CN104166804A - 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 - Google Patents
一种基于时频域单源点稀疏成分分析的工作模态辨识方法 Download PDFInfo
- Publication number
- CN104166804A CN104166804A CN201410412356.6A CN201410412356A CN104166804A CN 104166804 A CN104166804 A CN 104166804A CN 201410412356 A CN201410412356 A CN 201410412356A CN 104166804 A CN104166804 A CN 104166804A
- Authority
- CN
- China
- Prior art keywords
- signal
- source
- frequency domain
- time
- hybrid matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出的一种基于时频域单源点稀疏成分分析的工作模态辨识方法,具体步骤如下:测量得到工作状态下设备目标位置的振动信号;对各混合振动信号进行时频域变换;在时频域中应用单源点法提取用于混合矩阵估计的混合振动信号;利用基于K超线聚类的稀疏成分分析混合矩阵估计法估计混合矩阵;混合矩阵求解出来后,再返回时频域,利用l1最小化方法重构各阶源信号,提取结构各模态向量;然后通过信号指数表达得到工作模态频率及阻尼比。本发明降低混合矩阵估计过程的计算量,在测量点少于源信号数目的欠定情形下有效辨识模态参数,对噪声、异常值及源信号的不完全稀疏性具有良好的抗干扰能力。
Description
技术领域
本发明涉及一种基于时频域单源点稀疏成分分析的工作模态辨识方法,属于工作模态辨识领域。
背景技术
目前,模态分析技术已经成为识别动力学系统特征的一种重要手段。通过模态分析,可以提取系统的自然频率、阻尼比和振型等重要的动力学属性。常用的模态参数提取方法有实验模态分析法和工作模态分析法。实验模态分析法需要对结构施加激励,这对于大型复杂机械系统是非常困难的。而工作模态分析法无需外加激励,仅依靠机械结构工作状态下的振动响应信号提取结构模态参数。这种分析方法以其操作方便,同时反映系统真实工作状态下的振动特性而在工作中得到大力推广。如何利用自然激励(如:风对建筑物的激励,气流对飞机、火箭、导弹等空中飞行物的激励,道路或铁轨对车辆的激励,水波对船舶的激励等)或者工作激励,仅根据系统的响应进行结构的模态参数辨识,是传统模态参数辨识方法要改进和发展的方向。然而由于其理论分析计算中假设系统所受载荷为白噪声,与大多数实际情形有或多或少的距离,导致计算结果误差较大。
现有的各种工作模态分析方法虽然都有一些很好的应用,但是还有着各自的局限性。如时域法通常要求激励是平稳白噪声,结构具有线性时不变特性;而时间序列法的模型阶次较难确定;基于响应相关函数的最小二乘复指数法和特征系统实现法要求数据样本长、平均次数多;随机子空间法模型阶次的确定较为烦琐,在测点较多时,Hankel矩阵阶次很高,所需要的数据采样量较大。另外,随机子空间法一般使用奇异值分解或QR分解为模型定阶和过滤噪声。根据奇异值或R阵的对角元划分信号子空间和噪声子空间仍存在一些问题,如为密集模态建模时奇异值并不能反映独立的模态数,从而使模型阶次的估计偏低;奇异值或R阵的对角元并不能反映信号中独立模态的能量贡献。
近年来,由于模态辨识的过程和盲源分离的概念是一致的,应用盲源分离方法来处理工作模态分析引起了高度的重视。盲信号处理中的独立分量分析在辨识阻尼比小于1%的弱阻尼模态参数十分有效。该方法对机械系统模态分离的过程是建立在信号分量的相互独立性的基础上。还有二阶盲辨识也在模态参数辨识领域取得广泛运用。但是这两种方法无法应用于欠定盲源辨识问题的处理,即用于测量振动信号的传感器数量低于被激发的系统振动模态数量。稀疏成分分析是近年来发展起来的一种新兴盲源分离技术,利用信号的稀疏特性提取源信号,在语音信号处理中取得了很好的分离效果。实际工程应用中,很多信号也满足稀疏的特性,稀疏成分分析也已应用到了模态参数估计领域,如参考文献(Y.C.Yang,S.Nagarajaiah,Output-only modal identification with limited sensors using sparse component analysis,Journal ofSound and Vibration 332(19)(2013)4741–4765.)所述应用过程,即将系统的模态扩展表达转换到盲源分离的频域稀疏性表达,再通过模糊C均值聚类法得到混合矩阵,最后获得源信号。但是,该应用在模态分离过程中仅仅利用了信号的频域稀疏性,忽略了信号的时域特性,同时聚类分析过程存在大量的无效聚类点,实际工程应用计算量大,且易受噪声的干扰。稀疏成分分析过程中混合矩阵的估计方法有K均值、模糊C聚类、线性几何独立成分分析等,如参考文献(王翔,黄知涛,任啸天,周一宇,基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法,国防科技大学学报,35(2),2013)给出了单源点检测后利用K均值聚类得到混合矩阵的过程,但是该方法要求源信号充分稀疏性,噪声及不完全稀疏源信号都会严重影响该方法的实际应用,此外该估计过程没有明确给出单源点检测后的源信号散点图。
针对上述问题,本方法的目的在于解决实际工作模态分析中测量振动信号的传感器数量少于源信号数目的欠定模态参数辨识问题,充分利用源信号在时域和频域两方面的稀疏性,降低混合矩阵估计过程的计算量,分离出源信号中有效成分,克服现有估计混合矩阵的聚类方法对源信号稀疏性要求过强,对噪声、异常值及源信号的不完全稀疏性具有良好的抗干扰能力。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种针对性和准确性较高,在系统工作运行状态下,能够有效利用已知结构振动输出信号得到结构模态参数,且应用较为广泛的欠定工作模态参数识别方法。结合振动输出信号不完全稀疏特性,提出在时频域中基于单源点检测技术和K超线聚类的稀疏成分分析方法,在时频域实现对混合矩阵的精确估计,再基于l1最小化技术重构源信号矩阵,最后辨识出系统的模态参数及阻尼比。
本发明是按如下方式实现的:一种基于时频域单源点稀疏成分分析的工作模态辨识方法,包括以下步骤:
(1)测量得到工作状态下设备目标位置的振动信号;
(2)将测量得到的振动信号转换入时频域,得到信号输出的混合矩阵表达;
(3)对振动信号进行单源点检测,并绘制出散点图,减少聚类分析的信号数据量,以提高混合矩阵估计精度;
(4)将单源点检测后的振动信号数据进行K超线聚类分析,估计出混合矩阵,具体为:单源点检测分离后的源振动信号组成成分为去除信号杂质的振动激发的各阶模态信号,从这些信号数据中提取子矩阵并归一化,再进入K超线循环聚类计算估计出混合矩阵;
(5)利用l1最小化方法完成源信号的每一阶重构;
(6)计算重构得到的每一阶源信号的指数表达,得到各阶信号的模态频率和阻尼比。
本发明的有益效果是:本发明具有明确的物理意义,适用于工程应用领域的环境激励下测量点少于源信号数目的欠定情形结构工作模态参数识别的问题。充分利用源信号在时域和频域两方面的稀疏性,克服现有估计混合矩阵的聚类方法对源信号稀疏性要求过强,降低混合矩阵估计过程的计算量,有效辨识模态参数,对噪声、异常值及源信号的不完全稀疏性具有良好的抗干扰能力。
附图说明
图1是一种基于时频域稀疏成分分析的工作模态分析方法的步骤图。
图2是高速摄像获取悬臂梁振动位移响应实验平台。
图3是通过图像处理提取的悬臂梁部分测量点实际振动位移响应。
图4是利用两个测量点振动数据进行单源点检测后绘制的散点图。
图5是仅利用两个测量点数据和本发明方法辨识的模态响应曲线。
图6是利用全部21个测量点数据和本发明方法辨识的振动模态响应曲线。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的描述。
如图1所示,本发明一种基于时频域单源点稀疏成分分析的工作模态分析方法,包括以下步骤:
步骤1:测量得到工作状态下设备目标位置的振动信号:
设备的原始振动测量可以使用加速度传感器、位移传感器和高速摄像系统等,所以观测得到的振动信号x(t)既可以是加速度信号也可以是位移信号。测量过程中测点数量可以小于实际振动源信号各阶数量,该欠定情形无需预估源信号各阶数量。
步骤2:将测量得到的振动信号转换入时频域,得到信号输出的混合矩阵表达:
一般的机械结构工作状态振动信号的稀疏性都较弱,为了能运用稀疏成分分析,首要步骤就是进行稀疏化,将测量所得工作振动信号x(t)变换到时频域空间。
上文中,稀疏化过程可以用短时傅立叶变换法来得到:
其中,X(t,k)=[X1(t,k),...,Xm(t,k)]T和S(t,k)=[S1(t,k),...,Sn(t,k)]T分别代表测量振动响应信号和在时间帧t第k个频率处的源信号的短时傅立叶变换值,ai=[a1i,...,ami]T为混合矩阵A的第i列。只有通过求出各阶源信号,才可以得到振动的各阶频率和阻尼比。
步骤3:对振动信号进行单源点检测,并绘制出散点图,减少聚类分析的信号数据量,以提高混合矩阵估计精度:
工作振动信号变换到时频域后,通过进行复数展开,振动信号的时频域稀疏化表达在任意点(t,k)处的实部和虚部分别为:
Re{X(t1,k1)}=a1Re{S1(t1,k1)}
Im{X(t1,k1)}=a1Im{S1(t1,k1)}
在时频域内,振动响应信号任意一点(t,k)的绝对方向角度小于Δθ则为单源点,具体表达为:
其中,|·|表示绝对值,满足上式的单源点即被保存用于估计混合矩阵。由单源点绘制的散点图反映了目标振动的模态形状及位置。
步骤4:将单源点检测后的振动信号数据进行K超线聚类分析,估计出混合矩阵,具体为单源点检测分离后的源振动信号组成成分为去除信号杂质的振动激发的各阶模态信号,从这些信号数据中提取子矩阵并归一化,再进入K超线循环聚类计算估计出混合矩阵,算法流程如下:
1)初始化:
初始化方向矩阵K可以任选一较大的值。
2)提取子矩阵:
将单源点数据X(t,k)表示为X=[x(1),...,x(N)]∈Rm×N,m和N分别为单源点数据的行数和列数,并从中提取子矩阵则子矩阵的每一列的范数大于一个特定的阈值ξ,该阈值是一个正常数,假定X中共有列被提取。
3)子矩阵归一化:
为了抑制异常值,对进行归一化处理,则当时,每一列
4)聚类计算:
将各采样点分配到不同的聚类集Ωk,k=1,...,K,其中Ωk是向量集。集合Ωk的直线方向的估计为lk,k=1,...,K。基于一个点p到某条超线L(l)的距离公式其中<·,·>表示内积,计算从到lk,k=1,…,K的每一段距离当且仅当 假设处点被分别分配至向量集Ωk。则可以得到一组子矩阵
5)更新方向向量:
分别循环更新lk,k=1,...,K和其对应的置信指数fk如下:
计算矩阵的第一特征向量及其对应的最大特征值。应用特征分解或奇异值分解,可以得到其中Uk=[u1k,...umk]为特征向量集,Λk=diag(λ1k,...,λmk),λ1k≥…≥λmk,特征值λ1k,…,λmk分别对应于u1k,…,umk。则lk=u1k,fk=λ1k。
6)返回步骤4),重复步骤4)和5)直至收敛。
7)输出估计的超线lk,k=1,...,K和她们对应的置信指数fk,k=1,...,K。则可以得到L=[l1,...,lK]和f=[f1,...,fK]T,该L即为估计所得混合矩阵A。
步骤5:利用l1最小化方法完成源信号的每一阶重构:
欠定辨识需要利用l1最小化技术获得源信号,该技术同样是基于分析域中源信号的稀疏性,通过以下凸优化寻踪算法得到源信号的稀疏解:
AS(ξ)=X(ξ)
其中,ξ代表时频域,l1范数可以描述为当ξ域中的源信号被辨识后,所需要的时域源信号就可以通过以下的短时傅立叶逆变换得到:
步骤6:计算重构得到的每一阶源信号的指数表达,得到各阶信号的模态频率和阻尼比:
由可知由振动测量数据辨识的源响应信号为多个单一的模态向量组合n为混合矩阵列数,系统自由振动时源响应信号即多个单调指数衰减正弦信号的组合:
其中,ωi和ζi分别为第i阶振动模态的频率和阻尼比,ui和θi分别为常数和相位。
实验结果:
通过测量一个尺寸为0.31m×0.0012m×0.0004m的钢制悬臂梁的振动响应试验验证本发明提出的时频域单源点稀疏成分分析工作模态辨识方法,如图2所示。该悬臂梁的材料为碳素工具钢,杨氏模量和密度分别为:2.06×1011N·m-2、7.85×103kg·m-3。梁的末段固定在工作台上,支点离末端的距离为0.28m。悬臂梁每隔0.01m标记一个测量点,一共21个测量点。通过高速摄像法捕捉振动的位移响应图像,8位灰度图像以500fps(1200×150像素,每像素对应0.0002m)速度进行采样,数据传至PC端进行图像处理及位移响应数据提取。部分测量点处的位移响应如图3所示。
模态参数辨识算法执行过程为:首先,通过短时傅立叶变换将振动响应数据转换入时频域;再利用单源点检测方法找出时频域内的满足点,仅利用两处测量点数据的欠定盲源辨识情况下绘制的散点图如图4所示,从该图可以看出:悬臂梁实际振动被激发的三个模态都被辨识;然后通过K超线聚类算法获得混合矩阵;利用估计得到的混合矩阵,结合最小化算法可以得到欠定情况下的频域模态响应;根据反向短时傅立叶变换和反向汉宁窗得到时域模态响应,如图5所示,并且为了验证本发明方法在欠定盲源辨识的有效性,利用全部21个测量点振动数据在确定盲源情况下的辨识的模态响应曲线,如图6所示;然后,模态频率和阻尼比可以由对数衰减方法得到,如表1所示。为了证明本发明方法辨识模态向量精度,通过模态确定性标准确定估计的模态振型误差。模态置信度准则MAC的值可以表示辨识模态形状的精度,其值计算如下:
其中,和ai分别为辨识的和理论的模态向量,即辨识的和理论的混合矩阵的列向量,MAC的值范围为0~1,0代表二者无任何相关性,1代表二者完全相关。
通过表1数据可以得出利用本发明提出的时频域单源点稀疏成分分析工作模态辨识方法可以准确给出目标振动被激发模态数量和形状,辨识的欠定盲源情形下的自然频率和阻尼比和确定盲源情形下的值具有高度一致性。
表1是悬臂梁振动实验中本发明提出的方法在确定和欠定两种情况下辨识的模态参数。
本发明提出的方法不限于具体实施方式中所述的实施例,本领域技术人员根据本发明的技术方案得出其他的实施例,只要是通过时频域单源点K超线聚类稀疏成分分析法实现工作模态辨识的,也应当同样属于本发明的创新范围。
Claims (2)
1.一种基于时频域单源点稀疏成分分析的工作模态辨识方法,其特征在于,包括以下步骤:
(1)测量得到工作状态下设备目标位置的振动信号;
(2)将测量得到的振动信号转换入时频域,得到信号输出的混合矩阵表达;
(3)对振动信号进行单源点检测,并绘制出散点图,减少聚类分析的信号数据量,以提高混合矩阵估计精度;
(4)将单源点检测后的振动信号数据进行K超线聚类分析,估计出混合矩阵;
(5)利用l1最小化方法完成源信号的每一阶重构;
(6)计算重构得到的每一阶源信号的指数表达,得到各阶信号的模态频率和阻尼比。
2.根据权利要求1所述的一种基于时频域单源点稀疏成分分析的工作模态辨识方法,其特征在于,步骤(4)估计出混合矩阵具体为单源点检测分离后的源振动信号组成成分为去除信号杂质的振动激发的各阶模态信号,从这些信号数据中提取子矩阵并归一化,再进入K超线聚类循环计算估计出混合矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410412356.6A CN104166804B (zh) | 2014-08-20 | 2014-08-20 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410412356.6A CN104166804B (zh) | 2014-08-20 | 2014-08-20 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166804A true CN104166804A (zh) | 2014-11-26 |
CN104166804B CN104166804B (zh) | 2018-01-30 |
Family
ID=51910613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410412356.6A Active CN104166804B (zh) | 2014-08-20 | 2014-08-20 | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104166804B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106060834A (zh) * | 2016-07-26 | 2016-10-26 | 中国人民解放军理工大学 | 一种提高频谱利用率的无线通信系统的设计方法 |
CN106124034A (zh) * | 2016-09-07 | 2016-11-16 | 湖南科技大学 | 基于机器视觉的薄壁件工作模态测试装置及测试方法 |
CN106773678A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 用于多非线性参数耦合系统的参数辨识方法及其辨识设备 |
CN106844935A (zh) * | 2017-01-18 | 2017-06-13 | 大连理工大学 | 一种大阻尼工程结构模态参数识别方法 |
CN107368629A (zh) * | 2017-06-22 | 2017-11-21 | 北京理工大学 | 一种减压阀流固耦合振动参数识别方法 |
CN107561934A (zh) * | 2017-08-24 | 2018-01-09 | 北京理工大学 | 基于多参考时域传递率的仅输出结构模态参数辨识方法 |
CN107609291A (zh) * | 2017-09-22 | 2018-01-19 | 哈尔滨工业大学 | 一种基于密度聚类的虚假模态剔除方法 |
CN107943757A (zh) * | 2017-12-01 | 2018-04-20 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
CN108139299A (zh) * | 2015-10-16 | 2018-06-08 | 巴里理工大学 | 用于确定道路或轨道车辆的模态参数并间接表征道路或轨道轮廓的方法 |
CN108491608A (zh) * | 2018-03-06 | 2018-09-04 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
CN108594660A (zh) * | 2018-05-07 | 2018-09-28 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
CN108678728A (zh) * | 2018-05-15 | 2018-10-19 | 北京理工大学 | 一种基于k-means的油井参数分析组合算法 |
CN108776801A (zh) * | 2018-04-17 | 2018-11-09 | 重庆大学 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
CN109376330A (zh) * | 2018-08-27 | 2019-02-22 | 大连理工大学 | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 |
CN109580146A (zh) * | 2018-11-29 | 2019-04-05 | 东南大学 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
CN110487911A (zh) * | 2019-08-19 | 2019-11-22 | 重庆大学 | 基于盲源分离的压力容器声发射信号检测的方法 |
CN110567574A (zh) * | 2019-08-02 | 2019-12-13 | 西安交通大学 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
CN113246175A (zh) * | 2021-05-07 | 2021-08-13 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162685A1 (en) * | 1997-11-14 | 2004-08-19 | Arch Development Corporation | System for surveillance of spectral signals |
CN101714354A (zh) * | 2009-11-27 | 2010-05-26 | 江南大学 | 一种由时频原子聚合生成时频分子的方法 |
-
2014
- 2014-08-20 CN CN201410412356.6A patent/CN104166804B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162685A1 (en) * | 1997-11-14 | 2004-08-19 | Arch Development Corporation | System for surveillance of spectral signals |
CN101714354A (zh) * | 2009-11-27 | 2010-05-26 | 江南大学 | 一种由时频原子聚合生成时频分子的方法 |
Non-Patent Citations (9)
Title |
---|
Output-only modal identification with limited sensors using sparse component analysis;Yongchao Yang等;《Journal of Sound and Vibration》;20130430;第1页第1行-第24页倒数第1行及图1-32,表1-4 * |
YONGCHAO YANG等: "Output-only modal identification with limited sensors using sparse component analysis", 《JOURNAL OF SOUND AND VIBRATION》 * |
ZHAOHUI HE等: "K-Hyperline clustering learning for sparse component analysis", 《SIGNAL PROCESSING》 * |
余丰等: "基于CS与K-SVD的欠定盲源分离稀疏分量分析", 《东南大学学报(自然科学版)》 * |
基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法;王翔等;《国防科技大学学报》;20130420;第35卷(第2期);第69页左栏第1行-第10行及图1-4 * |
王翔等: "基于时频单源点检测和聚类验证技术的欠定混合盲辨识算法", 《国防科技大学学报》 * |
衍射光栅刻划机精密工作台定位特征识别试验研究;金一等;《振动与冲击》;20130131;第32卷(第1期);第89-93页 * |
金一等: "衍射光栅刻划机精密工作台定位特征识别试验研究", 《振动与冲击》 * |
陆凤波等: "基于时频分布的欠定混合矩阵盲辨识", 《电子学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108139299A (zh) * | 2015-10-16 | 2018-06-08 | 巴里理工大学 | 用于确定道路或轨道车辆的模态参数并间接表征道路或轨道轮廓的方法 |
CN106060834B (zh) * | 2016-07-26 | 2017-08-01 | 中国人民解放军理工大学 | 一种提高频谱利用率的无线通信系统的设计方法 |
