兴趣的频段,再重构信号,达到降低干扰信号的目的。仿真分析验证了该方法的可行性。通过对实测磁记忆信号进行小波包分解重构,使得应力集中区的特征更易识别,取得了较好的效果,降低了误判的几率。     

基于气动信号小波分解的风机叶片裂纹扩展特征分析

叶片裂纹和断裂是风机中普遍存在的一种严重安全隐患,尽早检测出裂纹对于风机安全运行具有重要意义。对采集的无裂纹和具有不同长度裂纹叶片的气动信号分别进行小波分解,并对分解系数进行重构,获取各频带归一化能量作为特征向量进行分析。结果证明:随着叶片裂纹的扩展,气动信号频率向低频和高频拓展。这为叶片裂纹故障的识别提供依据。