CN111487063B - 一种参数自适应的内燃机噪声源分离方法 - Google Patents

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U_IMF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

一种参数自适应的内燃机噪声源分离方法

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U_IMF；通过计算初始噪声分解分量U_IMF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U_IMF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U_IMF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U_IMF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；

2)基于重构向量，构造从

到

的距离矩阵

3)基于模糊函数

计算距离矩阵

的相似矩阵

其中n和r分别表示模糊函数

的相似容限和高斯函数阶数；

4)估计经验概率密度函数P_fd，假设直方图分析后获得的频数分布为

其中M是直方图的柱数，其经验密度函数为：

5)计算噪声分解分量U_IMF模糊分布熵FuzzDistEn：

6)计算噪声分解分量U_IMF和噪声信号U的互信息：

p(U_IMF)、p(U)分别表示U_IMF和U的边缘概率分布，,p(U_IMF,U)表示U_IMF和U的联合概率分布；

7)基于步骤5)6)计算噪声分解分量U_IMF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U_IMF。通过计算初始噪声分解分量U_IMF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U_IMF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U_IMF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。

2)基于重构向量，构造从

到

的距离矩阵

3)基于模糊函数

计算距离矩阵

的相似矩阵

其中n和r分别表示模糊函数

的相似容限和高斯函数阶数。

4)估计经验概率密度函数P_fd，假设直方图分析后获得的频数分布为

其中M是直方图的柱数，其经验密度函数为：

5)计算噪声分解分量U_IMF模糊分布熵FuzzDistEn：

6)计算噪声分解分量U_IMF和噪声信号U的互信息：

p(U_IMF)、p(U)分别表示U_IMF和U的边缘概率分布，,p(U_IMF,U)表示U_IMF和U的联合概率分布。

7)基于步骤5)6)计算噪声分解分量U_IMF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 (1)

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U_IMF；通过计算初始噪声分解分量U_IMF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；噪声分解分量U_IMF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U_IMF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；

2)基于重构向量，构造从

到

的距离矩阵

3)基于模糊函数

计算距离矩阵

的相似矩阵

其中n和r分别表示模糊函数

的相似容限和高斯函数阶数；

4)估计经验概率密度函数P_fd，假设直方图分析后获得的频数分布为

其中M是直方图的柱数，其经验密度函数为：

5)计算噪声分解分量U_IMF模糊分布熵FuzzDistEn：

6)计算噪声分解分量U_IMF和噪声信号U的互信息：

p(U_IMF)、p(U)分别表示U_IMF和U的边缘概率分布， p(U_IMF,U)表示U_IMF和U的联合概率分布；

7)基于步骤5)、6)计算噪声分解分量U_IMF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)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U_IMF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。

Images