一、内燃机的非平稳信号分析方法及其噪声源小波识别技术的研究（论文文献综述）
周全[1]（2021）在《汽车发动机异响诊断算法及产生机理的研究》文中研究指明随着汽车工业水平的进步,目前发动机噪声的研究重点已落在声品质上,特别是发动机的异响问题,令很多车企研发人员无从下手。由于大部分异响属于发动机噪声问题中的疑难杂症,缺乏有效的诊断方法和理论上的研究,因此需要提出一些创新性的信号处理方法来更好地提取并分析这些异响的特征,并归纳出异响的产生机理。本文围绕汽车发动机的异响诊断算法和异响的产生机理研究这两个方面展开,主要工作内容与成果如下:研究了短时傅里叶变换时频图的精细度和能量分布的变化规律,对比了多分量非稳态仿真信号的短时傅里叶变换和S变换时频图结果,指出两种算法对非稳态部分信号的能量分布具有“栅栏”现象。介绍了非线性调频变换算法（Nonlinear Chirp Transform,NLCT）,通过引入随调频信号瞬时频率不断变化的旋转算子和频移算子,优化了时频图的能量分布,并结合Vold-Kalman阶次滤波和NLCT变换提出了Vold-Kalman调频变换算法（VoldKalman Chirp Transform,VKCT）,其适用于分析与汽车发动机转速相关的振声信号。研究了当单个初始频率附近存在多个信号时,变分模态分解（Variational Mode Decomposition,VMD）的分解优先级,提出了U型模态分解优先级的概念。讨论了VMD算法的欠分解和过分解现象,并指出这类模态混叠现象的本质原因是VMD算法初始中心频率的数目及取值与实际混合信号中的分量信号不匹配。提出一种基于二分法的变分模态分解方法（Dichotomy-based Variational Mode Decomposition,DVMD）,能够自适应地搜寻混合信号中实际分量的个数及对应的中心频率。基于DVMD算法诊断了某乘用车发动机在怠速工况下产生的“吭吭”声异响。通过系统性地研究缸盖总成各部分结构对异响的影响,发现了异响声幅值对凸轮轴正时调节（Variable Camshaft Timing,VCT）系统的参数敏感,特别是凸轮轴调节器的角度和机油压力控制阀（Oil Control Valve,OCV）的占空比。通过DVMD算法分离提取了发动机缸盖表面振动信号中的异响相关分量,结合曲轴与凸轮轴的瞬时转速、VCT系统内部的机油压力等数据综合分析,明确了“吭吭”声异响的产生机理。基于VKCT算法诊断了某乘用车发动机在加速过程中出现的“咕噜”声异响。通过声强法对异响的分布特性进行了研究和分析,明确了异响主要来源于汽车发动机,通过VKCT算法提取了发动机振动信号中的异响分量,根据对比分析指出“咕噜”声异响来源于曲轴扭振。通过发动机曲轴的弯扭振动测试及更换不同工作频率TVD的试验,验证了“咕噜”声异响的产生机理。针对汽车发动机稳态及瞬态工况下的机械与燃烧噪声分离,提出了基于维纳滤波的稳态工况燃烧噪声分离算法和基于多元回归的瞬态工况燃烧噪声分离算法。研究了某三缸汽油机在不同转速和负荷条件下的机械燃烧噪声占比变化情况及其内在机理,诊断了某SUV车型的发动机在急收油门时刻下产生的“呲呲”声异响。对该发动机的表面辐射噪声和机体表面的振动信号进行了机械贡献和燃烧贡献分离,根据机械噪声和燃烧噪声的时频图结果诊断出此异响来源于发动机燃烧室内的异常燃烧,并通过优化发动机的点火提前角控制了异响。
王晨光[2]（2020）在《机械系统部分相干源及其传递路径辨识方法研究与应用》文中研究指明车辆、机械设备的振动与噪声对于乘坐与使用的舒适性有着重要的影响,引起噪声和振动的振动源和激励源的识别对于故障诊断、噪声控制、参数识别起着至关重要的作用。在实际情况下,噪声源往往既非完全相干也非完全不相干,而是部分相干的,这时,如何辨识部分相干的噪声源就成为了一个关键问题。通过建立的全新传递率矩阵辨识方法,可以快速、准确、可靠地确定部分相干源位置,该方法与工况传递路径分析方法相结合,是解决部分相干声源辨识问题的有效手段。对于部分相干的分布激励辨识问题,将分布激励等效为对目标输出点作用效果相同的集中激励,是辨识部分相干分布激励的重要方法。噪声源的辨识需要经过首先辨识辐射源再辨识出振动源的过程,通过部分相干噪声源及其传递路径的两级辨识模型可以完整地对噪声源的贡献进行定量分析,并实现声压级与声品质的预测,方法在车内噪声和离心风机分布激励的溯源与贡献分析中得到了应用。本文围绕机械系统部分相干源及其传递路径辨识方法进行了理论研究与实验,主要研究工作如下:（1）针对部分相干源识别问题提出了传递率矩阵辨识方法,该方法基于部分相干源假设,使传递率矩阵F范数最小的一组传感器组合所对应的位置为部分相干源位置,方法可以通过一次计算得到所有部分相干源位置,同现有的基于独立不相干源假设的方法相比,传递率矩阵方法计算效率高,并且具有更强的稳健性。方法在半消声室内以及车内噪声溯源的实验中得到了验证。用偏相干输出功率谱的方法对部分相干噪声源的贡献进行了分析,提出了混叠率的概念,可以判断系统噪声源耦合的强弱。将部分相干声源辨识与贡献分析方法应用到汽车排气系统和离心风机噪声部分相干声源的辨识与贡献分析,定量计算了部分相干源各自独立部分与耦合部分对噪声的贡献量,部分相干源的耦合效应可能会对系统输出有负贡献。（2）集中激励源虽然往往是部分相干源,但在一些情况下也可以按照独立不相干源进行辨识与计算,而连续的分布激励源则一定是部分相干,为解决部分相干的分布激励辨识这一问题,提出了针对部分相干分布激励源的等效激励力识别方法,所谓“等效”指的是对目标点所引起的振动响应相同。通过目标点累计误差最小确定等效激励源组合,并应用Tikhonov正则化方法降低辨识误差,实现了对分布激励源的准确辨识,形成了完整的分布激励反演计算分析流程。以离心风机为例对方法进行了实验研究,在额定工况下测试了风机蜗壳、机脚的振动,蜗壳候选等效激励点到各个响应点的传递函数,为反演蜗壳等效激励力提供参数。为了了解风机内部真实压力脉动分布,并且为反演结果提供验证数据,测试了额定工况下蜗壳表面压力脉动大小。由于蜗壳内部流体激励主要激励频率为叶片掠过频率,重点针对这一频率进行了辨识分析,对于主要峰值频率等效激励力辨识误差小于3d B,通过基于等效激励力的部分相干分布激励源辨识模型成功获得了风机内部分布激励大小。（3）噪声源的辨识不同于振动源的辨识,需要首先找到噪声辐射源再根据辐射源的位置查找振动源,在这一过程中需要对部分相干噪声源及其传递路径进行查找与贡献分析。车内声场由于空间狭小,传递路径复杂且耦合严重,难以准确查找噪声源,因此以车内噪声的溯源与贡献分析为例对方法进行了研究,将部分相干声源的传递率矩阵辨识方法应用到车内噪声溯源中去,建立目标噪声到辐射声源,辐射声源到振动源的两级辨识模型,确定了车内主要声源的位置,并进行了定量的贡献分析。车内噪声的降低最终服务的是车内乘员,让人乘坐更舒适,单一的声压级目标无法完全反映对人乘坐舒适度的影响,为此对基于声品质目标和不舒适度目标的噪声溯源与贡献进行了研究,分析了辐射声源改变对声压级和声品质各项指标的影响。根据以声压级、声品质和不舒适度为目标的辨识结果,确定了对车内贡献较大的噪声源传递路径。针对性的对车辆的动力传动系统和动力总成悬置系统进行了建模分析,提出并实施了整改措施,降低了噪声,取得了理想的优化结果。
吴彪[3]（2020）在《基于声全息法的高压共轨柴油机噪声识别研究》文中指出随着汽车保有量与工程机械、农业机械数量的快速增长,柴油机将面临严格的噪声和尾气排放限值、低燃油消耗和高可靠性等挑战,对柴油机比质量、噪声和排放等也提出更高的要求。内燃机属于多噪声耦合动力装置,控制噪声一直是内燃机研究领域的难点。噪声控制的前提是准确识别和定位噪声源,近场声全息法除了能测量“传播波”还能测量近场“倏逝波”,在低频空间具有很好的优越性,被广泛应用于声源识别。因此,基于近场声全息理论开发噪声源测试与噪声分析系统,对于高压共轨柴油机的噪声控制具有重要意义。课题基于近场声全息理论,应用实验室开发的测试系统,在台架进行高压共轨柴油机的噪声采集与声源识别,分析原测试系统程序存在的问题,提出优化方案。完成了以下模块开发与测试工作,重新设计程序框架,选用While+事件结构;添加功能模块包括单目视觉系统、声品质分析、声像匹配模块;重新编写数据采集、信号保存模块;优化相应模块,将编写的子系统集成并优化整个测试系统,具体如下:（1）视觉子系统程序编写及试验验证分析视觉成像理论,基于Labview中的视觉函数编写视觉模块,视觉模块主要功能包括:图像采集、图像标定、图像处理和图像保存。完成视觉模块编写后,利用工业相机、工业网线连接电脑主机和显示器验证视觉系统能否实现编写功能,试验证明视觉模块能完成相应功能。（2）噪声采集子系统编写分析发动机噪声信号类型,由此选择频谱分析、倒频谱分析、能量谱分析、倍频谱分析、小波（Wavelet）和小波包（Wavelet Packet）分析对发动机信号进行处理。系统的推导时频分析算法,利用Labview编写信号采集、信号处理、信号保存等模块。（3）声像匹配模块编写并通过已知声源验证系统的功能声像匹配模块属于结果后处理,图像标定知道世界坐标和图像坐标的转换关系,近场声全息法重建声源面声压分布,利用已知重叠关系把声源面重建结果重叠到图像上,从而实现声场可视化。利用测试系统采集已知声源信号,验证了系统能实现声源定位,声像匹配功能等。（4）台架试验在发动机台架上搭建测试系统软硬件,在两个大气压力与三个转速下,扫描并重建主/次推力侧声源,并对油底壳和发电机噪声源进行相应的信号分析。整个测试系统开发与研究结果表明:（1）开发的测试系统,人机界面友好,程序框图更加简洁;增加的声品质分析模块、视觉模块、声像匹配模块能实现相应功能;（2）同一大气环境,测试机型随着转速升高,发动机声压级升高;对比不同大气环境,在标准大气压下,发动机声压级变小。（3）测试机型辐射噪声主要出现在油底壳、发电机、打气泵、中冷器进气管、排气管、脚架、涡轮增压器、进气支管、飞轮壳、气门室罩盖等。（4）台架间测试机型响度幅值出现在0.9Bark-2.1Bark;粗糙度幅值出现在10Bark-12Bark;尖锐度幅值出现在19Bark-20Bark。
靳行[4]（2019）在《内燃机车振动噪声源辨识研究》文中进行了进一步梳理本论文以国内某型号内燃机车司机室降噪工程技术难题为出发点,紧紧围绕振动噪声的源辨识这一科学问题展开研究。为了实现闭环的系统工程分析与高性能数字化综合分析,一个完善信号处理技术与有限元模型是其必不可少的、重要的环节。为此笔者经过六年的努力,开发了一套基于VMD的源辨识信号处理软件,对所研究内燃机车建立了结构、声腔和声振耦合有限元模型。研究过程中,解决了VMD参数选择问题、真实BIMF分量筛选问题、时频分辨率发散问题以及盲源分析中的欠定盲源分离问题。对所研究车辆的型式试验中振动噪声数据,应用VMD方法对车辆结构模态、子系统振动特性、部件振动特性、动力室噪声特性以及司机室噪声源辨识进行深入细致的研究。对科学问题深入研究,最终攻克某型号内燃机车司机室降噪技术难题。主要研究工作如下:1.针对VMD参数设置的问题,研究了罚参数α与层数参量K对信号分解的影响。研究表明,当层数参量K合适的情况下,罚参量α是一个与信号能量相关的值,为了获得VMD最优分解结果,本文提出一种对罚参量α选择的新方法,并给出了公式。当罚参量α确定时,随着层数参量K的变化会导致伪分量,研究表明伪分量的拟合频率会随着层数参量K的变化而变化,但真实分量则与层数参量K的变换无关,因此提出一种基于BIMF特性的VMD参数选择方法,该方法通过观察层数参量K对BIMF分量信号拟合频率与拟合阻尼变化,根据稳态结果选择信号的真分量并剔除伪分量。2.研究了基于VMD稳态参数下的线性与非稳态模态分析方法,通过仿真结果表明,该方法不仅可以有效识别线性模态试验中的模态参数,还可以有效识别非稳态模态试验中的时频特性。3.为了合理分析试验结果,完善了测试车辆结构模态有限元分析、司机室声腔模态有限元分析及声振耦合模态有限元分析,为噪声源辨识与控制建立理论基础。4.详细分析了内燃机车振动源、受迫振动及噪声的时频特性。验证本文提出的VMD稳态参数时频分析法较传统的CWT时频分析法和HHT法具有更好的分辨率,可以更有效的揭示工程应用中噪声与振动信号的时频特性。5.针对盲信号分离中测试信号不足的欠定问题,以及VMD参数选择无法实现自适应的问题,本文提出了一种由数据驱动的VMD参数选择方法QVMD,并在QVMD的基础上,提出采用Fast ICA法和PCA的欠定去噪源分离新方法。该方法不仅能处理平稳与非平稳信号,而且可以通过较少的观测信号实现对较多源信号的溯源分离处理。研究表明,所分析的内燃机车主要噪声源为动力室混响、辅助齿轮箱振动、柴油机振动和车外空气路径噪声。6.结合本文分析方法的结论与有限元仿真,对内燃机车进行了降噪控制设计,通过现场试验研究证明了,识别的噪声源特征准确,实现司机室噪声控制,司机室降噪量达到8.3d BA。该方法有效地解决了主机厂某内燃机车司机室噪声偏大的工程问题。
赵永新[5]（2019）在《基于盲源分离的发动机噪声信号分离研究》文中研究表明汽车的NVH直接影响汽车的舒适性,随着人们对汽车NVH性能要求的不断提高,发动机的振动噪声问题也逐渐成为国内发动机学科研究的热点问题和重要方向,如何准确、快捷的识别发动机的主要噪声源是控制发动机噪声的重要前提,是改善汽车舒适性的重要研究内容之一。发动机噪声信号是多个激励源产生的混合信号,传统的数学工具难以实现对指定激励源的准确分析。盲源分离算法在识别机械振动、故障诊断及噪声处理方面具有很大的研究空间,为发动机噪声信号分离研究提供了更加丰富的手段。本文针对发动机噪声信号的特点,利用噪声测试技术、小波分析理论及盲源分离算法等现代测试技术与信号分析方法,从复杂的噪声信号中分离和识别发动机的主要噪声源。主要研究内容如下:选取三个不同的声音信号作为原始信号,在Matlab软件上对原始信号进行瞬时混合。分析对比FastICA、SOBI、JADE及CuBICA四种盲源分离算法并利用其对混合信号进行盲源分离仿真分析,验证四种盲源分离算法是否具有良好的分离性能。同样选取三个不同声音信号进行卷积混合,利用仿真分析验证上述四种算法的可行性。用瞬时盲源分离算法对卷积混合信号进行分离,并与卷积算法分离的效果进行对比,验证瞬时盲源分离算法在分离真实发动机噪声信号上的局限性。通过分离评价指标对比四种算法的分离性能,选出最优的算法对真实发动机噪声信号进行分析。以某四缸四冲程发动机为研究对象,采用基于卷积混合的CuBICA算法对采集到的三个发动机噪声信号进行分离,得到一系列独立分量。为进一步识别分离得到的各独立分量与发动机噪声源的对应关系,采用傅里叶变换和小波变换技术对各个分量进行特征分析,结合时频分析的结果和发动机辐射噪声产生的机理,确定各独立分量对应的激励源。
潘高元[6]（2019）在《车辆变速箱多相关振动噪声源识别方法研究》文中提出为识别变速箱的振动噪声源,本文通过将S变换和奇异值分解、同步挤压方法相结合,从降低噪声和提升时频分辨率两个不同角度,识别了变速箱行星轮以及轴承故障的周期性冲击特征;并将S变换与时间序列分解算法相结合,探讨了多相关中的时频相关性,分析噪声源之间的相关性。本文主要内容有以下几部分:第一部分首先说明论文研究的目的和意义,接着在基础理论部分分析了变速箱的信号特征以及常见故障特征,对S变换、离散S变换、同步挤压变换等时频分析进行分析与公式推导。第二部分从降噪的角度对变速箱断齿特征和轴承故障特征进行识别。首先简述奇异值分解理论,根据S变换与奇异值分解的优点,提出奇异值比值谱选取合适的奇异值阈值进行信号降噪方法。方法首先对信号进行S变换,其次对S变换矩阵进行奇异值分解,再根据奇异值比值谱的最前面密集峰的最后一个峰值位置对应的奇异值作为奇异值的阈值位置进行降噪,然后重建降噪后的S变换矩阵,最后进行S变换逆变换,得到降噪后的时域周期冲击特征,最终得到特征频率。用仿真和实验数据对方法进行验证,证明了方法的有效性、直观性和可靠性。第三部分从提升时频分辨率角度进行冲击特征识别。结合S变换与同步挤压,得到同步挤压S变换并进行公式推导。对信号进行同步挤压S变换,可以在保持S变换对冲击特征敏感的情况下,提高了S变换的时频分辨率,因此能够识别信号中的周期性冲击特征。最后用仿真和实验数据验证方法的优势。第四部分首先分析多相关分析的基本理论。利用同步挤压S变换的优点,在其基础之上导出一个时间序列分解算法,并提出时频相关性,对信号进行同步挤压S变换时间序列分解的时频相关性分析。对比分析时频相关性与传统的相关,通过仿真信号、两相关与三相关实验数据进行分析,结果表明时频相关性能够体现相关性的时变与频变特征,并且对非平稳信号的相关性分析具有优越性。综上所述,通过S变换与其他方法结合,本文对变速箱复杂信号进行了研究,识别了信号中的冲击特征,并探讨了时频相关性,得到了若干有价值的结论。
杨文鑫[7]（2016）在《内燃机辐射噪声的盲源信号分离研究》文中进行了进一步梳理驾乘人员对汽车噪声、振动与舒适性（Noise,Vibration and Harshness,NVH）的要求日益提升。内燃机工作噪声作为传统汽车主要噪声源之一,是科研人员提高整车NVH性能的主要控制对象,而内燃机主要噪声源的分离和识别是内燃机噪声控制的关键。内燃机结构复杂的特点决定了内燃机噪声源激励的多样性,传统的噪声源识别方法在试验条件以及应用范围等方面具有一定的局限性,而现代信号处理手段的蓬勃发展为内燃机信号的分析与处理提供新的路径。本文围绕如何有效分离和识别内燃机噪声源的问题,以某单缸汽油机为研究对象,将内燃机辐射噪声与现代信号处理技术相结合,从内燃机辐射噪声的产生机理、盲源信号问题的解决方法以及基于信号处理的单缸机噪声源分离和识别等三个主要方面出发,分离和识别出试验单缸机的主要噪声源,并分析了各个噪声源的贡献度,为内燃机噪声控制提供参考。本文主要包括以下四个方面内容:（1）内燃机表面辐射噪声的产生机理研究。具体分析了内燃机主要噪声源及其产生机理,确定噪声源对应的激励源及其主要传播路径;继而从信号学的角度分析出内燃机辐射噪声信号具有非平稳性和周期性等特征;在此基础上总结了内燃机噪声源识别的传统方法与信号处理方法。（2）独立分量分析方法的理论研究。建立了独立分量分析的基本数学模型,并指出应用该算法的约束条件;从统计学理论和信息理论角度阐述了独立分量分析的基本准则;在此基础上总结了典型的独立分量分析方法。（3）FastICA方法对模拟信号与单缸机噪声信号的应用研究。基于FastICA算法的计算流程,将FastICA方法应用于模拟信号的分离,并验证该方法的可行性;通过对某单缸汽油机的辐射噪声进行采集,分析判断所采集噪声满足应用FastICA算法的前提条件,将该算法应用于噪声信号的分离并获得五个独立分量。（4）对某单缸汽油机噪声激励源进行识别的研究。将时频联合域分析中的傅里叶变换和小波变换方法应用于模拟信号的分析,得出小波分析具有良好的分析效果;将小波变换应用于单缸机的独立分量,通过将小波变换中各分量特征点数据与单缸机主要噪声源理论特征频率结合,确定独立分量对应于单缸机燃烧噪声、活塞敲击噪声、喷油泵噪声与链齿轮啮合噪声;通过声学参量计算确定以上分量对整机噪声的贡献度分别为43.64%、24.65%、10.41%和7.88%。
胡越,李富才,邵威,孟立立,周吉文[8]（2015）在《工程机械噪声源识别技术研究进展》文中研究表明随着工程机械行业的快速发展和各国环保意识的提高,人们对工程机械的舒适性和噪声控制方面提出更高的要求。噪声源识别是控制噪声的首要工作。以挖掘机为具体对象,分析其噪声源特性;简要介绍传统识别方法和基于声源的识别方法;从理论和应用方面,着重论述基于数字信号处理的识别方法;分别总结识别方法的优缺点和使用范围,发现基于数字信号处理的方法在工程机械噪声源识别方面优势明显。
王丽[9]（2014）在《工程机械司机室内噪声信号盲源分离及特性研究》文中认为目前我国工业化建设进展迅速,工程机械设备在基础设施建设及工农业生产中发挥着突出作用。工程机械行业已发展成为我国机械工业中的第四大行业,国产工程机械设备技术水平获得了很大提升。随着工程机械行业的快速发展以及各国环保政策的大力推行,人们对于工程机械的综合性能提出了更高的要求,对于工程机械的舒适性和噪声控制的要求也越来越严格。工程机械司机室内噪声作为NVH（Noise、Vibration、Harshness）重要指标之一,越来越受到广泛的关注。为增强我国的工程机械产品国际竞争力,推动我国向着工程机械制造强国转变,对司机室内噪声问题进行研究具有重大的现实意义。推土机司机室受到多种振动和噪声激励影响,各噪声源具有各自的时频特征。当在多个噪声源共存的情况下,降低司机室噪声,需要抑制最主要噪声源,才能取得明显的降噪效果。因此,确定噪声源是降低噪声限值的首要工作。由于多个噪声源的同时作用,测试采集得到的噪声信号包含多种复杂的瞬变非稳态信号和少数稳态信号的叠加,研究司机室振动噪声源及特性,是实现噪声源定位的重要基础。研究发现司机室内噪声、振动信号是含有一定噪声的非平稳信号,采用小波等时频分析方法能够其进行详细的研究,但需依据信号特征反复调整参数才能取得较好的分析效果,而EEMD能够将非线性、非平稳信号自适应分解成为一族固有模态函数IMF,这将有效的提高振动、噪声信号分析效率。但EEMD方法也存在着参与运算的白噪声信号影响分解效果的问题。改进的EEMD方法即MEEMD方法,在保持EEMD分解的优点的同时,减小了参与辅助计算的白噪声残留,对IMF分量的模态分裂也有较好的抑制作用。本研究将MEEMD方法应用到推土机司机室内振动噪声信号特征分析上,可改进现司机室内振动噪声源特征分析效果。推土机司机室内振动噪声源众多,且传入路径复杂,由于工程实际测试时相关测量使用的传感器数量限制,如何利用有限的观测信号识别多个源信号,是欠定盲识别的难题。研究表明,单通道信号经MEEMD分解,拓展为多个带有源信号的特征信息的IMF分量,从而实现欠定问题到正定问题的转换。本文将采集的振动、噪声信号的MEEMD分解结果作为冗余的观测分量,分别利用协方差矩阵特征值分析方法和信号稀疏性特征分析方法,探讨司机室内振动噪声源的数目估计,为实现司机室内振动噪声源准确识别提供研究基础。利用IMF分量进行振动噪声源识别时,由于MEEMD方法分解得到的IMF分量之间总存在一定的耦合信息,需要对IMF信号进行解耦,即去除各IMF信号间的相关性。IMF分量组合的观测阵代表了多个源信号的线性混合,采用独立成分分析（ICA）从混合矩阵分离出若干相互独立的成分,但现有方法受数值计算迭代初值的影响具有不确定性,且基于负熵的固定点算法（Fixed-Point Algorithm-FICA）的稳定性需要改进,本研究将MEEMD和ICA方法相整合改进,将其应用于司机室内噪声源的分离和识别,并通过相干分析与时频分析相结合的技术对噪声源进行定位,最后从隔声和减振两方面入手对司机室内噪声的进行了综合治理。综合以上问题的分析,本研究展开了以下内容的研究：结合推土机的结构和司机室的特点,对司机室内噪声来源、噪声传播途径和产生机理进行了分析,对多个型号推土机司机室内振动、噪声信号进行初步分析,确定司机室内振动噪声信号大致特征。采用四种不同的小波函数对多个型号推土机司机室内振动、噪声信号进行了时频分析,确定最优的复Morlet小波参数,并与STFT时频分析比较分析效果,研究发现复Morlet小波和STFT变换各有优点,可根据信号的特点选择合适的时频分析工具。将MEEMD方法引入推土机司机室振动噪声源特征识别研究中,结合相关系数分析筛选有效IMF分量组合。结合IMF分量时频特征分析,研究了型号I司机室内底板振动信号、耳旁噪声信号,分析与司机室内振动噪声信号密切相关的各IMF分量。采用IMF分量的能量变化指标研究了运行工况变化对IMF分量能量特征的影响情况,根据能量变化的情况确定转速工况对耳旁噪声各IMF分量的影响,对敏感的IMF分量进行追踪和定位,为进一步实现驾驶室内噪声治理提供分析基础。利用MEEMD将单个观测信号拓展为带有多个源信号特征信息的IMF分量组合,将欠定盲分析问题转化为正定问题。采用两种不同的分析方法分别利用单通道观测信号进行了源数估计：（1）根据观测阵信号子空间维数估计原理,将特征值方法应用于IMF分量构成的观测信号的分析中,对源信号的个数进行估计；（2）根据观测信号在时频域的稀疏性原理,将IMF分量构成的观测信号进行时频域转换,提取信号的稀疏特征向量进行源数估计。采用两种分析方法对型号Ⅱ推土机司机室内耳旁噪声和底板振动信号进行了源数估计,并对得到噪声合成信号Simf和振动合成信号Vimf,进行时频分析,分析影响司机室内耳旁噪声的主要频率。对MEEMD和ICA方法进行整合,通过添加迭代步长参数α对基于负熵的固定点算法进行了改进,结合分离性能指标,选择最优的参数设置。采用整合改进的MEEMD和ICA方法,结合相干分析与时频分析相结合的技术,对型号Ⅰ推土机司机室内噪声信号进行盲分离,并对型号Ⅰ推土机司机室内振动噪声进行了分步分阶段治理,有效降低了司机室内耳旁噪声。从隔声和减振两方面入手的分阶段的综合治理的实验结果也验证了对司机室内噪声的综合治理行之有效。通过改进减振系统有效降低了低速工况下的噪声水平,而隔声措施对于降低中高速工况下的噪声效果较明显。本研究以某系列液压式履带推土机研究对象,实现了工程机械司机室内噪声盲源分离,以司机室内振动噪声源估计、噪声源识别和特性分析为主要内容,以现代信号处理方法MEEMD、ICA时频分析以及信号稀疏特征分析等多种方法为手段,对司机室内复杂声场内盲源分离方法及关键技术进行了研究。研究结论和提出的研究方法对其他类型的工程机械具有一定的借鉴意义。本研究还存在一定的不足,主要有以下两个问题需要继续研究和完善：（1）研究了某系列3种型号推土机的司机室内振动噪声情况,但未涉及到其他类型的工程机械,研究范围还需要拓展,使文中提出的研究方法应用更为广泛；（2） MEEMD分解对非平稳信号分析具有一定的优势,但存在计算效率低的问题,参数选择的设置也有待进一步优化,未来可以建立参数选择的优化指标,提高算法的计算效率。
韩春杨[10]（2014）在《内燃机噪声源时域盲识别技术研究》文中进行了进一步梳理NVH（Noise Vibration and Harshness）水平是衡量机动车辆性能的重要指标之一，NVH直接反应机动车辆舒适性品质，而机动车辆舒适性程度直接影响该车辆的市场竞争力。车辆的噪声和振动特性的研究和控制重点在于对内燃机噪声进行控制，而噪声源识别对内燃机噪声控制起重要的作用。要想合理的控制内燃机噪声，应该对内燃机的振动噪声产生原因进行研究，即对振动噪声的产生部位进行定位，准确测量和分析振源的特性，如振源的类型、频率特性、声压级大小、变化和传播规律等。然后根据振动噪声源的分析结果，采取相应的措施，降低内燃机的辐射声压级。近三十年来，内燃机科技工作者通过不懈的努力，使其在低噪声结构优化设计、低噪声燃烧系统开发、内燃机噪声分离以及阻尼降噪技术等领域均有多项技术突破，有关资料显示，与三十年前噪声整体辐射水平相对比，其总体噪声辐射水平下降了12dB。即便如此，内燃机噪声辐射水平仍有下降的空间和必要性。由于内燃机属于复杂机械系统，当内燃机系统运行时，其内部多个零部件在同时运转，这使待分析的目标部件响应即使可以直接测量也受到非目标零部件振动信号的影响，在频谱中多个振源信号往往存在重叠，再加上实验手段也十分复杂，实验成本高，这使得传统的内燃机噪声源识别技术具有一定的局限性。随着新理论的提出以及新技术的应用，采用现代信号处理方法对内燃机的噪声和振动特性的研究有着重要的理论意义和工程实用价值。针对上述相关问题，本文开展了相应的研究工作：首先，阐述了课题研究背景，介绍柴油机振声特性的危害性，以及当前柴油机振动信号处理过程中存在的技术问题。详尽介绍了盲分离算法发展过程以及研究现状，内燃机振动信号现代处理方法，并指出应用时域盲识别算法对内燃机噪声源识别理论意义及工程价值；其次，利用连续小波变换对内燃机表面振动信号进行时-频分析，通过对内燃机各个部位表面加速度振动信号的特征的分解，对内燃机在运转过程中的主要噪声源进行识别，为内燃机的噪声源的识别研究提供一些方法和途径；再次，建立了源信号线性瞬时混合模型和源信号线性卷积混合模型，介绍了有关信息论的基本概念，介绍了线性瞬时盲分离问题的常用解混算法，并详细的介绍了FastICA算法的流程，通过数值算例验证了FastICA算法的高效性和鲁棒性。同时，介绍线性卷积盲分离问题的常用解混算法，详尽介绍了MBLMS算法流程，并通过数值算例验证MBLMS算法的高效性和鲁棒性。最后，应用FastICA算法以及改进的MBLMS算法对柴油机表面混合信号进行分离，通过分离结果比较验证了改进的MBLMS算法的高效性和可靠性，也进一步对内燃机非平稳振声响应结构模型进行了验证。
