含非线性干摩擦与粘滞阻尼系统的参数辨识

推导了含有理想干摩擦环节的单自由度振动系统在加速度域的参数分离及辨识方法,结合EMD(Empirical Mode Decomposition,简称EMD)经验模态信号筛分技术,用含噪声的加速度衰减响应信号对系统进行了参数分离及辨识.仿真结果表明,粘滞阻尼辨识精度达到了97.068%,干摩擦阻尼辨识精度达到了95.43%.将该方法应用于某化工厂管道组成的振动系统,成功地进行了粘滞阻尼和干摩擦阻尼辨识.     

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。     

弹性体非线性振动系统参数辨识的一种时域法

提出了对弹性体非线性振动系统参数辨识与预测的一种时域模型法。它可视为时间序列分析中的 AR模型法在非线性领域内的一种推广。该方法首先将非线性振动系统中的非线性恢复力和非线性阻尼力用某一函数级数(例如幂级数 )表示 ,然后 ,先用线性模型来逼近原系统 ,应用线性系统辨识方法确定系统阶次 ,再确定系统中非线性恢复力、阻尼力的结构 ,建立非线性模型并辨识各项参数 ,最后进行预测。算例表明 ,用该方法建立的模型能够较好地反映系统的非线性特性 ,并能提高模型预测的准确性。     

一种利用振动响应非线性估计的叶片裂纹定位方法

对叶片裂纹进行准确定位,对于实现准确维修延长其工作寿命具有重要的意义。针对叶片裂纹定位问题,提出一种高频激励下利用多位置点振动响应非线性估计的叶片裂纹定位方法,并给出了系统非线性估计的定义和相应的计算方法。在叶片上多位置特征点采集非线性振动信号组成矩阵形式信号,再利用正交分解方法求解其线性近似矩阵信号,通过量化两者之间的误差得到叶片各点振动响应信号的非线性程度估计值。计算相同激励输入下健康状态和含裂纹叶片各点振动响应非线性度估计值的误差,寻找误差绝对值最大点实现裂纹的准确定位。通过在有限元软件中建立健康和含裂纹损伤的叶片有限元模型,在多种激励频率下进行瞬态动力学仿真验证,分析结果表明该方法具有很好的裂纹定位效果。     

利用改进的EMD方法进行高速转子振动信号分析

弹用涡扇发动机整机振动信号中经常包含着非线性和非平稳的高速转子振动信号成份。近年来采用一些新的信号处理方法来分析这些振动信号是国内外研究的热点,其中经验模态分解(EMD)方法颇具研究和应用前景。但是EMD方法往往在第一阶内在模函数(IMF)中包含着宽频信号,因而得不出单一成份信号。本文利用小波分析方法对待分析的振动信号进行预处理,把信号分解成一系列的窄带信号,然后应用EMD方法使得各阶IMF均为单一成份信号。该改进的EMD方法用来分析某型弹用涡扇发动机整机振动信号,从中得出了一些有益结论。     

伺服系统线性特性和非线性摩擦的解耦辨识方法研究

针对伺服进给机构包含线性结构和非线性摩擦特性的特点,提出一种将线性模型和非线性摩擦特性进行分步解耦辨识的方法.首先分别确定伺服系统的线性模型和非线性模型,将伺服系统结构模型转化为线性模型加非线性摩擦反馈的结构.为了消除非线性摩擦力对线性模型的影响,采用2路同向非过零速信号对系统激励,利用2组系统输入和输出信号的差值作为线性参数的辨识数据对线性参数进行估计.获得线性模型后进一步利用系统稳态输出实现对非线性Coulomb摩擦幅值特性的估计.系统仿真和实验都证明了该辨识方法对提高伺服系统的辨识精度及控制器设计的有效性和可靠性.     

飞行器垂直尾翼的神经网络模型辩识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题.分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模.试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠.     

