基于小波变换的结构模态参数识别

及时、准确地识别出结构的模态参数是结构健康监测与损伤识别的重要前提。小波分析是众多识别方法中较优越的一种，因其在时一频两域都具有表征信号局部特征的能力，近年来这一方法在线性及非线性系统的参数识别中开始应用。探讨了基于小波脊（Ridge）与小波骨架（Skeleton）的模态参数识别方法，针对小波变换中遇到的边端效应问题，提出了基于自回归滑动平均模型（ARMA）的“预测延拓”方法，并以美国土木工程师学会（ASCE）提供的Benchmark模型为例进行了数值模拟。结果表明，本文提出的方法可以有效地抑制小波边端效应，通过小渡变换可以准确地识别出结构的模态参数。     

基于Morlet小波变换的模态参数识别研究

从卷积和Parseval定理的角度推导了小波变换系数的实用算法。以系统的自由响应数据为识别对象,给出了频率、阻尼比的参数识别方法,并重点给出了基于最小二乘法的振型识别技术。提出了基于改进Morlet小波的模态参数识别方法,对识别密集模态具有良好的效果。三自由度仿真算例表明,基于Morlet小波变换的模态参数识别技术能够以较高的精度识别出系统的频率、阻尼比和振型等模态参数。     

复解析小波变换与振动信号包络解调分析

阐述解析小波变换用于振动信号包络解调分析的理论基础。在解析小波傅氏频谱为一实值函数的条件下,论证一个解析小波的虚部是其实部的Hilbert变换,因而简洁地推论出“Morlet组合小波、谐波小波、谐波组合小波也是一类解析小波,它们的实部和虚部构成一对Hilbert变换对”,可用于故障调制振动信号的包络解调分析;另外,还论证了“解析小波变换系数的实部与虚部构成一对Hilbert变换对”的结论。最后,以谐波组合小波为例分析滚动轴承故障振动信号。     

基于Morlet小波变换系数的自适应虹膜识别

传统的虹膜识别方法原理复杂,实现困难.为了在保证识别率的同时简化虹膜识别算法,提高虹膜识别效率,本文提出了一种基于Morlet小波变换系数的自适应虹膜识别方法.首先,进行虹膜定位和下眼睑拟合,然后对虹膜图像进行归一化操作,得到512列x64行的矩形虹膜图像,并自适应地确定有效虹膜区域;其次,在虹膜有效区域内,对图像逐行进行一维Morlet小波变换,获得不同尺度下一系列小波变换系数,进而得到不同尺度下的小波变换系数分布图;再次,依据不同尺度下的小波变换系数对图像进行二进制编码,用虹膜代码表示虹膜模式;最后,采用自适应的模式匹配方法对不同的虹膜模式进行分类,给出识别结果.实验证明,该方法可以达到99.946%的识别率,能够满足虹膜识别要求.     

基于复Morlet小波变换的大跨空间结构模态参数识别研究

摘 要 探讨了基于复Morlet小波变换的结构频率及阻尼比的识别方法,推导了基于小波变换系数的振型识别原理。为提高识别密集模态的精度,提出了基于最小标准差的小波中心频率及带宽的自适应选择方法。针对大跨空间结构具有低频密集模态以及难以实现用力锤或激振器来激励等特点,提出了自然激励法与小波变换相结合的模态参数识别方法。数值仿真及奥运场馆国家游泳中心现场实测数据分析表明,基于复Morlet小波变换的方法能有效识别低频密集模态参数。     

基于小波变换的时变及典型非线性振动系统识别

用Morlet小波变换方法对时变振动系统和典型非线性振动系统进行参数识别。首先,通过Morlet小波变换提取振动响应的小波脊线,从而获得瞬时频率和瞬时幅值,然后,通过最小二乘曲线拟合即可估计系统的非线性阻尼和刚度系数。分别以时变阻尼自由振动系统、达芬有阻尼非线性简谐振动系统和范德波尔非线性自由振动系统为例子来说明小波变换方法对识别时变振动系统和非线性振动系统的有效性。     

基于解析小波变换识别结构的模态阻尼参数

摘要: 在结构振动分析中,结构的模态参数尤其模态阻尼参数的准确识别是一项十分重要的任务。基于Gabor小波函数的解析小波变换(AWT)通过小波函数与复值信号的匹配机制揭示信号的幅频和相频信息以实现结构模态阻尼参数的识别。本文基于小波变换(WT)理论,讨论了Gabor小波函数的特性及解析小波变换的时频分辨率和端点效应问题;为实现结构模态阻尼参数的准确识别,我们提出了Gabor小波函数参数选取和有效信号长度确定的依据。最后,一个频率呈密集分布的三自由度(3DOF)结构的数值模拟数据验证了本文提出的模态阻尼识别方法的有效性。     

小波变换在密集模态结构参数识别中的应用

系统研究了小波变换在具有低频密集模态的土木工程结构参数识别中的应用。采用Morlet小波，首先阐述了该方法识别模态频率和模态阻尼比的基本原理；分析了其时间和频率分辨率，针对土木工程结构中低频模态密集的情况，提出了选择小波参数的具体方法。通过三自由度结构的数值分析验证了该方法的正确性和优越性。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。     

