基于参数优化VMD-CWT的柴油机噪声源分离
2021-02-20张昊张栋栋
张昊 张栋栋
摘要:针对变分模态分解(VMD)参数选择盲目、低效的问题,本文以相关系数和裕度因子作为判断指标,提出了一种参数优化变分模态分解(Optimised Variational Mode Decomposition,OVMD)方法。将该方法引入柴油机噪声源识别领域,将柴油机顶部单通道信号分解成多个信号分量,再通过连续小波变换(CWT)提取分量时频特征,最后通过相干分析和倒拖试验进行分离结果验证。结果显示,本文提出的方法能够有效地分离出柴油机燃烧噪声、活塞敲击噪声。
关键词:优化变分模态分解;小波变换;噪声源分离;柴油机
中图分类号:TK401 文献标识码:A 文章編号:1674-957X(2021)02-0001-02
0 引言
变分模态分解(VMD)[1]方法是近几年应用范围较广的信号处理算法,相比于EMD和EEMD其具有严格的理论基础。通过对内燃机进行铅覆盖,裸露第六缸测量柴油机缸盖顶部单通道噪声,利用VMD-ICA识别出柴油机的燃烧噪声和活塞敲击噪声。VMD可有效抑制信号分解过程模态混叠的问题,但在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),目前针对参数K的确定做了较多研究[2-3],但是没有考虑惩罚因子对VMD分解的影响,这样可能会导致分解的结果出现信号干扰或特征丢失等问题。
针对以上问题,本文综合考虑了VMD预设参数K和a的影响,基于优化VMD(OVMD)对整机辐射噪声进行分解,采用小波变换对分解分量进行时频分析,最终对柴油机噪声源进行分离。
1 噪声试验
噪声试验在半消音室中进行,本底噪声25dB。主要测量设备包含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。
测试对象是某六缸直列、四冲程增压中冷柴油机,发火顺序为1-5-3-6-2-4。该柴油机在额定工况(1900r/min)时,噪声异常突出。将发动机调至额定工况和倒拖(1900r/min)工况进行整机噪声测试,同时测试活塞主推力侧的机体振动。本次试验振动噪声采样频率Fs=20480Hz,为了消除其它部件的干扰,在测试过程将风扇拆除,同时进排气管采用吸声棉进行消声处理,测试现场如图1所示。
2 噪声源识别分离
柴油机顶部噪声信号分布比较均匀,可以更好地反映整机噪声特征,本文基于顶部噪声信号进行分析,如图2(a)和2(b)分别为预处理后顶部噪声信号的时、频域分布。
从图2可以看出,柴油机顶部噪声信号瞬态冲击特征明显,幅值较大的频率多为1000Hz以内的低频范围。
采用最优参数VMD分解噪声,分解模态参数K=5,二次罚项?琢=2000,初始中心频率分别为(200,700,1300,2600,4500),分解信号分量频谱如图3所示。
对分解的5个信号分量进行时域和频域分析,观察图4(a)发现分量信号IC4时域表现出明显的周期性特征。为了进一步观察IC4特征,对IC4进行小波时频分析,如图4(b)所示。
从图4(b)可以看出IC4在一个发动机循环内出现了6次,与发动机点火次数相同,且满足1-5-3-6-2-4的发火顺序,同时各能量集中点间隔大致为120°CA,与发动机各缸燃烧间隔吻合。综上,基于发动机工作原理,结合分量信号时频特征预判定IC4为燃烧噪声分量。
为了验证噪声识别分离结果,测量倒拖工况(1900r/min)顶部噪声,发现倒拖工况频谱(图5)在1270Hz的幅值相对额定工况(1900r/min)衰减较大,试验结果进一步确认了IC4是燃烧噪声。
活塞往复运动中在气体压力、油膜力和摩擦力共同作用下与缸套主副推力侧发生碰撞产生的敲击。随着发动机强化技术的发展,在燃烧工作过程活塞承受很大的耦合作用力,使活塞敲击噪声成为主要的机械噪声。
从图5可知,620Hz频段噪声为主要的噪声源,且该频段在倒拖工况下衰减较少,因此620Hz为主要机械噪声分量。同时通过对比IC1与倒拖噪声的频谱特征,如图6(b)所示,可以看出倒拖噪声与IC1在600Hz附近频率范围内基本吻合,因此IC1可能是活塞敲击噪声。
为了进一步确定IC1的噪声源,将活塞主推力侧机体的振动信号和柴油机顶部噪声信号进行相干功率谱分析(图7),活塞敲击点和顶部噪声信号在620Hz具有很高的相关性,因此IC1为活塞敲击噪声。
3 结论
①针对瞬态冲击信号提出的最优参数VMD算法,相比于默认参数的VMD算法分解更准确、迭代次数更少、分解速度更快。
②本文将优化VMD算法应用在柴油机噪声识别领域,可获得更有效的分解信号信息,基于小波变换(CWT)对分解信号进行时频分析,可快速低成本地识别出燃烧噪声、敲击噪声等信号分量。
参考文献:
[1]Dragomiretskiy K, Zosso D. Variational Mode DecompositionV[J]. IEEE Transactions on Signal Processing, 2014, 62(3):531-544.
[2]Lian J, Liu Z, Wang H, et al. Adaptive variational mode decomposition method for signal processing based on mode characteristic[J]. Mechanical Systems and Signal Processing, 2018, 107:53-77.
[3]Li Z, Chen J and Zi Y 2017 Independence oriented VMD to identify fault feature for wheel set bearing fault diagnosis of high speed locomotive Mechanical systems and signal processing 85 512-529.