应用改进复Morlet小波识别电力变压器绕组模态参数

为准确识别电力变压器绕组模态参数,据某10 kV实体变压器绕组轴向激振实验结果,采用复Morlet小波对自由振动信号进行时频变换;使用改进的Crazy Climber算法提取时频图中小波脊线,获得变压器绕组前四阶固有频率及阻尼比,并将计算结果与PolyMax频域识别方法结果对比验证。结果表明,该方法能准确识别出变压器绕组前四阶固有频率,能更清晰显示信号能量随时间频率分布。基于复Morlet小波变换的模态参数识别方法抗干扰性能力较强,适合识别变压器绕组类复杂结构模态参数。     

基于解析小波变换的变压器绕组模态参数识别

电力变压器绕组的模态参数与绕组结构振动特性、动力特性优化设计及振动故障诊断密切相关,考虑到传统的模态识别方法在获取变压器绕组这类非线性系统参数时的局限性,在对某10 kV实体变压器绕组进行轴向激振实验的基础上,引入复小波变换法对测试得到的振动信号进行分析,同时使用Crazy Climber算法提取小波脊线,得到变压器绕组的前三阶固有频率及其对应的阻尼比。计算结果与目前通用的频域识别方法Poly Max法识别结果的良好吻合说明计算结果的正确性。此外,计算结果表明基于小波变换的模态参数识别方法具有较强的抗干扰性能力,适合于分析变压器绕组这类复杂结果的模态参数。     

模态响应识别的粒子群优化方法在倾转旋翼机上的应用

利用粒子群优化算法识别模态频率和阻尼比的方法无需测量激励信号,且不受邻近模态耦合的影响.阐述了简谐激励作用下利用粒子群优化方法对系统模态参数的识别过程,指出了在信号经过滤波处理后该方法不能精确识别信号模态相位的缺陷,并提出了改进方法.通过仿真计算以及应用改进的方法对倾转旋翼模型机翼端部的振动信号进行识别和分析,表明改进的方法可以精确识别出信号中各模态响应的相位值,能够有效地对系统的模态响应进行识别.     

基于粒子群算法的改进模态参数识别方法

针对一类多模态振动衰减信号的模态参数识别,结合奇异值分解(singular value decomposition,SVD)、解析模态分解(analytical mode decomposition,AMD)、自回归功率谱和粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进...     

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。     

量子粒子群结合小波变换识别结构模态参数

通过对结构响应进行连续小波变换将多自由度模态参数识别转化为多个单自由度模态参数识别。建立小波骨架理论公式与由结构输出信号计算而得的小波骨架之差为目标函数的优化问题,通过搜索包含于小波骨架理论公式中的模态参数的取值而使目标值最小,从而将优化问题转化为模态参数识别问题。量子粒子群算法是一种基于群体智能理论的优化算法。将量子粒子群算法应用到上述方法中一次性识别出结构的频率、阻尼和振型。最后采用数值模拟的简支梁对该方法进行有效性验证。结果表明,量子粒子群算法结合连续小波变换可以有效地识别环境激励下的结构模态参数。     

基于振动信号时频分解-样本熵的受电弓裂纹故障诊断

构建了基于时频分解-样本熵测度的受电弓振动信号故障特征提取模型。对振动信号进行聚合经验模态分解,接着对分解得到的本征模态函数计算参数优化后的样本熵特征。将获取的故障特征输入基于粒子群参数优化的支持向量机(PSO-SVM)进行受电弓故障识别分析。结果发现,基于受电弓顶管振动信号的EEMD样本熵故障诊断效果较好,而碳滑板振动信号诊断效果较差。针对这一特点,利用二代小波样本熵进行优化,进一步提高了碳滑板振动信号故障诊断结果,验证了现代时频分析算法与信息熵联合的诊断方法在受电弓振动信号特征提取与故障诊断的可行性与有效性。     

基于量子粒子群算法的结构模态参数识别

以由结构输入输出数据计算所得实测频响函数与理论频响函数差值最小化为优化目标,通过对理论频响函数中所含结构模态参数搜索取值使目标函数最小,即将结构模态参数识别问题转化为优化问题。采用量子粒子群算法对此过程优化计算,获得结构模态参数。用数值模拟六层框架结构对该方法进行验证。结果表明,量子粒子群可有效识别结构模态参数。     

变分模态分解和K-L散度在振动筛轴承故障诊断中的应用

振动筛属于振动机械设备中的筛分设备,其结构特点与运行原理与一般的旋转机械有很大不同,因此提取出的振动信号同从旋转机械提取出的振动信号也同样有较大区别,主要体现在信号中不仅存在大量背景噪声,而且成分也较为复杂。对于此类信号,模态分解算法是个行之有效的方法,模态分解算法在去除大量高频噪声的同时,还能将振动信号分解成一系列具有单一成分的模态分量,从而能更好发现振动信号的物理意义。基于此,引入一种新的故障诊断方法,首先利用变分模态分解将故障信号分解为若干个窄带模态分量,然后根据K-L散度值选定最佳的分量,最后进行包络运算得出故障频率。通过仿真模拟实验与振动筛轴承故障诊断的实际应用,并与之前的经典模态分解算法——经验模态分解和集成经验模态分解进行对比,发现该算法更具有优越性和实用性。     

参数优化 VMD-MPE 和 PSO-CS-Elman 神经网络在滚动轴承故障诊断中的应用研究

针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解（Variational Mode Decomposition,VMD）、多尺度排列熵（Multi?scale Permutation Entropy,MPE）和粒子群?布谷鸟搜索融合算法优化 Elman神经网络的故障诊断方法。针对 VMD 中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的 VMD 对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性。考虑到 MPE 具有可探究信号内动力突变的优点,将其与参数优化 VMD 相结合,求取滚动轴承振动信号各阶模态分量的 MPE 值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型。针对 Elman 神经网络识别精度低的问题,将粒子群优化（Particle Swarm Optimization,PSO）算法和布谷鸟搜索（Cuckoo Search,CS）算法相融合,以此联合优化 Elman 网络的权重和阈值,以提升网络的收敛精度和诊断精度。以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析。结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于变分模态分解和多尺度排列熵的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳性、故障特征提取效果不理想以及故障诊断准确性低等问题,提出基于变分模态分解和多尺度排列熵的滚动轴承故障特征提取方法,并采用经粒子群算法优化的概率神经网络(PSO-PNN)故障诊断模型进行故障类型识别。通过变分模态分解方法将提取的振动信号分解成K个模态分量,进一步计算K个分量的多尺度排列熵,组成多尺度的特征向量,将特征向量输入到PSO-PNN故障诊断模型中识别故障类型。MATLAB仿真结果表明,该方法使故障类型识别准确率有所提高。     

基于R-TPBSS的结构模态参数识别方法

提出了一种基于R-TPBSS算法的结构模态参数识别方法。该方法通过对响应信号进行稳健性白化处理,提高了算法的抗噪性。该方法将模态坐标和模态振型分别视为独立源信号和混合矩阵,以模态坐标的时间预测性大于响应信号的时间预测性为前提构造目标函数,通过优化目标函数,直接从结构自由响应中分离出各个模态,配合单点模态参数识别方法,提取出结构的模态参数。仿真结果表明,此方法具有很高的识别精度,对噪声很好的鲁棒性,密集模态下,同样能够准确的识别出结构的模态参数。     

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。     

基于参数优化时变滤波经验模态分解的转子故障诊断

针对应用时变滤波经验模态分解(TVFEMD)诊断转子故障时需人为指定带宽阈值和B样条阶数两个参数,存在较大主观性和盲目性的不足,提出一种基于参数优化TVFEMD和希尔伯特变换(HT)诊断转子故障的方法。采用粒子群算法搜索最佳参数组合;并使用最优参数组合进行TVFEMD,得到一系列的本征模态函数(IMF);最后,对IMF进行HT,得到信号的希尔伯特时频图和边际谱,从而诊断出转子的故障类型;分别应用该方法诊断恒定转速的转子不平衡、变转速的油膜涡动两种典型转子故障。结果表明:基于参数优化时变经验模态分解和希尔伯特变换的方法不仅能够实现参数的自动选择,获得良好的分解效果,且能准确识别转子的不平衡、油膜涡动等典型故障;与原始经验模态分解和现有方法相比,具有明显的优越性。     

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。     

变压器绕组松动的振动实验分析

变压器绕组故障是变压器故障中的重要部分,基于振动信号分析的方法可以实现变压器绕组运行状态的在线测量。阐述绕组的振动机理及传播路径,通过人为设置绕组松动故障,实测负载时不同松紧程度下的变压器油箱表面的振动信号。利用小波变换(WT)、经验模态分解(EMD)和总体经验模态分解(EEMD)三种方法对信号进行处理,并对信号能量熵求解,对比结果发现:针对绕组振动信号,三种能量熵变化规律与100 Hz处幅值均可作为初步判断绕组松动的指标。     

基于经验模态分解和主成分分析的滚动轴承故障诊断研究

针对传统的振动信号特征提取效率低、诊断时间较长等问题,提出了基于经验模态分解与主成分分析的滚动轴承故障诊断方法。首先利用经验模态分解将振动信号分解为有限个本征模函数和一个残差函数,提取主要的本征模函数能量及其局部平均频率特征,最后将复合特征向量作为主成分分析分类器的输入,完成对故障的识别。实验结果表明:复合特征向量能够有效地反映轴承的运行状态;相比于BP神经网络、支持向量机、K-近邻算法,主成分分析分类法不仅能够准确地识别故障,而且训练时间短、使用方便。     

基于峰频带通信号HHT变换的框架结构试验模态分析

该文提出了基于峰频带通信号希尔伯特-黄变换(HHT)的结构模态参数识别方法。该方法将小波包带通滤波技术与HHT 模态参数识别技术结合,有效的抑制了信号分解过程中的模态混叠现象。采用去端点法较好地解决了带通滤波和经验模式分解(EMD)所引起的端点效应问题,提高了算法的稳定性和可靠性。在此基础上,利用实验室条件下测得的脉冲加速度响应信号有效地识别出钢筋混凝土框架结构模型的模态参数,并和理论计算值进行了比较。结果表明:弯剪层模型比纯剪切层模型更能反映框架结构整体横向振动的动力特性。     

频率调制经验模态分解在轴承故障诊断中的应用

在密集频率情况下,针对经验模态分解(Empirical Mode Decomposition,EMD)容易产生模态混叠的问题,研究了基于频率调制经验模态分解(Frequency Modulated Empirical Mode Decomposition,FM-EMD)振动信号处理方法。该方法可以较好地分解相对密集频率的弱非线性信号,得到物理意义相对明确的本征模函数(Intrinsic Mode Function,IMF)。通过数值仿真证明了该方法的有效性。利用频率调制经验模态分解方法对故障轴承振动信号进行分析,准确地确定了故障类型。