CN114034492A - 基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法 - Google Patents

Abstract

本发明涉及一种基于希尔伯特‑黄变换的汽车零部件载荷谱快速压缩方法，包括：1)获取并输入原始载荷信号；2)对载荷谱进行预处理；3)对原始载荷信号进行经验模态分解，获得多个固有模态函数；4)对每个固有模态函数进行希尔伯特‑黄变换，得到载荷信号的瞬时能量谱；5)利用遗传算法对瞬时能量谱设置阈值并定位低于最优阈值的瞬时能量谱片段，删除载荷信号中对应时间片段；6)对保留信号片段进行拼接，得到最优压缩信号；7)计算压缩载荷信号与原始载荷信号的疲劳损伤保留量等，检验功率谱密度及穿级计数，当疲劳损伤保留量等的误差大于15％时，则循环步骤5)重新求取阈值，反之，则跳出循环；8)完成汽车零部件载荷谱的压缩工作。

Description

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法

技术领域

本发明涉及汽车零部件室内道路模拟试验领域，特别是涉及一种基于希尔伯特-黄变换的汽车零部件载荷谱快速而有效的压缩方法。

背景技术

汽车零部件的可靠性是影响汽车运行安全性的重要因素之一，而试验是对汽车零部件设计与制造的重要评价手段。室内道路模拟试验无需涉及到试验场地的租赁、驾驶员的聘用等问题，并可通过对试验载荷谱进行编辑处理来提高试验效率，缩短试验时间，因此被广泛使用。汽车零部件载荷谱编辑技术是进行室内道路模拟试验研究的重要环节之一，对采集的零件载荷谱进行加速编辑，在保证载荷谱加载效果相同的前提下，得到时间更短的载荷谱，用于零件疲劳耐久性试验研究，可以显著提高研究效率。要保证缩减载荷谱与原始载荷谱对零件的加载效果相同，必须要使缩减载荷谱在损伤量、统计参数(均值、均方根值和峰值系数)、功率谱密度以及穿级计数等方面与原始信号基本一致。

目前零部件载荷谱编辑的方法有多种，大致分为基于时域以及基于频域的编辑等，基本的原理都是删除信号中对损伤贡献量不大的循环以缩短试验时间，且保证压缩信号的损伤保留量与原始信号基本一致。编辑方法之间的差异主要体现在损伤量识别与删除的方法上，可通过设定损伤、应变、载荷谱等指标的阈值来剔除无效信号片段，实现载荷谱加速。对于汽车耐久试验中的载荷信号，利用希尔伯特-黄变换方法可以进行有效的时频分析，获取瞬时能量谱并以此为据识别并提取信号中损伤贡献量大的片段，以实现载荷谱的缩减。

对于原始载荷谱进行加速编制的方法，现有常用技术为：利用Ncode等软件，设置相应损伤保留量，基于时域进行载荷谱的缩减。但该方法的缩减效果有限，且所得的压缩信号在统计参数、功率谱密度分析、边际谱分析以及穿级计数等方面与原始信号相比发生了较大变化，存在差异。因此，提出一种基于希尔伯特-黄变换的用于汽车零部件载荷谱快速压缩的有效方法，充分结合信号的时-频域进行分析，使压缩信号不仅压缩效果显著，并且在统计参数(均值、均方根值和峰值系数)、功率谱密度分析以及穿级计数等方面与原始信号保持基本一致，实现与原始信号相同的加载效果。

发明内容

本发明主要解决的技术问题是提供一种基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，该方法结合时-频域对原始载荷信号进行分析，能最大限度的压缩原始载荷信号，并保证压缩信号与原始信号在疲劳损伤保留量、统计参数(均值、均方根值和峰值系数)、功率谱密度分布以及穿级计数等方面基本保持一致，从而实现相同的加载效果。

本发明所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其具体包括如下步骤：

1)获取并输入原始载荷信号；

2)对载荷谱进行预处理，包括滤波、去毛刺、漂移修正处理以及重采样；

3)对原始载荷信号进行经验模态分解，获得多个固有模态函数；

4)对每个固有模态函数进行希尔伯特-黄变换，得到载荷信号的瞬时能量谱；

5)利用遗传算法对瞬时能量谱设置阈值，根据所求阈值，定位低于阈值的瞬时能量谱片段，并定位对应数据的时间点，将时间点对应到原始载荷信号中，删除该损伤贡献小的信号片段；

6)对保留信号片段进行拼接，得到相应压缩信号；

7)计算压缩载荷信号与原始载荷信号的疲劳损伤保留量、统计参数，检验功率谱密度以及穿级计数，当疲劳损伤保留量过低、统计参数的误差大于15％时，则循环步骤5)重新求取阈值，直到压缩信号与原始信号的误差值小于15％，并且二者的频率域功率谱密度分布以及幅值域穿级计数具有一致性，则跳出循环；

8)完成汽车零部件载荷谱的压缩工作。

进一步地，希尔伯特-黄变换包括：经验模态分解和Hilbert变换；经验模态分解即可把复杂信号分解为有限个固有模态函数；对每个固有模态函数进行Hilbert变换，可分析信号时频特性。

进一步地，所述步骤5)中对瞬时能量谱设置阈值的步骤具体包括：利用遗传算法，以瞬时能量谱阈值为设计变量，以载荷信号编辑前后的信号压缩比最小为目标函数，以压缩信号与原始信号的损伤比误差为约束条件，进行阈值寻优计算，找到给定区间内最优阈值；截止阈值与压缩载荷谱信号的时间历程长度以及疲劳损伤保留量有密切联系。

进一步地，所述步骤6)中对保留信号片段进行拼接的步骤具体包括：瞬时能量谱对应到原始信号中的时间不存在交集，即可对原始信号中保留片段直接进行拼接，拼接方法采用半正弦信号进行连接。

进一步地，所述步骤7)中所述统计参数包括：均值、均方根值和峰度系数。

本发明的积极效果：

本发明所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其具备如下优点：

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，可针对随机非平稳信号从时-频域上进行分析，与传统的基于损伤保留的编辑方法有根本区别，不仅能在时域上保证信号压缩前后的一致性，更使其在频域特征上分布一致；

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，在相同的损伤保留量的情况下，与基于时域损伤保留编辑方法以及基于短时傅里叶变换的辑方法相比，信号的压缩效果更好；

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，与基于时域损伤保留的编辑方法相比，前者的统计参数(均值、均方根值以及峰度系数)的误差大，但能保持在15％以下；

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，与基于时域损伤保留的编辑方法相比，前者的幅值域穿级计数分析与原始载荷更接近；

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，与基于时域损伤保留的编辑方法相比，前者的频域功率谱密度分布与原始载荷更接近；

基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩的有效方法，与基于时域损伤保留的编辑方法相比，前者的边际谱分布、变化趋势与原始载荷信号更接近；

本发明基于希尔伯特-黄的时频分析方法，能准确辨识提取高疲劳损伤部分，快速压缩形成加速载荷谱，并且最大程度地压缩原始载荷信号且保证所得压缩信号与原始信号保持基本一致，实现与原始信号相同的加载效果。

附图说明

图1是本发明的方法流程图；

图2是表示信号能量在时频域分布情况的希尔伯特谱图；

图3是实测数据的瞬时能量谱；

图4是基于瞬时能量谱的阈值设置提取信号时间片段示意图；

图5是大损伤贡献量的时域信号片段提取示意图。

具体实施方式

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。

图1为基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法的流程框图，其具体流程如下：

1)获取并输入原始载荷信号；

2)对载荷谱进行预处理，包括滤波、去毛刺、漂移修正处理以及重采样；

3)对原始载荷信号进行经验模态分解，获得多个固有模态函数；

4)对每个固有模态函数进行希尔伯特-黄变换，得到载荷信号的瞬时能量谱；

5)利用遗传算法对瞬时能量谱设置阈值，根据所求阈值，定位低于阈值的瞬时能量谱片段，并定位对应数据的时间点，将时间点对应到原始载荷信号中，删除该损伤贡献小的信号片段；

6)对保留信号片段进行拼接，得到相应压缩信号；

7)计算压缩载荷信号与原始载荷信号的疲劳损伤保留量、统计参数，检验功率谱密度以及穿级计数，当疲劳损伤保留量过低、统计参数的误差大于15％时，则循环步骤5)重新求取阈值，直到压缩信号与原始信号的误差值小于15％，并且二者的频率域功率谱密度分布以及幅值域穿级计数具有一致性，则跳出循环；

8)完成汽车零部件载荷谱的压缩工作。

进一步地，希尔伯特-黄变换包括：经验模态分解和Hilbert变换。经验模态分解即可把复杂信号分解为有限个固有模态函数；对每个固有模态函数进行Hilbert变换，可分析信号时频特性。

进一步地，所述步骤5)中对瞬时能量谱设置阈值的步骤具体包括：利用遗传算法，以瞬时能量谱阈值为设计变量，以载荷信号编辑前后的信号压缩比最小为目标函数，以压缩信号与原始信号的损伤比误差为约束条件，进行阈值寻优计算，找到给定区间内最优阈值；截止阈值与压缩载荷谱信号的时间历程长度以及疲劳损伤保留量有密切联系。

进一步地，所述步骤6)中对保留信号片段进行拼接的步骤具体包括：瞬时能量谱对应到原始信号中的时间不存在交集，即可对原始信号中保留片段直接进行拼接，拼接方法采用半正弦信号进行连接。

进一步地，所述步骤7)中所述统计参数包括：均值、均方根值和峰度系数。

图2是载荷信号的希尔伯特谱示意图，其具体解释如下：

对实测载荷信号进行经验模态分解，获得有限个固有模态函数(IMF)，再对每个固有模态函数作Hilbert变换，即可获取信号的希尔伯特谱，表示了信号能量在时频域的分布情况。

图3是实测数据的瞬时能量谱，图4是基于瞬时能量谱的阈值设置提取信号时间片段示意图，对于附图的具体解释如下：

对实测数据经希尔伯特-黄变换得到的有限个固有模态函数(IMF)所对应的瞬时频率(imfinsf)和瞬时能量(imfinse)，将其各瞬时能量(imfinse)进行叠加即可得到信号的瞬时能量谱，表征了信号能量在时域的分布情况。

瞬时能量谱图表征了信号能量在时域的分布情况，通过对瞬时能量设定阈值，定位低于阈值的瞬时能量谱时间片段，删除原始载荷信号中相应时间片段，对保留下来的信号片段进行拼接，即可得到与原始载荷信号作用效果基本相同的压缩信号。其阈值的设定主要利用遗传算法，以瞬时能量谱阈值为设计变量，以载荷信号编辑前后的信号压缩比最小为目标函数，以压缩信号与原始信号的损伤比误差为约束条件，进行阈值寻优计算，找到给定区间内最优阈值；截止阈值与压缩载荷谱信号的时间历程长度以及疲劳损伤保留量有密切联系。

图5是定位低于阈值的瞬时能量谱片段对应原数据信号的时间片段删减示意图，其具体解释如下：

通过定位低于阈值的瞬时能量谱时间片段(图4中灰色部分)，对应到原始载荷信号中相同位置的时间片段上，如图中灰色片段部分所示，对该区域数据片段进行删除，将剩余时间片段通过半正弦信号组合拼接即获得相应压缩信号。

本说明书中未作详细描述的内容部分属于本领域专业技术人员公知的现有技术。

本发明的上述实例仅是为清楚地说明本发明所作的举例，而并非是对本发明实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的改变。在此无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其特征在于：包括如下步骤：

1)获取并输入原始载荷信号；

2)对载荷谱进行预处理，包括滤波、去毛刺、漂移修正处理以及重采样；

3)对原始载荷信号进行经验模态分解，获得多个固有模态函数；

4)对每个固有模态函数进行希尔伯特-黄变换，得到载荷信号的瞬时能量谱；

5)利用遗传算法对瞬时能量谱设置阈值，根据所求阈值，定位低于阈值的瞬时能量谱片段，并定位对应数据的时间点，将时间点对应到原始载荷信号中，删除该损伤贡献小的信号片段；

6)对保留信号片段进行拼接，得到相应压缩信号；

7)计算压缩载荷信号与原始载荷信号的疲劳损伤保留量、统计参数，检验功率谱密度以及穿级计数，当疲劳损伤保留量过低、统计参数的误差大于15％时，则循环步骤5)重新求取阈值，直到压缩信号与原始信号的误差值小于15％，并且二者的频率域功率谱密度分布以及幅值域穿级计数具有一致性，则跳出循环；

8)完成汽车零部件载荷谱的压缩工作。

2.根据权利要求1所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其特征在于：希尔伯特-黄变换包括：经验模态分解和Hilbert变换；经验模态分解即可把复杂信号分解为有限个固有模态函数；对每个固有模态函数进行Hilbert变换，可分析信号时频特性。

3.根据权利要求1所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其特征在于：所述步骤5)中对瞬时能量谱设置阈值的步骤具体包括：利用遗传算法，以瞬时能量谱阈值为设计变量，以载荷信号编辑前后的信号压缩比最小为目标函数，以压缩信号与原始信号的损伤比误差为约束条件，进行阈值寻优计算，找到给定区间内最优阈值；截止阈值与压缩载荷谱信号的时间历程长度以及疲劳损伤保留量有密切联系。

4.根据权利要求1所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其特征在于：所述步骤6)中对保留信号片段进行拼接的步骤具体包括：瞬时能量谱对应到原始信号中的时间不存在交集，即可对原始信号中保留片段直接进行拼接，拼接方法采用半正弦信号进行连接。

5.根据权利要求1所述的基于希尔伯特-黄变换的汽车零部件载荷谱快速压缩方法，其特征在于：所述步骤7)中所述统计参数包括：均值、均方根值和峰度系数。

Images