基于EEMD和SVR的单自由度结构状态趋势预测

为了解决结构早期损伤难以正确识别的问题,结合聚类经验模式分解(EEMD)解决随机不确定性问题和支持向量机(SVM)解决预测问题这两者的优势,提出了一种基于EEMD特征提取的支持向量机回归(SVR)结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD,再进行希尔伯特变换(HT),计算瞬时频率,然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明:对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。

采用EEMD和WPT的结构损伤特征提取方法

为了解决传统小波或小波包变换方法对结构损伤振动信号频率分辨率不高、易受邻近谐波交叠影响的问题,提出了一种基于聚类经验模式分解(EEMD)和小波包变换(WPT)的结构损伤特征提取方法。首先对原始信号进行EEMD分解,提取包含结构损伤信息的固有模式分量(IMF),再对其进行正交小波包分解,并计算小波包相对能量分布。该方法用于美国土木工程师学会(ASCE)提出的钢结构框架的损伤特征提取,结果表明:EEMD方法具有白噪声的剔除特性,可避免模式混叠的发生;不同检测节点处不同损伤工况的IMF小波包相对能量分布有显著的差异,可以作为一种理想指标表征结构损伤特征。

EEMD在超宽带雷达生命信号提取中的应用

超宽带生命探测雷达回波信号具有非线性、非平稳特性,由于心跳信号能量较弱,且受到呼吸谐波的干扰,传统的数字滤波方法无法有效地提取心跳信号。鉴于此采用一种从时域上提取生命信号的新方法。应用聚类经验模式分解(EEMD)将生命信号分解成有限个固有模态函数(IMF),再依据模式判别准则从时域上重构呼吸和心跳信号。实验结果表明,相比于经验模式分解(EMD),EEMD能有效提取呼吸信号和心跳信号。

基于EEMD和SVR的多自由度结构状态趋势预测

由于工程结构的复杂性和引起结构损伤原因的不确定性,结构早期微弱和潜在的损伤难以识别和预测。为此提出了基于聚类经验模式分解（EEMD）和支持向量机回归（SVR）的结构健康状态趋势预测方法。首先对多自由度结构渐进损伤的加速度振动信号进行聚类经验模式分解（EEMD）;再进行希尔伯特变换（HT）计算瞬时频率;然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。详细分析了各种参数对回归和预测精度的影响,提出了这些参数的选用方法和一般原则。研究表明：该方法具有训练样本少的特点;在采用二阶多项式核函数、回归步长m=3~5、误差惩罚因子C=100、敏感因子ε=0.01时,可以准确地和高精度地预测结构状态趋势,预测精度达到0.24781%。

基于多传感器信息融合的SVM结构损伤诊断方法

为了能准确地诊断复杂结构损伤的发生、位置和程度,提出了一种聚类经验模式分解(EEMD)、小波包分解(WPT)、多传感器信息融合和SVM模式分类相结合的结构损伤诊断方法.首先对多个传感器采集的加速度振动信号进行EEMD分解,选择包含结构损伤信息丰富的固有模态函数(IMF);其次对其进行正交小波包分解,并计算小波包相对能量分布;最后把这些传感器信号的小波包相对能量融合,构成SVM分类器的输入特征向量,从而实现损伤的诊断和评价.研究结果表明:该方法在学习样本数较少的情况下仍然具有较好的适应性和分类能力;多传感器信息融合技术减小了损伤检测信息的不确定性,提高了损伤诊断准确率.