基于EMD和增强功率谱分析的滚动轴承故障诊断方法

针对滚动轴承振动信号的故障特征难以提取的问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和增强功率谱的分析方法。首先通过EMD分解方法将非线性、非平稳的轴承故障振动信号分解成若干个本征模态函数(Intrinsic Mode Function,IMF)分量,然后对包含轴承故障特征信息的本征模态函数分量做增强功率谱分析。仿真分析结果和实验结果表明,增强功率谱分析能够增强IMF分量中与轴承故障有关的周期脉冲信号成分,同时减弱随机噪声信号成分,消除干扰频率,得到故障信号清晰明显的频域调幅特征,从而实现滚动轴承故障的准确诊断。

面向情绪脑电分析的增强型功率谱密度特征提取方法

针对功率谱密度在脑电情绪分析中存在特征单一且无法有效表示频率间差异的问题,提出一种增强型功率谱密度特征提取方法,实现对情绪的分析与差异显著性判断。该方法通过脑电信号的α频率功率谱密度得到功率谱密度图像,利用图像特征提取算法提取其颜色特征、纹理特征与相似性特征,再基于相关性准则剔除冗余特征,以差异显著性P值的最小平均值为目标,获得最终的特征子集,从而有效地融合了不同图像特征,最后对被试的情绪进行分析与差异显著性判断。试验结果表明,所提出的方法能够有效量化SEED数据集中被试的情绪差异;在自行设计情绪脑电试验中,与其他方法相比,利用所提出的方法得到的差异显著性值更小,证明了方法的可行性和有效性。

基于频域分解法正交模态分离的阻尼比识别研究

频域分解法是一种频域模态参数识别方法,因其操作简单、抗噪声能力强而被广泛使用。虽然频域分解法对于振型和固有频率有着较高的识别精度,但是对于阻尼比的识别精度不够高,其原因是在多自由度结构下,求解阻尼比需要将固有频率窄带范围内的最大奇异值数据傅里叶逆变换到时域,并通过对数衰减法求解阻尼比,而窄带范围的数据很可能会受到其他阶模态的干扰,进而影响阻尼比的识别。因此提出了正交模态分离频域分解法识别结构的阻尼比。首先,通过结构响应计算出结构的输出功率谱矩阵,并使用频域分解法识别结构各阶固有频率和振型;然后,将识别出的固有频率和振型代入计算公式,使用振型正交等方法将各阶模态分离,并计算出各阶模态的增强输出功率谱函数,通过增强功率谱在频域计算出结构各阶的阻尼比;最后,在数值算例中对比了频域分解法以及正交模态分离频域分解法的阻尼比识别结果,并将理论应用于实桥的测试中,计算出该桥梁的前4阶阻尼比。结果表明:该方法可以将多阶输出功率谱矩阵分离成多个单阶的增强输出功率谱函数,并且通过分析增强输出功率谱函数的曲线直接在频域计算出结构的阻尼比,避免了在阻尼比识别中不同模态的相互干扰以及频时域转化带来的影响,提高了阻尼比的识别精度。