CN106060834A (zh) * | 2016-07-26 | 2016-10-26 | 中国人民解放军理工大学 | 一种提高频谱利用率的无线通信系统的设计方法 |
CN106124034A (zh) * | 2016-09-07 | 2016-11-16 | 湖南科技大学 | 基于机器视觉的薄壁件工作模态测试装置及测试方法 |
CN106773678B (zh) * | 2016-11-30 | 2019-06-11 | 西安交通大学 | 用于多非线性参数耦合系统的参数辨识方法及其辨识设备 |
CN106773678A (zh) * | 2016-11-30 | 2017-05-31 | 西安交通大学 | 用于多非线性参数耦合系统的参数辨识方法及其辨识设备 |
CN106844935A (zh) * | 2017-01-18 | 2017-06-13 | 大连理工大学 | 一种大阻尼工程结构模态参数识别方法 |
CN106844935B (zh) * | 2017-01-18 | 2020-04-24 | 大连理工大学 | 一种大阻尼工程结构模态参数识别方法 |
CN107368629A (zh) * | 2017-06-22 | 2017-11-21 | 北京理工大学 | 一种减压阀流固耦合振动参数识别方法 |
CN107561934A (zh) * | 2017-08-24 | 2018-01-09 | 北京理工大学 | 基于多参考时域传递率的仅输出结构模态参数辨识方法 |
CN107609291B (zh) * | 2017-09-22 | 2020-09-01 | 哈尔滨工业大学 | 一种基于密度聚类的虚假模态剔除方法 |
CN107609291A (zh) * | 2017-09-22 | 2018-01-19 | 哈尔滨工业大学 | 一种基于密度聚类的虚假模态剔除方法 |
WO2019104904A1 (zh) * | 2017-12-01 | 2019-06-06 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
CN107943757A (zh) * | 2017-12-01 | 2018-04-20 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
CN107943757B (zh) * | 2017-12-01 | 2020-10-20 | 大连理工大学 | 一种基于稀疏分量分析模态识别中的阶数确定方法 |
CN108491608A (zh) * | 2018-03-06 | 2018-09-04 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
CN108491608B (zh) * | 2018-03-06 | 2021-06-08 | 大连理工大学 | 传感器数量不完备时结构模态识别的稀疏分量分析方法 |
CN108776801A (zh) * | 2018-04-17 | 2018-11-09 | 重庆大学 | 一种基于欠定盲源分离的模拟电路早期故障特征提取方法 |
CN108594660B (zh) * | 2018-05-07 | 2021-04-30 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
CN108594660A (zh) * | 2018-05-07 | 2018-09-28 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
CN108678728A (zh) * | 2018-05-15 | 2018-10-19 | 北京理工大学 | 一种基于k-means的油井参数分析组合算法 |
CN109376330A (zh) * | 2018-08-27 | 2019-02-22 | 大连理工大学 | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 |
CN109376330B (zh) * | 2018-08-27 | 2021-05-07 | 大连理工大学 | 一种基于扩展稀疏分量分析的非比例阻尼结构模态识别方法 |
CN109580146A (zh) * | 2018-11-29 | 2019-04-05 | 东南大学 | 一种基于改进稀疏分量分析的结构振动参数识别方法 |
CN110567574A (zh) * | 2019-08-02 | 2019-12-13 | 西安交通大学 | 一种旋转叶片叶端定时振动参数辨识方法与系统 |
CN110487911A (zh) * | 2019-08-19 | 2019-11-22 | 重庆大学 | 基于盲源分离的压力容器声发射信号检测的方法 |
