基于VMD-RobustICA的车用起动电机噪声源识别
基于LabVIEW的车床主轴箱噪声源识别系统的开发
ｔ ｏ ｉ ｎ ｅ ｕｎ ｙｄ ｍ ｉ．Ｉ ｃｎ ｉ ｎｉ ｔｅｌｔｅｈ ａ ｓ ｃ ｏ ｅｓｕｃ ｕｃｌ ａｄａｃ — ｉ ｄｍａ ａ ｄ￣ ｑ ｅｃ ｏ ａｎ ｔ ａ ｅ ｔ ｈ ｈ ｅ ｄｔ ｋ ｎｉ ｏ ｒｅｑ ｉ ｙ ｎ ｃｕ ｍｅ ｎ ｄ ￣ ａ ｏ ｓ ｋ
ｒｔｌ ａｅｙ．Ｉ ａ ｒ ａ ｒ ｃｉ ａ ａｕ ． ｔｈ ｓ ｇｅ ｔｐ ａ ｔ ｌｖ ｌ ｅ ｃ Ｋｅ ｗｏ ｄｓ：Ｌ ｂ ＥＷ ；Ｌ ｔ ｙ ｒ ａ ＶＩ ａｈｅ；Ｎｏｓ ｉｅ
Ｄｅ ｉｎ ｏ ａ ｈ ａ ｓｏ ｋ Ｎｏｓ ｏ ｒｅ Ｉｅ ｔｉａ ｉｎ Ｓ ｓ ｅ Ｂａ ｅ ｎ Ｌ ｂ Ｗ ｓｇ ｆＬ ｔ ｅ Ｈｅ ｄ ｔ ｃ ｉｅ Ｓ ｕ ｃ ｄ ｎｉｃ ｔ ｙ ｔ ｍ ｓ ｄ ｏ ａ ＶＩ ｆ ｏ Ｅ
ＸＩ ＡＯ ｅ ｆ Ｗ ｎｕ
该设备成功应用到 了实际使用 中， 并取得了 良好 的效果 。最后的气动控制效果与虚拟仿真结果相近， 进 一 步说 明虚拟仿 真 在产 品设 计 中存在 一定 的使用 价 值， 从而有利于节省设计 时间， 提高产品质量 ， 为其它
机 电一 体化 设备 开发 提供 了一种借 鉴 。
参 考 文 献
第一作 者 ： 健 ， ，９５年 生 ， 教授 ， 士 ， 刘 男 １６ 副 学 研
究方 向 ： 电工程 。 机
（ 编辑
李 静）
（ 收稿 日期：０ ８— ２—２ ） ２０ ０ ８
文 编 ８２ ｉ 章 号ｉ２ ｌ 如果 发 对 文 看 将文 绩 填 读 意 调 表 的 应 置 您想 表 本 的 法 请 章 号 者 见 查 中 相 位
（ ｉｇ ｉ ｇＣ ｌ ｇ 。Ｐｎ ｘ ｎ ３ ０ ５ Ｈ Ｐｎ ｘ ｎ ｏ ｅｅ ｉｇｉ ｇ３ ７ ５ 。Ｃ Ｎ） ａ ｌ ａ
车用发电机噪声在线检测及噪声源识别系统研发的开题报告
车用发电机噪声在线检测及噪声源识别系统研发的开题报告一、研究背景及意义随着汽车使用的不断普及，车用发电机的噪声问题也越来越突出。
车用发电机产生的噪声不仅会影响到驾驶员的安全与健康，也会对行人和周围环境产生噪声污染。
因此，开发一套车用发电机噪声在线检测及噪声源识别系统，对于车用发电机的噪声控制有重要意义。
目前国内外已经有不少关于车用发电机噪声控制的研究，但在实际应用中，很多车用发电机的噪声仍然无法得到及时检测和有效控制。
这主要与传统的噪声检测方法过于依赖专业设备以及噪声源识别技术不够精确有关。
因此，我们需要开发一套更加高效、精准和方便的车用发电机噪声在线检测及噪声源识别系统。
二、研究内容和技术路线本系统的主要研究内容包括：1. 车用发电机噪声在线检测技术：基于数字信号处理算法，设计并实现一套能够实现车用发电机噪声在线检测的软件系统。
该系统通过使用智能循环控制算法，根据实时的采样数据，对车用发电机发出的噪声进行实时监测和分析，以提高检测精度和准确性。
2. 噪声源识别技术：根据车用发电机噪声的特征，采用深度学习技术设计及优化用于噪声源识别的神经网络模型。
经过大量数据的训练，模型能够准确地识别车用发电机噪声源。
3. 安装系统：开发一种适用于车用发电机的实时噪声检测安装系统，在不影响发电机正常工作的前提下，实现对车用发电机噪声的实时检测及数据传输。
技术路线：本系统采用了以下技术实现：1. 基于嵌入式系统的硬件平台设计：以嵌入式板卡为核心，搭建基础硬件平台，保证系统的可靠性和实时性。
2. 信号处理算法的设计与优化：设计一套灵活有效的信号处理算法，提高检测精度和准确性。
3. 深度学习技术的应用：根据车用发电机噪声的特征，采用深度学习技术进行噪声源识别模型的设计和优化。
4. 无线数据传输技术的应用：采用基础通信协议，实现噪声数据的实时传输和接收。
三、预期成果通过本系统的研发，我们希望实现以下目标：1. 车用发电机噪声在线检测及噪声源识别系统：以嵌入式平台为核心，通过采用数字信号处理算法和深度学习技术，开发出一种车用发电机噪声在线检测及噪声源识别系统。
探究基于阶次分析的永磁同步电机噪声源识别
测永磁同步电机的共振区域。故此，文章主要选择
１）永磁同步电机噪声存在明显的阶次特性，含 加速工况的噪声展开噪声源识别。借助上述加速工
有偶数阶谐波噪声、对应噪声峰值频率为电源频率 况下噪声，可得到加速工况下永磁同步电机噪声 Ａ
的偶数倍；２）变频器开关频率 ９０００Ｈｚ为中心，附 计权声压级时频图，详细如下图 ２所示。
收稿日期：２０１８－０４－０２ 基金项目：国家重点研发计划资助（２０１７ＹＦＢ０１０２４００） 作者简介：于莫岩（１９９２－），女，辽 宁 丹 东 人，硕 士 研 究 生，研 究 方 向：新 能 源 汽 车 振 动 噪 声，手 机：１５２０２２１７５５２，Ｅｍａｉｌ： １５２０２２１７５５２＠１６３．ｃｏｍ；通讯作者：刘茜（１９７１－），女，天津人，副教授，研究方向：汽车电子及液压系统，Ｅｍａｉｌ：ｌｑｉｆｒｅｅｄｏｍ ＠１６３．ｃｏｍ．
在确定研究对象后，对测试台展开分析，具体的 测试台结构如下图 １所示，按照图 １所构建的测试 台，保障电机转轴与测功机相连接，并借助夹紧片对 定子进行固定，具体固定到的位置在定位圈。且转 轴的 ２端通过轴承支撑在支座上，为避免测试现场 声音过于巨大，测试中运用隔音罩进行隔音。
'()
*'+
,-.
１ 永磁同步电机噪声实验及分析
!"#
$%&
针对永磁同步电机的基本情况，展开对永磁同 步电机噪声实验分析，实验的目的是，在多工况条件 下，对永磁同步电机的噪声信号进行测定，并对具体 噪声特征进行研究，为发生机理分析提供基础。现 本文以某一具体型号的永磁同步电机为研究对象， 其具体参数如下表 １所示。
表 １ 某一具体型号永磁同步电机参数
7
**
EMD-Robust ICA在柴油机噪声源识别中的应用
EMD-Robust ICA在柴油机噪声源识别中的应用于宏志;沈颖刚;毕凤荣【摘要】为了有效地从复杂的单一通道噪声信号中分离和识别柴油机的噪声源,采用经验模态分解(EMD)和基于峭度的鲁棒性独立分量分析(RobustICA)相结合的方法,将EMD分解后的本征模态函数与原噪声信号作为RobustICA的输入,借助RobustICA良好的抗噪性,不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离.模拟仿真的结果充分说明了该方法的可行性.应用于某四缸柴油机噪声信号分析,对分离出的独立分量进行小波(CWT)时频分析,结合内燃机的特性,从单一通道噪声信号中准确识别出柴油机的燃烧噪声和活塞敲击噪声.【期刊名称】《噪声与振动控制》【年(卷),期】2014(034)001【总页数】5页(P178-182)【关键词】声学;柴油机;经验模态分解;鲁棒性独立分量分析;噪声源识别【作者】于宏志;沈颖刚;毕凤荣【作者单位】昆明理工大学云南省内燃机重点实验室,昆明650500;昆明理工大学云南省内燃机重点实验室,昆明650500;天津大学内燃机燃烧学国家重点实验室,天津300072【正文语种】中文【中图分类】TB5柴油机由于其良好的动力性、燃油经济性和排放等性能，目前已广泛地应用于大中型汽车上，今后还将向小型汽车和轿车普及，然而柴油机存在严重的振动和噪声问题，如何快速、准确的识别振动源与噪声源是降噪减振的前提[1]。
文章尝试采用EMD-Robust ICA相结合的方法对单一通道噪声信号进行盲源分离，克服了独立分量分析要求传感器数目必须大于等于分离出分量数目的限制[2]；借助Robust ICA良好的抗噪性，不需要对观测信号进行滤波处理就可以实现单一通道观测信号的源分量分离[3]。
EMD的主要思想是根据信号本身的局部时间尺度特征，将一个时序信号分解为一组由高频到低频的均值为零的本征模态函数与一个余项的和[4]IMF需要满足以下两个条件：1)整个数据段范围内，极值点（极大值点和极小值点的总个数）的数目与过零点的数目相等，或最多相差一个；2)对于选定的一段信号，局部极大值点构成的上包络线与局部极小值点构成的下包络线均值为零。
基于模糊PID的汽车起动机综合性能自动测试系统研究与开发的开题报告
基于模糊PID的汽车起动机综合性能自动测试系统研究与开发的开题报告一、选题背景和意义随着汽车工业的快速发展，车辆的使用和维护已经成为一个重要的问题。
汽车的起动机是车辆的一个重要组成部分，其可靠性和性能直接影响着车辆的正常使用。
因此，汽车起动机的性能测试变得越来越重要。
当前，汽车起动机的性能测试主要通过手动测试的方式进行，测试效率低、准确度不高，同时还存在人为因素的影响。
因此，研究和开发一套基于模糊PID控制的汽车起动机综合性能自动测试系统，具有十分重要的意义。
本系统可以实现对汽车起动机性能的全面测试，提高测试准确度和效率，同时降低人为因素的影响，保障车辆的使用安全。
二、研究内容和方法本研究旨在研究和开发一套基于模糊PID控制的汽车起动机综合性能自动测试系统，具体的研究内容和方法如下：1、研究汽车起动机的工作原理和性能测试指标，了解汽车起动机的基本特性。
2、研究模糊PID控制技术，掌握其基本理论和实现方法。
3、设计汽车起动机综合性能测试系统的硬件框架和软件框架，并对系统功能和性能进行需求分析和设计确定。
4、实现汽车起动机综合性能测试系统的关键模块和算法，包括模糊PID控制、数据采集和处理、性能测试指标计算和结果展示等功能。
5、进行系统测试和验证，评估系统的可靠性和性能，通过实验数据对模糊PID控制算法进行优化和改进。
三、预期目标和成果本研究的预期目标和成果如下：1、设计和开发一套基于模糊PID控制的汽车起动机综合性能自动测试系统，实现对汽车起动机性能的全面测试。
2、评估系统的可靠性、准确度和性能，对模糊PID控制算法进行优化和改进。
3、提出汽车起动机综合性能测试的标准流程和测试指标，为汽车维修和安全使用提供参考。
四、研究进度安排本研究的进度安排如下：1、文献调查和研究：1个月2、系统需求分析和设计：1个月3、系统功能实现：2个月4、系统集成和测试：1个月5、论文撰写和结题报告：1个月五、参考文献1.赵晶晶,刘衡,杨昆,柴坡. 汽车起动机综合性能自动测试装置的研制[J].电子技术应用,2019,(21).2.张子君. 汽车起动机综合性能的评定方法[J].汽车技术,2019,(S2).3.张志强. 模糊PID控制理论与实现[M].北京:中国铁道出版社,2018.。
基于虚拟仪器技术的发动机起动性能检测分析系统
测试 仪 器 ，其 精 度 低 、速 度慢 、适 应性 差 ；由数 字 电路 构成 的数 字 式 测试 仪 器 以及 以单 片机 为 核 心 的 智 能化 测试 仪 器 ，在 测 试 精 度 、速 度 和仪 器 寿 命 等 方面 都 有较 大 的提 高 ，但也 都 只 能实 现 简 单 的数据 测量 和分析 处理 ，缺 乏灵活 性 。 本 文 基 于虚 拟 仪 器技 术 设 计 了 发动 机 起动 性
、 ！
匐 ｂ
基 于虚 拟仪 器技 术 的发 动机 起 动性 能 检测 分 析 系统
Ｔｅ －： ￣ｌａｎｄ ＇ ａｎａｌ ｓ ， ｝ ｌ ｅｎｇｉ ｍ ｙｓｉ ｓ ｍ Ｏｆ ｎｅ ｎ ｆ ｎｎａｎｃｅ ｒ ｐｅｒ｜ ｔ ｏ ｂａｓ ｅｄ ｏｎ ｒ ｕａｌ ｎｓｂｕｍ ｅｎｔｔ ｖｉｔ ｌｒ ｉ ｅｃｈ．ｏ￣ ｊｙ
提供了可视化的评价结果 ，为发动机 的生产、维护、修理提供可靠的依据。 关键词 ：虚拟仪器 ；Ｌ ｂ ＩＷ；发动机 ；起动性能 ；检测分析 ａ ＶＥ
中 图 分类 号 ：Ｔ ０ ．；ｕ ６ Ｐ２６ １ ４４ 文 献标 识 码 ：Ａ 文 章 编 号 ：１０ ０ ３ （０ １ ４上 ） ０ １ － ４ ９ １ ４ ２ １） （ 一 ０ ２ ０ ０
Ｄ ｉ１ ．９ ９Ｊ ｉ ｎ １ ０ － １ ４ ２ １ ．（－ ．４ ｏ： ３ ６／ ． ｓ ．０９ ０ ．０ １ ４ ｉ） Ｏ ０ ｓ ３
０ 引言
发动 机 作 为汽 车 的核 心部 件 ，其起 动 性 能 是 保 证汽 车 正 常运 行 的 关键 。为 了对 发 动机 的起 动 性 能进 行 正确 的评 价 ，需 要 测试 发 动机 实 际 起动 过程 中的 各种 状 态参 数 ，并 对 这 些 参数 进 行 合理
基于VMD-SAST的电能质量扰动分类识别方法
01变分模态分解VMD的目的是将含有多个分量的复杂扰动信号x(t)通过一种自适应准正交方法进行非递归分解，得到包含多个IMF的集合。
这些IMF在带宽上具有特定的稀疏性，并且可以重建输入信号。
为了使VMD算法需求解的约束变分问题具有更好收敛性，将其作为无约束优化问题来处理，构建的增广拉格朗日表达式L。
使用乘法器的交替方向法求解变分问题，n+1次迭代更新后各项参数在频域中的数值。
基于第k个中心频率ωk 在频域中更新参数，并嵌入Wiener滤波器，使其在噪声条件下具有鲁棒性。
利用τ对拉格朗日乘子进行迭代更新，得到IMF的精准重构，其收敛条件为式中：为第n次迭代下t时段输入信号第k个分解IMF 的傅里叶变换。
通过VMD算法将PQDs信号分解为多个具有特定稀疏性的IMF，每个IMF围绕1个中心频率。
因此，每个IMF具有完整的扰动局部特征。
02同步压缩自适应S变换时间序列信号x(t)的传统自适应S变换公式可以参考文献[24]。
虽然ST继承了STFT和WT的优点，但是窗宽因子σ随频率变化的固定趋势会降低ST的时频分辨率。
因此，本文使用自适应S变换算法来提高对PQDs信号的时频分辨率。
自适应S变换的时频分辨率可以通过改变σ来调节。
由自适应S变换公式可知，σ不再是频率f的固定函数，A S T可以直接通过调节σAS T对窗函数的窗宽进行控制，提高相应频点的时频分辨率。
由于非平稳时变PQDs信号的连续性，自适应S变换算法很难达到最佳的能量集中。
因此，为了进一步提高自适应S变换算法的时频分辨率，提出了SAST算法。
通过同步压缩的方法，将能量压缩到信号的真实瞬时频率中。
SAST算法对自适应S变换的频谱进行重新排列，将中心频率[f x−f0/f02,f x+f0/f02]中的能量压缩到f0的位置。
因此，x(t)的SAST公式T x(f0,b)可以表示为式中：f x为压缩频谱的中心频率；f k为计算自适应S变换时的离散频率，其中Δf k=f k−f k−1；f为计算信号的瞬时频率；f为频率；b为时移因子；A x(f,b)为自适应0S变换式。
基于eemd-robustica的车用永磁同步电机噪声源识别
method of ensemble empirical mode decomposition ( EEMD) combined with robust independent component analysis ( Ro鄄
bustICA) was introduced to decompose and separate the motor noise signal. The method of Fourier transform and wavelet
EEMD-RobustICA
詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪
D 摇 摇
摇 摇 2020 年第 48 卷第 1 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪詪
设计分析 esign and analysis
詪摇
基于 EEMD-RobustICA 的车用永磁同步电机噪声源识别
姜俊宏,刘摇 茜,陈摇 勇,邱子桢,武一民,陈亚琴
( 河北工业大学 天津市新能源汽车动力传动及安全技术重点实验室,天津 300130)
摘摇 要:针对电动汽车驱动用永磁同步电机噪声源问题,采用集合经验模态分解( EEMD) 结合鲁棒性独立成分 分析( Robust-ICA) 方法对电机噪声信号进行分解与分离,利用傅里叶变换与小波变换相结合的方法对各噪声源进 行频域与时频域分析。 结果表明,EEMD-RobustICA 的方法可以有效地识别出该永磁同步电机的主要独立噪声源, 各噪声源的贡献量大小依次为开关频率噪声、径向电磁力噪声和机械噪声。 开关频率噪声是一种高频瞬态噪声,在 时频域上呈现周期性变化。 径向电磁力噪声与机械噪声均为稳态低频噪声。 基于 EEMD-RobustICA 的噪声源识别 方法可以为降低永磁同步电机的噪声提供理论依据。
ivmd融合robust ica的内燃机噪声源分离
第40卷第1期2020年2月振动㊁测试与诊断J o u r n a l o fV i b r a t i o n,M e a s u r e m e n t&D i a g n o s i sV o l.40N o.1F e b.2020D O I:10.16450/j.c n k i.i s s n.1004-6801.2020.01.005I V M D融合R o b u s t I C A的内燃机噪声源分离*张俊红1,2,汤周杰1,林杰威1,周启迪1,段超阳1,王静超1(1.天津大学内燃机燃烧学国家重点实验室天津,300072)(2.天津大学仁爱学院天津,301636)摘要为了准确分离识别内燃机的主要噪声源,提出了一种改进变分模态分解融合鲁棒独立分量分析的方法㊂首先,针对变分模态分解方法的分解数选择问题进行了算法优化,提出了基于重构信号能量比和中心频率的改进变分模态分解方法,并利用仿真信号进行了验证;其次,进行了内燃机噪声试验,利用改进变分模态分解将单通道信号分解成多个信号分量,根据信号分量与源信号的互信息主要分量识别,克服了主要噪声分量选择客观依据不足的问题;最后,通过鲁棒独立分量分析提取主要噪声分量的独立成分,并结合相干分析和时频分析进行噪声源识别㊂结果显示,所提出的方法能够有效进行噪声源分离,可成功识别出燃烧噪声㊁活塞敲击噪声和空压机噪声等内燃机主要噪声源㊂关键词内燃机;噪声源分离;变分模态分解;互信息;鲁棒独立分量分析中图分类号 T K402引言随着内燃机功率密度的不断增加,其噪声问题越发受到重视㊂内燃机噪声源众多且相互影响,噪声源的分离识别对掌握声源特性并进行相应的噪声控制具有重要意义㊂近年来,国内外学者进行了大量基于信号处理技术的噪声源分离与识别的研究:如光谱分析法[1]㊁独立分量分析法[2]㊁相干分析法[3]㊁经验模态分解法[4-5]和聚合经验模态分解法[6-7]等㊂传统的信号处理技术存在模态混叠问题,影响噪声识别精度㊂基于此,文献[8]提出了变分模态分解方法(v a r i a t i o n a l m o d ed e c o m p o s i t i o n,简称VM D),采用非递归的迭代方式求解,实现频域剖分与信号分离㊂文献[9]将变分模态分解引入内燃机噪声源识别领域,但其文献工作是在保留一个气缸㊁屏蔽其他五缸噪声的情况下进行的噪声识别,在无覆盖条件下进行更多声源的内燃机噪声源分离尚未实现㊂另外,变分模态分解需要进行分解数的预设,但是通常噪声信号复杂多变难以确定分解数[10]㊂当噪声分量较多时,主要噪声分量的选择也直接影响后续声源分离的精度㊂针对这些问题,笔者提出一种改进变分模态分解(i m p r o v e dv a r i a t i o n a lm o d ed e c o m p o s i t i o n,简称I VM D)融合鲁棒独立分量分析(r o b u s t i n d e-p e n d e n t c o m p o n e n ta n a l y s i s,简称R o b u s t I C A)的内燃机噪声源分离方法㊂首先,利用自适应的的选择分解数对噪声信号进行分解;其次,利用互信息(m u t u a l i n f o r m a t i o n,简称M I)指标筛选主要噪声分量,分离出相互独立的噪声源;最后,采用连续小波变换(c o n t i n u o u sw a v e l e t t r a n s f o r m,简称C WT)对各个独立分量进行时频分析并结合相干分析方法识别内燃机噪声源㊂1基本理论1.1变分模态分解变分模态分解是非递归式的信号处理方法,该算法本质是通过求解变分问题来确定本征模态分量,实现信号频域的自适应分解㊂其基本求解过程是,对于一个原始信号,设定变分模型为m i n{u k}{ωk}{ðk ∂t[(δ(t)+jπt)*u k(t)]e-jωk t 22}(1) s.t.ðk u k=x(t)(2)*国家重点研发计划资助项目(2017Y F C0211301)收稿日期:2018-03-13;修回日期:2018-07-12其中:{u k}:={u1,u1, ,u k}为信号k个本征变分模态分量,模态分量为一个具有中心频率和有限带宽的调幅调频信号,各个分量之和等于原信号; {ωk}:={ω1,ω2, ,ωk}为各个模态分量的中心频率㊂为了求解上述变分问题,引入二次惩罚因子α和拉格朗日惩罚算子λ,将约束性变分问题变成非约束性变分问题㊂其中,α可以在信号存在高斯噪声的时候,保证重构的精确度,而λ保证约束条件的严格性㊂得到增广的拉格朗日表达式为L({u k},{ωk},{λ})=αðk ∂t[(δ(t)+jπt)u k(t)]e-jωk t 22+f(t)-ðk u k(t) 22+<λ(t),f(t)-ðk u k(t)>(3)利用乘法算子交替方向法(a l t e r n a t ed i r e c t i o n m e t h o do fm u l t i p l i e r s,简称A D MM)求解式(3)鞍点,得到变分问题的最优解,从而将信号分解成k个窄带本征模态分量u k㊂1.2基于能量比和观察中心频率改进的变分模态分解在变分模态分解的数量选择上,分量过少为欠分解,造成分量频域过宽,无法确定主要频率;分解数量过多会造成过分解,产生虚假分量㊂文献[10]利用原始信号经VM D分解后的余量与源信号的能量比作为欠分解的判断标准来确定k的最小值,然而余量信号并非单纯相当于源信号与分量信号的线性相减㊂文献[11]利用观察中心频率法来判断是否过分解,确定k的最大值㊂在此基础上,笔者提出利用重构信号与原信号能量比和观察中心频率的双限值法来综合确定k值范围,进而实现自适应地确定分解数量㊂VM D分解得到的各分量均为有限频率带宽分量,但会丢失一部分距中心频率较远的分量信号,分解数量越多时,丢失的信号越少㊂基于VM D的这一特点,对分量信号求和进行重构,求取重构信号ðk u k与源信号f的能量比C㊂利用内燃机噪声仿真信号,经多次仿真试验,设定能量比阈值0.95作为判断是否欠分解的依据,从而确定k值下限㊂能量比表达式为C= ðk u k 22/ f 22(4)在保证完全分解的情况下,继续增加分解数,并结合中心频率观察法判断是否过分解,确定k值上限㊂具体实现步骤如下:1)初始化k为0(内燃机噪声信号频带较宽);2)k=k+1,进行变分模态分解,得到k个I M F 分量;3)对所有I M F分量进行线性叠加,得到重构信号,求能量比C;4)设定能量比阈值为0.95,循环步骤2和3,直至C>0.95;5)k=k+1,进行变分模态分解,得到分量中心频率ωk(t);6)观察中心频率,循环步骤5,直至发生过分解;7)k=k-1,进行变分模态分解,输出分量信号㊂1.3互信息互信息[12]根据熵的概念引申而来,表征两个变量之间相互依赖的强弱程度,即两个变量间共同信息的含量㊂给定两个随机变量x和y,若其各自的边缘概率分布和联合概率分布分别为p(x),p(y)和p(x,y),则它们之间的互信息I(X;Y)定义为I(X;Y)=ðxðy p(x,y)l o g p(x,y)p(x)p(y)(5)互信息越大,两个变量的关联性越强;反之亦然㊂当互信息为0时,则表示两个变量相互独立㊂相较传统的相关系数只能反映两个变量之间的线性相关而无法衡量其间的非线性关系而言,互信息从信息论的角度出发,在可以评估变量间共有信息量的同时,不局限于线性关系,相较相关系数有很大优势㊂1.4鲁棒独立分量分析独立分量分析(i n d e p e n d e n t c o m p o n e n t a n a l y-s i s,简称I C A)方法是一种广泛运用在信号处理领域的盲源分离技术㊂算法本质上是依据优化准则,针对源信号线性混合组成的合成信号寻找分离矩阵,将信号分离成各个分量,并且使其尽量保持相互独立㊂I C A分析的目的就是在源信号S(t)以及混合矩阵A均未知的情况下,按照一定的优化准则寻求最优的分离矩阵W,对测量信号进行解耦,由观测的信号求得近似源信号Y(t),分离矩阵为WʈA-1(6a)X(t)=A S(t)(6b)则输出的近似估计值为92第1期张俊红,等:I VM D融合R o b u s t I C A的内燃机噪声源分离Y (t )=W X (t )ʈS (t )(7)其中:Y (t )为分离得到的信号向量,即源信号S (t )的近似估计㊂R o b u s t I C A [13]是改进的独立分量分析方法,其将峭度作为对照函数,算法优点在于可以选取最佳步长,还可以对峭度不为零的独立分量进行分离,并且解决了传统盲源分离信号排序问题㊂另外,当信号存在坏点和伪局部极值点时,该方法鲁棒性明显提升㊂2 I V M D -R o b u s t I C A 噪声源分离方法2.1 噪声源识别流程为了准确识别内燃机辐射噪声,笔者提出I VM D -R o b u s t I C A 的噪声源分离方法㊂在对单通道噪声信号进行I VM D 分解的基础上,利用M I 进行主要噪声分量的筛选,针对主要噪声分量采用R o b u s t I C A 进行分离,得到噪声信号独立分量,最后对噪声信号进行时频分析㊂分析流程如图1所示㊂图1 基于I VM D -R o b u s t I C A 的噪声源分离流程F i g .1 F l o wc h a r t o f n o i s e s o u r c e s e p a r a t i o nb y IVM D -R o b u s t I C A2.2 仿真信号检验算法为了检验本方法的适用性,利用一组仿真信号进行验证㊂内燃机噪声一般为低频稳态和高频瞬态的噪声信号,为了检验变分模态分解对于相近频率信号的分解能力,将仿真信号设计为50H z 的低频稳态信号㊁80H z 和100H z 的中频稳态信号和500H z 的高频瞬态冲击信号的合成信号,同时添加了0.02倍幅值的随机噪声信号,如图2(a)所示㊂仿真信号表达式为图2 仿真信号㊁I VM D 和E VM D 分解信号F i g .2 T h e s i m u l a t i o n s i g n a l a n d I VM D \E VM Dd e c o m -p o s i t i o n s i gn a l s S 1=c o s (2π50t )S 2=c o s (2π80t )S 3=c o s (2π100t )S 4=0.25c o s (2π500t )e -104(t -0.0625)2+ 0.25c o s (2π500t )e -104(t -0.125)2+ 0.25c o s (2π500t )e -104(t -0.1875)2f =S1+S 2+S 3+S ìîíïïïïïïïïïï4(8)03振 动㊁测 试 与 诊 断 第40卷对于仿真信号采用I VM D和基于残余信号能量比的变分模态分解(e n e r g y v a r i a t i o n a lm o d ed e-c o m p o s i t i o n,简称E VM D)[10]两种方法进行分解处理并进行对比,仿真信号幅值为无量纲㊂如图2(b)所示,I VM D自动选择分解数得到4个分量,准确对源信号进行分解㊂图2(c)中,E VM D得到2个信号,I M F1与源信号S1相近,I M F2发生模态混叠,其包含瞬态信号和稳态信号分量㊂仿真结果表明,笔者提出的I VM D相对于E VM D有更精确的分离结果,更适用于分解内燃机噪声信号㊂相对于传统的VM D,利用能量比和中心频率双阈值能够自适应确定分解数量,避免了主观设定和多次试算的问题㊂3噪声源识别分离3.1噪声试验在半消音室中对某6缸4冲程内燃机进行噪声试验,金属尖劈长度为800mm,本底噪声为25d B,截止频率为100H z㊂为了去除进排气噪声和风扇噪声的影响,进排气管覆盖消声棉,拆掉散热风扇,引出进排气噪声㊂噪声试验按照国标进行五点噪声测试,发动机运行工况为1200r/m i n,40%负荷㊂麦克风布置在发动机顶面中心上方1m处,利用光电传感器测量曲轴转角信号,在喷油泵㊁缸盖㊁皮带轮㊁空压机㊁机体㊁油底壳和摇臂罩等处进行近场噪声采集㊂测试现场如图3所示㊂图3噪声试验现场F i g.3 N o i s eb e n c h t e s t3.2噪声源分离识别信号处理在M a t l a b中进行,首先进行消除趋势项和滑动平均等预处理,去掉直流分量,减少信号累计误差㊂VM D分解信号以频带划分,噪声信号频率范围过宽会导致分解后中心频率过于分散㊂为了提高分析准确性和计算效率,滤掉高于8k H z的噪声信号,得到辐射噪声信号时域波形和频谱如图4所示㊂同转速倒拖工况信号频谱如图5所示㊂图4噪声信号时域波形和频谱图F i g.4 T i m ed o m a i n w a v e f o r m a n ds p e c t r u m o fn o i s es i g n a l图5倒拖工况信号频谱F i g.5 S p e c t r u mo f d r a g c o n d i t i o n s i g n a l本研究的主要目的是分离内燃机活塞敲击噪声㊁燃烧噪声及其他主要噪声源㊂利用I VM D分解噪声,得到能量比和中心频率如表1和表2所示㊂表1I V M D分解重构信号能量比T a b.1I V M Dr e c o n s t r u c t i o n s in a l e n e r r a t i o13第1期张俊红,等:I VM D融合R o b u s t I C A的内燃机噪声源分离表2I V M D分解信号中心频率T a b.2C e n t e r f r e q u e n c y o f I V M Dd e c o m p o s i t i o n s i g n a lH z 分解数中心频率k=364414474377k=4625137525274643k=5261801146026504673k=62597981454260244336164k=723574312161611272745597025k=8235743121616112697437155687489k=92337391207147420422816440756947495可以看到,随着分解数量的增加,重构信号与源信号的能量比也在逐步增加,各分量中心频率也变得更接近㊂依据笔者提出的I VM D筛选方法,自动选择得到的分解数为8㊂如表3所示,对分解得到的8个信号分量与源信号进行互信息分析,以筛选主要噪声分量㊂从表3可以看出,I M F1,I M F2,I M F7和I M F8与源信号相关性较强,确定这4个主要噪声分量㊂将这4个主要噪声分量进行R o b u s t I C A分离,得到以下3个具有明显特征的独立分量I C1,I C2和I C3,如图6~8所示㊂表3I V M D分解信号与源信号互信息T a b.3M u t u a lI n f o r m a t i o no fI V M D d e c o m p o s i t i o ns i g n a la n d s o u r c e s i g n a l从图6可知,I C1主要频率为1590H z㊂由图4 (b)㊁图5可知,在倒拖及40%负荷工况频谱中1590H z均为峰值频率,并且在倒拖工况是最大峰值频率㊂由于在倒拖工况中内燃机并未发生燃烧,仅有机械运转,因此1590H z噪声分量并非燃烧引起的,判定其为机械噪声㊂进一步确定I C1机械噪声源,观察I C1小波时频图发现,其能量集中点以120ʎ间隔出现,与发火间隔相同,并且时域波形均在上止点附近急剧变化,图6I C1时域波形和连续小波变换图F i g.6 T i m e d o m a i nw a v e f o r ma n dC WTo f I C1与缸内压力变化有关㊂在机械噪声中,活塞往复运动中在气体压力㊁油膜力和摩擦力共同作用下与缸套主副推力侧发生碰撞产生的敲击噪声与I C1特征重合㊂此外,由于麦克风放置在第3缸附近,可以明显看出第3缸噪声相比于其他分量幅值更大㊂综上可以判定I C1为活塞敲击噪声㊂从图7可知,分量I C2中心频率为1260H z,对比图4㊁图5源信号与倒拖信号频谱,发现1260H z 在倒拖频谱中幅值较低,初步判定I C2为燃烧噪声㊂内燃机转速为1200r/m i n,发火频率为60H z, 1260H z是发火次数的倍频,验证I C2与内燃机发火有关系㊂依据先验知识,了解内燃机燃烧噪声主要分布频率为1000~3000H z,I C2属于此范围,初步判定为燃烧噪声㊂进一步观察分量I C2小波时频图,发现I C2以120ʎ出现,内燃机发火顺序为1 5 3 6 2 4,第6缸发火时刻在390ʎ曲轴转角左右,与I C2中第4次在时域上出现能量集中时刻吻合,因此判断I C2为燃烧噪声㊂从图8可知,I C3主要频率为720H z㊂依据该内燃机参数,曲轴齿数为49,转速为20r/s,空压机齿数为41,速比为1.195,得到空压机转速约为24r/s,I C3频率为转速基频的倍频,初步判定I C3为空压机噪声㊂23振动㊁测试与诊断第40卷图7 I C 2时域和小波时频图F i g .7 T i m e d o m a i nw a v e f o r ma n dC WTo f I C2图8 I C 3时域和小波时频图F i g .8 T i m e d o m a i nw a v e f o r ma n dC WTo f I C 3进一步验证空压机噪声源,测定各附件近场噪声,计算得到各附件近场噪声相干函数,发现I C 3与空压机噪声相干函数最大,判定其为空压机噪声,如表4所示㊂表4 I C 3与部件近场噪声相干系数T a b .4 T h e c o r r e l a t i o n c o e f f i c i e n t o f I C 3an dn e a r -f i e l dn o i s e o f e n g i n e c o m p o n e n t s4 结 论1)提出的I VM D 方法在VM D 的基础上,结合重构信号能量比及中心频率观察法,解决了VM D 分解数的自适应选择问题,相比于E VM D 分解方法,能够快速准确地对内燃机噪声信号进行分解㊂2)提出的I VM D -R o b u s t I C A 噪声源分离方法在无需屏蔽其他缸的情况下,能够利用内燃机顶部单一通道噪声测试数据对内燃机主要噪声源进行识别,有效分离出燃烧噪声㊁活塞敲击噪声和空压机噪声等,相比于单一的VM D 识别方法,提高了分析效率,降低了噪声分离的试验要求㊂3)本研究连续小波变换时频分析精度有限,将更精确的时频分析方法引入噪声源识别,将会进一步提高噪声源识别的精度㊂参 考 文 献[1] P R U V O S TL ,L E C L ÈR EQ ,P A R I Z E TE .D i e s e l e n -g i n e c o m b u s t i o na n dm e c h a n i c a l n o i s e s e p a r a t i o nu s i n ga n i m p r o v e ds p e c t r o f i l t e r [J ].M e c h a n i c a lS y s t e m s &S i g n a l P r o c e s s i n g,2009,23(7):2072-2087.