CN113643679A - 基于级联滤波器的旋翼和尾桨气动噪声分离方法 - Google Patents

基于级联滤波器的旋翼和尾桨气动噪声分离方法 Download PDF

Info

Publication number
CN113643679A
CN113643679A CN202111194821.XA CN202111194821A CN113643679A CN 113643679 A CN113643679 A CN 113643679A CN 202111194821 A CN202111194821 A CN 202111194821A CN 113643679 A CN113643679 A CN 113643679A
Authority
CN
China
Prior art keywords
noise
rotor
tail rotor
tail
main
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
Application number
CN202111194821.XA
Other languages
English (en)
Other versions
CN113643679B (zh
Inventor
魏春华
张卫国
王勇
马帅
郑谢
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202111194821.XA priority Critical patent/CN113643679B/zh
Publication of CN113643679A publication Critical patent/CN113643679A/zh
Application granted granted Critical
Publication of CN113643679B publication Critical patent/CN113643679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0272—Voice signal separating

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于级联滤波器的旋翼和尾桨气动噪声分离方法，其包括：使用Vold‑Kalman滤波器来跟踪叶片通过频率谐波的特定级数，以分别提取主旋翼噪声和尾桨谐波噪声；利用宽带噪声的二阶循环平稳特征，利用循环维纳滤波器对剩余的宽带噪声进行过滤，以实现对主旋翼宽带噪声和尾桨宽带噪声的过滤。本发明具有原理简单、操作简便、精度高等优点。

