基于改进同步提取GST的结构瞬时频率识别

为了提高结构振动响应信号时频分析及瞬时参数识别的精度,对广义S变换（generalized S?transform,简称GST）进行改进,结合同步提取算法,提出了一种新形式的同步提取广义S变换。利用单自由度Duffing非线性系统和两层剪切框架结构模型的数值算例验证了该方法的正确性。设计时变拉索试验,分别采集结构在线性和正弦拉力变化下的加速度响应信号,利用改进同步提取广义S变换对信号进行瞬时频率识别,进一步验证了该方法的准确性。数值模拟和试验结果表明,该方法能有效识别非线性结构和时变结构的瞬时频率,具有较好的稳定性。     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

基于改进同步挤压小波变换识别信号瞬时频率

提出了改进同步挤压小波变换。首先,采用解析模态分解定理将非平稳响应信号分解为多个单分量信号;其次,通过频率转换将分解后的单分量信号从低频区域转换到高频区域以提高时间分辨率;然后,对频率重点关注区域的时频代表值进行局部挤压,提高时频曲线的频率精度;最后,通过两个数值算例和一个拉索试验验证了改进同步挤压小波变换方法的有效性和准确性。研究结果表明,改进同步挤压小波变换能够提高信号在特定区域内的瞬时频率识别精度,是一种可行的时变结构参数识别方法。     

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.     

自适应改进双树复小波变换的齿轮箱故障诊断

针对双树复小波变换存在频率混叠以及参数需自定义的缺陷,提出自适应改进双树复小波变换的齿轮箱故障诊断方法。首先,利用双树复小波变换将信号进行分解和单支重构,采用粒子群算法将分解后分量峭度值作为适应度函数,选择双树复小波的最优分解层数;其次,对重构出的低频信号进行频谱分析提取故障特征,将单支重构后的各高频分量进行变分模态分解,通过峭度值获得各高频分量经变分模态分解后的主频率分量信号;最后,分析各主频率分量信号的频谱,识别齿轮箱的故障特征。结果表明,该方法与双树复小波变换和变分模态分解相比,不仅消除了频率混叠现象,提高了信噪比和频带选择的正确性,而且还提高了从强噪声环境中提取瞬态冲击特征的能力。     

应用加速度响应Chirplet积分的线性时变系统参数识别

提出了线调频小波积分运算方法,在仅获得加速度响应的情况下对结构速度和位移响应进行重构,将时变微分方程转化成区间线性方程组,进而构造最小二乘算法识别结构的时变物理参数.Chirplet基适用于处理时变信号,能在短区间拟合时变系统各阶响应,相比传统小波能更好地追踪信号频率变化特征,通过与微分方程结合提高了时变系统参数识别的...     

基于递归理论的泵站压力管道运行状态监测

为了准确地识别建筑结构的模态参数,提出了一种基于多重信号分类算法（multiple signal classification,简称MUSIC）、经验小波变换（empirical wavelet transform,简称EWT）和同步提取小波变换（synchroextracting transform ,简称SET）的结构模态参数识别方法。首先,通过MUSIC-EWT对实测振动信号进行分解;其次,使用SET对单模态信号进行去噪处理;然后,采用自然环境激励技术（natural excitation technique,简称NExT）得到单模态信号的自由衰减响应;最后,利用Hilbert变换（hilbert transform,简称HT）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和鲁棒性。利用该方法对台风“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,进一步证明了该方法的准确性和鲁棒性。     

移动荷载作用下时变简支钢桥损伤识别

针对移动荷载作用下桥梁结构振动响应信号呈现非平稳性的特点,构建新的一阶本征函数自功率谱最大值变化比和一阶本征函数小波能量变化率两个指标来识别时变结构的损伤。首先,采用小波阀值去噪法对时变结构响应信号进行去噪处理;其次,运用解析模态分解定理提取响应信号的一阶本征函数并构建一阶本征函数自功率谱最大值变化比指标来识别结构的损伤位置,在识别结构损伤位置的基础上,将损伤位置处的加速度响应信号的一阶和二阶本征函数进行线性混叠后,采用快速独立成分分析进行分离,得到更有效的一阶本征函数;最后,基于连续小波变换和时间窗思想,提出一阶本征函数小波能量变化率指标来预测结构的时变损伤。通过移动荷载作用下的时变简支钢桥试验验证所提出的损伤指标,研究结果表明,提出的两个指标能够有效识别结构的损伤位置和时变损伤。     

基于Laplace小波相关滤波的结构模态参数精确识别方法

为了从结构脉冲响应信号中精确识别结构模态参数,提出一种基于Laplace小波相关滤波的结构模态参数精确识别方法。首先对结构的脉冲响应信号进行经验模式分解,将结构多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,再对这些分量分别进行Laplace小波相关滤波便可准确识别结构的各阶模态参数。仿真信号的计算结果表明该方法可以得到精确的阻尼固有频率,并能准确地锁定阻尼比。悬臂梁力锤激励试验结果表明该方法在实际结构的模态参数识别中也非常有效。     

基于小波包样本熵的连续梁桥损伤识别

为了减少现行桥梁检测中所需布置传感器数量,将小波包分解和样本熵有机结合起来,对利用单点动力响应数据检测识别连续梁桥结构损伤的新方法进行了研究,笔者提出了连续梁桥结构的损伤识别指标和方法。利用小波包变换对移动荷载作用下桥梁的加速度响应进行分解和重构,计算重构信号的样本熵值,建立了对数加速度能量差小波包样本熵损伤识别指标;并通过三跨变截面连续梁桥的动力仿真分析,验证了指标和方法的适用性与噪声鲁棒性。研究结果表明,笔者所提出指标和方法仅利用桥上一个测点的加速度响应就能够很好地识别连续梁桥的损伤位置和损伤程度,且对噪声不敏感。     

变分模态分解在转子故障诊断中的应用

针对转子故障诊断问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)的信号处理方法。该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心及带宽,从而能够自适应地实现信号的频域剖分及各分量的有效分离,对各单分量信号进行希尔伯特变换,即可得到瞬时的频率和幅值信息。对仿真信号和典型转子故障信号进行VMD方法和经验模态分解(empirical mode decomposition,简称EMD)方法的分析比较,以验证所提方法的有效性。仿真信号的分解结果表明,变分模态能够准确分离出信号中的固有模态分量且不存在模态混叠;转子故障实验信号的分析结果表明,所提方法能够有效提取出明显的故障特征,从而准确诊断出转子存在的故障。     

基于VMD-HHT边际谱的水工结构损伤诊断

为了准确识别水工结构的损伤,提出一种变分模态分解(variational mode decomposition,简称VMD)和Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)边际谱相结合的水工结构损伤诊断方法。首先,采用联合的小波阈值和经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰;其次,运用方差贡献率数据融合算法对降噪后各测点信号进行动态融合,提取结构完整的振动特性信息;然后,采用VMD方法将动态融合信号分解为一系列固态模量(intrinsic mode function,简称IMF),对各IMF分量进行Hilbert变换,求出融合信号的边际谱;最后,在VMD边际谱的基础上提取一种新的损伤特征向量-损伤灵敏指数,将其与马氏距离相结合对水工结构的损伤类型进行分类,并将该方法应用于悬臂梁模型试验。结果表明:该方法能够有效提取水工结构的损伤特性,准确识别水工结构的损伤和运行状态,为水工结构的安全运行提供了基础。     

Nonlinearity and non-stationarity analysis of dynamic response of vehicle–track coupling system enhanced by Huang transform

A method is proposed to analysis the nonlinearity and non-stationarity of dynamic response of high speed vehicle–track coupling system, to understand the properties of signal and its underlying physical meaning. First, a space coupling model of high speed vehicle–track system is built according to the theory of coupling dynamics of vehicle–track system. Then, the dynamic response of vehicle–track system is processed by Ensemble Empirical Mode Decomposition (EEMD) to generate the intrinsic mode functions (IMFs). Next, the “Direct Quadrature” (DQ) method is used to calculate the local instantaneous frequency and instantaneous amplitude of the IMFs, the generalized zero-crossing method and the full wave zero-crossing method are applied to calculate the mean local frequency of the IMFs. Finally, the index and degree of nonlinearity and non-stationarity based on intra-wave frequency modulation (the deviation of the instantaneous frequency from the generalized zero-crossing frequency) and inter-wave frequency modulation (the deviation of the instantaneous frequency from the full wave zero-crossing frequency), are defined to quantify the nonlinearity and non-stationarity of dynamic response. The usefulness and capability of the proposed method are displayed through two cases, which are considered general enough to be the representatives of nonlinear and non-stationary dynamic response of vehicle–track coupling system.     