[2] 王霞,刘昌文,毕凤荣,等.基于独立分量分析及小波变换的内燃机辐射噪声盲源分离和识别[J ].内燃机学报,2012,30(2):166-171.WA N G X i a ,L I U C h a n g w e n ,B I F e n g r o n g ,e ta l .B l i n ds o u r c e s e p a r a t i o na n d i d e n t i f i c a t i o no f e n g i n e r a -d i a t i o nn o i s eb a se do n i n d e p e n d e n t c o m p o n e n t a n a l ys i s a n dw a v e l e tt r a n s f o r m [J ].T r a n s a c t i o n so fC S I C E ,2012,30(2):166-171.(i nC h i n e s e)[3] 胡成太,高云凯,刘爽,等.基于频谱和相干分析的挖掘机噪声识别与控制[J ].振动㊁测试与诊断,2013,33(6):1032-1038.HU C h e n g t a i ,G A O Y u n k a i ,L I US h u a n g ,e t a l .E x -c a v a t o rn o i s e ide n t if i c a t i o na n dc o n t r o l b a s e do ns p e c -t r u ma n dc o h e r e n t a n a l ys i s [J ].J o u r n a l o fV i b r a t i o n ,33 第1期张俊红,等:I VM D 融合R o b u s t I C A 的内燃机噪声源分离M e a s u r e m e n t&D i a g n o s i s,2013,33(6):1032-1038.(i nC h i n e s e)[4]张俊红,李林洁,刘海,等.基于经验模态分解和独立成分分析的柴油机噪声源识别技术[J].内燃机学报, 2012(6):544-549.Z HA N GJ u n h o n g,L IL i n j i e,L I U H a i,e t a l.I d e n t i f i-c a t i o no fd ie s e l e n g i n en o i s e s o u r c eb a s e do ne m p i r i c a lm o d e d e c o m p o s i t i o na n d i n d e p e n d e n t c o m p o n e n t a n a l-y s i su s i n g E M D-I C A[J].T r a n s a c t i o n s o f C S I C E, 2012(6):544-549.(i nC h i n e s e)[5]于宏志,沈颖刚,毕凤荣.E M D-R o b u s t I C A在柴油机噪声源识别中的应用[J].噪声与振动控制,2014, 34(1):178-182.Y U H o n g z h i,S H E N Y i n g g a n g,B IF e n g r o n g.A p p l i-c a t i o no fE M D-R o b u s t I C At on o i s e s o u r c e s ide n t if i c a-t i o n o f d i e s e l e n g i n e s[J].N o i s e a n dV i b r a t i o nC o n t r o l, 2014,34(1):178-182.(i nC h i n e s e)[6] B IFR,L IL,Z HA N GJ,e t a l.S o u r c e i d e n t i f i c a t i o no f g a s o l i n ee n g i n en o i s eb a s e do nc o n t i n u o u s w a v e l e t t r a n s f o r ma n dE E M D-R o b u s t I C A[J].A p p l i e dA c o u s-t i c s,2015,100:34-42.[7] Z HA N GJ,WA N G J,L I N J,e ta l.D i e s e le n g i n en o i s es o u r c ei d e n t i f i c a t i o nb a s e do n E E M D,c o h e r e n t p o w e rs p e c t r u m a n a l y s i s a n d i m p r o v e d A H P[J].M e a s u r e m e n tS c i e n c e&T e c h n o l o g y,2015,26(9): 095010.[8] D R A G OM I R E T S K I YK,Z O S S OD.V a r i a t i o n a lm o d ed e c o m p o s i t i o n[J].I E E E T r a n s a c t i o n so nS i g n a lP r o-c e s s i n g,2014,62(3):531-544.[9] Y A OJC,X I A N G Y,Q I A NSC,e t a l.N o i s e s o u r c ei d e n t i f i c a t i o no f d i e s e l e n g i n e b a s e d o n v a r i a t i o n a lm o d ed e c o m p o s i t i o n a n d r o b u s t i n d e p e n d e n t c o m p o n e n t a n a l-y s i s[J].A p p l i e dA c o u s t i c s,2017,116:184-194. [10]唐贵基,王晓龙.I VM D融合奇异值差分谱的滚动轴承早期故障诊断[J].振动㊁测试与诊断,2016,36(4):700-707.T A N G G u i j i,W A N G X i a o l o n g.A n i n c i p i e n t f a u l td i a g-n o s i sm e t h o d f o r r o l l i n g b e a r i n g b a s e do n i m p r o v e dv a r i a-t i o n a lm o d ed e c o m p o s i t i o na n ds i n g u l a rv a l u ed i f f e r e n c e s p e c t r u m[J].J o u r n a l o fV i b r a t i o n,M e a s u r e m e n t&D i-a g n o s i s,2016,36(4):700-707.(i nC h i n e s e)[11]刘长良,武英杰,甄成刚.基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J].中国电机工程学报,2015,35(13):3358-3365.L I U C h a n g l i a n g,WU Y i n g j i e,Z H E N C h e n g g a n g.R o l l i n g b e a r i n g f a u l t d i a g n o s i s b a s e d o n v a r i a t i o n a l m o d e d e c o m p o s i t i o na n d f u z z y C m e a n s c l u s t e r i n g[J].P r o c e e d i n g s o f t h eC S E E,2015,35(13):3358-3365.(i nC h i n e s e)[12]OM I T A OMU O A,P R O T O P O P E S C U V A,G A N-G U L Y A R.E m p i r i c a lm o d ed e c o m p o s i t i o nt e c h n i q u ew i t hc o n d i t i o n a lm u t u a l i n f o r m a t i o nf o rd e n o i s i n g o p-e r a t i o n a l s e n s o r d a t a[J].I E E ES e n s o r s J o u r n a l,2011,11(10):2565-2575.