温变工况下的EMI螺栓松动损伤识别

环境温度变化易引起机电阻抗方法(EMI)结构健康监测的损伤误报,以螺栓组连接的铝板为对象,分别进行了温度对导纳信号的影响实验及温变工况下的螺栓松动损伤识别实验,采用平均绝对偏差与相关系数偏差量化表征导纳信号改变程度,利用信号互相关迭代算法分段补偿温度影响。结果表明,温度变化引起导纳信号的水平偏移,且偏移量随频率与温差的增加而增大,引起损伤指标变化,影响螺栓连接状态判定。通过迭代算法进行温度补偿后,极大程度消除了温度影响,有效提高了螺栓松动损伤识别的敏感程度,避免温度变化引起损伤误报。     

基于超声导波的压力容器健康监测Ⅰ:波传导行为及损伤定位

严苛的使用环境造成的压力容器损伤会导致结构失效而造成巨大安全隐患;超声导波具有大面积、长距离监测的优点,能及时避免压力容器失效。开展基于超声导波的压力容器健康监测研究,分三个部分。第一部分主要研究超声导波在压力容器中的传播行为及损伤定位方法。首先利用有限元法研究超声导波在压力容器中的传播行为,开发出针对压力容器圆柱筒体及球形封头的损伤定位算法程序,并重点讨论信号处理方法对压力容器不同部位损伤定位精度的影响。研究结果表明,导波在压力容器中传播易产生多模态,其在压力容器中不断地循环传播直至能量衰减耗尽,且极少发生边界反射;在基于超声导波的压力容器缺陷定位时,截取合适的时域导波信号并对信号进行滤波和降噪处理能够有效提升压力容器缺陷的定位精度;缺陷信号相对于基准信号的时间零点漂移及非检测模态波包的干扰是影响压力容器缺陷定位精度的两个主要原因,修正后的算法对压力容器筒体和封头缺陷的定位误差在5%以内。     

基于核独立元分析的工业故障检测

独立元分析(ICA)是从多个源信号的线性混合中分离出源信号的技术,是一种基于信号高阶统计特性的算法。但对于处理非线性变化信号有一定的局限,核独立元分析(KICA)方法能够很好地解决这个问题,该方法主要结合了核主元分析(KPCA)和独立元分析(ICA)的优点,是在线故障检测的一种非线性算法。该算法利用工业过程中多仪表在正常工作下的历史数据建立故障检测模型,通过监控检测统计量是否超出阀值控制限来进行故障检测。使用TE(Tennessee Eastman)过程数据进行仿真来验证此算法的有效性。     

基于反褶积与编码激励的长输管道损伤检测

制约应力波导波技术应用于长输管道损伤检测的两个主要原因是信号处理技术和导波激励技术,针对应力波频散效应和外界噪声干扰使得管道损伤检测定位精度低的问题,采用了基于子波估计的反褶积技术处理管道导波测量数据。数值模拟和试验结果均表明,该方法可以有效地抑制导波频散,提高了管道损伤检测的定位精度。针对单一激励能量有限、检测信号的信噪比低等问题,采用了编码激励技术,设计了两种不同的编码激励信号,并将其应用到管道纵向导波传播模型中。数值模拟结果表明,编码激励技术能够有效地提高管道损伤检测的抗干扰能力和分辨率。     

强干扰下复杂系统的独立源识别方法

为了识别强干扰环境下复杂系统的独立源信号,利用主分量分析(PCA)的主投影方向辨识能力,以及独立分量分析(ICA)的冗余取消与盲源分离特性,提出一种基于复合PCA-ICA神经网络的独立源识别方法。ICA与 PCA的有机结合使两者优势得到充分发挥,隐藏于多通道传感观测中的独立源波形得以分离。借助基于快速傅里叶变换与最大相关分析准则的自适应分析校正,消除ICA估计源的盲不确定性,准确地估计源波形及其混合参数,从而实现独立源信号的识别。仿真试验结果证明该方法的有效性,也表明它在复杂系统源识别方面具有较大的应用潜力。     

齿轮箱复合故障信号的非线性盲源分离算法研究

针对齿轮箱复合故障分析问题,文中提出一种新型非线性盲源分离（Nonlinear Blind Source Separation, NBSS）算法。该算法先利用反向传播（Back Propagation, BP）神经网络逼近非线性混合模型的逆,并对经过BP 神经网络处理后的信号进行独立成分分析（Independent Component Analysis, ICA）;然后以独立成分分析后的信号的负熵作为适应度函数,采用遗传算法对BP神经网络的参数进行寻优;最后利用优化的BP神经网络参数,对观测到的混合信号进行分解,分离出纯净的振源信号。与采用粒子群优化（Particle Swarm Optimization, PSO）算法的核独立成分分析（Kernel ICA, KICA）相比,该方法提取的分离信号具有更高的精度,为齿轮箱复合故障诊断提供了关键技术与有效方法。     

