论文部分内容阅读
随着汽车工业的发展,人们对汽车的性能和舒适性也提出了更高的要求,振动和噪声问题日渐突现出来。车辆作为一个复杂的机械系统往往存在着多个振动源和噪声源,为改善车辆的NVH性能需要实验测试找到振动源和噪声源。实验时传感器测得的信号往往是多个源信号的混叠,这种混叠影响我们对振动源和噪声源的识别。盲源分离技术在机械振动、噪声信号处理和故障诊断中的应用还处在初级阶段,本文对现有的盲分离算法进行了深入的研究,将盲源分离算法应用于时域模态参数识别,并研究了单通道盲分离方法和多相关信号源的盲分离方法。本文的主要研究内容归纳如下:(1)系统地研究了盲源分离的数学模型、假设条件和不确定性。详细总结了盲源分离算法相关基础概念和分离准则。研究了三种适合机械振动噪声信号分离的典型盲分离算法。(2)对比时域模态参数识别模型和盲源分离模型的相似之处,研究了基于盲源分离的结构模态参数识别方法,采用盲源分离的方法对四自由度模型和简支梁模型进行了模态参数识别,包括固有频率、模态阻尼比和振型矩阵。对比了不同算法的识别精度。研究了强噪声情况下盲源分离方法的分离性能以及模态参数的识别情况,提出了一种高阶模态频率的识别方法。(3)结合EMD和盲源分离,提出了一种适合振动信号的单通道盲分离方法。采用EMD方法对采集信号进行分解,选取感兴趣的固有模式分量重构观测信号。采用基于功率谱密度函数的源数估计方法估计源信号数目。通过重构观测信号和原始观测信号进行盲分离,得到分离信号。通过仿真分析、某故障车辆的实测驾驶室振动信号分析和某涡轮增压器系统振动信号分析,验证了方法的正确性和有效性。(4)针对多相关振动噪声源信号,深入研究了小波包子带盲分离方法对相关源信号的分离性能。对混合信号进行小波包子带分解,采用互信息评价子带间的相关性,选取独立性较强的子带重构混合信号,然后对重构混合信号进行盲分离,得到分离矩阵。通过仿真信号分析、发动机噪声信号分析和转子振动信号分析,验证了方法的正确性和有效性。