[13]Z A R Z O S O V,C OMO N P.R o b u s t i n d e p e n d e n t c o m-p o n e n t a n a l y s i s b y i t e r a t i v em a x i m i z a t i o no f t h e k u r t o-s i s c o n t r a s tw i t ha l g e b r a i c o p t i m a l s t e p s i z e[J].I E E ET r a n s a c t i o n s o n N e u r a lN e t w o r k s,2010,21(2):248-261.第一作者简介:张俊红,女,1962年9月生,教授㊁博士生导师㊂主要研究方向为动力机械振动及其噪声控制㊂曾发表‘D i e s e l e n g i n en o i s e s o u r c e i d e n t i f i c a t i o nb a s e do nE E M D,c o h e r e n t p o w e rs p e c-t r u m a n a l y s i s a n d i m p r o v e d A H P“(‘M e a s u r e m e n t S c i e n c e&T e c h n o l o g y“2015,V o l.26,N o.9)等论文㊂E-m a i l:z h a n g j h@t j u.e d u.c n通信作者简介:林杰威,男,1984年9月生,博士㊁副教授㊂主要研究方向为动力机械振动与噪声控制技术㊂E-m a i l:l i n j i e w e i@t j u.e d u.c n43振动㊁测试与诊断第40卷N o i s e S o u r c e S e p a r a t i o no f I n t e r n a l C o m b u s t i o nE n gi n e B a s e do n I V M D -R o b u s t I C A M e t h o dZ HA N GJ u n h o n g 1,2, T A N GZ h o u ji e 1, L I NJ i e w e i 1, Z H O UQ i d i 1, D U A NC h a o y a n g 1, WA N GJ i n gc h a o 1(1.S t a t eK e y L a b o r a t o r y o fE n g i n e s ,T i a n j i nU n i v e r s i t y T i a n ji n ,300072,C h i n a )(2.R e n ᶄa i C o l l e g e ,T i a n j i nU n i v e r s i t y T i a n ji n ,301636,C h i n a ))A b s t r a c t I no r d e r t oa c c u r a t e l y s e p a r a t ea n d i d e n t i f y t h em a i nn o i s es o u r c e so f i n t e r n a l c o m b u s t i o ne n -g i n e s ,am e t h o db a s e do n I VM D -R o b u s t I C A (i m p r o v e dv a r i a t i o n a lm o d e d e c o m p o s i t i o n ,r o b u s t i n d e p e n d -e n t c o m p o n e n t a n a l y s i s )i s p r o p o s e d .F i r s t l y ,as e l f -a d a p t i o na l g o r i t h mi s p r o p o s e d t od e t e r m i n e t h ed e -c o m p o s i t i o nn u m b e r o f v a r i a t i o n a lm od ede c o m p o s i t i o n .A n I VM D m e t h o db a s e do nr e c o n s t r u c t e ds i g n a l e n e r g y r a t i o a n d c e n t e rf r e q u e n c y i s d e v e l o p e d .T h e n t h e s i ng l e ch a n n e l si g n a l o fm e a s u r e d e n g i n e n o i s e i s d e c o m p o s e d i n t om u l t i p l e c o m p o n e n t s b y I VM D.T h em a i n c o m p o n e n t s a r e i d e n t i f i e d a c c o r d i n g t o t h em u -t u a l i n f o r m a t i o n (M I )b e t w e e n s i g n a l c o m p o n e n t s a n d t h e s o u r c e s i g n a l .F i n a l l y ,t h e i n d e p e n d e n t c o m p o -n e n t s a r e e x t r a c t e db y R o b u s t I C A ,a n d t h en o i s e s o u r c e s a r e i d e n t i f i e db y c o h e r e n t a n a l y s i s a n d t i m e -f r e -q u e n c y a n a l y s i s .T h er e s u l t ss h o wt h a tt h e p r o p o s e d m e t h o dc a ns e p a r a t ea n di d e n t i f y t h e m a i nn o i s e s o u r c e s ,s u c ha s t h e c o m b u s t i o nn o i s e ,t h e p i s t o n s l a p n o i s e ,a n d t h e a i r c o m pr e s s o r n o i s e .K e yw o r d s i n t e r n a l c o m b u s t i o ne n g i n e ;n o i s e s o u r c e s e p a r a t i o n ;v a r i a t i o n a lm o d ed e c o m p o s i t i o n ;m u t u a l i n f o r m a t i o n ;r o b u s t i n d e p e n d e n t c o m p o n e n t a n a l ys i s L o wS p e e dG e a r b o xF a u l tD i a gn o s i sB a s e do nP O V M Da n dC A F L IH o n g k u n , H O U M e n g f a n , T A N GD a o l o n g , Y A N GR u i , WA N GC h a o ge (S c h o o l o fM e c h a n i c a l E n g i n e e r i n g ,D a l i a nU n i v e r s i t y o fT e c h n o l o g yD a l i a n ,116024,C h i n a )A b s t r a c t T h e g e a r so f l o w -s p e e dh a v e l o wf r e q u e n c y c h a r a c t e r i s t i c so f f a u l t s .T h e f r e q u e n c y o f f a u l t i s c o v e r e db y b a c k g r o u n dn o i s e ,a n d t h e f a u l t s i g n a l s a r ed i f f i c u l t t ob ea c c u r a t e l y d e m o d u l a t e da n de x t r a c -t e d .I n t h i s p a p e r ,a p a r a m e t e ro p t i m i z a t i o n -b a s e dv a r i a t i o n a l a l g o r i t h m d ec o m p o s i t i o n (P O VM D )a n da c y c l i c a u t o c o r r e l a t i o n f u n c t i o n (C A F )d i a g n o s i sme t h o da r e p r o p o s e d t os o l v e t h i s p r o b l e m.F i r s t ,t h eo -r i g i n a l s i g n a l i s d e c o m p o s e db y P O VM D ,a n d t h e c o s i n e s i m i l a r i t y i su s e d t os e l e c t t h e s e n s i t i v e i n t r i n s i c m o d ef u n c t i o n (I M F ).S e c o n d l y ,t h es p e c t r u m o f t h es e n s i t i v ec o m p o n e n t so f t h ec yc l i ca u t o c o r r e l a t i o n f u n c t i o n i s c a l c u l a t ed t o g a i n t he s l i c e of t h e s p e c t r u mo f t h e a u t o c o r r e l a t i o n f u n c t i o n .F i n a l l y ,T e ag e r e n -e r g y o p e r a t o r (T E O )i s u s e d t o e x t r a c t th e f a u l t f e a t u r e f r e q u e n c yi n t h e s p e c t r u mo f i n s t a n t a n e o u s a m p l i -t u d eo f t h e s l i c e .T h i sm e t h o d i s c o m p a r e dw i t h r e l a t e dm e t h o d s .T h e f e a t u r e e x t r a c t i o n e f f e c t i sm o r e s i g -n i f i c a n t .S i m u l a t i o n s i g n a l a n d e x p e r i m e n t a l d a t a a n a l y s i s v e r i f y t h e v a l i d i t y a n d r e l i a b i l i t y o f t h e p r o p o s e d m e t h o d .K e yw o r d s v a r i a t i o n a lm o d e d e c o m p o s i t i o n ;c y c l i c a u t o c o r r e l a t i o n f u n c t i o n ;l o ws p e e d ;g e a r ;f a u l t d i a g n o s i s 102N o .1A b s t r a c t s o fV o l .40N o .1i nE n g l i s h。
基于改进VMD算法的电机局部放电信号去噪方法研究
基于改进VMD算法的电机局部放电信号去噪方法研究郑祥，田伟，管鹏（大连交通大学电气信息工程学院，辽宁大连116028）摘要：针对高压电机局部放电（PD）在线检测中信号被高斯白噪声和窄带周期干扰淹没这一问题，应用基于改进变分模态分解（VMD）算法进行噪声滤除。
为了克服常用的VMD算法信号欠分解或分解的问题，改用作为对分解模态数进行算法，分解后利用“度值剔除无效模态，重PD信号。
使用改进算法与方法进行了对比，，用改进的VMD算法滤除PD信号噪声。
关键词：高压电机；局部放电；变分模态分解；能量损失系数中图分类号：TM855文献标志码：0文章编号：1673-6540（2020）11-0117-05doi：10.12177/emca.2020.123Denoising Method of Partial Discharge Signal of MotorBased on Improve)VMD AlgorithmZHENGXiang，TIAN Wei，GUAN Peng(School of Electrical and Information Engineering，Dalian Jiaotong University，Dalian116028，China)Abstract：In order to solve the problem tOai the signal in the online detection of high-voltaac motor partiai discharge(PD)it submerged by Gaussian white noise and narrow-band periodic interference，an a>orithm based on improved veriational mode decomposition(VMD)is used to filteo out the noise.The common VMD a>orithm may cause signal under-decomposition oo over-decomposition.In ordeo t。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第6期（总第205期）2017年12月机械工程与自动化MECHANICAL ENGINEERING&AUTOMATIONNo. 6Dec.文章编号：1672-6413(2017)06-0007-02基于V M D-R obustlC A的车用起动电机噪声源识另i j龚承启(西南交通大学机械工程学院，四川成都610031)摘要：提出了基于变分模态分解（VMD)和鲁棒独立分量分析（RobustICA)相结合的车用起动电机噪声源识别算法。
首先测量单一通道的电机噪声信号，之后釆用变分模态分解将其分解为一系列变分模态分量，然后用RobustIC八算法提取其独立成分；最后对RobustIC八的分离结果进行频谱分析，结合频谱分析结果和电机噪声的先验知识，确定了各独立分量与电机不同噪声源的对应关系。
关键词：电机噪声源；变分模态分解；鲁棒独立分量分析；噪声源识别中图分类号：U467. 4+ 93 : TN911. 4 文献标识码：八〇引言汽车起动电机是汽车上的关键零部件之一，在汽 车起动时，起动电机会发出明显的异响，影响乘车的舒 适性。
利用噪声源识别技术可以有针对性地进行减震 降噪，使得人们可以在设计阶段对产生噪声的零部件 及部位加以控制，实现低噪声设计[1]。
本文提出了基于VMD-RobustICA的电机噪声源 识别方法，对采集到的电机单一通道噪声信号进行噪 声源识别研究，首先利用变分模态分解（VMD)将电机 噪声信号分解为若干个独立的变分模态分量，随后将 VM D分解得到的变分模态分量作为RobustICA算法 的输人，最后对各个独立分量进行频谱分析，结合频谱 分析结果有效地识别了电机噪声源。
1基本理论1.1 变分模态分解基本原理变分模态分解是由Dragomiretskiy等人[2]于 2013年提出的一种新的自适应时频分析方法，其主要 理论框架是自适应求解约束性变分问题的最优解，通 过不断迭代来定位分解各分量信号的中心频率及带 宽，最终将原始信号的频域划分成若干个时域分量信 号，即各窄带分量。
约束性变分模型由公式(1)表示：, K.min {|| 3((始）+丄)⑴]e—~ || 建}^W对.(1) KS- t- Uk =f其中：}={m!，M2，…，}为信号/分解后得到的各 变分模态分量；{<% }={(〇1，C〇2，…，}为各变分模态分 量的中心频率；K为迭代次数；50)为冲击函数;_；= V—1。
1.2 独立分量分析（ICA)基本原理假设观测到的™个随机变量；Cl，&，而，…，;是由另外《个随机变量^，^，^，…，&线性组合得到的，即：x t=a tl+a,z 5Z H----amsn• (2)式(2)中，知为实系数，且假设&在统计上彼此独 立。
该模型描述了观测变量是如何由独立分量&的混合过程得到的，采用向量一矩阵的方式，此时，混合 模型可以写为：x=A s.(3)其中为观测信号矩阵;A为混合矩阵；S为源信号矩阵。
RobustICA算法是广泛使用的独立分量分析法 之一，Zarzoso等人[3]的研究表明，在众多目标函数中，峭度被证明是在IC A中使用得最普遍的统计量，对于 RobustICA算法来说，其峭度公式为：E2{ |_y|2}•其中：E{ • )•表示数学期望。
2试验方法与过程本次试验在西南交通大学汽车工程研究所的电机 声功率测试试验室内进行，测试某款车用起动电机的空 载噪声。
试验采用德国HEAD公司的采集系统，电机 噪声测点布置如图1所示，测试条件及测试对象如下：(1) 采样频率:44 100 Hz。
(2) 工作电流：12 A直流供电。
(3) 试验对象：10极永磁直流电机，定子为2片钢。
(4) 试验工况：15 000 r/m in空载工况，电机转基频250 Hz。
*国家自然科学基金资助项目（514〇5399)收稿日期：2017-03-30;修订日期：2017-09-14作者简介：龚承启（1991-)，男，湖北十堰人，在读硕士研究生，研究方向：汽车振动与噪声控制。
机械工程与自动化2017年第6期3起动电机噪声源分离识别试验获得的时域和频域图如图2所示，从电机噪 声频谱图中可以看出电机噪声频带较宽，难以提取有 用的噪声特征信息，故需要对电机噪声信号做进一步 处理。
图2电机噪声信号时域及频谱图按照文献[4]中的方法，确定参数对电机噪声信号进 行VMD分解，得到了 5个变分模态分量，将得到的变分 模态分量作为RobustICA算法的输入，得到RobmtICA 算法重构后的独立分量，如图3所示。
从图3可以看 出，混合詹号经RobustICA算法处理后被分离成5个 独立分量。
甶IC A原理可知，盲源分离算法得到的每一个独立分量都有可能是电机噪声的激励源。
由于分 离得到的各分量相对应的激励源是不确定的，对分离 得到的各分量进行频谱分析。
图4〜图6是单通道噪 声倩号分离结果中较突出的3个分量，分别为IC2、IC3、IC5。
结合其对应的频谱，可以看出3个分^均.U 有较准的频率范围，因此，每个分量都对应一个噪声源。
图3 RobustICA算法重构后的独立分量由图4、图5可知，独立分贏IC2、1C,3的峰值频率 分别为5017Hz、2518HZ，分别对应手电机转频的10 倍频、20倍频，由f理想条件下电机径向力波的频率 特征为电机转子极数的整数倍阶，对于10极永磁直流 电机而言，该峰值频率分别为电机转子极数的10、20 倍阶，因此可以判断IC2、IC3分量对应于电机的电磁 噪声。
由图6可知，IC5的峰值频率为251Hz，对应于 电机转频，可以判断IC5对应于电机转子不平衡产生 的机械噪声。
5 15频率/kHz 251S频率/kHz255图4 IC2频谱图图5 IC3频谱图4结论[2]本文提出了一种基于VMD-RobustICA的方法对电机噪声源进行分离识别。
f)先采用V M D方法对电 机信号进行分解，能有效克服经验模态分解（EMD)方 法的模态混叠问题。
从分离得到独立分量的分析结果 来看，每个IC A分量都具有突出的峰值频率，有效地 分离识别了起动电机的机械噪声和电磁噪声。
参考文献：[1]陈心昭.噪声源识别技术的进展[J]•合肥工业大学学报(自然科学版），2009,32(5):609-61C [3][4]12 3 4频率/kHz图6 IC5频谱图Dragomiretskiy K?Zosso D. Variational mode decomposi-tion[J], IEEE Transaction on Signal Processing, 2014,62(3)：531-544.Zarzoso V，Comon P. Robust independent component analysis by iterative maximization of the kurtosis contrastwith algebraic optimal step size[J]. IEEE Trans on Neural Networks?2010?21 (2) ：248-261.唐贵基，王晓龙.参数优化变分模态分解方法在滚动轴承早期故障诊断中的应用[J].西安交通大学学报，2015(5):73-81.(英文摘要转第11页）2017年第6期机械工程与自动化• 11 •轴箱底面进行全约束，得到主轴箱在运行过程中各时间点的热位移数据。
图4为主轴箱在运行8h 后的热 变形云图。
.730E-04 . 150E-03 r234E-〇3 .312E-03.393E-04 . 117E-03 . 195E-03 . 275E-03 . 351E-03图4主轴箱运行时间〖=8 h 的热变形云图从图4中发现，憲轴箱在3 h 〜8 h 的运行时间内，热变形总量增加22 pm ,并趋f 稳定。
机床开始：| 作时，电机的热变形增加较快，主轴的热变形变化缓 慢，这丨•:要足闪为电机附近的热流密度较大所致。
图5为主轴箱主轴g 个方向的热变形情况。
由图 5可以看出：主轴在8 h 内的运行过程中，最大热变形 是f 轴的X 方向即轮槽铣床加工核电转子的径向方 向，为62 pm ;其次是Y 方向和Z 方向，分别为19 pm 和9 pm 。
热变形热平衡时间大致为6 h ，随着运行时 间增加t 龛轴热特性逐渐趋于稳定。
4结论通过对机床愈轴箱在环境温度中进行热结构顺序 耦合分析，对主轴箱在不同环境温度及不N :[:作吋I'n J 下的热特性进行分析，得到以下结论：(1) 当环境温度从20 C 变化到32 主轴前端的热变形从52 pm 变化到187 随着环境温度的升霄，主轴前端热变形加剧。
(2) 8 h 内主轴箱的最高温度为45 S C ，温升为25 主轴系统最高温度为29 X ：，温升为9 齿轮箱暈高温度为27 X )，温升为7 r 。
(3) 畫轴箱|作3 h 的热变形分布情况翔8 h 热变形分布基本一致，在3 h 〜8 h 的运行时间内，热 变形总量增加22 pm ，并趋于稳定^(4) 主轴在8 h 的运行过程中，最大热变形是轴的X 方向，为62 p m ，•其次是Y 方向和Z 方向，分别 为 19 p m 和 9 p m 。
参考文献：[1] 阳江源.数控机床热误差检测与建模研究[D ].大连：大连理;| 大学，2010:101-104.[2] 闫占辉，于骏一.机床热变形的研究现状[J ].曹林工业大学自然科学学报，2001(3): 95-97.[3] 李永祥.数控机床热误差建模新方法及其应用研究[D ].上海：上海交通大学，2〇〇7:85-89.[4] Bossmanns B ?Tu J F. A thermal model for high speedmotorized spindles [J]. International Journal of Machine Tools and Manufacture? 1999,39(9) ： 1345-1366.[5] 杨世铭，陶文铨.传热学[M ].北京：高等教育出版社2010.[6] 阳红，殷国富，方辉，等.机床有限元热分析中对流换热系数的计算方法研究[J ].四川大学学报（工程科学版），2011,43(4)：242-248.[7] Okushima K ,Kakino Y. An analysis of methods used minimizing thermal deformations of machine tools [ J ]. 16thMT2 DR ，1975,16:1012-1017.Thermal Characteristics Analysis Based on Sequential Coupling for Spindle BoxLI Zhi-wei(Sichuan College of Architectural Technology, Deyang 618000, China)Abstract ： A wheel groove CNC milling machine is taken as the research object? by using the thermal coupling function in finite element software? the influence of environmental temperature on the thermal characteristics of machine tool spindle box is analyzed. In order to accurately reveal the effect of environmental temperature on the thermal characteristics of spindle box? the temperature of spindle box in 20 °C 〜32 °C ambient temperature is simulated. The results show when the environment temperature of the spindle box increases from 20 °C to 32 °C 9 the thermal deformation of the end of the spindle increases from 52 ^xm to 187 ^m.Key words ： spindle box ； thermal structural coupling ； ambient temperature ； thermal characteristic analysis(上接第8页）Vehicle Starting Motor Noise Source IdentificationBased on VMD-RobustICA ApproachGONG Cheng-qi(School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China)Abstract ： The variational mode decomposition (VMD) 9 robust independent component analysis (RobustICA) algorithms were proposed to study the noise source identification of starting motor. TThe single channel’s noise signal of starting motor was measured, and then the variational mode decomposition algorithm was used to decomposite the noise signal into a series of variational mode components? and RobustICA algorithm was used to extract the independent components. Finally? frequency analysis was used to identify the RobustICA results. Combining the results and prior knowledge of motor noise? the corresponding relationship between independent components and the different noise sources of motor were determined.Key words ： noise source of motor ； variational mode decomposition ； robust independent component analysis ；noise source identification。