变化环境下的超声导波结构健康监测研究进展

超声导波结构健康监测(Structural health monitoring,SHM)在大规模板和管结构的缺陷诊断中是一个极具吸引力的检测技术。不同研究者均证实环境和操作条件变化,特别是温度和外加载荷变化会掩盖由缺陷引起的信号变化从而限制SHM系统的性能。分别就环境变化中温度和外加载荷对SHM系统中超声导波传播机理的影响进行综述:环境温度的变化会引起样本热膨胀系数和弹性模量的改变,进而影响超声导波在结构中的传播,且相比于超声纵向导波,横波对温度的敏感度较低;外加载荷对导波传播的影响主要体现在时移、幅值及相位的变化上。针对温度变化对导波结构健康监测造成的影响,详细阐述温度补偿法的研究进展,为更好地辨识由缺陷引起的变化和由周围环境引起的良性变化奠定理论基础,为后续超声导波SHM的研究指明方向。     

基于模态分析和小波变换的声发射源定位新算法研究

针对传统声发射源定位中，声发射信号到达传感器的时间受设定门槛电压影响很大，导致声发射源定位效果较差，提出了一种声发射源定位新方法。根据模态声发射理论，携带声发射源信息的声发射信号在结构中传播过程中，具有频散现象和多模态特性。因此，声发射源定位应基于同一频率下、同一模态导波到达各个传感器的时间和传播速度。通过对声发射信号进行Gabor小波变换的方法，在时频空间内确定某一频率下某一模态导波到达传感器的时间；并通过数值计算得到该频率处模态导波的群速度，从而实现声发射源的准确定位。通过薄板中声发射线源定位试验，证明了该定位算法的有效性。     

载荷影响下的机电阻抗协整结构损伤识别方法

高频机电阻抗(electromechanical impedance, 简称EMI)方法利用粘贴在结构表面的压电传感器(piezoelectric transducer, 简称PZT)进行主动激励,通过连续监测和分析PZT机电导纳信号的变化评估结构的健康状态;然而EMI方法容易受到环境工况变化的影响,导致结构损伤的误报。针对此问题,采用时间序列协整方法处理及消除结构工作载荷对阻抗谱特征信号的影响。该方法是基于结构动荷载作用下PZT阻抗谱导纳信号的非平稳特征,将动荷载影响下的阻抗谱非平稳时间序列经线性组合变换成平稳时间序列,根据得到的协整余量序列有效判断结构的健康状态。为验证该方法的有效性,开展了动应力影响下铝梁结构的螺栓松动损伤识别实验。结果表明,协整消除了动态应力对EMI方法的影响,当铝梁内存在持续变化的应力时,仍可以准确识别螺栓松动。机电阻抗协整方法能够消除结构健康监测中荷载作用的影响,及时准确地进行结构损伤识别。     

载荷影响下的机电阻抗协整结构损伤识别方法

高频机电阻抗(electromechanical impedance,简称EMI)方法利用粘贴在结构表面的压电传感器(piezoelectric transducer,简称PZT)进行主动激励,通过连续监测和分析PZT机电导纳信号的变化评估结构的健康状态;然而EMI方法容易受到环境工况变化的影响,导致结构损伤的误报。针对此问题,采用时间序列协整方法处理及消除结构工作载荷对阻抗谱特征信号的影响。该方法是基于结构动荷载作用下PZT阻抗谱导纳信号的非平稳特征,将动荷载影响下的阻抗谱非平稳时间序列经线性组合变换成平稳时间序列,根据得到的协整余量序列有效判断结构的健康状态。为验证该方法的有效性,开展了动应力影响下铝梁结构的螺栓松动损伤识别实验。结果表明,协整消除了动态应力对EMI方法的影响,当铝梁内存在持续变化的应力时,仍可以准确识别螺栓松动。机电阻抗协整方法能够消除结构健康监测中荷载作用的影响,及时准确地进行结构损伤识别。     

螺栓松动损伤的亚谐波共振识别方法

螺栓松动将导致结构完整性的破坏,螺栓连接状态的实时有效监测和评估具有重大意义。提出了一种基于亚谐波共振分析的螺栓松动识别方法。针对螺栓连接结构简化的单自由度非线性模型,采用多尺度方法分析了亚谐波共振现象,定性模拟了螺栓松动损伤亚谐波激励条件。以铝梁螺栓搭接结构为实验对象,利用粘贴在铝梁表面的压电作动/传感单元,采用不同频率的激励信号作用在作动片上,传感片接收响应信号,对其进行频谱分析,通过提取响应频谱中的亚谐波成分进行螺栓松动损伤识别。仿真与实验结果表明,亚谐波产生所需激励频率在两倍固有频率附近,使用亚谐波检测方法能有效识别螺栓松动。     

基于小波包-神经网络方法的支撑座连接螺栓松动损伤诊断的实验研究

在某导弹支撑座模型宽带随机振动实验的基础上,针对其连接螺栓松动所产生的支撑座结构响应的非平稳特性,采用小波包分析的方法得到缩减的信号特征;然后利用BP神经网络的模式分类功能,进行了螺栓松动程度的损伤识别研究。实验结果表明,小波包结合神经网络的方法可以有效地识别该支撑座连接螺栓的松动程度。     

