在线动平衡中振动信号提取方法研究

论文介绍了一种适用于在线动平衡法的不平衡振动信号幅值和相位提取法。针对采集的不平衡信号混含大量噪声污染的问题,首先将采集的振动信号进行两级FIR滤波后再通过信号减法运算去除大幅值信号,同时对正弦信号发生器产生的正弦信号采用同样的两级滤波器滤波,然后通过对两信号互相关处理计算出不平衡信号的幅值和相位。MATLAB中的仿真结果显示,该方法消除了相位滞后对相位提取精度的影响,且提取的幅值和相位精度比传统互相关法有显著提高。

SDUV方法中组织振动信号提取算法比较

组织振动信号的提取是剪切波频散超声振动成像技术(SDUV)方法中的重要步骤.目前,SDUV方法中有两种常用的组织振动信号提取算法,正交解调法(QDM)和互功率谱法(CSM),但是未见比较这两种算法提取质量差异的相关研究.因此,构造了不同信噪比(SNRU)的参数化仿真超声回波信号模型,分别使用QDM和CSM从超声回波信号中提取组织振动信号,比较了两种方法的提取效果与计算效率.实验结果表明,当SNRU≥35 d B,两种算法在相同信噪比下提取出的信号所分离出的振动相位结果相近,标准差均小于1°,对于剪切波波速的计算结果没有太大影响.CSM的计算效率低于QDM的计算效率.因此,当SNRU<35 d B,为了减小振动信号初始相位的提取误差,应该使用CSM提取组织的振动信号.当SNRU≥35 d B,应该选择QDM提取组织的振动信号,以减少信号处理时间.本研究的发现有助于提高SDUV方法的检测效率.

振动信号提取方式对动平衡精度的影响

在转子动平衡系统中,振动信号基频幅值和相位的提取对计算转子不平衡量的精准度起着至关重要的作用。针对传统方法提取振动信号幅值相位导致计算的转子不平衡量出现较大误差的问题,提出了一种峰值差法对转子振动信号幅值相位进行提取。将峰值差法、相关性法、快速傅里叶变换(FFT)法分别编写成LabView转子动平衡振动信号幅值相位提取程序,进行转子动平衡实验,对三种方法计算出的转子不平衡量进行分析对比。实验结果表明:与相关性法和FFT法相比,采用峰值差法作为转子动平衡系统提取振动信号基频幅值相位的程序,计算出的转子不平衡量误差更小,更加精准。

RFOA优化EEMD阈值和SampEn的水电机组振动信号重构与特征提取

针对EEMD在水电机组振动信号降噪处理中的不足,提出一种基于改进果蝇算法(RFOA)优化EEMD噪声IMF分量阈值的降噪算法。通过EEMD算法将噪声信号分解,得到IMF分量,进而通过相关系数法确定噪声信号与有效信号,利用RFOA确定噪声信号IMF分量阈值;将求得的IMF分量的样本熵当作特征向量输入GRNN算法中,进行振动模式识别。研究结果表明,与小波阈值法、EEMD-GA方法相比,所提算法降噪时信噪比最高,降噪效果最佳。

自适应谐波窗及其在振动信号频率提取中的应用

本文研究的目标在于寻找一个自适应的优秀窗函数,来提取强噪声下微弱振动信号和高频段的振动信号。首先分析了加窗变换与滤波的关系,介绍了小波变换具有可变时频窗的优势。其次分析了谐波小波与复解析带通滤波器的关系,指出了复解析带通滤波器与谐波小波基函数的一致性,发现了谐波小波变换对复解析带通滤波器的包含性。然后对谐波小波变换进行拓展,提出了不需要进行分层分解的自适应谐波窗的概念与理论表达式。通过与汉宁窗对比,分析了自适应谐波窗极其优秀的抑制泄漏能力,和时频窗分析中心自由移动和任意改变尺度的优秀特性。最后将所提出的自适应谐波窗应用到高速转子的强噪声下微弱周期信号的频率提取,和高频轴心轨迹的提取中,取得了满意的效果。该应用效果显示出自适应谐波窗函数能够成功应用于实际工程信号处理中。

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.825 9 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。

基于ARMA模型和自由振动提取技术的海洋平台结构参数识别

用随机减量方法提取海洋平台结构在随机环境荷载非白噪声输入下的自由振动信号和用ARMA(Auto Regressive Moving Average)模型对自由振动数据建模。为了消除平台输出信号中有色噪声的影响,在随机减量系统中加人了一个虚拟系统,并采用导通条件和前导点技术使自由振动提取过程仍在有色输人的状态下进行。同时为了消除参数识别的多值性,提出了采用MA系数修正技术识别海洋平台结构的频率和阻尼动力参数的方法,最后用该套技术对海洋平台结构试验模型进行了参数识别,结果表明该方法具有较好的效果和在线识别使用价值。

