CN112149284B - 一种基于降噪的传递路径分析方法及系统 - Google Patents
一种基于降噪的传递路径分析方法及系统 Download PDFInfo
- Publication number
- CN112149284B CN112149284B CN202010895110.4A CN202010895110A CN112149284B CN 112149284 B CN112149284 B CN 112149284B CN 202010895110 A CN202010895110 A CN 202010895110A CN 112149284 B CN112149284 B CN 112149284B
- Authority
- CN
- China
- Prior art keywords
- response
- noise reduction
- signal
- function
- transmission 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.)
- Active
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 79
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 230000005540 biological transmission Effects 0.000 title claims abstract description 60
- 230000004044 response Effects 0.000 claims abstract description 119
- 230000005284 excitation Effects 0.000 claims abstract description 46
- 238000012546 transfer Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000005316 response function Methods 0.000 claims abstract description 27
- 239000000725 suspension Substances 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 19
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100127891 Caenorhabditis elegans let-4 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于降噪的传递路径分析方法及系统,包括以下步骤:基于激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;测量各传递路径的频率响应函数和采集工况数据;对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;确定降噪后各传递路径对响应点的贡献量以及总的贡献量,得到拟合响应;使用初始化参数u和n对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,以获取最有的降噪效果。
Description
技术领域
本发明属于车辆技术领域,尤其涉及一种基于降噪的传递路径分析方法及系统,基于新型降噪方法的传递路径分析方法,基于传递路径对车辆悬置、悬架等软连接的减震装置的参数优化,对于硬链接的装置,不可通过逆矩阵的方法进行载荷求解。
背景技术
随着汽车产业的快速发展,人们对于动力性、操纵稳定性的指标逐渐转变为乘坐舒适性等,因此车辆的NVH(噪声、振动与声振粗糙度)性能成为重要指标。然而对于整车而言,NVH问题是一个系统性的问题,激励源过大,激励源过多,振动路径与系统部件耦合严重等因素均会都会影响车辆的NVH性能。因此快速有效确定原因至关重要,更有利于后期的优化改进工作。
传递路径分析的方法应运而生,将系统简化为激励-传递路径-响应进行分析,通过传递函数以及工况数据进行分析,即可判断各条传递路径对响应点的贡献量大小,并且拟合目标点的响应数据与实测数据进行拟合,以确保实验的准确性。但是在识别载荷过程中,由于激励源主动端与被动端之间距离较短,在测量过程中掺杂各种干扰信号,这不利于后期的载荷识别工作,因此对于测得工况数据进行降噪至关重要。由于在时域与频域具有较高分辨率的原因,小波阈值降噪技术最为普遍。通过对传感器测得的振动信号进行降噪处理。现有技术对测得的信号进行小波阈值降噪过程中,通过软、硬阈值针对硬阈值函数重构信号的连续性较差,软阈值函数重构信号存在较大的误差。与此同时,对信号降噪的过程中,缺少对比数据。
发明内容
