文|李伯陵

编辑 |李伯陵

前言

随着内燃机功率密度的不断增加，其噪声问题越发受到重视，但是由于内燃机噪声源众多，且相互影响，噪声源的分离识别，对掌握声源特性、进行相应的噪声控制具有重要意义。

近年来，国内外学者进行了大量的噪声源分离、识别的研究，如：光谱分析法、独立分量分析法、相干分析法、经验模态分解法，以及聚合经验模态分解法等。

传统的信号处理技术，存在模态混叠问题，影响噪声识别精度，也正是因为这种原因，我们提出了变分模态分解方法，采用非递归的迭代方式求解，实现频域剖分与信号分离。

我们将变分模态分解，引入内燃机噪声源识别领域，在之前的工作中，是借助保留一个气缸、屏蔽其他五缸噪声的情况下，进行的噪声识别，在无覆盖条件下，进行更多声源的内燃机噪声源分离，还尚未实现。

另外，变分模态分解需要进行分解数的预设，但是通常噪声信号复杂多变，难以确定分解数，当噪声分量较多时，主要噪声分量的选择，直接影响到后续声源分离的精度。

针对这些问题，我们提出一种改进变分模态分解，融合鲁棒独立分量分析的噪声源分离方法。

首先，我们利用自适应的选择分解数，对噪声信号进行分解；其次，利用互信息指标筛选主要噪声分量，分离出相互独立的噪声源；最后，采用连续小波变换，对各个独立分量进行时频分析，并结合相关分析方法，识别内燃机噪声源。

变分模态分解是非递归式的信号处理方法，该算法本质是通过求解变分问题，来确定本征模态分量，实现信号频域的自适应分解。

在变分模态分解的数量选择上，分量过少为欠分解，会造成分量频域过宽，我们无法确定主要频率；分解数量过多会造成过分解，产生虚假分量。

我们利用原始信号，经VMD分解后，余量与源信号的能量比，作为欠分解的判断标准，来确定k的最小值，然而余量信号，并非单纯相当于源信号与分量信号的线性相减。

我们利用观察中心频率法，来判断是否过分解，确定k的最大值，在此基础上，我们提出，利用重构信号与原信号能量比、观察中心频率的双限值法，来综合确定k值范围，进而实现，自适应地确定分解数量。

VMD分解得到的各分量，均为有限频率带宽分量，但是会丢失一部分，丢失的是距中心频率较远的分量信号，分解数量越多时，丢失的信号越少，于是我们基于VMD的这一特点，对分量信号求和进行重构。

我们利用内燃机噪声仿真信号，经多次仿真试验，设定能量比阈值0.95，将其作为判断是否欠分解的依据，从而确定k值下限。

我们在保证完全分解的情况下，继续增加分解数，并结合中心频率观察法，判断是否过分解，确定k值上限，其具体实现步骤如下：

（1）初始化k为0（内燃机噪声信号频带较宽）；

（2）k=k+1，进行变分模态分解，得到k个IMF分量；

（3）对所有IMF分量进行线性叠加，得到重构信号，求能量比C；

（4）设定能量比阈值为0.95，循环步骤2和3，直至C>0.95；

（5）k=k+1，进行变分模态分解，得到分量中心频率ωp（t）；

（6）观察中心频率，循环步骤5，直至发生过分解；

（7）k=k-1，进行变分模态分解，输出分量信号。

互信息根据熵的概念引申而来，表征两个变量之间相互依赖的强弱程度，即两个变量间共同信息的含量。

当两个变量之间互信息越大，证明这两个变量的关联性越强；反之亦然，当互信息为0时，则表示两个变量相互独立。

相较传统的相关系数只能反映两个变量之间的线性相关，而无法衡量其间的非线性关系，相反，互信息从信息论的角度出发，在可以评估变量间共有信息量的同时，不局限于线性关系，相较相关系数具有很大优势。

独立分量分析方法，是一种广泛运用在信号处理领域的盲源分离技术，算法本质上是依据优化准则，针对源信号线性混合组成的合成信号，寻找分离矩阵，将信号分离成各个分量，并且使其尽量保持相互独立。

该算法的优点在于可以选取最佳步长，还可以对峭度不为零的独立分量进行分离，并且解决了传统盲源分离信号排序问题，另外，当信号存在坏点和伪局部极值点时，该方法鲁棒性明显提升了，2IVMD-RobustICA噪声源分离方法。

我们为了准确识别内燃机辐射噪声，提出了IVMD-RobustICA的噪声源分离方法。

在对单通道噪声信号进行IVMD分解的基础上，我们利用MI进行主要噪声分量的筛选，针对主要噪声分量，采用RobustICA进行分离，得到噪声信号独立分量，最后对噪声信号进行时频分析，分析流程如图1所示。

我们为了检验本方法的适用性，利用一组仿真信号来进行验证。

内燃机噪声一般为低频稳态、高频瞬态的噪声信号，为了检验变分模态分解，对于相近频率信号的分解能力，我们将仿真信号设计为50Hz的低频稳态信号、80Hz和100Hz的中频稳态信号，以及500Hz的高频瞬态冲击信号的合成信号，同时添加了0.02倍幅值的随机噪声信号，如图2（a）所示。

我们对于仿真信号采用IVMD，基于残余信号能量比的变分模态分解两种方法，进行分解处理并进行对比，仿真信号幅值为无量纲，如图2（b）所示，IVMD自动选择分解数得到4个分量，准确对源信号进行分解。

图2（c）中，EVMD得到2个信号，IMF₁与源信号S₁相近，IMF₂发生模态混叠，其包含瞬态信号和稳态信号分量。

仿真结果表明，我们提出的IVMD，相对于EVMD有更精确的分离结果，更适用于分解内燃机噪声信号，相对于传统的VMD，利用能量比和中心频率双阈值，能够自适应确定分解数量，避免了主观设定和多次试算的问题。

我们在半消音室中，对某6缸4冲程内燃机进行噪声试验，金属尖劈长度为800mm，本底噪声为25dB，截止频率为100Hz。

我们为了去除进排气噪声和风扇噪声的影响，进排气管覆盖消声棉，拆掉散热风扇，引出进排气噪声。

我们在噪声试验中，按照国标进行五点噪声测试，发动机运行工况为1200r/min，40%负荷。

我们将麦克风布置在发动机顶面中心上方1m处，利用光电传感器测量曲轴转角信号，在喷油泵、缸盖、皮带轮、空压机、机体、油底壳和摇臂罩等处，进行近场噪声采集，测试现场如图3所示。

我们将信号处理在Matlab中进行，首先我们要进行消除趋势项和滑动平均等预处理，去掉直流分量，减少信号累计误差。

我们将VMD分解信号以频带划分，噪声信号频率范围过宽，会导致分解后中心频率过于分散，为了提高分析准确性和计算效率，我们决定滤掉高于8kHz的噪声信号，从而得到辐射噪声信号时域波形和频谱如图4所示。

同转速倒拖工况信号频谱如图5所示。

我们此次研究的主要目的是，分离内燃机活塞敲击噪声、燃烧噪声及其他主要噪声源，利用IVMD分解噪声，得到能量比和中心频率如表1和表2所示。

我们可以看到，随着分解数量的增加，重构信号与源信号的能量比也在逐步增加，各分量中心频率也变得更接近。

依据我们提出的IVMD筛选方法，自动选择得到的分解数为8，如表3所示，我们对分解得到的8个信号分量与源信号进行互信息分析，以筛选主要噪声分量。

我们从表3可以看出，IMF₁，IMF₂，IMF₇和IMF₈与源信号相关性较强，确定这4个主要噪声分量。

我们将这4个主要噪声分量进行RobustICA分离，得到以下3个具有明显特征的独立分量IC₁，IC₂和IC₃，如图6~8所示。

我们从图6可知，IC1主要频率为1590Hz，再加上之前我们由图4（b）、图5可知，在倒拖及40%负荷工况频谱中，1590Hz均为峰值频率。

并且倒拖工况是最大峰值频率，不过由于在倒拖工况中内燃机并未发生燃烧，仅有机械运转，因此我们认为1590Hz噪声分量，并非燃烧引起的，判定其为机械噪声。

我们为了进一步确定IC₁机械噪声源，通过观察IC₁小波时频图发现，其能量集中点以120°间隔出现，与发火间隔相同，并且时域波形均在上止点附近急剧变化，这主要与缸内压力变化有关。

在机械噪声中，活塞往复运动中在气体压力、油膜力和摩擦力共同作用下，与缸套主副推力侧，发生碰撞产生的敲击噪声与IC₁特征重合，此外，由于麦克风放置在第3缸附近，可以明显看出，第3缸噪声相比于其他分量幅值更大，综上我们可以判定IC₁为活塞敲击噪声。

我们从图7可知，分量IC₂中心频率为1260Hz，我们对比图4、图5源信号与倒拖信号频谱，发现1260Hz在倒拖频谱中幅值较低，初步判定IC₂为燃烧噪声。

其中内燃机转速为1200r/min，发火频率为60Hz，1260Hz是发火次数的倍频，这验证了IC₂与内燃机发火有关系。

我们依据先验知识，了解内燃机燃烧噪声主要分布频率为1000~3000Hz，IC₂属于此范围，初步判定为燃烧噪声。

我们通过进一步观察分量IC₂小波时频图，发现IC₂以120°出现，第6缸发火时刻在390°曲轴转角左右，与IC₂中第4次在时域上出现能量集中时刻吻合，因此判断IC₂为燃烧噪声。

我们从图8可知，IC₃主要频率为720Hz，并且依据该内燃机参数，曲轴齿数为49，转速为20r/s，空压机齿数为41，速比为1.195，得到空压机转速约为24r/s，IC₃频率为转速基频的倍频，初步判定IC₃为空压机噪声。

我们决定进一步验证空压机噪声源，测定各附件近场噪声，计算得到各附件近场噪声相干函数，发现IC₃与空压机噪声相干函数最大，判定其为空压机噪声，如表4所示。

（1）我们在提出的IVMD方法在VMD的基础上，结合重构信号能量比及中心频率观察法，解决了VMD分解数的自适应选择问题，相比于EVMD分解方法，VMD能够快速准确地对内燃机噪声信号进行分解。

（2）我们提出的IVMD-RobustICA噪声源分离方法，在无需屏蔽其他缸的情况下，能够利用内燃机顶部单一通道噪声测试数据，对内燃机主要噪声源进行识别，有效分离出燃烧噪声、活塞敲击噪声和空压机噪声等。

相比于单一的VMD识别方法，这大大的提高了分析效率，降低了噪声分离的试验要求。

（3）此次研究连续小波变换时频分析精度有限，如果将更精确的时频分析方法引入噪声源识别，将会进一步提高噪声源识别的精度。