小波包与灰关联理论的工程机械噪声信号分析

高磊磊,耿彦波,倪翔宇,王振清

(1.江苏徐州工程机械研究院,江苏 徐州 221004;2.徐工铲运机械事业部,江苏 徐州 221000)



小波包与灰关联理论的工程机械噪声信号分析

高磊磊1,耿彦波1,倪翔宇1,王振清2

(1.江苏徐州工程机械研究院,江苏 徐州 221004;2.徐工铲运机械事业部,江苏 徐州 221000)

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.

小波包; 灰关联理论; 工程机械; 噪声信号

随着噪声法规标准的持续更新和人们对工程机械舒适性要求的不断提高,工程机械噪声成为相关领域技术人员研究的重点.工程机械的控制和运动部件较多,其结构特点决定了其噪声源的错综复杂性.如何准确地识别出噪声源,对工程机械的噪声控制具有重要意义.

传统的噪声信号分析方法大都以傅立叶变换为基础,且只能对两个信号在频域内进行对比分析,不能对时域数据进行局部化分析.小波包是一种时频分析技术,它可以从不同的尺度空间获得信号的宏观和微观特征[1].

工程机械在不同的运行状态下,其噪声信号在各个频带内的能量也不同.利用小波包将工程机械噪声信号分解到不同的频带内,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.

1 小波包分析

小波包分析是从小波分析中延伸出的一种更加细致的信号分解和重构方法.在小波分析中每次只对上次分解的低频部分进行再分解,对高频部分则不再分解,故在高频段分辨率较差.小波包分析对低频部分和高频部分都进行分解,所以小波包对信号的高频部分做了更加细致的刻画,对信号的分析能力更强[2].

(1)

式中:hk,gk分别为多分辨率分析中的低通滤波器系数和高通滤波器系数,其中gk=(-1)kh1-k,即两系数具有正交关系[3].

(2)

(3)

(4)

假设x(t)为工程机械噪声的离散信号,对x(t)进行三级小波包分解,重构后的总信号S可表示为

S=S30+S31+S33+S34+S35+S36+S37

(5)

式中:S3j(j=0,1,…,7)表示3级小波包分解的第(3,j)结点系数重构信号.

小波包分析将信号中不同的分量无冗余、无疏漏、正交地分解到独立的频带[2],这些频带里的信号能量守衡,每个频带里信号的能量对于噪声信号分析都是非常重要的信息.

以3层小波包分解为例,首先求各个频带信号的总能量.设S3j对应的能量为E3j,则有

(6)

式中:xjk(j=0,1,…,7;k=1,2,…,n)表示重构信号S3j的离散点的幅值.

以能量为元素构造的特征向量T可表示为

(7)

(8)

式中:T′即为归一化后的特征向量[4].

2 灰关联分析

灰关联分析是以定性分析为基础的定量分析,能够通过对不确定的系统进行因素间的量化、序化及显化,根据因素之间发展态势的相似或相异程度来衡量因素间的关联程度,进而实现界定系统边界、判别主次要因素、识别状态模式等[5].

灰关联分析在处理动态测试数据的相关问题时,不苛求测量数据的典型分布,而且计算量小,十分方便,不会出现量化结果与定性分析结果不符的情况[6].

设γ[x0(k),xi(k)]为xi对x0在k时刻的灰关联系数,有:

(9)

设γi为xi与x0的灰关联度,有:

(10)

式中:k=1,2,…,n;i=1,2,…,m.

灰关联度γi具有以下性质:γi∈(0,1];γi越大,xi和x0的相似程度越大,关联性越密切;γi越小,xi和x0的相似程度越小,关联性越不密切.

3 工程机械噪声信号分析

对某工程机械进行噪声试验,测取了定置状态下的司机耳旁的噪声、发动机噪声、风扇噪声、排气噪声和进气噪声信号,各噪声信号的时域波形如图1所示.司机耳旁的主要噪声源显然无法从信号的时域波形上判断得出.

图1 各噪声信号的时域波形图Fig.1 Time domain waveform of each noise signal

根据小波包分析理论,分别对上述5个噪声信号进行三级小波包分解,分解后的信号如图2所示(图2中的各图的横坐标为采样点数,纵坐标为声压,单位为Pa),并计算得到5个噪声信号的特征向量如下.

司机耳旁噪声的特征向量:

[0.9298,0.3660,0.0196,0.0319,0.0315,0.0121,0.0084,0.0064]

发动机噪声的特征向量:

[0.7630,0.6255,0.0489,0.1526,0.0030,0.0167,0.0287,0.0091]

风扇噪声的特征向量:

[0.9759,0.2164,0.0780,0.0263,0.0217,0.0326,0.0248,0.0031]

排气噪声的特征向量:

[0.5549,0.8303,0.0112,0.0501,0.0110,0.0319,0.0139,0.0035]

进气噪声的特征向量:

[0.3106,0.9415,0.0420,0.1182,0.0143,0.0391,0.0183,0.0017]

对小波包分解得到的特征向量进行灰关联分析,得到发动机噪声、风扇噪声、排气噪声、进气噪声分别与司机耳旁噪声的灰关联度,如表1所示.

图2 各噪声信号的第三层小波包重构图Fig.2 Third layer wavelet packet reconstruction of each noise signal表1 各噪声信号与司机耳旁噪声的灰关联度Tab.1 Grey relationship between each noise signal and driver ear’s noise signal

发动机风扇排气进气0.89760.94160.85510.7976

从表1可以看出,风扇噪声与司机耳旁噪声的灰关联度最大为0.9416,发动机噪声与司机耳旁噪声的灰关联度次之,为0.8976.各噪声信号与司机耳旁噪声的灰关联度由大到小排序为:风扇噪声、发动机噪声、排气噪声和进气噪声.

因此,风扇噪声和发动机噪声对司机耳旁噪声的贡献较大,为司机耳旁噪声主要的两个噪声源.

4 工程机械噪声控制

通过对工程机械的噪声信号进行分析之后,识别出司机耳旁的主要噪声源为风扇噪声和发动机噪声,因此要降低司机耳旁噪声,就必须对风扇噪声和发动机噪声进行控制.

本文对风扇进行优化选型,选取直径小且风量大的风扇,并在风扇附近的机罩内壁粘贴吸音棉,在风扇转速不变的条件下,通过上述方法使风扇噪声得到了有效的降低.通过在机罩内部布置金属板,将发动机舱与散热器舱分离,并整体包围成一个密闭空间,并在发动机舱内部粘贴吸音棉,以阻隔发动机噪声向外界辐射.

采取相应的控制措施后,对某工程机械进行噪声试验,测得司机耳旁噪声由原来的82 dB(A)下降到78 dB(A),总共降低了4 dB(A).同时,工程机械机外发射噪声也得到了有效控制.

噪声试验表明,司机耳旁噪声有了明显下降,这进一步证明了利用小波包分解和灰关联分析进行工程机械噪声信号分析的有效性和正确性.

5 结语

通过理论分析和试验验证可以说明,利用三级小波包分解,可得到某工程机械各噪声信号的特征向量,然后对特征向量进行灰关联分析并求得司机耳旁的噪声信号与其他各噪声信号间的灰关联度,根据灰关联度的大小排序可准确地识别出司机耳旁的主要噪声源.该方法与传统噪声信号分析方法相比更简单、方便、可靠,且不会出现量化结果与定性分析结果不符的情况,为工程机械噪声控制的研究提供了新的方法.

[1] 陈书明,王登峰,陈 鑫.小波变换在轿车车内噪声源识别中的应用研究[J].噪声与振动控制,2009,4(2):88-92.

CHEN Shuming,WANG Dengfeng,CHEN Xin.Study on application of identification of interior noise source in cars with wavelet transform[J].Noise and Vibration Control,2009,4(2):88-92.

[2] 唐贵基,蔡 伟.应用小波包和包络分析的滚动轴承故障诊断[J].振动、测试与诊断,2009,29(2):201-204.

TANG Guiji,CAI Wei.Rolling bearings fault diagnosis by using wavelet packet and envelope analysis[J].Journal of Vibration,Measurement & Diagnosis,2009,29(2):201-204.

[3] 胡昌华,李国华,刘 涛,等.基于MATLAB6.x的系统分析与设计——小波分析[M].第2版.西安:西安电子科技大学出版社,2004.

HU Changhua,LI Guohua,LIU Tao,et al.System analysis and design based on MATLAB6.x—wavelet analysis[M].2nd ed.Xi’an:Xidian University Press,2004.

[4] 姚志远,曾发林,宫镇.小波变换在车辆噪声源识别中的应用[J].汽车工程,2002,2(4):302-305.

YAO Zhiyuan,ZENG Falin,GONG Zhen.Application of wavelet in identifying the noise sources of automobile[J].Automotive Engineering,2002,2(4):302-305.

[5] 董立立,梁林泉,周中强,等.基于灰关联理论的滚动轴承故障诊断研究[J].控制工程,2012,15(6):731-734.

DONG Lili,LIANG Linquan,Zhou Zhongqiang,et al.On fault diagnosis of rolling bearing based on grey relevancy theory[J].Control Engineering of China,2012,15(6):731-734.

[6] 夏新涛,张 林.滚动轴承振动与加工质量的灰色理论分析[J].轴承,2009(1):24-26.

XIA Xintao,ZHANG Lin.Grey theory analysis on relation between vibration and machining quality of rolling bearings[J].Bearing,2009(1):24-26.

[7] 王中宇,夏新涛,朱坚民.测量不确定度的非统计理论[M].北京:国防工业出版社,2000.

WANG Zhongyu,XIA Xintao,ZHU Jianmin.Non system theory of measurement uncertainty[M].Beijing:National Defence Industry Press,2000.

Application of wavelet packet and gray relational theory for noise signal analysis on construction machinery

GAOLei-lei1,GENG Yan-bo1,NI Xiang-yu1,WANG Zhen-qing2

(1.Jiangsu Xuzhou Construction Machinery Research Institute, Xuzhou 221004, China;2. XCMG Earth Moving Machinery Business Unit, Xuzhou 221000, China)

Firstly, the noise signal from construction machinery is decomposed using wavelet packets. Then, the energy in different frequency bands is extracted as a feature vector. Next, the gray relational analysis on feature vectors is obtained between noise signals and those near driver ears. Accordingly, the major noise source can be accurately identified based on the sequence of gray relationship values. Therein, the wavelet packets and gray relational analyses are validated on the efficiency and correctness of noise source identification.

wavelet packet; gray relational theory; construction machinery; noise signal

高磊磊(1986-),男,工程师,硕士.E-mail:gll1986313@126.com

TB 533

A

1672-5581(2016)04-0364-05