Description

基于级联滤波器的旋翼和尾桨气动噪声分离方法
技术领域
本发明主要涉及到飞行器噪声分析技术领域，特指一种基于级联滤波器的主旋翼和尾桨气动噪声分离方法，适用于直升机等主旋翼和尾桨组合的飞行器。
背景技术
随着对飞行器（如直升机）对可靠性和舒适性的要求不断提高，噪声问题已成为限制直升机大规模应用的重要因素。直升机噪声的分析和控制具有挑战性，因为噪声是高度定向的，高度依赖于飞行条件，不稳定，并且由几个不同的噪声源组成。直升机的主要噪声源是主旋翼、尾桨、齿轮箱和涡轮。声学测量将记录所有这些噪声源的总和，根据测得的声压时间历程确定每个源的贡献并非易事。然而，为了理解、设计和评估降噪技术，识别单个噪声源是有帮助的。
主旋翼、尾桨气动噪声作为直升机的主要噪声源，应分开进行单独降噪研究。由于转子的耦合，在运行中会产生高水平的空气动力学噪声桨叶和空气，占直升机噪声的主要部分。转子气动噪声根据频域特性可分为音调噪声和宽带噪声。音调噪声主要由厚度噪声、载荷噪声、叶片涡相互作用（Blade-Vortex Interaction,BVI）噪声和高速脉冲噪声组成，它主要是叶片通过频率(BPF)及其高次谐波的离散音调。载荷噪声和厚度噪声也统称为“旋转噪声”。转子噪声的低频部分由叶片气动力的旋转过程和脉动上升的风量构成，是现代直升机噪音最严重的部分。直升机的整体噪音水平在影响中起着至关重要的作用。宽带噪声是由叶片表面附近的湍流引起的，在频谱中连续分布。
现有技术中，传统的经典方法只考虑主旋翼、尾桨气动噪声的周期特性进行谐波分离。由于宽带噪声的随机性，分离时通常不被考虑，这导致了传统的主旋翼和尾桨气动噪声分离方法不准确。
旋翼气动噪声分析的经典方法主要集中在基于 Ffowcs Williams-Hawkings 方程的噪声预测和数值模拟上。国外，Lowson和Wright开发了一些最早将噪声预测理论应用于直升机旋翼的应用，进行了许多关于音调噪声和宽带噪声预测的研究。但是，基于公式的噪声预测和数值模拟计算量大，鲁棒性低，不能很好地应用于实际主旋翼和尾桨的气动噪声分离。因此，噪声分离问题可以通过使用基于信号处理的方法来解决。
旋翼气动噪声的分离可以看作是一个信号分解问题。目前为止，已经有一些通用的信号处理技术用于声学分析中的信号分解。经验模态分解（Empirical ModeDecomposition,EMD）是其中一种强大且广泛使用的方法，EMD广泛用于旋转机械声源的盲源分离。EMD方法的变体（例如集成经验模态分解 (Ensemble Empirical ModeDecomposition,EEMD)，以及变分模式分解 (Variational Mode Decomposition,VMD)）被开发来改进这项技术。使用此类方法的分解信号不一定代表与特定机械源相关联的组件。因此，这些方法不适用于分离主旋翼和尾桨气动噪声。
主旋翼和尾桨的噪声主要包括叶片通过频率(BPF)的离散音调及其高次谐波。因此，大多数分离主旋翼和尾桨噪声的方法依赖于这些旋翼的不同转速及其相应的不同BPF。
例如，有从业者提出一种基于多叶片通道时间平均的分离方法。该方法将时间信号划分为时间窗，其长度等于主旋翼或尾旋翼叶片通过周期，然后使用条件平均技术对这些窗口进行平均，并留下平均的主旋翼或尾旋翼信号。
另有从业者Olsman等人提出了一种将经典傅立叶级数方法推广到非周期非平稳数据的方法。该技术旨在使用时变傅立叶级数系数的三次Hermite-B样条插值来分离主旋翼和尾桨噪声。这些方法仅根据其谐波特性分离转子气动噪声，即分离音调噪声而未考虑分离宽带噪声。但是，仅考虑音调噪声分离会导致分离不够准确。
目前的分离方法仅考虑旋翼气动噪声的谐波特性，采用谐波提取方法分离主、尾旋翼的音调噪声，导致分离结果不精确。本发明根据音调噪声的周期特性和调制宽带噪声的二阶循环平稳性，利用Vold-Kalman滤波器和循环维纳滤波器，提出了一种级联滤波方法，将主旋翼和尾桨的音调和调制宽带噪声分离。级联滤波方法考虑了旋翼调制宽带噪声的分离，使得主旋翼和尾桨气动噪声分离更加准确，填补了前人对主旋翼和尾桨噪声分离研究的空白。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、操作简便、精度高的基于级联滤波器的旋翼和尾桨气动噪声分离方法。
为解决上述技术问题，本发明采用以下技术方案：
一种基于级联滤波器的旋翼和尾桨气动噪声分离方法，其包括：
使用Vold-Kalman滤波器来跟踪叶片通过频率谐波的特定级数，以分别提取主旋翼噪声和尾桨谐波噪声；
利用宽带噪声的二阶循环平稳特征，利用循环维纳滤波器对剩余的宽带噪声进行过滤，以实现对主旋翼宽带噪声和尾桨宽带噪声的过滤。
作为本发明方法的进一步改进：对于主旋翼和尾桨的宽带噪声，分别使用叶片通过频率和多次谐波作为循环维纳滤波的频移输入，提取的主旋翼宽带噪声时域信号和噪声功率谱密度（Power Spectral Density，PSD）。
作为本发明方法的进一步改进：对主旋翼和尾桨的宽频噪声进行循环谱分析以获得循环平稳特征，进而分离出主旋翼宽频噪声的增强包络频谱EES（Enhanced EnvelopeSpectrum, EES），从增强包络频谱EES的图中得到主旋翼和尾桨的BPF（Blade PassingFrequency, BPF）及其高次谐波。
作为本发明方法的进一步改进：利用循环维纳滤波器进行过滤的流程包括：
将主旋翼和尾旋翼的调制宽带噪声
Figure DEST_PATH_IMAGE001
和
Figure 128509DEST_PATH_IMAGE002
从用Vold-Kalman滤波器提取音调噪声后的剩余宽带噪声
Figure 53740DEST_PATH_IMAGE003
中分离：
Figure 278048DEST_PATH_IMAGE004
其中下标mr表示主旋翼，tr表示尾桨，b代表宽带，
Figure 339544DEST_PATH_IMAGE005
代表环境宽带噪声。主旋翼和尾旋翼的调制宽带噪声为循环平稳信号；频谱冗余用来从残留的宽带噪声
Figure 439874DEST_PATH_IMAGE006
中估计
Figure 852401DEST_PATH_IMAGE007
，在频域中的每个循环频率
Figure 880400DEST_PATH_IMAGE008
上移动信号
Figure 61983DEST_PATH_IMAGE009
，其中
Figure 251655DEST_PATH_IMAGE010
，
Figure 213795DEST_PATH_IMAGE011
表示主旋翼或尾桨的叶片通过频率和高次谐波的循环频率集；
所述估计
Figure 779906DEST_PATH_IMAGE012
被表示为一个回归问题：
Figure 81574DEST_PATH_IMAGE013
其中下标S表示待分离信号，K表示循环频率的数量，f代表信号频率，其中
Figure 442148DEST_PATH_IMAGE007
表示主旋翼或尾旋翼在频域中的估计宽带噪声，
Figure 829267DEST_PATH_IMAGE014
是设计的滤波器在频率
Figure 12118DEST_PATH_IMAGE015
时的频率响应，K是循环频率的数量；频率对应的减级的表述如下：
假设
Figure 902714DEST_PATH_IMAGE016
是剩余宽带噪声矢量的频移观测矢量，表示为
Figure 699768DEST_PATH_IMAGE017
，其中
Figure 308604DEST_PATH_IMAGE018
是主旋翼或尾旋翼的循环频率，那么减级循环回归的公式被表述为矢量形式；目标是找到一个转移矩阵
Figure 482097DEST_PATH_IMAGE019
，使估计的结果：
Figure 555095DEST_PATH_IMAGE020
寻找以下的解：
Figure 523051DEST_PATH_IMAGE021
在秩
Figure 619183DEST_PATH_IMAGE022
的等效约束下，谱系
Figure 330787DEST_PATH_IMAGE023
被定义为
Figure 195975DEST_PATH_IMAGE024
。
作为本发明方法的进一步改进：施加约束是为了迫使只有一个循环平稳源的准确性，当观察到更多的循环平稳源时，这个数字相应地改变：
Figure 147881DEST_PATH_IMAGE025
其中，
Figure 731309DEST_PATH_IMAGE026
为与
Figure 981025DEST_PATH_IMAGE027
的第一特征值相关的特征向量；
其中频谱矩阵
Figure 966299DEST_PATH_IMAGE028
和
Figure 100002_DEST_PATH_IMAGE029
被定义为
Figure 338374DEST_PATH_IMAGE030
和
Figure 409098DEST_PATH_IMAGE031
，通过Welch方法估计，提取主旋翼和尾桨的调制宽带噪声
Figure 275554DEST_PATH_IMAGE032
和
Figure 115334DEST_PATH_IMAGE033
。
作为本发明方法的进一步改进：所述Vold-Kalman滤波器包括结构方程和测量方程。
作为本发明方法的进一步改进：将直升机主旋翼和尾旋翼的谐波气动噪声表示为：
Figure 100002_DEST_PATH_IMAGE034
其中
Figure 595994DEST_PATH_IMAGE035
是所有独立旋转轴的集合，
Figure 950752DEST_PATH_IMAGE036
是由轴
Figure 807850DEST_PATH_IMAGE037
生成的相关阶次的离散集合；由流动噪声、湍流和瞬态事件产生的宽带声
Figure 502136DEST_PATH_IMAGE038
在实际的直升机旋翼空气动力噪声测量中，总的测量信号
Figure 963817DEST_PATH_IMAGE039
的形式将是：
Figure 9134DEST_PATH_IMAGE040
其中
Figure 404343DEST_PATH_IMAGE041
是因果关系，与
Figure 953136DEST_PATH_IMAGE042
不相关。
作为本发明方法的进一步改进：从记录的响应和阶数
Figure 103495DEST_PATH_IMAGE043
的轴旋转速度，将阶数跟踪转换为复数包络
Figure 370528DEST_PATH_IMAGE044
估计问题；结构方程规定，复数包络
Figure 569428DEST_PATH_IMAGE044
与载波信号相比是平滑和缓慢变化的，对包络
Figure 972727DEST_PATH_IMAGE044
进行规定是要求重复差值满足如下方程之一：
Figure 44720DEST_PATH_IMAGE045
其中
Figure 799049DEST_PATH_IMAGE046
表示差序为
Figure 536061DEST_PATH_IMAGE047
的差分算子，
Figure 59446DEST_PATH_IMAGE048
是一个小的非均质项；估计的复数包络函数与测量数据相关，通过测量方程实现：
Figure 489291DEST_PATH_IMAGE049
未知的复数包络函数
Figure 527654DEST_PATH_IMAGE044
在结构方程和测量方程以测量系数的形式出现，通过选择一个加权函数
Figure 68357DEST_PATH_IMAGE050
，并舍弃作为多余参数的未测量函数
Figure 711827DEST_PATH_IMAGE051
和
Figure 46994DEST_PATH_IMAGE052
，得到线性超定方程组，构建一个加权线性最小二乘法问题：
Figure 775915DEST_PATH_IMAGE053
其中，大值的
Figure 667779DEST_PATH_IMAGE054
强制要求时间点
Figure 165757DEST_PATH_IMAGE055
周围的平稳性，而小值则允许观察到的数据在这个时间点上主导估计结果。
作为本发明方法的进一步改进：当复数包络
Figure 671824DEST_PATH_IMAGE056
被估计时，主旋翼和尾旋翼的音调噪声被提取出来：
Figure 888042DEST_PATH_IMAGE057
其中
Figure 770547DEST_PATH_IMAGE058
和
Figure 185348DEST_PATH_IMAGE059
是分别对应于主旋翼和尾旋翼的叶频谐波的离散阶次集。
对于一个有
Figure 127896DEST_PATH_IMAGE060
叶片的主旋翼和一个有
Figure 100002_DEST_PATH_IMAGE061
叶片的尾旋翼，BPF阶次集
Figure 565831DEST_PATH_IMAGE062
和
Figure 799497DEST_PATH_IMAGE063
为：
Figure 272067DEST_PATH_IMAGE064
Figure 119937DEST_PATH_IMAGE065
。
与现有技术相比，本发明的优点就在于：
1、本发明的基于级联滤波器的旋翼和尾桨气动噪声分离方法，原理简单、操作简便、精度高，其根据音调噪声的周期特性和调制宽带噪声的二阶循环平稳性，利用Vold-Kalman滤波器和循环维纳滤波器，提出了一种级联滤波方法，将主旋翼和尾桨的音调和调制宽带噪声分离。本发明中的级联滤波方法考虑了旋翼调制宽带噪声的分离，使得主旋翼和尾桨气动噪声分离更加准确，填补了前人对主旋翼和尾桨噪声分离研究的空白。本发明解决了现有的噪声分离方法仅考虑旋翼气动噪声的谐波特性，采用谐波提取方法分离主旋翼和尾桨的音调噪声、导致分离结果不精确的问题。
2、本发明的基于级联滤波器的旋翼和尾桨气动噪声分离方法，为使用Vold-Kalman滤波器和循环维纳滤波器的级联滤波方法来分别分离主旋翼和尾旋翼的音调和调制宽带噪声。由于转子旋转运动的周期性调制，宽带噪声表现出二阶循环平稳性。根据其循环平稳性，本发明所提出的方法在考虑谐波分离的音调噪声周期性的同时，也进行了宽带噪声的分离。通过这种方法可以获得更精确的主旋翼和尾旋翼的分离。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中Vold-Kalman滤波器的组成原理示意图。
图3是本发明在具体应用实例中基于Welch方法估计的循环维纳滤波的实现过程示意图。
图4是本发明在具体应用实例中直升机噪声时域信号的示意图。
图5是本发明在具体应用实例中直升机噪声噪声测量的功率谱密度示意图。
图6是本发明在具体应用实例中提取的主、尾旋翼音调噪声的时域信号示意图；其中(a)为提取的主旋翼噪声时域信号；(b)为尾桨噪声时域信号。
图7是本发明在具体应用实例中提取音调噪声的功率谱密度示意图。
图8是本发明在具体应用实例中Vold-Kalman滤波后的时域信号示意图。
图9是本发明在具体应用实例中提取的主旋翼宽带噪声时域信号和噪声PSD结果示意图；其中(a)为提取的主旋翼宽带噪声时域信号 ；(b)为主旋翼宽带噪声PSD。
图10是本发明在具体应用实例中主旋翼宽频噪声的增强包络频谱示意图。
图11是本发明在具体应用实例中的详细流程示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1和图11所示，本发明的基于级联滤波器的旋翼和尾桨气动噪声分离方法，包括：
使用Vold-Kalman滤波器来跟踪叶片通过频率谐波的特定级数，以分别提取主桨噪声（主旋翼噪声）和尾桨谐波噪声。
利用宽带噪声的二阶循环平稳特征，利用循环维纳滤波器对剩余的宽带噪声进行过滤，以实现对主桨宽带噪声（主旋翼宽带噪声）和尾桨宽带噪声的最佳过滤。
在具体应用实例中，本发明的Vold-Kalman滤波器主要用来进行音调噪声分离。其中，Vold-Kalman滤波器是一种时域跟踪滤波器，适合从旋转机械噪声信号中分离出旋转频率谐波。
直升机旋翼音调噪声主要包括主旋翼和尾桨的轴频谐波及其叶片通过频率谐波。所有这些频率成分基本上都是主桨（主旋翼）或尾桨的轴频的谐波。
在具体应用实例中，如图2所述，Vold-Kalman滤波器包括结构方程和测量方程。
结合图3，以一个轴为例，轴的瞬时转速（以每秒转数计）表示为
Figure 45168DEST_PATH_IMAGE066
。瞬时旋转角 度是旋转速度的时间积分，属于k阶的复相位量（Complex Phase Quantity）
Figure 269476DEST_PATH_IMAGE067
定义 为：
Figure 658869DEST_PATH_IMAGE068
（1）
那么一个复序时间关系
Figure 943220DEST_PATH_IMAGE069
可以定义为：
Figure 355747DEST_PATH_IMAGE070
（2）
其中
Figure 118166DEST_PATH_IMAGE071
是一个缓慢变化的复数包络。同样的格式也适用于尾桨轴。
那么，直升机主旋翼和尾旋翼的谐波气动噪声的一般情况可表示为：
Figure 299749DEST_PATH_IMAGE072
（3）
其中
Figure 559261DEST_PATH_IMAGE035
是所有独立旋转轴的集合，
Figure 459084DEST_PATH_IMAGE036
是由轴
Figure 25195DEST_PATH_IMAGE037
生成的相关阶次的离散集合。由流动噪声、湍流和瞬态事件产生的宽带声
Figure 61284DEST_PATH_IMAGE038
在实际的直升机旋翼空气动力噪声测量中，也记录在公式（10）的周期的音调噪声
Figure 687437DEST_PATH_IMAGE073
的总和中。总的测量信号
Figure 136873DEST_PATH_IMAGE074
的形式将是：
Figure 241095DEST_PATH_IMAGE075
（4）
其中
Figure 397270DEST_PATH_IMAGE076
是因果关系，与
Figure 194325DEST_PATH_IMAGE077
不相关。
一个有限的无别名的响应时间关系
Figure 803161DEST_PATH_IMAGE078
已经被离散化，其中采样率被设定为每秒1个样本，不存在任何一般性的损失。轴
Figure 789702DEST_PATH_IMAGE079
的轴旋转速度
Figure 800384DEST_PATH_IMAGE080
也被假定为通过观察编码器或转速计获得。
然后，从记录的响应和阶数
Figure 768340DEST_PATH_IMAGE081
的轴旋转速度，将阶数跟踪转换为复数包络
Figure 864472DEST_PATH_IMAGE082
估计问题。
在本发明中，Vold-Kalman滤波器通过在结构方程和测量方程之间进行折衷，与经典的Kalman滤波器相关，在Vold-Kalman滤波器中只使用两组方程之间的比率。
结构方程规定，由于转子的惯性，复数包络
Figure 310497DEST_PATH_IMAGE044
与载波信号相比应该是平滑和缓慢变化的。对包络
Figure 503581DEST_PATH_IMAGE044
进行规定的一种方法是要求重复差值应该很小，例如，满足如下方程之一：
Figure 642438DEST_PATH_IMAGE083
其中
Figure 225866DEST_PATH_IMAGE046
表示差序为
Figure 475582DEST_PATH_IMAGE047
的差分算子，
Figure 460855DEST_PATH_IMAGE048
是一个小的非均质项。除了结构方程的平稳性条件外，估计的复数包络函数必须以某种方式与测量数据相关，这一点可通过测量方程实现：
Figure 583663DEST_PATH_IMAGE084
（8）
未知的复数包络函数
Figure 654387DEST_PATH_IMAGE044
在结构方程和测量方程的左手边以测量系数的形式出现，因此可以通过选择一个加权函数
Figure 707794DEST_PATH_IMAGE050
，并舍弃作为多余参数的未测量函数
Figure 547574DEST_PATH_IMAGE051
和
Figure 28234DEST_PATH_IMAGE052
，得到线性超定方程组，构建一个加权线性最小二乘法问题。
Figure 382992DEST_PATH_IMAGE085
其中，大值的
Figure 240089DEST_PATH_IMAGE086
强制要求时间点
Figure 934376DEST_PATH_IMAGE087
周围的平稳性，而小值则允许观察到的数据在 这个时间点上主导估计结果。
基本公式（9）和公式（10）通常作为一个线性最小二乘法问题来解决。
然后，当复数包络
Figure 585937DEST_PATH_IMAGE056
被估计时，主旋翼和尾旋翼的音调噪声可以很容易地被提取出来。
Figure 631254DEST_PATH_IMAGE088
其中
Figure 839512DEST_PATH_IMAGE058
和
Figure 388305DEST_PATH_IMAGE059
是分别对应于主旋翼和尾旋翼的叶频谐波的离散阶次集。
对于一个有
Figure 476347DEST_PATH_IMAGE060
叶片的主旋翼和一个有
Figure 743380DEST_PATH_IMAGE061
叶片的尾旋翼，BPF阶次集
Figure 676701DEST_PATH_IMAGE062
和
Figure 345580DEST_PATH_IMAGE063
为：
Figure 666840DEST_PATH_IMAGE089
在具体应用实例中，本发明利用循环维纳滤波器进行宽带噪声分离，级联滤波器的第二阶段是将主旋翼和尾旋翼的调制宽带噪声
Figure 155590DEST_PATH_IMAGE001
和
Figure 158181DEST_PATH_IMAGE090
从用Vold-Kalman滤波器提取音调噪声后的剩余宽带噪声
Figure 681566DEST_PATH_IMAGE091
中分离。
Figure 845831DEST_PATH_IMAGE092
主旋翼和尾旋翼的调制宽带噪声为循环平稳信号。从噪声测量中分离循环平稳源的方法是采用循环维纳滤波器。频谱冗余可以用来从残留的宽带噪声
Figure 897576DEST_PATH_IMAGE093
中估计
Figure 438279DEST_PATH_IMAGE094
，方法是设计一个最佳滤波器，在频域中的每个循环频率
Figure 816171DEST_PATH_IMAGE095
上移动信号
Figure 416916DEST_PATH_IMAGE096
，其中
Figure 880259DEST_PATH_IMAGE097
，
Figure 286969DEST_PATH_IMAGE098
表示主旋翼或尾桨的叶片通过频率和高次谐波的循环频率集。在移位的循环频率上对测量进行滤波对噪声是破坏性的，而由于平均效应，对所需的源是建设性的。因此，该估计可以被表示为一个回归问题。
Figure 784947DEST_PATH_IMAGE099
其中
Figure 291015DEST_PATH_IMAGE100
表示主旋翼或尾旋翼在频域中的估计宽带噪声（CS2信号），
Figure 507232DEST_PATH_IMAGE101
是设计的滤波器在频率
Figure 389738DEST_PATH_IMAGE102
时的频率响应，K是循环频率的数量。公式(16)的频率对应的减级（假设循环平稳源的数量有限）表述如下。
假设
Figure 555271DEST_PATH_IMAGE016
是剩余宽带噪声矢量的频移观测矢量，表示为
Figure 232240DEST_PATH_IMAGE017
，其中
Figure 670174DEST_PATH_IMAGE018
是主旋翼或尾旋翼的循环频率。那么，减级循环回归的公式（16）可以被表述为矢量形式。因此，目标是找到一个转移矩阵
Figure 356371DEST_PATH_IMAGE103
，使估计的结果：
Figure 563361DEST_PATH_IMAGE104
这个问题可以通过寻找以下的解来解决：
Figure 739128DEST_PATH_IMAGE105
在秩
Figure 664358DEST_PATH_IMAGE022
的等效约束下，谱系
Figure 888666DEST_PATH_IMAGE023
被定义为
Figure 215742DEST_PATH_IMAGE024
。需要注意的是，施加秩一约束是为了迫使只有一个循环平稳源的准确性，当观察到更多的循环平稳源时，这个数字应该相应地改变。这个优化问题的解决方案给出了
Figure 500093DEST_PATH_IMAGE106
（19）
其中，
Figure 460090DEST_PATH_IMAGE107
为与第一特征值相关的特征向量。
Figure 488089DEST_PATH_IMAGE108
（20）
其中频谱矩阵
Figure 669671DEST_PATH_IMAGE109
和
Figure 124924DEST_PATH_IMAGE110
被定义为
Figure 24746DEST_PATH_IMAGE111
和
Figure 653174DEST_PATH_IMAGE112
，可以通过Welch 方法估计。基于Welch方法估计的循环维纳滤波的实现过程如图5所示。因此，主旋翼和尾桨 的调制宽带噪声
Figure 689263DEST_PATH_IMAGE113
和
Figure 315416DEST_PATH_IMAGE114
可以用公式（16）提取。
以下将以一个直升机全机噪声风洞试验为例，对本发明提出的级联滤波主尾桨噪声分离方法有效性进行验证。试验中，直升机缩比模型为悬停状态。主旋翼和尾桨分别以1428转/分钟和7230转/分钟的速度一起旋转。
根据理论计算得到，主旋翼轴频
Figure 436956DEST_PATH_IMAGE115
，尾桨轴频
Figure 806758DEST_PATH_IMAGE116
，主旋翼通过频率
Figure 775982DEST_PATH_IMAGE117
，尾桨通过频率
Figure 573037DEST_PATH_IMAGE118
。噪声通过麦克风进行采集拾取，采样频率为102.4KHz，采集时间为20秒。麦克风采集得到的时域信号如图4所示。
噪声测量的功率谱密度（PSD）如图5所示。主旋翼和尾旋翼的音调噪声的叶片通过频率分量和高次谐波都可以清楚地看到，分别在图中以三角和圆圈标出。
将本发明所提出的级联滤波方法应用于该测量信号以分离主旋翼和尾桨的音调和宽带噪声。
步骤S1：利用本发明提出的Vold-Kalman滤波器（通过公式1-14），提取主旋翼和尾旋翼的音调噪声。
提取的主、尾旋翼音调噪声的时域信号分别如图6(a)和图6(b)所示。提取的音调噪声的功率谱密度（PSD）如图7所示。原始测量的PSD、提取的主旋翼音调噪声和提取的尾旋翼音调噪声分别用黑色实线、黑色虚线和灰色实线绘制在图形窗口中。从图中可以看出，提取的主旋翼和尾桨的音调噪声与原始桨叶通过频率分量吻合，从而验证了所提方法第一步（Vold-Kalman滤波器）提取主旋翼和尾旋翼的音调噪声方法的有效性。
经过 Vold-Kalman 滤波提取音调噪声后，剩余信号为宽带噪声信号。滤波后时域信号如图8所示。
步骤S2：使用本发明提出的循环维纳滤波器，通过公式15-20，从剩余的宽带噪声中分离主旋翼和尾桨的宽带噪声。
对于主旋翼和尾桨宽带噪声，分别使用叶片通过频率和多次谐波作为循环维纳滤波的频移输入。提取的主旋翼宽带噪声时域信号和噪声PSD结果如图9(a)、(b)所示。
为了验证算法的有效性，进一步对主旋翼宽频噪声进行循环谱分析以获得更多的循环平稳特征，分离出主旋翼宽频噪声的增强包络频谱（EES），如图10所示。从EES图中可以清晰地看到主旋翼的BPF及其高次谐波，在EES中用三角圈出，说明了本发明方法对主旋翼宽带噪声进行了良好的分离。
同理可知，尾桨宽带噪声分离与上述对主旋翼的分析方法类似，此处就不再赘述。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，包括：
使用Vold-Kalman滤波器来跟踪叶片通过频率谐波的特定级数，以分别提取主旋翼噪声和尾桨谐波噪声；
利用宽带噪声的二阶循环平稳特征，利用循环维纳滤波器对剩余的宽带噪声进行过滤，以实现对主旋翼宽带噪声和尾桨宽带噪声的过滤。
2.根据权利要求1所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，对于主旋翼和尾桨的宽带噪声，分别使用叶片通过频率和多次谐波作为循环维纳滤波的频移输入，提取的主旋翼宽带噪声时域信号和噪声功率谱密度PSD。
3.根据权利要求2所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，对主旋翼和尾桨的宽频噪声进行循环谱分析以获得循环平稳特征，进而分离出主旋翼宽频噪声的增强包络频谱EES，从增强包络频谱EES的图中得到主旋翼和尾桨的叶片通过频率BPF及其高次谐波。
4.根据权利要求2所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，利用循环维纳滤波器进行过滤的流程包括：
将主旋翼和尾旋翼的调制宽带噪声
Figure DEST_PATH_IMAGE002
和
Figure DEST_PATH_IMAGE003
从用Vold-Kalman滤波器提取音调噪声后的剩余宽带噪声
Figure DEST_PATH_IMAGE004
中分离：
Figure DEST_PATH_IMAGE005
其中下标mr表示主旋翼，tr表示尾桨，b代表宽带，代表环境宽带噪声；主旋翼和尾 旋翼的调制宽带噪声为循环平稳信号；频谱冗余用来从残留的宽带噪声中估计，在频域中的每个循环频率
Figure DEST_PATH_IMAGE009
上移动信号，其中
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
表示主旋翼 或尾桨的叶片通过频率和高次谐波的循环频率集；
所述估计
Figure DEST_PATH_IMAGE013
被表示为一个回归问题：
Figure DEST_PATH_IMAGE014
其中下标S表示待分离信号，K表示循环频率的数量，f代表信号频率，表示主旋 翼或尾旋翼在频域中的估计宽带噪声，是设计的滤波器在频率
Figure DEST_PATH_IMAGE017
时的频率响 应；频率对应的减级的表述如下：
假设
Figure DEST_PATH_IMAGE018
是剩余宽带噪声矢量的频移观测矢量，表示为
Figure DEST_PATH_IMAGE019
，其中
Figure DEST_PATH_IMAGE020
是主旋翼或尾旋翼的循环频率，那么减级循环回归的公式被表述为矢量形式；目标是找到一个转移矩阵
Figure DEST_PATH_IMAGE021
，使估计的结果：
Figure DEST_PATH_IMAGE022
寻找以下的解：
Figure DEST_PATH_IMAGE023
在秩
Figure DEST_PATH_IMAGE024
的等效约束下，谱系
Figure DEST_PATH_IMAGE025
被定义为
Figure DEST_PATH_IMAGE026
，其中V为
Figure DEST_PATH_IMAGE027
离散后的矢量。
5.根据权利要求4所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，施加等效约束是为了迫使只有一个循环平稳源的准确性，当观察到更多的循环平稳源时，这个数字相应地改变：
Figure DEST_PATH_IMAGE028
其中，
Figure DEST_PATH_IMAGE029
为与的第一特征值相关的特征向量；
其中频谱矩阵和被定义为
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
，通过Welch方法估计，提 取主旋翼和尾桨的调制宽带噪声和。
6.根据权利要求1-5中任意一项所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，所述Vold-Kalman滤波器包括结构方程和测量方程。
7.根据权利要求6所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在于，将直升机主旋翼和尾旋翼的谐波气动噪声表示为：
Figure DEST_PATH_IMAGE039
其中为轴上对应k阶的缓慢变化的复包络，表示轴的瞬时转速，
Figure DEST_PATH_IMAGE043
表 示k阶的复相位量，是所有独立旋转轴的集合，
Figure DEST_PATH_IMAGE045
是由轴生成的相关阶次的离 散集合；由流动噪声、湍流和瞬态事件产生的宽带噪声在实际的直升机旋翼空气动力 噪声测量中，总的测量信号的形式将是：
Figure DEST_PATH_IMAGE049
其中
Figure DEST_PATH_IMAGE050
是因果关系，与
Figure DEST_PATH_IMAGE051
不相关。
8.根据权利要求7所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在 于，从记录的响应和阶数的轴旋转速度，将阶数跟踪转换为复数包络
Figure DEST_PATH_IMAGE053
估计问 题；结构方程规定，复数包络
Figure 328411DEST_PATH_IMAGE053
与载波信号相比是平滑和缓慢变化的，对复数包络
Figure 245552DEST_PATH_IMAGE053
进行规定是要求重复差值满足如下方程之一：
Figure DEST_PATH_IMAGE054
其中
Figure DEST_PATH_IMAGE055
表示差序为
Figure DEST_PATH_IMAGE056
的差分算子，
Figure DEST_PATH_IMAGE057
是一个小的非均质项；估计的复数包络函数与测量数据相关，通过测量方程实现：
Figure DEST_PATH_IMAGE058
未知的复数包络函数
Figure 962972DEST_PATH_IMAGE053
在结构方程和测量方程以测量系数的形式出现，通过选择 一个加权函数，并舍弃作为多余参数的未测量函数和，得到线性 超定方程组，构建一个加权线性最小二乘法问题：
Figure DEST_PATH_IMAGE062
其中，大值的
Figure DEST_PATH_IMAGE063
强制要求时间点
Figure DEST_PATH_IMAGE064
周围的平稳性，而小值则允许观察到的数据在这个时间点上主导估计结果。
9.根据权利要求8所述的基于级联滤波器的旋翼和尾桨气动噪声分离方法，其特征在 于，当复数包络
Figure DEST_PATH_IMAGE065
被估计时，主旋翼和尾旋翼的音调噪声被提取出来：
Figure DEST_PATH_IMAGE066
其中
Figure DEST_PATH_IMAGE068
和
Figure DEST_PATH_IMAGE069
是分别对应于主旋翼和尾旋翼的叶频谐波的离散阶次集，
对于一个有
Figure DEST_PATH_IMAGE070
叶片的主旋翼和一个有
Figure DEST_PATH_IMAGE071
叶片的尾旋翼，BPF阶次集
Figure DEST_PATH_IMAGE072
和
Figure DEST_PATH_IMAGE073
为：
Figure DEST_PATH_IMAGE074
Figure DEST_PATH_IMAGE075
。
CN202111194821.XA 2021-10-14 2021-10-14 基于级联滤波器的旋翼和尾桨气动噪声分离方法 Active CN113643679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111194821.XA CN113643679B (zh) 2021-10-14 2021-10-14 基于级联滤波器的旋翼和尾桨气动噪声分离方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111194821.XA CN113643679B (zh) 2021-10-14 2021-10-14 基于级联滤波器的旋翼和尾桨气动噪声分离方法

Publications (2)

Publication Number Publication Date
CN113643679A true CN113643679A (zh) 2021-11-12
CN113643679B CN113643679B (zh) 2021-12-31

Family

ID=78426713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111194821.XA Active CN113643679B (zh) 2021-10-14 2021-10-14 基于级联滤波器的旋翼和尾桨气动噪声分离方法

Country Status (1)

Country Link
CN (1) CN113643679B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757242A (zh) * 2022-06-16 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法
CN115186221A (zh) * 2022-08-05 2022-10-14 南京航空航天大学 一种旋翼桨-涡干扰噪声提取方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5148488A (en) * 1989-11-17 1992-09-15 Nynex Corporation Method and filter for enhancing a noisy speech signal
US20070032966A1 (en) * 2002-06-07 2007-02-08 Exxonmobil Research And Engineering Company Law Department System and methodology for vibration analysis and conditon monitoring
CN103278235A (zh) * 2013-06-03 2013-09-04 合肥伟博测控科技有限公司 一种新的瞬态振动信号角域阶比跟踪采样和分析方法
CN104091085A (zh) * 2014-07-18 2014-10-08 安徽工业大学 基于螺旋桨尾流压力脉动计算的空化噪声特征估计方法
CN105512369A (zh) * 2015-11-27 2016-04-20 电子科技大学 基于阶次谱的Vold-Kalman滤波带宽优选方法
CN106777542A (zh) * 2016-11-23 2017-05-31 大连理工大学 弹性叶片螺旋桨流噪声预测方法
CN107393550A (zh) * 2017-07-14 2017-11-24 深圳永顺智信息科技有限公司 语音处理方法及装置
CN110294116A (zh) * 2018-03-22 2019-10-01 极光飞行科学公司 用于降低螺旋桨噪声的系统和方法
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5148488A (en) * 1989-11-17 1992-09-15 Nynex Corporation Method and filter for enhancing a noisy speech signal
US20070032966A1 (en) * 2002-06-07 2007-02-08 Exxonmobil Research And Engineering Company Law Department System and methodology for vibration analysis and conditon monitoring
CN103278235A (zh) * 2013-06-03 2013-09-04 合肥伟博测控科技有限公司 一种新的瞬态振动信号角域阶比跟踪采样和分析方法
CN104091085A (zh) * 2014-07-18 2014-10-08 安徽工业大学 基于螺旋桨尾流压力脉动计算的空化噪声特征估计方法
CN105512369A (zh) * 2015-11-27 2016-04-20 电子科技大学 基于阶次谱的Vold-Kalman滤波带宽优选方法
CN106777542A (zh) * 2016-11-23 2017-05-31 大连理工大学 弹性叶片螺旋桨流噪声预测方法
CN107393550A (zh) * 2017-07-14 2017-11-24 深圳永顺智信息科技有限公司 语音处理方法及装置
CN110294116A (zh) * 2018-03-22 2019-10-01 极光飞行科学公司 用于降低螺旋桨噪声的系统和方法
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 (2)

* Cited by examiner, † Cited by third party
Title
VOLD H: ""Multi axle order tracking with the vold-kalman tracking filter"", 《S.V.SOUND &VIBRATION》 *
王召: ""基于循环维纳滤波的测距仪干扰抑制方法研究"", 《中国优秀硕士学位论文全文数据库工程科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757242A (zh) * 2022-06-16 2022-07-15 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法
CN114757242B (zh) * 2022-06-16 2022-09-23 中国空气动力研究与发展中心低速空气动力研究所 基于循环维纳滤波的直升机噪声增强方法以及检测方法
CN115186221A (zh) * 2022-08-05 2022-10-14 南京航空航天大学 一种旋翼桨-涡干扰噪声提取方法及系统
CN115186221B (zh) * 2022-08-05 2024-01-12 南京航空航天大学 一种旋翼桨-涡干扰噪声提取方法及系统

Also Published As

Publication number Publication date
CN113643679B (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113643679B (zh) 基于级联滤波器的旋翼和尾桨气动噪声分离方法
KR102150014B1 (ko) 비행체 식별 방법 및 장치
CN105699072B (zh) 一种基于级联经验模态分解齿轮故障诊断方法
EP2085902B1 (en) Order tracking method and system
CN110991055B (zh) 一种旋转类机械产品剩余寿命预测系统
CN104502099A (zh) 齿轮箱瞬变工况特征分量循频提取方法
CN112461934B (zh) 一种基于声发射的航空发动机叶片裂纹源定位方法
Wu et al. Blade tip timing: from raw data to parameters identification
CN104568132B (zh) 一种基于参考信号约束的机械特征声信号频域半盲提取方法
CN106198009B (zh) 一种滚动轴承的emd、谱峭度和平滑迭代包络分析方法
CN104677486B (zh) 基于转速脉冲重构的航空发动机振动信号相位测量方法
CN112782421A (zh) 一种基于音频的转速识别方法
CN110920931A (zh) 一种旋转部件飞行测试静态载荷、动态载荷分离方法
Vasudha et al. Effect of sampling frequency and sample length on fault diagnosis of wind turbine blade
CN111323227A (zh) 一种航空发动机转子故障特征的提取方法
Pang et al. Weak fault diagnosis of rolling bearings based on singular spectrum decomposition, optimal Lucy–Richardson deconvolution and speed transform
Zhang et al. Blind deconvolution denoising for helicopter vibration signals
CN115683644A (zh) 航空发动机双源拍振特征识别方法
CN114994650A (zh) 一种改进的螺旋桨转速估计方法
Liu et al. Acoustic emission analysis for wind turbine blade bearing fault detection using sparse augmented Lagrangian algorithm
Whitehead The analysis of blade vibration due to random excitation
CN112697263A (zh) 一种eemd多尺度波动分析状态监测方法及装置
HANSON A study of subsonic fan noise sources
Zhang et al. A new feature extraction for rolling bearing using sparse representation based on improved K-singular value decomposition and VMD
CN117725539B (zh) 一种复杂工况下风机旋转部件的故障特征提取及分析方法

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