集中阻尼弦初值问题的解析复模态叠加法

实际工程中常用黏滞阻尼器对斜拉索进行减振,然而基于阻尼拉索系统模态叠加法求解系统动力时程问题的研究还很少。研究设置集中黏性阻尼器的拉索在任意给定初始条件下的自由振动问题,提出采用解析复模态叠加法进行求解的思路。给出系统复模态正交性条件,并提出利用正交性条件确定复模态叠加系数的思路。通过三个数值算例,验证了方法的正确性和高效性。该文计算结果表明,对于集中阻尼弦初值问题,一般只需利用系统的前数阶模态进行叠加即可得到理想的结果。

基于解析模态分解法的桥梁动态应变监测数据温度影响的分离

对于大跨度桥梁结构,温度荷载会对结构应变产生显著影响。为得到桥梁在动荷载下的真实应变,对其运营状况做出正确评估,有必要将温度变化对应变的影响从结构应变中剔除。对比分析了悬索桥钢桁架跨中上弦杆的温度应变片和工作应变片数据的功率谱密度,得到应变片输出信号在各频段的能量分布特征,确定了工作应变片数据中温度应变信息和动荷载应变信息的分界频率;采用解析模态分解法,根据分界频率将工作片原始应变时程分离为慢变成分和快变成分两部分。结果表明,由温度变化产生的应变时程波动(慢变成分)得到有效分离,该方法不仅能去除温度变化引起的应变片自身的应变,同时温度应力引起的应变亦得到有效剔除;通过雨流计数法对提取出的快变成分进行检验分析。结果表明,快变成分较好地保留了桥梁动荷载产生的应变信息,具有较高的工程利用价值。

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。

基于解析模态分解和希尔伯特变换的模态参数辨识新方法

针对航天器结构低频、密频的模态参数辨识问题,提出一种将解析模态分解(AMD)与希尔伯特变换(HT)相结合的模态辨识方法(AMD+HT),根据结构上任意一点的脉冲响应信号,对系统结构的频率和模态阻尼比进行参数识别。以箱型卫星模型为例,分别对固定状态下卫星帆板和卫星整体结构的低阶模态进行模态辨识,并与LMS数据采集系统分析结果和ANSYS有限元仿真结果对比,验证了该方法对低频、密频结构模态辨识的正确性和优越性。

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法——广义解析模态分解(Generalized Analytical Mode Decomposition,GAMD).GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量.因此,GAMD非常适合分析时变的非平稳信号.通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高.

一类强非线性二阶微分方程的多模态近似解析解研究

利用自治力学系统的哈密顿函数为守恒量的性质,提出一种求非线性二阶微分方程多模态近似解析解的方法,称为哈密顿函数法.首先,介绍哈密顿函数法求多模态近似解的基本理论.其次,以质点在旋转的抛物线上运动为模型建立强非线性二阶微分方程.最后,用哈密顿函数法求得在给定初始条件和参数下强非线性二阶微分方程的三模态近似解析解表达式,作出三模态近似解析解的解曲线,并与直接用Mathematica软件作出的解曲线进行比较,讨论三模态近似解析解的精确性.结果表明:用哈密顿函数法求得的三模态近似解析解的解曲线与直接用Mathematica软件作出的解曲线十分吻合.

基于解析模态分解的极小宽深比液体晃动非线性参数辨识及试验方法

针对当前无人驾驶飞行器工程研制中储箱燃油晃动频率过低与刚体频率接近且随燃油消耗而时变,影响驾驶仪固定参数陷幅滤波器设计的问题。设计并加工了极小宽深比的密集“井”型隔板,利用振动台+水平滑台组合进行横向阶跃激励的晃动试验,并以激光多普勒测振仪获取储箱燃油液面晃动的自由振动衰减响应,采用解析模态分解(analytical mode decomposition,AMD)与基于希尔伯特变换的自由振动分析法对液体晃动频率及阻尼进行辨识。试验及辨识结果表明,相比于常规稀疏隔板,安装密集“井”型隔板储箱的燃油晃动基频大幅提高,且不会随着燃油液面深度变化而明显变化,晃动模态阻尼大幅增大,晃动幅度快速衰减。

