基于EEMD-小波阈值去噪的桥梁结构模态参数识别

为研究环境激励下大跨径桥梁结构振动响应特性,采用拾振器监测结构动态变形.针对监测信号中的噪声影响,提出EEMD-小波阈值联合滤波方法来提升信号精度.首先,利用EEMD算法对信号进行分解,基于平均周期图法和相关系数法双重判定准则剔除虚假分量,然后,结合小波阈值去噪方法对重构信号进行二次降噪,再利用RDT-ITD法识别结构模态参数.将滤波降噪和模态识别方法应用于天津永和桥实测振动响应分析中,并结合有限元分析结果进行对比.结果表明:EEMD-小波阈值联合滤波方法优于应用单一方法,能进一步提升信号精度;信号降噪后,利用RDT-ITD方法成功提取了结构前3阶竖向自振频率和相应阻尼比;识别的结构自振频率值与有限元分析结果基本一致,基频值相差3.07%.     

基于SVD与改进EMD联合的泄流结构工作特性信息提取

针对泄流结构振动信号非平稳性和特征信息被强噪声淹没的实际问题,提出基于奇异值分解(SVD)和改进经验模态分解(EMD)联合的特征信息提取方法.首先,对一维泄流振动信号时程进行相空间重构,运用SVD分解技术提取振动信号的奇异值信息,并通过奇异熵增量定阶理论滤除泄流振动信号中的高频噪声,实现信号的初次滤波;其次,对初次滤波信号进行正交化EMD分解,运用频谱分析方法筛选包含主要结构振动信息的各IMF,滤除低频水流噪声,实现信号的二次滤波;最后,将包含结构振动信息的IMF分量重构,得到泄流结构的工作振动特征信息.通过数值信号仿真验证本文方法的正确性,可有效滤除高频和低频噪声,凸显结构振动特征信息.结合三峡5号坝段泄流振动实测数据,运用本文方法进行坝体特征信息提取,并与ERA辨识结果进行比较,进一步说明本方法在泄流结构振动信息分析中的优越性,可为泄流结构在线监测和安全运行提供依据.     

自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

基于VMD降噪的RV减速器故障诊断

针对RV减速器内部构造复杂、采集到的振动信号受噪声影响严重及低频故障特征难以提取的问题,提出一种基于小波降噪结合变分模态分解(Variational Modal Decomposition, VMD)的故障诊断方法。首先利用小波降噪法对含噪声的振动信号进行降噪;再通过变分模态分解得到不同频率范围的模态分量(Intrinsic Mode Function, IMF),计算各目标分量的峭度值和信噪比,选出目标分量并进行快速傅里叶变换(Fast Fourier Transform, FFT);最后通过减速器模数确定特征频率,可以准确定位RV减速器的故障点。结果表明：该方法较传统的频谱分析可以更有效地提取故障信息,解决了噪声干扰、低频信号调制等问题。     

特征系统实现算法的虚假模态剔除方法

针对虚假模态影响特征系统实现算法识别结果的问题,提出用奇异值分解结合模态能量水平来剔除特征系统实现算法识别结果中的虚假模态。利用奇异值分解(SVD)方法滤除信号中的部分噪声,减少噪声模态并提高识别结果精度,利用输出矩阵、状态矩阵的特征值和特征向量以及输入分配矩阵计算出识别结果中各阶模态能量矩阵,对其进行奇异值分解得到最大奇异值,将其作为各阶模态对输出能量贡献的衡量指标,称之为模态能量水平,然后由计算模态与噪声模态能量为零的特点剔除识别结果中的虚假模态。通过数值仿真和实例分析验证了方法的有效性。     

工程结构模态的连续型随机子空间分解识别方法

环境振动识别方法利用结构的输出信号识别结构的模态参数,主要的识别方法有时间序列分析法、ERA(eigensystem realization algorithm)法和随机子空间法,这些方法均基于离散模型．基于连续随机子空间模型,本文给出了一种识别大型工程结构模态参数的方法．运用SVD(singular value decomposition)分解将含噪声的输出信号空间分解为信号空间和噪声空间,然后直接估计结构的模态参数．SVD分解保证了算法的鲁棒性．最后讨论了一个7层框架的理想建筑,仿真计算表明,该方法简单有效,能够使用在桥梁和建筑的健康监测和振动控制中．     

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。     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解;然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构;最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

基于经验模态分解的自适应噪声对消方法

针对飞行器试验中单通道遥测信号频率内容丰富、降噪困难的问题,提出了一种基于经验模态分解的自适应噪声对消方法。将信号利用经验模态分解(Empirical mode decomposition, EMD)方法分解为一系列本征模态函数(Intrinsic Mode Function,IMF),将第一阶IMF作为参考噪声,并将第二阶以后的IMF分量累加求和,作为待降噪信号,在此基础上利用自适应噪声对消系统完成降噪。该方法克服了直接将高阶IMF作为噪声消除后在降噪和细节信息损失之间的矛盾性问题,可以最大程度保护信号细节信息不受损失的情况下实现良好的降噪效果。计算机仿真和某次飞行器试验实测数据处理结果证明了这一方法的有效性。     

基于奇异值分解降噪方法的大型风机故障诊断研究

利用奇异值分解降噪方法对大型风机异常振动信号进行降噪处理,并应用MATLAB软件实现。首先将含噪的测量信号构成的矩阵分解成有用信号空间与噪声空间,采用三种不同的奇异值阈值选取方法,即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后,再重构信号,实现测量信号的降噪,从而凸显故障的信息特征。利用计算数据和图像说明不同奇异值阈值选取方法的降噪效果,得出奇异值中值方法对大型风机异常振动信号降噪效果最佳。在此基础上对信号进行频谱分析,可以实现对大型风机故障的高效准确诊断。