基于反卷积的双线阵聚焦波束形成被动定位方法

为了提高双线阵聚焦波束形成在阵元数少或频率低时的定位精度,文章研究了一种基于反卷积的双线阵聚焦波束形成被动定位方法。首先在测量区内对双线阵接收信号进行球面波补偿,给出噪声源分布的声图信息。然后根据阵型的参数,计算双线阵的指向性函数。最后利用一种适用于移变阵列的二维扩展R-L反卷积算法,对声图波束输出和双线阵的指向性函数做反卷积,求解基于反卷积波束形成的源的分布。该方法旁瓣更低,分辨力更高,有效提高双线阵聚焦波束形成的定位精度和左右舷分辨能力,为后续的减振降噪、噪声检测等工作提供了参考。     

多声源定位的关联模糊消除方法研究EI北大核心CSCD

基于到达时差(Time Difference of Arrival,TDOA)的多声源定位中,由于麦克风阵列对测量的TDOA值无法与目标声源进行关联,声源定位过程会产生关联模糊,从而影响多声源定位结果的精度。针对这一问题,提出基于阵列重构的多声源关联模糊消除方法。通过广义互相关(Generialized Cross⁃Correlation,GCC)算法估计麦克风阵列的TDOA值,再利用排序算法获得定位麦克风阵列所有可能的TDOAs序列,并基于Chan算法估计所有可能的声源。通过轮换定位麦克风阵列的参考麦克风,构造多组校验子阵列,利用真实声源与阵列麦克风的相对位置关系来滤除虚假声源。对于不同校验子阵列筛选出的所有声源位置,以出现频数最大化原则再次进行冗余校验,从而提升最终筛选真实声源的准确性。仿真及实验结果表明,该方法能够以最少数量常规麦克风有效消除多声源定位中的虚假声源。在同等麦克风数量的情况下,该方法的定位精度及定位鲁棒性高于对比方法。     

基于压缩感知的旋转声源多普勒效应消除方法EI北大核心CSCD

消除旋转声源的多普勒效应是监测旋转机械工作状态和定位旋转声源的前提。当前用于消除旋转声源多普勒效应的方法分为频域和时域两种,但是这两种方法都需要在周向均匀布置大量传声器,这不仅增加了测量成本,而且增加了测量工作量。针对上述问题提出了一种基于压缩感知的多普勒效应消除方法,该方法通过在周向随机布置少量传声器完成周向模态幅值的重构,并根据静止柱坐标系与随声源同步旋转的旋转柱坐标系之间的相对运动关系完成多普勒效应的消除。数值仿真和试验研究都表明采用较少传声器随机布置的方法同基于采样定理均匀布置传声器的方法在消除多普勒效应的效果上基本一致,且所提方法可有效降低测量成本和测量工作量。     

基于大型声学风洞的飞行器起落架噪声试验研究EI北大核心CSCD

起落架是飞行器机体噪声的主要声源,是当前气动声学界关注的一个焦点。为分析不同结构参数对起落架噪声特征的影响,在FL-175.5 m×4.0 m航空声学风洞开展了大尺度起落架简化模型试验研究。试验包括34 m/s~75 m/s内5个风速,采用自由场传声器与相位传声器阵列开展声学测量。试验系统分析了模型噪声源位置、部件贡献与噪声指向性规律,获得了风速变化下起落架噪声特征;通过控制结构参数,结果表明起落架高度、轮直径、攻角、轮数、轮攻角对起落架噪声特征具有重要影响,而8°范围内偏角影响相对较弱。     

