CN110686899B - 一种内燃机噪声源识别方法 - Google Patents

一种内燃机噪声源识别方法 Download PDF

Info

Publication number
CN110686899B
CN110686899B CN201910895945.7A CN201910895945A CN110686899B CN 110686899 B CN110686899 B CN 110686899B CN 201910895945 A CN201910895945 A CN 201910895945A CN 110686899 B CN110686899 B CN 110686899B
Authority
CN
China
Prior art keywords
noise
internal combustion
combustion engine
decomposition
signals
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.)
Active
Application number
CN201910895945.7A
Other languages
English (en)
Other versions
CN110686899A (zh
Inventor
林杰威
周启迪
张俊红
李伟东
裘永波
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN201910895945.7A priority Critical patent/CN110686899B/zh
Publication of CN110686899A publication Critical patent/CN110686899A/zh
Application granted granted Critical
Publication of CN110686899B publication Critical patent/CN110686899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明涉及一种内燃机噪声源识别方法，步骤如下：采集内燃机标准工况和倒拖工况的整机噪声信号，测试标准工况下缸盖、活塞敲击点主推力侧、喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩的振动信号和缸压信号；对振动信号和噪声信号进行去直流、去趋势项和滤波预处理，以减少信号采集误差；对预处理的噪声信号进行改进变分模态分解IVMD，自适应获得不同频段的信号分量；采用小波变换对分解的噪声分量进行时频分析，确定各噪声分量时频、功率谱特征；根据时频分析结果和内燃机先验知识进行内燃机阶次噪声识别，并采用倒拖试验和相关性分析确认分离结果；分离内燃机的非阶次噪声源。

