碳纤维层合板Lamb波损伤检测的加权块稀疏成像法

针对Lamb波稀疏阵列损伤成像方法中存在的成像分辨率低、伪点干扰大的问题,基于损伤在被测结构中的稀疏先验,提出了一种加权块稀疏重构的Lamb波损伤成像方法。首先通过Lamb波在薄板类结构中的线性传播模型,结合稀疏传感器阵列信息,构造过完备Lamb波散射的块稀疏字典;其次将测量得到的Lamb波散射信号在所构建的过完备字典下进行稀疏表示,将Lamb波损伤成像问题转化为加权l_1范数最小化的凸优化问题;最后通过谱梯度投影法,求解所建立的加权块稀疏凸优化模型,得到损伤散射信号在该字典下的稀疏表示系数并以此作为损伤指标,实现对被测结构的损伤成像。碳纤维层合板上的模拟损伤成像结果表明:所提方法在单损伤成像中的定位误差为3.16 mm,在双损伤成像中的最大定位误差为4.24 mm。实验验证了所提方法的有效性,与传统延迟叠加成像法的对比表明,所得损伤成像结果具有更高的分辨率,更小的伪点干扰,但同时也需要更大的计算量。     

叶端定时中多重信号分类法的滤波特性研究

为了揭示多重信号分类法(MUSIC)具有滤除同步频率分量特性的数学机理，基于MUSIC方法中的信号子空间生成过程与主成分分析方法中的主成分生成过程的一致性，对MUSIC滤波特性进行了研究。以正弦信号假设下单频率分量的情况为例，证明了异步频率分量与同步频率分量的信号子空间分别可以用二维直角坐标系和一维坐标轴可视化表示。通过分析导向矢量在信号子空间坐标系中的位置得出，人为设置相位的导向矢量位于同步频率分量的信号子空间之外，从而导致了滤波现象的发生。仿真和实验结果表明：同步频率分量和异步频率分量同时存在于叶片振动信号的非共振区；MUSIC方法能够克服频率混叠且具有滤除同步频率分量的滤波特性；该滤波特性能够被导向矢量与子空间坐标系的相对关系解释。     

采用非相关字典学习的滚动轴承故障诊断方法

针对轴承振动信号中早期故障特征难以识别的问题,提出了利用非相关字典学习稀疏提取微弱冲击特征,进而完成故障诊断的方法。字典的构造是影响稀疏表示算法性能的关键步骤,而传统字典学习方法构造的冗余字典,原子之间具有很强的相关性,不足以表现信号不同的结构特性,也不利于信号准确稀疏重构,进而影响了冲击故障特征信号的提取。因此,在K均值奇异值分解算法(K-SVD)的基础上加入了原子解相关的步骤,形成了非相关字典学习算法(INK-SVD)。采用INK-SVD算法在含噪振动信号段样本中,学习构造低相关性自适应字典;在此基础上,利用稀疏表示方法准确提取冲击故障特征,从而实现更准确的轴承故障诊断。通过仿真分析及实验数据分析,与传统字典学习方法相比,该方法稀疏系数恢复精确度更高,重构信号的包络解调谱更有利于故障特征的辨识,从而验证了该方法的有效性。