一种参数自适应的内燃机噪声源分离方法技术

本发明专利技术涉及一种参数自适应的内燃机噪声源分离方法，步骤如下：采集内燃机额定工况和倒拖工况的噪声信号；对噪声信号进行去直流、去趋势项和滤波预处理；对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解；采用小波变换对噪声分解分量U

【技术实现步骤摘要】
一种参数自适应的内燃机噪声源分离方法
本专利技术涉及内燃机NVH和故障诊断领域，具体涉及一种基于加权模糊分布熵的内燃机噪声源特征提取方法。
技术介绍
内燃机作为结构复杂的动力系统，其噪声源具有非线性、非稳态特征，因此有效的进行噪声源特征提取和分离难度较大。目前研究中，基于信号处理算法在一定程度可以识别噪声源，但是仍然存在一些缺陷，因此，提出高效精确的信号特征提取方法在NVH领域和故障诊断领域具有重要意义。2014年Dragomireskiy[1]等人提出变分模态分解(VariationalModeDecomposition，VMD)，该方法相对于其它信号分解方法分解效率更高，数学基础更坚实，因此被广泛应用到各个领域。但是VMD分解过程中需要提前设定算法的参数，不合适的参数设置会导致信号分解精度降低，同时自适应较差。目前一些学者针对VMD提出了一些自适应分解方法，文献[2]仅优化了参数K，忽略另一个重要参量惩罚因子a的影响。文献[3]分别优化了分解数目K和惩罚因子a，但是忽略了K和a的耦合影响，可能无法获得最优参数组合。文献[4]以包络熵本文档来自技高网...

【技术保护点】
1.一种参数自适应的内燃机噪声源分离方法，步骤如下：/n(1)采集内燃机额定工况和倒拖工况的噪声信号，测试额定工况下缸盖、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。/n(2)对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，获得经过预处理的噪声信号U＝{μ(1),μ(2),μ(3),…μ(N)}；/n(3)对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解，方法如下：/n(a)设置粒子群算法PSO预设参数：最大迭代次数为maxg＝40，粒子数目sizepop＝40，粒子飞行速度V＝[-2,2]，VMD...

【技术特征摘要】
1.一种参数自适应的内燃机噪声源分离方法，步骤如下：
(1)采集内燃机额定工况和倒拖工况的噪声信号，测试额定工况下缸盖、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。
(2)对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，获得经过预处理的噪声信号U＝{μ(1),μ(2),μ(3),…μ(N)}；
(3)对经过预处理的噪声信号采用粒子群算法PSO和加权模糊分布熵进行VMD自适应分解，方法如下：
(a)设置粒子群算法PSO预设参数：最大迭代次数为maxg＝40，粒子数目sizepop＝40，粒子飞行速度V＝[-2,2]，VMD分解分量K∈[5,8]，惩罚因子a∈[50,3000]，学习因子C1＝1.495，C2＝1.495；
(b)以噪声分解分量的加权模糊分布熵平均值为适应度函数，以VMD分解数目K和惩罚因子a为优化变量，对噪声信号U＝{μ(1),μ(2),μ(3),…μ(N)}进行VMD分解，获得初始噪声分解分量UIMF；通过计算初始噪声分解分量UIMF平均加权模糊分布熵的最小值，获得局部最优分解数目Gbest_K和局部最优惩罚因子Gbest_a；
(c)不断更新分解分解数目K和惩罚因子a，计算适应度函数值；当达到最大迭代次数时，输出VMD全局最优解Zbest_K和Zbest_a；
(d)基于优化VMD结果进行噪声信号分解，检测是否存在欠分解和过分解问题；
(4)基于步骤(3)获得的最优VMD分解参数，采用小波变换对噪...

【专利技术属性】
技术研发人员：周启迪，张俊红，林杰威，朱小龙，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12