基于小波消噪的EMD模型在GPS振动信号处理中的应用

经验模式分解和小波分解是当前有效处理非平稳信号的两种时频分析方法,它们各具有其优缺点,适用于不同的应用。从对GPS振动信号的预处理、时域和频域处理入手,结果分析表明,对GPS振动信号先进行小波滤波消除随机噪声的干扰,再应用经验模式分解更有利于变形特征信息的分离和提取,提取的信号与振动平台记录数据更加吻合。

基于LSTM和响应分解的冲击载荷识别方法研究

同一量级的冲击载荷所产生的动响应要远大于静态响应,因此准确识别冲击载荷对于航空器结构件的动强度设计、校核与结构健康监测都具有重要意义。该文章提出的方法主要针对一般线性结构的冲击载荷识别问题,从实测冲击响应应变信号出发,主要解决了冲击载荷与响应信号样本长度不一致这一突出矛盾。首先基于冲击响应信号分解方法来进行振动信号特征提取,然后基于长短期记忆神经网络对载荷和响应信号样本特征进行映射,从而实现冲击载荷识别。通过对挂架模型实测冲击载荷信号进行识别,结果表明4种工况下,该方法识别的冲击载荷的均方根相对误差小于0.6,相关系数大于0.94。结果初步表明,在理想的试验环境中,该方法具备一定的识别精度。

基于频谱相关性分析的齿轮早期磨损诊断

基于振动分析的齿轮故障检测已被证明在故障识别中是有效的,但对表征早期磨损的振动信号的提取和识别仍没有得到很好的解决.本文提出一种基于频谱相关性分析的变分模态分解(VMD)和核支持向量机(SVM)相结合的齿轮早期磨损诊断方法,对能够揭示早期磨损状态的微弱齿轮振动信号采用近似完全重构的准则来初始化模式数,并采用信号功率谱密度最大值对应的频率初始化VMD方法的中心频率,用以有效提取齿轮磨损信息,进而结合核支持向量机进行齿轮的早期磨损诊断.实验结果表明,所提方法可有效克服背景噪声大无法预设模式数的问题,对噪声具有更好的鲁棒性,诊断准确率达到94.4%,可为齿轮早期磨损检测提供解决方法.

基于LPSO-GRNN模型的螺栓松紧状态预测研究

在轴重式动态汽车衡的服役状态下,由于受到重型货车频繁的加卸载循环冲击,会导致其内部螺栓发生松弛脱落,针对这一问题,提出了一种基于莱维飞行改进粒子群算法优化的广义回归神经网络(LPSO-GRNN)的轴重式动态汽车衡螺栓松紧状态预测模型,并结合振动信号特征提取,将该模型应用于汽车衡螺栓松紧状态的预测。首先,研究并提取了螺栓不同松紧状态下输出振动信号的波形指标、峰值指标、脉冲指标、峭度指标等信号特征,并将其作为模型的共同输入特征向量;然后,采用莱维飞行提高了粒子群优化算法的寻优能力,通过产生随机步长,提高了算法的全局寻优能力,避免算法陷入局部最优值;利用改进的算法对广义回归神经网络(GRNN)的光滑因子进行了优化,得到了全局最优的光滑因子;最后,通过设计实验,分别使用广义回归神经网络(GRNN)、粒子群算法优化广义回归神经网络(PSO-GRNN)和LPSO-GRNN,以此来对螺栓松紧状态进行了预测,并将预测结果与实际情况进行了对比分析。实验结果表明:基于LPSO-GRNN建立的螺栓松紧状态预测模型,其预测准确率可达到95%。研究结果表明:该螺栓松紧状态预测模型可以有效提高汽车衡螺栓松紧预测的准确率,同时有效解决粒子群算法容易陷入局部最优收敛的问题。

冰箱压缩机的壳体模态优化降噪方法

压缩机壳体自身模态的共振是冰箱产生高频噪声的主要原因,为解决变频冰箱工作时存在高频噪声的问题,提出了一种基于信号处理的压缩机壳体模态优化降噪方法。文章通过声压传感器采集声压信号,得到压缩机在1~10 kHz范围内的窄带谱噪声,并确定了2150 Hz附近的高峰值点就是易共振点。基于信号处理的结果,采用力锤法对壳体模态参数进行测试,利用SolidWorks软件调整了壳体的曲线结构,对壳体的弧度进行优化。结果表明:优化壳体模态准确抑制了壳体噪声辐射值,压缩机整体运行噪声降低了2 dB(A)左右,高频噪声降低了5 dB(A)左右。

平稳随机载荷的信号特征提取与深度神经网络识别

针对线性时不变结构的平稳随机载荷识别问题,从结构的动力学响应求解原理出发,利用小波变换对于信号特征的提取能力与长短期记忆神经网络(LSTM)对于序列问题的强大建模与映射能力,提出了一种针对平稳随机载荷的特征信号识别方法,通过对作用于三自由度振动系统数值模型上的平稳随机动载荷识别,证明了方法的可行性。对一个受2点平稳随机载荷作用的加筋壁板结构模型进行动载荷识别实验,结果表明,用提出的方法识别的动载荷均方根相对误差均小于5%,该动载荷识别方法具有良好的识别能力。