CN108875170A - 一种基于改进变分模态分解的噪声源识别方法 - Google Patents

Abstract

本发明涉及一种一种基于改进变分模态分解的噪声源识别方法，包括下列步骤：采集发动机某一工况下单通道信号噪声；对噪声信号进行去趋势项及去噪预处理处理；对于预处理后的信号进行改进变分模态分解IVMD，得到不同频段的信号分量；对于输出的分解信号分量，利用互信息筛选主要噪声分量，确定主要噪声频段：对噪声分量与源信号进行互信息的分析，确定互信息值最高的几个分量作为主要噪声频段进行后续分离及分析；对噪声分量进行盲源分离，得到独立的噪声分量；对独立的噪声分量利用小波变换进行时频分析及傅里叶变换，确定各独立分量的噪声分量时频、功率谱、包络谱等特征；对噪声分量与近场噪声进行相干性分析，识别分量噪声信号来源。

Description

一种基于改进变分模态分解的噪声源识别方法

技术领域

本发明涉及发动机NVH领域，具体涉及一种基于信号处理的发动机噪声源识别方法。

背景技术

随着内燃机功率密度的不断增加，其噪声问题越发受到人们的重视。内燃机噪声源众多且相互影响，噪声源的分离识别对掌握声源特性并进行相应的噪声控制具有重要意义。

噪声源识别方法众多，传统的噪声源识别依赖试验器材的精度且需要有相关的试验测试经验。基于信号处理的噪声源识别具有成本低、可视化好、识别精度高的特点。利用单通道噪声信号进行信号分解和处理，使其达到分离混合噪声信号的目的，对信号分量进行频谱、包络谱、功率谱等特征进行分析，可以从多维度进行噪声源的识别。目前基于信号处理的噪声的噪声源识别普遍依赖单一的信号处理方法，但是每种信号处理方法都有一定的适用范围且存在各种缺陷，利用多种信号处理方法相结合，可以克服缺陷提高识别精度。

依据噪声源的识别结果，可以为工程师提供降噪参考，从而制定针对性的噪声控制方案。

发明内容

本发明的目的是提供一种低成本、高准确率的发动机噪声源识别方法，该方法基于改进的变分模态分解算法实现。技术方案如下：

一种基于改进变分模态分解的噪声源识别方法，包括下列步骤：

(1)采集发动机某一工况下单通道信号噪声；

(2)对噪声信号进行去趋势项及去噪预处理处理，以减少噪声信号采集误差；

(3)对于预处理后的信号进行改进变分模态分解IVMD，得到不同频段的信号分量，方案如下:

(a)设定初始变分模态分解数k＝1，进行分解，得到k个IMF分量

(b)对k个IMF分量进行线性叠加，所有分量信号求和重构，对重构信号幅度值的平方进行求和得到和能量，然后计算和能量与源信号的能量比，定义能量比为C；

(c)增加k值，循环步骤(a)、(b)，直至C大于某一阈值；

(d)当C大于阈值时，确定k个IMF分量，输出分解信号分量；

(4)对于输出的分解信号分量，利用互信息筛选主要噪声分量，确定主要噪声频段：对噪声分量与源信号进行互信息的分析，确定互信息值最高的几个分量作为主要噪声频段进行后续分离及分析；

(5)对噪声分量进行盲源分离，得到独立的噪声分量；

(6)对独立的噪声分量利用小波变换进行时频分析及傅里叶变换，确定各独立噪声分量的时频、功率谱、包络谱等特征。

(7)测试近场噪声信号，对独立噪声分量与近场噪声进行相干性分析，识别分量噪声信号来源。

与现有技术相比，本发明的技术方案带来的优异效果是：

1.噪声信号的IVMD分解有效解决了现有算法所出现的模态混叠、端点效应等问题，同时解决了VMD分解数不准确的问题，可准确获得不同频段的IMF。

2.信息熵相关性可以有效分析信号分量与信号源关系，进而快速准确识别主要噪声源，减少了人为筛选。

3.基于多种信号处理方法结合的噪声源识别，能够降低噪声源识别成本，提升传统噪声源识别方法精度。

附图说明

图1是噪声识别流程图

图2是IVMD(改进变分模态分解)流程图

具体实施方式

本发明的目的是克服现有噪声源识别技术成本高和精度低等问题，利用多种信号处理分析方法，对内燃机噪声信号进行分析处理，进而识别得到对应噪声源。主要包括以下步骤：

(1)采集发动机某一工况下单通道信号噪声：参考GB/T 1859-2000往复式内燃机辐射空气噪声测量工程法和简易法，在半消声试验室采集单一工况内燃机振动噪声信号，同时采集油底壳、左机体、右机体、齿轮室罩盖、飞轮壳、气门室罩等近场噪声信号。

(2)对噪声信号进行预处理：采集得到的单通道噪声信号含有仪器采集误差，同时频带分布较宽。利用最小二乘法去掉采集信号的趋势误差，利用滤波器滤掉高频信号分量，保留需要分析的噪声频段。本步骤能够减小试验仪器造成的误差，提高后续信号处理的准确度。

(3)噪声信号的改进变分模态分解：对噪声信号进行变分模态分解，但是变分模态分解的数量需要提前预设。利用分解的信号进行重构与源信号进行能量比，判定是否分解完全。利用中心频率的比值来判定是否发生过分解，进而保证噪声信号恰好分解，不至于发生模态混叠产生虚假分量以及欠分解丢失信号分量。

(a)设定初始变分模态分解数k＝1，进行分解，得到k个IMF分量

(b)对k个IMF分量进行线性叠加，所有分量信号求和重构，对重构信号幅度值的平方进行求和得到能量，然后计算与源信号的能量比，定义能量比为C；

(c)增加k值，循环步骤(a)、(b)，直至C大于某一阈值；

(d)当C大于阈值时，确定k个IMF分量，输出分解信号分量；

(4)筛选主要噪声分量：互信息相比于传统的互相关能判定噪声信号分量与噪声信号的非线性相关关系，互信息能够判别主要噪声分量，利用互信息筛选主要噪声分量，将主要噪声分量筛选出来单独进行分析。

互信息根据熵的概念引申而来，表征两个变量之间相互依赖的强弱程度，即两个变量间共同信息的含量。给定两个随机变量x和y，若它们各自的边缘概率分布和联合概率分布分别为p(x)，p(y)和p(x,y)，则它们之间的互信息I(X；Y)定义为

互信息越大，两个变量的关联性越强；反之亦然。特别地，当互信息为0时，则表示两个变量相互独立。

(5)分离噪声分量：主要噪声分量可能并不是相互独立的，因而需要利用盲源分离方法对其进行噪声分离，保证噪声源其独立性。ICA盲源分离算法能够有效分离混合信号，确保信号独立

(6)噪声信号分量时频分析：噪声信号分量需要进行进一步的分析，利用小波变换能够准确分析出噪声信号分量的时频特征，分析该信号分量的主要噪声频段以及出现的时刻等情况。利用傅里叶变换分析正常工况下的频谱特征，可以判定噪声分量，确定燃烧噪声信号和机械噪声信号。

(7)识别噪声源：对近场噪声信号进行测试，对噪声信号分量与近场噪声信号进行相干性分析，相干性大代表信号分量与近场噪声相关，可能是该近场噪声产生，利用多个特征识别噪声源。

特征识别分析方法如下：

(a)时频特征分析：利用小波变换等时频分析方法，分析各分量信号时频特征，结合发动机先验知识如发火时刻、活塞上止点时刻、曲轴空压机转速比等信息，识别噪声源。

(b)信息熵相关性分析：结合部件近场噪声信号与信号分量信息熵相关性，确定信号分量与部件噪声相关性，判定信号分量类型。

(c)倒拖频谱对比分析：依据倒拖工况，排除掉燃烧噪声影响，进一步识别机械噪声源，分析机械噪声信号分量。

Claims (1)

1.一种基于改进变分模态分解的噪声源识别方法，包括下列步骤：

(1)采集发动机某一工况下单通道信号噪声；

(2)对噪声信号进行去趋势项及去噪预处理处理，以减少噪声信号采集误差；

(3)对于预处理后的信号进行改进变分模态分解IVMD，得到不同频段的信号分量，方案如下:

(a)设定初始变分模态分解数k＝1，进行分解，得到k个IMF分量

(b)对k个IMF分量进行线性叠加，所有分量信号求和重构，对重构信号幅度值的平方进行求和得到和能量，然后计算和能量与源信号的能量比，定义能量比为C；

(c)增加k值，循环步骤(a)、(b)，直至C大于某一阈值；

(d)当C大于阈值时，确定k个IMF分量，输出分解信号分量；

(4)对于输出的分解信号分量，利用互信息筛选主要噪声分量，确定主要噪声频段：对噪声分量与源信号进行互信息的分析，确定互信息值最高的几个分量作为主要噪声频段进行后续分离及分析；

(5)对噪声分量进行盲源分离，得到独立的噪声分量；

(6)对独立的噪声分量利用小波变换进行时频分析及傅里叶变换，确定各独立噪声分量的时频、功率谱、包络谱等特征。

(7)测试近场噪声信号，对独立噪声分量与近场噪声进行相干性分析，识别分量噪声信号来源。