[发明专利]一种发动机噪声源权重分析方法

说明书

本发明公开了一种发动机噪声源权重分析方法，通过测试发动机多工况的振动和噪声数据，利用变分模态分解(VMD)算法对噪声信号进行自适应分解，将原始噪声信号分解为多个不同频段的IMF，利用不同结构的振动和不同频段的IMF进行偏相干分析，利用改进模糊层次分析法计算不同结构对不同频段、不同测点、不同工况下的发动机噪声的贡献权重。

技术领域

本发明涉及发动机NVH领域，具体涉及一种发动机噪声源权重分析方法。

背景技术

目前，国家和行业法规对车辆噪声的要求越来越严格，消费者对车辆噪声水平和品质的要求也在不断提升。作为车辆主要噪声源之一，发动机的噪声性能和动力性、经济性、可靠性一样成为其主要性能指标。进行发动机的降噪需要掌握其噪声源特性，从而针对主要噪声源进行控制。发动机结构复杂、噪声来源众多且相互影响，如何准确识别发动机主要噪声源是研究重点。通常采用的发动机噪声源识别方法包括铅覆盖法、相干分析法、声强法、信号处理法、声学成像法等。基于信号处理的识别方法的测试成本较低、灵活度较高，针对信号特点可选用相应的处理方法，因此基于先进信号处理方法的噪声源识别技术有着广阔的应用前景。

一些研究者通过铅覆盖法对发动机的某一气缸进行单独的信号采集，运用EEMD(聚合经验模态分解)-Roust ICA(鲁棒性独立分量分析)-CWT(连续小波变换)成功的分离出活塞敲击噪声和燃烧噪声，并通过实验验证了时频分析和盲源分离相结合可以有效地进行柴油机噪声源识别。还有一些研究者将发动机顶部的信号进行EEMD分解，使用振动信号和分解后的IMF(本征模函数)进行相干功率谱分析，结合层次分析法进行多工况整体噪声贡献度的计算。这些方法在一定程度上提升了噪声源识别和权重分析的精度和效率，但仍然存在不足。

EEMD虽然在一定程度上可以解决EMD(经验模态分解)算法在信号分解过程存在的模态混叠和端点效应问题，但是加入的高斯白噪声会影响残余分量，同时产生模态分裂现象。在发动机中，多数结构与机体之间刚性连接，导致结构之间的振动信号彼此相关。对于存在相关性的多输入单输出系统来说，常相干分析对噪声源的识别作用较小。虽然利用层次分析法可以计算噪声源在不同频段、不同测点、不同工况下的噪声权重，但是传统层次分析法存在协调判断矩阵的一致性难以保证和一致性检验标准缺乏充分科学依据的缺限。因此，在发动机噪声源权重分析中需要提出一种更系统、更全面、更客观的方法，为发动机噪声控制提供更为精确有效的指导。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于变分模态分解(VMD)-偏相干分析(CCSA)-模糊层次分析法(FAHP)的发动机噪声源权重分析方法，通过测试发动机多工况的振动和噪声数据，利用变分模态分解(VMD)算法对噪声信号进行自适应分解，将原始噪声信号分解为多个不同频段的IMF，利用不同结构的振动和不同频段的IMF进行偏相干分析，利用改进模糊层次分析法计算不同结构对不同频段、不同测点、不同工况下的发动机噪声的贡献权重。

本发明的目的是通过以下技术方案实现的：

一种发动机噪声源权重分析方法，包括以下步骤：

(1)采集发动机机不同工况的振动、噪声信号；

(2)对噪声信号进行VMD分解，得到不同频段的IMF，并将分解的IMF进行小波变换；

(3)对振动和噪声信号进行偏相干分析，根据输入偏相干功率谱幅值确定不同结构在不同频段的权重排序；

(4)构建整机噪声层次分析树：第一层目标层；第二层为转速层；第三层为测点层；第四层为频段层；第五层为方案层；

(5)进行多工况噪声源权重计算：具体包括以下步骤：

a)根据上述步骤(3)的权重排序结果构建模糊判断矩阵，计算不同结构对不同频段噪声的权重，由于每个振动、噪声信号有与之对应的测点和转速，发动机各结构在各频段、各测点和各种转速下的噪声权重也不同；