基于EEMD和ARMA算法的某大型斜拉桥的模态参数识别

识别桥梁结构模态参数是结构健康监测和振动控制等研究及工程实践中的一个重要环节。基于EEMD和ARMA算法的模态参数识别技术,利用EEMD分解对原始加速度信号进行分析,然后对所得的IMF进行信号重构。将重构的加速度信号作为ARMA算法的输入,进行模态参数识别,得到了某大桥的前6阶频率,并分析了每阶频率1d内的变化波动情况。通过对比分析每阶频率与实际值的差距,表明该识别方法能有效识别该斜拉桥频率。     

基于AO算法优化VMD参数联合小波阈值的桥梁信号去噪方法

当桥梁进行状态评估和健康监测时，所获得的桥梁信号易受外部环境的干扰，难以反映桥梁结构的真实响应。针对桥梁信号夹杂环境噪声等问题，提出了基于联合天鹰算法(Aquila Optimizer, AO)、变分模态分解(Variational Mode Decomposition, VMD)和小波阈值的去噪方法。该方法首先利用AO算法优化VMD的参数，然后用VMD对含噪声的信号进行自适应分解，再去除方差贡献率较小的模态，最后对剩余的模态进行小波阈值去噪处理，重构信号得到去噪后的真实信号。对模拟信号和桥梁动应变的实测信号分别进行分析，结果表明：基于AO算法优化VMD参数联合小波阈值的去噪方法能有效滤除噪声信号，且去噪效果优于单一的小波阈值去噪、EMD联合小波阈值去噪以及EEMD联合小波阈值去噪等常用的去噪方法，研究成果可为桥梁信号的去噪处理提供有意义的参考。     

基于Fast-ICA算法的改进EEMD算法在桥梁工程中的运用

目前,以振动分析为基础的桥梁结构健康状态评估方法逐渐受到人们的重视,模态参数识别作为振动分析的关键问题之一,还需进一步完善.模态参数识别即是对结构的振动信号进行动力特性参数的识别,以得到结构的频率、振型以及阻尼比.为了精确地识别出桥梁结构的模态参数,需先对传感器采集的结构响应信号进行分解和重构以保留结构的真实信息,再对...     

基于改进DATA-SSI和聚类分析的桥梁结构模态参数识别

桥梁结构的模态参数主要用于桥梁结构损伤识别及使用性能评估,在桥梁健康监测系统中具有十分重要的意义。目前较为常用的模态参数识别算法是随机子空间识别算法,主要包括协方差驱动的随机子空间识别算法和数据驱动的随机子空间识别算法。在利用随机子空间算法识别桥梁结构的模态参数时,首先需人为依据稳定图来进行系统阶次的确定,通过对稳定图定阶的不断研究,发现其依然存在模态失真和计算量大这两方面的缺陷,为此提出了新的定阶算法以实现系统阶次的自适应确定。其次需要人为参与稳定图中真实模态的辨识,这不仅降低参数识别效率,还导致筛选的结果带有一定主观性。为了避免人为参与定阶和真实模态的筛选,提高模态参数识别的效率,在现有随机子空间算法的基础上引入聚类分析算法,提出了一种改进的模态参数自动化识别算法,以实现系统阶次的自动化确定和稳定图中真实模态的自动化筛选。再通过一座试验桥验证了真实模态存在的规律。最后将改进算法运用于识别实际大型斜拉桥的结构参数。结果表明:改进算法能够实现实际桥梁结构的模态参数自动化识别,且识别结果具有可靠性。     

运营状态下杨浦大桥模态试验与状态评估方法研究

利用频域一空间域分解法,建立桥梁运行模态识别方法.该方法对桥梁在实际运行状态下车辆激励的响应测量数据进行无偏功率谱估计;然后采用奇异值分解技术,将随机响应数据空间分解成信号和噪声2个子空间,得出模态指示函数;并利用空间模态滤波技术分离出单一模态,准确识别出桥梁结构的模态参数.通过对杨浦大桥进行动力试验,测试桥梁在环境激励下的振动信息,采用该方法分析得到桥梁结构的动力参数,并与有限元计算结果相对比,有效实现了对桥梁结构整体状态和工作性能的评估.     

基于局部均值分解与局部离群因子动力电池故障诊断

动力电池故障诊断是保证电动汽车正常运行的关键。提出一种基于局部均值分解和局部离群因子的动力电池故障诊断方法,用于电池组故障识别与定位。通过局部均值分解对电压信号预处理,并根据相关系数高低重构电压信号。进一步提取重构信号的峭度因子作为故障特征输入到局部离群因子算法中,根据局部离群因子算法自适应阈值输出故障电池。采用实车数据验证了所提方法能有效、准确地检测出故障,具有较好的可靠性与鲁棒性。     

