非平稳随机激励下线性系统模态识别的小波方法

通过对非平稳随机激励下的线性时不变系统的响应x(t)进行小波变换.利用各级小波系数的正交性,对其中的某些平稳小波系数进行合成,得到满足结构动力学方程的新平稳信号y(b),用其代替原始的结构响应x(t),结合其他各种平稳随机激励下的模态识别的方法,进行非平稳随机激励下系统参数的识别.仿真结果表明,该方法可以在一定程度上消除非平稳随机激励所引起的响应信号的非平稳性.     

小波奇异性在钢结构损伤检测中的应用

根据小波奇异性检测理论,以应变能的损伤信号为结构损伤指标,分别以悬臂梁结构、平面桁架结构和空间网架结构为例进行数值模拟,将原始损伤信号和经过小波变换后的损伤信号进行对比,结果证明采用该方法不但对单一损伤而且对多损伤均能有效地识别出结构的损伤位置,表明了该方法的可靠性和实用性。     

基于ABAQUS和小波包能量谱的钢桁架损伤预警

用大型结构有限元分析软件ABAQUS建立了钢桁架完好模型和损伤模型,并模拟结构受到瞬态激励的振动测试实验,得到了结构动力响应信号。利用小波包变换对完好结构信号和损伤结构信号分别进行了多尺度分解得到小波包能量谱,并在此基础上计算结构损伤预警指标。结果表明,小波包能量谱对结构损伤具有很好的损伤敏感性,验证了该方法的有效性且具有良好的工程实际应用价值。     

小波奇异性分析在滑坡体位移监测降噪中的应用

利用信号奇异性与小波变换模极大值性质间的关系,研究小波变换模极大值法用于滑坡体位移监测曲线去噪的处理方法.介绍了小波变换和信号多尺度分解的基本理论、信号的小波变换模极大值在不同尺度下的传播特性与信号奇异性的关系.并利用实际数据资料,在Matlab下进行滑坡体位移监测曲线去噪试验,取得了理想的效果.实验结果表明,将基于奇异性的小波变换模极大值法用于滑坡体数据处理中是有效的.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

奇异性检测理论及其在电力系统中的仿真应用研究

由于小波变换不仅具有良好的时频局部化特性 ,而且还可以根据信号频率的变化自动调节时频窗口 ,因此利用小波变换可以有效地检测出信号的奇异性特征。文章在分析电力系统暂态故障信号的奇异性和小波变换奇异性检测基本原理的基础上 ,得出电力系统暂态故障信号奇异性的特殊性 ,从而提出利用小波变换进行故障暂态信号奇异性检测的算法 ,并且给出了仿真研究结果     

基于EMD和小波分析的建筑结构损伤检测探讨

采用经验模式分解(EMD)与小波分析相结合的方法探讨结构响应数据信号,进行建筑结构损伤检测诊断.与直接对原信号进行小波变换相比较,该方法能够更好地辨识出破损的时间局部特征信息.数值模拟和对建筑结构响应信号分析论证了该方法的有效性和实用性.     

基于振动模态小波变换模极大的结构损伤检测

给出了将小波奇异性检测原理应用于结构损伤检测的方法:对结构的模态振型进行离散小波变换,根据小波变换模极大诊断结构的损伤位置;利用BP神经网络模拟多个尺度下小波变换模极大与损伤程度之间的非线性关系,根据网络的输出诊断结构的损伤程度.为了检验该方法的有效性,以某简支梁损伤检测为例进行了数值模拟,结果表明,利用离散小波进行结构损伤检测,无需计算Lipschitz指数,而且精度可满足工程要求.     

小波分析在低压断路器故障检测中的仿真应用

在复杂的现场条件下,各种影响因素的共同作用可能造成在线监测数据失真,信号的局部奇异点的奇异性通常携带了信号的许多重要信息。为保证分析诊断的准确,必须对在线监测数据进行去噪处理,本文论述了基于小波分析的信号奇异性检测原理,对实测信号分析的结论具有应用价值。小波变换具有在时域和频域方面的局部化能力,适合对非平稳信号的处理。小波变换系数模极大值的位置和幅度与信号的局部奇异性密切相关,本文提出了一种基于小波变换的去噪方法和奇异性检测的处理方法。与以往方法相比,该方法通用性强,且无需大量的统计信息。通过对实际的监测数据进行分析,验证了所提方法的有效性。     

基于WPD-LMD和排列熵的结构损伤识别方法

为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.     

利用互易定理的混响声场数值模拟

运用有限元-边界元耦合的数值模拟方法,对航天器结构在发射飞行阶段的高强度噪声环境激励响应问题进行了研究.首先介绍了传统的构建混响声场的数值模拟方法;其后利用声振耦合中的互易定理,将混响声场的激励问题转化为结构模型上力激励引起的场点声压响应问题,并采用随机分析原理,用谱分析方法推导了结构在混响声场激励下的响应计算公式;最后建立了航天器典型结构的声振耦合模型,并分别用传统方法和利用互易定理的方法进行了数值模拟.结果表明:2种方法的仿真结果几乎完全吻合,而且相对于传统方法,利用互易定理的数值模拟方法可以显著减少求解的时间和存储计算文件的空间.     

