谷神星一号运载火箭的时变模态参数辨识

针对运载火箭这一大型复杂系统,单纯依靠机理分析难以建立能够精确描述其时变特征的动力学模型,借助模态辨识技术获取其在飞行状态下的时变动力学特性尤为必要。面向运载火箭的飞行模态辨识需求,发展基于时变自回归滑动平均模型的仅输出递推辨识方法,引入指数加权遗忘机制进行时变特性跟踪,能够在激励未知的情况下仅基于响应数据准确快速辨识运载火箭的时变模态。以谷神星一号运载火箭为例,开展飞行遥测数据的快速处理,准确辨识发射准备阶段和飞行阶段的关键低阶时变模态,辨识结果与有限元分析结果的变化规律相互吻合,验证了所提时变模态仅输出递推辨识方法是有效可行的,服务了运载火箭有限元模型修正和姿控系统设计的实际工程需求。

采用联合算法识别人-桥耦合系统时变模态参数

为更加准确地识别在役人行桥结构的时变模态参数,提出了一种基于联合方法的人行桥瞬时频率和时变阻尼比识别方法。首先,采用联合方法分别识别模态分量信号的瞬时频率和自由衰减振动信号的时频系数。然后,通过推导瞬时频率、时频系数模值和阻尼比三者之间的函数关系,估算获得人-桥耦合系统的时变阻尼比。最后,通过人-桥耦合数值算例和华威桥步行试验对联合方法进行了验证。结果表明:联合方法可以有效改善多种复杂因素下自由衰减振动信号提取结果不准确的问题,并且该方法识别的瞬时频率和时变阻尼比曲线可以清晰地表征行人空间位置变化对钢-混组合人行桥频率和阻尼比的变化趋势。

应用时频表示进行结构时变模态频率辨识

本文应用线性和二次时频表示的方法 ,包括 :线性时频分析方法短时傅里叶变换和二次时频表示魏格纳-维尔分布 ,进行了时变结构模态频率的辨识。通过对刚度连续变化的二自由度系统时变模态频率辨识的仿真 ,论述了两种时频辨识方法的特点。仿真结果表明时频变换辨识方法是辨识时变模态频率的有效工具 ,魏格纳

利用输出误差时间序列模型识别结构时变模态参数

基于振动系统运动方程 ,建立了描述系统输入和输出关系的输出误差时间序列模型 ,论证了该模型中外源多项式系数的性质。利用基于 UD分解的递归最小二乘参数估计方法估计 OE模型的参数 ,从而得到结构的时变模态参数。

基于信号时频分析理论识别时变模态参数实验

为研究温度对结构模态参数的影响设计了一套温度可控的实验设备。在这套实验设备提供的可控温度环境中采集悬臂梁结构的加速度响应信号,利用基于信号时频分析的模态参数辨识算法处理实验数据,得到其时变模态参数,包括固有频率和振型,以此研究温度对其模态参数的影响。分析结果显示了基于信号时频分析的模态参数辨识算法在处理非平稳信号以得到结构的时变模态参数上的应用前景,更重要的是实验数据的分析结果较好地反映了温度对结构模态参数的影响,为热环境下结构振动特性分析提供了可靠而且有价值的分析方法和实验依据。

基于改进L-P小波的时变模态参数识别方法

研究了基于改进Littlewood-Paley(L-P)小波变换的结构时变模态参数识别方法。用改进的L-P小波对结构动力响应信号进行小波变换,由能量较大的频带所对应的尺度识别结构基本频率及其随时间的变化情况;由某时刻各自由度响应在各阶频率对应尺度上的小波系数的比值识别结构的各阶振型。针对剪切型框架结构,利用识别的频率变化判断结构是否发生损伤以及损伤发生的时间,通过识别损伤前后的一阶振型斜率变化判断损伤发生的位置。该方法不需要激励信息,且有较好的抗噪声能力。

自然激励下的运载火箭时变模态参数获取技术研究

新一代运载火箭在靶场加满液氢和液氧推进剂后,由于安全因素无法开展传统的有源激励模态试验,为了提高发射稳定性,必须获取运载火箭全状态下的模态参数。基于结构振动响应的互相关函数与单位脉冲函数具有相同数学构架的前提,采用改进模态自然激励技术(NExT-LSCE-LSFD)对风激励下采集的时域数据进行识别,获得了火箭加注过程中的时变模态参数,并通过空箱和液氧加注状态的力锤激励模态试验结果验证了自然激励方法的有效性。本次研究发展了自然风激励下的大型结构时变模态获取技术,可推广到其他大型结构工作模态在线识别技术研究。

基于广义子空间溯踪和强震观测的混凝土坝时变模态参数识别方法研究

混凝土坝在地震过程中可能会出现时变特性。本文将地震激励下结构的时变模态识别问题表述为一个子空间溯踪问题,提出了采用广义子空间溯踪算法结合递归随机子空间识别方法来进行混凝土坝时变模态识别;结合数值算例,验证了该方法的识别精度、鲁棒性和计算效率;最后基于某混凝土重力坝的强震观测数据,采用本文提出的GYAST-RSSI时变模态识别方法,追踪地震中混凝土坝模态参数变化,分析混凝土坝在地震中的时变特征。结果表明,该方法对频率、振型的识别精度较好,且方法鲁棒性强,计算效率高。

环境激励下基础隔震结构时变模态频率的温度效应

基于实测隔震层温度和结构加速度响应数据,分析了环境温度对基础隔震结构模态频率的影响规律.首先,采用小波变换方法识别了基础隔震结构时变模态频率;然后,分别采用单自由度简化模型和双自由度简化模型推导了环境温度对基础隔震结构模态频率的影响机理,对基础隔震结构模态频率与隔震层温度进行了相关性分析,提出温度对模态频率的影响系数,量化了隔震层温度对隔震结构模态频率的影响,并结合隔震支座温度相关性试验,对相关性分析结果进行了验证;最后,通过参数回归分析,提出模态频率与温度的相关性模型,并给出了温度对基础隔震结构模态频率的影响系数曲线.结果表明,实测温度影响系数曲线与隔震支座温度相关性试验结果表现出较好的一致性,可为基础隔震结构的性能评估提供可靠依据.

基于时变滤波经验模态分解的非接触式心率变异性估计方法

民航从业人员的身体健康状况是影响航空安全的重要因素,其中呼吸和心跳是极其重要的健康状况表征。为解决接触式或穿戴式测量系统对人员工作时的局限与影响,可采用线性调频连续波(Frequency-modulated continuous wave,FMCW)雷达达到非接触式测量的目的。由于生命体征信号具有时变、非平稳的特点,针对经验模态分解(Empirical mode decomposition,EMD)在信号分解中存在模态混叠现象的问题,使用时变滤波经验模态分解(Time varying filtering based on EMD,TVF-EMD)自适应信号的局部截止频率,可有效提高信号分离性能,解决模态混叠问题。利用TVF-EMD分解出的本征模态函数(Intrinsic mode functions,IMF)分量重构心跳对应的时域信号,估计心跳信号的频率和心跳节拍间隔(Inter-beat interval,IBI),进一步对心率变异性(Heart rate variability,HRV)相关指标进行估计。仿真实验与实测数据处理结果表明,TVF-EMD可从毫米波雷达测量信号中有效分离出呼吸与心跳信号。同时,从模态混叠程度及信号分离性能两方面对TVF-EMD与EMD方法分解效果进行了仿真分析,结果表明TVF-EMD能够有效解决模态混叠问题。因此,TVF-EMD方法能够准确有效地从毫米波雷达测量信号中提取生命体征信息,为IBI估计和HRV分析提供准确的时域信息,具有广阔的应用前景。

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解(EMD)对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。

两种新的基于子空间跟踪的时变模态参数快速辨识算法

该文研究了基于子空间跟踪的时变模态参数快速辨识算法的过程。对更新的输入/输出数据的预处理后,时变模态参数辨识的主要问题转化成子空间跟踪,引入NPI和API子空间跟踪算法替代PAST形成两种新的时变模态参数快速识别算法。通过对移动分布质量-悬臂梁这一典型的时变结构系统以及两自由度弹簧-质量系统的时变模态参数识别验证了新算法的有效性并且比较分析了这3种基于不同子空间跟踪算法的时变模态参数识别算法的辨识能力。

基于时变滤波经验模态分解的轴承故障诊断

针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。

时变滤波经验模态分解与对称差分解析能量算子在轴承故障诊断中的应用

经验模态分解算法作为一种经典的模态分解技术,在许多科研领域得到了广泛应用。然而分离问题和间歇性问题仍未解决,这可能导致模态混叠现象。因此,采用一种基于时变滤波的改进的经验模态分解方法。该种改进的模态分解算法可以确保了一个故障信号被精确地分解为多个含有独特故障特征的分信号。然后,采用对称差分解析能量算子对含有故障特征的分信号进行故障特征提取。实验结果表明,该方法是一种有效的轴承故障诊断工具。

利用时变经验模态分解的主干道短时交通量预测

为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势。研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947%、13.591、0.316%,且均等系数提高了0.0821。

基于粒子群优化时变滤波经验模态分解的轴承故障诊断

时变滤波经验模态分解(TVFEMD)的性能在很大程度上取决于其参数(即带宽阈值和B样条阶数)的选取。在应用TVFEMD诊断轴承故障时,参数需要预先人为设定,因此难以获得令人满意的分解结果。针对此情况,本文提出了一种基于粒子群优化时变滤波经验模态分解的轴承故障诊断方法。首先利用粒子群算法来搜索最佳参数组合;然后使用得到的最佳参数组合对轴承故障信号进行TVFEMD分解,得到一组本征模态函数(IMF);最后选取包络谱故障特征能量比最大的IMF分量进行包络解调分析,提取故障特征,进行故障诊断。轴承故障诊断实例结果表明该方法不仅优化了TVFEMD两个参数,获得了良好分解效果,而且能够准确的提取轴承故障特征信息,实现轴承故障的有效诊断。

