دانلود شبیه سازی مقاله تجزیه حالت پراکنده تعمیم یافته

پروژه متلب تجزیه حالت پراکنده

سیگنال های پاشنده یا پراکنده (Dispersive) در رشته های مختلف، مانند نظارت بر سلامت سازه، تست غیرمخرب، اصول اکوستیک زیرآبی و کاربردهای بیوپزشکی، مورد بررسی قرار گرفته اند. سیگنال های پراکنده، مشخصات وابسته به فرکانس را از خود نشان می دهند که از میان آنها، «تاخیر گروهی» (GD)، که به صورت مشتق تابع فاز برحسب فرکانس تعریف می شود»، مهمترین مورد است. GD حاوی اطلاعات ارزشمندی در مورد منبع و سیستم است و بنابراین از آن می توان برای مکانیابی منبع و شناسایی سیستم استفاده نمود. اما، هنگامی که یک سیگنال پهن باند از یک سیستم غیرخطی عبور می کند، تاخیرهای زمانی مختلف در هر فرکانس تولید خواهد شد و باعث بوجود آمدن یک GD متغیر با فرکانس می شود. علاوه بر آن، سیگنال های پراکنده شونده عملی، مانند امواج هدایت شده، اغلب چندین مد سیگنال با منحنی های GD عبور یافته (crossed) (که به منحنی های پراکندگی نیز معروف هستند)، می باشند، که این امر باعث می شود تحلیل سیگنال دشوار شود. بنابراین، تفکیک دقیق این مدهای پراکنده عبور یافته و استخراج منحنی های GD آنها برای کاربردهای عملی بسیار مهم می باشند.

سیگنال های پاشنده که بخاطر مشخصات وابسته به فرکانسشان مشهور هستند، غالباً در رشته های مختلف مانند تست غیرمخرب، اصول صوتی زیرآبی و غیره، بکار گرفته شده اند. چنین سیگنال هایی اغلب «تاخیرهای گروهی متغیر با فرکانس» (GD) دارند و شامل چند مد هستند که در حوزه زمانی-فرکانسی (TF) همپوشانی و اشتراک دارند و این امر باعث بوجود آمدن چالش هایی در روش های پردازش سیگنال موجود شده اند. در این مقاله، یک روش«تجزیه مد پاشنده تعمیم یافته» (GDMD) برای برآورد دقیق GD ها و تفکیک کامل مدهای همپوشان سیگنال های پاشنده، پیشنهاد می شود. مخصوصاً اینکه، یک مدل سیگنال پاشنده تعمیم یافته ابتدا در حوزه فرکانس تعریف می شود. سپس، براساس مدل تعریف شده، مسئله تجزیه مد به صورت یک مسئله جبرانسازی پراکندگی بهینه فرموله می شود به نحوی که این روش بطور همزمان مدهای بهینه و GD های آنها را جستجو می کند و بوسیله آنها تاثیرات پراکندگی همه مدها را می توان بطور کامل از بین برد. علاوه بر آن، طبق نتایج خروجی GDMD، یک توزیع TF فرکانس بالا را می توان برای آشکار سازی شفاف الگوهای TF یک سیگنال پاشنده چندمده، ساخت. مثال های شبیه سازی شده و کاربردهای واقعی برای تشخیص خطای چرخ راه آهن و تحلیل موج Lamb برای نشان دادن اثربخشی GDMD انجام می شوند.

این مقاله مربوط به سال 2020 بوده و شبیه سازی آن در محیط نرم افزار متلب (MATLAB) انجام شده است و در ادامه نیز تعدادی از تصاویر مربوط به خروجی شبیه سازی قرار داده شده است: