排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
数据分析长度的选取是提取结构振动特征信息的关键,人为选取信号分析的数据长度会导致其计算结果存在一定误差,为减少主观因素影响,提出一种基于改进多尺度排列熵(improved multi-scale permutation entropy,简称IMPE)的振测数据分析长度的方法.对于获得的振动信号,将一维的时间序列数据多尺... 相似文献
2.
为研究去学水电站厂房振动系统的混沌特性,明晰振动系统产生混沌现象的原因,采用饱和关联维数和最大Lyapunov指数两种方法,定量分析水电站厂房振动响应的混沌特性。利用完备总体经验与奇异值联合模态分解(简称CEEMDAN-SVD)提取代表不同成分的分量信号,计算不同分量的混沌特性指标,分析水电站厂房产生混沌现象的原因。结果表明,水电站厂房振动系统具有混沌特性,且尾水脉动是水电站厂房振动系统产生混沌特性的主要原因,而机组运行的振动激励掩盖了部分尾水脉动的混沌特征。研究结果为优化水电站厂房机组的开度与开启方式提供了理论基础,为监测及预警水电站厂房的运行状态提供了新思路。 相似文献
3.
4.
结合某提灌工程的地域特点及运行情况,以泵站出水塔为研究对象,建立了水体-结构-地基耦联的有限元模型,对泵站出水塔结构的动力特性及损伤模式规律进行研究.结果表明:泵站出水塔在地震作用下易在底部排架-镇墩、中部环形梁-隔板接触位置出现损伤,且随着惯性力作用的增加(峰值加速度为0.4g),该部位开始发生损伤破坏,且损伤沿排架... 相似文献
5.
6.
为探索泵站管道混沌程度对短期预测精度的影响规律,确定适用于泵站管道混沌振动的短期预测方法,以某灌区泵站管道振动响应为例,采用Volterra级数和径向基(RBF)神经网络两种预测方法,建立了管道振动短期混沌预测模型。首先以典型混沌系统Lorenz x分量为算例验证两种方法在混沌预测领域的有效性;其次,选取受机组运行及流态突变影响的振动响应,分别建立混沌短期预测模型并分析不同工况下的预测精度;最终综合对比两种方法的预测精度。结果表明,针对泵站管道振动响应,RBF神经网络和Volterra级数预测模型均有较好的预测效果;振动响应混沌程度越高,预测精度越低,且混沌程度越高可有效预测的时间序列越短;对于混沌程度较高的时间序列,Volterra级数预测有相对更低的平均相对误差、均方根误差,预测误差相对RBF神经网络更小,具有更高的预测精度。 相似文献
7.
数据分析长度的选取是提取结构振动特征信息的关键,人为选取信号分析的数据长度会导致其计算结果存在一定误差,为减少主观因素影响,提出一种基于改进多尺度排列熵(improved multi?scale permutation entropy,简称IMPE)的振测数据分析长度的方法。对于获得的振动信号,将一维的时间序列数据多尺度化后进行粗粒化处理,确定其相空间重构参数。选取不同长度的振测数据,分别计算多尺度排列熵(multi?scale permutation entropy, 简称MPE)熵值,发现熵值对数据长度的变化敏感,随着数据长度的增加而变化,最后趋于稳定值。定义该稳定值为标准熵值,满足标准熵值97%精度的熵值作为有效熵值,选出满足精度要求的熵值,将其所对应的最短数据长度定义为振测数据的最佳分析长度。将该方法应用于仿真信号和具体泄流工程振动信号的最佳数据长度选取中,可为结构监测选取准确的数据分析长度,有较好的普适性。 相似文献
1