结合多种方法的单缸汽油机噪声源识别研究

对152QMI单缸汽油机进行噪声及振动以及曲轴转角等信号的采集,在LMS Test.Lab软件中利用频谱分析和小波变换计算得出了该单缸汽油机噪声能量的主要分布范围,并以此作为噪声源识别的对象,利用阶次分析和小波变换筛选出该机噪声信号中频率不随转速变化的共振因素,随后在角度域内对信号进行小波变换,结合发动机配气机构等部件的运动特征研究识别相对于各频率带的发动机噪声源。研究结果表明,该发动机主要噪声频率带为800 Hz以下、2 000 Hz和4 000 Hz~5 000 Hz,各频率带噪声源分别为进排气噪声、缸盖共振和顶杆对摇臂的冲击以及气门落座冲击。     

CK-6770考斯特振动与噪声控制

为了满足客户对于客车舒适度的要求和环保要求,对厦门金龙旅行车有限公司生产的CK-6770考斯特车型做振动控制与降噪处理,即从动力装置的振动噪声源控制,进气系统、排气系统、冷却系统的振动与噪声控制,车身的振动和结构传播控制,车内噪声源识别及噪声控制等方面入手,通过反复测试改进,达到了降低客车车内振动噪声的目的。     

车内噪声源识别技术的研究

随着汽车技术的迅猛发展,人们也逐渐对汽车的舒适性以及噪声的控制提出了更高的要求。阐述了噪声源识别技术的重要性,介绍了汽车车内噪声的产生原理,归纳总结了传统识别法、信号分析和阵列技术在噪声源识别应用中的优缺点。     

某SUV车型车内噪声源识别试验研究

采集某SUV车型怠速工况下的悬置点被动侧振动加速度和车内噪声声压信号,对车内噪声频谱分析,得到主要噪声频率,建立一个三输入单输出系统模型,以相干理论为基础计算出相干系数,试验与理论结合的分析结果表明,后悬置振动是主要噪声源,左悬置振动次之。     

基于小波理论的RV减速器振动信号分析

RV减速器结构复杂、振动激励源多,运行过程中产生的振动信号会被大量噪声干扰,影响真实的振动信号被识别。介绍了小波变换理论及其信号识别和降噪分析原理,应用小波变换理论对国产SHPR-20E型RV减速器的振动信号进行分析,并对振动信号进行识别和降噪分析。通过测试分析,表明小波变换具有良好的多分辨率时频域识别特性,可以有效消除RV减速器振动信号中的噪声。为RV减速器的信号识别与分析、故障诊断和提取提供了参考。     

小波包与灰关联理论的工程机械噪声信号分析

利用小波包将某工程机械的噪声信号分解到不同的频带内,并提取各频带能量作为特征向量,然后利用灰关联理论对特征向量进行灰关联分析,得到各噪声信号与司机耳旁噪声信号的灰关联度.根据灰关联度的大小排序可准确地识别出工程机械司机耳旁的主要噪声源,并通过试验验证了小波包与灰关联分析对噪声源识别的有效性和正确性.     

基于EEMD消噪和相关系数识别的滚动轴承故障诊断方法

针对往复泵动力端滚动轴承振动信号非平稳、非线性且含有大量噪声的特点,提出基于EEMD、距离因子、相关系数和小波包分解相结合的诊断方法。通过在轴承寿命试验台上测取轴承振动信号,利用EEMD对所测信号进行分解,根据距离因子和相关系数相结合的方法筛选并重构IMF分量,以突出故障特征信息且避免偶然误差影响,重构振动信号进行小波包分解后构造能量特征信号向量,然后计算特征向量的相关系数,通过比较所得相关系数的差值绝对值判断故障类型。此方法的故障识别率与直接对轴承振动信号进行相关系数分析相比,故障识别率有较大提高,而且无需像神经网络识别需要大量数据训练,是一种较好的轴承故障识别方法。     

