車輛多相關(guān)振動噪聲源及其路徑識別方法研究.pdf

1、車輛的振動與噪聲是衡量其使用舒適性的重要方面，同時也是運行機構(gòu)狀態(tài)檢測的重要指標(biāo)。試驗測試一般在車輛行駛或運動過程中進行，傳感器受到不同激勵源的影響，測試信號并不能完全反映所對應(yīng)位置的源信息，它受到測試系統(tǒng)或環(huán)境噪聲的影響和不同源對該位置干涉影響，從而造成測量信號之間彼此的相關(guān)性。基于直接測量得到的信號進行響應(yīng)貢獻度的分析，會夸大或縮小真實源的貢獻。針對多相關(guān)激勵背景下的振動故障診斷、源和路徑識別問題，本文研究的主要內(nèi)容歸納如下:

2、>　　(1)探討了經(jīng)驗?zāi)Ｊ椒纸夥椒?EMD)，改善了其虛假分量和模式混疊的分解缺陷，以其作為車輛測試信號的前期去噪和特征提取手段。將相干分析應(yīng)用于判定分解中的虛假分量，以避免虛假分量和微弱信號的誤判;其次研究了信號各頻率能量比例對EMD分解時虛假分量的影響，提出了抑制低頻分量或加入高頻分量幅值以減小虛假分量引入的分解誤差;基于白噪聲的EMD分解特性，提出了有色噪聲頻段累加方法以改善EMD分解的模式混疊(MH-EMD)，同時仿真分析了其優(yōu)

3、越性，最后將改進的EMD系統(tǒng)方法應(yīng)用于轉(zhuǎn)子模擬試驗臺聲學(xué)信號和排氣系統(tǒng)振動信號的特征提取，驗證了新方法的可行性。
　　(2)聯(lián)合集合經(jīng)驗?zāi)Ｊ椒纸?MH-EMD)和最小均方算法(LMS)發(fā)展了一種自適應(yīng)特征提取方法。以自適應(yīng)均方算法為對象，研究了其固定步長、固定階數(shù)、變步長(VS)和變階數(shù)(VT)的算法性能，提出了在迭代過程中以比較階數(shù)和步長變化時的最小均方誤差期望為收斂方向，發(fā)展了一種聯(lián)合變步長變階數(shù)最小均方算法(VSVT-LMS

4、)的去噪方法;結(jié)合對原信號的MH-EMD分解，使各模式分量窄帶化，進而通過VSVT-LMS對每個IMF分量進行去噪，避免LMS算法對寬頻信號的不穩(wěn)定性，同時也避免了EMD分解的不唯一性和去噪中閾值的選擇問題。最后通過對仿真和實際車輛振動信號去噪，驗證了方法在工程上的可行性。
　　(3)針對車輛振動噪聲具有相關(guān)特征的測試信號，發(fā)展和完善了多種多相關(guān)分離方法。對于瞬態(tài)混合模型，探討了一般盲源分離方法，提出了基于幅值密度比較的盲信號分離

5、方法，在針對頻率信號量較少時，可以識別單頻和共頻信號;改進了聯(lián)合近似對角化方法，提出了均衡化的分段聯(lián)合近似對角化和最優(yōu)距離矩陣的聯(lián)合近似對角化方法，改進方法精度高于經(jīng)典方法;基于高階累積量，取其高階切片，結(jié)合近似對角化和聯(lián)合分段對角矩陣，提出可以應(yīng)用于傳感器數(shù)量少于源數(shù)的分離方法，該方法較經(jīng)典方法具有更好的穩(wěn)定性和更高的分離精度;針對具有同頻信號或相關(guān)性較大的源信號，改善小波包子帶的盲分離，可以解決具有統(tǒng)計相關(guān)源混合觀測信號的分離，以簡

6、支梁振動試驗驗證了方法的有效性。針對具有卷積特性的混合模型，比較了時域和頻域的卷積盲分離算法，提出了一種基于互信息向量獨立判斷的頻域算法，在算法迭代過程中，非線性函數(shù)考慮全頻段的分離矩陣，避免了頻域解卷積的“擾動不確定性”?；诮⒌能嚰芟到y(tǒng)動力學(xué)模型，探討了瞬態(tài)模型和卷積模型的應(yīng)用范圍，并驗證了提出的新方法。
　　(4)從理論上建立和推導(dǎo)了適合多子系統(tǒng)多輸入單輸出模型，建立了以比較真實和計算傳遞函數(shù)作為判斷輸入干涉方向的依據(jù)，基

7、于理論和試驗推導(dǎo)了加速度/力傳遞函數(shù)與加速度/加速度傳遞函數(shù)的關(guān)系;搭建了車輛局部結(jié)構(gòu)的車架系統(tǒng)，基于相干分析進行了單向干涉模型的驗證;針對某商用車的振動異常問題，測試分析了其傳遞路徑中的激勵和響應(yīng)振動特征，基于雙向干涉的平均方法，識別了激勵源、路徑的影響和貢獻，從而驗證了模型和方法的可行性，該方法有效提高了異常振動中的識別率和精度;對具有同樣相關(guān)特征的某農(nóng)用車輛噪聲源進行了識別，結(jié)合一般傳遞路徑分析方法，識別聲源矛盾，并解決了該機械的