环境激励下大型桥梁模态参数识别的一种方法

提出一种依据环境激励下结构振动响应的大型桥梁模态参数识别方法,该方法以限制带宽的经验模态分解(BREMD)和随机子空间识别(SSI)为基础,首先利用EMD将环境振动响应分解成一系列只含结构某一阶固有模态的本征模态函数(IMF),然后利用SSI识别桥梁模态参数。针对大型桥梁自振频率低、模态密集的特点,引入屏蔽信号限制EMD过程中带宽以消除模态混叠;运用该法识别了赣龙铁路某特大桥的模态参数,并将其与峰值拾取法、SSI识别结果以及理论计算值进行对比,结果表明:该方法能有效的识别大型桥梁模态参数,屏蔽信号的引入解决了模态混叠问题,稳定图中的虚假模态得到抑制。

基于改进Hilbert-Huang变换算法的电气化铁路谐波检测

通过对电力机车负载电流进行仿真建模,得到电力机车在不同工况下的电流波形;使用改进的Hilbert-Huang变换算法对电流波形进行谐波检测;采用限制带宽经验模态分解算法对原始电流波形进行分解;通过引入屏蔽信号来控制本征模态函数的带宽,以有效抑制模态混叠.结果表明,所提出的改进Hilbert-Huang变换算法能够有效检测电气化铁路负载电流中各次谐波随时间变化的特征.

基于改进BREMD与ELM的断路器机械故障诊断

为了准确快速的从断路器的振动信号中获取故障信息,提出了一种基于改进限制带宽经验模态分解的故障特征提取方法,并与极限学习机相结合实现断路器故障诊断。针对限制带宽经验模特分解在选取最优带宽频率上的不足,该方法先建立优化函数,确定最优限制带宽信号频率,再在经验模态分解的过程中引入该信号频率。提出的方法通过选取限制带宽经验模态分解的最优带宽频率,从而提高了频率分辨能力,能够对从断路器中提取的正常与故障时的振动信号进行有效分析。实验结果表明,采用本方法建立故障诊断知识库,再利用极限学习机进行训练得到的故障诊断模型,其正确率达到98.3%,具有较高的精确度和较强的鲁棒性,可以用于诊断断路器的机械故障。

短样本条件下提高HHT识别模态参数精度的方法

由于在短样本条件下Hilbert-Huang变换(Hilbert-Huang transform,简称HHT)识别模态参数的精度主要受经验模态分解(empirical modal decomposition,简称EMD)模式混合和随机减量法(random decrement technology,简称RDT)提取自由衰减响应时平均次数不足的影响,针对这两个影响因素,引入带宽限制信号抑制EMD的模式混合,提高EMD的精度;并引入分层抽样技术,提出基于拟合偏差和样本量的层权确定方法来进行多次识别,然后加权平均,提高RDT的总平均次数。仿真试验和应用实例表明,结合分层抽样的限制带宽EMD识别模态参数的方法能提高短样本条件下HHT识别模态参数的精度。