[发明专利]一种内燃机噪声源识别方法

说明书

本发明涉及一种内燃机噪声源识别方法，步骤如下：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；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；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；采用小波变换对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；根据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；分离内燃机的非阶次噪声源。

技术领域

本发明涉及一种内燃机噪声源识别方法。

背景技术

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。

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。

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。

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。

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。

参考文献

[1]Zhang J,Zhou Q,Lin J,et al.A Fuzzy-Based Analytic HierarchyProcess for Mechanical Noise Source Identification of a Diesel Engine[J].Shock and Vibration,2019,2019.