CN113246175A (zh) * | 2021-05-07 | 2021-08-13 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN113246175B (zh) * | 2021-05-07 | 2024-05-03 | 配天机器人技术有限公司 | 机器人末端震动分类方法、机器人及存储介质 |
CN117235476A (zh) * | 2023-11-14 | 2023-12-15 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
CN117235476B (zh) * | 2023-11-14 | 2024-02-13 | 利维智能(深圳)有限公司 | 故障检测方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104166804B (zh) | 2018-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104166804A (zh) | 一种基于时频域单源点稀疏成分分析的工作模态辨识方法 | |
CN104698837B (zh) | 一种时变线性结构工作模态参数识别方法、装置及应用 | |
Yao et al. | Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method | |
CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
CN103020479A (zh) | 基于非线性调频小波变换的信号瞬时频率估计方法 | |
CN104077478B (zh) | 一种下击暴流非平稳脉动风速的数值模拟方法 | |
CN105862935B (zh) | 一种用于挡土墙结构系统的损伤识别方法 | |
CN113536223B (zh) | 一种基于频域分解法的欠采样下结构模态识别方法及系统 | |
CN101587007A (zh) | 识别柔性桥梁结构动力参数的惟输出小波基分析方法 | |
CN111273297A (zh) | 一种基于ar波数谱的水平阵动目标深度估计方法 | |
CN106548031A (zh) | 一种结构模态参数识别方法 | |
CN111695461B (zh) | 一种基于图频特性的雷达杂波智能分类方法 | |
CN105204026A (zh) | 一种基于声场干涉条纹的单水平阵被动测速和测距装置及其方法 | |
Gres et al. | Orthogonal projection-based harmonic signal removal for operational modal analysis | |
CN107843406B (zh) | 基于脉动压力相关函数的空腔模态波运动特征确定方法 | |
CN103645467A (zh) | 海杂波抑制以及海杂波背景中目标检测的方法和系统 | |
CN106546947A (zh) | 一种联合波导不变量和线谱的单水听器被动定位方法 | |
Yao et al. | Blind modal identification for decentralized sensor network by modified sparse component analysis in frequency-domain subspace | |
CN103837859A (zh) | 一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法 | |
CN116861544A (zh) | 一种基于边云协同的建筑异常振动源定位方法及相关设备 | |
Farzampour et al. | Unsupervised identification of arbitrarily-damped structures using time-scale independent component analysis: Part I | |
CN106908782B (zh) | 基于水面状态连续成像系统的波浪传播方向的提取方法 | |
CN104240249A (zh) | 基于方向波变换和改进的水平集的sar图像变化检测方法 | |
Gres | Vibration-based monitoring of structures: Algorithms for fault detection and uncertainty quantification of modal indicators | |
CN108106717B (zh) | 一种基于声音信号识别机组状态的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |