IPEmotion的NVH噪声测试模块——坎贝尔图

news2024/11/28 19:48:46

德国IPETRONIK的IPEmotion软件除了可以对之前介绍的热管理试验及热管理台架试验、电性能试验和道路试验等各种进行基本的温度、模拟量和数字信号的采集分析外,无论专业版、开发版还是分析版均支持噪声分析模块。该模块支持噪声数据离线后处理,包括Campbell图操作、总体层级分析和阶次滤波器。因此,该软件在汽车NVH试验的噪声测试中已得到广泛应用。

本文将对噪声分析元件使用做出介绍。

• Campbell:坎贝尔操作基于FFT操作,通过添加附加的滤波加权函数来在分析工作界面内的Campbell显示元件中显示数据。

• 总体层级分析与Campbell操作设置相同,运用总体层级分析能够确定对声级影响最大的频率范围,从而调查声源,操作结果以X-Y图显示。

• 阶次滤波器支持与Campbell操作几乎相同的配置设置,两者的主要区别在于阶次滤波器不支持任何重叠配置。

一 针对Campbell操作的主要设置

| FFT设置

• 分辨率:

分辨率与用于计算FFT的采样数有关。根据选定的分辨率,计算相应的频率和块持续时间:块持续时间=分辨率/采样率,频率分辨率=采样率/分辨率。增加FFT分辨率时,会提高序列的精确度,但同时会降低时基的精度。

• 参考通道:

在标准配置中,所有FFT都是相对于时间基础计算。在噪声分析中,更合理的是针对测量声音和振动频率相关的另一个通道。发动机转速(RPM)通道是研究声学影响的一个常用通道。

• 窗函数:

FFT分析中为了减少或消除频谱能量泄露及栅栏效应而采用不同的截取函数来对信号进行截短,即使用窗函数。泄露与窗函数频谱的两侧旁瓣有关。

• 步长定义:

Overlap:重叠函数,数据文件中包含的所有数据进行计算FFT。并且,根据因子(%)可以定义FFT计算的重叠部分,即FFT计算中包含前一个数据块的数据量。Absolute:定义FFT计算的绝对步长,默认值通过公式计算得到:(Max-Min)/500。

| Weighting设置

权重设置对于Campbell分析十分重要。IPEmotion中定义了相关缩放模式及推荐的参考值。通过加权函数,可以根据人的听觉来补偿不同的声压级。参考值取决于应用,选择或添加与源通道单位相匹配的权重因子即可。

• 缩放模式:

线性缩放/dB无权重/dB A加权/dB B加权/dB C加权/dB D加权(A加权模拟人耳对40方纯音的响应;B加权模拟人耳对70方纯音的响应;C加权模拟人耳对100方纯音的响应;D加权主要用于飞机噪声的评价)

• dB参考权重因子:

Sound pressure (2E-05 Pa) /Acceleration (1E-06 m/s²) /Force (1E-06 N) /Pressure pulsation (1E-06 Pa) /Sound power (1E-12 W) /Sound particle velocity (5E-08 m/s)

• 权重类型:

RMS(均方根)/Peak value(峰值)/Peak to Peak value(峰峰值)

二 分析实例

| 振动台噪声分析

源数据:振动台振动加速度数据。

采样率:1kHz。

步骤一:对源数据进行重采样

数据按采样率4kHz以及线性插值模式来进行重采样。该步骤视实际测试情况而定。

步骤二:添加坎贝尔操作(基于时间)

FFT参数设置:

分辨率:16384;

参考通道:基于时间;

窗函数:Hanning(如果测试信号有多个频率分量,频谱表现十分复杂,且测试目的多是关注频率点而非能量的大小,则需选择汉宁窗;如果被测信号是随机或未知的,那么也可选择汉宁窗)。

Weighting参数设置:

缩放模式:dB B加权(B加权模拟人耳对70方纯音的响应);

dB参考权重因子:Acceleration(1E-06 m/s²)与源通道单位相匹配即可;

权重类型——RMS(均方根)。

步骤三:分析工作界面添加坎贝尔显示元件

根据坎贝尔图,可以得出:基于时间,振动台在振动频率为60Hz至200Hz之间产生的噪声为主要噪声来源......