基于不动点迭代的增广拉格朗日声源识别算法EI北大核心CSCD

等效源法近场声全息是进行声源识别的重要方法。传统的基于Tikhonov正则化方法局限于相对低的频率,进行高频声源的声场重建时效果较差,而基于最速下降法的宽带声全息(wideband acoustic holography,WBH)方法则在中高频效果较好。为了拓宽声场重建的频率范围并提高声源识别分辨率,提出一种基于增广拉格朗日方法(augmented Lagrangian method,ALM)的等效源法声源识别算法,该方法将L1范数正则化模型转化为增广拉格朗日方程的最小化问题,并应用不动点迭代求解得到声源强度。通过仿真与试验表明,与Tikhonov正则化、WBH和快速迭代收缩阈值算法(fast iterative shrinking threshold algorithm,FISTA)三种方法对比,所提方法适用于更宽的频率范围,且对不同的全息距离和信噪比具有很好的适应性。     

基于PSO-SVM算法的输电线路覆冰舞动预测模型EI北大核心CSCD

输电线路舞动往往会导致金具磨损、闪络、断线等电力事故,对电力系统的安全具有很大的负面影响。利用ANSYS软件模拟不同档距、风速等状态下覆冰四分裂导线在平均风与脉动风作用下的动态响应,进而根据模拟获得的数据集和PSO-SVM(particle swarm optimization-support vector machines)算法构建了四分裂导线覆冰舞动预警模型,将档距、风速、初始风攻角作为模型的输入,覆冰导线是否舞动作为输出。同时,为验证该预测模型的实用性及有效性,将PSO-SVM模型与其他智能算法如BP(back propagation)、支持向量机(support vector machine, SVM)、遗传算法优化支持向量机(genetic algorithm-optimization support vector, GA-SVM)模型的预测结果进行比较,结果表明PSO-SVM模型的预测结果精度更高,对输电线路覆冰舞动预警具有一定的参考意义。     

ECC冲击压缩力学特性及耗能机制的试验研究EI北大核心CSCD

基于分离式霍普金森压杆(split Hopkinson pressure bar, SHPB)装置对工程水泥基复合材料(engineered cementitious composite, ECC)在14.8~16.3 s^(-1),31.8~36.5 s^(-1),57.8~65.5 s^(-1),167.3~200.2 s^(-1)4个应变率范围下进行冲击压缩试验,探究ECC在不同应变率下的动态力学特性及耗能机制。试验表明:ECC的动态抗压强度和动态峰值应变呈现出显著的应变率增强效应,在低应变率下纤维掺量对ECC动态抗压强度和峰值应变的增加作用较强,在高应变率增强作用不明显;纤维掺量对ECC在不同应变率的应力应变曲线具有类似的影响,在低应变率下纤维掺量对ECC应力应变曲线形态的影响大于高应变率;ECC的耗能能力与破坏形态有关,在能耗比达到90%以上时,纤维掺量为2.00%和2.30%的ECC的完整度是基体材料的4倍,充分体现了ECC在抗爆加固领域的优势,为ECC在抗爆抗冲击领域的应用提供技术参考。     

基于改进鲸鱼算法的复合材料层合板优化设计EI北大核心CSCD

针对层合板铺层优化问题,提出一种改进鲸鱼算法(improved whale optimization algorithm,IWOA)。通过引入对立学习策略保持进化过程的多样性,同时结合非线性收敛因子和自适应阈值提高IWOA的全局搜索能力;以层合板的铺设角度为设计变量、基频及带隙为优化目标进行板的频率优化,并使用Ritz法求解。基于IWOA算法对长宽比分别为1和2的复合材料矩形层合板进行优化研究,并与鲸鱼优化算法(whale optimization algorithm,WOA)、分层优化算法(layered optimization algorithm,LOA)和差分进化算法(differential evolution algorithm,DEA)进行比较分析。结果表明,相较于LOA、DE和WOA算法,IWOA具有更好的全局收敛性,且在处理多模态问题时更具可靠性。     

一种预报水下声辐射的无网格弱式径向点插值方法EI北大核心CSCD

提出了一种预报结构水下声辐射的径向点插值法(radial point interpolation method, RPIM)耦合MDtN(modified Dirichlet-to-Neumann)边界条件的无网格弱式方法。在RPIM-MDtN方法中,采用人工边界将结构外部无限问题域截断为有限计算域,利用RPIM构造声形函数,并在截断边界处施加MDtN边界条件,以提高计算精度和确保声波自由衰减及解的唯一性。在该方法中,声场量的插值无需使用网格或场点的连接属性。研究了该方法性能的影响因素,采用算例对该方法的有效性进行了验证。结果表明:与有限元法相比,该方法具有计算精度高和收敛速度快的优势,对声波数的敏感度显著降低;在要求高精度时,该方法具有计算效率的优势。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

基于MUSIC及波束成形算法的非线性Lamb波微裂纹成像与评估EI北大核心CSCD

针对板状结构的微裂纹成像和评估问题,使用有限元分析方法在三维铝板中建立了埋藏型微裂纹,并采用对称激励的方式,在板中激励出S模态的Lamb波。利用多信号输入分类(multiple signal classification, MUSIC)算法,对传感器阵列捕捉到的信号进行处理,测算板中位于远场的微裂纹方向角。而后通过设置多组传感器阵列进行交叉定位,从而实现对板状结构中可能存在的微裂纹的大范围、高精度定位成像。以此为基础,对阵列信号进行波束成形算法处理,实现对信号的空间滤波,以减少其他方向的杂波对阵列信号的干扰;通过对处理后的阵列信号进行分析,计算其非线性参数,实现对裂纹损伤几何信息的评估。研究结果表明,该研究所构建的微裂纹定位成像算法在较高的环境噪声干扰下仍具备较好的损伤成像能力,且计算出的非线性参数与微裂纹厚度和宽度密切相关,可以有效评估微裂纹程度。     

基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断EI北大核心CSCD

为在强背景噪声环境下有效提取滚动轴承微弱故障特征并准确诊断故障,提出奇异谱分析(singular spectrum analysis, SSA)、变分模态分解(variational mode decomposition, VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, MCKD)结合的滚动轴承故障诊断方法。首先,利用SSA算法将故障信号分解,根据时域互相关准则对分解信号筛选重构;其次,利用鲸鱼优化算法(whale optimization algorithm, WOA)分别优化VMD的参数alpha,K以及MCKD的参数L和M,利用参数优化的VMD对重构信号进行分解,根据峭度指标从分解所得的本征模态函数(intrinsic mode function, IMF)中提取故障特征信号;再次,利用参数优化的MCKD算法增强故障特征;最后,通过频谱包络进行故障诊断。仿真和试验表明,所提方法能在强噪声干扰下有效提取并诊断轴承故障。     

基于VMD与AdaBoost-SCN的海缆振动信号识别方法EI北大核心CSCD

海底光缆的在线监测和振动信号识别是保证其正常运行的关键技术。搭建了基于布里渊光时域分析系统,模拟不同工况下的海缆振动信号。针对海缆振动信号信息丰富、信噪比低,使用单一随机配置网络(stochastic configuration network,SCN)模型对信号识别准确率不高的问题,提出了自适应增强(adaptive boosting,AdaBoost)算法优化的随机配置网络(AdaBoost-SCN)识别方法。首先用变分模态分解(variational mode decomposition,VMD)算法分解海缆振动信号,构建特征向量;然后采用AdaBoost-SCN算法对振动信号分类。结果表明,所提方法有着很高的精度,并且具有很强的鲁棒性与泛化能力,提高了布里渊光时域分析系统振动信号识别的有效性。     

基于旋转编码器信号的滚动轴承故障特征增强提取EI北大核心CSCD

针对滚动轴承故障特征较弱且振动传感器安装受限的场合下故障特征不易提取的问题。结合旋转编码器信号传递路径短、干扰少等优势,提出一种基于旋转编码器瞬时角速度(instantaneous angular speed,IAS)信号的滚动轴承故障特征增强提取法。首先,使用去相位算法(de-phasing algorithm,DPA)抑制转频及其谐波等严格周期性分量;其次,通过多点优化最小熵反褶积(multi-point optimization minimum entropy deconvolution adjusted,MOMEDA)增强滚动轴承故障冲击分量;最后,对增强后的信号进行频谱分析,提取轴承故障冲击特征。通过仿真和轴承外圈实测数据验证所提方法的有效性。     

基于SSWPT边际谱特征信息提取的齿轮故障诊断EI北大核心CSCD

在噪声的影响下,齿轮的故障信息不易被识别。同步压缩小波包变换(synchrosqueezed wave packet transform,SSWPT)作为一种新的时频分析方法,具有良好的抗噪声能力。在其基础上提出基于SSWPT边际谱特征信息提取的齿轮故障诊断方法。首先,对故障齿轮的振动信号进行SSWPT得到信号的能量矩阵,并对能量矩阵进行积分变换求取齿轮振动信号的边际谱;然后,根据边际谱提取啮合频率及其倍频,并选择对应的啮合调制频带对能量矩阵运用同步压缩小波包逆变换(synchrosqueezed wave packet inverse transformation,ISSWPT)进行信号重构;最后,对重构信号进行解调分析,从而可以有效提取齿轮故障特征频率。仿真及试验分析结果表明,该方法可以准确地提取齿轮故障特征信息,且分析效果优于包络谱和基于快速谱峭度的共振解调方法,为齿轮的故障特征提取提供一种有效的方法。     

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

基于集成包络谱的滚动轴承早期故障检测指标EI北大核心CSCD

针对常规统计指标对滚动轴承早期故障不敏感的问题,该研究基于集成包络谱(integrated envelope spectrum,IES)提出一种滚动轴承早期故障检测指标——集成包络谱谱峰因子(integrated envelope spectrum peak factor,IESPF),应用于轴承早期故障检测。首先,对信号进行快速谱相干(fast spectral coherence,Fast-SCoh)计算;然后,根据循环频率与谱频率的映射关系确定包含故障信息丰富的频带,并对该频带积分获得IES;最后,计算IES的最大值与其均方根值的比值,从而获得该研究所提指标IESPF,应用于轴承外圈故障检测。通过分析滚动轴承外圈模拟故障试验数据和疲劳试验数据表明,该研究所提指标对轴承外圈早期故障较敏感,适用于早期故障检测。     

基于嵌入分数维的树种算法的结构质量刚度识别EI北大核心CSCD

采用改进的树种算法对结构进行质量和刚度的识别。基于加速度响应参数建立起目标函数,再利用融入分数维机制的树种算法(TSA)对于结构损伤进行反演。树种算法是一种新型的元启发式算法,具有结构简单,便于执行的特点。为了进一步改善算法的优化能力,引入一个全新的搜索阶段‘树的搜索’,在该阶段中引入分数维模型来改进算法后期的收敛能力,进入树种阶段,通过两种新的搜索模式来平衡此阶段的局部搜索和全局搜索能力。采用桁架结构作为数值算例进而得到识别结果。最终表明,在仅知道有限的时域参数,该算法能够有效地识别损伤参数,优于其他进化算法并且对测量噪声不敏感。     

基于动态模态分解的输电杆塔松动检测EI北大核心CSCD

为了识别输电杆塔的松动状态,提出分段高阶动态模态分解(segment high-order dynamic mode decomposition,SHDMD)的检测方法。为减小振动耦合对检测的影响,利用三轴加速度和三轴角速度构造时间-空间矩阵,从中提取准确的方向振型作为松动特征,将时间-空间矩阵在时间维度上划分为若干子矩阵,对每个子矩阵进行空间维度扩展,避免DMD分解时得到错误结果,对扩展后的子矩阵进行DMD分解,得到不同时段的振动模态,利用稳定图筛选出不同时段共有的模态作为真实模态,提取与模态一一对应的方向振型。建立灰色关联检测模型,通过计算方向振型的几何特征关联度,识别当前松动状态。模拟杆塔试验与真实杆塔试验结果证明,所提方法能够很好地实现输电杆塔松动位置与松动程度的识别。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。