采用解析模态分解和小波变换的损伤识别方法

针对希尔伯特-黄变换(HHT)在信号处理中存在的模态混叠现象,引入解析模态分解定理(AMD)提取时变结构响应的一阶本征函数,并构建一阶本征函数能量比指标识别结构的损伤位置.从损伤位置处的响应信号出发,引入连续小波变换和时间窗思想,提出一阶本征函数小波能量变化率指标来预测结构的损伤演化过程.通过一个刚度突变和线性变化的三层剪切型结构数值算例,对一阶本征函数能量比和一阶本征函数小波能量变化率指标进行验证.结果表明:所提出的指标能够有效识别结构的损伤位置和损伤时间.

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。

电动转向管柱振动特性的FEA解析

转向系统是汽车主动安全的关键系统之一,其振动特性作为影响整车NVH水平的重要因素越来越受到关注。从电动转向管柱CEPS振动的力学原理出发,分析影响结构振型的关键因素,通过FEA模态解析技术计算系统的自然频率和振型,采用灵敏度分析方法有针对性地进行结构优化设计,确保系统安全可靠。在实际研发中应用该方法,显著地改善了CEPS的振动特性。

基于粒子群算法的改进模态参数识别方法

针对一类多模态振动衰减信号的模态参数识别,结合奇异值分解(singular value decomposition,SVD)、解析模态分解(analytical mode decomposition,AMD)、自回归功率谱和粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的模态参数识别方法(PSO-AMD),可实现在强干扰环境下密集频率信号的模态参数识别。对模拟振动响应信号的分析结果表明,该研究提出的改进方法具有更高的稳定性,对低信噪比、密集频率、大阻尼的振动信号仍保持高识别精度。该研究的模态参数识别方法可应用于复杂噪声环境中的大阻尼和密集频率衰减振动信号的模态参数识别。

考虑弯曲和轴向振动模态的一维梁压电阻抗模型及试验研究

同时考虑一维梁结构的弯曲和轴向振动,对其压电阻抗模型进行建模分析和试验验证。在0.02～42 kHz频段内区分并标记了一维钢梁弯曲振动模态前18阶及轴向振动模态前3阶。结果表明:在0.02～7.5kHz频段内,数值计算和试验结果中谐振峰对应频率的相对误差较大:11.7%～16.5%,其原因可能是低频时振动能量较低且波的传播受结构阻尼、边界条件及环境噪音等因素影响较为明显;在7.5～42kHz范围内,两者谐振峰位置符合良好,相对误差较小:0.11%～2.31%,表明该模型在高频段具有较好的适用性;轴向振动模态对应频率大于弯曲振动模态。本研究为结构健康监测过程中检测频段的选取及损伤信息的提取提供参考。

基于换挡冲击问题的传动系统稳态及动态性能研究

为解决汽车换挡出现异响的问题,建立飞轮-离合器-变速箱-传动轴-驱动轴-轮胎的7自由度的传动系统动力学模型,利用建立的数学模型,可以得到传动系统的固有频率以及主振型。借助Adams软件搭建传动系统的多体动力学模型,进而对模型进行模态解析计算,可以得到影响换挡冲击的主要动能集中在飞轮、主要势能集中在驱动半轴。从激励源入手,构建离合器减振特性模型,对离合器间隙角进行灵敏度分析,可以得出,间隙角越大,换挡冲击共振越明显。因此,针对飞轮转动惯量、驱动半轴刚度、离合器间隙角进行优化设计,并且安装在实车上进行验证,结果表明:安装优化后的各部件,该车辆的换挡冲击问题得到有效的改善,表明建立的模型以及分析方法,对改善换挡冲击问题具有指导意义。

一种未知激励下土木工程结构模态参数识别新方法

未知激励下的土木工程结构响应信号通常是随机的且噪声水平较高,因此对其进行参数识别具有挑战性。从未知激励下的振动响应信号出发,结合随机减量技术、解析模态分解、希尔伯特变换和卡尔曼滤波理论提出一种新的未知激励下土木工程结构模态参数识别新方法。该方法首先采用随机减量技术将实测的振动响应信号转换成自由振动响应信号;其次,运用解析模态分解理论将转换后的自由振动响应信号分解成各阶独立的模态分量信号;最后,采用希尔伯特变换估计出各阶分量信号的固有频率和模态阻尼比。然后运用卡尔曼滤波算法对估算出的频率和阻尼比进行滤波和平滑以得到更精确的识别值。通过一个含有密集模态分量的合成信号和一个未知激励作用下4层钢框架结构试验验证了该方法的有效性,研究结果表明:该方法在未知激励情况下仍然能够准确有效识别结构固有频率和阻尼比。

