CN112528216A - 基于声强矢量分解的多点声源声功率频率谱的分离方法 - Google Patents
基于声强矢量分解的多点声源声功率频率谱的分离方法 Download PDFInfo
- Publication number
- CN112528216A CN112528216A CN202011405670.3A CN202011405670A CN112528216A CN 112528216 A CN112528216 A CN 112528216A CN 202011405670 A CN202011405670 A CN 202011405670A CN 112528216 A CN112528216 A CN 112528216A
- Authority
- CN
- China
- Prior art keywords
- sound
- sound intensity
- dimensional
- point
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 30
- 238000000926 separation method Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 14
- 239000000523 sample Substances 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声强矢量分解的多点声源声功率频率谱的分离方法,属于基于噪声的机械设备状态监测领域。本发明通过利用三维声强多声源识别理论,在已知点声源和三维声强探头位置的情况下,通过求解三维声强关于声功率的方程组,求解声源在各个频率上的声功率,获得声源的声功率频谱。与其它方法相比,本发明方法不要求多个信号源互不相干,允许多个信号源之间存在相同的频率成分,可以充分削弱点声源相干对于分离点声源声功率谱的影响,在存在多个点声源的情况下,可实现多个点声源的声功率频率谱分离,具有工程应用意义,为旋转机械的噪声监测和诊断提供了新的方法。
Description
技术领域
本发明涉及一种基于声强矢量分解的多点声源声功率频率谱的分离方法,属于基于噪声的机械设备状态监测领域。
背景技术
机械设备运行过程中常伴随着大量的噪声,其中蕴含了设备零部件状态的丰富信息。如果能从中分离出机械内部各个点声源的信息,对通过噪声进行设备状态监测具有重要意义。旋转机械中点声源主要是各个旋转部件,由于传动关系,其噪声信号中通常会包含相同的频率成分。因此噪声分离方法需要对同频率点声源进行准确的强度分离。
在信号处理领域,盲信号分离得到的各信号源的幅值存在不确定性,即难以得到各个源的准确强度;并且分离的各个信号源需互不相关,相同频率成分的部分无法分离。经验模态分解是依据数据自身的时间尺度特征进行分解,而小波分解等方法则根据信号的频率特征来进行单信号分解,得到的各个分量与实际的信号源并没有直接关联。这些方法都很难应用于旋转机械中多点声源信号的分离。
在点声源识别方法中,近场声全息法利用阵列传声器准确重构三维声场的声压、质点速度、声强等,实现点声源的位置和强度的准确计算,但测量阵列必须很靠近点声源表面,且需覆盖点声源面,现场测量难度很大。而波束形成方法在声场环境复杂时无法计算出点声源的准确强度。三维声强测试技术是在一维声强测试基础上发展起来的,使用特制的三维声强探头可以获得空间的三维声强矢量,进而分析点声源特性。2009年,Basten等测试了单个三维声强探头对2个不相关点声源的精确定位。2009年,Wind等使用相同的方法,测试了2个探头对1~5个不相关点声源的定位能力。2014年,Jing等使用波束形成算法,将单个三维声强探头对单个点声源的定位能力与4种常见传声器阵列进行了仿真分析对比,三维声强探头能够达到传声器阵列类似的定位精度,但空间分辨率与频率无关。2015年,Kotus使用单个探头在消声室中对单频、粉红噪声以及实际脉冲声进行了测试,如果分析信号段内点声源频谱不重叠,则能达到很高的定位精度,但若点声源信号信号中存在相同的频率成分,精度则会受到影响。
发明内容
本发明提供了一种基于声强矢量分解的多点声源声功率频率谱的分离方法,在存在多个点声源的情况下,可实现多个点声源的声功率频率谱分离。
本发明的技术方案是:一种基于声强矢量分解的多点声源声功率频率谱的分离方法,所述方法步骤如下:
步骤1:在同时存在多个点声源的三维空间中放置三维声强探头,接着选定三维空间中任意的一点,作为三维直角坐标系原点,据此用来确定各个点声源以及三维声强探头的三维直角坐标,然后将三维直角坐标转换为球坐标系下的位置;其中,点声源个数为N,在球坐标系下的位置为对应第n个点声源的声功率为Wn(ω),n=1,2,...,N,ρSn为球坐标系原点O到第n个点声源的距离,αSn为球坐标系原点O与第n个点声源连线的有向线段与Z轴正向的夹角;θSn为第n个点声源和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;三维声强探头个数为M,在球坐标系下的位置为ρTm为球坐标系原点O到第m个三维声强探头的距离,αTm为球坐标系原点O与第m个三维声强探头连线的有向线段与Z轴正向的夹角,θTm为第m个三维声强探头和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;
