CN109359567A - 一种基于改进小波阈值去噪的参数化传递路径分析方法 - Google Patents

一种基于改进小波阈值去噪的参数化传递路径分析方法 Download PDF

Info

Publication number
CN109359567A
CN109359567A CN201811154089.1A CN201811154089A CN109359567A CN 109359567 A CN109359567 A CN 109359567A CN 201811154089 A CN201811154089 A CN 201811154089A CN 109359567 A CN109359567 A CN 109359567A
Authority
CN
China
Prior art keywords
wavelet
signal
threshold
coefficient
transfer path
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811154089.1A
Other languages
English (en)
Other versions
CN109359567B (zh
Inventor
潘公宇
朱瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201811154089.1A priority Critical patent/CN109359567B/zh
Publication of CN109359567A publication Critical patent/CN109359567A/zh
Application granted granted Critical
Publication of CN109359567B publication Critical patent/CN109359567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供了一种基于改进小波阈值去噪的参数化传递路径分析方法，包括如下步骤：建立系统传递路径分析TPA模型；测取激励信号和频响函数信号；对所述激励信号进行小波分解；通过阈值函数对小波分解系数进行阈值处理，得出估计小波系数；通过估计小波系数重构小波信号；辨识载荷；根据频响函数和载荷，计算贡献量。本发明解决了传统硬阈值函数不连续导致信号处理后产生振荡，软阈值函数处理信号后产生信号失真的问题，使得所采集的工况信号更准确，贡献量识别精度更高。

