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HHT的拉杆转子结构模态参数识别

为准确获取航空发动机拉杆转子结构模态特性,应用Hilbert-Huang变换(HHT)方法对结构的模态参数进行识别。首先对结构脉冲响应信号进行带通滤波和经验模式分解(EMD),进而得到结构各阶模态响应信号,然后对信号进行Hilbert变换获取其瞬时特性,最后对瞬时幅值自然对数和相位进行线性拟合,根据拟合结果计算出模态参数,通过与实验值的对比论证了该方法的准确性。     

抑制模态混叠的HHT结构模态参数识别方法研究

针对传统经验模态分解法(EMD)的模态混叠问题,在分析模态混叠产生机理的基础上,提出基于互补总体平均经验模态分解(CEEMD)与信号调频(FM)结合的组合分解方法(FM-CEEMD),并通过仿真信号验证了FM-CEEMD分解方法的有效性。将FM-CEEMD分解取代传统EMD分解应用于希尔伯特-黄变换(HHT),得到抑制模态混叠的改进HHT结构模态参数识别方法。仿真试验与实际拱坝识别结果表明:提出的改进HHT法不仅能避免模态信息丢失、提高模态参数识别精度,同时也适用于实际水利工程模态识别研究。     

环境激励下基于ESMD的结构模态参数识别方法

提出一种环境激励下基于极点对称模态分解(ESMD)的模态参数识别新方法。该方法首先利用带通滤波将实测环境振动响应分解成一系列单卓越频率的窄带子信号。然后,利用ESMD方法对子信号进行模态分解,得到若干单模态时程信号。最后,应用随机减量法对每个单模态时程信号进行处理,获得随机减量信号并由此识别模态参数(频率,阻尼比以及振型)。采用该方法识别一座5层剪切框架数值模型和一座3层剪切框架实验模型的模态参数,并将识别结果与理论值或者NExT-ERA方法识别的结果做对比,结果表明:该方法能较好地从环境振动响应中识别出结构的模态参数,具有良好的适用性和足够的精度。     

经验模态分解（EMD）新算法及应用

经验模态分解(EMD)算法是Hilbert-Huang变换(HHT)的核心算法,它的分解效果依赖于端点延拓算法.介绍一种新的EMD的端点延拓算法,并通过一个仿真实验表明该算法分解信号更完全.     

基于HHT的明清官式古建筑的模态参数识别方法

提出了一种基于HHT方法的结构模态参数识别技术,并结合故宫木结构古建筑现场实测,探讨结合SSA(Singular Spectrum Analysis)的HHT(Hilbert-Huang Transform)方法在低信噪比信号模态识别中的应用。为了分析结合SSA的HHT方法的性能,用结合SSA的HHT方法和普通的HHT方法分别识别通过数值模拟得到的不同信噪比的数据信号,并对识别结果进行分析,对比表明该方法在低信噪比信号处理上有就好的识别效果,并运用在故宫木结构参数识别上。     

优化HHT端点效应的新方法

在旋转机械的故障诊断中,希尔伯特-黄变换（HHT）方法常用于提取故障特征信号以及分解结果的时频分析,然而,在HHT中会出现端点效应问题,且导致模态混叠和虚假本征模态函数（IMF）等一系列问题。针对这一问题,提出了利用广义回归神经网络（GRNN）和边界局部特征尺度延拓（BLCC）相结合的方法先对信号延拓,再进行经验模式分解（EMD）。通过仿真与故障实验,在时域、频域和希尔伯特-黄谱的相关参数的情况下,对比镜像延拓优化的HHT分解结果,验证了所提方法的有效性。实验结果表明:所述方法能够有效地抑制HHT中的端点效应,且减轻了模态混叠和虚假IMF分量,同时能准确地表现信号的真实结构成分。     

基于改进Hilbert-Huang变换的结构损伤识别方法研究

针对Hilbert-Huang变换(HHT)在信号处理中存在的模态混叠的问题,引入总体经验模态分解(EEMD)对HHT方法进行改进,并将改进的HHT方法应用于工程结构损伤识别中。建立一个三自由度剪切型结构模型,结构刚度退化模型采用双线性刚度退化模型,计算结构在地震作用下的响应,对结构加速度响应进行改进的HHT分析,提出了利用损伤前后结构响应一阶固有模态函数(IMF)特征能量比识别结构损伤位置的方法。结果表明:通过结构响应瞬时频率的变化可以判断结构是否损伤和出现损伤的时间,根据损伤前后各层一阶IMF能量比的变化可以识别损伤的位置。将改进的HHT应用到对实际工程的强震记录分析中,通过提取一阶瞬时频率和一阶IMF特征能量比较好地识别了结构在强震作用下的损伤。     

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。     

改进的Hilbert-Huang变换在信号瞬态特征提取中的应用

通过对Hilbert-Huang变换(Hilbert Huang Transform,HHT)方法的机理的研究,提出了一种提取非平稳信号中瞬态特征的新方法,即正交经验模态分解(Orthaogonal Empirical Mode Decomposition,OEMD)与Hilbert变换结合法.OEMD是一种以快速带通滤波为基础的,获得同有模态函数(IMF)的新方法,其最大特点是具有严格的正交性.通过OEMD得到IMFs后,再进行Hilbert变换求得瞬时频率和幅值,便能精确检测出信号中瞬态成分的时间、频率和幅值等信息.仿真和应用结果表明,该法比原HHT方法能更加有效地提取信号的瞬态特征,并成功地解决了原HHT中存在的模态混叠、虚假模态和边界效应等问题.     

基于HHT的结构模态参数自动化识别方法和试验验证

建筑结构的模态参数识别是健康监测系统中的核心算法。模态参数识别经过多年的发展已经非常成熟,种类繁多。但是基于Hilbert-Huang变换(Hilbert-Huang transform, HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测。该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network, DNN)结合K-L散度实现了EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis, SSA)结合Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function, IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别。将上述方法应用于一3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别。     

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。     

环境激励下大型桥梁模态参数识别的一种方法

提出一种依据环境激励下结构振动响应的大型桥梁模态参数识别方法,该方法以限制带宽的经验模态分解（BREMD）和随机子空间识别（SSI）为基础,首先利用EMD将环境振动响应分解成一系列只含结构某一阶固有模态的本征模态函数（IMF）,然后利用SSI识别桥梁模态参数。针对大型桥梁自振频率低、模态密集的特点,引入屏蔽信号限制EMD过程中带宽以消除模态混叠;运用该法识别了赣龙铁路某特大桥的模态参数,并将其与峰值拾取法、SSI识别结果以及理论计算值进行对比,结果表明：该方法能有效的识别大型桥梁模态参数,屏蔽信号的引入解决了模态混叠问题,稳定图中的虚假模态得到抑制。     

大型桥梁模态参数识别的一种方法

提出一种综合运用经验模态分解(EMD)与随机减量技术(RDT)来识别大型桥梁模态参数的方法。首先利用EMD将桥梁在环境激励下的非平稳响应分解成一系列准平稳的本征模函数(IMF)分量,然后用RDT从中提取自由衰减响应,最后将该自由响应表达为一般解析形式,综合运用参数识别理论、最优估计理论识别出桥梁结构的多阶模态参数。利用南京长江大桥实测动力响应识别该桥的模态参数,并将识别结果与有限元分析结果及有关实测值进行比较,表明该方法具有很好的识别精度,适用于大型桥梁的模态参数识别。     

基于改进EMD与形态滤波的齿轮故障特征提取

针对齿轮故障特征往往被强背景噪声淹没的问题,提出一种改进EMD与形态滤波相结合的齿轮故障特征提取新方法。首先采用开－闭、闭－开级联而成的组合形态滤波器对原始故障信号进行消噪处理,然后通过EMD方法将包含在齿轮故障信号中的各个频率族信号分离,再采用互信息方法消除传统EMD分解结果中包含的虚假分量,最后利用分解得到的各阶固有模态函数为单一分量调制信号的特点,通过差值形态滤波的方式对分量信号进行解调以提取故障特征。齿轮故障实验信号的研究结果表明：该方法可有效的提取齿轮故障特征信息并抑制噪声,而且能够取得比传统包络解调分析更好的效果。     

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。     

基于模态应变能和小波变换的结构损伤识别研究

针对单一方法对结构同时发生多处不同程度损伤识别的不敏感性缺陷,本文结合小波变换在时域、频域内表征信号局部特性且能够聚焦到信号或函数的任意细节进行处理的能力,提出了一种基于单元模态应变能和小波变换的结构损伤识别方法。在单元模态应变能基础上,利用小波变换系数的变化和分布情况构建单元模态应变能小波变换结构损伤指标,通过对简支梁的数值模拟和斜拉桥模型试验研究的结果与单元模态应变能平均变化率作为损伤识别指标的计算结果进行对比,结果表明该方法能有效确定结构同时发生多处不同程度损伤的位置和估计损伤程度,为实际工程应用奠定了基础。     

基于VMD的自适应形态学在轴承故障诊断中的应用

为有效提取滚动轴承信号的特征频率,提出了基于变分模态分解(VMD)的自适应形态学的特征提取方法。首先利用VMD将目标信号分解为有限个模态信号,依据互信息法提取与原始信号相关的模态信号,将其进行求和重构;然后利用形态学对重构信号进行降噪处理,提取出滚动轴承的特征频率。针对形态学固有统计偏移和结构元素的选择问题,利用粒子群算法来优化改进的广义形态学滤波器,实现自适应滤波。通过数字仿真实验与滚动轴承故障试验分析,将其与基于经验模式分解(EMD)的自适应形态学、包络解调方法进行比较,结果表明该方法可以有效提取故障信号的特征频率。     

利用粒子群优化算法实现阻尼比和频率的精确识别

摘要：本文提出了一种利用粒子群优化算法辨识阻尼比和频率的方法。该方法将系统频率、阻尼比、幅值和相位的辨识问题转化为非线性优化问题,引入粒子群优化算法寻找全局最优解。基于粒子群优化的阻尼比和频率辨识方法不需要测量激励信号,原理简单,实现容易。仿真和实验结果表明：基于粒子群优化算法的阻尼比和频率辨识方法不受邻近模态耦合的影响。在无噪声条件下具有较高的辨识精度,随着信噪比的逐步降低,辨识精度开始逐步下降。用低通滤波器滤除高阶模态后,得到的脉冲响应信号对频率、阻尼比、幅值的辨识精度影响很小,对相位的辨识精度影响很大。