文摘

近年来,地毯簇绒机的降噪研究发展缓慢。现有的研究空白工作主要集中在噪声源识别的地毯簇绒机。MEEMD (EEMD)提出了适用于纺织机械源识别。由于MEEMD / EEMD的独特性,很难设定合适的白噪声控制参数。MEEMD (EEMD)只有通过仿真测试;然而,它还没有在数学上证明或评估。这将导致不可避免的缺陷研究的结论,甚至一些结论是错误的。本文的贡献是双重的。首先,为了识别噪声源的地毯簇绒机,一个方法基于完整的集成经验模态分解(CEEMDAN)和Akaike信息准则(AIC)提出。CEEMDAN-AIC方法应用于测量地毯簇绒机的噪声信号和分析每一个有效的组件选择。 Noise source identification is realized by combining the vibration signal characteristics of the main parts of the carpet tufting machine. CEEMDAN is used to decompose the measured noise signal of the carpet tufting machine into a finite number of intrinsic mode functions (IMFs). Then, singular value decomposition (SVD) is performed on the covariance matrix of the IMF matrix to obtain the eigenvalue. Next, the number of effective IMFs is estimated based on the AIC criterion, and the effective IMFs are selected by combining the energy characteristic index and the Pearson correlation coefficient method. Furthermore, reconstruction and comparison of the decomposed signals of MEEMD and CEEMDAN proved that CEEMDAN is effective and accurate in source recognition. The results show that the noise signal of the carpet tufting machine is a mixture of multiple noise source signals. The main noise sources of the carpet tufting machine include shock caused by the impact of the tufted needle and looped hook and vibration of the hook-driven shaft and pressure plate. It provides theoretical support for the noise reduction of the carpet tufting machine.

1。介绍

ANSI (1)规定,对单层噪音,连续工作时不得超过80分贝的噪音超过8小时。2013年,中国新修订的GB / T 50087 - 2013 (2)规定,车间是85分贝的噪音。目前,纺织车间的噪声一般高于85分贝。即使提高地毯簇绒机的特点,如使它宽,重,高速度,和复杂的机制,产生的噪音更大。因此,研究纺织机械的降噪是紧迫和重要。

一般来说,地毯簇绒机的结构是复杂的传输路径。编织过程包括高速旋转、往复multimotion耦合、冲击、摩擦和其他条件。它会导致多个噪声源。甚至同一声源产生声音,通常有多个部分和噪声条件是不寻常的和复杂的3- - - - - -5]。因此,有必要了解每个声源的特征,其总噪声的重量。然后,定位和识别主要噪声源为制定合理的降噪措施与多个噪声源地毯簇绒机。

通常噪声能量集中在低频带。噪声源特征提取是源识别的关键技术之一,特别是对于地毯簇绒机。因此,如何准确地从复杂的噪声中提取源功能纺织工业一直是一个难题。一些研究利用经典傅里叶分析与小波变换作为噪声信号处理的基础(6- - - - - -8]。傅里叶分析不能表达信号的时频局部性能。结果不能反映真正的特性对目标信号(9,10]。小波变换多尺度细化信号可以通过计算flex和过渡。它可以解决这个问题,傅里叶变换窗口的大小与频率不能改变。然而,小波变换仍然是基于傅里叶分析和有限的选择小波基函数和分解层。地毯簇绒机噪声信号处理,我们希望不仅可以得到信号的频率信息,还得到频率随时间变化的规律。作为实验信号分析方法,经验模态分解(EMD)从根本上克服了傅里叶变换的局限性,可以从理论上任何信号分解为货币基金(11- - - - - -14]。EMD的主要缺点是频繁出现的混合模式。一些专家提出了改进EMD算法解决模式的混合EMD。其中,更普遍和有效的算法是合奏EMD (EEMD) [15,16]。虽然EEMD减少混合模式,它有更大的错误在原始信号和重建信号。纺织机械,徐et al。3,4)提出修改集成经验模态分解(MEEMD)。尽管MEEMD减少了重建误差在一定程度上,它仍然不能满足精度要求。马塞洛和加斯顿17)提出了完整的合奏EMD自适应噪声(CEEMDAN)。它可以解决模式混合和减少与微不足道的重建误差计算18- - - - - -20.]。

摘要CEEMDAN和MEEMD的分解结果进行了比较。CEEMDAN具有更高的精度,更适合于纺织工业噪声源提取。CEEMDAN算法结合Akaike信息准则(AIC)源数估计方法,和CEEMDAN-AIC噪声源识别的方法是地毯簇绒机。然后,CEEMDAN-AIC方法应用的识别噪声源的地毯簇绒机,和它的主要噪声源是准确地确定。这可以提供理论支持的主动降噪地毯簇绒机。

2。地毯簇绒机的噪声特性分析

2.1。地毯簇绒机的结构

在这篇文章中,实验对象是一个4米高的簇绒地毯簇绒机。这是显示在图1。地毯簇绒机主要由四个部分组成:主机系统,屈圈法系统、喂纱系统,针床和遍历系统。主机系统是用来使主轴的旋转运动转换为循环的循环/切削运动钩左右摆动和植绒的簇绒针上下运动。屈圈法系统是用来完成屈圈法地毯簇绒机的运动。纱线喂系统用于发送纱循环形成。针床和遍历系统用于把不同颜色的纱线插入到簇针孔。协助屈圈法系统完成织物编织。在操作条件下,地毯簇绒机的主轴速度是360 rpm, LV-FS01和快速信号分析仪(快速SA)实时信号分析软件用于收集的主要振动的振动信号部分地毯簇绒机,和收集到的振动信号进行了分析。各部分的主要振动频率如表所示1。采样频率设置为2048 Hz,采样时间是20多岁。

2.2。噪音信号的采集和预处理

在相同的条件下,地毯簇绒机的噪音信号收集工人耳朵附近。根据GB / T 7111.6 - -2002“纺织机械噪音测试code-Part 6:织物制造机械、“声压传感器安排在1米的距离从机器表面和一个身高1.6米的表位置。

噪音信号收集在这个实验用声压传感器BK4961结合dha动态信号分析系统。

采样频率为8192赫兹,和采样时间是20多岁。总共6进行实验,实验场地布局图所示2。

所有的噪音信号收集的初步分析。为了提高计算效率,一个典型的数据长度的1 s被选为分析对象。

信号的波形和频谱信号的快速傅里叶变换后得到如图3。看到图中,噪声信号的频率主要分布低于400赫兹。和频率成分复杂,主要由低频噪声在0 - 300赫兹。

一个合适的窗函数是用于短时傅里叶变换的工人耳朵附近的噪声信号。很明显从时频图如图4的噪声源并不是唯一的。每个频带的信号特征如表所示2。

3所示。CEEMDAN-AIC噪声识别算法

CEEMDAN-AIC的核心方法是CEEMDAN算法和AIC准则。CEEMDAN-AIC算法流程图如图5。(1)CEEMDAN分解的信号:CEEMDAN单通道观测信号的分解产生一个有限数量的国际货币基金组织(IMF)组件。(一)添加两个组的积极和消极的白噪声信号绝对值相等信号被分解组建一个新的信号 。多个一级组件通过EMD的新的信号。最后一阶组件通过平均几阶组件。第一个残留物可以表示为 (b)增加两套正面和负面的白噪声信号的绝对值相等组建一个新的信号 。多个二阶组件通过EMD的新的信号。二阶最后组件通过平均几个二阶组件。第二个残留物可以表示为 (c)为 ,去b为下步k。的k残留物可以表示为 最后,CEEMDAN可以表示为 在哪里是观察信号。(2)估计有效的货币:国际货币基金组织矩阵由CEEMDAN信号分解后获得。国际货币基金组织矩阵的协方差矩阵是由圣言会分解。可以获得多个特征值对应于货币基金。地毯簇绒机的背景噪声是有色噪声,和AIC的数量估算的准确性来源有色噪声背景的差。因此,徐et al。3)消除了噪声特征值的对角加载协方差矩阵以使它适用于彩色的背景噪音。修正后的特征值 , 。 。修正可以表示为 在哪里N的样品和数量吗 。的AIC值l计算从1到吗米−1。l对应于最小的AIC值是有效成分的数量。结合能量特征指数和皮尔逊相关系数(3),每一个国际货币基金组织(IMF)的总能量,每个国际货币基金组织和原始信号之间的相关系数计算。根据国际货币基金组织(IMF)的相关系数,所有的货币都重新排序,找出最重要的组件。(3)噪声源识别:有效的信号特征首先完成噪声源识别进行了分析。

4所示。地毯簇绒机的噪声源识别

CEEMDAN噪声信号的分解。添加白噪声的振幅噪声信号的均方根的0.3倍。添加白噪声的数量是200。七个货币基金。分解结果如图6。

4.1。估计有效货币基金的地毯簇绒机的噪音

imf的计算的协方差矩阵,然后通过圣言会分解。得到了特征值:0.0857,0.0551,0.0318,0.0198,0.0083,0.0015和0.0002。修正后的AIC图所示7。最小的AIC对应l= 4。然后,估计数量的有效货币基金是4。

结合能量特征指数和皮尔逊相关系数,每个国际货币基金组织(IMF)的总能量,每个国际货币基金组织和原始信号之间的相关系数计算。结果如表所示3。

从表可以看出3IMF1-IMF4很大的能源和相关系数。因为有效的货币数量的地毯簇绒机分解CEEMDAN是4,IMF1-IMF4是有效的。IMF5-IMF7并不像他们有效的能源和相关系数很小。

4.2。有效的噪声和噪声源识别特征分析

每一幅频图的每个有效的国际货币基金组织(IMF)地毯簇绒机噪音如图8通过快速傅里叶变换得到。图9显示了IMF1-IMF4的时频。

根据图6和图9(一个),它可以看出IMF1冲击信号。它影响每秒大约6次。这对应于主轴电机速度(360 r / min)。当主轴电机工作时,它在0.2年代自转一次。此时,行针穿刺基布每0.2 s。图的峰值出现在amplitude-time IMF1每0.2 s(图6)。因此,IMF1的冲击所造成的噪音影响簇绒针钩和环。

背景噪声信号在工厂里被CEEMDAN收集和分解。背景噪声的时频图所示10。

比较图10与图9 (b),可以看出频率分布是相似的,所有信号频率随时间变化特征。因此,IMF2来源于背景噪音。

hook-driven轴和压盘的振动时频图所示11。IMF3的幅频和IMF4是从图中提取的8在频率轴和放大,导致图12。根据图12(一个),一个明显的高峰是在58赫兹频率不会改变随着时间的推移,没有周期性的冲击特性和集中观察频率分布。58赫兹的振幅是最大的在整个频域,它是大约10倍的主轴旋转频率。图9 (c)和图11表明,压盘之间的相位差,hook-driven轴大约是180°和整个时间轴上相互交替。通过测量的主要振动hook-driven轴和压力板(58.3赫兹,52.7赫兹),它可以知道IMF3 hook-driven轴的振动引起的振动噪声和压力板。

图12 (b)显示了一个明显的峰值在17岁赫兹。频率的分布狭窄,低于20 Hz。人耳的声音频率范围从20赫兹到20 kHz。因此,IMF4属于次声波,它不能被人类的耳朵。没有必要为IMF4识别噪声源。

4.3。与MEEMD噪声识别算法进行比较

节4.1,CEEMDAN-AIC直接应用于分解和分析噪声信号,但这是不够谨慎的来验证方法的准确性。需要添加一个准确的计算实例来验证该方法的准确性,和CEEMDAN和MEEMD应该比较的结果。

根据测量噪声信号的特性,准确计算的模拟信号可以表示(图示例13):

。

数据显示13- - - - - -15,很明显,MEEMD呈现强烈的混合模式和包含的组件。MEEMD, IMF1-IMF4大能量,他们不代表真实信息的模拟信号。CEEMDAN,分解是停止一次国际货币基金组织当前残留很满意。数据16和17表明与MEEMD相比,重构信号CEEMDAN所产生的误差可以忽略不计,和能量分布更均匀。它可以模拟信号分解为三个有效成分。CEEMDAN能代表真实的信息比MEEMD更准确的模拟信号。

MEEMD噪声信号如图18。10货币基金。比较图6很明显,MEEMD显示,频繁出现的混合模式(4]。

每一幅频图的每个有效的国际货币基金组织(IMF) MEEMD如图19通过快速傅里叶变换得到。

的能量误差MEEMD算法是非常大的。它可以改变模态分量的能量分布。这将严重影响噪声源的识别。结论在4]表明,地毯簇绒机的噪声主要由簇绒针之间的摩擦和基布(IMF1),造成的冲击噪声的影响簇绒针钩(IMF2)和循环,背景噪音(IMF3)和hook-driven轴的振动噪声和压力板(IMF4)。事实上,IMF1是一个虚假的组件造成的混合模式。无法找到对应于IMF1的部件的振动信号。大多数在IMF1由白噪声提供能源。这意味着簇绒针之间的摩擦和基布不为噪音信号。由于MEEMD / EEMD的特点,很难消除白噪声从分解的结果。基于MEEMD噪声源识别更多的依靠经验和更容易错误。CEEMDAN具有较高的完整性。它可以消除白噪声从分解的结果。这可以减少虚假成分分解结果的出现。

为了说明这个问题,重建的误差信号CEEMDAN和MEEMD应该比较。

数据显示20.- - - - - -23和表4与CEEMDN重建信号相比,能量MEEMD重建信号的误差是31.1%。很明显,CEEMDAN更适合地毯簇绒机的噪音来源提取。与此同时,结论(4是不准确的。

5。结论

本文使用CMEEMDAN-AIC算法结合地毯簇绒机结构特点及相关实验分析,地毯簇绒机的噪声源识别,得出结论如下:(1)CEEMDAN-AIC算法应用于地毯簇绒机的噪声源识别。(2)CEEMDAN-AIC算法用于处理噪声测量耳朵附近的工人。四个有效货币地毯簇绒机的噪声。其中,IMF2和IMF4分别背景噪音和次声。(3)分析的基础上IMF1 IMF3,结合每台机器的振动特点地毯簇绒机的一部分,它可以得出的结论是,噪声主要由hook-driven轴的振动和压力板和簇绒针钩和循环的影响。(4)相比其他噪声源萃取技术(MEEMD) CEEMDAN从分解结果可以消除白噪声,减少虚假成分分解结果的出现。CEEMDAN具有更好的实际地毯簇绒机噪音信号的性能。误差可以减少31.1%。

数据可用性

研究数据来自之前报道的研究和数据集。相关的研究数据可以从相应的作者。

的利益冲突

作者宣称没有利益冲突的研究,本文的作者,和/或出版。

确认

这项工作得到了国家自然科学基金(51675094)。