Description

一种基于改进小波阈值去噪的参数化传递路径分析方法
技术领域
本发明涉及汽车、船舶等机械系统的噪声、振动和声振粗糙度分析领域，特别涉及一种基于改进小波阈值去噪的参数化传递路径分析方法。
背景技术
汽车，船舶等机械系统结构复杂，尤其是在运行工况下，振源较多，振动噪声机理复杂，一般的振动分析方法难以解决。传递路径分析技术TPA从整体的角度考虑，分别分析振动源，传递路径，目标点振动响应，逐步查找振动噪声成因，是一种解决复杂结构NVH(noise，vibration，harshness——噪声，振动，声振粗糙度)问题的有效方法。
传递路径分析技术的核心是载荷的识别和传递函数的测量，其准确程度直接影响到最终结果的计算精度。目前针对载荷的识别，计算精度较高的是传统TPA技术所采用的逆矩阵法，该方法需要测取大量的数据进行建模计算，耗时巨大，计算周期较长，成本较高，很难在快节奏的工业领域内广泛应用。2011年，Karl Janssens等人提出一种参数化载荷识别模型OPAX，该方法采用工况数据建模，通过拟合参数来估计机械连接件的动刚度，取代了传统的动刚度实验，成本较低，周期较短，计算精度较为准确，近几年在NVH技术领域应用广泛。而该参数化模型因存在拟合参数过多，导致动刚度估计结果不够准确，进而导致最终贡献量计算精度不高。为了解决这一问题，技术人员通常会采用适当增加工况数据的办法来提高计算精度，而工况数据通常是在室外运行工况下测取，环境较室内(如消音室，转毂实验室等)恶劣，干扰信号较多，使得载荷识别误差较大，贡献量计算精度不高。由振动传感器采集到的有用信号是随着时间变化，且有一定规律可循的，而其他干扰信号随机性很强，往往涵盖在有用的信号数据中，难以区分。
发明内容
针对现有技术中存在的不足，本发明提供了一种基于改进小波阈值去噪的参数化传递路径分析方法，该方法所采用的小波阈值函数解决了传统硬阈值函数不连续导致信号处理后产生振荡，软阈值函数处理信号后产生信号失真的问题，使得所采集的工况信号更准确，贡献量识别精度更高。
本发明是通过以下技术手段实现上述技术目的的。
一种基于改进小波阈值去噪的参数化传递路径分析方法，包括如下步骤：
建立系统传递路径分析TPA模型；
测取激励信号和频响函数信号；
对所述激励信号进行小波分解；
通过阈值函数对小波分解系数进行阈值处理，得出估计小波系数；通过估计小波系数重构小波信号；
辨识载荷；
根据频响函数和载荷，计算贡献量。
进一步，所述建立系统传递路径分析TPA模型具体为：对待分析的机械系统确定一种运行工况，分析机械系统的激励源位置，以及激励源至目标响应点的振动传递路径。
进一步，测取激励信号和频响函数信号具体为：在系统传递路径分析TPA模型中，测取激励源处的激励信号、参考点及目标点处的响应信号；拆除激励源部分，测取传递路径起始点至目标点和参考点的频响函数。
进一步，所述阈值函数为：
其中：为估计小波系数，
e为自然数，
n为调节因子，正整数；
λj为阈值，
j为小波分解尺度，即为小波分解层数，j为正整数；
Nj为第j层小波分解系数的长度；
σj为第j层所含噪声的标准差，σj＝median(|ωj,k|)/0.6745；
ωj,k为第j层的第k个小波系数，k为正整数。
本发明的有益效果在于：
1.本发明所述的基于改进小波阈值去噪的参数化传递路径分析方法，提出的改进后的阈值函数结构简单，能够解决传统硬阈值函数在阈值点处不连续，软阈值函数的估计小波系数与实际小波系数存在固定偏差等问题，并且拥有调节因子，能够调节改进阈值函数与硬阈值函数的逼近程度，可根据实际需要进行选用，使得处理后的工况信号更准确。
2.本发明所述的基于改进小波阈值去噪的参数化传递路径分析方法，采用的阈值会随着分解层数的变大而逐渐缩小，自适应性较强。
3.本发明所述的基于改进小波阈值去噪的参数化传递路径分析方法，目标点处的贡献量计算结果与实际值趋近程度更高，峰值频率处表现优异。
附图说明
图1为本发明所述的基于改进小波阈值去噪的参数化传递路径分析方法的流程图。
图2为实施例左悬置被动端X向振动加速度降噪效果图。
图3为n＝2和n＝8时，改进阈值函数与硬阈值函数，软阈值函数的对比图。
图4为2阶工况下，地板Z向振动加速度实测值，采用硬阈值函数和本发明方法计算的模拟贡献量对比图。
图5为2阶工况下，地板Z向振动加速度实测值，采用软阈值函数和本发明方法计算的模拟贡献量对比图。
图6为2阶工况下，地板Z向振动加速度实测值，原方法的模拟贡献量计算值和本发明方法的模拟贡献量计算值对比图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
如图1所示，本发明所述的基于改进小波阈值去噪的参数化传递路径分析方法，具体步骤如下。
步骤1，建立TPA模型。
以一辆搭载1.5T四缸汽油发动机的乘用汽车为研究对象，以发动机为激励源，发动机悬置，变速器悬置以及后拉杆为传递路径，车辆地板处为目标响应点，建立传递路径分析模型。每个悬置处分析X，Y，Z三个方向，那么由悬置被动端传递到地板每个方向各有9条路径，共计27条路径。
步骤2，采集工况激励信号，测取频响函数。
选定车辆的行驶工况为3挡节气门全开工况，在每个悬置的主动端，被动端，以及目标点处分别布置一个振动传感器，测取各传感器的振动信号。拆除动力总成部件，保留悬置被动端，地板处的振动传感器，测取悬置被动端9个方向至地板处3个方向的频响函数。
步骤3，进行小波分解。
采用sym5小波对悬置处的振动信号进行尺度为5的小波分解，分别得到每个尺度下的小波系数ωj,k，j为小波分解尺度，即为小波分解层数，k表示第k个小波系数。
步骤4，通过阈值函数对小波分解系数进行阈值处理，得出估计小波系数；通过估计小波系数重构小波信号；
所述阈值函数为：
其中：为估计小波系数，
e为自然数，
n为调节因子，正整数；
λj为估计小波阈值，
j为小波分解尺度，即为小波分解层数，j为正整数；
Nj为第j层小波分解系数的长度；
σj为第j层所含噪声的标准差，σj＝median(|ωj,k|)/0.6745；
ωj,k为第j层的第k个小波系数，k为正整数。
采用函数来选取每层尺度下的估计小波阈值λj，该函数所确定的阈值可以随着小波分解尺度j的增大而逐渐减小，符合噪声的幅值随着分解尺度的增大而逐渐变小的特点，其中σj＝median(|ωj,k|)/0.6745，N表示数据的长度。
图3为n＝2和n＝8时，本发明的阈值函数与硬阈值函数，软阈值函数的对比图，其中横坐标表示小波分解系数，纵坐标表示由阈值方法计算得到的小波系数估计系数。本发明的阈值函数所计算得到的小波估计系数位于软阈值函数与硬阈值函数之间，且当n→∞时，该函数即为传统硬阈值函数。调节参数n的数值，可进一步调整重构信号与原始信号的逼近程度。当ωj,k＝λj时，有ln(|ωj,k-λj|n+e)＝1，显然因此该阈值函数在ωj,k＝λj处是连续的，同理，该函数在ωj,k＝-λj处也是连续的。本发明的阈值函数可以根据n值选取的不同对估计值与实际值之间的固定偏差进行不同程度的衰减，灵活方便。最后利用估计的小波系数进行小波逆变换，重构工况信号值。
步骤5，辨识载荷。
将步骤4处理后的悬置主动端，被动端的信号代入多级带宽估计模型，进行载荷辨识，获得悬置各方向的载荷数值。
步骤6，计算贡献量。
将步骤5所得的载荷和步骤2所测得的频响函数相乘，计算各路径的模拟贡献量以及目标点处的贡献总量。
如图2所示，是左悬置被动端X向去噪前后的振动加速度幅值比较。
为了验证本方法的有效性，将发动机2阶工况下，地板Z向的实测值，原参数化传递路径分析方法计算得到的贡献量，以及采用硬阈值函数，软阈值函数和新阈值函数去噪后的模拟贡献量进行对比，如图4，图5，图6所示。将实测值作为标准信号，分别计算各模拟计算量的信噪比(SNR)和均方根误差(RMSE)，如表1所示，可知采用新阈值函数所得的模拟贡献量相对于实测值，信噪比最大，均方根误差最小。
表1不同阈值函数降噪后SNR和RMSE比较
原方法 软阈值方法 硬阈值方法 本发明方法
SNR 5.3889 9.4210 8.8316 11.4658
RMSE 0.0318 0.0252 0.0269 0.0158
2阶工况下，地板Z向在频率段70Hz～130Hz之间存在四个峰值，分别计算原方法和改进后的方法所得的贡献量在四个峰值处的幅值相对于实测值的相对误差，如表2所示，可知去噪后，各峰值处幅值的相对误差均可控制在10％左右，精度较高。
表2两种方法的峰值相对误差比较
86Hz 97Hz 105Hz 119Hz
原方法 19.48％ 19.43％ 18.56％ 16.09％
本发明方法 11.36％ 12.12％ 9.38％ 6.43％
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (4)

1.一种基于改进小波阈值去噪的参数化传递路径分析方法，其特征在于，包括如下步骤：
建立系统传递路径分析TPA模型；
测取激励信号和频响函数信号；
对所述激励信号进行小波分解；
通过阈值函数对小波分解系数进行阈值处理，得出估计小波系数；通过估计小波系数重构小波信号；
辨识载荷；
根据频响函数和载荷，计算贡献量。
2.根据权利要求1所述的基于改进小波阈值去噪的参数化传递路径分析方法，其特征在于，所述建立系统传递路径分析TPA模型具体为：对待分析的机械系统确定一种运行工况，分析机械系统的激励源位置，以及激励源至目标响应点的振动传递路径。
3.根据权利要求1所述的基于改进小波阈值去噪的参数化传递路径分析方法，其特征在于，测取激励信号和频响函数信号具体为：在系统传递路径分析TPA模型中，测取激励源处的激励信号、参考点及目标点处的响应信号；拆除激励源部分，测取传递路径起始点至目标点和参考点的频响函数。
4.根据权利要求1所述的基于改进小波阈值去噪的参数化传递路径分析方法，其特征在于，所述阈值函数为：
其中：为估计小波系数，
e为自然数，
n为调节因子，正整数；
λj为估计小波阈值，
j为小波分解尺度，即为小波分解层数，j为正整数；
Nj为第j层小波分解系数的长度；
σj为第j层所含噪声的标准差，σj＝median(|ωj,k|)/0.6745；
ωj,k为第j层的第k个小波系数，k为正整数。
CN201811154089.1A 2018-09-30 2018-09-30 一种基于改进小波阈值去噪的参数化传递路径分析方法 Active CN109359567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811154089.1A CN109359567B (zh) 2018-09-30 2018-09-30 一种基于改进小波阈值去噪的参数化传递路径分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811154089.1A CN109359567B (zh) 2018-09-30 2018-09-30 一种基于改进小波阈值去噪的参数化传递路径分析方法

Publications (2)

Publication Number Publication Date
CN109359567A true CN109359567A (zh) 2019-02-19
CN109359567B CN109359567B (zh) 2021-08-03

Family

ID=65348459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811154089.1A Active CN109359567B (zh) 2018-09-30 2018-09-30 一种基于改进小波阈值去噪的参数化传递路径分析方法

Country Status (1)