Description

一种内燃机噪声源识别方法
技术领域
本发明涉及一种内燃机噪声源识别方法。
背景技术
随着汽车工业的不断发展，车辆噪声对人们生活环境和身心健康影响越来越严重，内燃机作为车辆最主要的噪声源，已成为车辆噪声控制的首要目标，所以有效的降低内燃机辐射噪声对改善城市声环境具有重要意义。
在内燃机NVH控制工程中，噪声源的识别是先决条件。合理控制内燃机振动噪声，首先应该分析内燃机的主要噪声特征，即对噪声源的产生部件进行准确测试和分析。通过试验和信号处理相结合进行噪声源分离，根据内燃机工作原理和具体的结构特点，采取相应的措施对主要噪声源进行有效控制，达到降低整机噪声的目标。信号处理技术对试验环境和设备的要求比较低[1]，试验过程简单，灵活性更强，因此成为目前噪声源识别研究热点。
基于信号处理的噪声源识别方法发展很快，并在内燃机的振动噪声控制研究领域得到了广泛的应用。在柴油机噪声源分离领域常用的信号处理方法分为如下几种：模态分解法、时频分析法、相干分析法、盲源分离法。针对内燃机噪声源分离研究，一些学者[2-3]采用经验模态分解(EMD)-鲁棒性独立分量分析(Robust ICA)，聚合经验模态分解(EEMD)-ICA-小波变换(CWT)成功分离出活塞噪声、燃烧噪声，并通过相干分析验证分离结果的准确性。但EMD在信号分解过程中会出现模态混叠和端点效应的问题，对分离的噪声特征产生较大的干扰。还有一些研究者通过钎覆盖法对六缸柴油机的气缸盖进行信号采集，采用变分模态分解(VMD)-盲源分离(BSS)-小波分析(CWT)[4]相结合的方法成功的分离活塞敲击噪声和燃烧噪声。VMD[5]是一种适用于非稳态信号的自适应分解方法，它有效的解决了EMD模态混叠和端点效应的问题，但是VMD进行信号处理前需要预设参数，如果参数选择不准确会使信号分解产生干扰信息，导致特征提取错误。VMD进行信号处理时需要预定义2个重要参数(模态数K、惩罚因子a)，K影响信号分解的模态数目，不准确的K值会产生过分解或欠分解问题，a影响分解分量的带宽,不合适的a值会造成分解出现能量泄露或重叠现象。因此需要对VMD进行自适应优化，降低因参数选择盲目性造成对信号分解干扰。
针对智能优化算法，粒子群算法(PSO)收敛速度快，但是粒子群的随机初始化会对算法的寻优结果产生很大的影响，容易陷入局部最优。利用模拟退火算法(SA)概率突跳的性质来优化粒子群算法，可解决PSO局部最优的问题。因此本专利拟采用模拟退火算法和粒子群算法(SAPSO)相结合进行VMD参数寻优，解决了传统VMD分解过程自适应问题，从而保证分解IMF的精度。
基于上述阐述可知：针对目前采用信号处理技术进行噪声源识别，分离的噪声源一般为燃烧噪声和活塞敲击噪声的阶次噪声源，识别效率较低，但是对非阶次噪声源分离效果较差。因此，在噪声源识别中需要提出一种更系统、客观的方法来提高识别的精度和效率，为噪声控制提供更为精确有效的指导。
参考文献
[1]Zhang J,Zhou Q,Lin J,et al.A Fuzzy-Based Analytic HierarchyProcess for Mechanical Noise Source Identification of a Diesel Engine[J].Shock and Vibration,2019,2019.
[2]张俊红,李林洁,刘海,et al.基于经验模态分解和独立成分分析的柴油机噪声源识别技术[J].内燃机学报,2012(6):544-549.
[3]Bi F R,Li L,Zhang J,et al.Source identification of gasoline enginenoise based on continuous wavelet transform and EEMD–RobustICA[J].AppliedAcoustics,2015,100:34-42.
[4]姚家驰,向阳,李胜杨,et al.基于VMD-ICA-CWT的内燃机噪声源识别方法[J].华中科技大学学报：自然科学版,2016(7):20-24.
[5]Dragomiretskiy K,Zosso D.Variational Mode DecompositionV[J].IEEETransactions on Signal Processing,2014,62(3):531-544.
发明内容
本发明的目的是提供一种具有较高精度的内燃机噪声源识别方法，技术方案如下：
一种内燃机噪声源识别方法，步骤如下：
(1)采集内燃机标准工况和倒拖工况的整机噪声信号，测试标准工况下缸盖、活塞敲击点主推力侧、喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩的振动信号和缸压信号；
(2)对振动信号和噪声信号进行去直流、去趋势项和滤波预处理，以减少信号采集误差；
(3)对预处理的噪声信号进行改进变分模态分解IVMD，自适应获得不同频段的信号分量，即采用模拟退火改进粒子群算法进行VMD优化，方法如下：
(a)初始化算法参数：粒子种群数Sizepop＝100，最大迭代次数Mxiter＝50，认知学习因子C1＝1.495，社会学习因子C2＝1.495，模态数K＝[3；4；5；6；7；8；9；10]，惩罚因子a＝[50,4000]的随机数，粒子飞行的最大速度Vmax＝2，最小速度Vmin＝-2；
(b)基于VMD算法对内燃机顶部噪声信号进行分解，以模态数K和惩罚因子a作为优化变量，以最小幅值谱熵平均值Min(
Figure GDA0002814160940000032
)作为适应度函数，计算第一次迭代初始参量的适应度值，并找到初始个体和全局最优模态数Gbest_K和Zbest_K，初始个体和全局最优惩罚因子Gbest_a和Zbest_a，适应度函数幅值谱熵计算如下：
Figure GDA0002814160940000031
其中X为噪声分解分量序列，pi为信号的概率分布，N是输入信号长度，Hs是幅值谱熵；
(c)对个体最优Gbest进行模拟退火临域搜索，不断更新迭代数Mxiter、模态数K、惩罚因子a和粒子飞行速度V，并基于Metropolis准则判断更新解的可行性；