步骤2:每个三维声强探头上装有的4个阵列传声器,三维声强探头上4个传声器所测得的声压分别为pm1(t)、pm2(t)、pm3(t)、pm4(t);其中,pm1(t)为第m个三维声强探头上的传声器1采集到的声压的时域信号,pm2(t)为第m个三维声强探头上的传声器2采集到的声压的时域信号;pm3(t)为第m个三维声强探头上的传声器3采集到的声压的时域信号;pm4(t)为第m个三维声强探头上的传声器4采集到的声压的时域信号;
步骤4:根据声强的矢量特性把三维声强探头中心点O处的声强矢量分解到三维空间中的X、Y、Z三个方向上,得到声强分量和展开三个声强分量的表达式得到声强矢量方程组;其中,为第m个三维声强探头中心点O处的声强在X方向上的声强分量,为第m个三维声强探头中心点O处的声强在Y方向上的声强分量,为第m个三维声强探头中心点O处的声强在Z方向上的声强分量;
步骤5:将点声源在球坐标系下位置、三维声强探头在球坐标系下的位置及声强分量的值代入到上述声强矢量方程组;
步骤6:运用粒子群优化算法求解声强矢量方程组的最优值,即各点声源的声功率值;
步骤7:通过上述步骤从N个点声源的混合声压信号计算得出了N个点声源的各自的声功率值,即分离了N个点声源的声功率;把分离得到的声功率值在以频率为横坐标的平面直角坐标系中表示出来,就得到了N个点声源的声功率频率谱。
所述三维声强探头的数量至少为点声源数量的1/3。
本发明的有益效果是:本发明通过利用三维声强多声源识别理论,在已知点声源和三维声强探头位置的情况下,通过求解三维声强关于声功率的方程组,求解声源在各个频率上的声功率,获得声源的声功率频谱。与其它方法相比,本发明方法不要求多个信号源互不相干,允许多个信号源之间存在相同的频率成分,可以充分削弱点声源相干对于分离点声源声功率谱的影响,在存在多个点声源的情况下,可实现多个点声源的声功率频率谱分离,具有工程应用意义,为旋转机械的噪声监测和诊断提供了新的方法。
附图说明
图1为本发明所述方法的流程图;
图2为本发明中使用的三维声强探头的示意简图;
图3为本发明三维声强探头上装有的4个MPA416阵列传声器所测得的声压图;
图4为本发明所测声强值;
图5为采用本发明后分离得出的第1个点声源的声功率频率谱图;
图6为采用本发明后分离得出的第2个点声源的声功率频率谱图。
具体实施方式
实施例1:如图1-6所示,一种基于声强矢量分解的多点声源声功率频率谱的分离方法,所述方法步骤如下:
步骤1:在同时存在多个点声源的三维空间中放置三维声强探头,接着选定三维空间中任意的一点,作为三维直角坐标系原点,据此用来确定各个点声源以及三维声强探头的三维直角坐标,然后将三维直角坐标转换为球坐标系下的位置,三维直角坐标系原点与球坐标系原点为同一个;其中,点声源个数为N,在球坐标系下的位置为对应声功率为Wn(ω),n=1,2,...,N,ρSn为球坐标系原点O到第n个点声源的距离,αSn为球坐标系原点O与第n个点声源连线的有向线段与Z轴正向的夹角;θSn为第n个点声源和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;三维声强探头个数为M,在球坐标系下的位置为ρTm为球坐标系原点O到第m个三维声强探头的距离,αTm为球坐标系原点O与第m个三维声强探头连线的有向线段与Z轴正向的夹角,θTm为第m个三维声强探头和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;进一步地,可以设置三维声强探头的数量至少为点声源数量的1/3,避免过少的三维声强探头,无法求解在声源过多的情况下点声源的声功率的不足。
步骤2:通过每个三维声强探头上装有的4个MPA416阵列传声器(结构示意简图见附图2)来采集多个点声源的混合声压信号,无论在采集过程中使用了多少个三维声强探头,都可同时采集;三维声强探头上4个传声器所测得的声压分别为pm1(t)、pm2(t)、pm3(t)、pm4(t);其中,pm1(t)为第m个三维声强探头上的传声器1采集到的声压的时域信号,pm2(t)为第m个三维声强探头上的传声器2采集到的声压的时域信号;pm3(t)为第m个三维声强探头上的传声器3采集到的声压的时域信号;pm4(t)为第m个三维声强探头上的传声器4采集到的声压的时域信号;
步骤3:对三维声强探头采集到的多个点声源的混合声压信号进行分析计算,得到每个三维声强探头中心点O处的声强采集过程中使用了M个三维声强探头,就有M个三维声强探头中心点O处的声强;构建声强与声功率的方程:其中,为第m个三维声强探头中心点O处的声强,∠表示矢量相角;
步骤4:根据声强的矢量特性把三维声强探头中心点O处的声强矢量分解到三维空间中的X、Y、Z三个方向上,得到声强分量和展开三个声强分量的表达式得到声强矢量方程组;其中,为第m个三维声强探头中心点O处的声强在X方向上的声强分量,为第m个三维声强探头中心点O处的声强在Y方向上的声强分量,为第m个三维声强探头中心点O处的声强在Z方向上的声强分量;采集过程中使用了M个三维声强探头,就会得到M个三维声强探头中心点O处的声强值,就对应M组的声强分量和M组声强矢量方程组,具体如下所示。
步骤5:将点声源在球坐标系下位置、三维声强探头在球坐标系下的位置及声强分量的值代入到上述声强矢量方程组;
步骤6:运用公知的粒子群优化算法求解声强矢量方程组的最优值,即各点声源的声功率值;
步骤7:通过上述步骤从N个点声源的混合声压信号计算得出了N个点声源的各自的声功率值,即分离了N个点声源的声功率;把分离得到的声功率值在以频率为横坐标的平面直角坐标系中表示出来,就得到了N个点声源的声功率频率谱。
本发明针对机械设备在运行时,内部通常存在多个振动噪声点声源,在多个点声源同时存在且为相干点声源的情况下,无法分离出机械内部各点声源的频谱强度这一问题,提出了一种基于声强矢量分解的多点声源声功率频率谱分离方法,来便于到达分离多个点声源声功率的目的。
下面以一双声源,两个声源均包含500Hz、1000Hz和2000Hz三个频率。声源1中500Hz对应强度为0.00605W,1000Hz强度为0.02W,2000Hz为0.0128W。声源2中三个频率的强度分别为0.08W、0.0072W、0.03125W。以该双声源的声功率频谱分离为例对本发明的过程及效果进行详细说明:
2、使用1个三维声强探头,采集两个声源的混合声压信号,三维声强探头上的4个传声器采集到的双声源的混合声压信号如附图3所示。从图3可以看出,4个信号在幅值大小上稍有区别,大体趋势一致。
5、展开三个声强分量的表达式得到声强矢量方程组,把两个点声源在球坐标系下的位置、1个三维声强探头在球坐标系下的位置及声强分量的值代入到上述声强矢量方程组。声强矢量方程组具体如下所示。
6、运用公知的粒子群优化算法求解声强矢量方程组的最优值,即两个点声源的声功率值。步骤6中运用粒子群优化算法求解方程组最优值的具体操作步骤如下:
步骤6中运用粒子群法算求解方程组最优值的具体操作步骤如下:
步骤6.1:设置相关参数:
1)种群数量:初始种群一般取50-1000,本发明中取500;
2)迭代次数:一般取100~4000,本发明中取1000;
3)惯性权重ω0:该参数反映了个体历史成绩对现在的影响,取值范围为非负,本发明中取0.1;
4)加速度常数(学习因子)c1、c2:c1=2.2、c2=2.1;
5)空间维数:粒子搜索的空间维数即为自变量的个数,本发明中即为N,对应N个点声源的声功率;N在本例中为2;
6)位置限制:限制粒子搜索的空间,即自变量的取值范围,在本发明中,范围为[0,0.09];
7)速度限制:本发明中设置粒子最大速度为3m/s;通过如此设置既避免了粒子飞行速度过快,可能直接飞过最优解位置的不足;也避免了飞行速度过慢,会使得收敛速度变慢的不足。
步骤6.2:初始化:确定一个粒子的运动状态是利用位置和速度两个参数来描述的,因此初始化的也是这两个参数,给每个粒子赋予随机的初始位置和速度;
步骤6.3:计算适应度:每次搜寻的结果即为粒子适应度,即目标函数值,在本发明中目标函数的表达式即为声强矢量方程组中的三个声强分量的计算表达式,表达式中的未知数只有N个点声源的声功率值,目标函数值即为点声源的声功率值;
步骤6.4:求个体最佳适应值:对每一个粒子,将其当前位置的适应值与其历史最佳位置(pbest)对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新历史最佳位置;
步骤6.5:求群体最佳适应值:对每一个粒子,将其当前位置的适应值与其全局最佳位置(gbest)对应的适应值比较,如果当前位置的适应值更高,则用当前位置更新全局最佳位置;
步骤6.6:更新粒子位置和速度:根据公式更新每个粒子的速度与位置;
式中:
i(i=1,2,3,...,I):粒子编号;
d(d=1,2,3,...,D):维度编号;
ω0:惯性权重,取值范围为非负,取0.1;
c1、c2:加速度常数,取值范围为非负;
r1、r2:0到1范围内的随机数;
α:约束因子,用来控制速度的权重。
步骤6.7:判断算法是否结束:若满足结束条件(达到迭代次数)则算法结束,全局最佳位置(gbest)即全局最优解即N个点声源的声功率值。若未满足结束条件,则返回步骤6.2。
7、通过上述步骤从两个点声源的混合声压信号计算得出了两个点声源的各自的声功率值,即分离了两个点声源的声功率。把分离得到的声功率值在以频率为横坐标的平面直角坐标系中表示出来,就得到了两个点声源的声功率频率谱。
图5、图6对比了通过使用基于声强矢量分解的多声源声功率谱频谱分离方法,分离得到的双声源的声功率频率谱与其真实功率谱的对比图。可以看出,在500Hz,1000Hz和2000Hz这三个主要频率点上,通过分离计算得到的声功率值与真实功率值十分接近,无明显误差。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种基于声强矢量分解的多点声源声功率频率谱的分离方法,其特征在于:所述方法步骤如下:
步骤1:在同时存在多个点声源的三维空间中放置三维声强探头,接着选定三维空间中任意的一点,作为三维直角坐标系原点,据此用来确定各个点声源以及三维声强探头的三维直角坐标,然后将三维直角坐标转换为球坐标系下的位置;其中,点声源个数为N,在球坐标系下的位置为对应声功率为Wn(ω),n=1,2,...,N,ρSn为球坐标系原点O到第n个点声源的距离,αSn为球坐标系原点O与第n个点声源连线的有向线段与Z轴正向的夹角;θSn为第n个点声源和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;三维声强探头个数为M,在球坐标系下的位置为ρTm为球坐标系原点O到第m个三维声强探头的距离,αTm为球坐标系原点O与第m个三维声强探头连线的有向线段与Z轴正向的夹角,θTm为第m个三维声强探头和球坐标系原点O的连线在XOY平面的投影与X轴的夹角;
步骤2:每个三维声强探头上装有的4个阵列传声器,三维声强探头上4个传声器所测得的声压分别为pm1(t)、pm2(t)、pm3(t)、pm4(t);其中,pm1(t)为第m个三维声强探头上的传声器1采集到的声压的时域信号,pm2(t)为第m个三维声强探头上的传声器2采集到的声压的时域信号;pm3(t)为第m个三维声强探头上的传声器3采集到的声压的时域信号;pm4(t)为第m个三维声强探头上的传声器4采集到的声压的时域信号;
步骤4:根据声强的矢量特性把三维声强探头中心点O处的声强矢量分解到三维空间中的X、Y、Z三个方向上,得到声强分量和展开三个声强分量的表达式得到声强矢量方程组;其中,为第m个三维声强探头中心点O处的声强在X方向上的声强分量,为第m个三维声强探头中心点O处的声强在Y方向上的声强分量,为第m个三维声强探头中心点O处的声强在Z方向上的声强分量;
步骤5:将点声源在球坐标系下位置、三维声强探头在球坐标系下的位置及声强分量的值代入到上述声强矢量方程组;
步骤6:运用粒子群优化算法求解声强矢量方程组的最优值,即各点声源的声功率值;
步骤7:通过上述步骤从N个点声源的混合声压信号计算得出了N个点声源的各自的声功率值,即分离了N个点声源的声功率;把分离得到的声功率值在以频率为横坐标的平面直角坐标系中表示出来,就得到了N个点声源的声功率频率谱。
2.根据权利要求1所述的基于声强矢量分解的多点声源声功率频率谱的分离方法,其特征在于:所述三维声强探头的数量至少为点声源数量的1/3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405670.3A CN112528216A (zh) | 2020-12-03 | 2020-12-03 | 基于声强矢量分解的多点声源声功率频率谱的分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011405670.3A CN112528216A (zh) | 2020-12-03 | 2020-12-03 | 基于声强矢量分解的多点声源声功率频率谱的分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528216A true CN112528216A (zh) | 2021-03-19 |
Family
ID=74996955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011405670.3A Pending CN112528216A (zh) | 2020-12-03 | 2020-12-03 | 基于声强矢量分解的多点声源声功率频率谱的分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528216A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN106680376A (zh) * | 2017-01-23 | 2017-05-17 | 华南理工大学 | 一种基于三维声强阵列的隔声测量***与测量方法 |
CN109283492A (zh) * | 2018-10-29 | 2019-01-29 | 中国电子科技集团公司第三研究所 | 多目标方位估计方法及水声垂直矢量阵列*** |
CN111741520A (zh) * | 2020-06-22 | 2020-10-02 | 中国海洋大学 | 一种基于粒子群的认知水声通信***功率分配方法 |
-
2020
- 2020-12-03 CN CN202011405670.3A patent/CN112528216A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103401625A (zh) * | 2013-08-23 | 2013-11-20 | 西安电子科技大学 | 基于粒子群优化算法的协作频谱感知优化方法 |
CN106680376A (zh) * | 2017-01-23 | 2017-05-17 | 华南理工大学 | 一种基于三维声强阵列的隔声测量***与测量方法 |
CN109283492A (zh) * | 2018-10-29 | 2019-01-29 | 中国电子科技集团公司第三研究所 | 多目标方位估计方法及水声垂直矢量阵列*** |
CN111741520A (zh) * | 2020-06-22 | 2020-10-02 | 中国海洋大学 | 一种基于粒子群的认知水声通信***功率分配方法 |
Non-Patent Citations (2)
Title |
---|
柴诗艺: "基于声强矢量分解的旋转机械多声源频谱分离方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 01, 15 January 2022 (2022-01-15), pages 028 - 455 * |
鲁毅 等: "双声源位置和强度识别的三维声强方法", 《声学学报》, vol. 45, no. 3, 14 May 2020 (2020-05-14), pages 377 - 384 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11361782B2 (en) | Abnormal noise determination apparatus and method | |
WO2009145310A1 (ja) | 音源分離及び表示方法並びにシステム | |
CN107271127B (zh) | 基于自迭代主元抽取的工作模态参数识别方法及装置 | |
JP5747340B2 (ja) | 音響測定装置及び音響測定方法 | |
CN106680376A (zh) | 一种基于三维声强阵列的隔声测量***与测量方法 | |
CN109683134B (zh) | 一种面向旋转声源的高分辨率定位方法 | |
CN104678359B (zh) | 一种声场识别的多孔声全息方法 | |
CN109489796A (zh) | 一种基于单元辐射法的水下复杂结构辐射噪声源定位识别与声辐射预报方法 | |
Guan et al. | Data-driven methods for operational modal parameters identification: A comparison and application | |
CN116861544B (zh) | 一种基于边云协同的建筑异常振动源定位方法及相关设备 | |
CN110057918A (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
Zanarini | Experiment-based optical full-field receptances in the approximation of sound radiation from a vibrating plate | |
CN112528216A (zh) | 基于声强矢量分解的多点声源声功率频率谱的分离方法 | |
CN110263762A (zh) | 一种基于输出的半潜式海洋平台能量传递路径分析方法 | |
CN109798975A (zh) | 一种采用声压和质点加速度测量的非稳态平面声源的自由场实时还原方法 | |
Zhu et al. | Sound source localization in three-dimensional space in real time with redundancy checks | |
Brown et al. | Review of Recent Developments in Multiple-Reference Impact Testing. | |
CN115033977B (zh) | 一种基于神经网络技术的地面实测脉动压力参数辨识方法 | |
Li et al. | A new iterative near-field coherent subspace method for rub-impact fault localization using AE technique | |
del Val et al. | Analysis of a maxima position estimator on acoustic images of a fan matrix for failure detection | |
Brown et al. | Review of recent developments in multiple reference impact testing (MRIT) | |
Sedov | Algebraic polynomial dependence of change of the spectral characteristics of aggregate signal of control systems on its compression or stretching in time | |
Dethof et al. | Automated honeycomb detection during Impact Echo inspections in concrete using AI trained by simulation data | |
CN113029570B (zh) | 一种谐波轴承故障样本生成模型与诊断方法 | |
Christofi et al. | Acoustic Cavity Characteristics in Relation to Multiple Excitation Sources |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |