技术新讯 > 乐器声学设备的制造及制作,分析技术 > 基于支持向量机的柴油机组的噪声控制方法和系统与流程  >  正文

基于支持向量机的柴油机组的噪声控制方法和系统与流程

  • 国知局
  • 2024-06-21 11:32:57

本发明涉及噪声控制,尤其涉及一种基于支持向量机的柴油机组的噪声控制方法和系统。

背景技术:

1、柴油机组是用柴油作燃料的内燃机,将燃料燃烧释放出的热能转化为电能或机械能的一系列装置,在农业机械、工程机械、汽车工业、船舶机械、电力工业等领域有广泛应用,但柴油机组在使用时会产生大量噪声,因此需要对柴油机组进行噪声控制。

2、现有的柴油机行噪声控制方法多为基于简单物理隔音的噪声控制方法,通过通过物理学方法采用固定的隔音材料或隔音设备对柴油机组进行物理的隔音降噪,利用在柴油机组周围利用隔音材料吸收噪声,利用弹簧或阻尼器等隔振材料减少柴油机组的振动噪声,实际应用中,柴油机组产生的噪声往往有多个来源,例如机械振动、排气噪声或风扇噪声等,且每种运行状态产生的噪声各不相同,基于简单物理隔音的噪声控制方法无法对每种噪声来源实现针对性的噪声控制,可能导致进行噪声控制时的效率较低。

技术实现思路

1、本发明提供一种基于支持向量机的柴油机组的噪声控制方法和系统,其主要目的在于解决导致进行噪声控制时的效率较低的问题。

2、为实现上述目的,本发明提供的一种基于支持向量机的柴油机组的噪声控制方法,包括:

3、依次对预先获取的历史柴油机组数据集进行数据拆分以及数据清洗操作,得到机组噪声数据集以及机组运行数据集;

4、对所述机组噪声数据集进行模态分解,得到噪声模态特征组集,对所述噪声模态特征组集进行频域筛选,得到噪声频谱特征组集,其中,所述对所述噪声模态特征组集进行频域筛选,得到噪声频谱特征组集,包括:逐个选取所述噪声模态特征组集中的噪声模态特征组作为目标噪声模态特征组,利用如下的模态频谱系数算法计算出所述目标噪声模态特征组对应的模态频谱系数组:

5、

6、其中,wj(a,b)是指所述模态频谱系数组中的第j个模态频谱系数在尺度参数a,位移参数b下的系数值,a为尺度参数,b为位移参数,j为序号,∞为无穷大符号,vj(t)是指所述目标噪声模态特征组中第j个目标噪声模态特征在时间序号t下的特征值,t是时间序号,z()是共轭函数符号,e是欧拉数,i是虚数符号,ω0是预设的频率参数,d为积分符号;对所述模态频谱系数组进行频谱特征提取,得到初级频谱特征组;对所述初级频谱特征组进行互关系筛选,得到噪声频谱特征组,将所有的所述噪声频谱特征组汇集成噪声频谱特征组集;

7、依次对所述机组运行数据集进行多模态特征提取以及特征维度过滤操作,得到标准状态特征组集;

8、利用所述标准状态特征组集以及所述噪声频谱特征组集对预设的回归向量机模型进行随机粒子训练,得到机组噪声模型;

9、根据所述机组噪声模型计算出目标柴油机组的实时机组运行数据对应的实时噪声频谱特征组,对所述实时噪声频谱特征组进行声源匹配,得到实时噪声声源结果,根据所述实时噪声声源结果对所述目标柴油机组进行噪声控制。

10、可选地,所述依次对预先获取的历史柴油机组数据集进行数据拆分以及数据清洗操作,得到机组噪声数据集以及机组运行数据集,包括:

11、对所述历史柴油机组数据集进行哈希映射,得到柴油哈希签名集;

12、对所述柴油哈希签名集进行交并相似性计算,得到数据相似性结果;

13、根据所述数据相似性结果对所述历史柴油机组数据集进行数据去重,得到去重柴油机组数据集;

14、从所述去重柴油机组数据集中提取出数据属性组,根据所述数据属性组对所述去重柴油机组数据集进行缺失匹配,得到标准柴油机组数据集;

15、根据所述数据属性组将所述标准柴油机组数据集拆分成机组噪声数据集以及机组运行数据集。

16、可选地,所述对所述柴油哈希签名集进行交并相似性计算,得到数据相似性结果,包括:

17、逐个选取所述柴油哈希签名集中的柴油哈希签名作为目标柴油哈希签名,逐个选取所述柴油哈希签名集中除所述目标柴油哈希签名之外的柴油哈希签名作为匹配柴油哈希签名;

18、对所述目标柴油哈希签名和所述匹配柴油哈希签名进行交集项计算,得到目标签名交集值;

19、对所述目标柴油哈希签名和所述匹配柴油哈希签名进行并集项计算,得到目标签名并集值;

20、将所述目标签名交集值与所述目标签名并集值的比值作为目标相似性,将所有的目标相似性汇集成数据相似性结果。

21、可选地,所述对所述机组噪声数据集进行模态分解,得到噪声模态特征组集,包括:

22、逐个选取所述机组噪声数据集中的机组噪声数据作为目标机组噪声数据,分别从所述目标机组噪声数据中提取出极大值噪声线以及极小值噪声线;

23、根据所述目标机组噪声数据、所述极大值噪声线和所述极小值噪声线计算出平均噪声线;

24、利用所述平均噪声线对所述目标机组噪声数据进行细节过滤,得到初级细节噪声数据;

25、对所述初级细节噪声数据进行迭代极值特征筛选,得到噪声模态特征组,将所有的噪声模态特征组汇集成噪声模态特征组集。

26、可选地,所述对所述初级细节噪声数据进行迭代极值特征筛选,得到噪声模态特征组,包括:

27、判断所述初级细节噪声数据是否满足预设的极值特征条件;

28、若否,则将所述初级细节噪声数据作为所述目标机组噪声数据,返回所述分别从所述目标机组噪声数据中提取出极大值噪声线以及极小值噪声线的步骤;

29、若是,则将所述初级细节噪声数据作为噪声模态特征添加至预设的初级特征组中,并判断所述初级特征组的特征个数是否等于预设的个数阈值;

30、若否,则利用所述初级细节噪声对所述目标机组噪声数据进行细节过滤,得到目标过滤机组噪声,将所述目标过滤机组噪声所述目标机组噪声数据,返回所述分别从所述目标机组噪声数据中提取出极大值噪声线以及极小值噪声线的步骤;

31、若是,则将所述初级特征组作为噪声模态特征组。

32、可选地,所述对所述初级频谱特征组进行互关系筛选,得到噪声频谱特征组,包括:

33、对所述初级频谱特征组中的各个初级频谱特征进行两两配对,得到频谱特征对组;

34、逐个选取所述频谱特征对组中的频谱特征对作为目标频谱特征对,利用如下的特征信息算法计算出所述目标频谱特征对的特征信息值:

35、

36、其中,m(x,y)是指频谱特征x频谱特征y组成的目标频谱特征对的特征信息值,x、y为所述目标频谱特征对的频谱特征,x是所述频谱特征x的任一可能取值,y是所述频谱特征y的任一可能取值,p(x,y)是指所述频谱特征x取值为x且所述频谱特征y取值为y的联合概率,log()为对数函数,p(x)为所述频谱特征x取值为x对应的边缘概率,p(y)为所述频谱特征y取值为y对应的边缘概率;

37、将所有的特征信息值按照由大到小的顺序排列成特征信息值序列,对所述特征信息值序列进行位次阈值过滤,得到特征信息值组;

38、将所述特征信息值组对应的目标频谱特征对汇集成标准频谱特征对组,将所述标准频谱特征对组中的所有频谱特征汇集成噪声频谱特征组。

39、可选地,所述依次对所述机组运行数据集进行多模态特征提取以及特征维度过滤操作,得到标准状态特征组集,包括:

40、分别从所述机组运行数据集中提取出转速特征集、负载特征集、温度特征集以及压力特征集;

41、将所述转速特征集、所述负载特征集、所述温度特征集以及所述压力特征集汇集成初级状态特征组集;

42、对所述初级状态特征组集进行全局特征归一化操作,得到次级状态特征组集;

43、对所述次级状态特征组集进行主成分筛选操作,得到标准状态特征组集。

44、可选地,所述利用所述标准状态特征组集以及所述噪声频谱特征组集对预设的回归向量机模型进行随机粒子训练,得到机组噪声模型,包括:

45、随机生成初始粒子参数集,逐个选取所述初始粒子参数集中的初始粒子参数对预设的回归向量机模型进行参数更新,得到更新向量机模型;

46、利用所述更新向量机模型计算出所述标准状态特征组集对应的回归频谱特征组集;

47、根据所述回归频谱特征组集和所述噪声频谱特征组集计算出所述更新向量机模型的性能指标;

48、根据所述性能指标对所述初始粒子参数集中的各个初始粒子参数进行迭代更新,得到标准粒子参数;

