挖掘机用柴油机噪声源的识别

为了有效降低某型液压挖掘机的辐射噪声,对某挖掘机用柴油机的噪声源进行了识别研究。采用声学照相机对挖掘机噪声信号进行了测试,找到最大噪声源区域并记录噪声信号。根据测试环境受到回声与背景噪声干扰的特点,建立了基于快速固定点独立分量分析频域复数算法的噪声分离模型,通过独立分量分析得到了40个独立分量及其主频。为了确定这些主频对应的零部件,对柴油机表面主要零部件进行了模态分析。将在测试噪声方向上振型模态的共振频率与独立分量分析得出的各分量的主频相比较,找到了机体、气门室盖、气缸盖等主要表面噪声源。研究结果表明:运用独立分量分析和模态分析相结合的方法,可以准确识别挖掘机用柴油机表面噪声辐射源。这种方法可以广泛应用于复杂机器噪声源识别以及故障诊断等领域。     

基于AHP和模态分析的挖掘机柴油机降噪研究

针对某型液压挖掘机噪声大的现状,对其柴油机进行了噪声源的识别.由于工程机械噪声源十分复杂,单一的噪声源识别一般不能准确预测噪声源,因此本文采用将层次分析法(AHP)和模态分析相结合的噪声采集和识别方法.首先采用噪声测试仪获取挖掘机各转速下表面辐射噪声信号,综合考虑发动机各转速下对噪声的影响,依据测试结果运用AHP法找出对柴油机辐射噪声贡献度大的频率段;然后对柴油机主体组合结构进行了模态分析,找出与对柴油机表面辐射噪声贡献度大的频率段对应的模态振型;最后通过这些振型图确定出油底壳、汽缸盖罩和进气管道是主要的噪声源,采取降噪措施后柴油机噪声减小了1.5 dB左右.结果表明,本噪声源识别方法简单准确,可广泛应用于工程机械复杂声源的识别当中.     

基于参考信号频域半盲提取的机械故障特征声学诊断

针对生产现场机械设备零部件结构复杂、设备运行时背景噪声干扰严重等造成的监测诊断难题,以及传统盲信号处理算法在机械声信号处理方面的局限性,提出一种基于参考信号约束频域半盲提取的机械故障声学诊断算法。详细介绍了该算法的关键技术:以频域盲解卷积算法为基础,使用利于全局寻优的人工鱼群算法,构建适用于机械故障特征的改进多尺度形态学滤波器,以最大程度削弱背景噪声干扰;结合机械设备零部件结构参数构建参考信号,通过单元参考信号约束频域半盲提取算法,对降噪后的信号逐段进行复数盲分离;利用改进KL距离,解决复分量间次序不确定性问题,最终实现机械故障特征信号的提取与分离。实际声场环境中的滚动轴承故障声学诊断实验验证了该算法的有效性。     

基于EEMD-ICA-CWT的装载机室内噪声盲源分离和识别

为了分离装载机的噪声源,采用集合经验模态分解(EEMD)、独立分量分析(ICA)和连续小波变换(CWT)技术相结合的方法,对装载机司机位置处噪声信号进行了盲源分离和声源识别研究.针对单一通道噪声信号进行盲源分离,将其分解成一系列独立分量.在削弱了传统经验模态分解(EMD)算法处理噪声信号时产生的模态混叠现象的同时,克服了独立分量分析方法要求传感器数目必须大于等于分离出分量数目的限制;借助连续小波变换良好的时频定位特性,对ICA分离结果进行时频分析.结合时频分析结果和各噪声源信号的频谱结构,确定了各独立分量与装载机不同噪声源的对应关系.结果表明,这些独立分量分别对应着装载机的燃烧噪声、冷却风扇辐射噪声及排气噪声等噪声源.     

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.     

独立分量分析在内燃机噪声信号分离中的应用

采用独立分量分析的方法进行了内燃机噪声信号分离的研究．建立了基于FastICA算法的常规内燃机噪声独立分量分析模型,为了减少所需传声器个数,在此基础上应用了时序独立分量分析模型．以某四缸柴油机为研究对象,测量了不同工况下的噪声信号,计算了这些噪声信号的统计峰度,确认其为非高斯信号,满足独立分量分析的基本要求．对测得的柴油机噪声信号进行了时序独立分量分析,将其分解为一系列不同的独立分量．采用小波变换的方法对它们进行分析,得到了各独立分量的时频分布,研究结果表明,这些独立分量对应着不同的内燃机噪声源信号．     

基于变分模态分解与独立分量分析的轴承故障特征提取方法

针对滚动轴承早期故障振动信号能量小且易受背景噪声干扰,从而导致故障特征提取困难等问题,提出基于变分模态分解(VMD)与独立分量分析(ICA)相结合的故障特征提取方法;该方法首先将原始故障信号进行VMD,得到若干正交的本征模态分量(IMF),然后依据峭度准则对分解后的信号进行分组重构,作为ICA的输入矩阵,最后采用Fast ICA算法实现故障信号与噪声信号的分离,从而提取机械故障特征信息;将轴承故障数据作为研究对象进行故障特征提取,并与集成经验模态分解-独立分量分析(EEMD-ICA)方法对特征信号的提取效果进行对比。结果表明,基于VMD与ICA的轴承故障特征提取方法提高了分解效率,解决了信号易受噪声干扰的问题,实现了轴承故障的精确诊断。     

基于频域盲信号处理的汽车制动异响定位方法研究

汽车基础制动器在汽车刹车过程中会产生剧烈的振动和噪声,影响乘员的舒适性,降低有关汽车零部件的寿命;同时,尖锐的制动噪声(尖叫)还会严重干扰人们的正常生活。针对汽车制动异响噪声的治理工作非常重要。总结了汽车制动噪声的产生机理、噪声特点和影响因素,回顾并分析了抑制和防治制动噪声的理论与工程研究进展。针对传统汽车制动异响检测分析方法手段单一、数据处理不便、灵活性差等突出性问题,提出了一种基于声信号频域盲处理的制动异响定位方法,详细介绍了其关键技术:利用动态粒子群优化形态滤波抑制路试背景噪声、使用峭度最大化复数单元固定点算法分离提取复分量、利用改进KL距离解决次序不确定性等。通过实际刹车制动声信号故障提取,验证了该方法的有效性和可靠性。     

EEMD和Cohen类联合抑制交叉项的时频特征提取方法

Wigner-Ville分布是一种双线性时频分布,对多分量信号分析存在交叉项干扰.本文提出了一种基于EEMD和Cohen类时频融合算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对伪分量之外的各分量进行Cohen类时频变换并叠加,得到信号的时频分布,消除了信号内部各模态函数之间时频分布的交叉项.通过对EEMD和Cohen类时频融合算法进行仿真,与小波分解和Cohen类联合时频算法、EMD和Cohen类联合时频算法的仿真进行比较,结果表明,该算法抑制交叉项效果最好,重构误差最小,同时抑制了噪声对时频特征的干扰.     

改进的变分模态分解在锚杆和锚固质量检测中的应用

针对锚杆电磁超声信号夹杂的噪声极大地影响有用信息提取的问题,提出基于布谷鸟搜索算法的变分模态分解与独立分量分析相结合的降噪方法;该方法利用布谷鸟搜索算法优化变分模态分解的输入参数,实现信号的最优分解,利用变分模态分解将信号自适应分解为一些模态分量,依据排列熵值对分解的模态进行重构,利用快速独立分量分析算法对重构信号与原信号组成的2路通道进行解混,实现回波信号与噪声信号的分离,并对锚杆和锚固信号数据进行分析。结果表明,与常用的降噪方法相比,该方法有更好的抗噪性和降噪效果。