(d)基于上述步骤(c)的更新参数，采用VMD处理噪声信号，计算适应度函数，更新全局最优参数Zbest_K和Zbest_a；
(e)重复执行上述(b)(c)(d)步骤，判断是否达到最大迭代次数，完成最大迭代次数循环计算，并输出最优模态数K和惩罚因子a；
(f)将上述步骤获得的最优参数K和a输入VMD算法，进行内燃机噪声自适应分解，检测分解分量是否存在欠分解和过分解问题，如果分解存在欠分解或过分解，调整步骤(a)中初始模态数K，使之在合适的范围，再循环按照上述步骤进行VMD参数寻优；
(4)采用小波变换对步骤(3)分解的噪声分量进行时频分析，确定各噪声分量时频、功率谱特征；
(5)基于步骤(4)时频分析结果和内燃机先验知识进行内燃机阶次噪声识别，并采用倒拖试验和相关性分析确认分离结果；
(6)将包括喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩在内主要噪声源的振动信号和噪声信号进行偏相干分析，提取各主要噪声源特有频率特征；将提取的频谱特征和步骤(4)噪声分量中非阶次时频特征进行对比，分离内燃机的非阶次噪声源。
附图说明
图1基于SAPSO-VMD-PCA的噪声源识别方法
图2内燃机噪声测试点位置
具体实施方式
本发明通过测试内燃机振动、噪声数据，采用改进变分模态算法(IVMD)-偏相干分析(PCA)-小波变换(CWT)进行噪声源分离。具体分析过程如图1，执行步骤如下：
(1)柴油机振动噪声信号的采集
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。进行整机振动噪声测试，噪声测试点位置如图2，采样频率为20480Hz，噪声试验在半消音室中进行，消音室尺寸为11.2m(L)×9.5m(W)×6.0m(H)，截止频率为100Hz，本底噪声25dB。主要测量设备AVL内燃机测试系统，LMS Test.lab 32位声学振动测试系统，BSWA的声学麦克风，PCB的加速度传感器。具体测试方案如下：
1)针对某款内燃机分别测试标况(2000r/min)和倒拖工况(2000r/min)的整机5点噪声信号。
2)测试标况(2000r/min)缸盖、气缸体主推力侧、喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩的振动信号。
3)测试标况(2000r/min)的缸压信号。
(2)基于SAPSO-VMD噪声信号自适应分解
对步骤(1)采集的内燃机噪声信号进行去趋势和滤波处理(基于内燃机噪声频段分布和人的听力范围，保留20Hz-5000Hz)，剔除干扰噪声影响。以过分解模态数K作为约束条件，以分解IMF幅值谱熵平均值的最小值作为目标函数，基于模拟退火算法和粒子群算法对VMD预设定参数(模态数K，惩罚因子a)进行寻优，以获得最优参数K和a。将寻优获得的K和a参数输入到VMD程序，对内燃机顶部噪声信号进行分解，获得不同本征模函数(IMF)。目标函数幅值谱熵计算如下：
Figure GDA0002814160940000051
其中X为噪声分解分量序列，pi为信号的概率分布，N是输入信号长度，Hs是幅值谱熵。
(3)基于小波变换的IMF时-频分析
步骤(2)可获得噪声的分解分量-本征模函数(IMF)，由于IMF是时域信息，无法获得频域特征，本专利采用小波变换(CWT)获得IMF的时-频特征。基于时-频分析结果可初步预判内燃机的阶次噪声源(活塞敲击噪声、燃烧噪声)，再根据内燃机先验知识(六缸机的发火顺序为1-5-3-6-2-4)、缸压-噪声的相干性、机体主推力侧振动-噪声相干性、倒拖试验结果进一步判断分离的燃烧噪声和活塞敲击噪声源。
(4)主要噪声源的偏相干分析
偏相干分析适用于具有相关关系的多输入-单输出模型，它可以剔除其它输入源的干扰，将内燃机关键零部件的振动信号和采集噪声信号进行偏相干分析，可获得单一噪声源特有的噪声特征，为非阶次噪声源的分离提供有效途径。偏相干分析的具体计算过程如下：
a)对输入振动信号X(t)和输出噪声信号Y(t)进行傅里叶变换，X(t),Y(t)→X(f),Y(f)；
b)计算输入和输出信号的自功率谱和互功率谱Sxx，Syy，Sxy；
Figure GDA0002814160940000052
Figure GDA0002814160940000053
Figure GDA0002814160940000054
式中：Sxx，Syy，Sxy分别为输入自谱，输出自谱、输入和输出的互谱，E是FFT变换的长度，
Figure GDA0002814160940000055
是Xi(f)，Yi(f)的共轭复数。
c)计算条件传递函数Lij，条件自功率谱Sjj·r！，条件互功率谱Sij·r！；
Figure GDA0002814160940000061
Sij·r！＝Sij·(r-1)！-LrjSir·(r-1)！ (6)
式中：Lij是条件传递函数，Sij·r！代表两信号Si和Sj在剔除r序列之后的条件互谱，同理，当i＝j时，Siir！代表条件自谱。
d)计算偏相干函数
Figure GDA0002814160940000062
和输入偏相干功率谱Syxi'；
Figure GDA0002814160940000063
Figure GDA0002814160940000064
式中：
Figure GDA0002814160940000065
表示偏相干函数，Syxi'是输入偏相干值。
步骤(2)(3)采用SAPSO-VMD-CWT可分离出内燃机阶次噪声源-燃烧噪声、活塞敲击噪声，但非阶次噪声源无法分离。步骤(4)将内燃机主要噪声源(喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩)的振动和整机噪声进行偏相干分析，提取上述噪声源特有频率特征，将结果和步骤(2)(3)中非阶次分量频率特征进行对比，初步预判出IMF分量中的非阶次噪声源。最后对预判噪声源进行钎覆盖处理，如果该频段的噪声被大幅衰减，即可验证该噪声源分离结果的准确性。

Claims (1)

1.一种内燃机噪声源识别方法，步骤如下：
(1)采集内燃机标准工况和倒拖工况的整机噪声信号，测试标准工况下缸盖、活塞敲击点主推力侧、喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩的振动信号和缸压信号；
(2)对振动信号和噪声信号进行去直流、去趋势项和滤波预处理，以减少信号采集误差；
(3)对预处理的噪声信号进行改进变分模态分解IVMD，自适应获得不同频段的信号分量，即采用模拟退火改进粒子群算法进行VMD优化，方法如下：
(a)初始化算法参数：粒子种群数Sizepop＝100，最大迭代次数Mxiter＝50，认知学习因子C1＝1.495，社会学习因子C2＝1.495，模态数K＝[3；4；5；6；7；8；9；10]，惩罚因子a＝[50,4000]的随机数，粒子飞行的最大速度Vmax＝2，最小速度Vmin＝-2；
(b)基于VMD算法对内燃机顶部噪声信号进行分解，以模态数K和惩罚因子a作为优化变量，以最小幅值谱熵平均值
Figure FDA0002814160930000012
作为适应度函数，计算第一次迭代初始参量的适应度值，并找到初始个体和全局最优模态数Gbest_K和Zbest_K，初始个体和全局最优惩罚因子Gbest_a和Zbest_a，适应度函数幅值谱熵计算如下：
Figure FDA0002814160930000011
其中X为噪声分解分量序列，pi为信号的概率分布，N是输入信号长度，Hs是幅值谱熵；
(c)对个体最优Gbest进行模拟退火临域搜索，不断更新迭代数Mxiter、模态数K、惩罚因子a和粒子飞行速度V，并基于Metropolis准则判断更新解的可行性；
(d)基于上述步骤(c)的更新参数，采用VMD处理噪声信号，计算适应度函数，更新全局最优参数Zbest_K和Zbest_a；
(e)重复执行上述(b)(c)(d)步骤，判断是否达到最大迭代次数，完成最大迭代次数循环计算，并输出最优模态数K和惩罚因子a；
(f)将上述步骤获得的最优参数K和a输入VMD算法，进行内燃机噪声自适应分解，检测分解分量是否存在欠分解和过分解问题，如果分解存在欠分解或过分解，调整步骤(a)中初始模态数K，使之在合适的范围，再循环按照上述步骤进行VMD参数寻优；
(4)采用小波变换对步骤(3)分解的噪声分量进行时频分析，确定各噪声分量时频、功率谱特征；
(5)基于步骤(4)时频分析结果和内燃机先验知识进行内燃机阶次噪声识别，并采用倒拖试验和相关性分析确认分离结果；
(6)将包括喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩在内主要噪声源的振动信号和噪声信号进行偏相干分析，提取各主要噪声源特有频率特征；将提取的频谱特征和步骤(4)噪声分量中非阶次时频特征进行对比，分离内燃机的非阶次噪声源。
CN201910895945.7A 2019-09-21 2019-09-21 一种内燃机噪声源识别方法 Active CN110686899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910895945.7A CN110686899B (zh) 2019-09-21 2019-09-21 一种内燃机噪声源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910895945.7A CN110686899B (zh) 2019-09-21 2019-09-21 一种内燃机噪声源识别方法

