摘要：研究了一种新的自适应时频分析方法——自适应最稀疏时频分析(ASTFA)方法,并将其运用于结构振动响应分析,提出了基于ASTFA的结构损伤检测方法。ASTFA方法在EMD方法和压缩感知的基础上,建立包含所有IMF分量的过完备字典,通过寻找原信号的最稀疏表示,将信号分解问题转化为非线性优化问题,在目标优化的过程中实现信号的自适应分解,并直接得到各个分量的瞬时频率和瞬时幅值。在介绍ASTFA的基础上,对ASTFA和EMD进行了对比,结果表明了ASTFA方法的优越性。利用ASTFA方法识别了结构的模态参数,提出了基于分量信号瞬时频率和瞬时能量的损伤指标,对结构损伤进行了检测。对实际信号的分析结果表明,ASTFA方法可以有效地应用于结构损伤检测。

摘要：为了直接从结构响应提取损伤敏感参数,对激励未知情况下的结构损伤模式进行识别,提出了基于小波包分解-局部均值分解方法(wavelet packet decomposition-local mean decomposition,WPD-LMD)和排列熵的结构损伤检测方法.该方法首先对结构振动响应进行小波包分解,将振动信号分解为一系列窄带信号,然后对窄带信号进行局部均值分解,能有效提取低能量分量.通过计算损伤前后分量信号的排列熵,对结构损伤进行了检测,最后通过计算测试数据和样本数据之间的相对排列熵,对损伤模式进行了识别.实验分析结果表明,所提出的方法能有效地对结构损伤进行识别.

摘要：希尔伯特黄变换(Hilbert-Huang transform,HHT)是一种优秀的时频分析方法,包含经验模态分解(Empirical mode decomposition,EMD)和希尔伯特变换(Hilbert transform,HT)两部分,通过EMD对信号进行分解,再对得到的内禀模态函数(Intrinsic mode function,IMF)进行HT解调。针对EMD存在的包络误差,模态混淆,端点效应以及HT易产生负频率等缺陷,提出一种改进的HHT方法(Improved HHT,IHHT),IHHT包括广义经验模态分解(Generalized EMD,GEMD)和改进的直接正交(Improved direct quadrature,IDQ)解调,GEMD通过定义多种均值曲线,从得到的多个IMF中选择最优分量,从而保证了每阶分量的优越性;再采用改进的经验调幅调频分解和IDQ方法对信号进行解调,提高了分解和解调的精确性、抑制了端点效应的产生。将提出的方法应用于滚动轴承故障诊断,分析结果表明IHHT是一种有效的信号处理方法。

摘要：为了改善听小骨消声器的消声性能,并减轻质量,以消声器低频和宽频的平均传递损失作为优化目标,以消声器的结构参数(进出口管道宽度、封闭腔深度、封闭腔长度)作为优化变量,消声器的质量作为约束条件,对其结构参数进行优化.建立了听小骨消声器的有限元模型,采用中心组合试验设计获得样本点,利用响应面法构造二次多项式响应面模型,并检验了响应面模型的拟合精度.将响应面模型和NSGA-Ⅱ遗传算法相结合对消声器的结构参数进行了优化.优化后消声器低频和宽频的消声性能得到改善,质量减轻,表明了响应面法和遗传算法相结合的消声器结构参数优化方法的有效性.

摘要：变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。

摘要：在研究内禀时间尺度分解(Intrinsic Time-Scale Decomposition,ITD)方法的基础上提出了一种新的自适应时频分析方法——局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法,该方法可以自适应地将一个复杂的多分量信号分解为若干个瞬时频率具有物理意义的内禀尺度分量(Intrinsic Scale Component,ISC)之和。对LCD方法的基本原理进行了阐述,通过建立分解能力研究模型分别研究了分量信号的频率比、幅值比和初相位差以及单个分量迭代次数对LCD方法分解能力的影响,并给出了多分量信号可由LCD方法分解的大致条件。

摘要：局部均值分解(Local mean decomposition,LMD)方法是一种新的自适应时频分析方法,但在其实现过程中会发生模态混淆现象,使分析结果失真。通过数值试验得到了LMD对白噪声的滤波器组结构,并在此基础上,针对模态混淆现象提出总体局部均值分解(Ensemble local mean decomposition,ELMD)方法。在该方法中添加不同的白噪声到目标信号,分别对加噪后的信号进行LMD分解,最后将多次分解结果的平均值作为最终的分解结果。对仿真信号和试验转子局部碰摩信号进行分析,结果表明ELMD方法能有效地克服原LMD方法的模态混淆现象。

摘要：为直接通过结构振动响应提取损伤特征参数,将奇异值分解和特征正交分解运用到结构响应分析中。该方法首先通过对结构响应功率谱矩阵的奇异值分解,获得模态频率,然后在模态频率处计算互相关矩阵,利用特征正交分解获得收敛于结构模态向量的特征正交模态,进而构建了损伤定位向量,最后通过结构单元应力的不同分布准确定位了损伤位置。实验数据分析结果表明,该方法能有效的进行损伤检测和定位。

摘要：构造了非高斯修正系数的多项式响应面模型,提出了一种基于高斯近似的非高斯随机振动疲劳寿命估计方法。采用Winterstein传递函数法将非高斯随机应力转化成高斯随机应力,并联合雨流计数和Miner损伤准则分别估算两种随机应力下的累计损伤和谱矩,对多个样本进行最小二乘拟合之后构建一个关于应力谱矩和非高斯修正系数的多项式响应面模型。利用高斯近似法估算非高斯随机振动疲劳损伤量,并与经过雨流计数和Miner损伤准则估算的非高斯随机过程下疲劳损伤对比,结果表明:高斯近似法具有较好的精度。

摘要：提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。