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

为了分离和识别内燃机噪声源,结合独立分量分析和小波变换技术对内燃机辐射噪声信号进行了盲源分离和声源识别的研究.根据独立分量分析的基本原理,采用基于负熵极大的FastICA算法对4缸柴油机的辐射噪声信号进行了盲源分离,将噪声信号分解成一系列独立分量.采用快速傅里叶变换和小波变换技术对各个独立分量进行了分析,结合时频分析的结果和内燃机各噪声源信号的频谱结构,确定了分离得到的各独立分量与内燃机不同噪声源的对应关系.研究结果表明:这些独立分量分别对应着柴油机的燃烧噪声、活塞敲击噪声、正时齿轮噪声及排气辐射噪声等噪声源.     

基于独立分量分析技术的内燃机噪声源识别

为降低内燃机的噪声,需要有效地识别内燃机的众多噪声源。采用一种新的独立分量分析技术对采集到的内燃机混叠噪声信号进行分离,并结合噪声产生机理辨别出单个噪声分量对应于内燃机的相应噪声源,从而有效地识别内燃机噪声源。实践证明,该技术可以有效识别内燃机的混叠噪声。最后就噪声控制提出了建议。     

基于独立分量分析的内燃机噪声信号分离

采用独立分量分析的方法对内燃机的噪声信号进行了研究。首先对独立分量分析的基本原理进行了简要的叙述,在FastICA算法的基础上建立了内燃机噪声的独立分量分析模型,并编制了相应的计算程序。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。然后对测得的柴油机噪声信号进行了独立分量分析,将其分解为一系列不同的独立分量。为了了解各独立分量的时频分布,用小波变换的方法对它们进行分析,分析结果表明,这些不同的独立分量对应着不同的内燃机噪声源信号。     

基于独立成分分析与声阵列技术的汽油机噪声源识别

采用基于声信号的内燃机测试分析技术对汽油机的噪声源识别展开研究,以某车用汽油机为研究对象,采用独立成分分析的方法对九点噪声信号进行盲源分离,分析各独立成分的幅值和频率随时间的变化特性,并结合汽油机的结构和噪声辐射机理,分析各独立成分的产生原因,以此来识别噪声源。同时,利用声阵列法在特定频率下对汽油机进行可视化声源定位测试。研究结果表明:利用独立成分分析的方法,可以识别汽油机的燃烧噪声、空压机驱动轮的机械啮合噪声及发电机的电磁噪声。并利用声阵列测试技术验证了盲源分离结果的可靠性。     

内燃机噪声信号的独立分量分析

叙述了独立分量分析(ICA)的基本原理,分析了运用独立分量分析技术分析内燃机噪声信号的几个基本问题。单缸柴油机噪声信号峰度值的统计规律表明噪声信号满足ICA的基本要求。运用FastICA算法对某单缸机的噪声信号进行了分析,将噪声信号分解成一系列的分量。运用傅立叶变换和小波分析技术对不同的分量进行了分析,结合时频分析的结果和内燃机噪声辐射的机理确定了不同的分量与内燃机不同的噪声源相对应。     

基于独立分量分析和时频分析的柴油机燃烧噪声研究Ⅰ:燃烧噪声分析

燃烧噪声是柴油机最主要的噪声源之一,重点研究基于独立分量分析的燃烧噪声分离.首先针对柴油机噪声成分的复杂性,应用FastICA方法从噪声测试信号中分离了源信号分量,应用峭度检验了柴油机噪声信号的非Gauss性.根据时间信息识别了燃烧噪声和喷油噪声等独立分量.其次针对噪声信号的非平稳性,研究基于小波尺度谱噪声分量的时频特征分析.针对试验工况下的独立噪声分量,应用Morlet小波尺度谱在时频联合域内提取了各噪声分量的时频特征.     

内燃机传动噪声识别的小波分析方法

为了降低内燃机噪声必须确定其噪声源。基于内燃机噪声信号非平稳和周期性的特点,用模拟数据说明了将小波分析应用于内燃机噪声信号分析的合理性,并利用连续小渡变换对一台车用发动机前、后端的噪声源进行了识别诊断,确定了发动机的噪声源,证明了小渡分析是内燃机噪声源识别的一种有效方法。     

基于计算听觉场景分析的内燃机噪声源分离方法

为识别在时频域均混叠严重的内燃机燃烧噪声与活塞敲击噪声,提出并实现了基于计算听觉场景分析的内燃机噪声源分离算法.首先,对内燃机进行铅覆盖,只裸露待测部分,通过相关性分析寻找最佳测点位置,保证为分离算法提供更有效输入;其次,利用一阶差分麦克风阵列技术对实测信号进行处理,利用由独立分量分析与二值掩膜组成的时频分解过程对混合信号进行初步划分,分解过程不断迭代直至满足终止条件;最后,合并同源信号得到各分离分量,通过将分量与缸盖表面和活塞敲击处振动信号进行对比,验证分离结果的正确性.结果表明:新算法能有效分离内燃机燃烧噪声与活塞敲击噪声,且性能稳定,计算量小.     

基于EMD和HHT的内燃机噪声信号时频特性研究

简述了经验模态分解(EMD)和Hilbert-Huang变换(HHT)的基本原理与方法.设计仿真试验,验证经验模态分解方法和Hilbert-Huang变换技术对复杂信号的分解和时频分析能力.以某6缸发动机为研究对象,采用小波包分解方法对噪声信号进行滤波预处理,并对滤波后信号进行经验模态分解,得到多个具有不同频率的本征模态函数分量,分别对各分量进行希尔伯特黄变换,分析其幅值和频率随时间变化的特性,结合内燃机结构声辐射机理,分析各分量产生原因,识别噪声源.研究结果表明:经验模态分解方法和Hilbert-Huang变换技术适于分析内燃机噪声信号.     

基于信号分析的发电机组辐射噪声盲源分离和识别

具有独立分量的经验模态分解算法结合了独立成分分析算法和经验模态分解算法的优点,可通过单个观测信号将噪声源分解成一系列独立分量,保证了分离出的声源的独立性,同时利用小波变换技术对各个独立分量进行了分析,通过时频分析结果确定了各独立分量与发电机组各噪声源的对应关系,并通过试验进行了验证。研究结果表明:这些独立分量分别对应着配气机构噪声、平衡轴驱动齿轮噪声、正时齿轮噪声和进气噪声。     

柴油机噪声源的识别研究

论述了柴油机噪声源识别的几种方法及识别结果。在噪声源识别上，采用部分缸熄火的方法对机械噪声和燃烧噪声进行了分离，发现：高转速时机械噪声是降噪重点；而在高负荷情况下，首要的是降低燃烧噪声。在表面辐射噪声源的识别上，利用表面振动法和近场声压扫描的方法进行研究，发现油底壳和缸盖罩等薄壁件是噪声的主要辐射部件，是降噪的重点。     

基于ICA在强背景噪声振动信号中的去噪研究

由于小波模极大值去噪方法在强背景噪声的情况下提取碰摩信号的能力变弱甚至失效,在本文中提出应用独立分量分析(ICA)方法对碰摩信号进行特征提取。通过对转子模拟实验台模拟的强背景噪声下的碰摩信号进行ICA去噪方法和小波去噪方法仿真实验,结果表明,本方法明显优于小波去噪方法,为强背景噪声下的弱振动信号的检测提供了新的途径。     

小波变换技术在内燃机振声信号分析中的应用

介绍了小波分析方法在内燃机测试方面的发展和应用，探讨了应用小波技术进行车用发动机表面辐射声源的识别问题。以一台车用发动机表面辐射噪声的测量和识别分析为例，提出了一种车用发动机主要噪声源诊断和识别的测试分析方法。提取了小波分析结果特征，进行噪声源识别，其结果是满意的。