交通环境振动观测中本底振动去除的功率谱修正法

交通系统引起周边环境振动,其观测数据中往往含有本底成分。针对本底成分对真实振动的干扰问题,提出对观测功率谱修正的方法以去除本底振动。假设真实振动与本底振动为互不相关的随机过程,推导了功率谱修正法计算公式,并通过算例考查了方法的有效性。首先,取一条振动记录设定为真实振动曲线,与本底振动记录叠加合成振动数据以模拟现场观测记录。然后假设真实振动未知,分别采用振动级修正法、谱幅值修正法及功率谱修正法估计真实振动曲线。比较计算曲线与设定曲线,判断方法的可行性与准确性。算例显示,功率谱修正法计算的时程、功率谱与设定曲线符合良好,误差低于谱幅值修正法;功率谱修正法、振动级修正法计算的振动级与设定值基本一致,谱幅值修正法计算值略低于设定值。结果说明功率谱修正法克服了振级修正法不能计算时程和功率谱的不足,并且计算结果优于谱幅值修正法。

交通环境振动测试中的本底振动分析

交通系统的运营诱发的环境振动已成为人们普遍关注的问题。现场测试是研究环境振动问题主要途径之一,而大量本底振动的影响使测试数据不能真实反应所测试振源及传播的特点。为保证测试数据准确性,从加速度时程和加速度振级两个方面提出了消除本底振动影响的两种方法,即幅值修正法和加速度振级修正法;通过现场测试数据进行了对比分析,结果表明两方法均可达到预期效果;最后在此基础上探讨了是否需要消除本底振动的基本判定原则。

去除交通环境振动观测记录中本底振动的自互功率谱法

去除环境振动观测记录中的本底振动是提高信噪比、揭示交通环境振动特征的一个重要环节.本文在分析现有从交通环境振动观测记录中去除本底振动方法不足的基础上,从考虑本底振动与观测振动互相关性出发,提出了采用自互功率谱法去除本底振动的新方法,推导了计算公式,并通过实际算例论证了方法的可靠性.分析结果表明,本文提出的自互功率谱法能够更有效地去除观测数据中的本底干扰,获得更贴近实际的交通环境振动的功率谱、时程、振动级以及加权振级.在本底振动占优势的低频段,本文提出的方法较现有方法计算精度有明显的提高.

基于L-M算法的神经网络在环境振动分析中消除本底振动的应用

公路、铁路及城市轨道交通引起的环境振动实测数据中含有本底振动的干扰,从时域分析角度提出基于L-M(Levenberg-Marquardt)算法的神经网络法消除本底振动,阐述了该法的基本原理和实现步骤,采用L-M算法对神经网络进行训练,具有收敛速度快、计算精度高的特点。通过一段交通振动加速度时程与一段本底振动加速度时程叠加合成实测振动加速度时程,分别用L-M神经网络法和其他几种方法对合成的实测振动加速度时程进行本底振动消除计算和对比分析。计算结果表明,L-M神经网络法能更加精确的计算出真实交通振动产生的时程曲线、功率谱密度曲线、1/3倍频程中心频率处振动加速度级和计权振级。

主动型天线用于引力波探测的可能性探讨

圆柱形引力波接收天线受到激发会发生纵向振动,激发后天线具有能量与引力波的无量纲振幅h0的平方成正比.由于h0很小,这就对换能器、前置放大器等天线的后续设备的噪声带来了严格的要求.如果设法提高天线吸收的能量。