一种基于Yule-Walker法的冲床噪声功率谱估计改进方法
【专利摘要】一种基于Yule-Walker法的冲床噪声功率谱估计改进方法，步骤如下：初始化功率谱检测设备；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；对采集得到的噪声样本加窗处理；用迭代方法计算平均自相关函数近似值存储平均自相关函数近似值结果；重复以上步骤直到迭代计数器i=S；利用自相关函数估值求解Yule-Walker方程得到干扰白噪声的方差和p阶AR模型参数；计算冲裁噪声的功率谱估计值Pxx(ω)。
【专利说明】—种基于Yule-Walker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Yule-Walker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和现代功率谱估计方法，并对其进行了深入的研究，取得了一些重要的成果。其中有一种基于参数模型估计的现代功率谱估计方法称为Yule-Walker法。这种方法首先计算信号的自相关函数，根据信号的自相关函数计算信号AR模型参数，最后由AR模型参数求得信号的功率谱估计值。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Yule-Walker功率谱估计方法先求噪声的自相关函数，而实际中测得的噪声是离散的有限长的，计算得到的自相关函数值是估计值。在对短时噪声进行自相关函数值的计算中，自相关数据太少误差会很大。自相关函数的估计值误差会直接影响功率谱估计的误差。
[0006]2.Yule-Walker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.Yule-Walker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]4.Yule-Walker功率谱估计方法对高阶信号进行估计需要大量自相关函数数据计算高阶AR模型参数。
[0009]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Yule-Walker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】
[0010]本发明要克服现有Yule-Walker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Yule-Walker法的冲床噪声功率谱估计改进方法。
[0011]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自相关函数，再计算冲裁噪声的平均自相关函数，结合Yule-Walker法求得噪声功率谱。该方法提高了自相关函数估计精度，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。
[0012]本发明是通过以下技术方案实现的,本发明在Yule-Walker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自相关函数估计方法，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Yule-Walker法的冲床噪声功率谱估计改进方法,具体步骤如下: (1)初始化功率谱检测设备；设定传感器采样频率、自相关函数变量最大值、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、AR模型阶数P ; (2)将冲床冲裁控制信号作为开始采样触发信号；等待触发信号，触发传感器开始采集冲裁噪声样本序列； (3)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； (4)对采集得到的噪声样本加窗处理；默认选择长度为N的矩形窗，也可选择改变窗的长度和形状；比较有效的窗还有汉明窗和布莱克曼窗；加窗的具体做法是对步骤(3)中得到的噪声样本进行截取或补零，样本长度大于N则截取长度为N的样本序列，样本长度小于N则在样本序列末尾补零；然后将样本序列与窗函数序列做点乘，得到一次冲裁噪声样本IX(/i (η),η 二 0,l,...,iV-l| ； (5)用迭代方法计算平均自相关函数近似值(,?)，更新公式如下:
【文档编号】G10L21/0216GK103811018SQ201410019263
【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