CN112733381B - 一种基于物理机制的噪声模拟方法 - Google Patents
一种基于物理机制的噪声模拟方法 Download PDFInfo
- Publication number
- CN112733381B CN112733381B CN202110080605.6A CN202110080605A CN112733381B CN 112733381 B CN112733381 B CN 112733381B CN 202110080605 A CN202110080605 A CN 202110080605A CN 112733381 B CN112733381 B CN 112733381B
- Authority
- CN
- China
- Prior art keywords
- noise
- component
- model
- data
- prediction model
- 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
Images
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于物理机制的噪声模拟方法包括:S1、利用整体设备各发声部件的典型分量噪声模型,建立各发声部件的几何参数、该发声部件周围流体的流动参数与远场噪声谱的关系,得到各分量噪声初级预测模型;针对每一初级预测模型的模型训练均执行S2‑S5:S2、采用噪声成分提取算法对分量噪声初级预测模型预测的数据进行成分相关性分析,提取出不同频率不同角度下的分量噪声数据,并与试验得到的声压级噪声数据作对比,得到不同频率不同角度下的数据的正确率;S3、判断正确率是否大于设定阈值,若是则进入S4,若否执行S5;S4、获得训练好的初级预测模型;S5、根据预测数据的正确率修正模型的各项系数,并重复执行S2‑S3。
Description
技术领域
本发明涉及噪声模拟技术领域,特别是涉及一种基于物理机制的噪声模拟方法。
背景技术
现有很多噪声现象非常复杂,没有一种数值方法能真正地包括所有细节和所有物理现象,再加上一般情况下计算的数值误差比要解的噪声量还大,导致不准确的结果。所以,无论是基于有限元法还是统计能量法,现有的噪声仿真软件某些场景计算精度不高,另外一般需要几个月的时间来算一个工况,远远不能满足工程应用的需要。再者,有限元法无法分析高频噪声,而统计能量法在中低频噪声也存在问题。
发明内容
本发明针对现有技术存在的问题和不足,提供一种新型的基于物理机制的噪声模拟方法。
本发明是通过下述技术方案来解决上述技术问题的:
本发明提供一种基于物理机制的噪声模拟方法,其特点在于,其包括以下步骤:
S1、利用整体设备各发声部件的典型分量噪声模型,建立各发声部件的几何参数、该发声部件周围流体的流动参数与远场噪声谱的关系,得到各分量噪声初级预测模型;
针对每一分量噪声初级预测模型的模型训练均执行步骤S2-S5:
S2、采用噪声成分提取算法对分量噪声初级预测模型预测的数据进行成分相关性分析,提取出不同频率不同角度下的分量噪声数据,并与不同频率不同角度下试验得到的声压级噪声数据作对比,得到不同频率不同角度下的数据的正确率;
S3、判断正确率是否大于设定阈值,若是则进入步骤S4,若否则重复执行步骤S5;
S4、获得训练好的分量噪声初级预测模型。
S5、根据预测数据的正确率修正模型的各项系数,并重复执行S2-S3;
较佳地,在获得所有训练好的分量噪声初级预测模型后执行以下步骤:
S6、基于能量相加的方法对分量噪声求和来计算总噪声的原理,针对不同噪声级、不同频谱线、不同方向性的各分量噪声初级预测模型进行叠加合成以获得组合噪声预测模型;
S7、将含有发声部件的整体设备尺寸及物理参数、流体流动参数代入组合噪声预测模型中进行预测以获得预测组合噪声数据;
S8、将不同频率不同角度下的试验数据的整体噪声数据与预测组合噪声数据一一作对比,若某一频率与角度下的整体噪声数据与对应的预测组合噪声数据的误差值大于对应的总设定阈值则进入步骤S9,否则进入步骤S10;
S9、对组合噪声预测模型进行参数修正并重复执行步骤S7-S8;
S10、组合噪声预测模型验证成功。
较佳地,在步骤S7中,预测组合噪声数据包括噪声幅值、远场方向性、频谱函数、特征长度、马赫数相关函数、安装效用。
较佳地,在步骤S1中,整体设备为飞机,所述飞机的风扇噪声的典型分量噪声模型为Heidmann模型、喷流噪声的典型分量噪声模型为STNJET模型、燃烧室噪声的典型分量噪声模型为GECOR模型、涡轮噪声的典型分量噪声模型为TUR模型、机体噪声的典型分量噪声模型为Fink算法。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
本发明中所提供的方法,能够针对复杂设备的噪声预测问题,通过声学理论进行物理机制法建模直接模拟噪声量,在噪声与预测方面较传统的仿真软件,具备更高的精度,同时缩短了噪声计算周期。此外,此方法不依赖于材料库等专业的数据库,具备更强的鲁棒性和推广性。
附图说明
图1为本发明较佳实施例的基于物理机制的噪声模拟方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例提供一种基于物理机制的噪声模拟方法,其包括以下步骤:
步骤101、利用整体设备各发声部件的典型分量噪声模型,建立各发声部件的几何参数、该发声部件周围流体的流动参数与远场噪声谱的关系,得到各分量噪声初级预测模型。
其中,整体设备为飞机,所述飞机的风扇噪声的典型分量噪声模型为Heidmann模型、喷流噪声的典型分量噪声模型为STNJET模型、燃烧室噪声的典型分量噪声模型为GECOR模型、涡轮噪声的典型分量噪声模型为TUR模型、机体噪声的典型分量噪声模型为Fink算法。
针对每一分量噪声初级预测模型的模型训练均执行步骤102-104:
步骤102、采用噪声成分提取算法对分量噪声初级预测模型预测的数据进行成分相关性分析,提取出不同频率不同角度下的分量噪声数据,并与不同频率不同角度下试验得到的声压级噪声数据作对比,得到不同频率不同角度下的数据的正确率。
步骤103、判断正确率是否大于设定阈值,若是则进入步骤104,若否则重复执行步骤105。
步骤104、获得训练好的分量噪声初级预测模型。
步骤105、根据预测数据的正确率修正模型的各项系数,并重复执行102-103。
步骤106、基于能量相加的方法对分量噪声求和来计算总噪声的原理,针对不同噪声级、不同频谱线、不同方向性的各分量噪声初级预测模型进行叠加合成以获得组合噪声预测模型。
步骤107、将含有发声部件的整体设备尺寸及物理参数、流体流动参数代入组合噪声预测模型中进行预测以获得预测组合噪声数据,其中,预测组合噪声数据包括噪声幅值、远场方向性、频谱函数、特征长度、马赫数相关函数、安装效用。
步骤108、将不同频率不同角度下的试验数据的整体噪声数据与预测组合噪声数据一一作对比,若某一频率与角度下的整体噪声数据与对应的预测组合噪声数据的误差值大于对应的总设定阈值则进入步骤109,否则进入步骤110。
步骤109、对组合噪声预测模型进行参数修正并重复执行步骤107-108。
步骤110、组合噪声预测模型验证成功。
下面举一具体的例子来说明本发明,以使得本领域的技术人员能够更好地理解本发明的技术方案:
例如:以飞机为例,飞机的风扇噪声的典型分量噪声模型为Heidmann模型、喷流噪声的典型分量噪声模型为STNJET模型、燃烧室噪声的典型分量噪声模型为GECOR模型、涡轮噪声的典型分量噪声模型为TUR模型、机体噪声的典型分量噪声模型为Fink算法。利用飞机上述各发声部件的典型分量噪声模型,建立各发声部件的几何参数、该发声部件周围流体的流动参数与远场噪声谱的关系,得到各分量噪声初级预测模型。
采用噪声成分提取算法对各个分量噪声初级预测模型预测的数据进行成分相关性分析,提取出不同频率不同角度下的分量噪声数据,并与不同频率不同角度下试验得到的声压级噪声数据作对比,得到不同频率不同角度下的数据的正确率。在正确率大于设定阈值时表明分量噪声初级预测模型训练好。
基于能量相加的方法对分量噪声求和来计算总噪声的原理,针对不同噪声级、不同频谱线、不同方向性的各分量噪声初级预测模型进行叠加合成以获得组合噪声预测模型。
将飞机尺寸及物理参数、流体流动参数代入组合噪声预测模型中进行预测以获得预测组合噪声数据。
将不同频率不同角度下的试验数据和/或CFD计算数据中的整体噪声数据与预测组合噪声数据一一作对比,若某一频率与角度下的整体噪声数据与对应的预测组合噪声数据的误差值大于对应的总设定阈值则需要对组合噪声预测模型进行参数修正,最终任一频率与角度下的整体噪声数据与对应的预测组合噪声数据的误差值均不大于对应的总设定阈值,则表明组合噪声预测模型验证成功。
跟其它方法比较,物理机制建模方法的优点之一是高精度。此方法并不试图包括所有的物理现象,而仅仅考虑对噪声的产生有关的现象,因此不存在模型不全或模型不够的问题。同样因为此方法直接模拟噪声量,计算程度量级也是噪声量的量级,因此不存在数值误差的问题。
第二个优点是其应用和计算的速度快和周期短,从应用周期来说,建立输入参数和所需要的其它信息一般是几天的量级。计算的速度在单一工况、单一PC的应用一般是几分钟的量级。
第三个优点是鲁棒性强和用途广。因为此方法是建立在正确的物理机制的模型上,其应用所受的限制很少,基于物理机制的方法消除了推导传统经验公式所使用的数据库对它们应用的限制。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (3)
1.一种基于物理机制的噪声模拟方法,其特征在于,其包括以下步骤:
S1、利用整体设备各发声部件的典型分量噪声模型,建立各发声部件的几何参数、该发声部件周围流体的流动参数与远场噪声谱的关系,得到各分量噪声初级预测模型;
针对每一分量噪声初级预测模型的模型训练均执行步骤S2-S5:
S2、采用噪声成分提取算法对分量噪声初级预测模型预测的数据进行成分相关性分析,提取出不同频率不同角度下的分量噪声数据,并与不同频率不同角度下试验得到的声压级噪声数据作对比,得到不同频率不同角度下的数据的正确率;
S3、判断正确率是否大于设定阈值,若是则进入步骤S4,否则进入S5;
S4、获得训练好的分量噪声初级预测模型;
S5、根据预测数据的正确率修正分量噪声初级预测模型的各项系数,并重复执行步骤S2-S3;
在获得所有训练好的分量噪声初级预测模型后执行以下步骤:
S6、基于能量相加的方法对分量噪声求和来计算总噪声的原理,针对不同噪声级、不同频谱线、不同方向性的各分量噪声初级预测模型进行叠加合成以获得组合噪声预测模型;
S7、将含有发声部件的整体设备尺寸及物理参数、流体流动参数代入组合噪声预测模型中进行预测以获得预测组合噪声数据;
S8、将不同频率不同角度下的试验数据的整体噪声数据与预测组合噪声数据一一作对比,若某一频率与角度下的整体噪声数据与对应的预测组合噪声数据的误差值大于对应的总设定阈值则进入步骤S9,否则进入步骤S10;
S9、对组合噪声预测模型进行参数修正并重复执行步骤S7-S8;
S10、组合噪声预测模型验证成功。
2.如权利要求1所述的基于物理机制的噪声模拟方法,其特征在于,在步骤S7中,预测组合噪声数据包括噪声幅值、远场方向性、频谱函数、特征长度、马赫数相关函数、安装效用。
3.如权利要求1所述的基于物理机制的噪声模拟方法,其特征在于,在步骤S1中,整体设备为飞机,所述飞机的风扇噪声的典型分量噪声模型为Heidmann模型、喷流噪声的典型分量噪声模型为STNJET模型、燃烧室噪声的典型分量噪声模型为GECOR模型、涡轮噪声的典型分量噪声模型为TUR模型、机体噪声的典型分量噪声模型为Fink算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110080605.6A CN112733381B (zh) | 2021-01-21 | 2021-01-21 | 一种基于物理机制的噪声模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110080605.6A CN112733381B (zh) | 2021-01-21 | 2021-01-21 | 一种基于物理机制的噪声模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733381A CN112733381A (zh) | 2021-04-30 |
CN112733381B true CN112733381B (zh) | 2021-10-08 |
Family
ID=75594752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110080605.6A Active CN112733381B (zh) | 2021-01-21 | 2021-01-21 | 一种基于物理机制的噪声模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733381B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11966680B2 (en) * | 2021-07-19 | 2024-04-23 | Nanya Technology Corporation | Noise simulation system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609332A (zh) * | 2017-09-18 | 2018-01-19 | 安徽理工大学 | 一种换流变压器远场噪声预测的方法 |
CN109299533A (zh) * | 2018-09-18 | 2019-02-01 | 中南大学 | 高速列车车外噪声的快速预测方法及系统 |
CN110050427A (zh) * | 2017-11-17 | 2019-07-23 | 华为技术有限公司 | 用于无线网络中信道测量和干扰测量的系统和方法 |
CN111260579A (zh) * | 2020-01-17 | 2020-06-09 | 北京理工大学 | 一种基于物理噪声生成模型的微光图像去噪增强方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5920834A (en) * | 1997-01-31 | 1999-07-06 | Qualcomm Incorporated | Echo canceller with talk state determination to control speech processor functional elements in a digital telephone system |
WO2014202286A1 (en) * | 2013-06-21 | 2014-12-24 | Brüel & Kjær Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
CN109684595B (zh) * | 2018-12-07 | 2023-10-20 | 中国航发沈阳发动机研究所 | 涡扇发动机整机噪声试验数据分离方法 |
CN111144036B (zh) * | 2020-03-02 | 2023-03-28 | 上海索辰信息科技股份有限公司 | 螺旋桨噪声的多尺度仿真分析方法 |
-
2021
- 2021-01-21 CN CN202110080605.6A patent/CN112733381B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609332A (zh) * | 2017-09-18 | 2018-01-19 | 安徽理工大学 | 一种换流变压器远场噪声预测的方法 |
CN110050427A (zh) * | 2017-11-17 | 2019-07-23 | 华为技术有限公司 | 用于无线网络中信道测量和干扰测量的系统和方法 |
CN109299533A (zh) * | 2018-09-18 | 2019-02-01 | 中南大学 | 高速列车车外噪声的快速预测方法及系统 |
CN111260579A (zh) * | 2020-01-17 | 2020-06-09 | 北京理工大学 | 一种基于物理噪声生成模型的微光图像去噪增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112733381A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN110455490B (zh) | 超声速和高超声速风洞流场湍流度的计算方法及装置 | |
He et al. | Using genetic algorithms and finite element methods to detect shaft crack for rotor-bearing system | |
Hoell et al. | Optimal selection of autoregressive model coefficients for early damage detectability with an application to wind turbine blades | |
JP5561787B2 (ja) | 相関計量に基づいて、シミュレーションモデルを物理的デバイスと相関させる方法および装置 | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
CN108305619B (zh) | 语音数据集训练方法和装置 | |
Hagen et al. | A multivariate Markov weather model for O&M simulation of offshore wind parks | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
CN111853555A (zh) | 一种基于动态过程的供水管网暗漏识别方法 | |
CN112001110A (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
US9659122B2 (en) | Aerodynamic design optimization using information extracted from analysis of unstructured surface meshes | |
CN112733381B (zh) | 一种基于物理机制的噪声模拟方法 | |
Xiong et al. | A novel deep convolutional image-denoiser network for structural vibration signal denoising | |
CN115983137A (zh) | 基于相似性原理和深度学习的涡轮流场预测方法及相关装置 | |
CN111914461A (zh) | 一种涡轮导叶片一维冷效的智能评估方法 | |
CN116341312A (zh) | 一种发动机分体式动力学振动响应结果评价方法 | |
CN117609768A (zh) | 一种基于改进鲸鱼算法的立式水泵机组故障诊断方法 | |
Brown et al. | Surrogate modeling of manufacturing variation effects on unsteady interactions in a transonic turbine | |
CN117495640A (zh) | 一种区域碳排放量预测方法及系统 | |
CN105203327A (zh) | 一种应用于发动机气路分析的气路测量参数选择方法 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
Shin et al. | Markov chain-based mass estimation method for loose part monitoring system and its performance | |
CN111144036B (zh) | 螺旋桨噪声的多尺度仿真分析方法 | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 |
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 |