基于改进平方检测与自适应TLS-ESPRIT的电压闪变参数检测方法

针对新型电力系统下电压闪变包络难以准确提取、闪变参数难以实时估计的问题,通过改进的平方检测法准确提取电压闪变包络,基于相邻奇异值比构建自适应TLS-ESPRIT算法,提取包络信号的频率信息,推导自适应TLSESPRIT算法的闪变频率算式,计算闪变幅值信息,据此提出基于改进平方检测与自适应TLS-ESPRIT的闪变参数检测方法,开发基于虚拟仪器的电压闪变参数检测实验平台。仿真实验表明,所提算法在噪声与谐波干扰下,能有效估计电压闪变参数,并能有效克服单频、多频调幅波调制与电网基频波动的影响。对比传统电压闪变参数检测算法,所提算法计算简单、闪变参数检测误差小。

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。

基于超短期风电功率预测的混合储能控制策略研究

为了改善风机出力特性,提出了一种基于超短期风电功率预测的混合储能控制策略。首先,利用解析模态分解方法从风电信号中提取低频信号,采用了一种改进布谷鸟方法优化支持向量机的惩罚因子参数和核函数参数进行超短期功率预测;然后,对低频预测信号建立1 min时间尺度和30 min时间尺度的功率波动并网指标,判断是否触发蓄电池动作,若动作,采用AMD分解自适应调整低频预测信号的截止频率,直到满足并网要求,确定蓄电池补偿功率指令。最后根据蓄电池荷电状态和补偿功率指令自适应调节原始风电信号截止频率,高频信号通过模糊控制由超级电容器补偿。仿真算例表明,该方法可以有效平滑功率波动,减少蓄电池的循环次数,同时保证了蓄电池储能的平滑能力,避免过充过放,延长蓄电池的寿命。

电机材料对永磁同步电机噪声影响的分析

永磁同步电机材料性能对电机振动噪声有较大的影响。针对不同牌号铁心及不同永磁体材料的电磁振动噪声特性进行了研究。对某种批量生产的小型永磁同步电机定子铁心模态频率进行解析计算,并验证了解析结果的准确性;考虑了永磁同步电机电磁-机械耦合问题,利用ANSYS Workbench及Ansoft得出了电磁场分布、气隙磁通密度、电磁力及其谐波、电机定子部分的振动速度以及电机辐射的噪声时频特性。利用MATLAB及Origin对数据进行后处理,确定了对电机振动噪声影响较大的电磁力的主要频率特征。研究结果表明:径向电磁力是电机产生电磁噪声的主要原因;定子铁心弹性模量对电机振动噪声有较大影响;在满足电机使用性能的前提下,合理选择电机永磁体材料有利于减小电机振动噪声。

基于AMD-HHT的非平稳信号紧密间隔频率检测

针对希尔伯特-黄变换方法不能识别具有相近频率的非平稳信号(两个频率之间的比值小于1.5)的问题,提出一种解析模态分解法(AMD)与希尔伯特-黄变换(HHT)结合的非平稳信号紧密间隔频率检测新方法。由于AMD方法需要确定信号里的各个频率成分,因此,首先通过EMD对信号进行分解,再利用希尔伯特变换得到信号的频谱并经过处理得到各个频率值。利用AMD方法提取各个不同频率成分的信号,并用该方法对信号进行分解,判断该频率成分是否由于含有多个相近频率成分而没有被分解,如果含有相近频率成分,则用AMD方法将其分解为单频率分量信号。仿真结果表明,该方法解决了希尔伯特-黄变换不能有效分离两个相近频率信号的问题,保证了信号有效数据的正确分解,提高了信号的分解精度。通过对滚动轴承故障信号的分析证明该方法有良好的效果。