文献综述

本设计研究的主要目的是开发可以实时采集与分析振动信号的软件系统。编写实时数据采集程序和实时数据分析程序,同时开发了输入未知情况下模态参数识别程序。系统仅基于一种编程语言平台—MATLAB,增强了软件的可维护性、可移植性等性能。系统主要包括如下几部分: 首先,开发了数据采集模块。应用的主要硬件是研华公司的PCI-1712采集卡与压电式传感器。第一步:建立硬件与软件平台之间的联系。第二步:开发实时数据采集程序。主要依据MATLAB的数据采集工具箱的编程规则编程。同时,利用PCI-1712采集卡的先进先出的缓冲特点。将一定时间间隔的数据从缓冲区删除(这里需要保证删除掉的数据已经进行了保存)进而采集新的数据,以保证数据的实时性。 其次,利用MATLAB中的信号处理工具箱实现了振动信号的实时处理,包括如下四部分内容:信号预处理:消除趋势项,平滑处理等;信号时域处理:滤波处理、相干函数等;信号时域处理,主要包括各种谱函数:自相关函数、自功率谱密度函数、频响函数等;模态参数识别:频域法识别、时域法识别,进行结构的模态、阻尼比、振型识别。上述信号处理功能的实现主要依赖于MATLAB强大的计算功能以及完善的库函数。 再次,利用MATLAB强大的矩阵运算功能实现几何模型和振型的动画显示。 最后,利用MATLAB的图形用户界面功能,开发出了友好的、功能强大的系统操作界面[1]。

MATLAB是一套高性能的数值计算和可视化软件,它集数值计算、信号处理和图形分析等功能于一体,被称为演算纸式的语言。它强大的功能为各领域的应用提供了基础,已经从最初的“矩阵实验室”渗透到科学与工程计算的多个领域,在自动化控制、信号处理、小波分析、神经网络等多个方向都有着广泛的应用,MATLAB对振动测试方面也集成了丰富的信号处理和分析功能专用函数库。

本设计根据工程实践中对测试数据分析处理的需要，利用MATLAB软件编写相应处理程序，并在GUI环境下设计可视化界面。实现振动信号的预处理、时域分析、频域分析等功能。

影响最大的虚拟仪器编程语言是美国NI公司的LabVEI W和LabWindows/CVI,还有其他基于WINDOWS操作系统的可视化编程工具如VB、C 、Delphi等。这些平台在系统操作界面的编程方面各有自己独特的优点,但这些平台对各种振动测试信号处理和分析功能编程开发方面,难度较大,费时费力,从而限制了某些功能的开发。MATLAB由于其强大的信号处理和分析专用的数据函数库以及图形显示功能,在MATLAB平台上进行M文件的编程可直接调用其内的各种专用函数库;并且,还可利用MATLAB的提供图形界面(GUI)编程功能,通过一些特有的控件,能够方便实现脱离MATLAB平台而在WINDOWS系统下执行的操作界面[2]。利用MATLAB构建一套具有功能丰富的振动测试信号处理与分析系统具有独有的优势,易于编程实现。

传统的振动信号处理方法中，幅值域分析法是时域分析中最常用的方法，能够直观地得出时域中的幅值、周期等各种特征。傅里叶变换和相关分析都是基于时域统计特性的分析方法，对平稳信号都有很好的处理效果，方法简单、适用性强。加窗后的短时傅里叶变换（STFT）更完善了傅里叶变换的功能。相关分析在振动信号特征定位方面具有优秀的能力。因此，只要信号满足一定基本条件，传统的振动信号处理方法仍然是最基本的信号处理方法。但对于时变非平稳信号，这些分析方法都难以取得好的效果。

现代振动信号处理方法中的小波分析、Wigner-Ville分布、盲源分离、Hilbert-Huang变换和高阶统计量都对非平稳信号具有很好的分析效果，现代谱分析也克服了经典谱分析分辨率低的缺陷，能够得到更光滑、分辨率更高的频谱。Wigner-Ville分布具有高分辨率、时频聚集性等优良的数学特性，是非平稳信号处理的一个重要工具，但由于双线性，仍存在交叉干扰项的影响需要进一步解决。小波分析具有时频局部化能力，但由于窗函数的局限性，无法准确描述频率随时间的变化。而Hilbert-Huang变换突破了傅里叶变换的局限，是一种比小波分析更为有效的时频局部化方法，能够自适应地进行时频分解，准确地得到时间-频率图，但仍然存在诸多不足。盲源分离直接根据观测信息来识别原始信号，是一种独特的分析方法，能够解决传统方法所不能解决的问题，但对于信号源未知或动态变化等情况的识别还存在一些困难。目前，高阶统计量已成为处理非高斯、非最小相位、非因果、非线性非平稳信号的主要手段。但对于阶次高于4的高阶统计量分析仍然存在很多困难。

传统振动信号处理方法的分析对象主要为平稳信号，已被广泛应用。现代振动信号处理方法能够处理更接近现实特征的振动信号，对非平稳、非线性振动信号能够得到较好的分析结果，但现代处理方法理论不够完善，现实条件无法充分满足，距广泛的实际工程应用与推广仍有一定的距离。

国内外研究人员对不同方法进行了若干改进与发展完善，取得了一些可喜的成绩。例如，细化FFT，EMD与相关分析相结合，分形与谐波小波相结合、HHT与神经网络相结合、HHT与支持向量机（SVM）相结合、盲源分离与HHT相结合等，都取得了很好的效果。但由于方法的理论和算法上仍存在不足，还有很多地方需要进一步研究和改善[3]。