CN115186221B - 一种旋翼桨-涡干扰噪声提取方法及*** - Google Patents

一种旋翼桨-涡干扰噪声提取方法及*** Download PDF

Info

Publication number
CN115186221B
CN115186221B CN202210935286.7A CN202210935286A CN115186221B CN 115186221 B CN115186221 B CN 115186221B CN 202210935286 A CN202210935286 A CN 202210935286A CN 115186221 B CN115186221 B CN 115186221B
Authority
CN
China
Prior art keywords
vortex interference
interference
vortex
noise
paddle
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.)
Active
Application number
CN202210935286.7A
Other languages
English (en)
Other versions
CN115186221A (zh
Inventor
王博
罗明行
陈希
招启军
赵国庆
杨涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210935286.7A priority Critical patent/CN115186221B/zh
Publication of CN115186221A publication Critical patent/CN115186221A/zh
Application granted granted Critical
Publication of CN115186221B publication Critical patent/CN115186221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种旋翼桨‑涡干扰噪声提取方法及***，属于飞行器噪声分析领域，旋翼桨‑涡干扰噪声提取方法包括：确定现场直升机的旋翼总噪声中的高频噪声、桨‑涡干扰长度及桨‑涡干扰间距；在高频噪声中确定多个模极大值并确定桨‑涡干扰平均强度及高频噪声平均强度；根据桨‑涡干扰平均强度、高频噪声平均强度及高频噪声中的声压在高频噪声中确定多个初始桨‑涡干扰区间；根据各初始桨‑涡干扰区间内的声压最大值及桨‑涡干扰间距确定多个最终桨‑涡干扰区间；根据各最终桨‑涡干扰区间内声压的模最大值确定多个桨‑涡干扰中心；根据各桨‑涡干扰中心及桨‑涡干扰长度在高频噪声中确定最终的桨‑涡干扰噪声，提高了桨‑涡干扰噪声的可靠性。

