CN111487063A - 一种参数自适应的内燃机噪声源分离方法 - Google Patents
一种参数自适应的内燃机噪声源分离方法 Download PDFInfo
- Publication number
- CN111487063A CN111487063A CN202010203241.1A CN202010203241A CN111487063A CN 111487063 A CN111487063 A CN 111487063A CN 202010203241 A CN202010203241 A CN 202010203241A CN 111487063 A CN111487063 A CN 111487063A
- Authority
- CN
- China
- Prior art keywords
- noise
- decomposition
- imf
- component
- internal combustion
- 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
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
- G01M15/04—Testing internal-combustion engines
- G01M15/042—Testing internal-combustion engines by monitoring a single specific parameter not covered by groups G01M15/06 - G01M15/12
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种参数自适应的内燃机噪声源分离方法,步骤如下:采集内燃机额定工况和倒拖工况的噪声信号;对噪声信号进行去直流、去趋势项和滤波预处理;对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解;采用小波变换对噪声分解分量UIMF进行时频分析,确定各分量的噪声分量时频、功率谱特征;(5)基于时频分析结果,倒拖试验频谱结果和内燃机先验知识进行内燃机燃烧噪声和活塞敲击噪声识别分离,并通过相干分析进行其他噪声源分离。
Description
技术领域
本发明涉及内燃机NVH和故障诊断领域,具体涉及一种基于加权模糊分布熵的内燃机噪声源特征提取方法。
背景技术
内燃机作为结构复杂的动力系统,其噪声源具有非线性、非稳态特征,因此有效的进行噪声源特征提取和分离难度较大。目前研究中,基于信号处理算法在一定程度可以识别噪声源,但是仍然存在一些缺陷,因此,提出高效精确的信号特征提取方法在NVH领域和故障诊断领域具有重要意义。
2014年Dragomireskiy[1]等人提出变分模态分解(Variational ModeDecomposition,VMD),该方法相对于其它信号分解方法分解效率更高,数学基础更坚实,因此被广泛应用到各个领域。但是VMD分解过程中需要提前设定算法的参数,不合适的参数设置会导致信号分解精度降低,同时自适应较差。目前一些学者针对VMD提出了一些自适应分解方法,文献[2]仅优化了参数K,忽略另一个重要参量惩罚因子a的影响。文献[3]分别优化了分解数目K和惩罚因子a,但是忽略了K和a的耦合影响,可能无法获得最优参数组合。文献[4]以包络熵为适应度函数同时优化了K和a,但是该方法经过模拟信号验证可移植性不强,同时没有考虑信号分解分量和原始信号的相关性。
基于上述分析,需要提出一种泛化能力更强的自适应分离方法进行噪声源特征提取,为噪声控制奠定基础。
参考文献
[1]Dragomiretskiy K,Zosso D.Variational Mode DecompositionV[J].IEEETransactions on Signal Processing,2014,62(3):531-544.
[2]Lian J,Liu Z,Wang H,et al.Adaptive variational mode decompositionmethod for signal processing based on mode characteristic[J].MechanicalSystems and Signal Processing,2018,107:53-77.
[3]Shi P,Yang W.Precise Feature Extraction from Wind TurbineCondition Monitoring Signals by using Optimized Variational ModeDecomposition[J].IET Renewable Power Generation,2016.
[4]Yan X,Jia M,Xiang L.Compound fault diagnosis of rotating machinerybased on OVMD and a 1.5-dimension envelope spectrum[J].Measurement Scienceand Technology,2016,27(7):075002.
发明内容
本发明目的是克服目前噪声源分离技术成本高,分离精度低和信号处理优化算法移植差的问题,提供一种参数自适应的内燃机噪声源分离方法,技术方案如下:
一种参数自适应的内燃机噪声源分离方法,步骤如下:
(1)采集内燃机额定工况和倒拖工况的噪声信号,测试额定工况下缸盖、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,获得经过预处理的噪声信号U={μ(1),μ(2),μ(3),…μ(N)};
(3)对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解,方法如下:
(a)设置粒子群算法PSO预设参数:最大迭代次数为maxg=40,粒子数目sizepop=40,粒子飞行速度V=[-2,2],VMD分解分量K∈[5,8],惩罚因子a∈[50,3000],学习因子C1=1.495,C2=1.495;
(b)以噪声分解分量的加权模糊分布熵平均值为适应度函数,以VMD分解数目K和惩罚因子a为优化变量,对噪声信号U={μ(1),μ(2),μ(3),…μ(N)}进行VMD分解,获得初始噪声分解分量UIMF;通过计算初始噪声分解分量UIMF平均加权模糊分布熵的最小值,获得局部最优分解数目Gbest_K和局部最优惩罚因子Gbest_a;
(c)不断更新分解分解数目K和惩罚因子a,计算适应度函数值;当达到最大迭代次数时,输出VMD全局最优解Zbest_K和Zbest_a;
(d)基于优化VMD结果进行噪声信号分解,检测是否存在欠分解和过分解问题;
(4)基于步骤(3)获得的最优VMD分解参数,采用小波变换对噪声分解分量UIMF进行时频分析,确定各分量的噪声分量时频、功率谱特征;
(5)基于步骤(4)时频分析结果,倒拖试验频谱结果和内燃机先验知识进行内燃机燃烧噪声和活塞敲击噪声识别分离,并通过相干分析进行其他噪声源分离。
优选地,噪声分解分量UIMF的加权模糊分布熵计算如下:
1)重构状态空间向量,利用噪声分解分量UIMF重构L-m+1个m维向量X(i):
X(i)={μ(i),μ(i+1)...μ(i+m-1)}-μ0(i),i=1,2...L-m+1 (1)
其中m是嵌入维数,L是噪声信号长度,μ0(i)是噪声序列均值;
5)计算噪声分解分量UIMF模糊分布熵FuzzDistEn:
6)计算噪声分解分量UIMF和噪声信号U的互信息:
p(UIMF)、p(U)分别表示UIMF和U的边缘概率分布,,p(UIMF,U)表示UIMF和U的联合概率分布;
7)基于步骤5)6)计算噪声分解分量UIMF的平均加权模糊分布熵,N是噪声分解分量数目:
与现有技术相比,本发明的技术方案所带来的有益效果是:
(1)建立适应度函数时考虑分解信号和原始信号的相关性,提升适应度函数的可信度和实用性。
(2)基于加权模糊分布熵作为适应度函数进行VMD优化,该方法在工程领域应用具有很好移植性。
附图说明
图1是参数自适应的内燃机噪声源分离流程
图2是内燃机噪声测试点位置
具体实施方式
基于互信息理论考虑分解信号和原始信号的相关性,以加权模糊分布熵作为优化VMD适应度函数,粒子群算法PSO作为智能寻优算法,进行噪声信号自适应分解,最终可有效分离内燃机噪声源,该方法引入到工程领域具有很好的移植性。具体分析过程如图1,执行步骤如下:
(1)内燃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,麦克风分别布在内燃机上、左、右、前、后测,采样频率为20480Hz,噪声试验在半消音室中进行,本底噪声18dB。具体测试方案如下:
1)针对某款内燃机分别测试额定工况1900r/min和倒拖工况1900r/min的整机5点噪声信号。
2)测试额定工况1900r/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)测试额定工况1900r/min的缸压信号。
(2)噪声信号预处理
步骤(1)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,利用带通滤波器(20-5000Hz)滤掉干扰信号影响,保留内燃机主要噪声频段。
(3)基于加权模糊分布熵的噪声信号自适应分解
预设分解数目K和惩罚因子a作为优化变量,以加权模糊分布熵作为适应度函数,采用粒子群算法PSO进行VMD参数寻优。基于加权模糊分布熵的噪声信号自适应分解具体步骤如下:
(a)设置粒子群算法PSO预设参数:最大迭代次数为maxg=40,粒子数目sizepop=40,粒子飞行速度V=[-2,2],VMD分解分量K∈[5,8],惩罚因子a∈[50,3000],学习因子C1=1.495,C2=1.495。
(b)基于步骤(a)初始粒子群算法PSO参数设置,以噪声分解分量的加权模糊分布熵平均值为适应度函数,以VMD分解数目K和惩罚因子a为优化变量,对噪声信号U={μ(1),μ(2),μ(3),…μ(N)}进行VMD分解,可获得初始噪声分解分量UIMF。通过计算初始噪声分解分量UIMF平均加权模糊分布熵的最小值,可获得局部最优分解数目Gbest_K和局部最优惩罚因子Gbest_a。噪声分解分量UIMF的加权模糊分布熵计算如下:
1)重构状态空间向量,利用噪声分解分量UIMF重构L-m+1个m维向量X(i):
X(i)={μ(i),μ(i+1)...μ(i+m-1)}-μ0(i),i=1,2...L-m+1 (1)
其中m是嵌入维数,L是噪声信号长度,μ0(i)是噪声序列均值。
5)计算噪声分解分量UIMF模糊分布熵FuzzDistEn:
6)计算噪声分解分量UIMF和噪声信号U的互信息:
p(UIMF)、p(U)分别表示UIMF和U的边缘概率分布,,p(UIMF,U)表示UIMF和U的联合概率分布。
7)基于步骤5)6)计算噪声分解分量UIMF的平均加权模糊分布熵,N是噪声分解分量数目:
(c)不断更新分解分解数目K和惩罚因子a,计算适应度函数值。当达到最大迭代次数时,输出VMD全局最优解Zbest_K和Zbest_a。
(d)基于优化VMD结果进行噪声信号分解,检测是否存在欠分解和过分解问题。
(4)噪声分解分量的时频特征提取
基于步骤(3)分解结果,采用小波变换提取分解分量的时频特征,分析该信号分量的主要噪声频段以及出现的时刻等信息,基于内燃机先验知识可初步判断燃烧噪声和活塞敲击噪声。
(4)内燃机噪声源分离
基于傅里叶变换分别提取额定工况1900r/min和倒拖1900r/min噪声信号特征,可进一步判断出燃烧噪声频率特征。基于气缸主推力测振动和顶部噪声的相干分析结果,可确定活塞敲击噪声特征。
分析步骤(4)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,识别其它噪声源。
Claims (2)
1.一种参数自适应的内燃机噪声源分离方法,步骤如下:
(1)采集内燃机额定工况和倒拖工况的噪声信号,测试额定工况下缸盖、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,获得经过预处理的噪声信号U={μ(1),μ(2),μ(3),…μ(N)};
(3)对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解,方法如下:
(a)设置粒子群算法PSO预设参数:最大迭代次数为maxg=40,粒子数目sizepop=40,粒子飞行速度V=[-2,2],VMD分解分量K∈[5,8],惩罚因子a∈[50,3000],学习因子C1=1.495,C2=1.495;
(b)以噪声分解分量的加权模糊分布熵平均值为适应度函数,以VMD分解数目K和惩罚因子a为优化变量,对噪声信号U={μ(1),μ(2),μ(3),…μ(N)}进行VMD分解,获得初始噪声分解分量UIMF;通过计算初始噪声分解分量UIMF平均加权模糊分布熵的最小值,获得局部最优分解数目Gbest_K和局部最优惩罚因子Gbest_a;
(c)不断更新分解分解数目K和惩罚因子a,计算适应度函数值;当达到最大迭代次数时,输出VMD全局最优解Zbest_K和Zbest_a;
(d)基于优化VMD结果进行噪声信号分解,检测是否存在欠分解和过分解问题;
(4)基于步骤(3)获得的最优VMD分解参数,采用小波变换对噪声分解分量UIMF进行时频分析,确定各分量的噪声分量时频、功率谱特征;
(5)基于步骤(4)时频分析结果,倒拖试验频谱结果和内燃机先验知识进行内燃机燃烧噪声和活塞敲击噪声识别分离,并通过相干分析进行其他噪声源分离。
2.根据权利要求1所述的方法,其特征在于,噪声分解分量UIMF的加权模糊分布熵计算如下:
1)重构状态空间向量,利用噪声分解分量UIMF重构L-m+1个m维向量X(i):
X(i)={μ(i),μ(i+1)...μ(i+m-1)}-μ0(i),i=1,2...L-m+1 (1)
其中m是嵌入维数,L是噪声信号长度,μ0(i)是噪声序列均值;
5)计算噪声分解分量UIMF模糊分布熵FuzzDistEn:
6)计算噪声分解分量UIMF和噪声信号U的互信息:
p(UIMF)、p(U)分别表示UIMF和U的边缘概率分布,,p(UIMF,U)表示UIMF和U的联合概率分布;
7)基于步骤5)6)计算噪声分解分量UIMF的平均加权模糊分布熵,N是噪声分解分量数目:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203241.1A CN111487063B (zh) | 2020-03-20 | 2020-03-20 | 一种参数自适应的内燃机噪声源分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203241.1A CN111487063B (zh) | 2020-03-20 | 2020-03-20 | 一种参数自适应的内燃机噪声源分离方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487063A true CN111487063A (zh) | 2020-08-04 |
CN111487063B CN111487063B (zh) | 2021-05-14 |
Family
ID=71794433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010203241.1A Active CN111487063B (zh) | 2020-03-20 | 2020-03-20 | 一种参数自适应的内燃机噪声源分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487063B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254970A (zh) * | 2020-09-30 | 2021-01-22 | 东风汽车集团有限公司 | 一种快速准确的燃烧噪声分离方法 |
CN112613595A (zh) * | 2020-12-25 | 2021-04-06 | 煤炭科学研究总院 | 一种基于变分模态分解的超宽带雷达回波信号预处理方法 |
CN115236209A (zh) * | 2022-07-28 | 2022-10-25 | 南京林业大学 | 一种阔叶材原木内部质量状态的测评方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674230A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
CN105807135A (zh) * | 2016-03-15 | 2016-07-27 | 东南大学 | 一种单通道传导电磁干扰噪声分离方法 |
WO2018149500A1 (en) * | 2017-02-16 | 2018-08-23 | Areva Gmbh | Method for identifying an acoustic source in a component |
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 |
CN109344751A (zh) * | 2018-09-20 | 2019-02-15 | 上海工程技术大学 | 一种车内噪声信号的重构方法 |
US10361680B2 (en) * | 2016-11-17 | 2019-07-23 | Hwashen Electronics Co., Ltd. | Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110855374A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种水声目标辐射噪声调制特征提取方法 |
-
2020
- 2020-03-20 CN CN202010203241.1A patent/CN111487063B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674230A (zh) * | 2013-11-26 | 2014-03-26 | 西安交通大学 | 基于降噪源分离的舰艇振动噪声源分离与识别方法 |
CN105807135A (zh) * | 2016-03-15 | 2016-07-27 | 东南大学 | 一种单通道传导电磁干扰噪声分离方法 |
US10361680B2 (en) * | 2016-11-17 | 2019-07-23 | Hwashen Electronics Co., Ltd. | Fuzzy entropy based noisy signal processing method and iterative singular spectrum analysis soft threshold de-noising method |
WO2018149500A1 (en) * | 2017-02-16 | 2018-08-23 | Areva Gmbh | Method for identifying an acoustic source in a component |
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 |
CN109344751A (zh) * | 2018-09-20 | 2019-02-15 | 上海工程技术大学 | 一种车内噪声信号的重构方法 |
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 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110855374A (zh) * | 2019-10-31 | 2020-02-28 | 西安交通大学 | 一种水声目标辐射噪声调制特征提取方法 |
Non-Patent Citations (3)
Title |
---|
TAO ZHANG 等: "Fuzzy distribution entropy and its application in automated seizure detection technique", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
张俊红 等: "IVMD融合RobustICA的内燃机噪声源分离", 《振动、测试与诊断》 * |
王霞: "内燃机表面辐射噪声盲源分离技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112254970A (zh) * | 2020-09-30 | 2021-01-22 | 东风汽车集团有限公司 | 一种快速准确的燃烧噪声分离方法 |
CN112613595A (zh) * | 2020-12-25 | 2021-04-06 | 煤炭科学研究总院 | 一种基于变分模态分解的超宽带雷达回波信号预处理方法 |
CN115236209A (zh) * | 2022-07-28 | 2022-10-25 | 南京林业大学 | 一种阔叶材原木内部质量状态的测评方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111487063B (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111487063B (zh) | 一种参数自适应的内燃机噪声源分离方法 | |
CN110686899B (zh) | 一种内燃机噪声源识别方法 | |
CN111412978B (zh) | 一种基于无故障振动信号的往复机械异常检测方法 | |
CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
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 | |
CN108875170A (zh) | 一种基于改进变分模态分解的噪声源识别方法 | |
CN111624570B (zh) | 基于二维卷积神经网络的雷达目标识别方法 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN112201274A (zh) | 一种基于极小化极大化的欠定盲源分离方法及系统和装置 | |
CN111881848A (zh) | 基于变分模态分解与改进粒子群的电机故障信号提取方法 | |
CN115434872A (zh) | 一种基于avmd与改进rssd的风电机组齿轮箱复合故障诊断方法 | |
Bi et al. | A variety of engine faults detection based on optimized variational mode decomposition-robust independent component analysis and fuzzy C-mean clustering | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
Zhang et al. | Fault diagnosis of rotating machinery based on time-frequency image feature extraction | |
CN108536961B (zh) | 一种船舶柴油机气阀定量检测装置 | |
Wang et al. | Shift-invariant sparse filtering for bearing weak fault signal denoising | |
CN108287074B (zh) | 一种v型机燃烧状况在线监测诊断方法 | |
Li et al. | Pattern recognition on diesel engine working condition by using a novel methodology—Hilbert spectrum entropy | |
Ren et al. | Variational mode decomposition denoising combined with the Euclidean distance for diesel engine vibration signal | |
CN113869358A (zh) | 基于循环相关熵和一维浅卷积神经网络的轴承故障诊断方法 | |
Li et al. | A signal based “W” structural elements for multi-scale mathematical morphology analysis and application to fault diagnosis of rolling bearings of wind turbines | |
Liang et al. | Overview of bearing fault diagnosis based on vibration signal | |
CN111950377A (zh) | 基于模糊软形态学图形识别的旋转机械故障智能诊断方法 | |
CN111624585A (zh) | 一种基于卷积神经网络的水下目标被动检测方法 | |
Yang et al. | Noise Source Identification of a Gasoline Engine Based on Parameters Optimized Variational Mode Decomposition and Robust Independent Component Analysis |
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 |