基于頻域盲信號處理的汽車制動異響定位方法研究

潘 楠，羿澤光

(昆明理工大學機電工程學院，云南昆明 650500)

基于頻域盲信號處理的汽車制動異響定位方法研究

潘 楠，羿澤光

(昆明理工大學機電工程學院，云南昆明 650500)

汽車基礎制動器在汽車剎車過程中會產生劇烈的振動和噪聲，影響乘員的舒適性，降低有關汽車零部件的壽命；同時，尖銳的制動噪聲(尖叫)還會嚴重干擾人們的正常生活。針對汽車制動異響噪聲的治理工作非常重要。總結了汽車制動噪聲的產生機理、噪聲特點和影響因素，回顧并分析了抑制和防治制動噪聲的理論與工程研究進展。針對傳統汽車制動異響檢測分析方法手段單一、數據處理不便、靈活性差等突出性問題，提出了一種基于聲信號頻域盲處理的制動異響定位方法，詳細介紹了其關鍵技術：利用動態粒子群優化形態濾波抑制路試背景噪聲、使用峭度最大化復數單元固定點算法分離提取復分量、利用改進KL距離解決次序不確定性等。通過實際剎車制動聲信號故障提取，驗證了該方法的有效性和可靠性。

汽車制動；異響定位；頻域盲信號處理；次序不確定性

汽車基礎制動器在汽車剎車過程中會產生劇烈的振動和噪聲，影響乘員的舒適性，降低有關汽車零部件的壽命；同時，尖銳的制動噪聲(尖叫)還會嚴重干擾人們的正常生活[1]。由此可見，針對汽車制動異響噪聲的治理工作非常重要。

研究表明，制動噪聲常具有高聲壓級、單頻、窄帶等特點，根據產生頻率的不同，制動器噪聲大致可以分為以下3種類型[2-3]：一是制動開始到停車時的噪聲，此類聲音屬于低頻噪聲，頻率為100～1 000 Hz，原因是制動盤與摩擦材料之間表面的黏滑運動，引起制動器和底盤的振動；二是制動過程中的噪聲，這是頻率為1～6 kHz的低頻尖叫，主要原因是由摩擦激振引起制動器2個以上零件的模態耦合；三是停車之際的噪聲，為頻率在6 kHz以上的高頻尖叫，主要是由摩擦襯塊的彈性振動所引起的自激振動。

高頻制動噪聲通常高達110 dB，為城市主要噪聲源之一。低頻噪聲影響制動噪聲的因素比較復雜，大致可分為摩擦副特性、制動器結構、環境因素、制動工況等4類[4]。國外對制動噪聲的研究始于20世紀30年代，已積累了不少解決特定問題的工程實用方法和分析問題的力學模型。中國國內對此類領域的研究則起步較晚，始于20世紀80年代，研究大致集中在噪聲源定位及機理分析、動力學模型建立、減振降噪等幾個方面[5-6]。減振降噪是治本，是噪聲控制的最根本和最有效的途徑。為了降低聲源噪聲，首先必須定位噪聲源，明確產生噪聲的機理和規律，進而通過改進機器設計方案和結構，減弱產生噪聲的激振力，降低發聲部件對激振力的響應，從而達到根治噪聲的目的[7]。因此，近年來眾多汽車基礎制動器供應商在產品正式投入市場之前都需要將制動器安裝在實際車輛上進行制動路試，確保在產生異響噪聲時能夠通過某些手段定位、定性分析其機理，為后續結構優化及減振降噪提供理論依據[8]。

1 汽車制動異響噪聲源定位方法

1.1替換排除法

通過拆卸不同車輪位置的剎車器，分別進行多次路試，憑人耳來尋找制動異響來源，此類方法幾乎完全依靠人的主觀判斷進行定性判斷，無原始數據積累且重復性較差，不具備嚴謹的科學依據。

1.2振動信號測試法

在剎車器上安裝振動傳感器進行振動信號采集，通過相關分析、FFT變換、功率譜分析和1/3倍頻程等基本信號處理手段，對路試時采集到的振動信號進行分析判斷，進而掌握制動異響產生位置及量級[8]。然而，汽車在進行實際路試時，剎車制動頻繁，剎車片和卡鉗結合部位極易產生高溫，同時車輛行駛過程中路面環境復雜，車輪懸架處易附著污染異物，并不適合長時間安裝振動傳感器進行接觸式測試。

1.3聲信號測試法

通過安裝在制動器附近或布置在路試場地周圍的傳聲器陣列進行非接觸式聲信號采集，隨后通過信號處理方法判斷分析噪聲源特性[9]。該方法雖較前2種方法更為適用于制動噪聲分析，但實際測試路況現場聲場環境非常復雜，傳聲器接收到的觀測信號往往是一個復雜的混合過程的結果，待識別的目標源信號和各種其他干擾信號如發動機噪聲、輪胎噪聲、空氣氣流噪聲等混合在一起。因此，需要首先排除或抑制汽車路試時的背景噪聲干擾，凸顯異響特征成分，以期最終準確提取、分離出待識別的目標源信號。興起于20世紀90年代的盲信號處理(BSP)技術能夠在缺乏源信號信息和傳輸信道信息的情況下對源信號進行有效辨識，為制動噪聲特征分析和聲源識別提供了一個新的途徑[10]。目前，針對BSP的研究工作主要集中在盲源分離、獨立分量分析、盲解卷積與盲均衡、稀疏分量分析、壓縮感知等[11]。其中，盲解卷積最符合實際聲場環境，其算法結構也最為復雜，主要分為時域方法和頻域方法。此2類方法各有優劣：時域方法利用源信號間的獨立衡量作為代價函數，更容易滿足通頻獨立性，但存在隨著濾波器增加，參數若選擇不當將導致性能急劇下降等問題；頻域方法利用加窗短時傅里葉變換(STFT)，將觀測信號轉換到頻域進行處理，將盲解卷積轉換為各個頻點的瞬時盲源分離，但亦存在算法結構較復雜、次序不確定性等問題[12]。

2 汽車制動異響信號盲提取關鍵問題

制動噪聲的產生受環境因素的影響較大，重復性較差是其顯著特點；同時制動器異響噪聲的主要頻率幾乎不變，說明制動異響噪聲的產生又取決于制動器的結構因素[13]。若將制動噪聲信號提取與盲信號處理加以結合，主要需要依次解決以下3個關鍵問題。

2.1路試背景噪聲抑制

制動器各零部件布局緊湊，其主要部件制動鉗體、摩擦片和背板等在車制動時均有可能發出異響，其互相干擾，會造成各種聲源集中在某一個“源”上而更加難以被辨識和區分，同時易出現傳聲器(觀測信號)數目遠小于待監測噪聲源個數的“欠定問題”[14]。

此外，車輛在行駛時，發動機、變速器、傳動軸、車身以及輪胎均可產生聲源，夾雜風聲等空氣氣流噪聲干擾，使得路試測試聲場十分復雜而多變[15]。若采用遠場測試，即傳聲器擺放位置距離汽車較遠，聲源信號會因長卷積過程發生衰減，汽車持續行駛，使噪聲源具有時變性，導致求解算法的空間和時間復雜度均會急劇增加[16]。因此，需要首先抑制、排除背景噪聲，消除信號傳輸畸變，同時考慮利用制動器的結構因素作為先驗知識，進而利用穩健的盲信號處理算法，提取、分離其中占主要地位的制動噪聲信號特征。

2.2復分量分離提取

機械系統產生的信號多種多樣，加之設備所處環境中的背景噪聲干擾，使得頻域盲解卷積算法應用于汽車路試噪聲的提取難免存在諸多問題[17-19]：1)汽車制動器噪聲測試中聲場復雜而多變、多源干擾、受環境因素影響較大，異響特種信號無法被有效識別；2)傳聲器不同于振動傳感器，其安裝位置與故障源距離較遠，聲信號在傳輸過程中容易因長卷積而發生衰減，以致算法求解的復雜程度不斷增加；3)卷積混合的噪聲信號往往是窄帶，且各源信號之間不能完全滿足統計獨立的假設，因此選擇合適的復數域盲分離算法是整個頻域盲解卷積流程中較為關鍵的一個環節。

目前有基于張量特征值分解的方法和基于非線性函數的方法2大類復數盲分離算法，而基于非線性函數的方法又分為使用復拼合非線性函數、采用極坐標方程和采取全復非線性函數3種[20-22]。基于非線性函數的方法中，理論上全復非線性函數是完全按照歐式空間的運算法則進行計算的，其性能較其他2種非線性函數更為優越。究竟何種非線性函數方法的分離提取精度較高、運算速度較快，更適用于大數據量、長卷積情況下的混合機械聲信號，仍有待進一步實驗驗證[18]。

2.3次序、幅值不確定性

次序和幅值不確定性問題是傳統ICA算法中存在的固有問題，其主要表現是經過盲信號處理之后各分量與源信號相比，排列順序及幅值(能量)均發生混亂，使得分離信號重新混合。其在頻域盲卷積時表現得尤為明顯：盡管瞬時ICA算法能夠精確估計每個頻段上的解混矩陣，但獨立分量分析是在每個頻段分別進行的，各個頻段的獨立分量順序不一致，會導致合成信號在時域內重新混合[23]。

同時，分離信號的幅值不確定性將造成能量分布錯誤，最終對需要準確判斷某些時間、頻率段特征信號能量分布的制動噪聲分析產生嚴重影響。目前，通常可以采用相鄰頻段分離矩陣相似性、頻域上相鄰頻段下分離子信號相關性、源信號的空間分布信息3種方式來解決各子信號輸出次序不確定性問題[23-25]。同一信號相鄰頻率段的譜的包絡相關，這個特點與譜的計算方法有關，是普遍存在的特性，并不僅限于語音信號。因此，可將解決次序不確定性的互參數法推廣至機械零部件產生的噪聲信號，利用互信息如信號相關性、分離矩陣相關性等來解決機械信號頻域盲解卷積中存在的次序不確定性[19]。幅值不確定性則多采用譜相似度、行向量范數歸一等相似性算法加以解決。

3 基于頻域盲解卷積的汽車制動異響定位

基于以上所述問題，提出一種針對制動異響特征提取的頻域盲解卷積算法。

3.1基于動態粒子群優化形態濾波器

針對制動噪聲的產生受環境因素的影響較大、重復性較差的顯著特點，引入可自適應外部環境變化、動態更新種群的動態粒子群算法對形態濾波器的結構元素進行尋優，進而構建適用于制動噪聲信號降噪的多尺度形態學濾波器，嘗試解決由于復雜零部件及聲場引起的信號傳輸信道畸變問題。將經過均值化處理后的觀測信號中相鄰峰值間隔的最大值和最小值通過動態粒子群算法進行極值尋優，從而確定結構元素的長度；隨后根據信號峰值的最大值和最小值確定高度范圍；最后，將相應的結構元素尺寸分別代入半圓形和三角形結構公式，計算出其各自的結構元素集合。

動態粒子群算法具體流程如圖1所示。

圖1 動態粒子群算法流程Fig.1 Flow of dynamic particle swarm algorithm

改進多尺度形態濾波算法如圖2所示。

圖2 改進多尺度形態濾波算法流程Fig.2 Flow of improved multi-scale morphological filtering algorithm

3.2基于峭度最大化復數單元固定點算法

汽車制動器各零部件布局緊湊，其主要部件制動鉗體、摩擦片和背板等部件在車制動時產生的異響互相干擾，造成各種聲源集中在某一個“源”上而更加難以被辨識和區分。針對此類問題即制動噪聲信號特征，引入基于峭度最大化復數單元固定點算法，進行復數分量估計，復數單元固定點算法的迭代公式為

w= (E{yy*y*x}-2E{yy*}E{y*x}-E{y*y*}E{yx})-

0.5μkE{x(wHx)*g′(|wHx|2)};

(1)

1) 對觀測信號x(t)進行中心化處理；

2) 選取適當標量懲罰因子γ及拉格朗日乘子初始值μ；

3) 歸一化隨機初始化向量w0；

5) 迭代得μk+1←max{0,μk+γg(wk)}；

3.3改進KL距離解決次序不確定性

距離是衡量2個信號相似性的測度，距離越大，說明2個信號相似性越小；距離越小，則說明2個信號相似度越大。距離互參數法的基本原理是通過比較距離，將每個頻率段的輸出調整至同一通道對應著同一源信號[12]。

因為高階統計量信息較二階統計量如相關系數等更能清晰地反映信號的統計特性，改進KL距離可被用于更好地描述相鄰2個頻率段內2個復值信號對應概率密度之間的距離：

(2)

式中：

pj(ω)=[pj(ω,1),pj(ω,2),…,pj(ω,M)],j=1,2,…,J;

pj,fre(ω,m)為Yj(ω,m)在[Yj(ω,1),Yj(ω,2),…,Yj(ω,M)]中出現的概率，其更為準確地反映了信號的復數信息。

利用改進KL距離，以期解決分離后復分量的次序不確定性問題，從而更為準確有效地分離、提取制動異響噪聲成分。

3.4整體算法步驟

綜合前文所述，現將盲提取算法整體執行步驟歸納如下。

3) 利用復數單元固定點算法對X(ω,t)進行逐段復數盲提取，得到各頻段復值估計信號Y(ω,t)，隨后使用復分量改進KL距離進行相似度測量，以使各頻段數據恢復其原有位置；

4) 通過加窗ISTFT將信號轉換回時域，最終得到時域估計信號Y(t),求解估計信號的包絡解調譜，對特征頻率進行分析故障判斷。

4 實驗研究

為驗證算法的有效性，特在實際路面環境中對比亞迪S6汽車進行實際剎車制動路試。分別在S6的4個車輪靠近剎車片的部位安裝聲望1/4英寸TEDS聲陣列傳聲器，其配置如表1所示，傳聲器從左前輪開始按順時針方向布置，通道編號自0至3，這4個傳聲器的靈敏度基本一致。

表1 傳聲器配置Tab.1 Microphone configuration

傳聲器均通過數據線與NI-9234采集卡(四通道無相差同步采集)相連接，NI-9234則通過USB數據傳輸線向筆記本電腦傳輸數據，采集軟件采用NI SignalExpress設置，進行數據采集[25]。傳聲器布置實際照片如圖3所示。

圖3 傳聲器實際布置圖Fig.3 Actual arrangement of the microphones

在平路上進行S6的剎車實驗，制動開始前采集數據，總共進行剎車制動近70次，其中產生異響的次數少于10次。現選取其中較為明顯的一段數據進行分析，波形頻譜如圖4所示。由圖4可見，4個通道在1～1.5 kHz處均有明顯峰值成分，但彼此混雜，無法區分。

利用本文所述算法，對采集到的4路聲信號進行盲提取，包絡譜如圖5所示。從圖5中可以發現，通道0的1.2～1.5 kHz頻段有明顯的能量凸起，因此可初步判斷制動異響來自于左前輪剎車片的可能性比較大。

為進一步驗證算法結果，利用STFT對通道0數據進行時頻分析。從圖6時頻譜中可以發現，異響能量信號集中在1.2～1.5 kHz。由此可確定尖銳噪聲來自通道0對應的左前輪剎車片。對剎車片進行拆卸后發現其卡鉗因高溫產生磨損，繼而在汽車制動過程中產生低頻尖叫(1～6 kHz)，檢驗結果與算法結論相吻合。

圖4 異響時間段波形及頻譜分析Fig.4 Abnormal sound waveform and spectral analysis

圖5 制動異響信號盲提取結果Fig.5 Blind extraction result of abnormal brake sound signal

圖6 通道0開始采集后2.3～3.3 s時頻分析Fig.6 Time-frequency analysis of channel 0 during 2.3～3.3 seconds after the starting point of data collection

5 結 語

針對傳統汽車制動異響檢測分析方法手段單一、數據處理不便、靈活性差等突出性問題，提出了一種基于聲信號頻域盲處理的制動異響定位方法，詳細介紹了其在工程信號特征提取中的關鍵技術：利用動態粒子群優化形態濾波抑制路試背景噪聲，基于峭度最大化復數單元固定點算法分離提取復分量，利用改進KL距離解決次序不確定性等。實際剎車制動聲信號故障提取證明，該方法可有效應用于實際汽車路試的制動異響提取實驗中，為后續故障診斷工作的精確性和有效性提供保障。

/

[1] 黃學文,張金換,董光能,等.汽車摩擦制動噪聲研究進展與發展趨勢[J].汽車工程,2007,29(5): 385-388. HUANG Xuewen,ZHANG Jinhuan,DONG Guangneng,et al.Progress and development trend of research on friction-induced brake squeal of vehicles[J].Automotive Engineering,2007,29(5): 385-388.

[2] 管迪華,宿新東.制動振動噪聲研究的回顧、發展與評述[J].工程力學,2004,21(4): 150-155. GUAN Dihua，SU Xindong.An overview on brake vibrations and noise[J].Engineering Mechanics，2004，21(4)：150-155.

[3] IBRAHIM R A,MADHAVAN S.Experimental investigation of friction induced noise in disc brake systems[J].Int J of Vehicle Design,2000,23(3/4): 218-240.

[4] PAPINNIEMI A,LAI J C S.Brake squeal: A literature review[J].Applied Acoustics,2002,63: 391-400.

[5] NACK W V.Brake squeal analysis by finite element[J].Int J of Vehicle Design,2000,23(3/4): 263-275.

[6] KUNG S W,DUNLAP K B,BALLINGER R S.Complex eigenvalue analysis for reducing low frequency brake squeal[A].SAE Paper[C].[S.l.]:[s.n.],2000.1-7.

[7] 羅明軍,王文林.汽車盤式制動器制動尖叫的分析[J].南昌大學學報(工科版),2009,31(1): 72-74. LUO Mingjun,WANG Wenlin.Break squeal analysis on disc break squeal [J].Journal of Nanchang University(Engineering & Technology),2009,31(1): 72-74.

[8] 李曉玲.基于虛擬儀器的汽車制動器振動及噪聲測試分析儀的設計[D].天津: 河北工業大學,2007. LI Xiaoling.Design of Automotive Brake′s Vibration and Noise Testing and Analytic Instrument Based on Virtual Instrument[D].Tianjin: Hebei University of Technology,2007.

[9] 王寶珠,楊春英,戴世杰.基于虛擬儀器的汽車制動器制動噪聲問題的研究[J].計量與測試技術,2008,35(12): 4-6. WANG Baozhu,YANG Chunying,DAI Shijie.Research on break noise of a car′s break based on virtual instrument[J].Metrology & Measurement Technique,2008,35(12): 4-6.

[10] 劉海龍.基于峭度的盲信號抽取技術在車輛聲頻信號分離中的應用研究[D].西安:長安大學,2007. LIU Hailong.Study on the Application of Kurtosis Blind Signal Extraction Technology in Vehicles Aural Signal Separation[D].Xi′an: Changan University,2007.

[11] 張成軍,陰 妍,鮑久圣,等.多源信息融合故障診斷方法研究進展[J].河北科技大學學報,2014,35(3):213-221. ZHANG Chengjun,YIN Yan,BAO Jiusheng,et al.Research progress in fault diagnosis methods based on multi-source information fusion[J].Journal of Hebei University of Science and Technology,2014,35(3):213-221.

[12] 王 宇,伍 星,遲毅林,等.基于盲解卷積和聚類的機械弱沖擊聲信號提取[J].振動工程學報,2009,22(6):620-624. WANG Yu,WU Xing,CHI Yilin,et al.Weak transient impulse signal extraction based on blind deconvolution and cluster in acoustical machine diagnosis[J].Journal of Vibration Engineering,2009,22(6): 620-624.

[13] 王 宇,遲毅林,伍 星,等.基于盲信號處理的機械噪聲監測與故障診斷[J].振動與沖擊,2009,28(6): 32-41. WANG Yu,CHI Yilin,WU Xing,et.al.Machine noise monitoring and fault diagnosis based on blind signal processing[J].Journal of Vibration and Shock,2009,28(6): 32-41.

[14] 潘 楠,伍 星,遲毅林,等.基于頻域盲解卷積的機械設備狀態監測與故障診斷[J].振動與沖擊,2012,31(12):34-41. PAN Nan,WU Xing,CHI Yilin,et al.Mechanical equipment condition monitoring and fault diagnosis based on frequency-domain blind deconvolution[J].Journal of Vibration and Shock,2012,31(12): 34-41.

[15] 潘 楠,伍 星,遲毅林,等.基于頻域盲解卷積的齒輪箱復合故障聲學診斷[J].振動與沖擊,2013,32(7): 154-158. PAN Nan,WU Xing,CHI Yilin,et al.Acoustical diagnosis for gear box combined failures based on frequency domain blind deconvolution[J].Journal of Vibration and Shock,2013,32(7): 154-158.

[16] 潘 楠,伍 星,遲毅林,等.欠定盲解卷積在軸承復合故障聲學診斷中的應用[J].振動、測試與診斷,2013,33(2): 284-289. PAN Nan,WU Xing,CHI Yilin,et al.Undertermined blind deconvolution in bearing combined failure detection acoustical diagnosis[J].Journal of Vibration,Measurement and Diagnosis,2013,33(2): 284-289.

[17] PAN N,WU X,CHI Y L,et al.Machine fault diagnosis based on frequency-domain blind deconvolution[A].International Conference on Modeling,Identification and Control[C].Shanghai：Shanghai Jiaotong University,2011.63-68.

[18] 潘 楠.機械故障信號頻域盲處理模型及其算法研究[D].昆明: 昆明理工大學,2012. PAN Nan.Study on Model and Algorithms of Mechanical Fault Signal Frequency-domain Blind Processing[D].Kunming: Kunming University of Science and Technology,2012.

[19] PAN N,WU X,CHI Y L,et al.Application of frequency-domain blind deconvolution in mechanical fault detection[J].Applied Mechanics and Materials,2011(130/131/132/133/134): 2128-2132.

[20] DOUGLAS S C.Fixed-point fastica algorithms for the blind separation of complex-valued signal mixtures[A].Conference Record of the Thirty-Ninth Asilomar Conference on Signals,Systems and Computers[C].[S.l.]:[s.n.],2005.1320-1325.

[21] KOLDOVSKY Z,TICHAVSKY P.Blind instantaneous noisy mixture separation with best interference-plus-noise rejection[A].Lecture Notes in Computer Science[C].[S.l.]:[s.n.],2007.730-737.

[22] 王爾馥,張乃通,孟維曉,等.頻域盲源分離的鄰頻幅角比排序算法[J].計算機工程與應用,2009,45(23): 134-136. WANG Erfu,ZHANG Naitong,MENG Weixiao,et al.Novel compositor algorithm based on neighbour frequency breadth-angle ratio in frequency domain BSS[J].Computer Engineering and Applications,2009,45(23): 134-136.

[23] REJU V G.Partial separation method for solving permutation problem in frequency domain blind source separation of speech signals[J].Neurocomputing,2000,71(10/11/12): 2098-2112.

[24] MAZUR R,MERTINS A.An approach for solving the permutation problem of convolutive blind source separation based on statistical signal models[J].IEEE Transactions on Audio,Speech and Language Processing,2009,17(1): 734-739.

[25] 王立新,李榮廷.基于虛擬儀器LabVIEW 的發動機臺架試驗數據采集系統設計[J].河北科技大學學報,2014,34(2):109-117. WANG Lixin,LI Rongting.Design of engine test-bed experiment data acquisition system based on virtual instrument LabVIEW[J].Journal of Hebei University of Science and Technology,2014,34(2):109-117.

Study of abnormal sound localization method in automobile brake based on frequency-domain blind signal processing

PAN Nan， YI Zeguang

(Faculty of Mechanical & Electrical Engineering, Kunming University of Science & Technology, Kunming Yunnan 650500, China)

Vehicle foundation brake will produce severe vibration and noise during braking, influencing occupant comfort and reducing the life of automotive components. Meanwhile, the sharp brake noise (screaming) seriously interferes with people's normal life. Thus, the governance of abnormal brake sound is very important. In this paper, the generation mechanism, features and influencing factors of brake were summarized. The theory and research progress on brake noise suppression and prevention were reviewed and analyzed. For the outstanding problems of traditional vehicle abnormal brake sound detection, such as lacking of detection and analysis methods, inconvenience of data processing and poor flexibility, an abnormal brake sound localization method based on frequency-domain blind signal processing was proposed. Key technologies were introduced in details, such as noise suppression during road test based on dynamic particle swarm optimization morphological filtering, using unit fixed-point algorithms based on kurtosis maximization to separate and extraction complex components and solving permutation indeterminacy based on improved KL-distance. Finally, an actual brake failure acoustic signal extraction proved the effectiveness and reliability of this method.

vehicle braking; abnormal noise location; frequency-domain blind signal processing; permutation indeterminacy

2014-07-26；

2014-08-23；責任編輯：張士瑩

國家自然科學基金(51305186,51265018)；云南省科技計劃項目(2012FB129)

潘 楠(1986-)，男，安徽懷遠人，講師，博士，主要從事狀態監測與故障診斷方面的研究。

E-mail:15808867407@163.com

1008-1542(2014)05-0410-07

10.7535/hbkd.2014yx05002

TP165.3；TP206.3

A

潘 楠，羿澤光.基于頻域盲信號處理的汽車制動異響定位方法研究[J].河北科技大學學報,2014,35(5):410-416.

PAN Nan，YI Zeguang.Study of abnormal sound localization method in automobile brake based on frequency-domain blind signal processing[J].Journal of Hebei University of Science and Technology,2014,35(5):410-416.