侵彻过程弹体结构响应频率特性的分析方法

为了研究侵彻过程中弹体结构响应的频率特性,通过建立弹体的有限元模型,利用弹体结构模态分析求解得到弹体的固有频率和振型,并对弹体进行谐响应分析,得到弹体在侵彻阻力作用下达到共振时的频率.针对侵彻加速度信号是非平稳时变信号,采用总体经验模态分解算法对实测的侵彻信号进行分解,找到与谐响应分析获得的共振频率相对应的分量,从而估计出弹体结构响应的对应频率.通过对实测的侵彻4层混凝土靶板的加速度信号分析,分解出的第3阶固有模态函数分量频率与谐响应分析所得弹体结构响应共振频率的相对误差为4·2％,该分量为弹体结构响应加速度信号,从而得到该实验弹在侵彻过程中弹体结构响应的频率.     

侵彻过载信号的欠定盲源分离与特征提取

侵彻过载信号成份复杂,传统盲源分离方法无法有效提取弹体侵彻板靶特征,基于此提出一种不受测试传感器数量限制、具有源数估计的侵彻过载信号盲源分离方法。首先,对单通道测试信号进行总体经验模态分解,将分解后的固有模态与原信号组成多维信号;其次,对组成的多维信号奇异值分解,以"前K次奇异值占优"法则估计信号振源个数,利用"最大互相关系数法"筛选最优IMF函数与原信号重组构造多通道混合信号;最后,对多通道混合信号白化处理和联合近似对角化,计算酉矩阵获得测试信号的混合估计。将其用于单通道侵彻过载信号的特征提取,获得了与源信号相关度为0.974 7的加速度特征信号。与现有方法相比,该方法能有效分离出单通道侵彻过载特征信号,并且信号处理过程具有的自适应特性也解决了不同弹靶工况下过载信号滤波频率的选择困难问题。     

改进经验模态分解在动平衡信号提取中的应用

在变频结构干扰和强噪声背景下，传统方法从原始振动信号中提取动平衡信号的精度不高。本文采用经验模态分解可以根据实时振动信号的局部特征时间尺度，将其自适应分解为有限多个由高频到低频排列的、正交的本征模态函数；同时利用自回归预测模型延拓信号端点，以消除分解过程的边界效应对低频动平衡信号的影响；最后，根据功率谱密度可以快速、有效地判断出代表基频信号的本征模态函数。实验结果证明，该方法可以高精度提取动平衡信号，在相同测量条件下，能够获得较高的一次不平衡量降低率和较好的重复性能。     

基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率。对IMF分量构建Hankel矩阵,并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率。实验结果表明,所提出的方法能有效地应用于轴承的故障诊断。     

基于奇异值分解的侵彻过载信号降噪方法

为解决硬目标侵彻过载信号的降噪问题,提出侵彻加速度信号的奇异值分解技术。首先,通过主体奇异值分量稳定原则确定信号的重构子矩阵;然后,利用前K次奇异值能量占优法则提取奇异值的有效阶次,在此基础上对实测信号进行奇异值分解;最后,利用分解出的有效奇异值完成信号的重构。实验证明,经此方法处理的侵彻过载信号可以有效剔除隐含在弹体加速度信号中的振动和噪声,重构后的加速度曲线具有比小波降噪效果更好的信噪比,积分得到的位移曲线能较好反映实际侵彻深度,是侵彻过载信号处理的一种新的可行方法。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

改进的噪声总体集合经验模式分解方法在轴承故障诊断中的应用

在复杂的流程工业中,机械设备往往处在高速、重载、高温、高辐射的环境中,轴承作为主要的机械零部件起着重要作用。由于轴承故障振动信号的微弱和不平稳的特性,造成故障特征向量提取和故障诊断存在着困难。提出一种改进的CEEMDAN(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)轴承故障诊断方法。通过对比分析仿真信号和实测信号可以得知:ICEEMDAN方法可以改善信号重构质量,具有良好的自适应性,能够提高故障信号的信噪比,从而可以有效地识别并提取有用的故障特征信息。     

基于ISSEWD和SOWN的轴承工况识别研究

针对传统滚动轴承运行工况识别方法需要人工特征提取和特征选择的缺陷,提出了一种基于改进谱分割经验小波分解和自组织Wasserstein网络的轴承工况识别方法.首先将采集到的滚动轴承振动信号进行Fourier变换,从而得到了频谱,然后采用四分位数法检测信号频谱边界,进而对信号频谱进行了自适应分割,将滚动轴承振动信号分解为若...     

运用希尔伯特黄变换的桥梁颤振导数识别

提出了一种基于希尔伯特黄变换(Hilbert-Huang Transform,简称HHT)识别桥梁颤振导数的方法.根据HHT理论,首先利用经验模态分解(Emprical Mode Decomposition,简称EMD)将桥梁节段模型风洞试验中实测得到的自由振动加速度响应信号分解成一系列本征模函数(Intrinsic Mode Function,简称IMF)分量,对幅值最大的IMF分量作希尔伯特变换,得到其瞬时振幅和瞬时频率.通过信号处理,识别出结构的固有频率和模态阻尼比.其次,对自由振动时程进行时域拟合,获得结构的复振型.最后通过状态方程确定系统的8个颤振导数.数值仿真算例表明,该方法具有较好的抗噪性和可靠性,风洞试验也验证了该方法的可行性和有效性.     

运用总体经验模态分解的疲劳信号降噪方法

将总体经验模态分解(ensemble empircal mode decomposition,简称EEMD)用于疲劳应变信号降噪,并与小波变换(wavelet transform,简称WT)方法进行了对比.提出了基于EEMD方法的疲劳应变信号降噪计算步骤,并分别用于模拟信号、试验数据和实测资料的降噪处理.讨论了EEMD计算参数对降噪效果的影响,给出了计算参数的选取原则.结果表明,EEMD方法可以较好地降低疲劳信号的噪声,提高应力循环次数统计的准确度,具有自适应的特点.     

基于HHT的导弹发射冲击时频谱分析

为研究弹载部件在导弹发射过程中的冲击响应及冲击信号的传递特性,进行了基于希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)的导弹发射冲击时频谱分析。由于经验模态分解(empirical mode decomposition,简称EMD)结果易受白噪声的影响,研究了总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)技术。以弹体不同位置的实测冲击信号为对象,应用HHT技术进行分析,准确得到了导弹发射冲击信号的固有模态函数(intrinsic mode function,简称IMF)和时间-频率-能量谱特征,并研究了两次冲击的频率分布和各阶IMF与原始信号的相关性。结合边际谱分析对比了两个舱段能量在中低频和高频的传递特性,进一步验证了HHT方法在分析非线性和非平稳冲击信号中的优越性。     

基于经验模态分解的改进乘性噪声去除方法

乘性噪声往往由不理想的(时变的或非线性的)信道引起,它与信号是相乘的关系,因此难以消除。在乘性噪声消除应用背景下,引入同态变换去除噪声与信号的相倚性,将乘性噪声转化为加性噪声,并应用经验模态分解技术进一步研究受均匀分布白噪声污染的谐波信号及其同态变型的能量分布特性,据此建立起适用于乘性噪声去除的本征模函数幅值滤波新阈值准则。从而,形成基于经验模态分解的改进乘性噪声去除方法。结果表明,采用柔性阈值的改进算法对乘性噪声的去除效果最佳。而且,基于二阶多项式回归分析所构建的本征模函数幅值滤波阈值准则已经可以获得较高的源信号重建精度,过高的多项式阶次会导致本征模函数幅值滤波阈值与其实际噪声能量水平的失配,从而显著地降低算法的去噪性能。     

基于EEMD能量熵和支持向量机的轴承故障诊断

提出了一种基于总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。首先通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(Intrinsic Mode Function,IMF);轴承发生不同的故障时,信号在不同频带内的能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断轴承的工作状态和故障类型。实验结果表明,文中提出的方法能有效地应用于轴承的故障诊断。     

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3~11倍。     

基于改进Hilbert-Huang变换的转子碰摩故障诊断

针对信号总体平均经验模式分解中的两个参数———所加白噪声标准差和总体平均次数难以设置的问题,通过仿真信号实验分析,给出了这两个参数设置的一般方法。以转子碰摩故障信号为对象,提出了改进的Hilbert-Huang变换（HHT）算法并将其用于提取转子碰摩故障特征。仿真和实验结果表明,改进的HHT算法能较好地提取出转子碰摩故障特征,与传统HHT算法相比,改进的HHT算法效果更好。     

基于EMD与响度的有源噪声控制系统

为了提高有源噪声控制系统的降噪效果,提出了基于经验模态分解( empirical mode decomposition,EMD)和响度的控制系统.该系统首先采用EMD方法对噪声源进行自适应分解,并对分解后的各个固有模态函数(intrinsic mode function,IMF)分量的响度进行计算,然后根据各个分量的响度大小进行残差滤波器的设计.与基于A计权曲线设计的残差滤波器相比,该方法所设计滤波器能更好地抑制响度较小的信号频率成分.对有源噪声控制系统的降噪效果进行了仿真,结果表明,所提出的控制系统比传统滤波-X LMS(filtered-X least mean square)方法和采用基于A计权残差滤波器的系统降噪效果更好.     

Hilbert-Huang变换中的模态混叠问题

希尔伯特-黄变换(Hilbert-Huang transform,简称HHT)存在的模态混叠现象严重影响了实际应用效果。在分析研究HHT原理及模态混叠产生机理的基础上,提出了基于形态滤波预处理与端点延拓相结合的方法抑制模态混叠现象。与集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)方法比较,所提出的方法能够更快速、准确地分解出表征信号的本征模态函数(intrinsic mode function,简称IMF)分量。将该方法应用于滚动轴承的实测信号分析,结果表明,该方法在实际应用中同样具有很好的模态混叠抑制效果。     

应用EMD和双谱分析的故障特征提取方法

针对传统双谱分析从理论上仅能抑制高斯噪声,但对非高斯噪声无能为力的不足,提出了一种利用经验模式分解(empirical mode decomposition,简称EMD)和双谱分析的故障特征提取方法,并应用于滚动轴承故障诊断中。首先,对信号进行EMD分解;其次,利用能量相关法去除EMD分解过程中出现的伪本征模态分量(intrinsic mode function,简称IMF);最后,对得到的真实IMF进行双谱分析提取故障特征。仿真和实验结果表明,所提出的方法优于功率谱分析和传统双谱分析,能够更有效地提取强噪声背景下的机械故障特征信息,为滚动轴承的故障特征提取提供了一种新的方法。