内燃机变分模态Rihaczek谱纹理特征识别诊断

针对内燃机故障诊断中振动响应信号强耦合、弱故障特征的问题,提出一种基于内燃机振动谱图纹理特征提取的故障诊断方法。首先,为了清晰地刻画内燃机振动信号时频联合分布中的非平稳时变分量,将变分模态分解(VMD)与Rihaczek复能量密度分布方法有效结合,得到了时频聚集性好、无交叉项干扰的内燃机振动谱图像;针对VMD分解过程中的参数选取问题,提出将功率谱熵作为目标函数,对VMD的分解参数进行网格寻优,提高了VMD分解的自适应性。为了实现对内燃机振动谱图像的自动识别及故障诊断,提出了改进的局部二值模式(ILBP)方法,用来对振动谱图中蕴含的纹理信息进行分析,提取低维特征参量并采用最近邻分类器对内燃机不同工况的振动谱图像进行模式识别。将该方法应用于内燃机故障诊断实例中,结果表明该方法能有效提取内燃机振动信号中的微弱故障特征,实现内燃机故障的自动诊断。     

基于变分模态分解和PSO-SVM的起重机齿轮箱故障诊断

起重机齿轮箱的振动信号具有信噪比低、非线性的特点,需要一定的专业知识和经验才能实现故障诊断。为了实现起重机齿轮箱的智能故障诊断,提出了一种基于变分模态分解(Variation?al modal decomposition,VMD)改进小波降噪和粒子群算法(Particle swarm optimization,PSO)优化支持向量机(Support vector machine,SVM)的智能故障诊断方法。首先,利用VMD将振动信号分解,得到不同尺度的本征模态函数(Intrinsic mode function,IMF),将分解的高频分量进行改进小波降噪后和低频分量完成信号重构;然后,提取重构信号的特征参数构建特征向量,使用核主分量分析(Ker?nel principal component analysis,KPCA)对向量降维处理实现特征信息融合;最后,利用PSO优化后的SVM进行故障识别分类。实验验证表明,基于VMD改进小波信号预处理和PSO算法优化SVM的模型具有很高的识别准确率,能够有效、准确地对起重机齿轮箱的故障类型进行识别和分类。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法.该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数...     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

高速列车转向架区气动噪声分离研究

提出了一种基于快速路径优化的自适应短时傅里叶变换时频分析方法,并将该方法用于行星齿轮箱的故障诊断。该时频分析方法通过使用快速路径优化获得瞬时频率变化规律,在短时傅里叶变换过程中自适应的改变时窗长度,从而获得更恰当的时频分辨率。针对行星齿轮箱运行状态不稳定的特点,通过使用笔者提出的时频分析方法可以有效地提取出行星齿轮箱的转速信息,利用参考转速对故障信号角度域重采样和阶次分析,从而实现变转速情况下的行星齿轮箱故障诊断。仿真分析表明,与传统短时傅里叶变换相比基于快速路径优化的自适应短时傅里叶变换得到的时频分布能量更加集中;试验分析证明了基于快速路径优化的自适应短时傅里叶变换方法在行星齿轮箱故障诊断中的有效性。     

基于加速度变化率的轮胎等效侧偏刚度估计方法

等效侧偏刚度精确地反映了轮胎的侧偏特性,是汽车操纵稳定性研究中的重要参数。为此提出了基于加速度变化率的汽车轮胎等效侧偏刚度估计方法。采用三自由度汽车动力学模型,把前后轮侧向力的时间变化率表示为加速度变化率的函数。利用轮胎力学特性理论推导出瞬时等效侧偏刚度的估计公式,在汽车纵向加速度为稳态的条件下,利用轮胎侧向力的时间变化率和轮胎侧偏角的时间变化率来估算轮胎瞬时等效侧偏刚度。通过ADAMS软件的整车常半径转向虚拟试验对估计方法进行了验证。虚拟试验结果表明提出的方法具有较好的估计精度。     

基于VMD的故障特征信号提取方法

变模式分解(variational mode decomposition,简称VMD)能够将多分量信号一次性分解成多个单分量调幅调频信号(variational intrinsic mode function,简称VIMF),但对噪声比较敏感。利用VMD对噪声的敏感特性,提出了一种基于VMD的降噪方法。利用排列熵定量确定VMD分解后各分量的含噪程度,对高噪分量直接剔除,对低噪分量进行Savitzky-Golay平滑处理,然后重构信号。运用该方法降噪后,对重构信号进行变模式分解,能够有效提取故障特征信号。仿真和实例分析表明,基于VMD的降噪方法的降噪效果优于小波变换降噪方法,VMD能有效提取故障特征信号。