高速列车内噪声源的识别方法与系统与流程

本发明涉及一种高速列车内噪声源的识别方法与系统，尤其是一种高速列车车内强弱耦合噪声源的识别方法与系统。
背景技术：
：高速列车车内噪声受车外多种噪声源及振动源的影响。因此，准确地确定车外多种噪声源及振动源才能有效控制车内噪声，进而降低高速列车的车内噪音。但是，各种噪声源之间存在耦合，严重影响声源识别的准确性，因此，需要一种用于高速列车车内声源识别的不同源强输入之间的解耦的方法，才能提高声源车内声源识别的准确性。然而，在现有技术中，时至今日，仍然目前未见到相关技术的公开报道。高速列车车内噪声源识别过程中，输入源对车内噪声的影响因子受到列车电机、齿轮箱、轴箱等设备之间的耦合影响，导致测试数据不能满足真实的因果关系，使计算出的关系矩阵存在误差，造成输入源影响因子计算结果出现了虚假频率。噪声的产生必须具备声源、介质等条件，声源、传播途径和接收者为噪声污染的三个必备环节。噪声控制一般从三方面入手，即声源控制、传播途径控制和接受者保护。为了实现对噪声的有效控制，需要对声源及其传递方式进行识别，确定其频谱特性和传递路径，进行有针对性的控制，达到最佳的效果。高速列车的运行环境具有高速、高架、电气化和无渣轨道等特点，其辐射噪声与普通列车有所不同，主要体现在噪声源及其辐射强度等方面。高速列车的噪声主要是由气动噪声、轮轨噪声、牵引和辅助等动力系统噪声、集电系统噪声、内部设备噪声、轨道激励噪声等噪声构成。高速列车的车内噪声主要是两方面：(1)结构噪声，主要是通过车体的振动，空气和车体或者其附属设备的摩擦和冲击产生的。结构噪声会受到振源特性、设备安装方式、车体结构等多方面的因素的影响。(2)空气噪声，是经过不同方位由空气传递形成的噪声。空气噪声是通过车体和门窗上的缝隙传入车内的。由此可见，高速列车的噪声源不仅多而且非常复杂，噪声的传递方式也具有多样化的特点，而且噪声振动传递的过程中会发生相互串扰，因此，如何准确有效的确定各个噪声源对车内噪声的贡献量以及传递的路径对车内噪声的控制起着至关重要的作用。现有技术中，传递路径分析方法(tpa-transferpathanalysis)是噪声源的识别方法，其核心是研究源到响应点的传递特性，采用传递函数的互易性理论。2010年，deklerkd和a.ossipov从理论上对工况下传递路径分析方法进行了阐述，认为otpa(工况下传递路径分析)是基于ctc和奇异值分解(svd)方法的信号处理方式，并获得声源和响应点的传递关系，解决了传统tpa分析方法耗时长的问题用实验验证了otpa理论的可行性。2012年，瑞典的mihkeltoome对otpa分析方法进行了深入研究，讨论了otpa分析方法的优缺点，认为otpa在20-100hz的低频噪声贡献量有很好的预测效果。2013年，郭荣等人认为opta方法存在一些缺陷，由于结构模态等因素会导致传递路径之间存在交叉耦合，造成求解的传递函数不精确，使传递路径分析的结果出现错误，然而，并没给出解决方案。2013年，中国科学院的袁旻忞等人运用otpa方法对高速列车进行测试分析，首次将空气动力学噪声作为高速列车主要激励源来分析，得到了不同的噪声贡献量结果，结果表明随着速度的增大空气动力学噪声的贡献量也不断增大，和空气动力学噪声随速度增大上升迅速的特性。2015年，卢英英等人对tpa、otpa优缺点进行了分析，运用主分量以及奇异值分解的分析方法进行了仿真和试验研究，证明了otpa能够准确识别噪声和振动的主要传递路径。试验表明，现有技术的otpa方法仅适用于常规声源识别，其采用主分量缩减的方法进行不同路径间的串扰，这种方法在消除串扰时主要针对的时弱耦合，对多个输入信号之间的强耦合无效。而对于高速列车来说，输入信号本身存在相互之间明显的串扰强耦合，再采用otpa将导致计算结果的错误。因此，对于高速列出的噪声识别，必须先进行系统输入数据的强解耦，而且是利用信号传输通道之间的传递特性解耦。这与其他
技术领域：
的耦合相互影响分析或利用模态正则性解耦的基本原理完全不同。在高速列车系统中，只有当能够较为准确地获得信号传递通道的传递特性时，才能很好的强解耦，而现有技术中缺乏针对输入信号的强解耦技术。然而，现有技术中，本领域的技术人员没有意识到高速列车的各噪声源之间存在强串扰，因此从来没有人想到事先通过强解耦处理的噪声源识别方法，更没有人能够消除虚假频率，因此，车内噪音的控制技术一直不能取得重大突破。技术实现要素：本发明的目的是提供一种高速列车车内强弱耦合噪声源的识别方法与系统，其可消除虚假频率，准确确定车外噪声源及振动源，为有效控制与降低高速列车的车内噪音提供了依据。为此，根据本发明的一个方面，提供了一种高速列车内噪声源的识别方法，其特征在于，在otpa步骤之前还包含利用不同源信号输入传输通道之间的传递特性进行的强解耦步骤，使得测试数据满足真实的因果关系，使计算出的关系矩阵更接近于真实，避免输入源影响因子计算结果出现虚假频率。优选地，所述噪声包括气动噪声、轮轨噪声、动力系统噪声、集电系统噪声、内部设备噪声、轨道激励噪声；高速列车的车内噪声包括通过车体振动使得空气和车体及其附属设备摩擦和冲击产生的结构噪声，以及经过不同方位通过车体和门窗上的缝隙传入车内的由空气传递形成的空气噪声；各种噪声在振动传递过程中发生相互串扰，针对存在串扰的输入信号强耦合。优选地，采用信号的传递关系替代传统的传递函数进行强解耦；采用模拟信号加入方式(特别是模拟信号输入位置与方向)，以提高传递关系的准确性。优选地，对于输入信号的测点在测试之前首先分别进行力锤敲击测试，然后进行工况下的数据采集，进而对强耦合通道的输入信号串扰数据的传递关系进行强解耦；或者，对于实验测点分别进行力锤敲击，用于后期求取各测点之间的传递关系，将数据采集系统采集到的数据导入到测试系统中进行后期的数据分析。优选地，测试时在同一个位置不同方向布置备用传感器，以便更加精确地分析同一测点不同方向的振动特性，以及不同测点之间相关性在不同频率段的串扰情况；在同一个测点安装多个同时采集信号的传感器，使得奇怪的峰值自动忽略，正常的数值求平均，使得试验效果平稳地反映真实的噪声场；或者，同一测试工况下选取多组测试数据，对于存在强干扰的通道可以进行多次解串扰，分析解串扰后的输入信号的频域数据稳定情况。优选地，振动测点选用加速度传感器；声测点选择声传感器；振动传感器为内装ic压电加速度传感器；传感器安装位置靠近测点振动激励点；测点位置受外界环境干扰尽可能小；或者，测点传感器与测点粘贴稳固。优选地，试验声源识别数据分析步骤：对不同测点之间的频域数据进行相关性分析，分析测点之间的耦合情况；对于有强烈耦合的测点数据进行前期的预处理，实施输入强解耦过程；将解耦后的各个测点真实激励信号用于车内声源识别分析中；对各个激励测点相对于响应点的影响因子进行排序，确定车内噪声的主要噪声源。根据本发明的另外一个方面，提供了在传统的otpa实施装置的上游，还设有利用不同源信号输入传输通道之间的传递特性进行的相互串扰强解耦实施装置。优选地，所述相互串扰强解耦实施装置包括力锤敲击测试装置、数据采集装置、和数据处理装置。优选地，在同一个测点，布置不同方向多个备用传感器；在同一个测点安装多个同时采集信号的传感器；振动测点选用加速度传感器；声测点选用声传感器；或者，振动传感器为内装ic压电加速度传感器。相对于传统的otpa方法，根据本发明，即使传感器的布置位置不精确，也不再造成主要成分的激励被去除，不再可能丢失主要源和路径，因而最终分析的结果误差会非常小；相对于传统的otpa方法，根据本发明，即使激励源的相互位置十分靠近或者是激励力十分大时，最终分析结果也和实际情况没有大的偏差。相对于传统的otpa方法，根据本发明，求解出来的传递关系矩阵比较精确，各部分的贡献量计算误差较小。根据本发明，在噪声检测领域，首次进行了强解耦预处理，而且取得了非常好的技术效果。根据本发明的强解耦方法，采用的是信号的传递关系，而不是传递函数；采用模拟信号加入方式(特别是模拟信号输入位置与方向)提高获得传递关系的准确性。特别是，传统的弱耦合解耦方法是默认各个输入信号之间的耦合是很弱的或者不存在相互之间的串扰，大部分来自于其他杂质信号的干扰，故其只是在对求得的各输入信号对于输出信号的传递关系矩阵时进行了奇异值分解，将传递函数矩阵中较小的奇异值当做是由于杂质信号引起的，直接舍去来精确传递函数；而根据本发明的强耦合的解耦方法首先是分析各个输入信号之间的相关性，找到存在强耦合的输入信号，然后对于输入信号的测点进行力锤敲击，利用力锤敲击得到的数据求得强耦合通道的传递关系，进而对输入信号数据进行解耦。尤其是，传统的弱耦合方法的前提是输入通道之间的耦合小，大部分是由于杂质信号引起的串扰；而根据本发明的强耦合方法的前提是输入信号本身存在了相互之间的串扰，两者的前提不同。尤其是，传统的弱耦合方法针对的工况下的传递矩阵；而根据本发明的强耦合方法针对的是存在串扰的输入信号，两者的针对的对象不同。尤其是，传统的弱耦合方法直接测试工况下的激励信号和响应信号；而根据本发明的强耦合方法在测试之前首先进行了力锤敲击测试，然后进行工况下的数据采集，两者的测试方法不同。根据本发明的强耦合的解耦技术，在测试之前首先进行力锤敲击测试，以便进行后续的强耦合解串扰。根据本发明的强耦合的解耦技术，测试时在同一个位置不同方向布置备用传感器，以便更加精确地分析同一测点不同方向的振动特性，以及不同测点之间相关性在不同频率段的串扰情况。根据本发明的强耦合的解耦技术，同一测试工况下选取多组测试数据，对于存在强干扰的通道可以进行多次解串扰，分析解串扰后的输入信号的频域数据稳定情况。根据本发明的强耦合的解耦技术，对于传统方法的技术优势进行了吸收以及补充，对于工况的要求更加宽泛。根据本发明，通过强解耦技术，创造了前提条件，使得采集的各噪声源信号抗干扰、少失真，进而可以采用成熟的矩阵转秩运算进行数据处理；否则，同样的数学方法也得不到真实的结论。特别是，对于一个测点，传统方法都是安装一个传感器，而本发明在同一个测点安装多个同时采集信号的传感器，使得奇怪的峰值自动忽略，正常的数值求平均，使得试验效果平稳地反映真实的噪声场。附图说明图1是根据本发明一个实施例的试验测试示意图；图2是根据本发明一个实施例的试验数据处理流程图；图3是根据本发明一个实施例的输入解耦程序的数据处理流程图；具体实施方式就高速列车而言，需要得到一个转向架处2个车体空簧之间的传递关系，可在车体空簧位置处安装加速度传感器，利用脉冲锤，在空簧与车体的连接处对车体垂向进行冲击，获得两个空簧的振动加速度响应，应用数据采集仪进行振动信号采集，数据采集仪与计算机采用网线连接，将采集的数据传送到计算机中，并计算传递系数，振动响应点的数据可以由传感器直接测试，根据列车运行时测得数据，可获得真正的解耦的输入源。根据本发明的一个实施例，试验验证过程中，试验准备阶段如下：1.传感器的选择原则:振动测点选用加速度传感器，声测点选择声传感器，本实验中应用的振动传感器为内装ic压电加速度传感器。传感器必须保证测点振动加速度不能超过传感器量程。2.传感器安装原则：保证传感器安装位置靠近测点振动激励点，所测数据为测点真实有效试验数据；所选位置必须保证外界环境对测点测试干扰尽可能小以及避免测点之间发生相互串扰造成测量数据失真的可能；必须保证测点传感器与测点粘贴稳固，防止测试过程中传感器松动或者掉落，影响试验测试精度。3.试验所需仪器设备：数据采集系统1套；振动传感器5个；振动校准器1个；激振器2个；功率放大器2个；计算机1台；力锤1把。4.试验数据采集步骤：(1)力锤敲击法，对于实验测点分别进行力锤敲击，用于后期求取各测点之间的传递关系。(2)将数据采集系统采集到的数据导入到测试系统中进行后期的数据分析。实验前首先对传感器进行校准，保证传感器测试信号正常。试验测试示意图如图1所示：附图标记10表示计算机；附图标记20表示数据采集器；附图标记30表示力锤；附图标记40表示实验模型。实验模型40上具有目标点41、第一激励点1、第二激励点2。力锤30对测点进行敲击的效果反应在实验模型40上，而从实验模型40上采集的试验信号数据反馈至数据采集器20。试验声源识别数据分析步骤：(1)对不同测点之间的频域数据进行相关性分析，分析测点之间的耦合情况。(2)对于有强烈耦合的测点数据进行前期的预处理，即本发明提出的输入解耦过程。(3)将解耦后的各个测点真实激励信号用于车内声源识别分析中，如otpa方法等。(4)对各个激励测点相对于响应点的影响因子进行排序，确定车内噪声的主要噪声源。试验数据处理流程图如图2所示，其中，模块1完成工况下的振动噪声测试；模块2实施输入解耦程序；模块3把数据导入声源识别软件,求解输入输出的传递关系；模块4将解耦后的输入数据代入传递关系网络中，求解各输入点对于响应点的贡献量；模块5对求解出的各路径的贡献量进行统计、排序，确定主要的传递路径。模块3与模块4之间，传递关系带入到tps网络中进行贡献量求解。其中，模块2中在matlab中进行的数据处理流程如图3所示。试验验证表明，两个源同时采用单频300hz的激励，解耦前与解耦后试验数据及otpa分析结果对比，如表一：源1的响应源2在目标点的响应单源激励124.1127.8解耦后分析结果119.8126.2解耦前分析结果111.9118.9从表中可以看到由于源之间的强耦合，进行输入源解耦和不解耦与单源激励结果的差异，从而可以看到输入源解耦可以有效提高声源识别的准确性。根据本发明进一步的实施例，根据本发明的基本构思，在列车电机、齿轮箱、轴箱等设备上安装加速度传感器，并采用脉冲锤激励，建立电机、齿轮箱、轴箱等设备之间的输入传递关系矩阵，如式(1)所示，利用该矩阵进行输入源的解耦，得到真实的系统输入，再利用常规的声源识别方法进行影响因子计算，进而获得准确的声源识别结果。其中：hij表示脉冲激励获得的结构之间的振动函数关系，表示激励点加速度对不同设备的加速度拾振点的影响因子，xi表示列车运行时输入点的真实输入，yi表示列车运行时输入点的实测加速度。根据本发明的一个实施例，进行高速列车车内噪声源识别的对象为高速列车的一节动车，对不同运行工况下高速列车的主要激励源以及车内噪声目标点的响应信号进行测试。在客室端部1.2m标准噪声点处，安装作为参考点的声传感器；在车体表面安装表面声传感器，测试车体表面噪声；测试动车的转向架处有2台电机、2台齿轮箱、4个轴箱彼此之间通过车轴、构架相连接，本实施例在2台电机、2台齿轮箱、4个轴箱设备上分别安装了加速度传感器。利用工况下的测试数据进行高速列车车内噪声的声源识别，计算各激励源对车内噪声参考点的影响因子。对于高速列车的动车，转向架处有2台电机、2台齿轮箱、4个轴箱彼此之间通过车轴、构架相连接，本实施例在2台电机、2台齿轮箱、4个轴箱等设备上安装加速度传感器，并分别进行脉冲锤激励，获得设备间的传递关系矩阵，如式(2)：其中：hij表示第i个设备对第j个设备振动的影响因子，i，j＝1,2,…,8，1、2为电机，3、4为齿轮箱，5、6、7、8为轴箱。当在i点进行脉冲激励时，在i、j点处可获得振动信号xi和振动信号yi，则可以根据下面的公式来计算i对j点影响因子。(其中，cps为xi、yi的互功率谱，aps为yi的自功率谱)。由式(2)进一步可得解耦的输入:其中，获得解耦的输入[x]，再进行常规的车内声源识别分析，进而获得准确的车内声源识别结果。本发明的优点与实施效果:(1)用力锤激励法进行高速列车耦合输入的解耦，获得准确的高速列车车内噪声的输入声源。(2)利用解耦的高速列车声源进行车内噪声源识别，能够获得更为准确的声源识别结果。总之，本发明提供了一种高速列车内噪声源的识别方法，其特征在于，在多个可能的振动激励点分别安装至少一个测点传感器；在同一个测点位置的不同方向布置备用传感器、或者在同一个测点安装多个同时采集信号的传感器；在测试之前，对于输入信号的每一个测点都分别用力锤进行敲击，同时测试对其他所有测点的输出响应，由此构建各测点相互串扰前真实的传递关系；通过各测点的实际输出信号，对强耦合通道的输入信号串扰数据进行强解耦；将解耦后的各个测点真实激励信号用于车内声源识别分析中；对各个激励测点相对于响应点的影响因子进行排序，确定车内噪声的主要噪声源。本发明可消除虚假频率，准确确定车外噪声源及振动源，以便于有效控制与降低高速列车的车内噪音。当前第1页12