隧道内高速列车车内噪声特性及声源识别试验分析

与明线运行相比,隧道内的高速列车车内噪声将明显增加。通过线路试验,对我国某型高速列车以160～350 km/h速度在明线和隧道运行时的车内振动噪声进行测试分析。掌握两种线路下的车内振动和噪声、车身表面气动噪声、转向架区域振动和噪声特性及其随速度的变化规律;采用50通道球形声阵列,识别两种线路下的车内主要噪声源,并分析噪声源的车内区域贡献率,进而在此基础上研究两种线路下的车内声振传递特性。结果表明,两种线路下车内噪声频谱差异主要体现在315～2 000 Hz,各测点不同线路的声压级差值与运行速度相关性较小,车内噪声受轮轨噪声激励影响相对明显。对于客室中部,列车350 km/h匀速运行时,隧道段列车顶板和客室后方贡献率分别增加4.0%和3.0%,地板贡献率降低8.6%,差异频段主要体现在63～160 Hz。对于侧墙区域,明线段车内低频噪声主要来自侧墙的振动,而在隧道时,车内低频噪声则主要来自于侧墙车身表面的气动激励。客室内噪声总值和频谱分布的差异在隧道运行情况下会减小,现有更关注客室端部噪声控制的传统认识,在列车隧道运行下,需要同样重要地关注和对待客室中部区域。     

基于IWT-CEEMD-cICA的滚动轴承故障诊断方法

为在强噪声下准确利用振动信号进行轴承微弱故障的诊断,提出了一种基于改进小波阈值、互补集合经验模态分解和约束独立分量分析的故障诊断方法。首先,对单通道振动信号进行改进小波阈值降噪预处理,提高输入信号的信噪比;然后,进行CEEMD处理以实现降噪及单通道扩展,基于峭度值和相关系数选取有效固有模态函数并将其作为盲源分离的输入信号;最后,通过cICA方法提取目标振动信号,识别故障特征。     

基于相干分析的离心式压缩机噪声源识别

从离心式压缩机振动和噪声信号的功率谱出发,研究了其振动和噪声的相干性.对比振动和噪声的功率谱,找出二者的特性与联系.最后经过相干变换得到振动和噪声的相干关系,并结合工程实践,证明相干性分析在离心式压缩机噪声源识别领域的可行性.     

强脉冲干扰非线性混叠转子故障信号分离

由于旋转机械在运行过程中,传感器测得的振动信号是各振源的混叠信号且含有很强的噪声,常规的信号处理方法难以分离混叠信号,对设备的状态监测和故障诊断造成了很大的困难。针对这一问题,介绍了盲源分离基本原理和方法,指出源分离算法在脉冲噪声环境下失效。针对强脉冲噪声环境下的混叠振动信号,首先,通过中值滤波降噪方法对振动信号进行降噪;然后,通过盲源分离算法对降噪后的信号分离;最后,利用该方法对实测混叠转子振动信号成功实现了降噪和故障信号分离。仿真结果验证了提出方法的有效性。     

基于盲源分离与小波降噪的旋转机械故障分析

基于小波降噪和盲源分离相结合对机械信号进行分离与故障诊断。首先使用经分析选择的较好小波阈值对非平稳振动信号进行降噪,然后运用盲源分离技术分离出激振信号,结果表明利用小波阀值降噪后进行盲源分离时分离信号与源信号相似系数优于直接盲源分离;将小波降噪和盲源分离相结合应用于某燃气轮机的实测故障信号提取,诊断出转子发生了不平衡及碰摩等故障现象,与实测情况相符,有效说明了该方法在旋转机械故障诊断中的实用性。     

基于扭振信号的齿轮故障诊断研究

在分析了齿轮啮合扭振的基础上提出了利用轴系扭振信号进行齿轮诊断的方法,度验结果表明扭振信号受环境噪声影响小,对故障敏感,作为齿轮早期故障诊断信息来源的扭振信号优于传统的箱体振动信号,还介绍了一种适用于状态监测的扭振测试方法。     

基于灰色准则与EEMD的滚刀振动信号降噪方法

工程现场采集的滚刀振动信号掺杂噪声,致使信号特征难以提取。提出一种基于灰色准则与集合经验模态分解(EEMD)的滚刀振动信号降噪方法。首先将原信号进行EEMD分解得到若干个特征模态函数(intrinsic mode function,IMF),再根据提出的灰色准则对IMF分量进行极性一致化处理、均值化处理,计算出IMF1与其他IMF分量的灰色关联度,并按照灰色关联度将IMF分量降序排列,然后选择降序排列中前一半IMF分量进行软阈值处理,最终将处理后的IMF分量、未处理的IMF分量及余项进行重构,得到降噪后的信号。通过不同初始信噪比的仿真信号和实际加工中的滚刀振动信号验证了本方法的可行性和有效性,同时与EEMD结合相关系数降噪法、小波软阈值降噪法进行了比较,结果表明本方法的降噪效果更优。     

ICA在航空发动机振动信号盲源分离中的应用

研究了基于独立分量分析(independent component analysis,简称ICA)的发动机振动信号盲源分离技术,旨在将发动机振动信号按照不同的激振源进行分离。首先阐述了基于最大信噪比的盲源分离算法原理,通过对仿真信号进行分离,判断了分离输出信号与仿真信号的一致性,验证了该算法的可行性;然后将该算法与FFT分离法相结合,应用于某型双转子航空发动机高、低压转子实测振动信号盲源分离中,取得了很好的分离效果,表明应用ICA技术建立的基于最大信噪比的盲源分离算法具有迭代次数少、计算复杂度低、效果好及稳定等优点。     

基于全矢谱时间固有尺度分解和独立分量分析盲源分离降噪的滚动轴承故障特征提取

结合盲源分离技术和全矢谱技术的各自优势,提出一种同源双通道信噪盲源分离法。首先采用时间固有尺度分解（ITD）和独立分量分析（ICA）相结合的分析法降噪,对同源双通道的轴承信号进行ITD分解,根据相关系数准则将分解得到的PRC分量进行重组作为ICA输入矩阵,再采用FastICA解混,实现故障信号与噪声信号的分离;其次采用全矢谱技术对信噪分离降噪后的双通道有效分量信号进行全矢信息融合,做全矢谱分析。滚动轴承故障实验对比分析表明了该方法的有效性。     

LMD-ICA联合降噪方法在滚动轴承故障诊断中的应用

针对经典独立分量分析（ICA）只能应用于观测源数不少于信号源数的超定盲源分离问题,提出局部均值分解和ICA相结合的欠定盲源分离新方法。该方法将采集的单通道振动信号进行局部均值分解,基于互相关准则对分解的分量进行重组,构建虚拟噪声通道;将虚拟噪声通道与振动信号作为盲源分离的信号输入,采用基于负熵的FastICA算法实现信号源和噪声的分离,从而达到降噪目的。将该方法应用于滚动轴承故障信号,频谱分析结果表明,该方法处理后的信号中噪声得到一定程度滤除,频谱中毛刺更少,故障特征频率更加明显,有利于故障特征的提取,实验分析证明了该方法的有效性。     

基于S变换的热连轧机耦合振动特征提取

提出一种基于短时傅里叶变换的自适应频域滤波方法,将噪声信号与振动特征成功地分离。根据短时傅里叶变换和功率法设定的阀值,自动捕捉了振动信号在不同时间段的优势频率。对振动信号、压下液压缸压力信号和伺服阀给定信号做短时傅里叶变换后,热连轧机振动被诊断为液机耦合振动。利用离散小波变换和S变换相结合的方法对轧机振动信号进行分析,确定轧机起振的时间为液压压下系统的投入时间,证明了热连轧机存在液机耦合振动现象。     

盲源分离方法在旋转机械故障诊断中的应用

在旋转机械故障诊断中,从被监测机器测得的振动信号除噪声干扰外,还常混叠有其它机器的振动。由所测得的此混叠信号中分离出被监测机器的信号,并降低噪声的影响,是提高故障诊断准确性的基础。这里采用四阶累积量迫零算法对机器振动信号进行分离,通过仿真信号及实验室实测振动信号的分离验证,此方法是有效的,可作为旋转机械故障诊断的信号预处理方法。     

基于小波分析的FastICA联合降噪方法在滚动轴承故障诊断中的应用研究

采用小波分析方法进行振动信号降噪存在选取参数依靠经验的问题,采用独立分量分析（ICA）方法进行振动信号降噪存在欠定问题,为了避免小波降噪以及ICA方法单独使用的缺点,提出了将小波降噪分析和基于负熵的FastICA独立分量分析相结合来处理滚动轴承含噪振动信号的方法。首先对原始信号进行小波降噪处理,然后将处理后的信号与原始信号组成FastICA的输入矩阵,进行FastICA降噪处理,最后利用滚动轴承振动信号对该方法进行有效性验证。实验分析表明：该方法增大了振动信号的峭度值,达到了滚动轴承振动信号降噪的目的。