基于压缩感知的多级风扇周向声模态重构

基于风扇单音噪声周向声模态在叶片通过频率下稀疏的特性,研究压缩感知方法在多级风扇周向主导声模态识别和幅值重构中的应用。开展多级风扇试验器的声场测量试验,利用压缩感知方法对管道周向声模态进行准确识别与分解。建立声模态重构的压缩感知模型,实现少数传声器对主导声模态的阶数识别和幅值精确重构,同时研究传声器数量和布局策略对重构精度的影响。试验结果表明:对于确定声场,当压缩感知常量C大于3.6时,随机布局的传声器有90%以上的概率可以以较高精度重构主导声模态幅值;建立压缩感知模型观测矩阵时应避免传声器的均匀和近似均匀布局,均匀布局的感知模型难以精准重构声模态。      

风扇/压气机周向模态识别中传感器角度偏差的影响

基于任意角度压缩感知(CS)方法分析了传感器安装角度偏差对风扇/压气机周向模态识别重构的影响,设计了一套自适应角度优化程序修正重构误差。利用数值试验探究了传感器角度偏差和数量对周向模态重构结果的影响,研究表明:当角度偏差等级为2.5%时,平均重构误差达到10%以上,若保证重构误差基本不变,将传感器数量从7个增加至25个,仅可以将角度偏差等级放宽至4%。而采用小生境微种群遗传算法进行自适应角度优化,在20 dB信噪比下,通过自适应角度优化可将角度偏差等级从2.5%放宽至10%,降低了传感器安装的精度要求。成功优化了一款冷却风扇在前三阶叶片通过频率下的主要周向声模态重构幅值。自适应角度优化算法有效提升了基于压缩感知的风扇/压气机周向模态重构可靠性。     

基于模态波理论的压气机失速先兆识别方法

针对压气机气动失速预警存在无法兼顾对渐进型和突尖型失速先兆有效识别的不足，以及提取失速团幅值需要多路传感器信号的局限。分析了压气机失速发展过程中的信号特征；根据压气机失速信号的旋转特性，提出基于单路传感器信号重构周向多路失速先兆信号的方法，讨论了信号重构步长的取值；基于模态波理论，通过对重构信号进行空间傅里叶变换，得到失速扰动信号各阶模态幅值，根据低阶模态的幅值变化实现对渐进型与突尖型失速先兆的识别。以某压气机为例进行仿真，结果表明:当信号重构的步长小于突尖波时间尺度的一半时，重构的多路信号能够复现压气机周向位置失速发展过程，且步长越小，越有利于失速先兆的识别；由模态分解得到的1阶模态幅值的变化能够有效反映失速发展过程；通过合理设置模态幅值的阀值，可以在失速发展前期对失速先兆进行准确识别，从而，基于单路传感器失速信号即可实现对渐进型失速和突尖型失速均能进行预警。      

一种风扇/压气机声模态测量分析方法

声模态测量是风扇/压气机管道声学研究的重要组成部分。测点非均布、测点数目为奇数或测量过程中传感器测量结果有误情况下,无法应用传统的分析方法分析。从最基本的声学公式入手,对管道声传播进行理论推导,得到一个通用的声模态测量分析方法,即求解方程组法。利用数值模拟方法对管道声模态进行分析,可看出模态分析的目的,是通过测点的声压进行目标频率下主要模态的识别,证明了应用解方程组法可进行测点非均布情况下的模态分析。在两个风扇试验器的声学测量中应用该种测量分析方法,从试验角度证明了分析方法的正确性和分析结果的可靠性。本文提出的声模态测量分析方法解决了传统分析方法的弊端,对风扇/压气机气动声学试验研究具有重要的意义。     

基于压缩感知的整体叶盘多模态振动叶尖定时信号重构方法

叶尖定时测量技术是近年来发展的一种非接触式旋转叶片振动监测方法,具有非入侵性的优点,但是该系统测得的振动信号通常是欠采样的。为了能够重构叶尖定时欠采样信号,本文根据压缩感知理论以及叶尖定时采样原理引入了叶尖同步振动信号稀疏模型以及叶尖振动信号重构方法。对整体叶盘有限元模型进行瞬态分析得到叶尖振动信号,使用优化的正交匹配追踪算法以及基追踪对欠采样信号进行重构并和传统方法进行对比。计算结果表明：在信噪比为30dB的噪声环境下,限制频域的正交匹配追踪算法(OMP-RFD)可以准确地识别出叶尖振动信号的主要频率成分。最后使用试验所获得的叶尖振动信号进行重构,验证了OMP-RFD算法有效性。综上可知：压缩感知方法可以很好地应用于叶尖定时测量装置中,能够使用较少传感器识别叶尖同步振动欠采样信号参数,有效提高噪声环境下识别高阶频率的成功率以及准确度。     

单级低速轴流压气机噪声特性实验研究

为研究单级低速轴流压气机的噪声特性,在压气机进气道的壁面上,采用由20路传声器组成的周向均布阵列对其前传噪声信号进行测量,获取频谱特性及周向模态特性,并将实验测得的结果与理论预测的结果进行对比分析。实验结果显示,在Tyler-Sofrin转静干涉理论上不存在可传播声模态的1倍和2倍叶片通过频率下,却检测到明显的信号峰值。进一步分析模态分解结果后发现,在这类低速轴流压气机的1倍和2倍叶片通过频率下存在其它的声模态产生机制。     

一种高光谱图像的双压缩感知模型

高光谱图像因其海量数据性,给存储、传输及后续分析处理带来了挑战。压缩感知理论提供了一种全新的信号采集框架。针对高光谱数据的三维特性,提出一种双压缩感知的采样与重构模型。该模型在采样阶段兼顾高光谱数据的空间和谱间稀疏特性,构造了能同时实现空间和谱间压缩采样的感知矩阵;重构阶段不同于传统的压缩感知重构方法直接重构高光谱数据,而是将高光谱数据分离成端元和丰度分别进行重构,然后利用重构的端元和丰度信息合成高光谱数据。实验结果表明,所提双压缩感知在低采样率下重构精度较三维压缩采样提高了10 dB以上,更为显著的是运算速度提升了3个数量级,同时该方法还便于获得端元和丰度信息。     

压气机叶顶区域周向模态特性的实验

针对压气机叶顶区域流动周向模态测试对传感器数量的要求及传感器数量受限时所产生的模态混叠现象,提出一种基于两套测点数组合来校准预测高阶周向模态的方法。结果表明:应用该方法,在实验测试中将可识别的模态阶数提升至原来的5倍。研究了轴流压气机叶顶区域压力脉动,捕捉到包括叶片通过频率(BPF)和旋转不稳定性频率(RIF)带凸起的叶顶区域流动模态特性。随着流量减少,频谱上对应的宽频带凸起结构向低频移动,主要周向模态阶数降低,但旋转角速度有所上升。压气机叶顶区域流动的时变特性分析表明,旋转不稳定性在时域上幅值波动较大,不稳定性明显。      

微喷气对压气机稳定性影响的实验

在低速双级轴流压气机上开展了一系列不同喷射系统布局、射流参数的实验研究,并探讨了微喷气扩大压气机稳定裕度的原因.结果表明:当布局在压气机进口的喷嘴周向均布且不小于4个的时候,压气机稳定裕度增量主要受到每个喷嘴的出口动量的影响;微喷气扩稳的机理是从频率和压力幅值两个方面抑制模态波的发展,越接近喷气流,模态波被抑制的程度越大,一旦喷气流无法抑制模态波的发展时,压气机就会进入失速状态.      

低速轴流压气机非定常流场数值模拟

轴流压气机内部流动是固有的三维、黏性、非定常性。为深入研究压气机内部复杂流场结构,针对某单级低速轴流压气机进行非定常流场数值模拟;成功地捕捉到了压气机内部非定常效应,着重分析了该轴流压气机中损失的主要分布、压气机动静干涉作用,及静子叶片静压分布随转、静子不同相对位置变化。     

基于任意传感器排布的叶尖定时信号压缩感知辨识方法

基于叶片振动和叶尖计时系统的特点,推导了任意传感器角度分布下叶片振动响应的分布规律,并基于叶尖定时信号频域的稀疏性,探究了压缩感知方法在叶尖定时信号的重构和倍频辨识上的应用。通过同步信号和非同步信号的大量数值实验,分析了包括信号重构误差、传感器数量、旋转周期数、频率分辨率和信噪比等因素对辨识效果的影响,提出了压缩感知重构叶尖定时信号的基本方法和步骤。进一步将压缩感知方法应用于某型号涡扇发动机钛合金宽弦风扇叶片有限元仿真获得的振动响应数据重构,验证了该方法的有效性。结果表明:在加入了叶尖测点位置误差和30 dB随机噪声的前提下,在80%、90%和100%三种转速工况下均清晰辨识出幅值较大的激励倍频。基于任意传感器角度分布的压缩感知方法对叶尖定时信号辨识效果较好。     

压缩感知下梯度投影在图像去噪中的应用

图像传输和接收的过程中不可避免地受到多种因素的影响而产生噪声,这样通常使得图像模糊不清难以辨识。针对去除图像高斯白噪声对图像辨识的干扰,提出利用压缩感知最优化求解思想,运用一种快速计算方法将高维数的图像信号投影在低维空间上,从而类比于压缩感知理论进行重构处理,并实现对含噪声信号的图像进行还原。实验结果证明,梯度投影法能较好地去除图像高斯白噪声,尤其对于图像中物体边界的辨识效果明显,为图像去除噪声提供了新的思路和方法。     

一种步进频率信号认知雷达波形优化设计方法

认知雷达常用于完成探测、跟踪、成像及识别等多重任务,为提高其综合性能,需兼顾多方面因素研究其波形优化设计问题。基于此,提出一种基于压缩感知（CS）RIPless准则的步进频率信号认知雷达波形优化设计方法。首先,建立了目标回波信号稀疏模型,分析了其与发射信号模糊函数之间的关系。其次,根据模型中观测矩阵的构造,基于RIPless准则,将波形设计问题转化为概率分布的互相干参数及其协方差矩阵的条件数的优化问题,从而通过自适应寻优算法,获得优化的步进频率信号脉冲重复时间间隔序列和子脉冲频率序列。相较于传统方法,所提方法在信号发射与接收之间形成了信息实时反馈和信号优化重构的闭环,在高概率准确重构目标径向一维距离像的同时,也实现了发射信号模糊函数的优化。最后,仿真计算验证了所提方法的有效性。     

基于压缩感知的频率和DOA联合估计算法

波达方向（DOA）估计是阵列信号处理的一个重要问题,针对信号的DOA估计问题,本文基于压缩感知理论,提出了一种新的频率和角度联合估计算法。首先利用方向波数的空间稀疏性,建立过完备稀疏字典,然后利用压缩采样阵列结构通过求解最优化问题得到方向波数的高分辨估计,最后利用最优空域滤波实现信号到达角度和频率的配对。相对于传统算法,该算法能够实现多信号DOA的高分辨估计,且经过压缩采样后降低了运算量,仿真验证了该算法的正确性与有效性。     

多尺度自适应直接信息采样与重构

现有的直接信息采样(Analog-to-Information Conversion,AIC)方法在压缩感知框架下,将采集和压缩过程融合,但并未充分考虑不同稀疏成分在信号重构当中的地位。针对该不足之处,提出一种多尺度自适应直接信息采样与重构算法。该算法充分考虑小波变换后的高频信号和低频信号在重构中的不同地位,实现速率自适应的直接信息采样。同时,给出变速率采样下的信号重构策略,以解决常规重构算法在速率自适应采样时失效的问题。仿真结果表明,多尺度自适应AIC系统可以获得比传统AIC系统更好的AFSNR性能。     

高可靠小条件数压缩感知叶尖定时信号辨识

为增强基于任意角度压缩感知(CS)叶尖定时信号(BTT)重构的稳定性,采用小生境微种群遗传算法提出了基于小条件数的高稳定性传感器安装布置方法。研究发现:任意角度CS的恢复矩阵条件数越小,不同信噪比下同步和非同步振动信号重构误差越趋于稳定在较低范围,优化后发现条件数为1的排布方案下,相邻传感器角度间隔趋向于均布2m取K的形式。利用条件数为1的矩阵冗余特性,设计了高可靠性的传感器排布方案,数值试验和有限元仿真验证表明叶尖定时系统在失效一个传感器的情况下仍可稳定得到准确的重构结果。在信噪比为5 dB时,冗余排布相比参考排布的主倍频幅值重构误差降低4.4%以上,验证了采用最小条件数排布的任意角度CS信号辨识方法在噪声及传感器失效情况下仍可保证BTT测量结果的有效性和可靠性。