请点击此处,查看剩余30%精彩内容!

| 往期回顾

▶ IPEmotion新增功能:交流电功率分析计算

▶ IPEmotion控制模块-PID循环应用

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处:http://www.coloradmin.cn/o/152991.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

如何通过大数据赋能产业园区高质量发展

2022年年底,中共中央、国务院印发了《关于构建数据基础制度更好发挥数据要素作用的意见》(以下简称《数据二十条》),以《数据二十条》出台为标志,我国数字经济发展从技术引领进入到数据驱动的新阶段,加快构建数据基础制度&#xf…

LINUX提权之第三方服务提权篇

前言 上一篇文章讲了一下环境变量提权不知道大家学习的怎么样了,今天给大家带来新的提权知识——“第三方服务提权”,本文会深入浅出讲解一下第三方服务提权的原理以及例子。 第三方服务 所谓的第三方服务可以大致理解为系统中安装的软件(…

机器人中的数值优化|【二】最速下降法,可行牛顿法的python实现,以Rosenbrock function为例

机器人中的数值优化|【二】最优化方法:最速下降法,可行牛顿法的python实现,以Rosenbrock function为例 在上一节中提到了我们详细探讨了数值优化/最优化理论中的基本概念和性质,现在开始使用python对算法进行实现。上一节链接&am…

CVE-2021-25296 复现

# 漏洞描述 名称&#xff1a;Apache OFBiz rmi反序列化漏洞 cve编号&#xff1a;cve-2021-25296 危害&#xff1a;未授权远程命令执行 影响版本&#xff1a;Apache OFBiz < 17.12.06 OFBiz是一个非常著名的电子商务平台&#xff0c;是一个非常著名的开源项目&#xff0…

Python识别屏幕题目并模拟做题

前言 马上就要过年了&#xff0c;有许多小伙伴们本本还没拿到&#xff0c;还在苦苦刷题&#xff0c;一直及格不了&#xff0c;现在&#xff0c;我们用Python模拟做题&#xff0c;看看效果。 环境使用 python 3.9pycharm 模块使用 requestsreselenium谷歌驱动 import reimpor…

动态规划|474. 一和零

题目看上去很唬人&#xff0c;但是恰恰是这样说明该题设计的目的很强&#xff0c;指向dp的01背包&#xff0c;就是为了考01背包设计的。 像极了中学时代的那种看上去花里胡哨&#xff0c;实质上是根据考点设计出题的题目。&#xff08;这种题看破出题意图&#xff0c;往往都很简…

电脑是自动获取ip,VMware安装linux时候,设置固定ip并且能访问外网

首先虚拟机网络模式是NAT模式。设置主机名和打开网络&#xff0c;也可以不设置主机名&#xff1a;安装好后&#xff0c;设置linux的ip地址。执行vi /etc/sysconfig/network-scripts/ifcfg-ens33&#xff0c;修改里面的ip配置&#xff1a;注意IP的范围。查看ip的范围的方法如下图…

Day 5 Spring的后处理器

1 Spring后处理器Spring的后处理器是Spring对外开发的重要扩展点&#xff0c;允许我们介入到整个Bean实例化流程中来&#xff0c;以达到动态注册BeanDefinition&#xff0c;动态修改BeanDefinition&#xff0c;以及动态修改Bean的作用。BeanFactoryPostProcessor: Bean工厂后处…

基于蜜蜂算法求解电力系统经济调度(Matlab代码实现)

目录 1 蜜蜂优化算法 1.1 蜂群觅食机制 1.2 蜜蜂算法 1.3 流程 2 经济调度 3 运行结果 4 参考文献 5 Matlab代码实现 1 蜜蜂优化算法 蜜蜂算法( Bees Algorithm&#xff0c;BA) 由英国学者 AfshinGhanbarzadeh 和他的研究小组于 2005 年提出。该算法是一种有别于蚁群…

