模态试验中非线性检测的一种方法及应用

本文利用振动信号实部与虚部之间Ｈｉｌｂｅｒｔ关系的原理,发展了它在模态试验中非线性检测技术。针对工程结构的特性采用了快速算法和修正技术,通过火箭风罩证明了它的实用性     

圆柱壳的力辐射模态分析与噪声控制

为了能定量优化设备激振力布置,基于结构有限元耦合流体边界元法给出了力辐射模态的计算方法,分析了圆柱壳结构的力辐射模态特性。根据分析结果提出了对圆柱壳辐射噪声进行控制所需的激振力控制原则,并采用数值预报的方法证实了该原则的有效性。     

测量阵列布置对基于源强分布声辐射模态的平面噪声源识别的影响

基于源强分布声辐射模态理论给出了结构噪声源识别公式,分析了识别结果对声场分布模态矩阵条件数的灵敏度,并以平板声源为例对影响声场分布模态矩阵条件数的因素进行了重点分析。分析结果表明:与源面平行,传声器间距与等效源间距相等且测量面靠近源面的方阵是最优布置测量阵列,而且这种布置方式可有效提高声场分布模态矩阵条件数。同时,音箱实验结果表明:利用优化后的测量阵列测量数据取得了良好的识别效果。     

某型多管火箭炮射击间隔优化研究

为提高某型多管火箭炮火力密度,对其射击间隔进行优化研究。首先,建立某型多管火箭炮刚柔耦合模型,获得定向器管口动态响应,计算火箭弹起始扰动;然后,求解火箭炮外弹道方程,采用数理统计方法得到多管火箭炮密集度估计值;其次,基于Lanczos法对多管火箭炮进行模态分析,结合火箭炮管口动态响应确定新的射击间隔;最后,将新射击间隔输入动力学模型计算,结果表明在不影响射击密集度的基础上,新的射击间隔缩短发射时间21.4%,有效地提高了多管火箭炮火力密度。     

希尔伯特-黄变换在脉冲涡流信号消噪与识别中的应用

针对传统方法无法有效识别不同尺寸细小裂纹所产生的脉冲涡流信号,提出一种基于希尔伯特-黄变换的脉冲涡流信号消噪与识别算法。对脉冲涡流信号进行集成经验模态分解并通过归一化自相关函数及其方差特性分选出含有噪声的本征模态函数;对含噪声的本征模态函数进行阈值消噪并与未做处理的本征模态函数重构成无噪声信号;对无噪声信号进行希尔伯特-黄变换并计算出希尔伯特边际谱;根据希尔伯特边际谱的差异识别出不同细小尺寸的表面与下表面裂纹。实验结果表明了所提方法的有效性,经过集成经验模态分解消噪,消除了噪声对脉冲涡流信号的干扰;而基于希尔伯特-黄变换的方法则能够有效识别出不同尺寸的裂纹。     

基于有限元的坦克变速箱体模态分析

建立了坦克变速箱体详细的有限元模型,采用Lanczos算法对箱体结构进行了模态分析,计算出了箱体结构的前16阶非刚体模态的固有频率及相应振型.分析结果显示了箱体各部分结构振动的强弱分布以及抗振薄弱区,为下一步的动态响应及动态修正提供了必要的依据.该分析结果也为变速箱故障诊断提供了参考依据.     

弯管结构模态柔度曲率差法损伤识别

对弯管结构进行损伤识别,采用模态柔度比结构的频率或位移模态更灵敏,且模态柔度仅需结构的低阶频率和振型就可准确地计算。采用有限元方法,以一弯管为仿真算例,以结构模型的单元刚度的下降来模拟损伤。结果表明:弯管结构的模态柔度具有方向性,弯管所在平面x、y方向柔度求解的模态柔度曲率差不能对弯管进行频率损伤识别,垂直弯管所在平面z方向柔度不仅可以对弯管进行单处、多处的损伤定位,而且可以对同一位置的损伤程度进行定量分析。     

一种高阶累积量的模态参数辨识方法改进及其应用

高阶累积量的模态参数辨识方法能够消除高斯噪声的影响。但基于传统的高阶累积量降阶方法的子空间模态参数辨识方法具有一定的缺陷。为此,提出2种降阶方法用于高阶累积量的子空间模态参数辨识方法,并对这2种方法进行了比较。利用主切片方法对某变截面轴进行了模态参数识别,获得了与有限元法相一致的计算结果,从而证明了该方法的可靠性。该方法的辨识质量较高,能够用于一般结构的模态参数辨识。     

非线性控制在磁悬浮系统中的应用

用滑模变结构控制原理设计磁悬浮系统非线性控制器，并在磁悬浮球装置上进行了试验，结果证实这种控制器具有完全的鲁棒性、良好的参数适应性，设计方法也有广泛的适用性。悬浮系统的刚度有显著的提高。     

对流层散射信道传递时间信号的抖动抑制模型

对流层散射信道传递时间同步信号过程中,信道的多径效应及噪声会引起信号抖动。为抑制抖动、提高时间同步精度,引入经验模态分解和小波阈值组合的抖动抑制模型。组合抖动抑制模型中,首先根据经验模态分解原理对原始信号进行分解,然后利用小波阈值对分解得到的各分量进行处理,最终利用处理结果重构信号。为提高组合模型的抖动抑制效果和原始信号的保持能力,利用连续性好、柔和度高的阈值函数对小波阈值中的传统阈值函数进行改进。利用实测数据验证模型的结果表明,在抖动抑制和信号保留方面,组合模型较单一模型以及常用的Kalman模型优势明显。