基于经验模态分解的燃烧不稳定性分析

实验研究了在常温常压条件下贫燃预混旋流火焰的燃烧不稳定性,发生燃烧不稳定性时其压力脉动表现为非平稳信号.利用一种基于经验模态分解(EMD)的希尔伯特-黄变换(HHT)算法对在当量比分别为0.71和0.80工况下的压力脉动信号进行了时频分析.针对压力脉动信号进行经验模态分解,选取主要的固有模态函数(IMF),对IMF通过HHT变换得到瞬时频率并进行统计分析.结果表明:在当量比为0.71时,压力信号呈间歇式的脉动,其振型为拍振;在当量比为0.80时,脉动压力信号则呈现出极限环振型.在基于EMD的HHT变换中,IMF体现了燃烧不稳定性的固有模态且具有自适应性强的特点.      

EMD的频带滤波筛分方法

Hilbert—Huang（HHT）变换方法由经验模态分解（EMD）及Hilbert变换两部分组成,能在时频域上正确地描述非平稳非线性信号的局部特征。但由于模态混淆,当信号组合分量的频率太接近时,HHT常不能正确分解窄带信号。针对这一情况,提出了EMD筛分过程的一种新的改进方法——频带滤波HHT方法,并运用此方法成功分解了双自由度线性体系反应的窄带信号。     

基于经验模态分解的航空器结构模态参数识别

介绍了一种基于经验模式分解（Empirical Mode Decomposition,EMD）与粒子群优化算法相结合的飞机结构模态参数辨识方法。一个复杂的脉冲响应信号利用EMD方法使得耦合在一起的多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,得到前几阶主要的内禀模式函数（Intrinsic Mode Function,IMF）,再对分解得到的每一单阶IMF利用粒子群算法辨识得到各阶模态参数。试验仿真结果表明该方法有较高的计算精度,可应用于结构运行模态分析,为飞机等结构设计、运行检测提供有力保障。     

基于IMF能量分布重构的目标检测技术

为提高海杂波中慢速目标的检测性能,提出了一种基于IMF能量分布重构的目标检测技术。该算法对原始信号尖峰区域经经验模态分解后得到的固有模态函数进行分段数据重构,计算前端IMF分量与后端IMF分量的能量比,并将其输入非参量检测器中进行目标检测。研究表明,相比于海杂波单元,目标单元尖峰区域有更小的前后端IMF分量能量比,适用于慢速目标的检测。     

运行模态分析的频域空间域分解法及其应用

提出了一种基于频域空间域分解(Frequency and Spatial Domain Decomposition, FSDD)的运行模态分析方法。该法将同时具有输入和输出的试验模态分析的经典方法——复模态指示因子(Complex Mode Indicator Function, CMIF)法拓展到了仅有输出响应的运行状态模态分析。FSDD法采用奇异值分解将信号空间和噪声空间分离开来,把奇异值曲线作为模态指示的依据,以奇异值向量作为加权函数得到每一阶模态的增强功率谱(Power Spectrum Density, PSD),进而在频域内对增强PSD曲线进行最小二乘拟合以得到准确的模态频率和阻尼参数。采用了一个二层楼仿真算例和在欧洲广为人知的瑞士Z24公路大桥实测算例来验证FSDD算法。     

离心压气机不稳定流动的时频特征分析

离心压气机失稳过程是一个非常复杂的动态过程,提高离心压气机运行的可靠性需要准确获取失稳过程的时频特征。针对带无叶扩压器的高速离心压气机失稳过程中叶轮出口的动态压力数据,采用时空本征模态分解(STIMD)算法和经验模态分解(EMD)算法进行分解,得到了多个本征模态函数(IMF),并结合Hilbert变换对不稳定流动的动态特征进行分析。结果表明,STIMD算法得到了深喘和浅喘的时频信息,观察到了频率在150 Hz附近持续波动的失速现象,并捕捉到了浅喘先兆的频率曲线由抖动向恒定的过渡过程。STIMD算法改善了EMD的模态混叠问题,为压气机失稳分析提供了一种工具。     

基于参数优化变分模态分解的瞬时模态参数识别

针对变分模态分解的模态数和二次惩罚因子难以确定的问题,提出了基于正交性指标、能量比值和变分能量熵的参数优化算法;对于分解得到的单分量信号,发展了基于多项式调频小波变换的瞬时频率识别方法和基于能量法的瞬时阻尼比识别方法。开展了三自由度时变结构仿真研究和时变钢梁实验研究。研究结果表明：优化后的变分模态分解法能够精确分离多自由系统的各阶时变分量,具有较强的抗噪性能;基于多项式调频小波变换的瞬时频率识别方法具有很强的时变频率追踪性能、抗噪声能力强,时变频率识别精度高,平均误差不超过1%;能量法能够较准确地识别结构的瞬时阻尼比,识别误差保持在10%左右,抗噪优势明显。     

