CN106227962A - 一种采用概率分布计算的水下管道周向模态识别方法 - Google Patents

Abstract

本发明提供了一种基于统计概率分布计算的水下管道周向模态识别方法，此方法利用少量的传感器信号数据，快速识别的管道声周向模态值。包括如下步骤：在圆形管道上等距离半径位置均匀布置或非均匀布置设定数量的测点，在每个测点处设置传声器；将测点两两组合，每组测点采用特定方法计算周向模态数；然后将所有组测点的周向模态数进行概率分析，以概率最大者为最终周向模态数；该方法与经典模态分解方法形成互补。

Description

一种采用概率分布计算的水下管道周向模态识别方法

技术领域

本发明属于数字信号处理领域，具体涉及一种利用概率分布计算的水下管道周向模态识别方法。

背景技术

水泵、风机等典型的叶轮机械设备，叶轮叶片旋转产生的周期性尾迹与进出口导流叶片、蜗壳或支撑结构发生强烈动静干涉作用，会引发叶轮内部流场剧烈非定常效应，它所引起的叶轮机械特有离散单音噪声(线谱特征)是叶轮机械及系统管路流噪声最主要的组成部分，当叶轮机械与管路连接在一起时又会激发管道声模态(见附图1)，产生的噪声问题机理更为复杂。

由叶轮机械动静干涉激发的管道周向模态的测量，目前主流的风扇噪声周向模态测量方法为：采用固定式或旋转式传声器阵列，对多个半径处的周向声压测量，然后采用模态解析方法处理阵列传声器数据，获取声传播过程中的管道周向、径向模态信息。

针对管道中任意一点的声压可以用n次谐波表示，在某固定半径处传声器阵列平面位置完整的压力场可以用下述的形式描述，

$p^n(\mathrm{\θ},t)=\mathrm{Re}\[p^n\left(\mathrm{\θ}\right)\exp \left(inB\mathrm{\Ω}t\right)\]=\mathrm{Re}\[\underset{m=-\mathrm{\∞}}{\overset{\mathrm{\∞}}{\Σ}}{C}_m^n\exp \left(im\mathrm{\θ}\right)\exp (-inB\mathrm{\Ω}t)\]\]$

上式中，Pⁿ(θ)的幅值和相位通过阵列中每个传感器进行测量。

在对上述的分析中，为了避免旁瓣混淆，通常确定传声器数目的原则和过程如下：

(1)选择感兴趣的最高测量频率，即考虑的最高转速所对应的最高谐波数；

(2)确定以最高频率传播的最大模态数m_max；

(3)选择传声器数目为N>2m_max。

即阵列中两个传声器的间距必须小于测量模态最小周向半个波长。但是这种基于反混淆规则确定的传声器数量，往往多到工程上难以接受的程度。因此，工程上可以首先列出所有可能干涉产生的声模态，然后选择传声器数目N来保证由干涉i产生的模态m_i都不会是其它可能的声源j产生的任意模态m_j的旁瓣，即m_i≠m_j。基于上述条件选择N后，计算模态系数的算法就变为

$C_m^n=\frac{1}{N}\underset{j=0}{\overset{N-1}{\Σ}}{P}^n\left({\mathrm{\θ}}_j\right)\exp (-{\mathrm{im\θ}}_j),{\mathrm{\θ}}_j=j(2\mathrm{\π}/N)$

目前采用这种方法对周向模态的识别和测量有明显的弊端：(1)周向模态的识别及分解需要经过复杂的模态解析数据运算；(2)需要大量的传声器阵列，测试仪器设备较多；(3)测试方法自身存在旁瓣混淆问题。

发明内容

有鉴于此，本发明提供了一种基于统计概率分布计算的水下管道周向模态识别方法，此方法利用少量的传感器信号数据，快速识别的管道声周向模态值，与经典模态分解方法形成互补。

为了达到上述目的，本发明的技术方案为：一种采用统计概率分布计算的水下管道周向模态识别方法，包括如下步骤：

步骤1、在圆形管道上等距离半径位置均匀布置或非均匀布置设定数量的测点，在每个测点处设置传声器，传声器采集获得设定时间长度的时域数据；

步骤2、将测点两两组合，每组测点采用步骤201～205计算周向模态数；然后将所有组测点的周向模态数进行概率分析，以概率最大者为最终周向模态数；

步骤201、将该组两个测点处采集获得的时域数据进行傅里叶变换，获取关注频率处的幅值及相位信息；

步骤202、针对关注频率处的幅值和相位信息，进行反傅里叶变换，获得包含关注频率的两组时域数据；

步骤203、针对步骤202中得到的两组时域数据做互谱密度分析，并求解其互相关系数；

步骤204、根据互相关系数，求解该组两个测点处采集获得的时域数据的时间差；

步骤205、根据步骤204求解的两列信号对应的时间差，计算周向模态对应的旋转频率f_m，进而求解该组测点的周向模态数。

进一步地，当测点i与测点j组合，二者在圆形管道上周向的安装位置相位分别为θ_i和θ_j，选取关注频率为f₀，步骤202中得到只含有f₀的两组时域数据分别为P′(θ_i,t)和P′(θ_j,t)。