Description

一种旋翼桨-涡干扰噪声提取方法及***
技术领域
本发明涉及飞行器噪声分析领域，特别是涉及一种旋翼桨-涡干扰噪声提取方法及***。
背景技术
由于直升机独特的飞行性能，其被广泛应用于军事和民用任务，但同时也会产生由不同噪声类型组成的高水平噪声，如桨-涡噪声、厚度噪声和载荷噪声等。其中，旋翼产生的桨-涡干扰噪声是比较重要的成分，桨-涡干扰噪声是一种高频气动噪声，它出现的同时总是同时出现频带范围非常广的高频噪声和低频气动噪声，不仅影响乘客的舒适度，而且增加了飞行员的工作强度和直升机的维护成本，而且桨-涡干扰噪声也是直升机在城市地区运作的主要限制之一。
目前一般是利用小波理论与深度神经网络结合的方法提取桨-涡干扰噪声，但是这种方法基于纯理论气动噪声模型，基于纯理论方法构造桨-涡干扰信号没有考虑实验环境的干扰情况，抗干扰能力不强，理论构造过程也相当复杂，难以直接应用到工程上。
发明内容
本发明的目的是提供一种旋翼桨-涡干扰噪声提取方法及***，可提高桨-涡干扰噪声的可靠性。
为实现上述目的，本发明提供了如下方案：
一种旋翼桨-涡干扰噪声提取方法，包括：
获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间；
采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声；所述高频噪声包括多个采样点及各采样点处的声压；
根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度；
根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距；
在所述高频噪声中确定多个模极大值；各模极大值为所述高频噪声中声压大于设定阈值的声压；
根据各模极大值，确定桨-涡干扰平均强度；
根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度；
根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间；
根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间；
根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心；
根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声。
可选地，确定桨-涡干扰长度：
nBVI≈tBVI/fsr；
其中，nBVI为桨-涡干扰长度，tBVI为桨-涡干扰的发生时间，fsr为旋翼总噪声的采样频率。
可选地，所述根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距，具体包括：
根据旋翼转速及直升机的桨叶片数，确定桨-涡干扰周期；
根据所述桨-涡干扰周期及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。
可选地，采用以下公式，确定桨-涡干扰周期：
TBVI＝60/nrbr；
其中，TBVI为桨-涡干扰周期，nr为旋翼转速，br为桨叶片数。
可选地，采用以下公式，确定桨-涡干扰间距：
NBVI＝TBVI/fsr；
其中，NBVI为桨-涡干扰间距，TBVI为桨-涡干扰周期，fsr为旋翼总噪声的采样频率。
可选地，所述根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间，具体包括：
根据所述桨-涡干扰平均强度及所述高频噪声平均强度，确定常数；其中，所述常数满足以下条件：mnc＞mL，c∈(0，1)，c为常数，mn为桨-涡干扰平均强度，mL为高频噪声平均强度；
根据所述桨-涡干扰平均强度、所述常数及所述高频噪声中各采样点处的声压，确定多个初始桨-涡干扰区间；其中，第i个初始桨-涡干扰区间内的声压满足以下条件：|f(x)|≥mnc，x∈[lia，lib]，[lia，lib]为第i个初始桨-涡干扰区间，lia为第i个初始桨-涡干扰区间的起始采样点，lib为第i个初始桨-涡干扰区间的终止采样点，f(x)为第i个初始桨-涡干扰区间内采样点x处的声压，| |为取模运算。
可选地，所述根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间，具体包括：
根据各初始桨-涡干扰区间内的声压最大值，确定相邻两个初始桨-涡干扰区间的距离；
若相邻两个初始桨-涡干扰区间的距离小于或等于所述桨-涡干扰间距的一半，则将相邻两个初始桨-涡干扰区间中声压最大值小的初始桨-涡干扰区间舍弃，以得到多个最终桨-涡干扰区间。
可选地，采用以下公式，确定第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离：
dij＝|argmax|f(x*)|-argmax|f(y*)||，x*∈[lia，lib]，y*∈[lja，ljb]；
其中，dij为第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离，f(x*)为采样点x*处的声压，f(y*)为采样点y*处的声压，argmax|f(x*)|为第i个初始桨-涡干扰区间内的声压最大值对应的采样点，argmax|f(y*)|为第j个初始桨-涡干扰区间内的声压最大值对应的采样点，[lia，lib]为第i个初始桨-涡干扰区间，[lja，ljb]为第j个初始桨-涡干扰区间，i≠j。
可选地，所述根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声，具体包括：
根据各桨-涡干扰中心及所述桨-涡干扰长度，确定多个桨-涡干扰发生区间；第k个桨-涡干扰发生区间为[wk-nBVI/2，wk+nBVI/2]，其中，wk为第k个桨-涡干扰中心，nBVI为桨-涡干扰长度；
将所述高频噪声中桨-涡干扰发生区间之外的信号赋值为0，得到最终的桨-涡干扰噪声。
为实现上述目的，本发明还提供了如下方案：
一种旋翼桨-涡干扰噪声提取***，包括：
信号获取单元，用于获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间；
高频噪声确定单元，与所述信号获取单元连接，用于采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声；所述高频噪声包括多个采样点及各采样点处的声压；
干扰长度确定单元，与所述信号获取单元连接，用于根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度；
干扰间距确定单元，与所述信号获取单元连接，用于根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距；
模极大值确定单元，与所述高频噪声确定单元连接，用于在所述高频噪声中确定多个模极大值；各模极大值为所述高频噪声中声压大于设定阈值的声压；
干扰平均强度确定单元，与所述模极大值确定单元连接，用于根据各模极大值，确定桨-涡干扰平均强度；
高频噪声平均强度确定单元，与所述高频噪声确定单元连接，用于根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度；
初始区间确定单元，与所述干扰平均强度确定单元、高频噪声平均强度确定单元及高频噪声确定单元连接，用于根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间；
最终区间确定单元，与所述初始区间确定单元及所述干扰间距确定单元连接，用于根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间；
干扰中心确定单元，与所述最终区间确定单元连接，用于根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心；
干扰噪声确定单元，与所述干扰中心确定单元及所述干扰长度确定单元连接，用于根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声。
根据本发明提供的具体实施例，本发明公开了以下技术效果：先从现场直升机的旋翼总噪声中提取高频噪声，再根据桨-涡干扰的发生时间及旋翼总噪声的采样频率确定桨-涡干扰长度；根据旋翼转速、直升机的桨叶片数及旋翼总噪声的采样频率确定桨-涡干扰间距；在高频噪声中确定多个模极大值；根据各模极大值确定桨-涡干扰平均强度；根据高频噪声中各采样点处的声压确定高频噪声平均强度；根据桨-涡干扰平均强度、高频噪声平均强度及高频噪声中各采样点处的声压，在高频噪声中确定多个初始桨-涡干扰区间；根据各初始桨-涡干扰区间内的声压最大值及桨-涡干扰间距确定多个最终桨-涡干扰区间；根据各最终桨-涡干扰区间内声压的模最大值确定多个桨-涡干扰中心；根据各桨-涡干扰中心及所述桨-涡干扰长度，在高频噪声中确定最终的桨-涡干扰噪声。采用直升机现场的旋翼总噪声，在有环境噪声干扰的情况下对桨-涡干扰噪声进行提取，提高了桨-涡干扰噪声的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明旋翼桨-涡干扰噪声提取方法的流程图；
图2为本发明旋翼桨-涡干扰噪声提取过程的整体示意图；
图3为旋翼总噪声示意图；
图4为低频噪声示意图；
图5为高频噪声示意图；
图6为桨-涡干扰噪声的间距及长度示意图；
图7为从高频噪声中提取桨-涡干扰噪声的示意图；
图8为模极大值点的示意图；
图9为桨-涡干扰区间示意图；
图10为桨-涡干扰噪声中心点示意图；
图11为最终的桨-涡干扰噪声示意图；
图12为交错投影算法示意图；
图13为本发明旋翼桨-涡干扰噪声提取***的模块结构示意图。
符号说明：
信号获取单元-1，高频噪声确定单元-2，干扰长度确定单元-3，干扰间距确定单元-4，模极大值确定单元-5，干扰平均强度确定单元-6，高频噪声平均强度确定单元-7，初始区间确定单元-8，最终区间确定单元-9，干扰中心确定单元-10，干扰噪声确定单元-11。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种旋翼桨-涡干扰噪声提取方法及***，通过采用直升机现场的旋翼总噪声，在有环境噪声干扰的情况下对桨-涡干扰噪声进行提取，提高了桨-涡干扰噪声的可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明旋翼桨-涡干扰噪声提取方法包括：
S1：获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间。在本实施例中，旋翼总噪声为传声器中的总噪声，如图3所示为总噪声的示意图。
S2：采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声。所述高频噪声包括多个采样点及各采样点处的声压。具体地，交错投影算法首先从旋翼总噪声中分离出低频噪声，用旋翼总噪声减去低频噪声得到高频噪声，低频噪声和高频噪声如图4和图5所示。在本实施例中，假设高频噪声信号的长度为L，高频噪声信号在第r个点的声压大小为f(r)，则高频噪声信号为
S3：根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度。
具体地，可以通过传声器的总噪声估算出桨-涡干扰噪声的发生时间tBVI，进而根据桨-涡干扰的发生时间及旋翼总噪声的采样频率，估算出每个桨-涡干扰噪声在高频噪声中的长度：nBVI≈tBVI/fsr。其中，麦克风的采样频率是已知的，则采样间隔已知，计算任意一个桨-涡干扰噪声的采样点数，采样间隔和桨-涡干扰噪声存在的点数乘积即为估算的桨-涡干扰噪声的发生时间。
S4：根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。
具体地，根据旋翼转速及直升机的桨叶片数，确定桨-涡干扰周期。根据所述桨-涡干扰周期及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。其中，采用公式TBVI＝60/nrbr确定桨-涡干扰周期，TBVI为桨-涡干扰周期，nr为旋翼转速，br为桨叶片数。采用公式NBVI＝TBVI/fsr确定桨-涡干扰间距，NBVI为桨-涡干扰间距，如图6所示。
由于桨-涡干扰噪声具有很明显的特征，如周期性出现，强度明显高于湍流噪声和电磁干扰噪声等宽带噪声，因此本发明步骤S5-S11根据桨-涡干扰噪声的特点，在高频噪声中确定桨-涡干扰噪声，如图7所示。
S5：在所述高频噪声中确定多个模极大值。各模极大值为所述高频噪声中声压大于设定阈值的声压，如图8所示。即寻找高频噪声信号中的一些较大值的点，目的是为了确定桨-涡干扰噪声的强弱程度。
具体地，寻找高频噪声中的有限个模极大值点(x1,x2,...,xn),n＜＜L，使这n个模极大值的乘积最大，即满足本发明将第g个模极大值记为Mg＝|f(xg)|。
S6：根据各模极大值，确定桨-涡干扰平均强度。具体地，采用公式 确定桨-涡干扰平均强度。其中，mn为桨-涡干扰平均强度，n为模极大值的数量。
S7：根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度。具体地，采用公式确定高频噪声平均强度。其中，mL为高频噪声平均强度，L为高频噪声的长度，f(xi)为高频噪声中采样点xi处的声压。
S8：根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间，如图9所示。
具体地，首先根据所述桨-涡干扰平均强度及所述高频噪声平均强度，确定常数。其中，所述常数满足以下条件：mnc>mL，c∈(0,1)，c为常数，mn为桨-涡干扰平均强度，mL为高频噪声平均强度。一般取c＝0.1～0.5。实际上，c的取值对算法的结果没有任何影响，但是可以减少收敛需要迭代的次数。
步骤S6-S8粗略估计高频噪声信号中的桨-涡干扰噪声平均强度与高频信号平均强度，并估计出常数c的取值，为缩小桨-涡干扰噪声存在的区间提供依据。
然后根据所述桨-涡干扰平均强度、所述常数及所述高频噪声中各采样点处的声压，确定多个初始桨-涡干扰区间。即寻找高频噪声信号中存在声压幅值较大区间，缩小桨-涡干扰噪声存在的区间。其中，第i个初始桨-涡干扰区间内的声压满足以下条件：|f(x)|≥mnc，x∈[lia，lib]，[lia，lib]为第i个初始桨-涡干扰区间，lia为第i个初始桨-涡干扰区间的起始采样点，lib为第i个初始桨-涡干扰区间的终止采样点，f(x)为第i个初始桨-涡干扰区间内采样点x处的声压，||为取模运算。进一步地，区间 I为初始桨-涡干扰区间的总数。
S9：根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间。
具体地，根据各初始桨-涡干扰区间内的声压最大值，确定相邻两个初始桨-涡干扰区间的距离。在本实施例中，根据桨-涡干扰噪声周期性出现的特征，可以推测任意两个桨-涡干扰噪声出现的区间存在周期性，为便于问题的描述，记任意两个不同区间[lia，lib]，[lja，ljb]，的距离dij为两个区间的声压最大值所在时刻差的模。采用以下公式，确定第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离：
dij＝|argmax|f(x*)|-argmax|f(y*)||，x*∈[lia，lib]，y*∈[lja，ljb]；
其中，dij为第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离，f(x*)为采样点x*处的声压，f(y*)为采样点y*处的声压，argmax|f(x*)|为第i个初始桨-涡干扰区间内的声压最大值对应的采样点，argmax|f(y*)|为第j个初始桨-涡干扰区间内的声压最大值对应的采样点，[lia，lib]为第i个初始桨-涡干扰区间，[lja，ljb]为第j个初始桨-涡干扰区间。
由于并不能确定各初始桨-涡干扰区间中都有桨-涡干扰信号，且有些初始桨-涡干扰区间中可能都是其余的高频噪声，因此本发明根据桨-涡干扰噪声周期性出现的特点，可以提前估算出桨-涡干扰的间距NBVI。如果两个初始桨-涡干扰区间的距离远远小于桨-涡干扰的间距NBVI，即dij≤NBVI/2则确定这两个初始桨-涡干扰区间里面最多存在一个桨-涡干扰噪声，也可能一个桨-涡干扰噪声都没有。这时就选择保留声压的模值相对比较大的区间，舍去另一个区间，如果存在桨-涡干扰噪声，一定在信号模值最大的点所对应的区间。在两个临近区间之间不断进行区间舍取，则区间的距离会不断地增大，根据桨-涡干扰噪声的周期性特点，可以确定在所有相邻区间的距离dij>NBVI/2时即可得到最终桨-涡干扰区间。确保每个区间都存在唯一一个桨-涡干扰噪声，同时留下的区间数即为桨-涡干扰噪声的数量。
S10：根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心，如图10所示。实现了对桨-涡干扰噪声的精确定位。具体地，求出各最终桨-涡干扰区间(lka,lkb)的声压的模最大值|f(x)|所对应的时刻坐标。即wk＝argmin|f(w)|,w∈(lka,lkb)。wk亦是第k个桨-涡干扰噪声中心所在的坐标，f(w)为采样点w处的声压，遍历所有最终桨-涡干扰区间即可求得所有桨-涡干扰噪声中心坐标。
S11：根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声，如图11所示。
具体地，根据各桨-涡干扰中心及所述桨-涡干扰长度，确定多个桨-涡干扰发生区间。第k个桨-涡干扰发生区间为[wk-nBVI/2,wk+nBVI/2]，其中，wk为第k个桨-涡干扰中心，nBVI为桨-涡干扰长度。
将所述高频噪声中桨-涡干扰发生区间之外的信号赋值为0，得到最终的桨-涡干扰噪声。即其中，K(t)为桨-涡干扰噪声中t时刻的声压。
另外，图3-图5、图8-图11中的横坐标为采样时间，纵坐标为声压。
本发明首先利用小波理论分离高频和低频噪声，再根据直升机旋翼的桨-涡干扰噪声的固有特点，从高频噪声中提取出桨-涡干扰噪声，考虑到工程的可行性，根据桨-涡干扰噪声信号存在时间短、强度比普通噪声强度高很多的特殊性，直接从旋翼实验现场传声器的声信号中提取出桨-涡干扰噪声，提取算法简单可靠，具备工程应用的能力，提高了桨-涡干扰噪声的可靠性，进而根据桨-涡干扰噪声对直升机进行改进，以准确降低旋翼的桨-涡干扰噪声，降低飞行员的工作强度及直升机的维护成本。
进一步地，步骤S2中，采用Mallat的交错投影算法确定旋翼总噪声中的高频噪声，交错投影算法是小波分析中的滤波算法，如图12所示，具体如下：
记h(t)的二进小波变换为WTh(j，t)，h(t)是假设的低频噪声信号，是未知量。对集合{h(t)；h(t)∈L2(R)}的约束条件为：
条件1：对应每一个尺度j，在所有的模极大值横坐标(tj，n)n∈Z处，都有|WTh(j，tj，n)|＝|WTf(j，tj，n)|。其中，WTf(j，tj，n)为噪声f的小波变换，j是尺度缩放参数，tj，n是平移参数。
条件2：对应每一个尺度j，WTh(j，t)的局部极值都应位于模极大值横坐标(tj，n)n∈Z处。
其中，L2(R)是所有平方可积的噪声信号所在的空间；Z是整数集合。
令V是L2(R)空间上所有函数的二进小波变换组成的空间，K是序列gj(t)所构成的空间，gj(t)满足：
显然，对比/>序列gj(t)应是某一个序列的小波变换。再令Γ是空间K上的一个闭包，其中的元素gj(t)满足gj(tj，n)＝WTf(j，tj，n)，/>和/>均为中间变量，即代指等式后面的结果。
或者，可以更完全地表示为
Γ＝{{gj(t)}∈K|gj(tj，n)＝WTf(j，tj，n)，j，n∈Z}。
这样，满足条件1的小波变换应是空间Λ＝V∩Γ中的元素。现在的任务转变为求Λ中的元素，使其范数最小。实现这一方法的便是V和Γ的交替投影。
令是空间V和Γ之间的交替投影算子，/>是P的n次迭代，则对任一序列X＝{gj(t)}j∈Z∈K，可以证明，有/> PΛ是总噪声在空间Λ上的投影算子。其中，PV是投影算子，表示噪声在y空间上的投影，PΓ是也是投影算子，表示噪声在Γ空间上的投影。
因此，空间V和Γ之间的交替投影收敛到空间Λ的正交投影。迭代开始时，选取gj(t)＝0，则交替投影之后收敛到对空间Λ的元素的范数接近于零，实现了信号二进小波变换系数的重构。
再用重构的二进小波系数进行逆变换即可分离出低频噪声，用总噪声减去低频噪声得到所有高频噪声(包含桨-涡干扰噪声)。
如图13所示，本发明旋翼桨-涡干扰噪声提取***包括：信号获取单元1、高频噪声确定单元2、干扰长度确定单元3、干扰间距确定单元4、模极大值确定单元5、干扰平均强度确定单元6、高频噪声平均强度确定单元7、初始区间确定单元8、最终区间确定单元9、干扰中心确定单元10及干扰噪声确定单元11。
其中，信号获取单元1用于获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间。
高频噪声确定单元2与所述信号获取单元1连接，高频噪声确定单元2用于采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声；所述高频噪声包括多个采样点及各采样点处的声压。
干扰长度确定单元3与所述信号获取单元1连接，干扰长度确定单元3用于根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度。
干扰间距确定单元4与所述信号获取单元1连接，干扰间距确定单元4用于根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。
具体地，干扰间距确定单元4包括：干扰周期确定模块及间距确定模块。
其中，干扰周期确定模块用于根据旋翼转速及直升机的桨叶片数，确定桨-涡干扰周期。
间距确定模块与所述信号获取单元1及干扰周期确定模块连接，间距确定模块用于根据所述桨-涡干扰周期及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。
模极大值确定单元5与所述高频噪声确定单元2连接，模极大值确定单元5用于在所述高频噪声中确定多个模极大值。各模极大值为所述高频噪声中声压大于设定阈值的声压。
干扰平均强度确定单元6与所述模极大值确定单元5连接，干扰平均强度确定单元6用于根据各模极大值，确定桨-涡干扰平均强度。
高频噪声平均强度确定单元7与所述高频噪声确定单元2连接，高频噪声平均强度确定单元7用于根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度。
初始区间确定单元8与所述干扰平均强度确定单元6、高频噪声平均强度确定单元7及高频噪声确定单元2连接，初始区间确定单元8用于根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间。
具体地，初始区间确定单元8包括常数确定模块及区间确定模块。
其中，常数确定模块与干扰平均强度确定单元6及高频噪声平均强度确定单元7，常数确定模块用于根据所述桨-涡干扰平均强度及所述高频噪声平均强度，确定常数。其中，所述常数满足以下条件：mnc＞mL，c∈(0，1)，c为常数，mn为桨-涡干扰平均强度，mL为高频噪声平均强度。
区间确定模块与常数确定模块、干扰平均强度确定单元6及高频噪声确定单元2连接，区间确定模块用于根据所述桨-涡干扰平均强度、所述常数及所述高频噪声中各采样点处的声压，确定多个初始桨-涡干扰区间。其中，第i个初始桨-涡干扰区间内的声压满足以下条件：|f(x)|≥mnc，x∈[lia，lib]，[lia，lib]为第i个初始桨-涡干扰区间，lia为第i个初始桨-涡干扰区间的起始采样点，lib为第i个初始桨-涡干扰区间的终止采样点，f(x)为第i个初始桨-涡干扰区间内采样点x处的声压，| |为取模运算。
最终区间确定单元9与所述初始区间确定单元8及所述干扰间距确定单元4连接，最终区间确定单元9用于根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间。
具体地，最终区间确定单元9包括：距离确定模块及区间取舍模块。
其中，距离确定模块与所述初始区间确定单元8连接，距离确定模块用于根据各初始桨-涡干扰区间内的声压最大值，确定相邻两个初始桨-涡干扰区间的距离。
区间取舍模块与距离确定模块及干扰间距确定单元4连接，区间取舍模块用于若相邻两个初始桨-涡干扰区间的距离小于或等于所述桨-涡干扰间距的一半，则将相邻两个初始桨-涡干扰区间中声压最大值小的初始桨-涡干扰区间舍弃，以得到多个最终桨-涡干扰区间。
干扰中心确定单元10与所述最终区间确定单元9连接，干扰中心确定单元10用于根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心。
干扰噪声确定单元11与所述干扰中心确定单元10及所述干扰长度确定单元3连接，干扰噪声确定单元11用于根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声。
具体地，干扰噪声确定单元11包括发生区间确定模块及最终噪声确定模块。
其中，发生区间确定模块与干扰中心确定单元10及所述干扰长度确定单元3连接，发生区间确定模块用于根据各桨-涡干扰中心及所述桨-涡干扰长度，确定多个桨-涡干扰发生区间。第k个桨-涡干扰发生区间为[wk-nBVI/2，wk+nBVI/2]，其中，wk为第k个桨-涡干扰中心，nBVI为桨-涡干扰长度。
最终噪声确定模块与发生区间确定模块连接，最终噪声确定模块用于将所述高频噪声中桨-涡干扰发生区间之外的信号赋值为0，得到最终的桨-涡干扰噪声。
相对于现有技术，本发明旋翼桨-涡干扰噪声提取***与上述旋翼桨-涡干扰噪声提取方法的有益效果相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种旋翼桨-涡干扰噪声提取方法，其特征在于，所述旋翼桨-涡干扰噪声提取方法包括：
获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间；
采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声；所述高频噪声包括多个采样点及各采样点处的声压；
根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度；
根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距；
在所述高频噪声中确定多个模极大值；各模极大值为所述高频噪声中声压大于设定阈值的声压；
根据各模极大值，确定桨-涡干扰平均强度；
根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度；
根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间；
根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间；
根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心；
根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声。
2.根据权利要求1所述的旋翼桨-涡干扰噪声提取方法，其特征在于，采用以下公式，确定桨-涡干扰长度：
nBVI≈tBVI/fsr；
其中，nBVI为桨-涡干扰长度，tBVI为桨-涡干扰的发生时间，fsr为旋翼总噪声的采样频率。
3.根据权利要求1所述的旋翼桨-涡干扰噪声提取方法，其特征在于，所述根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距，具体包括：
根据旋翼转速及直升机的桨叶片数，确定桨-涡干扰周期；
根据所述桨-涡干扰周期及所述旋翼总噪声的采样频率，确定桨-涡干扰间距。
4.根据权利要求3所述的旋翼桨-涡干扰噪声提取方法，其特征在于，采用以下公式，确定桨-涡干扰周期：
TBVI＝60/nrbr；
其中，TBVI为桨-涡干扰周期，nr为旋翼转速，br为桨叶片数。
5.根据权利要求3所述的旋翼桨-涡干扰噪声提取方法，其特征在于，采用以下公式，确定桨-涡干扰间距：
NBVI＝TBVI/fsr；
其中，NBVI为桨-涡干扰间距，TBVI为桨-涡干扰周期，fsr为旋翼总噪声的采样频率。
6.根据权利要求1所述的旋翼桨-涡干扰噪声提取方法，其特征在于，所述根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间，具体包括：
根据所述桨-涡干扰平均强度及所述高频噪声平均强度，确定常数；其中，所述常数满足以下条件：mnc＞mL，c∈(0，1)，c为常数，mn为桨-涡干扰平均强度，mL为高频噪声平均强度；
根据所述桨-涡干扰平均强度、所述常数及所述高频噪声中各采样点处的声压，确定多个初始桨-涡干扰区间；其中，第i个初始桨-涡干扰区间内的声压满足以下条件：|f(x)|≥mnc，x∈[lia，lib]，[lia，lib]为第i个初始桨-涡干扰区间，lia为第i个初始桨-涡干扰区间的起始采样点，lib为第i个初始桨-涡干扰区间的终止采样点，f(x)为第i个初始桨-涡干扰区间内采样点x处的声压，||为取模运算。
7.根据权利要求1所述的旋翼桨-涡干扰噪声提取方法，其特征在于，所述根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间，具体包括：
根据各初始桨-涡干扰区间内的声压最大值，确定相邻两个初始桨-涡干扰区间的距离；
若相邻两个初始桨-涡干扰区间的距离小于或等于所述桨-涡干扰间距的一半，则将相邻两个初始桨-涡干扰区间中声压最大值小的初始桨-涡干扰区间舍弃，以得到多个最终桨-涡干扰区间。
8.根据权利要求7所述的旋翼桨-涡干扰噪声提取方法，其特征在于，采用以下公式，确定第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离：
dij＝|argmax|f(x*)|-argmax|f(y*)||，x*∈[lia，lib]，y*∈[lja，ljb]；
其中，dij为第i个初始桨-涡干扰区间与第j个初始桨-涡干扰区间的距离，f(x*)为采样点x*处的声压，f(y*)为采样点y*处的声压，argmax|f(x*)|为第i个初始桨-涡干扰区间内的声压最大值对应的采样点，argmax|f(y*)|为第j个初始桨-涡干扰区间内的声压最大值对应的采样点，[lia，lib]为第i个初始桨-涡干扰区间，[lja，ljb]为第j个初始桨-涡干扰区间，i≠j。
9.根据权利要求1所述的旋翼桨-涡干扰噪声提取方法，其特征在于，所述根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声，具体包括：
根据各桨-涡干扰中心及所述桨-涡干扰长度，确定多个桨-涡干扰发生区间；第k个桨-涡干扰发生区间为[wk-nBVI/2，wk+nBVI/2]，其中，wk为第k个桨-涡干扰中心，nBVI为桨-涡干扰长度；
将所述高频噪声中桨-涡干扰发生区间之外的信号赋值为0，得到最终的桨-涡干扰噪声。
10.一种旋翼桨-涡干扰噪声提取***，其特征在于，所述旋翼桨-涡干扰噪声提取***包括：
信号获取单元，用于获取现场直升机的旋翼总噪声及旋翼总噪声中桨-涡干扰的发生时间；
高频噪声确定单元，与所述信号获取单元连接，用于采用交错投影算法对所述旋翼总噪声进行滤波，确定高频噪声；所述高频噪声包括多个采样点及各采样点处的声压；
干扰长度确定单元，与所述信号获取单元连接，用于根据所述桨-涡干扰的发生时间及所述旋翼总噪声的采样频率，确定桨-涡干扰长度；
干扰间距确定单元，与所述信号获取单元连接，用于根据旋翼转速、直升机的桨叶片数及所述旋翼总噪声的采样频率，确定桨-涡干扰间距；
模极大值确定单元，与所述高频噪声确定单元连接，用于在所述高频噪声中确定多个模极大值；各模极大值为所述高频噪声中声压大于设定阈值的声压；
干扰平均强度确定单元，与所述模极大值确定单元连接，用于根据各模极大值，确定桨-涡干扰平均强度；
高频噪声平均强度确定单元，与所述高频噪声确定单元连接，用于根据所述高频噪声中各采样点处的声压，确定高频噪声平均强度；
初始区间确定单元，与所述干扰平均强度确定单元、高频噪声平均强度确定单元及高频噪声确定单元连接，用于根据所述桨-涡干扰平均强度、所述高频噪声平均强度及所述高频噪声中各采样点处的声压，在所述高频噪声中确定多个初始桨-涡干扰区间；
最终区间确定单元，与所述初始区间确定单元及所述干扰间距确定单元连接，用于根据各初始桨-涡干扰区间内的声压最大值及所述桨-涡干扰间距，确定多个最终桨-涡干扰区间；
干扰中心确定单元，与所述最终区间确定单元连接，用于根据各最终桨-涡干扰区间内声压的模最大值，确定多个桨-涡干扰中心；
干扰噪声确定单元，与所述干扰中心确定单元及所述干扰长度确定单元连接，用于根据各桨-涡干扰中心及所述桨-涡干扰长度，在所述高频噪声中确定最终的桨-涡干扰噪声。
CN202210935286.7A 2022-08-05 2022-08-05 一种旋翼桨-涡干扰噪声提取方法及*** Active CN115186221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210935286.7A CN115186221B (zh) 2022-08-05 2022-08-05 一种旋翼桨-涡干扰噪声提取方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210935286.7A CN115186221B (zh) 2022-08-05 2022-08-05 一种旋翼桨-涡干扰噪声提取方法及***