Ridgelet变换在地震数据压缩中的应用

鉴于地震数据反映的物理界面的空间展布往往具有直线、平面等特性,小波变换进行震压缩处理不能很好地反映这一特性,根据Ridgelet变换的特点,将Ridgelet变换应用于地震数据压缩,结合嵌入式零树编码方法,提出了Ridgelet变换的地震数据压缩方法.通过对实际资料的处理,在压缩率为99.0%和90%时,比较了Ridgelet变换与小波变换处理结果.研究结果表明:Rigelet变换应用于地震数据压缩,其对数据的压缩比比小波变换对数据的压缩比大.     

一种基于小波变换的混叠语音基音提取方法

小波变换对单一信号源的基音提取非常有效，但在多音源混叠语音的基音提取中则无法有效地获得基音信息。为解决这一问题，先从混叠语音信号中确定信号的个数以及每路信号的时间间隔范围，之后再对其进行奇异点的分离，以便提取各源信号的谐波分量。为简化计算并避免由于幅值的不同而影响搜索效果，对各次谐波的幅值进行了归一化、卷积等处理，最后使用小波变换精确地提取出混叠语音的基音。实验表明了这一方法的有效性。     

基于乘积性多尺度小波变换的MPSK信号码速率估计

为估计MPSK信号的码速率,提出一种基于乘积性多尺度小波变换的MPSK信号码速率估计算法.首先,采用载频估计值将接收信号下变频至基带;然后选取多个不同尺度分别对基带信号做Haar小波变换以检测相位突变点,对多个尺度下小波变换的模做乘积性运算,显著凸显突变点的位置,极大削减了噪声;最后,对乘积性结果做快速傅里叶变换(FFT),便可得到MPSK信号的码速率.仿真实验表明,该方法可以在较低信噪比下估计MPSK信号的突变点和码速率,体现了良好的估计性能和优良的低信噪比性能.     

分片光滑函数沿圆曲线Radon变换的奇性

对于一类分片光滑函数,获得函数在支集内部的奇性与沿上半圆的Radon变换奇性的关系,并由函数沿上半圆Radon变换的奇性反演出函数的奇性,给出奇性反演的公式和例子.     

雷达回波的奇异性检测及目标识别

讨论了信号中奇异性的测度——Ｌｉｐｓｃｈｉｔｚ指数，分析了子波变换与Ｌｉｐｓｃｈｉｔｚ指数的内在联系，给出了使用子波变换计算信号的Ｌｉｐｓｃｈｉｔｚ指数的方法以及Ｌｉｐｓｃｈｉｔｚ指数在实际应用中的物理背景和意义。结合Ｌｉｐｓｃｈｉｔｚ指数及其检测方法，对三类飞机的雷达回波数据进行了实验模拟。通过计算回波波元的Ｌｉｐｓｃｈｉｔｚ指数来构造特征向量，并使用人工神经网络进行分类识别，给出识别的模拟结果。结果表明检测雷达回波波元的Ｌｉｐｓｃｈｉｔｚ指数进行雷达目标识别是一个有效的尝试。     

一种基于ridgelet和wavelet的混合编码压缩算法

星云图和MPEG-4中运动补偿后得到的残差图像通常是点线奇异性明显的图像.小波变换是表示点奇异性的有效工具,脊波变换(ridgelet)是表示线奇异性的理想工具.该文基于二者的优点提出了一种基于脊波变换和小波变换的混合编码框架用来处理压缩点线奇异性明显的图像.实验结果表明这种混合编码可以有效地对点线奇异性明显的图像进行编码,其效果优于基于单独的小波变换的SPIHT编码和脊波变换的SPIHT编码.     

二维空间中函数Radon变换的奇性研究

在二维空间中,得到一类分片光滑函数积分线旋转变化时的Radon变换的奇性传播规律,由此得到Radon变换相对于角度变量的奇性反演公式.     

基于改进随机减量法和小波变换的

基于改进随机减量法和小波变换提出了一种新的结构模态参数统计识别方法.随机减量法改进后可直接处理零均值非平稳响应信号,得到自由衰减响应,小波变换的时频域特性可解耦密频、低阻尼系统,自助分布的统计估计能力考虑和降低模态参数识别的不确定性.对提出的方法进行了完整的理论推导,并通过一个四自由度系统的数值算例验证了该方法可靠性.相比较传统的时域方法和直接小波变换方法,该方法具有更高的识别精度,尤其是阻尼比系数.随后的抗噪能力验证结果表明该方法在15dB噪声干扰下仍能够稳定、准确地识别出系统的模态参数,可适用于环境激励下模态参数识别.