对P′(θ_i,t)和P′(θ_j,t)做互相关分析，求解其互谱密度则互相关系数为

步骤204中，两个测点处采集获得的时域数据的时间差为

周向模态周向模态旋转频率θ_ij为两个传感器周向的安装位置差。

则测点i和j对应的周向模态数为m_ij＝f_m/f_n，其中f_n为叶轮旋转机械基频。

进一步地，关注频率为叶片通过频率或者其谐波。

有益效果：

1、本发明利用概率分布计算的方法，采用统计规律进行周向模态数的识别，适用于试验室现场快速判定，全程无人为干扰。本发明具有鲁棒性，充分利用测试时域数据，在数据缺失量不大的情况下不影响反演结果。

2、本发明使用任意两测点间的数据进行分析，当周向布置传感器部分损坏时，仍然能够判定周向模态数，有较大的容错性。

附图说明

图1为模态波沿环形管道的传播；

图2为周向模态求解流程图；

图3为散点分布图及概率分布图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

实施例1、一种采用统计概率分布计算的水下管道周向模态识别方法，包括如下步骤：

步骤1、在圆形管道上等距离半径位置均匀布置或非均匀布置设定数量的测点，在每个测点处设置传声器，传声器采集获得设定时间长度的时域数据；如图1所示。

步骤2、将测点两两组合，每组测点采用如下步骤计算周向模态数，如图2所示；然后将所有组测点的周向模态数进行概率分析获得散点分布图及概率分布图，本实施例中如图3所示，以概率最大者为最终周向模态数；

步骤201、将该组两个测点处采集获得的时域数据进行傅里叶变换，获取关注频率处的幅值及相位信息；

步骤202、针对关注频率处的幅值和相位信息，进行反傅里叶变换，获得包含关注频率的两组时域数据；

步骤203、针对步骤202中得到的两组时域数据做互谱密度分析，并求解其互相关系数；

步骤204、根据互相关系数，求解该组两个测点处采集获得的时域数据的时间差；

步骤205、根据步骤204求解的两列信号对应的时间差，计算周向模态对应的旋转频率f_m，进而求解该组测点的周向模态数。

本实施例中，当测点i与测点j组合，二者在圆形管道上周向的安装位置相位分别为θ_i和θ_j，选取关注频率为f₀，关注频率一般设置为叶片通过频率及其谐波。

步骤202中得到只含有f₀的两组时域数据分别为P′(θ_i,t)和P′(θ_j,t)；

对P′(θ_i,t)和P′(θ_j,t)做互相关分析，求解其互谱密度则互相关系数为

步骤204中，两个测点处采集获得的时域数据的时间差为

周向模态周向模态旋转频率θ_ij为两个传感器周向的安装位置差；

则测点i和j对应的周向模态数为m_ij＝f_m/f_n，其中f_n为叶轮旋转机械基频。

综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种采用统计概率分布计算的水下管道周向模态识别方法，其特征在于，包括如下步骤：

步骤1、在圆形管道上等距离半径位置均匀布置或非均匀布置设定数量的测点，在每个测点处设置传声器，所述传声器采集获得设定时间长度的时域数据；

步骤2、将所述测点两两组合，每组测点采用步骤201～205计算周向模态数；然后将所有组测点的周向模态数进行概率分析，以概率最大者为最终周向模态数；

步骤201、将该组两个测点处采集获得的时域数据进行傅里叶变换，获取关注频率处的幅值及相位信息；

步骤202、针对所述关注频率处的幅值和相位信息，进行反傅里叶变换，获得包含关注频率的两组时域数据；

步骤203、针对步骤202中得到的两组时域数据做互谱密度分析，并求解其互相关系数；

步骤204、根据所述互相关系数，求解该组两个测点处采集获得的时域数据的时间差；

步骤205、根据步骤204求解的两列信号对应的时间差，计算周向模态对应的旋转频率f_m，进而求解该组测点的周向模态数。

2.如权利要求1所述的一种采用统计概率分布计算的模态识别方法，其特征在于，当测点i与测点j组合，二者在圆形管道上周向的安装位置相位分别为θ_i和θ_j，选取所述关注频率为f₀，所述步骤202中得到只含有f₀的两组时域数据分别为P′(θ_i,t)和P′(θ_j,t)；

对P′(θ_i,t)和P′(θ_j,t)做互相关分析，求解其互谱密度则互相关系数为

所述步骤204中，两个测点处采集获得的时域数据的时间差为

所述周向模态周向模态旋转频率θ_ij为两个传感器周向的安装位置差；

则测点i和j对应的周向模态数为m_ij＝f_m/f_n，其中f_n为叶轮旋转机械基频。

3.如权利要求1或者2所述的一种采用统计概率分布计算的模态识别方法，其特征在于，所述关注频率为叶片通过频率或者其谐波。