结合经验模态分解的振动信号趋势项提取方法

提出一种结合经验模态分解（Empirical Mode Decomposition,EMD）的振动信号趋势项提取方法。利用EMD将信号分解为一系列固有模态函数（Intrinsic Mode Function,IMF）,根据振动信号过零点特性,对属于趋势项的IMF分量进行判别,并对判别为趋势项的IMF分量进一步利用最小二乘法进行趋势项拟舍,将拟合结果求和作为最终趋势项。数值模拟试验和实测数据处理结果表明,这一方法无需假设趋势项类型,且可不受EMD过程中模态混叠和端点效应的影响,使趋势项提取更为准确。     

基于经验模态分解的非平稳信号趋势项消除

归纳概括了传统的趋势项消除方法,指出各类方法的优点和不足,提出了基于EMD（经验模态分解）的非线性、非平稳信号剔除方法。该方法通过数据驱动自适应构造基底函数IMF（本征模函数）,再由若干阶IMF分量和剩余分量的重组获得趋势项,避免了对复杂趋势项的数学建模和分析计算。仿真结果表明,EMD法能够有效地提取和剔除非平稳信号中的复杂趋势项成分,获得平滑的趋向性信号。     

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.      

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。     

基于运行模态分析的某民机低频固有特性研究

运行模态分析(Operational Modal Analysis,简称OMA)是一种基于环境激励的模态参数识别技术,是结构健康监测的重要手段。为了研究某民机在实际运行中的振动特性,在其滑跑过程中,利用加速度传感器采集飞机特定部位的振动响应信号。通过频域空间域分解(Frequency and Spatial Domain Decomposition,简称FSDD)的方法从响应信号中分析得到该民机特定低频模态。根据试验结果对计算模型进行修正,最终通过有限元分析(Finite Element Analysis,简称FEA)计算获得其全部低频模态。实践表明,将运行模态分析与有限元分析相结合,共同获取飞机在特定情况下的动力学特性的方法是可行的。     

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。     

应用时变参数建模方法辨识时变模态参数

 应用非平稳时间序列的时变自回归建模方法进行了参数随时间变化的线性系统模态参数的辨识。对线性时变系统在白噪声激励下振动响应的非平稳时间序列进行建模。通过引入基函数将非平稳过程的辨识问题转化为线性时不变过程的辨识。结合信号时频变换确定模型阶次, 通过时变的伯格尔( Bur g) 算法对时变的自回归(AR) 模型系数和时变结构模态频率进行了估算。通过对刚度随时间变化的三自由度系统模态频率的仿真辨识, 验证了辨识方法的有效性。     

中心分级旋流燃烧室不稳定燃烧动态压力信号特征分析

针对中心分级旋流模型燃烧室中出现的不稳定燃烧特征进行试验研究，在常压试验中同步采集了不同工况下燃烧室动态压力脉动信号、释热率脉动信号和高速火焰图像信号。通过经验模态分解（EMD）对压力脉动信号进行分析，发现脉动特征主要集中在前3阶本征模态（IMF）中。这些IMF通过快速傅里叶变换（FFT）进行主频分析后发现分别与释热率脉动、气流旋流脉动和火焰不稳定脉动特征频谱吻合。进而可以判断通过EMD可以从单一燃烧室压力脉动信号中分解出3个主要物理过程的脉动特征，为进一步分析工程级燃烧室试验中振荡燃烧的诱发机制和燃烧诊断提供了数据处理方法。     

数字化试飞平台下基于PSO的某型初级教练机飞行品质参数辨识试飞工程方法研究

飞机飞行品质系统辨识是根据飞机系统的输入和输出响应时间历程求取该系统的数学模型及模型中的各参数的过程.本文给出一种在飞行试验中辨识飞机飞行品质短周期模态特性参数辨识试飞工程方法,首先应用连续域等效低阶系统传递函数来描述飞行品质模态特性系统,然后采用基于粒子群算法(Particle Swarm Optimization,...     

基于固有模态函数频域熵的目标检测算法

为提高海杂波中慢速目标的检测性能,提出了一种基于固有模态函数(IMF)频域熵的目标检测算法。该算法对原始信号经 EMD分解后得到的固有模态函数采用 Fourier变换,自动地提取其各个分量的频域能量,以此获得 IMF能量分布特点,再运用信息熵的方法构建检验统计量,并将其输入非参量检测器中进行目标检测。研究结果表明,相比于海杂波、海尖峰,慢速目标的能量分布更为分散,熵值更大,对比频域广义符号(GS)检测算法,所提 方法检测性能更优,适用于慢速目标检测。     

小型航空活塞发动机喷油异常的故障诊断

针对小型航空活塞发动机出现的喷油异常故障,基于发动机的缸内压力和缸盖振动信号,采用一种变分模态分解和布谷鸟搜索优化支持向量机相结合的故障诊断方法对发动机喷油异常故障进行诊断。该方法使用变分模态分解对发动机的缸内压力信号和缸盖振动信号进行处理得到本征模态函数,对本征模态函数进行奇异值分解和能量特征提取,将缸内压力和缸盖振动的数据集输入布谷鸟搜索算法优化的支持向量机模型中进行训练和测试。结果表明:该方法较好地识别出发动机喷油异常的故障,其中缸内压力和缸盖振动信号的故障识别分类准确率分别为95.32%和92.47%,验证了该方法的有效性。      

基于参数自适应变分模态分解的行星齿轮箱故障诊断

针对变分模态分解需要人为设定模态数量以及在强噪声情况下容易造成分解错误的问题,提出了依据功率谱密度极值点自适应确定模态数量与中心频率的参数自适应变分模态分解方法,通过信号仿真分析验证了方法的有效性。基于参数自适应变分模态分解提出了一种行星齿轮箱故障诊断方法,应用于行星齿轮箱第2级太阳轮裂纹的故障诊断,行星齿轮箱传动实验台的试验结果表明:该方法能实现振动信号准确分解,有效提取和辨别出故障特征频率,实现了在强背景噪声和微弱故障信号情况下对第2级太阳轮裂纹故障的准确诊断。      

航空发动机高低压转子间碰摩故障特征提取

针对变分模态分解(VMD)需要人为确定输入参数的问题,提出了一种参数自适应VMD(APVMD)方法,其通过粒子群(PSO)算法优化VMD的输入参数.使用APVMD结合切片谱的方法,对双转子航空发动机振动正常和异常状态下的实测弹性支承应变信号进行分析.分析结果表明,APVMD方法可以自适应地实现对实测弹性支承应变信号的分...     

涡轮叶片早期裂纹的三维叶尖间隙EEMD能量熵融合诊断方法

为了解决航空发动机涡轮叶片早期裂纹故障信号微弱、难以识别的问题,提出一种基于三维叶尖间隙集成经验模态分解（EEMD）能量熵融合的涡轮叶片早期裂纹诊断方法。采集涡轮叶片三维叶尖间隙信息,利用EEMD分别对三维叶尖间隙各维信号进行处理,得到相应的固有模态函数(IMF),以此计算每一维信号分量EEMD能量熵,构建能表征叶片裂纹状态的不同EEMD能量熵高维矢量集。建立多个堆叠自动编码器(SAE)分别对各高维矢量集进行特征学习并提取所学习的深层特征表达。利用支持向量机算法(SVM)和遗传算法(GA)融合各维深层特征以综合不同维度信息进而充分判定叶片裂纹状态。通过涡轮叶片裂纹诊断试验,结果表明:所提方法能有效提高叶片早期裂纹诊断精度,其平均准确率达到98.415%,标准差仅为0.697%,具有很好的稳定性、泛化性和自适应性。     

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法.研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8％.为...     

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.     

Flame features and oscillation characteristics in near-blowout swirl-stabilized flames using high-speed OH-PLIF and mode decomposition methods

Flame features and dynamics are important to the explanation and prediction of a lean blowout (LBO) phenomenon. In this paper, recognition of near-LBO flame features and oscillation characterization methods were proposed based on flame spectroscopic images. High-speed planar laser-induced fluorescence measurements of OH were used to capture unique dynamic features such as the local extinction and reignition feature and entrained reactant pockets. The Zernike moment demonstrated a good performance in recognition of stability and near-LBO conditions, though the geometric moment had more advantages to characterize frequency characteristics. Low-frequency oscillations, especially at the obvious self-excited oscillation frequency around 200 Hz, were found when approaching an LBO condition, which can be expected to be used as a novel prediction characteristic parameter of the flameout limit. Proper orthogonal decomposition (POD) and dynamic mode decomposition (DMD) were used to conduct dynamic analysis of near-LBO flames. POD modes spectra showed the unique frequency characteristics of stable and near-LBO flames, which were basically in line with those at the heat-release frequency. The primary POD modes demonstrated that the radial vibration mode dominated in a stable flame, while the rotation mode was found to exist in a near-LBO flame. Analysis of modal decomposition showed that flame shedding and agminated entrained reactant pockets were responsible for generating self-excited flame oscillations.     

多通道相关-自适应轴承故障诊断方法

提出了多通道相关-自适应共振解调(MCC-ARD)方法 ,该方法使用冗余信号源采集故障信息,并利用谱峭度(SK)优化经验模态分解(EMD)的分解效率,根据互相关系数更加合理地选择本征模态函数(IMF)分量完成重构,对重构IMF进行包络解调,实现对滚动轴承的故障诊断。通过对多通道相关-自适应共振解调方法的实测数据分析,结果表明:该方法不仅克服了单一信号源系统修正能力差的缺陷,而且相频谱辨识率为传统EMD结合谱峭度共振解调方法的2.7倍,对滚动轴承故障的诊断结果更加清晰、准确。     

基于EMD样本熵-LLTSA的故障特征提取方法

针对振动信号的非线性、非平稳性以及微弱故障特征难以提取的问题,提出了一种基于经验模态分解(EMD)、样本熵和流形学习的故障特征提取方法.该方法将EMD、样本熵和流形学习相结合.首先,利用EMD的自适应多分辨率的特点计算分解得到的IMF(固有模态函数)信号的样本熵,初步提取滚动轴承状态特征值;然后利用流形学习方法对初步的提取的滚动轴承状态特征进行进一步的提取;最后利用支持向量机(SVM)对该特征提取方法进行分类评估,并将该方法运用在滚动轴承故障诊断实验中,实验证明该特征提取方法与基于小波包样本熵的故障诊断方法相比具有很好的聚类性能,且对于SVM的分类结果可达100%,在降低了特征数据的复杂度的同时,增强了故障模式识别的分类性能,具有一定的优越性.