内燃机振声信号时频特性分析及源信号盲分离技术研究

论文摘要

内燃机振声信号为典型的非平稳时变信号,频率成分十分复杂,采用传统的谱分析方法难以对其进行时域局部化分析,无法全面地揭示信号频率成分的时变特性。时频分析方法是一种时频局域化分析方法,能在时间和频率上同时描述信号的能量密度或强度,揭示信号中所包含的频率分量及其随时间变化的特性。近年来,随着数字信号处理技术的不断发展,基于非平稳信号处理的时频分析方法已逐渐应用于内燃机振声信号分析领域,并取得了一定的研究成果。本文主要围绕国家自然科学基金项目“内燃机声信号的独立成分小波分析及燃烧噪声源的诊断”和教育部高等学校博士学科点专项基金“通过发动机辐射声的小波分析诊断燃烧性能和噪声源”展开,在深入研究小波变换、S变换、Hilbert-Huang变换以及独立成分分析的基本原理与算法的基础上,以多台发动机为研究对象,系统深入地开展了时频分析方法和盲分离技术在内燃机振声信号时频特性分析和振动噪声源识别中的应用研究,研究结果对内燃机振动噪声控制具有重要意义。全文的主要研究内容如下:1、从噪声污染的严重性和危害性出发,阐述了开展内燃机振动噪声控制研究的实际意义;通过对小波变换、S变换、Hilbert-Huang变换以及独立成分分析的发展概况及其在工程领域的应用进行调查研究,分析了各种时频分析方法和盲分离技术应用于内燃机振声信号时频特性研究和振动噪声源识别的可行性。2、对时频分析的基本概念进行了定义与区分,归纳总结了时频分析的基本原理与基本性质。3、在对小波变换的基本原理进行深入研究的基础上,以多台发动机为研究对象,采用连续小波变换方法对其稳态和瞬态工况（加速过程）的振声信号进行时频分析,研究不同工况下振声信号的能量分布规律,以及其主要频率成分随时间（转速）变化的特性,结合内燃机的结构特点和工作机理,分析振动噪声产生的原因。4、采用小波包分解的方法对内燃机噪声信号进行小波包逐层分解和系数重构,将与内燃机燃烧过程相关的频带信号进行合成重构,得到燃烧激励产生的噪声信号,并对其进行连续复小波变换和三维小波能量谱分析,分析气缸燃烧状态,提取内燃机燃烧过程相关的特征信息。5、在对S变换基本原理和相应算法进行深入研究的基础上,开展S变换技术在内燃机振声信号分析中的应用研究。以多台发动机为研究对象,采用S变换对其稳态工况和瞬态工况（加速过程）的振声信号进行时频分析处理,分析振声信号的能量分布规律,以及其主要频率成分和能量分布随时间（转速）变化的情况,结合内燃机的结构特点,分析振动噪声产生的原因。6、在对Hilbert-Huang变换技术的基本原理和相关算法进行深入研究的基础上,开展Hilbert-Huang变换技术在内燃机振声信号分析中的应用研究。以某六缸发动机为研究对象,采用EMD方法对其振声信号进行分解,得到多个具有不同频率的IMF分量,分别对各分量进行Hilbert变换,分析其幅值和频率随时间变化的特性,并结合内燃机的结构和振动噪声产生机理,分析各分量产生的原因,识别振动噪声源。7、在对独立成分分析的基本理论和相关算法进行深入研究的基础上,开展独立成分分析在内燃机振声信号分析中的应用研究。通过对内燃机振声信号的独立性和高斯性进行分析,揭示ICA方法在内燃机振声信号分析中的可行性,并以某六缸发动机为研究对象,采用ICA方法分别对其振声信号进行盲分离,结合小波变换技术识别内燃机主要噪声源和机体的振动激励源。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的目的与意义
• 1.1.1 内燃机振动噪声控制研究的实际意义
• 1.1.2 内燃机噪声源识别的重要性
• 1.2 内燃机噪声源识别方法的研究现状
• 1.2.1 内燃机噪声的分类
• 1.2.1.1 机械噪声
• 1.2.1.2 燃烧噪声
• 1.2.1.3 空气动力噪声
• 1.2.2 传统的噪声源识别方法
• 1.2.2.1 内部激励噪声源的识别
• 1.2.2.2 表面辐射噪声源的识别
• 1.2.3 内燃机振声信号分析的现代信号处理方法
• 1.2.3.1 小波变换技术的发展及其在振声信号分析中的应用
• 1.2.3.2 S变换技术及其在振卢信号分析中的应用
• 1.2.3.3 Hilbert-Huang变换技术及其在振声信号分析中的应用
• 1.2.3.4 独立成分分析技术及其在振声信号分析中的应用
• 1.3 本文主要研究内容及组织安排
• 第二章 内燃机振声信号时频分析的基本理论与方法
• 2.1 引言
• 2.2 时频分析基本概念
• 2.2.1 平稳信号与非平稳信号
• 2.2.2 解析信号
• 2.2.3 群延迟
• 2.2.4 时间分辨率与频率分辨率
• 2.3 时频分析基本理论—不确定性原理
• 2.4 时频分析基本性质
• 2.5 内燃机振声信号的时频分析方法
• 2.5.1 短时Fourier变换
• 2.5.2 小波变换
• 2.5.3 S变换
• 2.5.4 Hilbert-Huang变换
• 2.6 本章小结
• 第三章 基于小波变换技术的内燃机振声信号时频特性研究
• 3.1 引言
• 3.2 小波变换基本原理研究
• 3.2.1 连续小波变换基本原理
• 3.2.1.1 连续小波变换的定义
• 3.2.1.2 连续小波变换的基本思想
• 3.2.1.3 连续小波变换的基本性质
• 3.2.1.4 连续小波变换主要参数的选取
• 3.2.1.5 连续小波变换与Fourier变换的比较
• 3.2.2 小波包分解基本原理
• 3.2.2.1 小波包的定义
• 3.2.2.2 小波包的基本性质
• 3.2.2.3 小波包的基
• 3.2.2.4 小波包的子空间分解
• 3.2.2.5 小波包子空间的频带
• 3.2.2.6 小波包分解与重构算法
• 3.2.2.7 小波包分解与重构的网络结构
• 3.3 基于连续小波变换的内燃机振声信号时频特性研究
• 3.3.1 基于连续小波变换的内燃机振动信号时频特性研究
• 3.3.1.1 基于连续小波变换的内燃机稳态工况振动信号时频特性研究
• 3.3.1.2 基于连续小波变换的内燃机瞬态工况振动信号时频特性研究
• 3.3.2 基于连续小波变换的内燃机噪声信号时频特性研究
• 3.3.2.1 基于连续小波变换的内燃机稳态工况噪声信号时频特性研究
• 3.3.2.2 基于连续小波变换的内燃机瞬态工况噪声信号时频特性研究
• 3.4 基于小波包分解的内燃机噪声信号时频特性研究
• 3.4.1 内燃机噪声信号的测量
• 3.4.2 采用小波包分解提取燃烧噪声特征
• 3.5 本章小结
• 第四章 基于S变换技术的内燃机振声信号时频特性研究
• 4.1 引言
• 4.2 S变换基本原理研究
• 4.2.1 S变换定义及推导
• 4.2.1.1 根据小波变换推导S变换
• 4.2.1.2 根据短时Fourier变换推导S交换
• 4.2.2 S变换基本性质
• 4.2.2.1 线性叠加特性
• 4.2.2.2 时移特性
• 4.2.2.3 局部和无损可逆特性
• 4.2.2.4 多分辨率特性
• 4.2.3 S变换的离散形式及实现过程
• 4.2.3.1 S变换的离散形式
• 4.2.3.2 S变换实现过程
• 4.3 S变换仿真试验研究
• 4.3.1 S变换与短时Fourier变换的仿真比较研究
• 4.3.2 S变换与连续小波变换的仿真比较研究
• 4.4 基于S变换的内燃机振声信号时频特性研究
• 4.4.1 基于S变换的内燃机振动信号时频特性研究
• 4.4.1.1 振动信号的采集
• 4.4.1.2 振动信号的S变换
• 4.4.2 基于S变换的内燃机噪声信号时频特性研究
• 4.4.2.1 内燃机稳态工况噪声信号时频特性研究
• 4.4.2.2 内燃机瞬态工况噪声信号时频特性研究
• 4.5 本章小结
• 第五章 基于Hilbert-Huang变换技术的内燃机振声信号时频特性研究
• 5.1 引言
• 5.2 Hilbert-Huang变换基本原理与算法
• 5.2.1 基本概念
• 5.2.1.1 特征时间尺度
• 5.2.1.2 本征模态函数（IMF）
• 5.2.1.3 瞬时频率
• 5.2.2 EMD方法基本原理与算法
• 5.2.2.1 EMD方法的基本原理
• 5.2.2.2 EMD方法的算法
• 5.2.2.3 EMD方法仿真算例
• 5.2.2.4 EMD方法的特点
• 5.2.2.5 EMD方法存在问题及解决方法
• 5.2.3 Hilbert变换基本原理
• 5.2.3.1 Hilbert变换基本原理
• 5.2.3.2 Hilbert变换算法
• 5.2.3.3 Hilbert变换仿真算例
• 5.3 Hilbert-Huang变换算法流程及仿真算例
• 5.3.1 Hilbert-Huang变换算法流程
• 5.3.2 Hilbert-Huang变换仿真算例
• 5.4 基于Hilbert-Huang变换的内燃机振声信号时频特性研究
• 5.4.1 基于Hilbert-Huang变换的内燃机振动信号时频特性研究
• 5.4.1.1 振动信号的采集与频谱分析
• 5.4.1.2 振动信号的Hilbert-Huang变换
• 5.4.2 基于Hilbert-Huang变换的内燃机噪声信号时频特性研究
• 5.4.2.1 噪声信号的采集及预处理
• 5.4.2.2 噪声信号的Hilbert-Huang变换
• 5.5 本章小结
• 第六章 基于独立成分分析的内燃机振声信号源盲分离技术研究
• 6.1 引言
• 6.2 ICA方法基本理论与算法
• 6.2.1 基本概念定义与区分
• 6.2.1.1 熵
• 6.2.1.2 K-L散度与互信息
• 6.2.1.3 负熵
• 6.2.1.4 峭度
• 6.2.1.5 不相关与统计独立性
• 6.2.1.6 非高斯性
• 6.2.2 ICA数学模型
• 6.2.2.1 线性混合模型
• 6.2.2.2 非线性混合模型
• 6.2.3 ICA约束条件与不确定性分析
• 6.2.3.1 ICA问题约束条件
• 6.2.3.2 ICA分析的不确定性
• 6.2.4 ICA优化准则与目标函数
• 6.2.4.1 非线性去相关准则
• 6.2.4.2 非高斯性最大化准则
• 6.2.4.3 信息最大化准则
• 6.2.4.4 信息最小化准则
• 6.2.4.5 最大似然估计准则
• 6.2.5 ICA经典算法
• 6.2.5.1 线性瞬时混合ICA算法
• 6.2.5.2 线性卷积混合ICA算法
• 6.2.5.3 非线性混合ICA算法
• 6.2.6 ICA算法流程
• 6.3 ICA仿真试验研究
• 6.4 基于ICA的内燃机振动噪声源识别研究
• 6.4.1 基于ICA的内燃机噪声源识别研究
• 6.4.1.1 内燃机噪声信号的ICA分析模型
• 6.4.1.2 内燃机噪声信号的独立性和高斯性分析
• 6.4.1.3 采用ICA方法识别内燃机噪声源
• 6.4.1.4 ICA噪声源识别结果试验验证
• 6.4.2 基于ICA的内燃机振动激励源识别研究
• 6.4.2.1 内燃机振动信号的独立性和高斯性分析
• 6.4.2.2 内燃机振动信号的ICA分析
• 6.5 本章小结
• 第七章 全文总结与展望
• 7.1 全文总结
• 7.2 主要创新点
• 7.3 未来工作展望
• 参考文献
• 攻读博士期间发表的论文
• 致谢