Publications (2)

Publication Number Publication Date
CN115186221A CN115186221A (zh) 2022-10-14
CN115186221B true CN115186221B (zh) 2024-01-12

Family

ID=83521479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210935286.7A Active CN115186221B (zh) 2022-08-05 2022-08-05 一种旋翼桨-涡干扰噪声提取方法及***

Country Status (1)

Country Link
CN (1) CN115186221B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001191995A (ja) * 2000-01-07 2001-07-17 Kawada Kogyo Kk ヘリコプター用ｂｖｉ騒音低減方法および装置
US6283406B1 (en) * 1999-09-10 2001-09-04 Gte Service Corporation Use of flow injection and extraction to control blade vortex interaction and high speed impulsive noise in helicopters
WO2002059497A2 (en) * 2000-12-29 2002-08-01 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
CN108051659A (zh) * 2017-12-01 2018-05-18 中国直升机设计研究所 一种分离提取旋翼噪声的方法
CN110133600A (zh) * 2019-06-17 2019-08-16 电子科技大学 一种直升机旋翼物理参数提取方法
CN110765867A (zh) * 2019-09-18 2020-02-07 山东建筑大学 一种螺旋桨辐射噪声低频特征提取方法
CN111563299A (zh) * 2020-04-30 2020-08-21 南京航空航天大学 一种旋翼噪声确定方法及***
CN113643679A (zh) * 2021-10-14 2021-11-12 中国空气动力研究与发展中心低速空气动力研究所 基于级联滤波器的旋翼和尾桨气动噪声分离方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6283406B1 (en) * 1999-09-10 2001-09-04 Gte Service Corporation Use of flow injection and extraction to control blade vortex interaction and high speed impulsive noise in helicopters
JP2001191995A (ja) * 2000-01-07 2001-07-17 Kawada Kogyo Kk ヘリコプター用ｂｖｉ騒音低減方法および装置
WO2002059497A2 (en) * 2000-12-29 2002-08-01 General Dynamics Advanced Technology Systems, Inc. Neural net controller for noise and vibration reduction
CN108051659A (zh) * 2017-12-01 2018-05-18 中国直升机设计研究所 一种分离提取旋翼噪声的方法
CN110133600A (zh) * 2019-06-17 2019-08-16 电子科技大学 一种直升机旋翼物理参数提取方法
CN110765867A (zh) * 2019-09-18 2020-02-07 山东建筑大学 一种螺旋桨辐射噪声低频特征提取方法
CN111563299A (zh) * 2020-04-30 2020-08-21 南京航空航天大学 一种旋翼噪声确定方法及***
CN113643679A (zh) * 2021-10-14 2021-11-12 中国空气动力研究与发展中心低速空气动力研究所 基于级联滤波器的旋翼和尾桨气动噪声分离方法

Also Published As

Publication number Publication date
CN115186221A (zh) 2022-10-14

Similar Documents

Publication Publication Date Title
CN109800700B (zh) 一种基于深度学习的水下声信号目标分类识别方法
CN111178318B (zh) 一种基于渐进式vmd的滚动轴承早期复合故障特征提取方法
CN110186682B (zh) 基于分数阶变分模态分解的滚动轴承故障诊断方法
CN106404399B (zh) 基于自适应冗余提升小波包分解树的轴承故障诊断方法
CN109633752B (zh) 基于三维快速Radon变换的海上拖缆资料自适应鬼波压制方法
CN110320555B (zh) 一种地震数据重建方法
CN112697887A (zh) 基于神经网络的超声检测缺陷定性识别方法
CN101916433B (zh) 基于偏微分方程的强噪声污染图像的去噪方法
CN112945546B (zh) 一种齿轮箱复杂故障精确诊断方法
WO2022165737A1 (zh) 一种船舶机械设备早期微弱故障信号特征诊断方法
CN112649196A (zh) 基于频域信息的信号变分模态分解预设尺度参数选取方法
CN112842348B (zh) 一种基于特征提取与深度学习的心电信号自动分类方法
CN115186221B (zh) 一种旋翼桨-涡干扰噪声提取方法及***
CN110909827A (zh) 一种适用于风机叶片声音信号的降噪方法
CN110716532A (zh) 一种基于小波包能量与fft的水下机器人推进器弱故障辨识方法
CN112763180A (zh) 声学风洞内高速列车受电弓模型气动噪声快速预测方法
CN115962941A (zh) 基于可调品质因子小波阈值降噪的滚动轴承故障诊断方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别***构建方法
CN117725394B (zh) 基于分层内嵌模态分解的风电场宽频振荡辨识方法
CN112272066B (zh) 一种用于机场终端区甚高频通信中的频谱数据清洗方法
CN112784702A (zh) 基于自适应旋转同步提取调频变换的信号处理方法
CN113095113A (zh) 一种用于水下目标识别的小波线谱特征提取方法及***
CN110174269B (zh) 变分模态分解和共振解调分析核电用泵冲击特征的方法
CN115841545A (zh) 一种基于机载雷达的3d点云电力线提取与重建方法
CN112466322B (zh) 一种机电设备噪声信号特征提取方法

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
GR01 Patent grant
GR01 Patent grant