Country Link
CN (1) CN109359567B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220708A (zh) * 2019-04-24 2019-09-10 邯郸钢铁集团有限责任公司 一种基于改进小波算法的轴承信号降噪方法
CN110220697A (zh) * 2019-04-25 2019-09-10 重庆青山工业有限责任公司 一种汽车变速箱传递路径贡献量测试系统
CN112149284A (zh) * 2020-08-31 2020-12-29 江苏大学 一种基于降噪的传递路径分析方法及系统
CN112432702A (zh) * 2020-11-09 2021-03-02 大连理工大学 一种基于离心泵振动传递路径重合的振动源识别方法
CN113238190A (zh) * 2021-04-12 2021-08-10 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113556169A (zh) * 2021-06-04 2021-10-26 广州市自来水有限公司 一种小波阈值去噪方法及基于所述方法的光时域反射仪
CN116805125A (zh) * 2023-08-23 2023-09-26 德电北斗电动汽车有限公司 一种高速变速器的性能参数优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105222886A (zh) * 2015-08-31 2016-01-06 华南理工大学 一种改进的提高精度的工况传递路径分析的方法
CN106646406A (zh) * 2016-12-08 2017-05-10 南京理工大学 基于改进小波阈值去噪的外弹道测速雷达功率谱检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105222886A (zh) * 2015-08-31 2016-01-06 华南理工大学 一种改进的提高精度的工况传递路径分析的方法
CN106646406A (zh) * 2016-12-08 2017-05-10 南京理工大学 基于改进小波阈值去噪的外弹道测速雷达功率谱检测方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110220708A (zh) * 2019-04-24 2019-09-10 邯郸钢铁集团有限责任公司 一种基于改进小波算法的轴承信号降噪方法
CN110220697A (zh) * 2019-04-25 2019-09-10 重庆青山工业有限责任公司 一种汽车变速箱传递路径贡献量测试系统
CN110220697B (zh) * 2019-04-25 2023-10-24 重庆青山工业有限责任公司 一种汽车变速箱传递路径贡献量测试系统
CN112149284A (zh) * 2020-08-31 2020-12-29 江苏大学 一种基于降噪的传递路径分析方法及系统
CN112149284B (zh) * 2020-08-31 2024-05-14 江苏大学 一种基于降噪的传递路径分析方法及系统
CN112432702A (zh) * 2020-11-09 2021-03-02 大连理工大学 一种基于离心泵振动传递路径重合的振动源识别方法
CN112432702B (zh) * 2020-11-09 2021-10-15 大连理工大学 一种基于离心泵振动传递路径重合的振动源识别方法
CN113238190A (zh) * 2021-04-12 2021-08-10 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113238190B (zh) * 2021-04-12 2023-07-21 大连海事大学 一种基于emd联合小波阈值的探地雷达回波信号去噪方法
CN113556169A (zh) * 2021-06-04 2021-10-26 广州市自来水有限公司 一种小波阈值去噪方法及基于所述方法的光时域反射仪
CN116805125A (zh) * 2023-08-23 2023-09-26 德电北斗电动汽车有限公司 一种高速变速器的性能参数优化方法
CN116805125B (zh) * 2023-08-23 2023-10-31 德电北斗电动汽车有限公司 一种高速变速器的性能参数优化方法

Also Published As

Publication number Publication date
CN109359567B (zh) 2021-08-03

Similar Documents

Publication Publication Date Title
CN109359567A (zh) 一种基于改进小波阈值去噪的参数化传递路径分析方法
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN107247259B (zh) 基于神经网络的k分布海杂波形状参数估计方法
CN113642484B (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN113532829A (zh) 基于改进的rcmde往复压缩机故障诊断方法
CN104112072A (zh) 基于小波阈值去噪的主成分分析的工作模态参数识别方法
CN112163536B (zh) 基于粒子群算法改进的小波阈值函数去噪方法
CN114124038A (zh) 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法
CN101900789A (zh) 基于小波变换与分形维数的容差模拟电路故障诊断方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
Li et al. An improved AIC onset-time picking method based on regression convolutional neural network
CN110716532A (zh) 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法
CN114218778A (zh) 一种用于声爆试验数据的分析方法及装置
CN113203464A (zh) 一种动态车载称重系统的传感器故障检测方法
CN110263762B (zh) 一种基于输出的半潜式海洋平台能量传递路径分析方法
CN112149284B (zh) 一种基于降噪的传递路径分析方法及系统
CN107064893A (zh) 基于对数矩的广义帕累托分布参数估计方法
CN110222386A (zh) 一种行星齿轮退化状态识别方法
CN111256905B (zh) 一种噪声环境下多维力传感器的解耦方法
CN116561541A (zh) 随机动载荷识别模型、模型的训练方法以及识别方法
CN102830430B (zh) 一种层位速度建模方法
CN117309377A (zh) 一种齿轮箱变转速复合故障诊断方法
CN112183260A (zh) 一种基于总变差降噪与rqa的单向阀故障诊断方法
CN108334822B (zh) 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法
Qi et al. A new deep fusion network for automatic mechanical fault feature learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant