基于小波包变换的梁体损伤识别

由于小波包变换在分析非平稳信号方面较傅立叶变换更为有效，提出了基于小波包变换的能量变化率指标进行损伤识别的方法。首先，将得到的结构响应信号进行小波包分解，然后通过小波包能量变化率指标来进行损伤定位。通过3种不同损伤工况的梁体室内试验证明．损伤指标可以准确地识别损伤位置。     

基于小波包能量的桥梁损伤识别指标

为达到桥梁结构损伤识别的目的,基于小波包分析方法提出了小波包能量变化率平方和(the sum square of wavelet packet energy change rate,简称WPERSS)损伤指标。分别将健康与损伤结构的加速度响应信号进行小波包分解得到小波包能量,通过计算小波包能量变化率平方和损伤指标进行损伤识别。对简支梁模型进行数值模拟,分析单一损伤与两处损伤时不同损伤程度的损伤识别情况,分析不同噪声水平对识别效果的影响。结果表明,该指标可有效识别损伤位置且对噪声具有鲁棒性。对装配式双塔斜拉桥模型进行试验,联合多个测点响应的损伤指标可以判别结构的不同损伤状态,验证了小波包能量变化率平方和指标的有效性。     

基于小波分析的简支梁桥损伤识别

提出了基于小波子带信号能量曲率变化的损伤识别方法。分别对完好和损伤状态下结构的振动响应进行二进离散小波变换,通过信号子带分解与重构将响应分解到不同频带,使叠加的模态响应分离。定义了信号相对能量曲率差损伤指标,利用该指标对结构的损伤进行识别定位。应用此方法对一简支梁桥进行损伤数值分析,结果表明:二进离散小波变换可以对结构振动响应中叠加的多阶模态信息进行有效分离;信号相对能量曲率差指标可以对损伤进行有效识别,且不受激励位置及荷载大小影响。最后通过模型实验验证了该方法的正确性及可行性。     

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。     

框架结构松动EEMD损伤识别实验研究

针对连接结构在振动环境下易发生松动的问题,进行了框架结构模型连接松动损伤识别实验研究。根据螺钉在不同扭矩下的结构稳态响应信号,分析了信号功率谱差异和松动损伤引起的非线性特征,对响应信号进行了总体平均经验模式分解(EEMD),利用第1阶固有模式函数(IMF)构造能量损伤指标进行螺钉连接松动识别。结果表明,基于高频固有模式函数所构造的能量损伤指标可以有效表征不同扭矩下的连接松动所引起的结构非线性损伤,能够较好地反映螺钉连接结构的松动情况。     

光纤光栅型智能结构损伤识别的小波包分析

基于结构振动监测技术,采用小波包分析方法对采集的结构振动信号进行了小波分解。介绍了小波包分解技术,提出将小波包能量谱作为损伤指标用以表征结构的损伤状态。在相同损伤位置不同损伤程度、不同损伤位置相同损伤程度的两种情况下对试件进行了六种不同损伤工况的振动信号分析。数据分析结果表明,结构的损伤将导致结构振动信号小波包分解中特定阶数的能量增加,而所提出的损伤指标对结构的损伤程度、损伤距离及损伤位置与光栅传感器之间的角度均敏感,实验中能够识别12 g重物且距离光纤光栅传感器30 cm的损伤,表明对智能结构的在线损伤识别是可行的。     

声发射和小波包分析在损伤状态监测中的应用

为应用声发射技术对结构的损伤状态进行监测与识别,基于小波包分析提出了一种在线损伤监测方法。采用D-S证据理论对声发射信号的小波包能量谱进行多源信息融合得到改进的小波包能量谱,计算Mahalanobis距离构建结构损伤状态判别指标,采用t检验的概率方法考察不同损伤状态下判别指标的变化情况。旋转轴承结构的声发射信号分析结果表明,D-S证据理论能够对声发射信号的小波包能量谱识别样本抽取有效信息,结构损伤状态判别指标具有良好的结构损伤识别能力,能够准确地实现对结构不同损伤状态的识别。     

考虑重力影响的索结构损伤行波识别法

因索中某几股断裂而导致索等效截面减小是索结构常见的损伤模式。文中分析此损伤模式下索受扰动后的行波响应，提出重力场中索结构损伤的行波识别法。该方法由索上一点的实测响应数据，根据入射波和反射波到达该点的时间确定损伤位置，根据入射波和反射波的信号能量比及能量的时域分布确定损伤程度和损伤段宽度。为适应现场有噪声测试数据的影响，应用多分辨率分析理论，以Daubechies小波分解行波响应信号，对信号去噪并作出白噪声情况下损伤识别方法的误差估计。仿真结果表明，该方法可采用噪声污染响应信号对重力场中索结构的损伤进行准确的估计，适合小损伤情况下索结构的损伤识别。     

基于小波方法的板结构损伤识别研究

进行不同边界条件下板结构损伤位置和大小的评估以及传感器布置和噪音对损伤识别影响研究。主要内容包括:首先,通过薄板结构的有限元模态分析,获取有无损伤板结构点的固有特性参数的分布状况,利用离散小波变换将矩形薄板的模态节点位移数据进行分解计算,获得损伤位置数据的高频信息和奇异值。其次,进行不同边界条件下的板结构损伤识别分析,利用小波系数的最大值变化率进行板结构损伤程度的定量化评估。最后,分析了传感器布置以及噪音情况下小波变换方法对板结构损伤识别的有效性。研究结果表明,四边固支约束下的小波系数比四边简支约束的小波系数大0.5%,比两边固支约束的小波系数大0.88%;在网格g=40 mm且通过小波变换对信号进行去噪处理之后都能够有效识别板结构损伤。说明该方法针对二维板结构损伤位置及程度的识别问题具有一定的有效性,能够为车辆结构损伤识别问题提供技术思路和参考价值。     

钢筋混凝土梁损伤的小波包识别方法

基于小波包能量特征向量的损伤识别是一种对损伤非常敏感的方法.为了更有效地选择特征频带,从频带分解的角度分析了基于小波包分解能量特征向量的结构损伤识别方法.将结构响应信号进行小波包分解,提取各频带的能量.通过分析结构响应频率和小波包分解各频带频率范围,选取信号主要频率所在频带及其相邻频带的能量构成特征向量.当信号频率有微小改变时,特征能量向量的变化远远大于信号频率的变化.当结构出现损伤时,脉冲激励下其动力响应信号的频率有所降低,因此可以通过特征能量向量的变化来识别损伤.通过一根钢筋混凝土梁的试验验证了该方法的有效性.     

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。     

齿轮点蚀的多通道数据融合识别方法

针对齿轮箱振动信号中混杂其他零部件振动频率的问题,提出一种基于小波包分解独立分量分析（wavelet package independent component analysis,简称WPICA）和多维经验模式分解（multivariate empirical mode decomposition,简称MEMD）的齿轮箱齿面点蚀故障信号的多通道数据融合识别方法。首先,利用一种窄带独立分量分析(sub-band decomposition independent component analysis,简称SDICA)方法—WPICA,从水泵机组多通道信号中提取齿轮箱振源,确定齿轮箱振动包含的特征频率成分;其次,借助MEMD分解多通道机组振动信号,将所获得的多维固有模式函数(intrinsic mode function,简称IMF)进行矩阵互信息运算,完成多通道数据的融合;最后,通过定义IMF故障敏感因子,确定故障敏感IMF的阶数并获得了齿轮点蚀故障的特征频率。数据分析结果证明了本研究方法的有效性。     

采用EEMD和WPT的结构损伤特征提取方法

为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法.首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布.该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征.     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

基于CEEMD与小波阈值的机械密封声发射信号自适应降噪方法

针对机械密封声发射信号容易受到环境噪声干扰,难以有效地从背景噪声中分离的问题,提出将互补集合经验模态分解(CEEMD)与改进小波阈值降噪方法相结合的声发射信号自适应降噪方法。根据白噪声经经验模态分解(EMD)后其固有模态函数分量的能量密度与其平均周期的乘积为一常数的特性,自适应地判定CEEMD信噪分量的分界点;为避免小波原阈值函数的缺陷,应用改进小波阈值函数对高频IMF分量进行降噪处理,然后同其余的IMF分量进行信号重构,完成降噪过程。对仿真信号和采集的机械密封声发射信号的降噪结果,证明了该降噪方法的有效性和可行性。     

基于EMD和非线性峭度的齿轮故障诊断

采用经验模式分解(empirical mode decomposition,简称EMD)和非线性峭度的统计特性对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用EMD分解获得振动响应信号的本征模式函数,用非线性Tea-ger能量算子计算每个本征模式函数的瞬时能量,并对本征模式函数进行系数的非线性峭度计算,提取系统的特征信息。仿真结果表明,用经验模式分解和非线性峭度可实现在线监测齿轮运转工作状态,及时发现齿轮的早期故障,提高了故障检测的可靠性。     

基于经验模态分解和Teager峭度的语音端点检测

采用经验模态分解和Teager峭度的统计特性对噪声环境下的语音信号端点进行检测。利用经验模态分解获得语音信号的本征模态函数,用Teager能量算子计算每个本征模态函数的瞬时能量,并对本征模态函数进行系数—峭度计算,提取信号期望的统计特征信息实现语音端点的检测。通过自适应EMD分解和Teager能量算子的处理,这种方法可以有效地消除白噪声或有色高斯噪声的影响。通过仿真例子说明这种方法可以取得良好的端点检测效果,仿真研究结果表明用经验模态分解和Teager峭度对噪声环境下的语音端点检测是可行的和有效的,提高了检测的可靠性。     

连续小波变换在梁结构损伤诊断中的应用研究

为了检测出梁中的裂缝或因刚度降低引起的损伤,对有损伤简支梁的振型曲线进行连续小波变换．从小波系数出现模极大值有效地识别损伤的存在以及裂缝位置和刚度下降段的位置。基本振型是用小波变换识别裂缝的最佳振型．用损伤位置处振幅较大的振型曲线来识别最清楚,对有噪声影响的振型曲线同样可以用本文方法进行识别。通过分析和计算获得满意结果．在梁结构损伤诊断中具有较高的应用价值。     

基于EMD-PCA的轴承故障源盲分离方法

结合经验模态分解和主分量分析各自的优点,提出了一种基于EMD-PCA的轴承故障源的盲分离方法。利用EMD方法对混合观测信号进行分解得到若干个本征模函数分量,把所有的IMF分量重新组合在一起,作为新的观测信号,然后采用PCA对新的观测信号进行共性分析以得到源信号中的主要成分,并进行了轴承故障源分离试验验证。