技术领域
[0001] 本
发明涉及一种内燃机噪声源识别方法。
背景技术
[0002] 随着
汽车工业的不断发展，车辆噪声对人们生活环境和身心健康影响越来越严重，内燃机作为车辆最主要的噪声源，已成为车辆噪声控制的首要目标，所以有效的降低内燃机
辐射噪声对改善城市声环境具有重要意义。
[0003] 在内燃机NVH控制工程中，噪声源的识别是先决条件。合理控制内燃机振动噪声，首先应该分析内燃机的主要噪声特征，即对噪声源的产生部件进行准确测试和分析。通过试验和
信号处理相结合进行噪声源分离，根据内燃机工作原理和具体的结构特点，采取相应的措施对主要噪声源进行有效控制，达到降低整机噪声的目标。
信号处理技术对试验环境和设备的要求比较低[1]，试验过程简单，灵活性更强，因此成为目前噪声源识别研究热点。
[0004] 基于信号处理的噪声源识别方法发展很快，并在内燃机的振动噪声控制研究领域得到了广泛的应用。在柴油机噪声源分离领域常用的信号处理方法分为如下几种：模态分解法、时频分析法、相干分析法、
盲源分离法。针对内燃机噪声源分离研究，一些学者[2-3]采用经验模态分解(EMD)-鲁棒性
独立分量分析(Robust ICA)，聚合经验模态分解(EEMD)-ICA-
小波变换(CWT)成功分离出
活塞噪声、
燃烧噪声，并通过相干分析验证分离结果的准确性。但EMD在信号分解过程中会出现模态
混叠和端点效应的问题，对分离的噪声特征产生较大的干扰。还有一些研究者通过钎
覆盖法对六缸柴油机的
气缸盖进行信号采集，采用变分模态分解(VMD)-盲源分离(BSS)-小波分析(CWT)[4]相结合的方法成功的分离活塞敲击噪声和燃烧噪声。VMD[5]是一种适用于非稳态信号的自适应分解方法，它有效的解决了EMD模态混叠和端点效应的问题，但是VMD进行信号处理前需要预设参数，如果参数选择不准确会使信号分解产生干扰信息，导致特征提取错误。VMD进行信号处理时需要预定义2个重要参数(模态数K、惩罚因子a)，K影响信号分解的模态数目，不准确的K值会产生过分解或欠分解问题，a影响分解分量的带宽,不合适的a值会造成分解出现
能量泄露或重叠现象。因此需要对VMD进行自适应优化，降低因参数选择盲目性造成对信号分解干扰。
[0005] 针对智能优化
算法，粒子群算法(PSO)收敛速度快，但是粒子群的随机初始化会对算法的寻优结果产生很大的影响，容易陷入局部最优。利用模拟
退火算法(SA)概率突跳的性质来优化粒子群算法，可解决PSO局部最优的问题。因此本
专利拟采用模拟退火算法和粒子群算法(SAPSO)相结合进行VMD参数寻优，解决了传统VMD分解过程自适应问题，从而保证分解IMF的
精度。
[0006] 基于上述阐述可知：针对目前采用信号处理技术进行噪声源识别，分离的噪声源一般为燃烧噪声和活塞敲击噪声的阶次噪声源，识别效率较低，但是对非阶次噪声源分离效果较差。因此，在噪声源识别中需要提出一种更系统、客观的方法来提高识别的精度和效率，为噪声控制提供更为精确有效的指导。
[0007] 参考文献
[0008] [1]Zhang J,Zhou Q,Lin J,et al.A Fuzzy-Based Analytic Hierarchy Process for Mechanical Noise Source Identification of a Diesel Engine[J].Shock and Vibration,2019,2019.
[0009] [2]张俊红,李林洁,刘海,et al.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.
[0010] [3]Bi F R,Li L,Zhang J,et al.Source identification of gasoline engine noise based on continuous wavelet transform and EEMD–RobustICA[J].Applied Acoustics,2015,100:34-42.
[0011] [4]姚家驰,向阳,李胜杨,et al.基于VMD-ICA-CWT的内燃机噪声源识别方法[J].华中科技大学学报：自然科学版,2016(7):20-24.
[0012] [5]Dragomiretskiy K,Zosso D.Variational Mode DecompositionV[J].IEEE Transactions on Signal Processing,2014,62(3):531-544.
发明内容
[0013] 本发明的目的是提供一种具有较高精度的内燃机噪声源识别方法，技术方案如下：
[0014] 一种内燃机噪声源识别方法，步骤如下：
[0015] (1)采集内燃机标准工况和倒拖工况的整机噪声信号，测试标准工况下缸盖、活塞敲击点主推
力侧、喷油
泵、
涡轮增压器、空压机、
油底壳、
齿轮罩盖、缸盖罩的振动信号和缸压信号。
[0016] (2)对振动信号和噪声信号进行去直流、去趋势项和滤波预处理，以减少信号采集误差；
[0017] (3)对预处理的噪声信号进行改进变分模态分解IVMD，自适应获得不同频段的信号分量，即采用模拟退火改进粒子群算法进行VMD优化，方法如下：
[0018] (a)初始化算法参数：粒子种群数Sizepop＝100，最大
迭代次数Mxiter＝50，认知学习因子C1＝1.495，社会学习因子C2＝1.495，模态数K＝[3；4；5；6；7；8；9；10]，惩罚因子a＝[50,4000]的随机数，粒子飞行的最大速度Vmax＝2，最小速度Vmin＝-2；
[0019] (b)基于VMD算法对内燃机顶部噪声信号进行分解，以模态数K和惩罚因子a作为优化变量，以最小幅值谱熵平均值 作为适应度函数，计算第一次迭代初始参量的适应度值，并找到初始个体和全局最优模态数Gbest_K和Zbest_K，初始个体和全局最优惩罚因子Gbest_a和Zbest_a，适应度函数幅值谱熵计算如下：
[0020]
[0021] 其中X为噪声分解分量序列，P为信号的概率分布，N是
输入信号长度，Hs是幅值谱熵；
[0022] (c)对个体最优Gbest进行模拟退火临域搜索，不断更新迭代数Mxiter、模态数K、惩罚因子a和粒子飞行速度V，并基于Metropolis准则判断更新解的可行性；
[0023] (d)基于上述步骤(c)的更新参数，采用VMD处理噪声信号，计算适应度函数，更新全局最优参数Zbest_K和Zbest_a；
[0024] (e)重复执行上述(b)(c)(d)步骤，判断是否达到最大迭代次数，完成最大迭代次数循环计算，并输出最优模态数K和惩罚因子a；
[0025] (f)将上述步骤获得的最优参数K和a输入VMD算法，进行内燃机噪声自适应分解，检测分解分量是否存在欠分解和过分解问题，如果分解存在欠分解或过分解，调整步骤(a)中初始模态数K，使之在合适的范围，再循环按照上述步骤进行VMD参数寻优；
[0026] (4)采用小波变换对步骤(3)分解的噪声分量进行时频分析，确定各噪声分量时频、
功率谱特征；
[0027] (5)基于步骤(4)时频分析结果和内燃机先验知识进行内燃机阶次噪声识别，并采用倒拖试验和相关性分析确认分离结果；
[0028] (6)将包括
喷油泵、
涡轮增压器、空压机、油底壳、齿
轮罩盖、缸盖罩在内主要噪声源的振动信号和噪声信号进行偏相干分析，提取各主要噪声源特有
频率特征；将提取的
频谱特征和步骤(4)噪声分量中非阶次时频特征进行对比，分离内燃机的非阶次噪声源。
附图说明
[0029] 图1基于SAPSO-VMD-PCA的噪声源识别方法
具体实施方式
[0031] 本发明通过测试内燃机振动、噪声数据，采用改进变分模态算法(IVMD)-偏相干分析(PCA)-小波变换(CWT)进行噪声源分离。具体分析过程如图1，执行步骤如下：
[0032] (1)柴油机振动噪声信号的采集
[0033] 参考GB/T 1859-2000往复式内燃机辐射空气噪声测量工程法和简易法。进行整机振动噪声测试，噪声测试点位置如图2，
采样频率为20480Hz，噪声试验在半消音室中进行，消音室尺寸为11.2m(L)×9.5m(W)×6.0m(H)，截止频率为100Hz，本底噪声25dB。主要测量设备AVL内燃机测试系统，LMS Test.lab 32位声学振动测试系统，BSWA的声学麦克
风，PCB的
加速度
传感器。具体测试方案如下：
[0034] 1)针对某款内燃机分别测试标况(2000r/min)和倒拖工况(2000r/min)的整机5点噪声信号。
[0035] 2)测试标况(2000r/min)缸盖、
气缸体主推力侧、喷油泵、
涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩的振动信号。
[0036] 3)测试标况(2000r/min)的缸压信号。
[0037] (2)基于SAPSO-VMD噪声信号自适应分解
[0038] 对步骤(1)采集的内燃机噪声信号进行去趋势和滤波处理(基于内燃机噪声频段分布和人的听力范围，保留20Hz-5000Hz)，剔除干扰噪声影响。以过分解模态数K作为约束条件，以分解IMF幅值谱熵平均值的最小值作为目标函数，基于模拟退火算法和粒子群算法对VMD预设定参数(模态数K，惩罚因子a)进行寻优，以获得最优参数K和a。将寻优获得的K和a参数输入到VMD程序，对内燃机顶部噪声信号进行分解，获得不同本征模函数(IMF)。目标函数幅值谱熵计算如下：
[0039]
[0040] 其中X为噪声分解分量序列，P为信号的概率分布，N是输入信号长度，Hs是幅值谱熵。
[0041] (3)基于小波变换的IMF时-频分析
[0042] 步骤(2)可获得噪声的分解分量-本征模函数(IMF)，由于IMF是时域信息，无法获得
频域特征，本专利采用小波变换(CWT)获得IMF的时-频特征。基于时-频分析结果可初步预判内燃机的阶次噪声源(活塞敲击噪声、燃烧噪声)，再根据内燃机先验知识(六缸机的发火顺序为1-5-3-6-2-4)、缸压-噪声的相干性、
机体主推力侧振动-噪声相干性、倒拖试验结果进一步判断分离的燃烧噪声和活塞敲击噪声源。
[0043] (4)主要噪声源的偏相干分析
[0044] 偏相干分析适用于具有相关关系的多输入-单输出模型，它可以剔除其它输入源的干扰，将内燃机关键零部件的振动信号和采集噪声信号进行偏相干分析，可获得单一噪声源特有的噪声特征，为非阶次噪声源的分离提供有效途径。偏相干分析的具体计算过程如下：
[0045] a)对输入振动信号X(t)和输出噪声信号Y(t)进行傅里叶变换，X(t),Y(t)→X(f),Y(f)；
[0046] b)计算输入和
输出信号的自功率谱和互功率谱Sxx，Syy，Sxy；
[0047]
[0048]
[0049]
[0050] 式中：Sxx，Syy，Sxy分别为输入自谱，输出自谱、输入和输出的互谱，E是FFT变换的长度， Yi*(f)是Xi(f)，Yi(f)的共轭复数。
[0051] c)计算条件传递函数Lij，条件自功率谱Sjj·r！，条件互功率谱Sij·r！；
[0052]
[0053] Sij·r！＝Sij·(r-1)！-LrjSir·(r-1)！ (6)
[0054] 式中：Lij是条件传递函数，Sij·r！代表两信号Si和Sj在剔除r序列之后的条件互谱，同理，当i＝j时，Sii·r！代表条件自谱。
[0055] d)计算偏相干函数 和输入偏相干功率谱Syxi'；
[0056]
[0057]
[0058] 式中： 表示偏相干函数，Syxi'是输入偏相干值。
[0059] 步骤(2)(3)采用SAPSO-VMD-CWT可分离出内燃机阶次噪声源-燃烧噪声、活塞敲击噪声，但非阶次噪声源无法分离。步骤(4)将内燃机主要噪声源(喷油泵、涡轮增压器、空压机、油底壳、齿轮罩盖、缸盖罩)的振动和整机噪声进行偏相干分析，提取上述噪声源特有频率特征，将结果和步骤(2)(3)中非阶次分量频率特征进行对比，初步预判出IMF分量中的非阶次噪声源。最后对预判噪声源进行钎覆盖处理，如果该频段的噪声被大幅衰减，即可验证该噪声源分离结果的准确性。