二、内燃机的非平稳信号分析方法及其噪声源小波识别技术的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、内燃机的非平稳信号分析方法及其噪声源小波识别技术的研究（论文提纲范文）
（1）汽车发动机异响诊断算法及产生机理的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 发动机振动噪声研究现状 |
| 1.2.2 异响研究现状 |
| 1.2.3 信号处理方法研究现状 |
| 1.2.4 本文研究课题的提出 |
| 1.3 本文研究内容与安排 |
| 2 NLCT时频分析算法的基本原理与仿真试验研究 |
| 2.1 引言 |
| 2.2 现代时频分析技术原理及仿真研究 |
| 2.2.1 短时傅里叶变换 |
| 2.2.2 广义S变换 |
| 2.2.3 线性调频变换 |
| 2.2.4 非线性调频变换 |
| 2.3 本章小结 |
| 3 DVMD盲源分离算法的基本原理与仿真试验研究 |
| 3.1 引言 |
| 3.2 DVMD的基本原理 |
| 3.2.1 变分模态分解原理简介 |
| 3.2.2 变分模态分解的分解优先级 |
| 3.2.3 DVMD的分解策略 |
| 3.3 DVMD与其他盲源分离方法的仿真试验比较研究 |
| 3.4 本章小结 |
| 4 基于DVMD算法的发动机稳态机械异响诊断及机理研究 |
| 4.1 引言 |
| 4.2 怠速异响声源定位试验研究 |
| 4.2.1 某乘用车怠速异响案例背景 |
| 4.2.2 缸盖总成机械结构系统影响研究 |
| 4.2.3 缸盖总成电子控制系统影响研究 |
| 4.3 基于DVMD算法的怠速异响特征分量提取 |
| 4.4 角度域下的怠速异响成因及机理研究 |
| 4.5 本章小结 |
| 5 基于VKCT算法的发动机瞬态机械异响诊断及机理研究 |
| 5.1 引言 |
| 5.2 VKCT时频分析方法原理 |
| 5.2.1 AGST时频变换 |
| 5.2.2 脊线提取技术 |
| 5.2.3 Vold-Kalman阶次分离 |
| 5.2.4 VKCT时频分析算法 |
| 5.3 某乘用车加速工况异响识别 |
| 5.3.1 某乘用车加速工况异响案例背景 |
| 5.3.2 整车异响分布特性研究 |
| 5.4 某乘用车加速工况异响机理研究 |
| 5.4.1 基于VKCT时频分析算法的异响特征提取与诊断 |
| 5.4.2 加速工况异响的机理研究及控制 |
| 5.5 本章小结 |
| 6 发动机燃烧噪声的分离算法及燃烧异响诊断研究 |
| 6.1 引言 |
| 6.2 发动机燃烧噪声的分离算法 |
| 6.2.1 基于维纳滤波的稳态工况燃烧噪声分离算法 |
| 6.2.2 基于多元回归的瞬态工况燃烧噪声分离算法 |
| 6.3 发动机稳态工况燃烧噪声和机械噪声的分离研究 |
| 6.3.1 1500r/min燃烧噪声分离结果 |
| 6.3.2 3000r/min燃烧噪声分离结果 |
| 6.3.3 5500r/min燃烧噪声分离结果 |
| 6.4 发动机瞬态工况的燃烧异响分离及诊断研究 |
| 6.4.1 某SUV车型急收油门工况异响案例背景 |
| 6.4.2 急收油门工况振声信号燃烧与机械贡献分离研究 |
| 6.4.3 急收油门工况燃烧异响控制 |
| 6.5 本章小结 |
| 7 全文总结 |
| 7.1 研究成果与结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介 |
| 教育经历 |
| 攻读博士期间发表的论文 |
| 攻读博士期间参与的项目 |
（2）机械系统部分相干源及其传递路径辨识方法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 噪声源辨识技术的研究现状与发展 |
| 1.2.1 传统噪声源辨识方法 |
| 1.2.2 基于时域信号处理技术的噪声源辨识方法 |
| 1.2.3 基于频域信号处理技术的噪声源辨识方法 |
| 1.2.4 基于时频域信号处理技术的噪声源辨识方法 |
| 1.2.5 基于声成像技术的噪声源辨识方法 |
| 1.2.6 机械结构噪声的激励识别方法 |
| 1.3 传递路径分析方法研究现状 |
| 1.4 噪声源辨识与传递路径分析中存在的问题 |
| 1.5 本文研究的主要内容 |
| 第二章 部分相干辐射声源辨识的传递率矩阵方法 |
| 2.1 引言 |
| 2.2 部分相干辐射声源辨识方法 |
| 2.2.1 噪声源的部分相干 |
| 2.2.2 传递率矩阵辨识方法 |
| 2.2.3 部分相干源的贡献计算 |
| 2.3 实验验证 |
| 2.3.1 原理验证 |
| 2.3.2 车内噪声辐射源辨识 |
| 2.4 部分相干声源辨识方法应用 |
| 2.4.1 汽车排气系统部分相干噪声源辨识 |
| 2.4.2 离心风机部分相干噪声源辨识 |
| 2.5 本章小结 |
| 第三章 部分相干分布激励辨识方法研究与应用 |
| 3.1 引言 |
| 3.2 部分相干分布激励辨识的等效源模型 |
| 3.2.1 等效激励源数量 |
| 3.2.2 等效激励源位置 |
| 3.3 部分相干分布激励辨识方法 |
| 3.4 离心风机部分相干分布激励力辨识仿真与实验 |
| 3.4.1 蜗壳模态仿真分析 |
| 3.4.2 频响函数测试与结果 |
| 3.4.3 风机振动噪声测试与结果 |
| 3.4.4 蜗壳压力脉动测试与结果 |
| 3.5 离心风机部分相干分布激励辨识结果 |
| 3.5.1 叶片掠过频率分布激励 |
| 3.5.2 其他频率分布激励 |
| 3.6 本章小结 |
| 第四章 部分相干噪声源及其传递路径的研究与应用 |
| 4.1 引言 |
| 4.2 部分相干噪声源及其传递路径实验研究 |
| 4.2.1 噪声源两级辨识建模与实验布置 |
| 4.2.2 声压级目标溯源 |
| 4.2.3 声品质目标溯源 |
| 4.3 两级辨识方法的减振降噪设计应用 |
| 4.3.1 传动系统减振降噪 |
| 4.3.2 悬置系统减振降噪 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 主要创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
（3）基于声全息法的高压共轨柴油机噪声识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 发动机噪声识别研究现状 |
| 1.3 声全息技术发展历程 |
| 1.3.1 声全息技术 |
| 1.3.2 近场声全息技术概述 |
| 1.3.3 近场声全息技术应用 |
| 1.3.4 近场声全息最新进展 |
| 1.4 主要研究内容及技术路线 |
| 第二章 噪声测试与分析平台系统分析 |
| 2.1 基于空间FFT变换的近场声全息理论 |
| 2.1.1 基于空间FFT变换的近场声全息原理 |
| 2.1.2 基于空间FFT变换的近场声全息算法 |
| 2.2 时频信号处理原理 |
| 2.2.1 傅里叶变换及频谱分析 |
| 2.2.2 倒频谱分析 |
| 2.2.3 小波和小波包分析 |
| 2.2.4 能量谱分析 |
| 2.2.5 倍频程分析 |
| 2.3 测试系统分析 |
| 2.4 小结 |
| 第三章 基于Labview的视觉系统开发 |
| 3.1 声场可视化系统模块设计与分析 |
| 3.2 机器视觉系统分析 |
| 3.2.1 图像采集原理 |
| 3.2.2 单目定位技术 |
| 3.3 基于Labview的单目采集系统开发 |
| 3.3.1 Labview软件简介 |
| 3.3.2 视觉模块简介 |
| 3.3.3 视觉模块编程 |
| 3.4 单目图像采集实验 |
| 3.4.1 视觉系统硬件设备 |
| 3.4.2 采集相机标定 |
| 3.4.3 采集图像分析 |
| 3.5 小结 |
| 第四章 基于Labview的近场声全息噪声测试系统开发 |
| 4.1 噪声测试与分析系统总体设计 |
| 4.1.1 噪声采集模块软件架构 |
| 4.1.2 噪声信号采集模块 |
| 4.1.3 信号分析模块 |
| 4.1.4 声品质分析模块 |
| 4.1.5 NAH模块 |
| 4.1.6 仿真模块 |
| 4.2 声像匹配模块编写 |
| 4.3 已知声源实验 |
| 4.3.1 实验硬件设备 |
| 4.3.2 已知声源识别结果分析 |
| 4.4 小结 |
| 第五章 高压共轨柴油机的噪声测试与试验分析 |
| 5.1 高压共轨柴油机噪声识别试验 |
| 5.1.1 试验方案设计 |
| 5.2 试验结果分析 |
| 5.2.1 部件噪声信号分析 |
| 5.2.2 发动机声源识别分析 |
| 5.2.3 发动机声品质分析 |
| 5.3 小结 |
| 第六章 全文总结与展望 |
| 6.1 全文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间参与项目及发表论文 |
| 附录1 参与项目 |
| 附录2 发表论文 |
（4）内燃机车振动噪声源辨识研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 内燃机车噪声源概况 |
| 1.2.1 柴油发动机噪声 |
| 1.2.2 冷却风扇噪音 |
| 1.2.3 结构振动噪音 |
| 1.2.4 电机噪音 |
| 1.2.5 轮轨噪声 |
| 1.2.6 空压机噪声 |
| 1.3 时频分析方法概述 |
| 1.3.1 短时傅里叶变换 |
| 1.3.2 连续小波变换 |
| 1.3.3 魏格纳-维尔分布 |
| 1.3.4 希尔伯特-黄变换 |
| 1.3.5 Teager能量算子 |
| 1.3.6 盲源分离方法 |
| 1.3.7 变微分模态分析 |
| 1.4 内燃机车振动噪声信号分析面临的问题 |
| 1.4.1 时频分辨率对比 |
| 1.4.2 VMD参数的选择 |
| 1.4.3 内燃机车型式车辆中的时变噪声的识别 |
| 1.5 本文研究内容 |
| 第2章 基于VMD的瞬时频率识别方法 |
| 2.1 变分模态分解基础 |
| 2.1.1 维纳滤波器 |
| 2.1.2 希尔伯特变换和信号分析 |
| 2.1.3 变分模态分解原理 |
| 2.2 变分模态分解中罚参量的影响 |
| 2.3 变分模态分解层数参量对稳态的影响 |
| 2.4 基于结构系统参数的VMD参数选择法 |
| 2.5 瞬时频率及其计算方法比较 |
| 2.5.1 希尔伯特谱 |
| 2.5.2 Teager能量算子法 |
| 2.5.3 基于VMD参数的时频谱方法 |
| 2.6 本章小结 |
| 第3章 参数化时频分析方法研究 |
| 3.1 时不变参数的理论线性模态分析 |
| 3.2 时变参数的理论非线性模态分析 |
| 3.3 数值模型建立与传统分析法 |
| 3.4 线性结构系统识别 |
| 3.5 非线性结构系统识别 |
| 3.6 VMD非线性系统结构瞬时频率的鲁棒性 |
| 3.7 内燃机车模态有限元分析 |
| 3.7.1 车体结构模态有限元分析 |
| 3.7.2 司机室内声腔模态有限元分析 |
| 3.8 声振耦合分析 |
| 3.8.1 声振耦合理论及应用 |
| 3.8.2 声振耦合分析中的系统非线性问题 |
| 3.9 基于VMD稳态的线性模态参数识别 |
| 3.10 本章小结 |
| 第4章 基于VMD时频分析的振动噪声源辨识 |
| 4.1 内燃机车振动源时频分析 |
| 4.1.1 辅助变速箱振动信号分析 |
| 4.1.2 柴油机振动信号分析 |
| 4.1.3 变速箱振动信号分析 |
| 4.2 内燃机车受迫振动时频分析 |
| 4.2.1 座椅振动信号分析 |
| 4.2.2 司机室端墙振动分析 |
| 4.3 内燃机车噪声时频分析 |
| 4.3.1 排气噪声分析 |
| 4.3.2 司机室耳旁噪声分析 |
| 4.3.3 变速工况下的司机室时频分析 |
| 4.4 本章小结 |
| 第5章 基于VMD的盲信号分离方法与噪声控制方案 |
| 5.1 主成分分析 |
| 5.2 快速独立分量分析 |
| 5.3 二阶统计量盲辨识 |
| 5.4 二次估计型可变微分模态和主成分分析的欠定去噪源分离 |
| 5.5 基于BIMF分量相关矩阵的PCA的源数估计 |
| 5.6 仿真信号分析 |
| 5.7 适应性与可靠性 |
| 5.8 内燃机车司机室噪声源识别研究 |
| 5.9 噪声传播途径控制 |
| 5.9.1 辅助变速箱噪声控制 |
| 5.9.2 动力室混响场噪声控制 |
| 5.10 司机室噪声控制 |
| 5.11 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 附录1 司机室声腔模态分析结果比较 |
| 附录2 振动测点位置说明与不同工况下有效值与平均值统计结果 |
| 附录3 不同工况下测点A计权声压级(dBA) |
| 附录4 术语说明 |
| 攻读博士学位期间发表的论文及科研成果 |
（5）基于盲源分离的发动机噪声信号分离研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 盲源分离理论研究现状 |
| 1.2.2 机械设备上的盲源分离 |
| 1.2.3 发动机噪声信号的盲源分离 |
| 1.3 本文研究内容 |
| 第2章 盲源分离基本理论 |
| 2.1 盲源分离的数学模型 |
| 2.1.1 线性瞬时混合模型 |
| 2.1.2 卷积混合模型 |
| 2.1.3 非线性混合模型 |
| 2.2 信号预处理 |
| 2.3 盲源分离的约束条件与不确定性 |
| 2.3.1 约束条件 |
| 2.3.2 不确定性 |
| 2.4 分离效果评价标准 |
| 2.5 本章小结 |
| 第3章 噪声信号盲源分离算法对比分析 |
| 3.1 瞬时混合语音信号盲分离研究 |
| 3.1.1 FastICA算法盲分离 |
| 3.1.2 基于二阶统计量的SOBI盲分离 |
| 3.1.3 JADE算法盲分离 |
| 3.1.4 基于多阶累积量的CuBICA盲分离 |
| 3.1.5 各算法分离性能对比 |
| 3.2 卷积混合发动机噪声信号盲分离研究 |
| 3.2.1 时域算法 |
| 3.2.2 频域算法 |
| 3.2.3 卷积混合发动机噪声信号盲分离仿真分析 |
| 3.3 瞬时盲源分离算法的局限性 |
| 3.4 本章小结 |
| 第4章 发动机实测噪声信号的盲源分离研究 |
| 4.1 发动机噪声实验设计 |
| 4.1.1 实验对象 |
| 4.1.2 实验条件 |
| 4.2 发动机噪声信号盲源分离分析 |
| 4.2.1 小波分析理论 |
| 4.2.2 小波变换与傅里叶变换对比分析 |
| 4.2.3 小波参数的选取 |
| 4.2.4 采集信号的分离分析 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）车辆变速箱多相关振动噪声源识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本文研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 变速箱振动噪声源识别方法现状 |
| 1.2.2 S变换研究现状 |
| 1.2.3 多相关分析研究现状 |
| 1.3 本文研究的主要内容 |
| 第二章 变速箱信号特征和S变换基本理论 |
| 2.1 变速箱振动噪声源特征 |
| 2.2 变速箱常见故障信号特征 |
| 2.2.1 齿轮常见故障 |
| 2.2.2 滚动轴承常见故障 |
| 2.3 时频分析 |
| 2.3.1 短时傅里叶变换 |
| 2.3.2 小波变换 |
| 2.3.3 同步挤压 |
| 2.3.4 S变换 |
| 2.4 本章小结 |
| 第三章 S变换奇异值比值谱降噪方法研究 |
| 3.1 S变换-SVD奇异值比值谱降噪方法 |
| 3.1.1 奇异值分解 |
| 3.1.2 ST-SVD-SVR降噪方法 |
| 3.1.3 ST-SVD-SVR主要步骤 |
| 3.2 仿真信号分析 |
| 3.2.1 高信噪比信号仿真分析 |
| 3.2.2 低信噪比信号仿真分析 |
| 3.3 实验信号分析 |
| 3.3.1 滚动轴承信号 |
| 3.3.2 行星轮断齿信号 |
| 3.4 本章小结 |
| 第四章 同步挤压S变换冲击特征识别 |
| 4.1 同步挤压S变换 |
| 4.2 仿真信号分析 |
| 4.2.1 余弦调频信号仿真分析 |
| 4.2.2 带噪声余弦调频信号仿真分析 |
| 4.2.3 冲击信号仿真分析 |
| 4.3 实验信号分析 |
| 4.3.1 行星轮断齿信号 |
| 4.3.2 滚动轴承信号 |
| 4.4 本章小结 |
| 第五章 同步挤压S变换时间序列分解时频相关分析 |
| 5.1 相关分析 |
| 5.1.1 时域相关分析 |
| 5.1.2 频域相关分析 |
| 5.1.3 多相关分析 |
| 5.2 时频相关性 |
| 5.2.1 时间序列分解 |
| 5.2.2 同步挤压S变换时间序列分解时频相关分析的主要步骤 |
| 5.3 仿真信号分析 |
| 5.3.1 余弦信号仿真分析 |
| 5.3.2 不同相位余弦信号仿真分析 |
| 5.3.3 带噪声余弦信号仿真分析 |
| 5.3.4 非平稳信号仿真分析 |
| 5.4 变速箱试验台信号分析 |
| 5.4.1 试验设备 |
| 5.4.2 试验信号分析 |
| 5.4.3 多相关信号分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（7）内燃机辐射噪声的盲源信号分离研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状综述 |
| 1.3 本文主要研究内容 |
| 第2章 内燃机噪声源产生机理及识别方法 |
| 2.1 内燃机表面辐射噪声 |
| 2.2 内燃机噪声信号特征 |
| 2.3 内燃机噪声源识别方法 |
| 2.4 本章小结 |
| 第3章 独立分量分析理论 |
| 3.1 独立分量分析基本原理 |
| 3.2 统计学理论与信号理论 |
| 3.3 独立分量分析准则 |
| 3.4 独立分量分析典型方法 |
| 3.5 本章小结 |
| 第4章 基于FastICA算法的内燃机噪声源分离 |
| 4.1 FastICA算法基本原理 |
| 4.2 FastICA算法模拟信号验证 |
| 4.3 基于FastICA算法内燃机噪声信号分离 |
| 4.4 本章小结 |
| 第5章 基于小波变换的内燃机噪声源识别 |
| 5.1 傅里叶变换和小波变换 |
| 5.2 小波的选取 |
| 5.3 内燃机噪声源信号时频特征 |
| 5.4 基于小波变换的内燃机噪声源识别 |
| 5.5 本章小结 |
| 第6章 结论 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
（8）工程机械噪声源识别技术研究进展（论文提纲范文）
| 1工程机械噪声源特性分析 |
| 1.1发动机噪声 |
| 1.2进排气噪声 |
| 1.3风扇噪声 |
| 1.4液压系统和工作装置噪声 |
| 2噪声源识别 |
| 2.1传统噪声源识别方法 |
| 2.2基于声源的识别方法 |
| 2.3基于数字信号处理的识别方法 |
| 2.3.1偏相干分析 |
| 2.3.2短时傅里叶变换 |
| 2.3.3小波变换 |
| 2.3.4经验模式分解 |
| 2.3.5独立分量分析 |
| 3结语 |
（9）工程机械司机室内噪声信号盲源分离及特性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 司机室振动噪声国内外研究现状 |
| 1.3 司机室内噪声源识别的主要研究方法 |
| 1.3.1 传统噪声源识别方法 |
| 1.3.2 传声器阵列噪声源识别法 |
| 1.3.3 现代数字信号分析识别法 |
| 1.4 存在的问题 |
| 1.5 本文研究目标及内容 |
| 第2章 司机室振动噪声源及特性分析 |
| 2.1 推土机司机室内噪声形成机理 |
| 2.1.1 动力舱噪声 |
| 2.1.2 传动系噪声 |
| 2.2 司机室内部振动噪声及特性 |
| 2.3 司机室内振动噪声信号初步分析 |
| 2.3.1 司机室内振动噪声信号频率特性 |
| 2.3.2 小波变换及参数选择 |
| 2.3.3 司机室内振动噪声信号时频分析 |
| 2.4 本章小结 |
| 第3章 基于MEEMD的司机室振动噪声源特征分析 |
| 3.1 改进集总经验模态分解(MEEMD)基础 |
| 3.1.1 EEMD基本原理和算法 |
| 3.1.2 MEEMD基本算法 |
| 3.2 MEEMD方法适用性研究 |
| 3.3 司机室内振动噪声信号能量特征分析 |
| 3.3.1 IMF能量特征指标 |
| 3.3.2 振动信号IMF能量特征分析 |
| 3.3.3 噪声信号IMF能量特征分析 |
| 3.3.4 司机室振动、噪声信号能量特征的变化规律 |
| 3.4 本章小结 |
| 第4章 司机室内振动噪声源数估计 |
| 4.1 欠定混合信号盲分离概述 |
| 4.2 基于特征值分解的源数估计方法 |
| 4.2.1 基于观测信号噪声子空间维数估计 |
| 4.2.2 基于IMF分量相关矩阵SVD的源数估计 |
| 4.2.3 基于IMF分量相关矩阵SVD的源数估计流程 |
| 4.3 基于IMF稀疏特征的源数估计方法 |
| 4.3.1 信号的时频域稀疏特征 |
| 4.3.2 基于IMF的稀疏特性的源数估计方法 |
| 4.4 源数估计方法适用性研究 |
| 4.5 司机室内振动噪声信号源数估计 |
| 4.6 本章小结 |
| 第5章 司机室内振动噪声源识别 |
| 5.1 噪声源独立成分分离 |
| 5.1.1 独立成分分析(ICA)算法 |
| 5.1.2 非高斯性测度及其收敛性 |
| 5.1.3 FICA算法的稳定性改进 |
| 5.2 MEEMD-ICA算法适用性分析 |
| 5.3 基于MEEMD-ICA的司机室内噪声源分离 |
| 5.3.1 基于MEEMD-ICA的噪声源分离流程 |
| 5.3.2 推土机司机室内噪声信号采集 |
| 5.3.3 司机室内噪声源分离 |
| 5.3.4 司机室内振动噪声治理实践 |
| 5.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及参与课题 |
| 致谢 |
| 外文论文 |
| 学位论文评阅及答辩情况表 |
（10）内燃机噪声源时域盲识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 时域盲识别技术的研究现状 |
| 1.2.1 盲源分离 |
| 1.2.2 盲源分离问题的分类 |
| 1.2.3 时域盲识别技术的研究现状 |
| 1.3 基于现代信号处理的内燃机噪声源识别研究现状 |
| 1.3.1 内燃机噪声源识别研究意义 |
| 1.3.2 传统内燃机噪声源识别技术的局限性分析 |
| 1.3.3 基于连续小波分析的内燃机噪声源识别研究 |
| 1.3.4 基于时域盲识别的内燃机噪声源识别研究 |
| 1.4 本论文的主要研究内容 |
| 第2章 内燃机噪声源及其传递路径分析 |
| 2.1 引言 |
| 2.2 内燃机表面噪声分类 |
| 2.2.1 燃烧噪声 |
| 2.2.2 机械噪声 |
| 2.3 内燃机噪声源的传递路径分析 |
| 2.3.1 复杂噪声源非稳态特性 |
| 2.3.2 内燃机非稳态响应的数学模型 |
| 2.4 本章小结 |
| 第3章 内燃机非平稳振动信号小波分析 |
| 3.1 引言 |
| 3.2 从 Fourier 变换到小波变换 |
| 3.2.1 Fourier 变换与短时 Fourier 变换 |
| 3.2.2 连续小波变换 |
| 3.2.3 连续小波变换与 Fourier 变换的比较 |
| 3.3 连续小波变换主要参数选取 |
| 3.3.1 小波基的选取 |
| 3.3.2 中心频率的选取 |
| 3.3.3 最大和最小尺度参数的确定 |
| 3.4 内燃机表面振动信号的小波分析 |
| 3.4.1 测量系统及测点布置 |
| 3.4.2 内燃机表面振动信号的小波分析 |
| 3.5 本章小结 |
| 第4章 时域盲源识别理论及算法 |
| 4.1 引言 |
| 4.2 线性时域盲源识别模型 |
| 4.2.1 线性瞬时混合问题 |
| 4.2.2 线性卷积混合问题 |
| 4.2.3 线性时域盲识别不确定性 |
| 4.2.4 时域盲识别问题的预处理 |
| 4.3 时域盲识别相关理论知识 |
| 4.3.1 熵 |
| 4.3.2 Kullback-Leibler 散度和互信息 |
| 4.3.3 峰度和负熵 |
| 4.3.4 高阶矩与高阶累计量 |
| 4.4 基于信息理论的时域盲识别算法 |
| 4.4.1 基于信息理论的线性瞬时盲识别算法 |
| 4.4.2 基于信息理论的线性卷积盲识别算法 |
| 4.5 时域盲识别问题算法分离效果检验指标 |
| 4.5.1 PI (G )评价指标 |
| 4.5.2 相关性指标 |
| 4.6 时域盲识别问题算法仿真 |
| 4.6.1 FastICA 算法仿真 |
| 4.6.2 MBLMS 算法仿真 |
| 4.7 本章小结 |
| 第5章 内燃机噪声源时域盲识别 |
| 5.1 引言 |
| 5.2 内燃机结构动力学简化模型 |
| 5.2.1 单自由度机械系统 |
| 5.2.2 多自由度机械系统 |
| 5.3 柴油机振动信号的盲分离的研究 |
| 5.3.1 柴油机表面振动加速度信号的非高斯性 |
| 5.3.2 基于 FastICA 算法柴油机振动信号盲分离 |
| 5.3.3 基于 MBLMS-TDS 算法柴油机振动信号盲分离 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
四、内燃机的非平稳信号分析方法及其噪声源小波识别技术的研究（论文参考文献）
- [1]汽车发动机异响诊断算法及产生机理的研究[D]. 周全. 浙江大学, 2021(01)
- [2]机械系统部分相干源及其传递路径辨识方法研究与应用[D]. 王晨光. 上海交通大学, 2020(01)
- [3]基于声全息法的高压共轨柴油机噪声识别研究[D]. 吴彪. 昆明理工大学, 2020(05)
- [4]内燃机车振动噪声源辨识研究[D]. 靳行. 西南交通大学, 2019(06)
- [5]基于盲源分离的发动机噪声信号分离研究[D]. 赵永新. 燕山大学, 2019(03)
- [6]车辆变速箱多相关振动噪声源识别方法研究[D]. 潘高元. 南京航空航天大学, 2019(02)
- [7]内燃机辐射噪声的盲源信号分离研究[D]. 杨文鑫. 武汉理工大学, 2016(05)
- [8]工程机械噪声源识别技术研究进展[J]. 胡越,李富才,邵威,孟立立,周吉文. 噪声与振动控制, 2015(05)
- [9]工程机械司机室内噪声信号盲源分离及特性研究[D]. 王丽. 山东大学, 2014(10)
- [10]内燃机噪声源时域盲识别技术研究[D]. 韩春杨. 吉林大学, 2014(12)