Publications (2)

Publication Number Publication Date
CN110686899A CN110686899A (zh) 2020-01-14
CN110686899B true CN110686899B (zh) 2021-01-29

Family

ID=69109716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910895945.7A Active CN110686899B (zh) 2019-09-21 2019-09-21 一种内燃机噪声源识别方法

Country Status (1)

Country Link
CN (1) CN110686899B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111487063B (zh) * 2020-03-20 2021-05-14 天津大学 一种参数自适应的内燃机噪声源分离方法
CN112729528B (zh) * 2020-12-07 2022-09-23 潍柴动力股份有限公司 一种噪声源识别方法、装置及设备
CN112989745A (zh) * 2021-02-20 2021-06-18 南京工程学院 一种pcb电子元器件优化布置的热设计方法
CN113112075B (zh) * 2021-04-14 2022-04-05 哈尔滨工程大学 一种基于vmd和narx的内燃机噪声预测方法
CN113218495B (zh) * 2021-04-30 2022-06-21 马勒汽车技术（中国）有限公司 发动机的活塞噪声的测试方法及装置
CN113689038B (zh) * 2021-08-24 2023-05-26 西北工业大学 一种基于多传感器模糊评估的发动机气缸故障预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031063A (ja) * 2007-07-25 2009-02-12 Fuji Heavy Ind Ltd 異音発生タイミング特定方法及び異音発生タイミング特定装置
CN102016535A (zh) * 2008-04-29 2011-04-13 西门子公司 用于对产生噪声的待检机器进行状态识别的方法及装置
JP2015158202A (ja) * 2014-02-24 2015-09-03 ドクター エンジニール ハー ツェー エフ ポルシェ アクチエンゲゼルシャフトＤｒ． Ｉｎｇ． ｈ．ｃ．Ｆ． Ｐｏｒｓｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 内燃機関の燃焼ノッキングを認識するための方法
CN106525435A (zh) * 2016-10-25 2017-03-22 天津大学 一种发动机噪声源识别方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN108830128A (zh) * 2018-03-28 2018-11-16 中南大学 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法
CN108875170A (zh) * 2018-06-05 2018-11-23 天津大学 一种基于改进变分模态分解的噪声源识别方法
CN109211570A (zh) * 2018-11-12 2019-01-15 吉林大学 一种电驱动动力总成系统噪声源分离识别方法
CN110069886A (zh) * 2019-05-05 2019-07-30 四川大学 基于vmd和cnn的电缆早期故障识别与分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009031063A (ja) * 2007-07-25 2009-02-12 Fuji Heavy Ind Ltd 異音発生タイミング特定方法及び異音発生タイミング特定装置
CN102016535A (zh) * 2008-04-29 2011-04-13 西门子公司 用于对产生噪声的待检机器进行状态识别的方法及装置
JP2015158202A (ja) * 2014-02-24 2015-09-03 ドクター エンジニール ハー ツェー エフ ポルシェ アクチエンゲゼルシャフトＤｒ． Ｉｎｇ． ｈ．ｃ．Ｆ． Ｐｏｒｓｃｈｅ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 内燃機関の燃焼ノッキングを認識するための方法
CN106525435A (zh) * 2016-10-25 2017-03-22 天津大学 一种发动机噪声源识别方法
CN108830128A (zh) * 2018-03-28 2018-11-16 中南大学 基于类噪声信号vmd分解的电力系统低频振荡模态辨识方法
CN108520134A (zh) * 2018-03-30 2018-09-11 天津大学 一种发动机噪声源权重分析方法
CN108875170A (zh) * 2018-06-05 2018-11-23 天津大学 一种基于改进变分模态分解的噪声源识别方法
CN109211570A (zh) * 2018-11-12 2019-01-15 吉林大学 一种电驱动动力总成系统噪声源分离识别方法
CN110069886A (zh) * 2019-05-05 2019-07-30 四川大学 基于vmd和cnn的电缆早期故障识别与分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Noise source identification of diesel engine based on variational mode decomposition and robust independent component analysis;Jiachi Yao 等;《Applied Acoustics》;20160928;第116卷;第184-194页 *
Novel Particle Swarm Optimization-Based Variational Mode Decomposition Method for the Fault Diagnosis of Complex Rotating Machinery;Xian-Bo Wang 等;《IEEE/ASME Transactions on Mechatronics》;20171227;第23卷(第1期);第68-79页 *
基于VMD-ICA-CWT的内燃机噪声源识别方法;姚家驰 等;《华中科技大学学报(自然科学版)》;20160715;第44卷(第7期);第20-24页 *
基于VMD-RobustICA的车用起动电机噪声源识别;龚承启;《机械工程与自动化》;20171117(第6期);第7、8、11页 *

