一种基于周期图法的冲床噪声功率谱估计改进方法
【专利摘要】基于周期图法的冲床噪声功率谱估计改进方法，包括：初始化功率谱检测设备，设定传感器采样频率、离散傅里叶变换参数、窗函数形状、窗函数长度、迭代次数计数器i初始值、总迭代次数S、平均离散傅里叶变换近似值初始值；将冲床冲裁控制信号作为开始采样触发信号；将冲床收回液压锤控制信号作为结束采样触发信号；等待触发信号，触发传感器结束采集冲裁噪声x(t)的样本；对采集得到的噪声样本加窗处理；用迭代方法计算L点离散傅里叶变换平均值存储离散傅里叶变换平均值结果；重复以上步骤直到迭代计数器i=S；计算离散傅里叶变换平均值的平方除以数据长度，得到功率谱估计值</maths>
【专利说明】 一种基于周期图法的冲床噪声功率谱估计改进方法
【技术领域】
[0001]本发明涉及一种用于噪声控制领域的功率谱估计方法，具体是一种基于周期图法的冲床噪声功率谱估计改进方法。
【背景技术】
[0002]在工业生产过程中，具体的在冲床的工作过程中，冲床撞击材料会产生一种冲裁噪声。这种噪声具有:重复性、短时性、高强度性的特征。这种重复撞击噪声会导致机器设备的声疲劳，长期作用将会缩短其使用寿命，甚至发生生产事故。强烈的噪声极易形成差拍型次声波，作用与人的躯体。人体各个部位都存在固有频率，身体为7-13HZ，内脏为4-6HZ，头部为8-12HZ，这些固有频率刚好在次声波频带内，所以冲压工人在强烈噪声环境中工作，常有头昏脑胀、恶心和心悸之感。降低冲床噪声已成为噪声控制工程中的当务之急。
[0003]不论是用传统的无源消噪技术还是新型的有源消噪技术都需要对噪声进行检测，为噪声控制提供噪声的先验信息。其中最主要的信息是噪声的功率谱信息。功率谱信息能反映出噪声所含有的主要频率成分，以及各个频率成分的大小。传统的无源消噪技术对功率谱信息的依赖不是很强，部分新型的有源消噪技术需要更多的噪声信息。所以功率谱估计方法的精度直接影响这类依赖噪声先验信息的新型有源消噪技术的性能。
[0004]近几十年，已有许多学者提出了各种经典的功率谱估计方法并对其进行了深入的研究，取得了一些重要的成果。经典功率谱估计方法中有一种方法名为周期图法，但是这种方法应用到具有重复、短时、高强度噪声背景下存在一些局限:
[0005]1.由于周期图功率谱估计方法先求噪声的傅里叶变换，而实际中测得的噪声是离散的有限长的，所以实际中计算的是离散有限长噪声的离散傅里叶变换，这个值是一个近似值。在对短时噪声进行功率谱估计时，采样数据太少，离散傅里叶变换的计算误差会很大，这个误差会直接影响功率谱估计的误差。
[0006]2.周期图功率谱估计方法应用在短时高强度(幅值变化剧烈)噪声中严重依赖噪声检测设备的采样频率。只有噪声检测设备达到足够高的采样频率才能有效测得这类噪声的功率谱。而提高设备采样频率的成本高昂。
[0007]3.周期图功率谱估计方法不能利用噪声的重复性这一重要的先验信息。
[0008]冲床作业中产生的冲裁噪声就是一类重复、短时、高强度噪声，用周期功率谱估计方法无法有效测得冲裁噪声的功率谱信息。如何将噪声的重复性信息利用起来，在保持噪声检测设备采样率不变的前提下，提高功率谱估计性能成为冲床噪声控制工程需要解决的一个问题。
【发明内容】
[0009]本发明要克服现有周期图功率谱估计方法在处理重复、短时、高强度噪声时的不足，提出一种基于周期图法的冲床噪声功率谱估计改进方法。
[0010]改进方法首先利用加窗法截取多段有效噪声，然后求取每段噪声的离散傅里叶变换，再计算离散傅里叶变换的平均值，结合周期图法求得噪声功率谱。该方法提高了离散傅里叶变换的估计精度，间接提高了功率谱估计的精度。该方法主要针对具有重复、短时、高强度噪声的功率谱估计，除了能有效应用于冲床的冲裁噪声功率谱估计，还适用于其它具有重复、短时、高强度噪声的功率谱估计，如打桩机、锻造机、射击靶场的噪声的功率谱估计。用该方法改进传统功率谱估计设备不需要改变硬件设备，只需要更新软件中的计算方法，成本低。
[0011]本发明是通过以下技术方案实现的，本发明在周期图功率谱估计方法的基础上，根据冲床的冲裁噪声的特性改进噪声的离散傅里叶变换值的计算方法，提高检测设备对冲裁噪声的功率谱估计精度。冲床的冲裁噪声具有重复性和短时性，所以本发明用以下数学公式描述冲裁噪声信号:
【权利要求】
1.一种基于周期图法的冲床噪声功率谱估计改进方法，步骤如下: (1)初始化功率谱检测设备，设定传感器采样频率、离散傅里叶变换参数、窗函数形状、窗函数长度、迭代次数计数器i初始值、总迭代次数S、平均离散傅里叶变换近似值
【文档编号】G10L21/0216GK103811016SQ201410018986
【公开日】2014年5月21日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】卢昱, 何熊熊, 陈河军 申请人:浙江工业大学