基于振动声调制的金属微裂纹定位方法研究

针对传统线性超声检测无法检测闭合微裂纹的问题,搭建了铝板的微裂纹振动声调制(VAM)检测系统,提取检测信号中的一阶旁瓣非线性信号和只滤除基波的全部非线性信号并对其时域反转,在ABAQUS有限元软件下,将其加载在铝板的无损模型上实现时间反转聚焦,获取铝板模型能量分布云图和各质点的位移信息,以此对微裂纹进行定位。结果表明,在时反信号的聚焦时刻原裂纹位置处有较强能量聚焦,只滤除基波的全部非线性信号聚焦效果优于一阶旁瓣非线性信号,振动声调制技术与时间反转方法结合能够实现对微裂纹的检测和定位。     

基于恒位移测试的转子系统非线性支承刚度参数辨识研究

采用基于正弦扫频技术的恒位移测试方法来获取转子支承系统在一系列恒定位移幅值响应下的频响函数,并辨识转子支承的非线性刚度参数。首先对转子支承系统进行两端支承状态下的模态分析,得到转子系统在线性支承条件下的模态;然后采用正弦激励进行仿真测试,对转子支承进行不同水平的恒位移测试,通过模态分析得到不同响应水平下的模态参数,建立等效非线性参数与响应之间的关系,再结合等效线性化理论,识别非线性刚度参数。     

线性变参数振动系统的全局辨识

制造系统中存在大量振动特性随特定参数变化而变化的线性变参数振动系统。这类线性变参数振动系统的辨识目前主要通过局部辨识方法,为了准确辨识需要在不同调度变量下进行大量实验,往往效率很低。为了准确而高效地辨识线性变参数振动系统,提出一种全局辨识方法。对调度变量连续变化的线性变参数振动系统持续施加激励,将系统的振动微分方程进行时域离散,利用过完备字典函数库对离散模型进行表征,并利用稀疏回归进行求解,即可根据调度变量数据和系统的激励-响应数据一次辨识得到系统模型。以实际机床刀尖结构的模态参数数据,建立线性变参数振动系统代理模型进行验证。在单调度变量和多调度变量案例中,全局辨识得到的模态参数平均误差均在2.7%以下,充分显示了所提出全局辨识方法的有效性,也验证了线性变参数振动系统全局辨识的可行性。     

基于谐波平衡法的非线性低频隔振系统振动特性研究

针对非线性低频隔振系统振动响应和振动传递率进行理论研究。基于非线性弹性元件的载荷－位移试验数据建立了非线性低频隔振系统的动力学模型和动力学方程。借助谐波平衡法对该非线性动力学方程进行近似求解,得到该非线性低频振动系统的一次谐波位移响应和振动传递率的近似表达式。分析了不同系统参数对振动传递率和曲线族骨架形状的影响,并对这种影响产生的原因进行了解释。理论结果与试验结果对比显示,当该非线性低频隔振系统工作在有效隔振频段内时,两者吻合良好。     

微机械陀螺非线性特性的自由衰减振荡测量方法

针对微机械陀螺非线性特性的测量问题,研究了一种频率步进式正弦脉冲激励的自由衰减振荡测量方法。在谐振频率附近,采用步进式正弦脉冲序列作为激励信号,得到一组包含系统不同程度非线性动力学特征的自由振动响应信号。通过Hilbert变换提取自由振动信号的瞬时幅值和瞬时频率,计算得到骨架曲线簇,即可实现非线性动力学特性的实验测量。以Duffing系统为例,对不同信噪比自由振动响应信号进行了数值仿真,结果表明这种方法比FREEVIB方法具有更好的抗噪声性能。对一种环型振动微陀螺进行了实验测试,所得到的骨架曲线与传统扫频方式的测量结果一致。作为一种测试手段,这种方法同样可用于其他类型微机械谐振器动力学特性的实验测试。     

基于改进全息希尔伯特谱分析的旋转机械故障诊断方法

时频分析方法能够有效同时提取故障设备振动信号的时间和频率信息,但在全面反映非线性振动信号幅值调制与频率调制特征之间的跨尺度耦合关系方面仍存在局限,且容易受到噪声干扰。对此,创新性地将全息希尔伯特谱分析(Holo-Hilbert spectral analysis,HHSA)方法引入到机械故障诊断中。HHSA通过双层经验模态分解(EMD)结构可完整地描述振动信号的内部调制特性,非常适合机械局部故障的检测。同时,为了进一步提升HHSA的诊断精度、抑制EMD模态混叠和噪声干扰,提出一种基于改进再生相移正弦辅助经验模式分解(Improved regenerated phase-shifted sinusoid-assisted EMD,IRPSEMD)的改进HHSA方法(IHHSA)。通过仿真信号验证IHHSA方法用于局部故障检测和诊断的有效性。最后,将IHHSA应用于齿轮裂纹故障和滚动轴承局部故障诊断中,结果表明,提出的IHHSA方法能够更全面地反映和呈现非线性故障振动信号的内部调制关系,且具有更好的故障识别能力。     

Non-linear torsional vibration characteristics of an internal combustion engine crankshaft assembly

Crankshaft assembly failure is one of the main factors that affects the reliability and service life of engines.The linear lumped mass method,which has been universally applied to the dynamic modeling of engine crankshaft assembly,reveals obvious simulation errors.The nonlinear dynamic characteristics of a crankshaft assembly are instructionally significant to the improvement of modeling correctness.In this paper,a general expression for the non-constant inertia of a crankshaft assembly is derived based on the instantaneous kinetic energy equivalence method.The nonlinear dynamic equations of a multi-cylinder crankshaft assembly are established using the Lagrange rule considering nonlinear factors such as the non-constant inertia of reciprocating components and the structural damping of shaft segments.The natural frequency and mode shapes of a crankshaft assembly are investigated employing the eigenvector method.The forced vibration response of a diesel engine crankshaft assembly taking into account the non-constant inertia is studied using the numerical integral method.The simulation results are compared with a lumped mass model and a detailed model using the system matrix method.Results of non-linear torsional vibration analysis indicate that the additional excitation torque created by non-constant inertia activates the 2nd order rolling vibration,and the additional damping torque resulting from the non-constant inertia is the main nonlinear factor.The increased torsional angular displacement evoked by the high order excitation torque relates to the non-constant inertia.This research project is aimed at improving nonlinear dynamics theory,and the confirmed nonlinear parameters can be used for the structure design of a crankshaft assembly.     

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。     

Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis

Empirical mode decomposition (EMD) has been widely applied to analyze vibration signals behavior for bearing failures detection. Vibration signals are almost always non-stationary since bearings are inherently dynamic (e.g., speed and load condition change over time). By using EMD, the complicated non-stationary vibration signal is decomposed into a number of stationary intrinsic mode functions (IMFs) based on the local characteristic time scale of the signal. Bi-spectrum, a third-order statistic, helps to identify phase coupling effects, the bi-spectrum is theoretically zero for Gaussian noise and it is flat for non-Gaussian white noise, consequently the bi-spectrum analysis is insensitive to random noise, which are useful for detecting faults in induction machines. Utilizing the advantages of EMD and bi-spectrum, this article proposes a joint method for detecting such faults, called bi-spectrum based EMD (BSEMD). First, original vibration signals collected from accelerometers are decomposed by EMD and a set of IMFs is produced. Then, the IMF signals are analyzed via bi-spectrum to detect outer race bearing defects. The procedure is illustrated with the experimental bearing vibration data. The experimental results show that BSEMD techniques can effectively diagnosis bearing failures.     

基于导纳功率流方法的动力吸振系统研究

建立了动力吸振器对单自由度隔振系统吸振的导纳功率流理论模型,以主振系在整个吸振频带消耗的净功率为控制目标,通过数值仿真对动力吸振器结构参数变化对单层隔振系统隔振效果的影响进行了研究。研究结果表明:动力吸振器的加入对隔振系统共振区的振动有显著抑制作用,在动力吸振器各结构参数中阻尼比、调谐比对隔振系统的影响最为明显。     

大跨径桥梁实时动态挠度信号的分离

由于经验模式分解(empirical mode decomposition,简称EMD)将非线性非平稳信号分解成为一系列线性、平稳的本征模函数(intrinsic mode function,简称IMF)信号,针对单通道大跨径桥梁挠度信号分离问题,结合盲源分离和经验模式分解各自优点,提出基于经验模式分解的盲源分离方法。利用奇异值分解(singular value decomposition,简称SVD)估计信号源数目,根据源信号数目将单通道挠度信号和其本征模函数重组为多通道输入信号,应用独立分量分析（independent component analysis,简称ICA）理论中的快速独立分量分析（fast independent component analysis,简称FastICA）算法对输入信号进行分解,实现桥梁挠度信号各分量的分离。仿真研究表明,该方法能较好地解决ICA模型源数估计和单通道挠度信号盲源分离难题。