用小波变换识别机械故障中的通过振动

本文利用小波变换的方法，有效识别了旋转机械运行中由滚动轴承等元件的缺陷引起的通过振动，并从时域上计算其通过频率，解决了以往此类故障由于干扰大而难以识别的困难，为机械故障诊断提供了一个非常有效的手段和应用实例。     

基于复小波变换的结构瞬时频率识别

对结构响应信号进行连续复Morlet小波变换,根据小波系数的模极大值提取小波脊线,识别结构的瞬时频率;为降低噪音的影响,采用奇异值分解(SVD)方法进行降噪处理,建立了一种基于连续复小波变换识别时变系统瞬时频率的方法.用一个具有时变刚度的弹簧质量系统的数值算例验证方法的有效性,随后设计了一个时变拉索结构试验,分别对索施加线性和正弦变化的拉力,同时测试结构的冲击响应,运用提出的方法成功地识别了索的瞬时频率.数值与试验结果表明,提出的方法能有效地识别时变结构的瞬时频率,且识别方法具有一定的抗噪性.     

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。     

爆破振动的BP神经网络预测方法研究

爆破所引起的震动强度在很大程度上具有随机性,它受到众多因素的影响,而且各因素之间存在着极其复杂的非线性关系.运用人工神经网络原理,以孔深、孔数、孔距、最大齐爆药量、总药量和爆源距作为影响爆破振动的主要因素,建立BP神经网络模型1,对爆破振动速度进行预测,并与仅考虑最大齐爆药量和爆源距作为输入量的BP神经网络模型2和萨道...     

基于BP神经网络的交通事故预测

本文利用神经网络具有描述非线性特性的能力,将影响交通事故的多种因素综合起来建立了BP神经网络的道路交通事故预测模型。选取人口数量、公路里程数和客运量作为神经网络的输入神经元,道路交通死亡人数和交通事故经济损失作为网络的输出神经元,对道路交通事故进行预测。     

基于遗传算法的神经网络在爆破振动预测中的应用

针对BP神经网络对工程爆破振动的预测存在精度不够高的缺点,建立遗传算法优化神经网络的模型,并介绍了它的原理。最后通过爆破振动预测实例的介绍,应用MATLAB编程,将总装药量Q、测点与爆源的高差h、孔间微差时间t、最大药包距离L这4个参数作为模型参数,对爆破振动幅值v、振动主频f和振动持续时间T进行预测,得出基于遗传算法的神经网络预测的结果比BP神经网络更为精确,克服了BP神经网络的缺点。     

基于同步挤压小波变换的结构瞬时频率识别

对结构响应信号采用连续可逆的时频变换工具—同步挤压小波变换,能提高时频曲线频率精度,有效地识别出结构的瞬时频率。用Duffing弱非线性系统及两层剪切型建筑模型验证该方法的正确性。设计时变拉索试验,分别对索施加线性与正弦变化拉力,测出结构的加速度响应,用同步挤压复Morlet小波变换算法进行索的瞬时频率识别。数值模拟及试验表明, 同步挤压小波变换能有效识别时变结构及非线性结构的瞬时频率,该方法具有较好的稳定性。     

基于复小波变换和支持向量机的缺陷类型识别

 针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机（SVM）模式识别理论的缺陷类型识别新方法．在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类．实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点．     

基于BP神经网络的桩基爆破振动速度预测

为研究桩基爆破振动对邻近埋地天然气管道的影响,以荣乌高速公路第7标段红泉村3号大桥桩基爆破振动为研究对象,以水平距离、雷管段数、总装药量、最大单段装药量、桩基深度和爆心距作为主要因素,建立桩基爆破振动BP神经网络预测模型,以现场测试的15组数据为学习样本对模型进行训练,以5组数据为检测样本进行预测,并将预测结果与萨道夫斯基公式和高程修正公式进行对比。结果表明:BP神经网络、萨道夫斯基公式和高程修正公式预测平均相对误差分别为7.90%、27.68%和24.30%,BP神经网络比萨道夫斯基公式和高程修正公式预测精度分别提高71.43%和67.49%。     

基于响应协方差小波变换和SVD的结构工作模态参数识别

对系统响应的协方差作小波的时频分解,利用信号互协方差与自协方差的小波变换系数的比值来识别结构的工作模态振型,由矩阵奇异值分解(SVD)从小波变换时频分析结果确定小波脊,通过实际结构多测点数据,利用小波系数比值来反映振型,识别结构各阶工作模态参数(固有频率、阻尼比和振型)。用数值模拟算例和实桥环境振动试验数据对方法进行了验证,并与频域峰值法和时域随机子空间识别方法结果进行了比较,结果表明,该方法可以准确地识别出结构的工作模态参数,特别是阻尼和振型的识别。     

状态空间下基于小波变换的时变系统参数识别

基于状态空间和小波理论提出了时变系统的参数识别方法。该方法将线性时变系统的二阶振动微分方程转化为状态空间里的一阶微分方程组,再对系统的自由响应数据进行小波变换,利用小波尺度函数的正交性,又将一阶微分方程组的求解转化为线性代数方程组的求解问题。识别出等效的系统转移矩阵,再利用特征值分解,可以得到系统的模态参数,然后将等效的系统转移矩阵与实际物理模型中的质量、刚度和阻尼矩阵对照,识别出系统的刚度和阻尼矩阵。以4层楼房剪切模型为例,对突变、线性变化和周期变化3种情形下的时变参数进行了识别,仿真算例验证了该方法的正确性和有效性。