声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2187/TH
国际刊号：0577-6686
发布日期:
作者：吴淑明, 胡海峰, 赵志斌, 杨志勃, 杨来浩, 田绍华, 陈雪峰
单位：1. 西安交通大学机械制造系统工程国家重点实验室 西安 710049;2. 国防科技大学装备综合保障技术重点实验室 长沙 410073
关键词：叶端定时,增强稀疏分解,欠采样,参数辨识；
基金：国家重点基础研究发展计划资助项目（973计划，2015CB057400）。
叶端定时是发动机叶片监测有效手段，相比于传统的应变片测量方式，叶端定时不仅可以同时监测所有叶片的振动状态，而且不会对叶片本身的振动造成影响。但是叶端定时采样数据存在高度欠采样的特点，针对该问题，提出基于增强稀疏分解(Enhancing sparse decomposition,ESD)的叶片振动参数辨识技术。稀疏分解是一种在冗余字典中对信号进行分解，通过求解优化问题得到信号在冗余字典下最稀疏解的信号处理方法。增强稀疏分解相比于传统的基追踪算法，可以得到更为稀疏的解。在建立了增强稀疏优化模型后采用原对偶内点法对优化问题进行求解，从而实现信号特征参数的有效辨识。将提出的基于增强稀疏分解的叶片振动参数辨识技术应用于不同类型的仿真数据和转子叶片试验台参数辨识，并与传统的MUSIC算法和最小二乘拟合相对比，提出的算法可以有效避免频谱混叠和泄露现象，并滤除其他频率成分的干扰，得到更清晰的谱图。
来源：2019年第19期
《机械工程学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。