桥梁结构模态参数的时频域识别

为在时频域内识别桥梁结构的模态参数,针对HHT(Hilbert-Huang Transform)方法识别桥梁结构模态参数中存在的端点效应、模态混叠以及频率识别与阻尼识别相互耦合现象,应用带通滤波和扩展随机减量法对HHT方法进行改进,建立了一种基于现代信号时频域分析的桥梁结构模态参数识别方法,然后基于MATLAB平台,编制了桥梁结构模态参数时频域识别程序,并以某吊拉组合桥梁全桥模型试验为例,利用实测数据对所提方法进行验证。结果表明,该方法能正确识别出模型桥梁的前11阶竖向自振频率、前6阶阻尼比以及前3阶模态振型;阻尼比的识别结果为0.2%~2%;识别结果与有限元模型修正后的计算结果相差不大。所提方法能正确、有效地在时频域内识别桥梁结构的频率、阻尼及模态等参数。     

基于改进HHT的桥梁结构损伤识别

针对Hilbert-Huang变换(HHT)在处理桥梁结构动力响应信号时存在的模态混叠问题,引入部分聚合经验模态分解(PEEMD)予以改进,并基于PEEMD拟定了新的损伤指标,将该指标应用于斜拉桥振动台试验模型的损伤识别中。结果表明:基于改进HHT拟定的损伤指标能快速有效的识别结构损伤发生与否及损伤位置。     

基于零空间追踪和SWT的柴油机信号降噪研究

为减少柴油机振动信号的噪声干扰,提取有用的信息,提出了一种基于零空间追踪算法和同步压缩小波变换相结合的组合降噪方法,利用压缩小波对主频信号精细重构的优点与零空间追踪算法的自适应分解的特点对信号进行降噪处理。该方法相比 EMD 更加适应柴油机振动信号特点,仿真和实例信号表明,该方法取得了较好的降噪效果。     

基于蚱蜢算法优化变分模态分解的滚动轴承故障诊断

针对变分模态分解(VMD)在处理实际信号无法预先掌握其分解参数(K,α)而限制其使用，以及包含故障信息的特征参数的选取问题，提出了自适应变分模态分解(AVMD)算法。该算法首先以所分解模态的平均包络信息熵和包络峭度两种指标融合作为目标函数，利用蚱蜢算法(GOA)寻优，获取VMD的分解参数(K_op,α_op),接着对原始振动信号进行VMD分解，通过能量百分比的计算，选取能量90%及以上的敏感模态，对其多域联合的特征参数构建特征向量，最后利用支持向量机(SVM)对滚动轴承的四种状态进行识别。通过滚动轴承数据集分析表明，采用AVMD方法提取的故障特征比EMD、EEMD、传统VMD以及PSO-VMD等方法提取的故障诊断特征的故障模式识别准确率更高，在测试数据集上的准确率达到99.166 7%。     

数据驱动随机子空间算法的桥梁运营模态分析

以某自锚式悬索桥模型试验为研究背景,采用数据驱动随机子空间识别算法和改进稳定图方法对桥梁结构运营模态分析进行研究.为解决数据驱动随机子空间识别中的系统定阶和虚假模态问题,采用奇异熵增量进行系统定阶,并对稳定图进行改进,实现了虚假模态的识别与剔除,最终达到了精确识别桥梁结构模态参数的目的.采用模型试验在不同数据采集方案下的测试数据,识别该模型桥相应测试条件下的模态参数,将识别结果分别与ANSYS理论计算值、DASY-Lab模态参数识别结果进行比较,验证了所提方法及自编程序的正确性,该方法可应用于桥梁结构的运营模态分析中.     

连续刚构桥动力特性参数识别与有限元模型修正

以东营黄河公路大桥——大跨预应力混凝土连续刚构桥为对象,首先利用ANSYS建立了全桥的三维有限元模型并进行了理论模态分析;并应用频率分解方法(FDD)和特征系统实现算法(ERA)分析了该桥所安装的健康监测系统采集的加速度响应数据,进行了桥梁动力特性参数识别;最后,在所建立的初始有限元模型和识别的实际桥梁动力特性参数的基础上,采用模型修正的方法,得到了该桥修正的有限元模型。研究结果表明,通过该桥监测系统采集的加速度数据可以较好地识别其模态参数,所识别的模态参数可作为结构动力特性修正的依据;修正后的有限元模型能更真实地反映结构的动力特性,模型修正的结果较好地反映了实际桥梁的物理特性。该模型可以作为该桥梁长期健康监测与状态评估的基准模型。     

弱GNSS信号下基于EMD和LSTM的车辆位置预测方法研究

针对弱GNSS环境下组合导航（INS/GNSS）系统存在的定位偏差问题，提出一种基于经验模态分解和长短期记忆网络的车辆位置预测算法。首先，针对训练数据中噪声较大的惯导数据，提出一种融合经验模态分解与离散小波变换的降噪算法。该算法基于噪声能量估计和各阶本征模态函数的功率谱密度函数，提出一种确定混合模态函数阶数上下界的方法，并采用离散小波变换硬阈值法对混合模态函数进行滤波处理，最终利用经过处理的各阶模态函数重构原始数据以达到降噪目的。训练数据经过预处理后，采用改进的堆叠式长短期记忆网络离线训练位置预测模型，利用该训练模型可在线实时进行位置预测。针对车辆定位序贯数据预测，提出一种局部数据降噪方法，该方法利用一定长度时间窗口的历史数据，通过线性最小二乘给出当下时刻数据的预估值，并与实际量测值进行滑动平均滤波，优化位置预测的结果。在封闭场地模拟隧道环境下，对长短期记忆网络输入端进行局部数据降噪与不进行降噪处理比较，经度和纬度的归一化均方误差分别下降了13.34%和9.38%，经度和纬度的归一化平均绝对误差分别下降了8.64%和5.41%；在复杂城市交通环境下，检验提出的方法，经度和纬度的归一化均方误差分别下降了6.51%和5.66%，经度和纬度的归一化平均绝对误差分别下降了5.70%和8.23%。试验结果表明，在弱GNSS信号环境下，提出的车辆位置预测方法有效提高了车辆定位精度和稳定性。     

基于EEMD和熵理论的电动汽车制动意图识别方法

为抑制制动踏板信号中存在的间歇性成分或脉冲成分所造成的信号分解过程中的模式混叠现象,进一步提高制动意图识别的准确率和实时性,本文中提出了基于平均经验模式分解(EEMD)和熵理论的电动汽车驾驶员制动意图聚类识别法。首先,运用EEMD算法将制动踏板信号分解为IMF分量,以抑制模式混叠现象,更准确地提取制动踏板信号特征。接着,运用Shannon熵对IMF分量进行筛选,以减少特征提取的计算量。再用样本熵提取筛选后的制动踏板信号IMF分量的特征,得到不同制动意图的制动踏板信号特征向量。最后,运用聚类算法对制动意图进行识别。离线试验和实时试验的结果表明,基于EEMD和熵理论的制动意图聚类识别法比基于HHT的制动意图识别法具有更高的识别准确率和更好的实时性。     

基于K-means聚类算法的桥梁结构真实模态筛选研究

现阶段,随机子空间算法被广泛运用于识别桥结构的模态参数,虽然已不少学者对其进行了深入研究,但依然无法精确地对稳定图中的真假模态作出辨识和筛选。为了识别稳定图中的真实模态,首先通过对比分析数据驱动随机子空间算法和协方差驱动随机子空间算法在基本原理和计算效率两方面的差异,最终选定数据驱动随机子空间算法作为模态参数识别算法;其次以某试验桥为背景,通过分析大量稳定图中真假模态的存在形式来总结稳定图中真实模态存在的一般规律;同时基于K-means聚类算法的特点——不仅能实现不同维度数据的聚类,也能判别数据间是否属于同一类,还能筛选出同类的数据点,将该算法与稳定图定阶法中的振型辨识原理进行融合,运用于模态参数识别的流程中以完成真假模态的自动化筛选。为验证所提算法具有可信性,将其运用于识别某试验桥和实际桥梁结构的模态参数结果,并将所得结果与理论值进行对比分析。结果表明:所提算法能有效辨识稳定图中的真假模态,且识别结果具有可信性。     

基于响应灵敏度的桥梁下部结构损伤识别方法研究

为实现桥梁下部结构横、竖向状态的同步识别,以多跨简支梁桥下部结构为研究对象,提出了基于响应灵敏度的桥梁下部结构损伤识别方法。首先,基于车桥耦合动力分析理论推导了桥梁下部结构响应灵敏度方程;其次,基于响应灵敏度模型修正算法和数值算例对所提方法的有效性和抗噪性进行了验证。结果表明：(1)当梁体、墩身、基底约束同时损伤时,所提算法可准确、有效地识别墩身单元刚度和基底约束刚度值;(2)所提算法具有较强的抗噪性,在5%噪声影响下仍能有效识别墩底弹性支承的损伤,并能准确定位损伤桥墩单元位置和识别损伤值。     

桥梁结构模态参数识别方法综述

随着传感技术、信号采集与处理等技术的发展,桥梁结构模态参数识别方法在桥梁结构健康监测领域已经得到普遍重视。然而,将这些方法应用于实际工程中遇到了很多困难。该文基于近20a来国内外振动信息的桥梁结构模态参数识别算法的研究和应用现状,重点回顾了桥梁结构模态参数识别算法,并对有待于进一步研究的问题进行了展望。     

改进的EMD方法对故障弱信号提取的应用研究

针对滚动轴承的故障特征向量往往被大量的噪声信号淹没的特点,提出了一种基于结合改进EMD方法,用以提取滚动轴承的故障特征向量。该方法首先对原故障信号进行小波包分解和重构,得到降噪后的重构信号,然后对其进行EMD分解,将分解后的IMF分量与降噪后的重构信号的互相关系数和峭度值作为判断标准,消除传统的EMD分解中的伪分量,最后对真实的IMF分量进行包络谱分析,提取弱故障信号中的特征。实例研究结果表明：该方法能够有效地提取淹没在噪声信号下的滚动轴承故障信号的特征。     

典型路面激励下的工程专用自卸车车架动态响应研究

采用固有模态分析与具有自适应特征的经验模态分解EMD算法相结合的方法,对采集到的车架关键点振动信号进行重构。应用信号处理方法从重构后的信号中有效提取车架的动态特征,分析结果表明,该自卸车车架在工地路面激励下易产生低频共振,严重影响整车性能和使用寿命,需要对车架结构进行进一步优化。     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...