基于半互功率谱密度及响应面法的干气密封系统工作模态分析

干气密封装置的动态特性会直接影响密封的可靠性,针对具有复杂结构的干气密封装置,实现对其工作模态的研究。基于多参考点最小二乘复频域法(PolyLSCF),分别采用互功率谱函数(Cross Power Spectra)和半互功率谱密度函数(Cross Half PSD)实现对装置系统的工况模态分析及识别,并通过数学指标:模态置信度(MAC)、平均相位偏差(MPD)、模态相位线性度(MPC)、模态复杂性(MOV)以及模态指示函数(MIF)对两个函数的模态结果进行验证。结果表明:采用半互功率谱密度函数的模态分析结果好于互功率谱函数,半互功率谱密度函数更适用于此类复杂结构系统的工作模态分析;不同操作条件下的模态结果表明:转速对于系统模态的影响大于介质压力;同时建立了一种基于响应面方法的时变模态参数识别模型,以不同的操作条件(介质压力与转速)、方向和模态阶数为响应面变量,通过Box-Behnken试验设计选取合适的变量样本点,建立系统模态参数的完整二次多项式工作模态响应面模型并验证了其有效性,为实现时变模态的辨识提供了新的方法和技术支持。

采用TVFEMD和瞬时能量比的轧辊磨床颤振在线监测方法

在磨削过程中,颤振是轧辊表面产生振纹的一个最重要的原因,严重影响了工件表面质量。为避免颤振带来的不利影响,提出了一种基于时变滤波经验模态分解(TVFEMD)和瞬时能量比的(IER)的颤振在线监测方法。该方法采用可靠的指标提前监测出颤振的发生,解决了轧辊磨床早期颤振特征微弱,在背景噪声下难以快速识别的问题。首先对实时采集的振动信号进行实时分段处理。其次对每个砂轮转动周期内的信号进行时变滤波经验模态分解,提高信噪比。然后运用瞬时频率和瞬时能量比选取颤振敏感频带,将颤振敏感频带的瞬时能量比作为颤振特征。最后基于瞬时能量比上升量确定颤振监测阈值,判断当前加工状态。试验结果表明,在不同的轧辊磨床加工条件下,所提方法均能在颤振过渡阶段将其检测出来,更快地实现颤振早期预警;与EMD等传统时频分析方法相比,在早期颤振监测中具有明显的优势。

基于TVFEMD-IMF能量熵增量的桥梁监测数据降噪方法

针对桥梁监测数据受多重噪声干扰、影响结构真实响应获取的问题,提出了一种基于时变滤波经验模态分解(time-varying filtering empirical mode decomposition,简称TVFEMD)和本征模函数(intrinsic mode function,简称IMF)能量熵增量的桥梁监测数据降噪方法。首先,利用TVFEMD分解桥梁原始监测数据,得到多个子序列;其次,采用IMF能量熵增量确定多个子序列中的有效子序列;然后,划分子序列中的结构响应分量和噪声分量,对结构响应分量重组实现监测数据降噪;最后,利用平均绝对误差(mean absolute error,简称MAE)、均方根误差(root mean squared error,简称RMSE)和信噪比(signal-noise ratio,简称SNR)对不同方法的降噪效果进行评价。仿真算例和工程实例结果表明:TVFEMD相比经验模态分解(empirical mode decomposition,简称EMD),有效解决了模态混叠问题;TVFEMD结合IMF能量熵增量方法,有效抑制了多重噪声影响,对结果精度有较大提升;与EMD-IMF能量熵增量和Kalman滤波降噪法相比,TVFEMD-IMF能量熵增量法所得到降噪信号的MAE和RMSE值分别提升了23%和21%以上,降噪效果更好,信噪比提升38%以上,抗噪性能更佳。

基于TVFEMD和多模型融合的变压器油中溶解气体体积分数预测方法

油中溶解气体分析可以反映变压器的运行状态,对其体积分数精准预测可以为变压器早期故障判别和预警提供理论支撑。为此提出了一种基于时变滤波经验模态分解和多模型融合的变压器油中溶解气体体积分数预测方法。首先,通过时变滤波经验模态分解将气体体积分数序列分解为多个子序列,降低其非平稳性;其次,利用多模型融合策略,将4种不同单模型的预测结果进行融合重构,因单模型权重系数对预测结果有显著影响,利用改进黏菌算法对权重系数进行优化,以提高预测精度;最后,通过算例验证表明,相比于传统的预测模型,所提方法具有更高的预测精度,可以更好地预测油中气体体积分数的变化趋势。