基于改进S变换和ICA的相关源分离方法

含有同频成分的机械振源信号不满足统计独立条件,无法直接采用传统盲源分离方法进行分离与识别,为解决该问题,提出了一种基于改进S变换(modified S-transform,简称MST)和独立成分分析(independent component analysis,简称ICA)的相关源分离方法。首先,通过改进S变换对观测信号进行时频化处理,利用相关成分在时频域中实部和虚部的向量夹角,识别并剔除混合信号中的相关项,保证新的观测信号满足独立性条件;其次,以负熵为独立性测度,基于快速固定点独立成分分析进行分离矩阵估计;最后,将该矩阵用于最初的观测信号,从而分离出振源信号,定量计算各个振源的贡献比。通过仿真和实例分析验证了该方法在相关性振源分离中的有效性。     

基于高频柱面超声导波的螺栓轴向应力测量

基于金属杆件中高频超声导波的传播特性,提出使用柱面导波高阶不同模态群速度比值的单探头螺栓轴向应力测量方法。使用数值方法求解考虑晶粒散射衰减的Pochhammer-Chree方程,得到了导波群速度衰减系数频散曲线,并分析了其在高频区的传播规律。结合非线性声学以及弹性力学理论,推出基于群速度比值的螺栓轴向应力测量方法。搭建超声应力测量平台,讨论了脉冲超声激励下的实测导波信号特点并提出使用经验小波算法对信号进行模态分解,有效获取了信号中特定模态的群速度。使用该方法以及传统的纵横波声时比法进行了螺栓轴向应力对比标定和测量实验,结果表明前者平均测量误差约为4%,其精度明显高于传统方法(平均测量误差6%)且具有更简便的测量流程。     

基于振动信号EMD和ICA的刀具破损识别

针对多齿铣削过程中振动信号的特点,提出了一种基于经验模态分解(EMD)和独立分量分析(ICA)相结合的方法,对混叠在振动信号中的铣刀破损信号进行分离。对振动信号进行经验模态分解提取出信号中的所有本征模函数,然后应用fastICA对所提取出的本征模函数进行独立分量分析。利用该方法对铣削加速度振动数据进行了分析,试验表明,该方法可以提取出混合信号中与刀具破损状态相关的故障特征频率成分。     

故障源信号的频域盲分离及其应用研究

盲源分离可以对相互统计独立的信号源经线性组合而产生的一组混合信号进行分离,从中得到各个独立的源信息.针对混合信号相位差对独立分量分析算法性能的影响问题,提出一种故障源信号的频域盲分离方法.该方法利用频谱的线性叠加性和无相位性,先将工程实测信号转换到频域,再对得到的信号频谱进行盲源分离.仿真实例和涡流传感器失效检测的成功应用表明,根据信号结构选择预处理方法十分重要,正确的预处理可以大大提高独立分量分析提取故障源特征的有效性.     

基于独立分量分析的壳体结构振源数目估计方法

在振源数目未知的条件下,仅利用多通道观测混合信号准确分离源信息是信号源盲分离的技术难题之一。为了揭示观测振动混合信号的复杂组成结构,以及为振源信息盲分离提供可靠的先验信息,提出一种基于独立分量分析和聚类评估技术的信源数目估计方法。通过仿真试验与壳体结构试验台典型机械振动信号分析,定量比较基于信息理论的源数估计方法AIC/MDL与提出方法的性能,研究结果表明所提出方法可从振动调制混合信号中准确可靠地估计信源数目,具有更好的工程应用性能。     

超声导波在H型钢结构损伤识别中的应用

针对H型钢在损伤情况下对超声导波的影响,提出基于超声导波的结构健康监测方法,并探讨了应用超声导波检测技术在H型钢中对结构损伤识别的可行性及其识别能力。采用中心频率为87.5kHz的波形为汉宁窗调幅3.5个周期正弦曲线作为激励波形,应用商业有限元软件ABAQUS对导波在H型钢构件中的传播进行了仿真,同时对无损伤以及有损伤的仿真模型进行实验验证。实验中利用压电材料锆钛酸铝(piezoelectric lead zirconate titanate,简称PZT)换能器来激发和接收在H型钢中传播的导波信号,借助于Morlet小波时频分析等方法对仿真和实验采集到的信号进行处理,并比较实验结果与仿真结果的吻合度。最后分析H型钢中损伤的大小等因素对损伤识别的影响,以及超声导波在H型钢中的损伤识别能力。     

基于模型的螺栓松动状态监测方法

基于现有的模型损伤识别技术,提出了一种两阶段的螺栓状态长期在线识别方法:第1阶段识别螺栓连接中是否存在扭矩降低,设定了基于模态应变能的新损伤指标,并讨论了螺栓松动中非线性的表现;第2阶段识别松动螺栓的残余扭矩,以试验测得的前3阶局部振型,通过灵敏度修正识别螺栓连接中BEAM单元的弹性模量,建立了螺栓残余扭矩与BEAM单元弹性模量之间的对应关系;最后,使用两块通过螺栓连接的矩形钢板验证了该方法的有效性。试验结果表明,该方法能够快速识别出扭矩的降低,并识别其残余扭矩值是否已低于安全范围。