针对上述硬阈值函数重构信号的连续性较差,软阈值函数重构信号因w|-λ存在较大的误差的技术问题,本发明提出了一种基于降噪的传递路径分析方法及系统,在小波阈值降噪的基础上,通过引入经验模态分解EMD,对测得的信号进行初步降噪。之后将含高频的本征模态函数IMF进行小波阈值降噪。通过新构造的阈值函数,不仅考虑到降噪信号与原信号的信噪比和均方误差,并将求解响应与实际响应的信噪比和均方误差作为评价指标,通过快速非支配排序遗传算法NSGA-II调整设定的参数,来获取最优的阈值函数,以达到最好的降噪效果。
本发明的技术方案是:一种基于降噪的传递路径分析方法,包括以下步骤:
传递路径建模:基于激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;
数据采集:测量各传递路径的频率响应函数和采集工况数据;
信号降噪:对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
贡献量分析:确定降噪后各传递路径对响应点的贡献量以及总的贡献量,得到拟合响应;
参数优化:使用初始化参数u和n对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
上述方案中,所述传递路径建模步骤中激励源和目标响应点的数目包括每个点的自由度数目;所述传递路径包括空气传递路径和结构传递路径。
上述方案中,所述数据采集步骤中频率响应函数用于测量激励源至响应点之间的传递特性;所述工况数据用于确定激励源主动端与被动端之间的工作载荷。
上述方案中,所述信号降噪具体包括以下步骤:
步骤1:通过经验模态分解将激励源测得的时域数据x(t)分解为k个本征模态函数以及残余的趋势项,表示为:
其中,imfi(t)表示第i个本征模态函数,i的取值范围为1到k的整数;
rk(t)表示残余的趋势项;
步骤2:对步骤1分解的本征模态函数进行傅里叶变换,分析各本征模态函数的频率成分,确定降噪目标,进行小波阈值降噪处理;
步骤3:对确定为降噪目标的本征模态函数通过小波阈值函数进行降噪处理,小波阈值函数如下所示:
其中,u和n为待优化的参数,其中,n为正整数,u为介于0~1的系数;δj为估算小波阈值,j为分解层数,Nj表示第j层分解信号的长度,δj由σj获得,σj为噪声信号的标准差,通过鲁棒中值算法进行估算,w为信号的小波分解系数,w’为w经小波阈值处理后的小波系数;σj=median(|ω|)/0.645;median(|ω|)计算|ω|的中位数。
上述方案中,所述贡献量分析步骤中基于降噪后的信号进行传递路径分析,将数据采集模块步骤中所述频率响应函数以及工况数据进行如下操作:
步骤1、通过工况数据以及频率响应函数进行载荷求解:
式中,Hij(ω)表示激励源主动端i处至被动端j处的频率响应函数,i的取值范围为1到h的整数,j的取值范围为1到h的整数;
Yi(ω)表示激励源被动端i处的响应数据,i的取值范围为1到h的整数;
Fi(ω)表示激励源被动端i处载荷数据,i的取值范围为1到h的整数;
步骤2、对响应点进行贡献量分析:
式中,Fo(ω)表示激励源被动端o处载荷数据,o的取值范围为1到h的整数;
表示悬置被动端r处到目标响应点q处的频率响应函数,r的取值范围为1到p的整数,j的取值范围为1到h的整数;
表示目标点r的拟合响应,r的取值范围为1到p的整数。
上述方案中,所述参数优化中快速非支配排序遗传算法包括以下步骤:
1)首先根据n和u的取值范围进行设定,确定优化范围,根据u和n的取值初始化种群,并且产生第一代种群;
2)将第一代的种群的n和u代入小波阈值降噪函数,对工况数据进行降噪处理后进行传递路径分析,并将各自的SNR和RMSE进行优胜级别排序,选择父代;
3)通过选择、交叉、变异操作获得第二代种群,重复上述2)操作,直至满足误差或最大迭代次数条件,即可获得最优的n和u。
上述方案中,所述参数优化中最小拟合响应与实际响应的信噪比和均方根误差分别表示为:
式中,i表示第i点处,i的取值范围为1到N的整数;
表示目标点r处第i点的拟合响应,r的取值范围为1到p的整数;
Yr(i)表示目标点r处第i点的实际响应,r的取值范围为1到p的整数;
SNR表示拟合响应与实测响应的信噪比;
RMSE表示拟合响应与实测响应的均方根误差。
一种实现所述基于降噪方法的传递路径分析系统,包括传递路径建模模块、数据采集模块、信号降噪模块、贡献量分析模块和参数优化模块;
传递路径建模模块用于基于激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;
数据采集模块用于测量各传递路径的频率响应函数和采集工况数据;
信号降噪模块用于对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
贡献量分析模块用于确定降噪后各传递路径对响应点的贡献量以及总的贡献量;
参数优化模块用于使用初始化参数u和n对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
与现有技术相比,本发明的有益效果是:
本发明提出一种新型的降噪处理方法,在小波阈值降噪的基础上,引进构造的小波阈值函数,并且通过调整阈值函数中设定的参数,使得传递路径分析获得的拟合量与实际响应值有着更好的拟合度;本发明通过经验模态分解EMD对测得的信号进行初步的分解为多个本征模态函数IMF和残余的趋势项。通过傅里叶变换识别高频成分较多的本征模态函数,结合新构造的小波阈值函数对其进行降噪,解决了硬阈值降噪的重构信号连续性较差,而软阈值因为w|-λ将会导致信号存在固定的偏差;本发明将小波阈值降噪与传递路径分析方法结合,不仅仅以降噪后的工况数据作为评价指标,而且将降噪后的信号进行贡献量分析,将计算得到的拟合响应数据与实测的响应数据进行分析比较,通过对快速非支配排序遗传算法NSGA-II对小波阈值函数设定的参数u,n进行调整,使得传递路径过程中对响应点贡献拟合与实测数据误差较小。
附图说明
图1为本发明一实施方式的的结构框图。
图2为本发明一实施方式的的TPA模型示意图。
图3为本发明一实施方式的的信号降噪流程图。
图4为本发明一实施方式的的参数优化模块的快速非支配排序遗传算法NSGA-II工作原理图。
具体实施方式
为了使得本发明的具体方案更加清晰明了,以下将结合附图以及具体实施案例,对本发明进行进一步的解释说明。与此同时,以下的案例分析仅适用解释本说明,并不用于限定本说明。
如图1所示,本发明所述基于降噪方法的传递路径分析方法的系统,包括传递路径建模模块、数据采集模块、信号降噪模块、贡献量分析模块和参数优化模块。传递路径建模模块用于基于选定的激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;数据采集模块用于测量各传递路径的频率响应函数和采集工况数据;信号降噪模块用于对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;贡献量分析模块用于确定降噪后各传递路径对响应点的贡献量以及总的贡献量;参数优化模块用于使用初始化参数u和n,对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法NSGA-II对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
本发明所述一种基于降噪的传递路径分析方法,包括以下步骤:
传递路径建模:基于选定的激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;
数据采集:测量各传递路径的频率响应函数和采集工况数据;
信号降噪:对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
贡献量分析:确定降噪后各传递路径对响应点的贡献量以及总的贡献量;
参数优化:使用初始化参数u和n,设u=1,n=1,对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法NSGA-II对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
所述传递路径建模步骤中激励源和目标响应点的数目包括每个点的自由度数目;所述传递路径包括空气传递路径和结构传递路径。
所述数据采集步骤中频率响应函数用于测量激励源至响应点之间的传递特性;所述工况数据用于确定激励源主动端与被动端之间的工作载荷。
所述信号降噪具体包括以下步骤:
步骤1:通过经验模态分解将悬置被动端或载荷求解的被动端的时域数据分解为一系列本征模态函数,将激励源测得的时域数据x(t)分解为k个本征模态函数以及残余的趋势项,表示为:
其中,imfi(t)表示第i个本征模态函数,i的取值范围为1到k的整数;
rk(t)表示残余的趋势项;
步骤2:对步骤1分解的本征模态函数进行傅里叶变换,分析各本征模态函数的频率成分,确定降噪目标,由于噪声多分布在高频特性,因此将高频成分较多的本征模态定为后期的降噪目标;优选的,可以使用样本熵值进行计算排序,选取前五个模态本征函数进行小波阈值降噪处理;
步骤3:对确定为降噪目标的高频成分较多的本征模态函数通过小波阈值函数进行降噪处理,小波阈值函数如下所示:
其中,u和n为待优化的参数,其中,n暂定为1-20以内的正整数,u为介于0~1的系数;δj为估算小波阈值,j为分解层数,Nj表示第j层分解信号的长度,δj由σj获得,σj为噪声信号的标准差,通过鲁棒中值算法进行估算,w为信号的小波分解系数,w’为w经小波阈值处理后的小波系数;σj=median(|ω|)/0.645;median(|ω|)计算|ω|的中位数;
不同于传统的小波阈值函数,新构造的小波阈值函数介于硬阈值与软阈值,通过后续的优化模块使用NSGA-II对取值范围内的u和n进行寻优,以克服连续性较差以及故有偏差的问题。
所述贡献量分析步骤中基于降噪后的信号进行传递路径分析,对于待分析系统简化为“激励源-传递路径-响应”的模型,激励源与传递路径之间通过悬置或者减震设施进行连接,将数据采集模块步骤中所述频率响应函数以及工况数据进行如下操作:
步骤1、通过工况数据以及频率响应函数进行载荷求解:
式中,Hij(ω)表示激励源主动端i处至被动端j处的频率响应函数,i的取值范围为1到h的整数,j的取值范围为1到h的整数;
Yi(ω)表示激励源被动端i处的响应数据,i的取值范围为1到h的整数;
Fi(ω)表示激励源被动端i处载荷数据,i的取值范围为1到h的整数;
步骤2、对响应点进行贡献量分析:
式中,Fo(ω)表示激励源被动端o处载荷数据,o的取值范围为1到h的整数;表示悬置被动端r处到目标响应点q处的频率响应函数,r的取值范围为1到p的整数,j的取值范围为1到h的整数;
表示目标点r的拟合响应,r的取值范围为1到p的整数。
所述参数优化中快速非支配排序遗传算法NSGA-II包括以下步骤:
1)首先根据n和u的取值范围进行设定,确定优化范围,根据u和n的取值初始化种群,并且产生第一代种群;
2)将第一代的种群的n和u代入小波阈值降噪函数,对工况数据进行降噪处理后进行传递路径分析,并将各自的SNR和RMSE进行优胜级别排序,将种群数目一半排序高的个体作为父代;
3)通过选择、交叉、变异操作获得第二代种群,重复上述2)操作,直至满足误差或最大迭代次数条件,即可获得最优的n和u。
所述参数优化中最小拟合响应与实际响应的信噪比和均方根误差分别表示为:
式中,i表示第i点处,i的取值范围为1到N的整数;
表示目标点r处第i点的拟合响应,r的取值范围为1到p的整数;
Yr(i)表示目标点r处第i点的实际响应,r的取值范围为1到p的整数;
SNR表示拟合响应与实测响应的信噪比;
RMSE表示拟合响应与实测响应的均方根误差。
具体实施例:
如图1所示,所述一种基于降噪的传递路径分析方法,包括以下步骤:
步骤一、传递路径TPA建模;
本实施例以一款搭载1.2T四冲程式发动机的乘用车作为研究对象,发动机为前置前驱,动力总成采用三点扭矩式,选择的响应点为座椅导轨以及方向盘的振动,在传递路径TPA建模过程中,只考虑平动自由度,忽略转动自由度。本次的分析工况为怠速工况,因此动力总成作为唯一的激励源,忽略路噪等激励源。因此振动的传递方向为动力总成到车内响应点。动力总成采用三点悬置的方式进行隔振,通过左悬置、右悬置、后悬置对动力总成进行隔振。左悬置、右悬置、后悬置的主动端与动力总成连接,被动端与车架相连。在分析传递路径过程中,需考虑各点的x、y、z三个方向。故输入即为左悬置(x、y、z)、右悬置(x、y、z)、后悬置(x、y、z)共9输入。同理,输出为座椅导轨(x、y、z)、方向盘(x、y、z)。综上所述,构成9输入,6输出的传递路径TPA模型,如图2所示。
步骤二、数据采集:测量各传递路径的频率响应函数和采集工况数据;
为了提高结果的精确度,需要将动力总成及悬置部件进行拆除,用弹性绳将整车吊起使其处于自由无约束状态,利用力锤在悬置被动端附近施加激励以获取传递函数数据。选定怠速工况作为研究工况,让研究车辆处于怠速工况,测量各悬置主动端、被动端以及目标点处的振动加速度。
步骤三、信号降噪:对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
在分析过程中,传递函数通过专业的测试软件测得,例如Simcenter Testlab 18软件,考虑到各路径在测试过程中存在耦合,因此主要对工况数据进行降噪处理。
如图3所示,对信号进行初步的经验模态分解,分析各本征模态函数IMF的频率成分,由于噪声多分布在高频特性,因此将高频成分较多的本征模态IMF定为后期的降噪目标。每个传感器对应一个待降噪信号,使用sym5小波对获取的悬置处的工况数据进行尺度为4的小波分解,在每一次分解过程中可将信号分解为近似信号CL与细节信号CD,其中细节信号CD表示噪声信号成分,而近似信号CL中为包含噪声信号的信号。其中CD1即为分解尺度为1的细节信号,CL1即为分解尺度为1的近似信号。再对CL1进行分解,获得分解尺度为2的细节信号CD2,CL1即为分解尺度为2的近似信号CL2。同理,CD3、CD4为分解尺度为3、4的近似信号,CL3、CL4即为分解尺度为3、4的近似信号。通过构造的新阈值函数对其进行降噪。
步骤四、贡献量分析:确定降噪后各传递路径对响应点的贡献量以及总的贡献量,得到拟合响应;
将步骤三降噪后的振动数据通过逆矩阵的方法进行载荷求解,上述TPA建模获得了9输入、6输出的传递路径分析模型。动力总成通过左悬置(x、y、z)、右悬置(x、y、z)、后悬置(x、y、z)与车架相连,最终传递至目标响应点座椅导轨(x、y、z)、方向盘(x、y、z)。将悬置的主动端、被动端的左悬置(x、y、z)、右悬置(x、y、z)、后悬置(x、y、z)进行1-9的标号,目标响应点座椅导轨(x、y、z)、方向盘(x、y、z)进行1-6的标号。在进行贡献量分析过程中,应对悬置处的载荷进行求解,如下式
式中,Fi(ω)表示第i点处的载荷,如F1(ω)即为左悬置被动端x处的载荷;
Hij(ω)表示悬置主动端i处到悬置被动端j处的频率响应函数,如H11(ω)即为左悬置主动端x处到左悬置被动端x处的频率响应函数;
Yi(ω)表示悬置被动端的响应,如Y1(ω)即为左悬置被动端x处的响应;
由上式求得的载荷数据,结合测得的各条传递路径的传递函数,则目标点的响应可由载荷数据、传递函数获得,即
式中,Fi(ω)表示第i点处的载荷,如F1(ω)即为左悬置被动端x处的载荷;
表示悬置被动端i处到目标响应点j处的频率响应函数,如/>即为左悬置被动端到座椅导轨y处的频率响应函数;
表示目标点的拟合响应,如/>即为座椅导轨x处的拟合响应;
步骤五、参数优化;
由步骤四可以获得目标点拟合的响应,与此同时,测量目标点的实际响应,对其进行傅里叶变换,将拟合与实际的响应的的信噪比SNR与偏差的均方根误差PRMSE作为目标函数,如图4所示,通过NSGA-II(快速非支配排序遗传算法)对小波阈值函数设定的参数u,n进行调整,首先根据n和u的取值范围进行设定,确定优化范围。根据u和n的取值初始化种群,并且产生第一代种群,通过对信噪比SNR与偏差的均方根误差PRMSE进行优胜级别排序,选择合适的个体作为下一代父代。再通过选择、交叉、变异操作获得子代,再将产生的父代、子代及进行合并,对其再次进行优胜级别排序,再次进行优胜级别排序,选择合适的个体作为下一代父代。在小于设定的最大进化代数之前,重复上述操作,最后获取最优解。
所述参数优化中最小拟合响应与实际响应的信噪比和均方根误差分别表示为:
式中,i表示第i点处,i的取值范围为1到N的整数;
表示目标点r处第i点的拟合响应,r的取值范围为1到p的整数;
Yr(i)表示目标点r处第i点的实际响应,r的取值范围为1到p的整数;
SNR表示拟合响应与实测响应的信噪比;
RMSE表示拟合响应与实测响应的均方根误差。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于降噪的传递路径分析方法,其特征在于,包括以下步骤:
传递路径建模:基于激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;
数据采集:测量各传递路径的频率响应函数和采集工况数据;
信号降噪:对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
贡献量分析:确定降噪后各传递路径对响应点的贡献量以及总的贡献量,得到拟合响应;
参数优化:使用初始化参数u和n对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
2.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述传递路径建模步骤中激励源和目标响应点的数目包括每个点的自由度数目;所述传递路径包括空气传递路径和结构传递路径。
3.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述数据采集步骤中频率响应函数用于测量激励源至响应点之间的传递特性;所述工况数据用于确定激励源主动端与被动端之间的工作载荷。
4.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述信号降噪具体包括以下步骤:
步骤1:通过经验模态分解将激励源测得的时域数据x(t)分解为k个本征模态函数以及残余的趋势项,表示为:
其中,imfi(t)表示第i个本征模态函数,i的取值范围为1到k的整数;
rk(t)表示残余的趋势项;
步骤2:对步骤1分解的本征模态函数进行傅里叶变换,分析各本征模态函数的频率成分,确定降噪目标,进行小波阈值降噪处理;
步骤3:对确定为降噪目标的本征模态函数通过小波阈值函数进行降噪处理,小波阈值函数如下所示:
其中,u和n为待优化的参数,其中,n为正整数,u为介于0~1的系数;δj为估算小波阈值,j为分解层数,Nj表示第j层分解信号的长度,δj由σj获得,σj为噪声信号的标准差,通过鲁棒中值算法进行估算,w为信号的小波分解系数,w’为w经小波阈值处理后的小波系数;σj=median(|ω|)/0.645;median(|ω|)计算|ω|的中位数。
5.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述贡献量分析步骤中基于降噪后的信号进行传递路径分析,将数据采集模块步骤中所述频率响应函数以及工况数据进行如下操作:
步骤1、通过工况数据以及频率响应函数进行载荷求解:
式中,Hij(ω)表示激励源主动端i处至被动端j处的频率响应函数,i的取值范围为1到h的整数,j的取值范围为1到h的整数;
Yi(ω)表示激励源被动端i处的响应数据,i的取值范围为1到h的整数;
Fi(ω)表示激励源被动端i处载荷数据,i的取值范围为1到h的整数;
步骤2、对响应点进行贡献量分析:
式中,Fo(ω)表示激励源被动端o处载荷数据,o的取值范围为1到h的整数;表示悬置被动端r处到目标响应点q处的频率响应函数,r的取值范围为1到p的整数,j的取值范围为1到h的整数;
表示目标点r的拟合响应,r的取值范围为1到p的整数。
6.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述参数优化中快速非支配排序遗传算法包括以下步骤:
1)首先根据n和u的取值范围进行设定,确定优化范围,根据u和n的取值初始化种群,并且产生第一代种群;
2)将第一代的种群的n和u代入小波阈值降噪函数,对工况数据进行降噪处理后进行传递路径分析,并将各自的SNR和RMSE进行优胜级别排序,选择父代;
3)通过选择、交叉、变异操作获得第二代种群,重复上述2)操作,直至满足误差或最大迭代次数条件,即可获得最优的n和u。
7.根据权利要求1所述的基于降噪的传递路径分析方法,其特征在于,所述参数优化中最小拟合响应与实际响应的信噪比和均方根误差分别表示为:
式中,i表示第i点处,i的取值范围为1到N的整数;
表示目标点r处第i点的拟合响应,r的取值范围为1到p的整数;
Yr(i)表示目标点r处第i点的实际响应,r的取值范围为1到p的整数;
SNR表示拟合响应与实测响应的信噪比;
RMSE表示拟合响应与实测响应的均方根误差。
8.一种实现权利要求1-7任意一项所述基于降噪的传递路径分析方法的系统,其特征在于,包括传递路径建模模块、数据采集模块、信号降噪模块、贡献量分析模块和参数优化模块;
传递路径建模模块用于基于激励源和目标响应点的数目,确定激励源与响应点之间的各传递路径;
数据采集模块用于测量各传递路径的频率响应函数和采集工况数据;
信号降噪模块用于对获得的工况数据通过集成经验模态分解与小波阈值函数进行初步的降噪;
贡献量分析模块用于确定降噪后各传递路径对响应点的贡献量以及总的贡献量;
参数优化模块用于使用初始化参数u和n对测量的工况数据进行小波阈值降噪处理,将降噪后的数据进行传递路径分析,获得各路径对目标点的拟合响应,计算拟合响应与实际响应的信噪比SNR与偏差的均方根误差RMSE,把信噪比SNR与偏差的均方根误差RMSE作为优化目标,通过快速非支配排序遗传算法对小波阈值函数设定的参数u和n进行调整,使得信噪比SNR与偏差的均方根误差RMSE最小,此时的u和n即可确定最佳的降噪函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895110.4A CN112149284B (zh) | 2020-08-31 | 2020-08-31 | 一种基于降噪的传递路径分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895110.4A CN112149284B (zh) | 2020-08-31 | 2020-08-31 | 一种基于降噪的传递路径分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149284A CN112149284A (zh) | 2020-12-29 |
CN112149284B true CN112149284B (zh) | 2024-05-14 |
Family
ID=73889811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895110.4A Active CN112149284B (zh) | 2020-08-31 | 2020-08-31 | 一种基于降噪的传递路径分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149284B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112665877B (zh) * | 2020-12-31 | 2023-09-26 | 华南理工大学 | 一种基于传递路径分析方法的汽车空气路径噪声测试方法 |
CN114485920B (zh) * | 2022-01-24 | 2023-06-02 | 广东汇天航空航天科技有限公司 | 一种控制信息生成方法、装置、电子设备和介质 |
Citations (3)
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 |
CN107290048A (zh) * | 2017-06-30 | 2017-10-24 | 西安交通大学 | 基于串扰削减技术的运行工况传递路径分析方法 |
CN109359567A (zh) * | 2018-09-30 | 2019-02-19 | 江苏大学 | 一种基于改进小波阈值去噪的参数化传递路径分析方法 |
-
2020
- 2020-08-31 CN CN202010895110.4A patent/CN112149284B/zh active Active
Patent Citations (3)
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 |
CN107290048A (zh) * | 2017-06-30 | 2017-10-24 | 西安交通大学 | 基于串扰削减技术的运行工况传递路径分析方法 |
CN109359567A (zh) * | 2018-09-30 | 2019-02-19 | 江苏大学 | 一种基于改进小波阈值去噪的参数化传递路径分析方法 |
Non-Patent Citations (2)
Title |
---|
Impact Analysis and Optimization of Material Parameters of Insulator on Brake Squeal;GONGYU PAN等;Digital Object Identifier 10.1109/ACCESS.2019.2894781;第15861-15867页 * |
小波阈值降噪技术对OPAX方法的改进研究;潘公宇等;噪声与振动控制;第第39卷卷(第第3期期);第29-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112149284A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149284B (zh) | 一种基于降噪的传递路径分析方法及系统 | |
CN109359567B (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 | |
CN113392471B (zh) | 混合动力电动汽车减速器载荷谱编制方法、介质和设备 | |
CN111521406B (zh) | 一种乘用车道路测试高速风噪分离方法 | |
CN113570057B (zh) | 一种基于模型训练的车辆轮心垂向位移测量方法和装置 | |
CN113353085B (zh) | 一种基于卡尔曼滤波理论的路面不平度识别方法 | |
CN112595528B (zh) | 车辆行驶工况下动力总成悬置主动侧激励力的识别方法 | |
CN111680409B (zh) | 一种汽车结构耐久程序的试验场关联方法 | |
CN108228994B (zh) | 在越野道路随机激励下车辆及工作装置的应力计算方法 | |
CN115186377A (zh) | 一种商用车悬置系统的稳健性优化方法 | |
CN117200208B (zh) | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 | |
CN116863905A (zh) | 针对汽车路噪特征峰值的主动降噪方法及车辆 | |
CN114676648B (zh) | 一种基于机器学习的车辆载荷谱预测方法和装置 | |
CN116090155A (zh) | 一种整车冲击噪音的仿真方法、装置、计算机设备及介质 | |
Zhou et al. | Objective evaluation of drivability in passenger cars with dual-clutch transmission: a case study of static gearshift condition | |
CN113806977B (zh) | 汽车冷却风扇的噪声振动分析方法及系统 | |
CN110263408B (zh) | 一种利用bni曲线评估ntf风险的方法 | |
Wu et al. | Fast calibration for vibration-based pavement roughness measurement based on model updating of vehicle dynamics | |
Xiong et al. | Study on NVH robustness evaluation method of high-mileage automobile based on systematic sampling | |
CN114357624B (zh) | 一种基于二阶线性微分跟踪器和参数双线性模型的车重估计算法 | |
CN113591228B (zh) | 一种噪声传递路径分析及优化方法 | |
CN114429000B (zh) | 一种传动系统动不平衡整车响应预测方法、系统及设备 | |
CN117874646A (zh) | 一种基于贝叶斯算法的机械系统传递路径贡献量分析方法 | |
CN114048548B (zh) | 一种重载车辆空气弹簧动态载荷估计方法 | |
CN113954850B (zh) | 基于边缘计算和软测量的车轮轮心载荷估计方法和系统 |
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 |