船舶辐射噪声节拍音色特征研究

从人的主观感觉入手,利用心理声学方法,对船舶辐射噪声节拍音色特征进行了探讨研究。发现了节拍音色DEMON谱轴频谐波结构之间的关系,并利用仿真噪声和实际噪声进行了验证,不同类别目标之间,谐波结构存在差异,不同的谐波结构就会导致不同的节拍音色;提取了一种反映船舶噪声节拍音色的新特征——调制度特征,描述DEMON谱轴频、叶频和轴频其他谐波相对于周围干扰线谱的突出程度,并依据轴频、叶频和轴频其他谐波的调制度大小关系,作为目标分类的重要依据;最后分析了噪声频段对节拍音色的影响,噪声频段不影响节拍音色,仅因信号能量频段分布的差异导致噪声整体音色存在不同。     

基于序列匹配的螺旋桨轴频自动提取方法

针对船舶、潜艇等水声目标螺旋桨轴频自动提取困难的问题,提出一种基于平均能量累积和脉冲序列匹配的水声目标螺旋桨轴频特征提取算法,算法首先将噪声不同频段的调制信息利用多频段融合改进方法对DEMON谱进行线增强,然后利用平均能量累积方法对与螺旋桨轴频及其谐波相关的线谱进行提取,由于提取的线谱所对应轴频或谐波次数不明确,最后算法通过序列匹配方法计算线谱对应的谐波次数,从而实现螺旋桨轴频的自动提取,通过实验验证,算法取得了较好效果。     

某型蛙人运载器辐射噪声测量与特征分析

蛙人是港口和水下设施的重要威胁，蛙人运载器产生的辐射噪声是对依靠运载器执行任务的水下蛙人实施警戒探测的重要依据，目前利用声学系统被动探测是发现水下蛙人的有效手段之一。文章针对某型蛙人运载器的实际探测问题设计了声学测量实验，实验包括消声水池测量和海上测量两部分，目的是获取蛙人运载器的有效声学特征，包括声源级、指向性、功率谱、LOFAR谱和DEMON谱等，获得有效的轴频、叶频及其各次谐波簇。在实验测量的基础上，系统分析了某型蛙人运载器辐射噪声的典型时频变化特征，为水下蛙人运载器的警戒探测提供实测数据支撑。     

单矢量水听器时域和频域双目标分辨能力比较

用单矢量水听器估计目标方位时,双目标情况下,时域平均声强器估计的是两个目标的合成方位;在频域利用目标DEMON线谱频率的不同可以区分双目标,该方法具有较好的抗相干及非相干干扰能力,表明单个矢量水听器也能分辨多目标.文中叙述了DEMON线谱测向原理,给出了轴频提取及双目标DEMON线谱分离的方法,分析了DEMON线谱区分双目标的性能.     

基于调制统计量的水下高速目标分类算法

针对DEMON谱调制频率的可分性进行研究。利用高速目标与非高速目标在调制频率成分上的差异性,对目标DEMON谱历程矩阵进行梯度差分和量化处理,定义了目标辐射噪声的量化矩阵和调制统计量,提出了一种基于目标辐射噪声调制统计量的水下高速目标分类识别算法,比较了不同门限情况下高速目标与非高速目标随调制统计量的分布情况。大量实测数据分析表明,此算法可以可靠地对高速目标进行分类识别。     

基于VMD和窄带包络相关的船舶辐射噪声改进DEMON分析

船舶辐射噪声的包络谱中蕴含着轴频和桨叶数等船舶固有特征信息,对船舶目标识别具有重要意义。为了提高船舶辐射噪声包络谱解调性能,提出了基于变分模态分解(Variational Mode Decomposition, VMD)和窄带包络相关的改进DEMON分析方法。首先利用VMD算法代替传统带通滤波器,将船舶辐射噪声信号分解为若干个子带;然后对各子带进行希尔伯特(Hilbert)检波并计算平均窄带包络相关系数,用于衡量信号的包络调制在频域上的非均匀性;最后提取各子带信号包络谱并按照平均窄带包络相关系数进行加权融合,从而得出宽带噪声信号的包络谱。利用该方法对实测不同类型和不同航速船舶辐射噪声信号进行了处理,结果均表明所提方法能有效提高包络谱解调效果,较传统方法更为有效。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

双吸离心泵压力脉动特性数值模拟及试验研究

为深入了解双吸离心泵内部非定常压力脉动特性,对一台双吸离心泵在0.6Q_d、0.8Q_d、1.0Q_d和1.2Q_d工况下的压力脉动特性进行了试验和数值模拟研究,得到了吸水室和蜗壳壁面上3个监测点的压力脉动时频域特性及泵内部压力脉动强度分布。对比试验和数值模拟的泵外特性和监测点的压力脉动功率谱密度,验证了数值模拟的准确性。结果表明:在设计工况和小流量工况下吸水室监测点处叶频是压力脉动的主频,在1.2Q_d时主频转变为轴频,且轴频的幅值随流量变化较小;因吸水室顶部漩涡较多,采用SST k-ω模型进行数值模拟未能准确预测吸水室中的压力脉动。蜗壳上监测点的压力脉动主频为叶频,其振幅随流量的增加先减小后增大,由于蜗壳内压力脉动主要原因为叶轮和蜗壳的动静干涉作用,数值模拟可以准确预测蜗壳中的压力脉动。在小流量时蜗壳出口处监测点的压力脉动主频为轴频,在设计工况和大流量时为叶频,但由于数值模拟未考虑环境因素,使得其结果与试验有偏差。蜗壳中压力脉动强度随着流量增加先降低后变大,在设计工况最低,在设计流量和大流量工况下隔舌断面上压力脉动强度对称分布。     

Wigner-Vill分布在舰船调制特征提取中的应用研究

分析了舰船辐射噪声的Wigner-Vill分布,并讨论了其零频切片的性质,通过实验验证了Wigner-Vill分布零频切片解调方法的可用性,可以获得舰船螺旋桨轴频、叶频等信息,对舰船目标识别有比较重要的意义。     

基于阶次解调谱的变速齿轮箱复合故障诊断方法

针对变速齿轮箱中复合故障的故障特征提取,提出了一种基于阶次解调谱的变速齿轮箱复合故障诊断方法。变速齿轮箱中的转速具有时变的特性,而故障特征往往与转速相关,亦具有时变特性。本文方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,再根据转频曲线对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行能量算子解调分析,根据阶次解调谱中的调制信息进行变速齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变速齿轮箱复合故障进行了分析,结果表明,本文方法在无转速计的情况下能有效地提取变速齿轮箱复合故障的故障特征。     

基于模板匹配的舰船螺旋桨叶片数识别方法

针对在舰船辐射噪声DEMON线谱信噪比低时,传统使用的基于模型或专家系统的叶片数识别方法存在错误率高且识别结果不稳定的问题,提出了一种基于模板匹配的螺旋桨叶片数识别方法。该方法建立了不依赖于样本的模板库,设计了模板匹配算法和识别结果置信度算法,较好地解决了传统的叶片数识别技术所存在的数学模型失配或规则不全、样本不完善性等问题。对实测数据的分析表明,该方法明显降低了叶片数识别的错误率,使目标类型识别结果趋于稳定。     

基于现代信号处理技术的舰船噪声信号DEMON分析

DEMON分析是舰船噪声目标识别的重要分析手段之一。通过DEMON分析可以获得诸如舰船螺旋桨转速、螺旋桨叶片甚至舰船的车数等不变的舰船物理特征。在过去的DEMON分析中,通常采用经典的周期图方法。本文采用了高阶谱分析、小波的子频带分析以及基于互相关函数矩阵奇异值分解等方法,对舰船噪声信号进行了分析。从对大量的舰船噪声信号的分析来看,在大多数情况下现代谱分析技术具有优势,但并不是所有情况下其性能均优于周期图方法。     

单矢量传感器DEMON谱检测技术研究

水声目标辐射噪声的包络谱中包含调制线谱(DEMON),不同类型的水声目标其DEMON谱不同,研究单矢量传感器利用DEMON谱检测目标信号的能力。采用文中定义的解析声强流方法,将单矢量传感器拾取的同一点的多信号源的振速矢量叠加统一描述在解析声强流的相位中,目标方位可以通过计算解析声强流的相位得到。仿真计算结果表明,这一方法对不同基频调制的宽带信号的检测能力可达-20dB,方位分辨能力在信噪比为-15dB时约为10°。对湖试数据的处理结果已证明本方法的可行性。     

舰船噪声听觉特征增强方法

为改善新声呐兵听音训练效果,强化噪声样本中与目标属性紧密相关的听觉特征,将处理后的舰船噪声用于听音训练,提高舰船噪声样本利用率。提出的舰船噪声听觉特征增强模型及其实现方法主要包括四个步骤:噪声分解、子带分析、子带加权、噪声重建。首先采用多分辨分解将舰船噪声信号划分为若干子带,对子带进行逐个地听音分析和各种谱分析,选择特征信息稳定且丰富的子带进行强化,选取并微调各子带加权系数,采用多分辨分析理论重建舰船噪声,并根据重建噪声的功率谱、包络谱分析和听音分析结果调整加权系数,进而用于听音训练。仿真分析中,采用听音分析和谱分析比对原始噪声和重建噪声,验证了该方法的合理性和实用价值。     

深度神经网络在螺旋桨叶片数识别中的应用

从调制(Demodulation on Noise, DEMON)谱谐波簇中提取的结构特征可以建立用于螺旋桨叶片数识别的模板。使用模板匹配算法进行螺旋桨叶片数识别时,存在依赖模板库和置信度准则、算法约束条件多、无法发现缺失模板等问题。本文提出了一种将深度神经网络(Deep Neural Network, DNN)应用于螺旋桨叶片数识别的方法,该方法仅在训练深度神经网络时使用模板库,克服了识别过程中对模板库和置信度准则的依赖。此外,通过提取识别错误项,可以找到缺失模板,实现了对模板库数据的补充。使用该算法对大量实测数据进行检测,发现深度神经网络具有更高的识别正确率,而且识别过程更加简单可靠。