小波包-神经网络在桥梁损伤定位检测中的应用

将小波包变换和人工神经网络相结合,用于模型桥不同位置的损伤智能定位检测。首先对不同位置损伤振动信号进行3层小波包分解,并计算信号在各频段所占的能量率,以此作为训练样本对拓扑结构不同的人工神经网络进行学习训练,然后利用训练好的网络对不同损伤位置进行定位识别。方法可以有效地区分各种损伤位置,为结构损伤智能检测与评估提供技术积累。MATLAB数值仿真结果进一步验证了方法的可行性和有效性。     

基于STFT的最大预示环境波形重构新方法

振动过程的最大预示环境(MEE)是指在某个关心的结构区域内,通过测量或预示手段获得的以谱形式表示的振动环境数据保守极限。然而,很多振动试验方法,特别是用振动台模拟低频瞬态环境时(低于100 Hz),需要给出试验信号的参考波形。文章结合振动模拟试验及短时傅里叶变换(STFT)时频分析,提出一种振动过程最大预示波形(MEW)的重构新方法。数值仿真结果表明,与传统方法相比,使用新方法重构的MEW误差更小,且试验控制更加灵活、高效,更适合于工程应用。     

基于LMD的最大预期飞行环境预示方法

飞行试验中,为消除不同飞行工况差异,以保证预示结果相对于可能的飞行环境是合理保守的,需要对飞行遥测数据分析进行最大预期飞行环境(METE)预示。传统方法通过对最大飞行环境的振动信号功率谱进行傅立叶逆变换,得到最大预期飞行环境的振动信号时域波形。但这种基于傅里叶变换的方法无法准确反映非线性、非平稳的飞行振动环境数据特征,导致METE预示误差较大。为此,提出一种在对非平稳信号进行基于LMD分解的时频特性分析的基础上,结合飞行遥测振动数据,完成最大飞行环境预示分析的方法。基于某次飞行试验实测振动信号的计算分析验证了方法的有效性与可行性。     

基于局域均值分解的冲击响应谱时域波形合成新方法

冲击响应谱时域波形合成技术是目前实验室环境下模拟实际复杂冲击环境的重要手段。文章在研究局域均值分解(LMD)方法和冲击响应谱时域波形合成原理的基础上,对实测冲击时域波形进行分解得到一组具有不同频率分布的PF信号分量,然后对不同频率分布的PF信号分量进行聚类分析并重新构造得到一组新的PF信号分量,使得PF信号分量的频率-幅值特性与设定的冲击响应谱试验条件一致。将重构后的PF信号分量组合即可得到合成后的冲击时域波形。数值仿真分析结果表明,基于LMD的冲击响应谱时域波形合成新方法生成的冲击时域波形能更好模拟真实冲击环境,冲击响应谱具有较好的控制精度。