Also Published As

Publication number Publication date
CN110686899A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN110686899B (zh) 一种内燃机噪声源识别方法
Wang et al. An intelligent approach for engine fault diagnosis based on Hilbert–Huang transform and support vector machine
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
CN112257521B (zh) 基于数据增强和时频分离的cnn水声信号目标识别方法
CN111879397B (zh) 高压断路器储能机构故障诊断方法
CN108520134A (zh) 一种发动机噪声源权重分析方法
CN107799114A (zh) 一种猪只咳嗽声音识别方法及系统
CN108875170B (zh) 一种基于改进变分模态分解的噪声源识别方法
CN112378660A (zh) 一种基于数据驱动的航空发动机轴承智能故障诊断方法
CN108567418A (zh) 一种基于PCANet的脉搏信号亚健康检测方法及检测系统
CN111985383A (zh) 基于改进变分模态分解的瞬变电磁信号噪声分离识别方法
Ofner et al. Knock detection in combustion engine time series using a theory-guided 1-D convolutional neural network approach
CN111487063B (zh) 一种参数自适应的内燃机噪声源分离方法
CN110796165A (zh) 一种变分模态分解参数优化的仿真方法
CN105893673A (zh) 一种基于振动加速度特征点辨识燃烧特征参数的方法
CN117473414A (zh) 一种基于少噪声时频图像的轴承故障位置识别方法
CN111025100A (zh) 变压器特高频局部放电信号模式识别方法与装置
CN106057211A (zh) 一种信号匹配方法及装置
CN115862639A (zh) 一种基于k—均值聚类分析的人工智能语音分析方法
CN115083395A (zh) 基于卷积神经网络与支持向量机的发动机声音检测系统
Khajavi et al. Combined fault detection and classification of internal combustion engine using neural network
Nasim et al. Intelligent Sound-Based Early Fault Detection System for Vehicles.
Shang et al. Varying speed bearing fault diagnosis based on synchroextracting transform and deep residual network
CN112200228A (zh) 一种基于二维卷积神经网络的癫痫发作状态识别方法
CN111624585A (zh) 一种基于卷积神经网络的水下目标被动检测方法

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