HHT法识别结构模态频率和阻尼比的改进

在应用EMD方法分解信号时,可能造成固有模态函数中不同的振动模态混合,从而淹没能量较小的振动模态而导致无法识别其模态参数。为了提高结构模态参数识别的精度和比较精确地识别低频模态及能量较小模态的参数,文章对结构响应信号进行带通滤波后再应用EMD方法进行分解,最后得到结构的各阶模态频率和阻尼比;仿真结果表明,该方法可以有效提高结构模态频率和阻尼比的识别精度。     

经验模态分解与RBF神经网络在轴承故障诊断中的应用

针对轴承振动信号的非线性与非平稳性,采用经验模态分解与RBF神经网络相结合的故障诊断方法.首先,采用经验模态分解法对轴承信号进行分解得到各个固有模态函数,提取各个固有模态函数的能量作为故障特征参量,然后将故障特征参量输入RBF神经网络进行训练与测试,实现了智能化的故障模式识别.结果表明,基于该方法的轴承故障诊断系统能够准确地识别外圈裂纹、内圈点蚀和保持架断裂等故障,具有较好的实际工程应用价值.     

基于HVD和RDT的工作模态识别

应用希尔伯特振动分解(HVD)和随机减量技术(RDT)建立了环境激励下结构工作模态参数的识别方法。基于环境激励下结构的单点振动响应信号作为分析信号,应用希尔伯特振动分解将分析信号分解为若干个包含结构模态信息的信号,再利用随机减量技术提取自由衰减信号,应用最小二乘复指数法获得各阶模态频率和阻尼比。应用该方法对5自由度剪切模型以及12层混凝土框架地震台模型的顶点地震响应作为分析信号进行了结构工作模态参数的识别,并将识别结果与其他方法识别结果进行对比。结果表明该方法识别模态频率是可靠的;对平稳结构响应信号模态阻尼比的识别有好的精度,而对非平稳响应信号有较满意的精度。     

希尔伯特黄改进算法在语音增强中的应用

语音信号在传输过程中常常受到传输系统或周围环境的噪声影响而无法识别说话者的内容。为了尽可能消除语音中的噪声,提高语音的信噪比及清晰度,提出了一种基于奇异值分解的希尔伯特黄消噪算法。该算法对带噪语音信号进行经验模态分解,得到各阶固有模态函数,在对各阶固有模态函数分量分析的基础上,利用软阈值和奇异值算法相结合的方法来达到语音消噪的目的。这种分阶消噪算法可以尽可能的除去噪声,提取出纯净的语音信号。通过大量的仿真结果可以证明:该算法在语音消噪应用具有可行性,而且优于传统语音消噪方法。     

基于VMD和马氏距离SVM的滚动轴承故障诊断

针对滚动轴承早期故障识别较困难的问题,提出一种基于变分模态分解(VMD)和马氏距离支持向量机(SVM)的诊断方法。首先,采用小波阀值法对原始振动信号进行去噪处理,获得有效的振动信号。其次,根据VMD分解后每个模态的中心频率大小不同,确定最终分解层数。同时,从分解后的变分模态分量中提取能量特征。最后,为了对样本间进行距离度量,将马氏距离引入SVM的高斯核函数计算中,建立了一个基于马氏距离的高斯函数核,用于支持向量机分类器。利用改进的SVM对轴承的运行状态进行识别,实验结果表明所提方法在识别轴承正常状态、内圈、外圈以及滚珠体故障时,具有较高的准确率。     

基于经验模态分解的水下目标回波提取

为在噪声中有效提取水下目标回波,提出一种基于经验模态分解的目标回波提取方法,分别对目标回波与噪声进行经验模态分解,得到二者各阶的固有模态信号分量;计算二者各阶的固有模态分量的能量,求取对应各阶的能量差,并与门限相比较,选取大于门限的固有模态分量重构目标回波信号.分析了经验模态分解阶数和选择门限等因素对重构信号精度的影响.仿真结果表明,该方法可精确提取目标回波.采用该方法提取信号的均方误差均低于自适应滤波方法,尤其在低信噪比时.     

多类型的雷达有源干扰感知新方法

针对雷达有源干扰可识别的类型有限且识别效果欠佳的问题,提出了一种多类型雷达有源干扰识别新方法。该方法首先利用变分模态分解对雷达有源干扰信号进行分解,得到具有不同中心频率带宽有限的固有模态分量,然后分别计算每个固有模态分量相应的矩形积分双谱,并计算其Renyi熵以组成特征参量,最后采用随机森林分类器将多个随机决策树的结果取众数,从而实现了雷达有源干扰类型的识别。仿真结果表明,所提方法不但能够有效地识别多种不同类型的雷达有源干扰,而且具有良好的抗噪声性能和稳健性。与基于熵理论的识别方法和基于时频特征的识别方法相比,当信噪比为5 dB时,压制式干扰识别率分别提高了0.33%和1.75%;与基于时频图的识别方法和基于时频分布的识别方法相比,当信噪比为0 dB时,拖引欺骗干扰识别率分别提高了3.89%和5.06%。     

基于改进IVMD的工程结构状态特征分析研究

针对当前工程结构状态特征分析时频方法存在的缺点,基于时频分析新算法——变分模态分解算法构建结构状态特征分析新方法.对变分模态分解进行改进,建立分解层数自适应确定的变分模态分解算法(Improved Variational Mode Decomposition, IVMD),并通过仿真信号验证IVMD对复杂信号的分析能力.利用IVMD和加速度数据进行工程结构多种工况下的固有频率、IVMD能量熵分析.建立结构振动GPS数据奇异点探测的IVMD能量熵方法.基于IVMD提取及分析大坝变形分量与其状态特征.实验结果表明:IVMD对复杂信号分解具有较高的精度,并且效果远优于经验模态分解及小波分解算法;IVMD获取的固有频率与能量熵参数可有效分析不同工况下钢结构状态特征变化,结构不同工况的参数差异显著;IVMD能量熵序列准确地探测到结构振动GPS数据中的奇异点,可精准的确定结构状态动态变化特征;IVMD较好地提取到大坝变形温度、水位、时效分量,挖掘了大坝变形状态特征信息.基于此,证实了结构状态特征分析IVMD新方法的有效性及可靠性.     

基于局域波法的非线性系统模态参数识别研究

研究基于局域波分析的非线性系统模态参数识别方法.首先在非线性系统响应局域波分解的基础上得到了等效线性系统,然后通过Hilbert变换识别系统的瞬时固有频率和瞬时阻尼系数.针对非线性转子系统的模态参数测试识别问题,提出测取转子系统在降速过程非稳定运行工况下的振动响应,并应用提出的模态参数识别方法来识别转子系统的瞬时固有频...     

机电集成电磁蜗杆传动机械系统灵敏度分析

建立了电磁蜗杆传动机械系统动力学模型,采用一阶灵敏度函数法推导出系统灵敏度矩阵,在初选结构参数的基础上,研究机械系统主要结构参数对电磁啮合的影响规律,得出固有频率对这些参数的灵敏度变化曲线。研究结果表明,电磁蜗杆传动机械系统自由振动的模态分蜗杆模态和蜗轮模态;机械系统的固有频率较低;对于每个磁极都有三个不同的固有频率相对应。通过灵敏度分析,可以解决运行过程中机械结构振动的固有频率对传动随机参数的响应问题,选取参数时远离激励频率,避免共振现象的发生,为机电集成电磁蜗杆传动的加工制造提供依据。     

基于鲸鱼算法优化LSSVM的铣刀磨损监测

为解决铣刀磨损状态监测问题,提出一种改进的鲸鱼算法优化最小二乘支持向量机的状态识别方法.首先,采用变分模态分解处理铣削过程中的振动信号,分解得到的固有模态分量进行特征提取;然后,针对鲸鱼算法易陷入局部最优解、收敛精度低的问题,引入混合反向学习算法和非线性收敛因子进行改进,并采用基准测试函数验证改进后的鲸鱼算法的有效性;最后,将改进的鲸鱼算法优化LSSVM模型应用于铣刀磨损状态识别仿真实验.实验结果表明,相较于粒子群算法与传统鲸鱼算法,改进的鲸鱼算法优化LSSVM具有更高的识别精度.     

基于改进HHT方法的密集模态结构参数识别

针对Hilbert-Huang变换(HHT)方法在识别结构模态参数中存在的经验模式分解(EMD)模态分解能力不足以及固有模式函数(IMF)分量之间不正交这2个问题,分别提出采用波组信号前处理和正交化经验模式分解的方法予以改进,并将此方法称为改进的Hilbert-Huang变换方法.在介绍正交化经验模式分解方法和波组信号前处理基本原理的基础上,给出基于此改进Hilbert-Huang变换方法识别结构模态参数的基本步骤,并通过一个具有密集模态的三自由度结构在脉冲荷载激励下的模态参数识别算例予以验证.研究结果表明:该方法可有效识别密集模态结构的模态参数,且识别效果优于基于HHT的模态参数识别方法的效果.     

基于复Morlet小波变换的变压器绕组模态参数辨识

为了较为准确识别变压器绕组非线性系统的模态参数,对某10 kV变压器绕组进行了激振实验.基于实验数据,采用复Morlet小波变换法对变压器绕组固有频率及阻尼比进行辨识,并使用最小二乘法进一步对变压器绕组的对应振型进行了识别,得到了绕组的前4阶固有频率、阻尼比及振型.计算结果表明,实验用变压器绕组的各阶固有频率均远离电动力激励频率,各阶固有频率对应的振型呈现出较好的对称性,说明绕组结构设计较为合理.与PolyMax法进行比较,结果验证了基于复Morlet小波变换的识别方法对包括振型在内的变压器绕组模态参数识别的有效性和实用性.     

基于相关函数的振动结构工作模态参数识别方法

把工作模态参数识别方法中的NEXT法发展为直接利用振动结构的加速度响应信号即可进行结构参数辨识的方法，理论上推导了振动结构相对于速度、加速度信号的脉冲响应函数，以及振动结构加速度响应信号间的相关函数，证明振动结构加速度响应信号间的相关函数与加速度信号的脉冲响应函数具有相同形式的表达式．另外以无约束等截面梁为例，利用梁振动的加速度响应信号间的相关函数作为梁的加速度信号的脉冲响应函数，采用特征系统实现法进行梁的工作模态参数识别，其结果与梁的理论参数值及频域法和利用脉动响应函数的特征系统实现法的识别结果进行了比较，结果表明工作模态识别方法在识别振动结构固有频率方面具有较高的精度．     

改进经验模态分解的麦克风阵列语音增强方法

提出一种将改进经验模态分解与麦克风阵列最小方差无失真响应的自适应波束形成相结合的语音增强方法.该方法首先利用互相关系数阈值法去除经验模态分解得到的虚假固有模态函数,并结合其各阶自相关函数特性准确获取信号主导与噪声主导的固有模态函数的分界点;对噪声主导的固有模态函数进行小波阈值去噪,并将所有同阶固有模态函数进行最小方差无失真响应波束形成,求和得到增强语音信号.改进经验模态分解算法避免了在高信噪比条件下的信号失真,同时满足了最小方差无失真响应波束形成算法窄带特性的要求,进而增强了麦克风阵列抗干扰能力.实验结果证明了方法的有效性.     

旋流静态混合器内瞬态速度时间序列多尺度符号化分析

利用激光多普勒粒子分析仪对长径比为1.25的旋流静态混合器内瞬态流场进行测量.基于经验模态分解(EMD)方法将测得SK型静态混合器速度信号进行多尺度分解,并将分解的各阶固有模态函数IMF进行符号化,采用修正的Shannon熵(Hs)评价各尺度下的微观动力学特征.通过对静态混合器内不同尺度下瞬态速度波动信号的Hs分析,发...     

基于变分模态分解的冻结步态识别方法

针对传统帕金森患者冻结步态识别方法自适应性不佳的问题,提出一种基于变分模态分解的冻结步态识别方法.首先采用变分模态分解代替传统时频分析方法对冻结步态信号进行充分的自适应分解.其次为提高算法识别精度和识别速度,选用CART模型作为集成分类器的基分类器并进行特征降维处理.最后针对不平衡数据集和单分类器性能有限的问题,进行了数据采样-集成分类器的设计并通过贝叶斯优化对识别算法进行超参数寻优.实验结果表明,相对于AdaBoost、Tomeklinks-AdaBoost和ROS-AdaBoost集成算法,RUSBoost集成算法可以更高效地完成冻结步态识别任务.     

基于变分模态分解的延时识别法在短延时微差爆破中的应用

短延时微差起爆时间的精确识别,对复杂环境下隧道爆破优化设计和减振控制具有重要意义.针对经验模态分解（empirical mode decomposition,EMD）识别方法和希尔伯特-黄变换（Hilbert-Huang transform）识别方法存在的模态混叠和识别精度低的缺陷,提出了基于变分模态分解（variational mode decomposition,VMD）的延迟识别方法.分别采用VMD识别法、HHT识别法和EMD识别法对八达岭长城站爆破实测振动信号进行处理.结果表明:在短延时爆破识别中,HHT法的识别结果波峰杂乱,无法精确找到起爆时间;VMD法和EMD法的识别率随着雷管延时的增加而增加;延时低于20 ms时,EMD法的识别率约为VMD法的3/4,延时高于20 ms时,两种方法识别率都在80%以上,以上结果表明VMD法在短延时爆破的优化设计中具有一定的参考价值.      

基于模态扩展的变速器箱体振动识别及辐射噪声优化

提出一种基于模态扩展技术的变速器箱体振动识别方法.以某变速器为例,应用有限元方法计算出变速器箱体的模态频率和特征向量,通过试验测得箱体在运行工况下部分点的振动加速度,将振动加速度映射到有限元模型上,得到各阶模态的参与因子,依据模态参与因子与特征向量识别箱体有限元模型中所有节点的振动加速度.研究表明,识别出的加速度值与实测值的最大平均残差为9.7%,基于模态扩展技术的箱体振动识别方法有效.最后根据识别的加速度计算变速器箱体辐射声功率,确定了3个辐射声功率较大的区域并进行优化,优化后的变速器箱体辐射声功率最大下降1.8dB.     

基于变分态分解与灰狼优化支持向量机的齿轮箱故障诊断

由于行星齿轮齿轮箱的振动信号具有非平稳、非线性特性,在复杂工况下,会对其早期微弱的故障信号造成干扰,不能正确地识别出故障信息。为解决以上问题,采用基于变分模态分解(variational mode decomposition, VMD)与灰狼优化支持向量机的故障诊断方法。利用中心频率近似方法,求解出了变分模态分解的参数K,对分解出的本征模态函数(intrinsic mode function, IMF)分量进行相关性分析,优选出分量进行信号重构。将重构信号进行故障特征提取,利用灰狼优化支持向量机的方法进行故障模式识别。实验结果表明：采用所提方法对行星齿轮箱的故障识别准确率达到99.375%。