基于參數優化VMD-CWT的柴油機噪聲源分離

張昊 張棟棟

摘要：針對變分模態分解（VMD）參數選擇盲目、低效的問題，本文以相關系數和裕度因子作為判斷指標，提出了一種參數優化變分模態分解（Optimised Variational Mode Decomposition，OVMD）方法。將該方法引入柴油機噪聲源識別領域，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果驗證。結果顯示，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。

關鍵詞：優化變分模態分解;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

變分模態分解（VMD）[1]方法是近幾年應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。通過對內燃機進行鉛覆蓋，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混疊的問題，但在VMD進行信號處理時需要預定義2個重要參數（模態數K、懲罰因子），目前針對參數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，這樣可能會導致分解的結果出現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預設參數K和a的影響，基于優化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。主要測量設備包含LMS Test.lab 32位聲學振動測試系統，BSWA的聲學麥克風，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。將發動機調至額定工況和倒拖（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，在測試過程將風扇拆除，同時進排氣管采用吸聲棉進行消聲處理，測試現場如圖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沖擊特征明顯，幅值較大的頻率多為1000Hz以內的低頻范圍。

采用最優參數VMD分解噪聲，分解模態參數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）發現分量信號IC4時域表現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在一個發動機循環內出現了6次，與發動機點火次數相同，且滿足1-5-3-6-2-4的發火順序，同時各能量集中點間隔大致為120°CA，與發動機各缸燃燒間隔吻合。綜上，基于發動機工作原理，結合分量信號時頻特征預判定IC4為燃燒噪聲分量。

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

活塞往復運動中在氣體壓力、油膜力和摩擦力共同作用下與缸套主副推力側發生碰撞產生的敲擊。隨著發動機強化技術的發展，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具有很高的相關性，因此IC1為活塞敲擊噪聲。

3? 結論

①針對瞬態沖擊信號提出的最優參數VMD算法，相比于默認參數的VMD算法分解更準確、迭代次數更少、分解速度更快。

②本文將優化VMD算法應用在柴油機噪聲識別領域，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.