張昊 張棟棟

摘要：針對變分模態(tài)分解（VMD）參數(shù)選擇盲目、低效的問題，本文以相關(guān)系數(shù)和裕度因子作為判斷指標，提出了一種參數(shù)優(yōu)化變分模態(tài)分解（Optimised Variational Mode Decomposition，OVMD）方法。將該方法引入柴油機噪聲源識別領(lǐng)域，將柴油機頂部單通道信號分解成多個信號分量，再通過連續(xù)小波變換（CWT）提取分量時頻特征，最后通過相干分析和倒拖試驗進行分離結(jié)果驗證。結(jié)果顯示，本文提出的方法能夠有效地分離出柴油機燃燒噪聲、活塞敲擊噪聲。

關(guān)鍵詞：優(yōu)化變分模態(tài)分解;小波變換;噪聲源分離;柴油機

中圖分類號：TK401? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）02-0001-02

0? 引言

變分模態(tài)分解（VMD）[1]方法是近幾年應(yīng)用范圍較廣的信號處理算法，相比于EMD和EEMD其具有嚴格的理論基礎(chǔ)。通過對內(nèi)燃機進行鉛覆蓋，裸露第六缸測量柴油機缸蓋頂部單通道噪聲，利用VMD-ICA識別出柴油機的燃燒噪聲和活塞敲擊噪聲。VMD可有效抑制信號分解過程模態(tài)混疊的問題，但在VMD進行信號處理時需要預(yù)定義2個重要參數(shù)（模態(tài)數(shù)K、懲罰因子），目前針對參數(shù)K的確定做了較多研究[2-3]，但是沒有考慮懲罰因子對VMD分解的影響，這樣可能會導(dǎo)致分解的結(jié)果出現(xiàn)信號干擾或特征丟失等問題。

針對以上問題，本文綜合考慮了VMD預(yù)設(shè)參數(shù)K和a的影響，基于優(yōu)化VMD（OVMD）對整機輻射噪聲進行分解，采用小波變換對分解分量進行時頻分析，最終對柴油機噪聲源進行分離。

1? 噪聲試驗

噪聲試驗在半消音室中進行，本底噪聲25dB。主要測量設(shè)備包含LMS Test.lab 32位聲學(xué)振動測試系統(tǒng)，BSWA的聲學(xué)麥克風(fēng)，PCB的加速度傳感器。

測試對象是某六缸直列、四沖程增壓中冷柴油機，發(fā)火順序為1-5-3-6-2-4。該柴油機在額定工況（1900r/min）時，噪聲異常突出。將發(fā)動機調(diào)至額定工況和倒拖（1900r/min）工況進行整機噪聲測試，同時測試活塞主推力側(cè)的機體振動。本次試驗振動噪聲采樣頻率Fs=20480Hz，為了消除其它部件的干擾，在測試過程將風(fēng)扇拆除，同時進排氣管采用吸聲棉進行消聲處理，測試現(xiàn)場如圖1所示。

2? 噪聲源識別分離

柴油機頂部噪聲信號分布比較均勻，可以更好地反映整機噪聲特征，本文基于頂部噪聲信號進行分析，如圖2（a）和2（b）分別為預(yù)處理后頂部噪聲信號的時、頻域分布。

從圖2可以看出，柴油機頂部噪聲信號瞬態(tài)沖擊特征明顯，幅值較大的頻率多為1000Hz以內(nèi)的低頻范圍。

采用最優(yōu)參數(shù)VMD分解噪聲，分解模態(tài)參數(shù)K=5，二次罰項？琢=2000，初始中心頻率分別為（200，700，1300，2600，4500），分解信號分量頻譜如圖3所示。

對分解的5個信號分量進行時域和頻域分析，觀察圖4（a）發(fā)現(xiàn)分量信號IC4時域表現(xiàn)出明顯的周期性特征。為了進一步觀察IC4特征，對IC4進行小波時頻分析，如圖4（b）所示。

從圖4（b）可以看出IC4在一個發(fā)動機循環(huán)內(nèi)出現(xiàn)了6次，與發(fā)動機點火次數(shù)相同，且滿足1-5-3-6-2-4的發(fā)火順序，同時各能量集中點間隔大致為120°CA，與發(fā)動機各缸燃燒間隔吻合。綜上，基于發(fā)動機工作原理，結(jié)合分量信號時頻特征預(yù)判定IC4為燃燒噪聲分量。

為了驗證噪聲識別分離結(jié)果，測量倒拖工況（1900r/min）頂部噪聲，發(fā)現(xiàn)倒拖工況頻譜（圖5）在1270Hz的幅值相對額定工況（1900r/min）衰減較大，試驗結(jié)果進一步確認了IC4是燃燒噪聲。

活塞往復(fù)運動中在氣體壓力、油膜力和摩擦力共同作用下與缸套主副推力側(cè)發(fā)生碰撞產(chǎn)生的敲擊。隨著發(fā)動機強化技術(shù)的發(fā)展，在燃燒工作過程活塞承受很大的耦合作用力，使活塞敲擊噪聲成為主要的機械噪聲。

從圖5可知，620Hz頻段噪聲為主要的噪聲源，且該頻段在倒拖工況下衰減較少，因此620Hz為主要機械噪聲分量。同時通過對比IC1與倒拖噪聲的頻譜特征，如圖6（b）所示，可以看出倒拖噪聲與IC1在600Hz附近頻率范圍內(nèi)基本吻合，因此IC1可能是活塞敲擊噪聲。

為了進一步確定IC1的噪聲源，將活塞主推力側(cè)機體的振動信號和柴油機頂部噪聲信號進行相干功率譜分析（圖7），活塞敲擊點和頂部噪聲信號在620Hz具有很高的相關(guān)性，因此IC1為活塞敲擊噪聲。

3? 結(jié)論

①針對瞬態(tài)沖擊信號提出的最優(yōu)參數(shù)VMD算法，相比于默認參數(shù)的VMD算法分解更準確、迭代次數(shù)更少、分解速度更快。

②本文將優(yōu)化VMD算法應(yīng)用在柴油機噪聲識別領(lǐng)域，可獲得更有效的分解信號信息，基于小波變換（CWT）對分解信號進行時頻分析，可快速低成本地識別出燃燒噪聲、敲擊噪聲等信號分量。

參考文獻：

[1]Dragomiretskiy K， Zosso D. Variational Mode DecompositionV[J]. IEEE Transactions on Signal Processing， 2014， 62（3）：531-544.

[2]Lian J， Liu Z， Wang H， et al. Adaptive variational mode decomposition method for signal processing based on mode characteristic[J]. Mechanical Systems and Signal Processing， 2018， 107：53-77.

[3]Li Z， Chen J and Zi Y 2017 Independence oriented VMD to identify fault feature for wheel set bearing fault diagnosis of high speed locomotive Mechanical systems and signal processing 85 512-529.