学习使用php获取数组最大值并返回对应键名max和array_search函数,最后一个元素的值使用end函数

在php中&#xff0c;可以使用max函数和array_search函数获得数组的最大值&#xff0c;同时获得最大值对应的键名解决方案打印结果解决方案 使用max函数获得数组的最大值&#xff0c;并使用array_search函数找到最大值对应的键名&#xff0c;键名保存在$key变量中。 end() 函数…

android架构拆分方案

编译拆https://blog.csdn.net/dongyi1988/article/details/128629011结构拆https://blog.csdn.net/dongyi1988/article/details/128633808一、背景android设备已经遍及各行各业&#xff0c;手机整个项目阶段包括需求沟通&#xff0c;硬件设计打板&#xff0c;研发联调&#xff…

新网站如何快速被收录?网站收录如何查询

新网站如何快速被收录? 首先是向搜索引擎提交 各大搜索引擎都向网站提供了自动提交功能&#xff0c;而百度搜索引擎也有网站提交入口&#xff0c;主动提交网站能够增加百度收录几率&#xff0c;让搜索引擎尽快发现我们的网站已经上线。 然后是做好SEO优化&#xff1b; 1.网站内…

强(矩阵快速幂)

题目描述 Lh&#xff1a;粉兔你教我一下抽屉原理吧 Clz&#xff1a;就是给你一个长度为 n 的序列&#xff0c;每个数只能取 0,1,2&#xff0c;那你连续取三个数必然有两个相等…… Lh&#xff1a;等等你梭啥&#xff0c;再说一遍 Clz&#xff1a;……emmm 当我没说 Marser&…

测试框架 Jest 实用教程

官网 https://jestjs.io/docs/getting-started 安装 cnpm i --save-dev jest使用 在项目中的任意位置&#xff08;通常单独建个名为 test 的文件夹&#xff09;新建以 .test.js 为后缀的测试文件&#xff0c;如 expect.test.js &#xff08;若项目中有 test.js 存在&#xff0c…

【阶段三】Python机器学习10篇:机器学习项目实战:K近邻算法的基本原理、计算步骤与KNN(K近邻)分类模型

本篇的思维导图: K近邻算法(英文为K-Nearest Neighbor,因而又简称KNN算法)是非常经典的机器学习算法。 K近邻算法的基本原理 K近邻算法的原理非常简单:对于一个新样本,K近邻算法的目的就是在已有数据中寻找与它最相似的K个数据,或者说“离它最近”的K个数…

设计模式——备忘录模式

备忘录模式一、基本思想二、应用场景三、结构图四、代码五、优缺点5.1 优点5.2 缺点一、基本思想 在不破坏封装性的前提下&#xff0c;捕获一个对象的内部状态&#xff0c;并在该对象之外保存这个状态&#xff0c;以便以后当需要时能将该对象恢复到原先保存的状态。该模式又叫…

Bilibili支持了AV1编码,关于AV1编码你知道吗?

Bilibili支持了AV1编码&#xff0c;关于AV1编码你知道吗&#xff1f; AV1编码是一种新的视频编码标准&#xff0c;由联合开发的开源编码器&#xff0c;它由英特尔、微软、谷歌、苹果、Netflix、AMD、ARM、NVIDIA和其他一些公司共同开发&#xff0c;旨在替代H.264和HEVC等现有的…

Word控件 Aspose.words for.NET 授权须知

Aspose.Words 是一种高级Word文档处理API&#xff0c;用于执行各种文档管理和操作任务。API支持生成&#xff0c;修改&#xff0c;转换&#xff0c;呈现和打印文档&#xff0c;而无需在跨平台应用程序中直接使用Microsoft Word。此外&#xff0c; Aspose API支持流行文件格式处…

实验 2 灰度变换与空间滤波

目录实验 2 灰度变换与空间滤波一、实验目的二、实验例题1. 灰度变换函数 imadjust2. 使用对数变换压缩动态范围。3. 直方图均衡化 histogram equalization实验 2 灰度变换与空间滤波 一、实验目的 掌握灰度变换的原理和应用。掌握对数变换、幂律变换和直方图均衡化的原理和应…

融合注意力模块SE基于轻量级yolov5s实践路面坑洼目标检测系统

在很多的项目实战中验证分析注意力机制的加入对于模型最终性能的提升发挥着积极正向的作用&#xff0c;在我之前的一些文章里面也做过了一些尝试&#xff0c;这里主要是想基于轻量级的s系列模型来开发构建路面坑洼检测系统&#xff0c;在模型中加入SE注意力模块&#xff0c;以期…