49、利用所述标准粒子参数对所述回归向量机模型的参数进行更新,得到机组噪声模型。

50、可选地,所述对所述实时噪声频谱特征组进行声源匹配,得到实时噪声声源结果,包括:

51、逐个选取所述实时噪声频谱特征组中的实时噪声频谱特征作为目标实时频谱特征,对所述目标实时频谱特征进行正则化操作,得到正则实时频谱特征;

52、对所述正则实时频谱特征进行边缘决策,得到实时决策特征;

53、对所述实时决策特征进行归一化操作,得到实时声源编码;

54、利用所述实时声源编码对所述目标实时频谱特征进行标注,得到实时噪声声源,将所有的实时噪声声源汇集成实时噪声声源结果。

55、为了解决上述问题,本发明还提供一种基于支持向量机的柴油机组的噪声控制系统,所述系统包括:

56、数据拆分模块,用于依次对预先获取的历史柴油机组数据集进行数据拆分以及数据清洗操作,得到机组噪声数据集以及机组运行数据集;

57、频域筛选模块,用于对所述机组噪声数据集进行模态分解,得到噪声模态特征组集,对所述噪声模态特征组集进行频域筛选,得到噪声频谱特征组集,其中,所述对所述噪声模态特征组集进行频域筛选,得到噪声频谱特征组集,包括:逐个选取所述噪声模态特征组集中的噪声模态特征组作为目标噪声模态特征组,利用如下的模态频谱系数算法计算出所述目标噪声模态特征组对应的模态频谱系数组:

58、

59、其中,wj(a,b)是指所述模态频谱系数组中的第j个模态频谱系数在尺度参数a,位移参数b下的系数值,a为尺度参数,b为位移参数,j为序号,∞为无穷大符号,vj(t)是指所述目标噪声模态特征组中第j个目标噪声模态特征在时间序号t下的特征值,t是时间序号,z()是共轭函数符号,e是欧拉数,i是虚数符号,ω0是预设的频率参数,d为积分符号;对所述模态频谱系数组进行频谱特征提取,得到初级频谱特征组;对所述初级频谱特征组进行互关系筛选,得到噪声频谱特征组,将所有的所述噪声频谱特征组汇集成噪声频谱特征组集;

60、特征过滤模块,用于依次对所述机组运行数据集进行多模态特征提取以及特征维度过滤操作,得到标准状态特征组集;

61、粒子训练模块,用于利用所述标准状态特征组集以及所述噪声频谱特征组集对预设的回归向量机模型进行随机粒子训练,得到机组噪声模型;

62、噪声控制模块,用于根据所述机组噪声模型计算出目标柴油机组的实时机组运行数据对应的实时噪声频谱特征组,对所述实时噪声频谱特征组进行声源匹配,得到实时噪声声源结果,根据所述实时噪声声源结果对所述目标柴油机组进行噪声控制。

63、本发明实施例通过依次对预先获取的历史柴油机组数据集进行数据拆分以及数据清洗操作,得到机组噪声数据集以及机组运行数据集,可以提高数据的准确性,同时区分训练集的输入与输出,方便后续的模型训练步骤,通过对所述机组噪声数据集进行模态分解,可以将柴油机组的噪声信号进行分解,从而方便后续进行噪声来源的确认,通过对所述噪声模态特征组集进行频域筛选,可以筛选出相关性较高的噪声特征,进而提高后续噪声来源分析的准确性以及模型训练的准确性,通过依次对所述机组运行数据集进行多模态特征提取以及特征维度过滤操作,可以提取出柴油机组运行过程中不同模态的特征并将其标准化,提高后续模型训练的准确率。

64、通过利用所述标准状态特征组集以及所述噪声频谱特征组集对预设的回归向量机模型进行随机粒子训练,可以实现全局的参数搜索,避免陷入局部最优解的陷阱,提高了机组噪声模型的高效性以及鲁棒性,通过根据所述机组噪声模型计算出目标柴油机组的实时机组运行数据对应的实时噪声频谱特征组,可以预测出柴油机组的实时噪声的分布情况,通过对所述实时噪声频谱特征组进行声源匹配,得到实时噪声声源结果,可以确定出柴油机组各个噪音组成部分的噪音大小和分布,通过根据所述实时噪声声源结果对所述目标柴油机组进行噪声控制,可以实现针对性的柴油机组除噪,进而提高柴油机组噪声控制的效率。因此本发明提出的基于支持向量机的柴油机组的噪声控制方法和系统,可以解决导致进行噪声控制时的效率较低的问题。

本文地址:https://www.jishuxx.com/zhuanli/20240618/22168.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。