风扇单音噪声模态识别及其误差传递特性研究

为了探究不同阵列对风扇单音噪声模态识别的影响,对径向耙和轴向传声器阵列在模态分解中的优缺点和误差传递特性进行了数值和实验研究。数值研究中通过在人造声场中加入随机扰动研究了不同阵列在径向模态分解中的误差传递特性,从而对两种阵列在径向模态分解方面的适用性和局限性进行评估。以此为指导,实验中通过旋转轴向阵列测量了风扇管道内顺流和逆流传播的模态波结构。结果表明中低频时径向耙式阵列误差较大,在模态截通频率处其传递函数的条件数大于100,而轴向阵列的条件数要小于10。轴向阵列在径向模态分解时,其精度强烈依赖于阵列轴向间距。实验结果表明管道内入射声波比反射声波能量高10d B左右。在入射声波中,转静干涉模态是其主导模态,而在反射声波中,模态能量分布规律不明显。     

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

基于EMD-TFPF的仿生偏振光罗盘去噪方法

为了提高仿生偏振光罗盘定向精度,降低罗盘在进行航向角测量时存在的高斯白噪声,基于经验模态分解(EMD)和时频峰值滤波(TFPF),设计了一种用于仿生偏振光罗盘的EMD-TFPF联合去噪方法.在去噪过程中,首先将含噪声的航向角信号分解为不同的模态,对不同模态采用不同窗长进行时频峰值滤波,进而改善了单一窗长去噪对有用信号造成的衰减,有效提高了去噪算法的自适应能力.经过机载实验验证,采用该方法去噪后的仿生偏振光罗盘可以实现定向精度0.3259°,比原始信号精度提升了18.4％.     

基于支持向量经验模态分解的故障率时间序列预测

 针对故障率时间序列的非线性与非平稳特性,提出一种基于支持向量经验模态分解(SVEMD)的预测方法。首先,将故障率时间序列分解为多个固有模态函数(IMF)与一个余量(RF),利用最小二乘支持向量机(LSSVM)预测时间序列两端的局部极值点,以抑制传统经验模态分解(EMD)的边缘效应;同时以LSSVM回归方式形成包络线,以取代传统EMD中的三次样条插值;然后,建立各IMF与RF的预测模型;最终,将各IMF与RF的预测结果相加以获得故障率时间序列的预测结果。仿真结果表明,该方法的预测精度较传统基于EMD的预测方法与单一预测方法有显著提高,可实现对故障率的准确预测。     

EMD滤波在捷联惯导晃动基座初始对准中的应用

为了实现晃动基座情况下光纤捷联惯性导航系统的高精度初始对准,提出了一种基于经验模态分解(EMD)法去噪的抗干扰初始对准算法。该算法在凝固惯性系下进行姿态更新,以反映载体在晃动干扰下的姿态变化,从而消除角运动干扰的影响;并针对EMD法的不足对其进行改进,然后对加速度计的输出进行去噪,以消除线运动干扰的影响。结果表明:改进后的EMD法具有良好的去噪效果,基于EMD法去噪的抗干扰初始对准算法具有角运动和线运动的干扰抑制能力,能够实现晃动基座下的高精度抗干扰初始对准。     

基于Birge-Massart阈值降噪与EEMD及谱峭度的滚动轴承故障特征提取

针对传统共振解调方法易受噪声干扰导致故障特征提取效果不佳的问题,提出了一种基于Birge-Massart策略的阈值降噪与集成经验模态分解(EEMD)和快速谱峭度算法相结合的滚动轴承故障特征提取方法。对原始故障信号进行EEMD并采用峭度准则筛选出含有故障信息的本征模态函数(IMF)分量;采用Birge-Massart策略和快速谱峭度对故障信号进行滤波降噪;对滤波后信号进行Hilbert包络解调,提取轴承故障特征。采用该方法分别对仿真信号和实验信号进行特征提取,结果表明该方法可以有效提高故障信号信噪比,清晰准确地获取轴承内、外圈故障的频率特征。利用峭度因子准则筛选IMF分量能有效保留原始故障信号中的冲击特征,去除无关IMF分量的影响。      

航天器非平稳振动环境TVAR时频分析(英文)

Predicting the time-varying auto-spectral density of a spacecraft in high-altitude orbits requires an accurate model for the non-stationary random vibration signals with densely spaced modal frequency. The traditional time-varying algorithm limits prediction accuracy, thus affecting a number of operational decisions. To solve this problem, a time-varying auto regressive （TVAR） model based on the process neural network （PNN） and the empirical mode decomposition （EMD） is proposed. The time-varying system is tracked on-line by establishing a time-varying parameter model, and then the relevant parameter spectrum is obtained. Firstly, the EMD method is utilized to decompose the signal into several intrinsic mode functions （IMFs）. Then for each IMF, the PNN is established and the time-varying auto-spectral density is obtained. Finally, the time-frequency distribution of the signals can be reconstructed by linear superposition. The simulation and the analytical results from an example demonstrate that this approach possesses simplicity, effectiveness, and feasibility, as well as higher frequency resolution.     

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构,并计算重构信号的复合多尺度模糊熵;同时采用迭代拉普拉斯得分选择敏感故障特征,并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比,表明基于SFS特征选择的最高识别率为92.86%,而基于ILS特征选择的故障识别率达到100%。      

基于经验模态分解的机械故障欠定盲源分离方法

针对传统的机械故障源分离方法限于非高斯、平稳和相互独立的源信号, 且传感器的观测数多于源数, 机械故障源信号通常不易满足这些假设的局限性, 提出了一种基于经验模态分解的机械故障欠定盲源分离方法.该方法对混合观测信号进行经验模态分解, 然后重组本征模函数分量作为新的观测信号进行盲源分离, 仿真和实验结果表明, 该方法是有效的.