Analisis 1

Machine Translated by Google
Sistemas Mecánicos y Procesamiento de Señales 171 (2022) 108921
Listas de contenidos disponibles en ScienceDirect
Sistemas Mecánicos y Procesamiento de Señales
página de inicio de la revista: www.elsevier.com/locate/ymssp
Método de análisis de modo azimutal mejorado con biregularización para el ventilador
del motor aeronáutico
Zepeng Lia ,b , Baijie Qiaoa ,b, , Bi Wen a,b,c , Junjiang Liu ab , Xuefeng Chen a,b
a Escuela de Ingeniería Mecánica, Universidad Xi'an Jiaotong, Xi'an, 710049, PR China
b Laboratorio estatal clave para ingeniería de sistemas de fabricación, Universidad Xi'an Jiaotong, Xi'an, 710049, PR China
C
Establecimiento de turbinas de gas AECC Sichuan, Chengdu, 610500, PR China
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Comunicado por J. Antoni El análisis de modo azimutal se considera una herramienta eficaz para la investigación del campo de flujo de
motores aeronáuticos, donde numerosos micrófonos están montados uniformemente como un anillo para
Palabras clave:
proporcionar una resolución espacial suficiente para la adquisición de la presión azimutal. El método de
Análisis de modo azimutal
muestreo de compresión actual permite obtener modos azimutales de muchos menos micrófonos, con modos
Lp norma
regularización de Tikhonov dominantes y no dominantes estimados por separado mediante la regularización de la norma L1 y la
muestreo compresivo transformada espacial de Fourier o el método de mínimos cuadrados. A pesar del esfuerzo de simplificación
del sistema de medición, este método clásico de muestreo compresivo regularizado por la norma L1 introduce
inherentemente una pérdida de precisión en la estimación de amplitud para los modos dominante y no
dominante. Con el objetivo de promover la precisión y una mayor reducción de la medición, el método de
análisis de modo azimutal mejorado con biregularización (BRAMA) está diseñado para investigar los modos
azimutales del ventilador del motor aeronáutico a través de mediciones acústicas limitadas. El método BRAMA
sustituye la regularización de la norma L1 con la regularización de la norma L (0 < < 1) para lograr una reconstrucción más pre
Mientras tanto, se introduce la regularización de Tikhonov basada en la norma L2 para estimar los modos no
dominantes. La eficacia del método BRAMA se verifica en dos casos, haciendo funcionar un banco de pruebas
de ventiladores de motores aeronáuticos de 2,5 etapas al 50 % y al 90 % de la velocidad nominal,
respectivamente. En primer lugar, las señales de presión acústica se procesan previamente para extraer el
componente tonal dominante, que se utiliza como entrada para la estimación del modo dominante. A
continuación, se llevan a cabo realizaciones comparativas por L1norma y Lnorma para detectar los modos
dominantes, mientras que la precisión de la amplitud con respecto al valor y el número de medición se analiza
en ambos casos. Finalmente, los modos no dominantes se estiman utilizando la regularización de Tikhonov en
comparación con los enfoques clásicos. Los resultados experimentales de ambos casos indican que el método
BRAMA supera al método clásico de muestreo por compresión en cuanto a la mejora de la precisión, la
reducción de las mediciones y la capacidad a prueba de interferencias.
1. Introducción
La contaminación acústica de los motores aeronáuticos ha despertado muchas preocupaciones desde el uso generalizado de los aviones a reacción comerciales. La
técnica de control de ruido para ventiladores de motores aeronáuticos requiere una comprensión profunda del mecanismo de generación y propagación del modo azimutal en
el conducto. Por lo tanto, el diseño de reducción de ruido generalmente tiene que consultar el análisis de modo azimutal (AMA), que proporciona una visión clara de las
condiciones de flujo complejas del ventilador del motor aeronáutico.
Autor para correspondencia en: State Key Laboratory for Manufacturing Systems Engineering, Xi'an Jiaotong University, Xi'an, 710049, PR China.
Dirección de correo electrónico: qiao1224@xjtu.edu.cn (B.Qiao).
https://doi.org/10.1016/j.ymssp.2022.108921 Recibido
el 3 de julio de 2021; Recibido en forma revisada el 22 de enero de 2022; Aceptado el 1 de febrero de 2022
Disponible en línea el 21 de febrero de 2022 08883270/© 2022 Elsevier Ltd. Todos los derechos reservados.
Z. Li et al. Sistemas Mecánicos y Procesamiento de Señales 171 (2022) 108921
AMA consiste en descomponer las perturbaciones de presión de los conductos en modos azimutales con varios patrones lobulados. Una implementación
directa de la medición de la presión acústica es mediante el uso de una matriz completa de sensores (FSA), donde los micrófonos se montan uniformemente
alrededor de la pared del conducto. Tenga en cuenta que la cantidad de micrófonos en FSA está restringida por el teorema de muestreo de NyquistShannon,
que las mediciones circunferenciales de la presión acústica deben ser dos veces más que el orden de interés del modo más alto. El requerimiento de numerosos
micrófonos conduce directamente a un sistema de medición altamente complejo. Para simplificar el sistema de medición, Rademaker et al. [1] diseñó una matriz
de micrófonos espaciados de manera no uniforme y amplió el rango de modo detectable. Sin embargo, la cantidad de micrófonos en la matriz optimizada se
redujo en una medida modesta. La aplicación del rastrillo giratorio promete una disminución considerable del número de micrófonos según el trabajo de Sijtsma
et al. [2] y Enghardt et al. [3], pero la interacción entre los rastrillos y las paletas genera interferencias en la detección del modo de conducto debido a la
generación de modos espurios.
El gran avance para la investigación de la simplificación del sistema de medición se presenta en el desarrollo del muestreo compresivo (CS). Para señales
de naturaleza escasa, esta moderna técnica de procesamiento de señales realiza de manera factible una reconstrucción idéntica a partir de muchas menos
mediciones que van en contra de los principios de muestreo tradicionales [4,5]. La técnica CS ha proporcionado un nuevo pensamiento en la adquisición de
datos en muchos campos [6–8]. En particular, un problema basado en CS está subdeterminado y requiere restricciones adicionales para encontrar una solución óptima.
Por lo general, la norma L1 se utiliza para restringir los problemas de CS con escasez previa debido a su potencial para inducir escasez. Mientras tanto, el
problema regularizado de la norma L1 puede resolverse con la optimización convexa, lo que finalmente da como resultado una solución óptima global.
Acercándonos al campo acústico del motor aeronáutico, la reducción del requisito de micrófono en AMA también se beneficia del modelo CS regularizado de
norma L1. Huang et al. [9–11] primero presentó CS a AMA y logró una detección exitosa de modos dominantes a través de una serie de experimentos en un
sintetizador de modo giratorio cerrado. Posteriormente, Terstegen et al. [12] utilizó un enfoque basado en CS para investigar el mecanismo de los modos tonales
en un compresor de 2,5 etapas, lo que indica la aplicabilidad a un conducto de aire realista.
Sin embargo, una deficiencia existente del modelo CS regularizado con norma L1 es que puede introducir una estimación sesgada de componentes de
gran valor [13]. Además, las soluciones dispersas generalmente no se pueden obtener a partir de las medidas mínimas [14]. Como alternativa a la regularización
de la norma L1, se ha investigado el regularizador no convexo (NCR) para resolver problemas escasos [15–18]. En cuanto a los problemas de CS, tiene
potencial para ofrecer una recuperación de señal más precisa con menos mediciones [19,20]. Por ejemplo, la regularización minimaxcóncava generalizada no
convexa (GMC) propuesta por Selesnick [13,21] captura las ventajas tanto de la regularización no convexa como de la optimización convexa, y se aplica bien
en varios campos, incluido el diagnóstico de fallas de maquinaria [22 ,23], identificación de carga [24], etc. Mientras tanto, algunas investigaciones han ilustrado
su potencial para lograr AMA a partir de mediciones limitadas.
Hou et al. [25] adoptó la penalización GMC para detectar modos tonales dominantes de un compresor de una sola etapa. Li et al. [26] modificó la regularización
de GMC al reponderarla y la aplicó para la investigación de un ventilador de etapas múltiples. Ambas investigaciones han obtenido amplitudes de modo más
precisas en comparación con el método estándar basado en la norma L1.
Otro NCR ampliamente investigado llega a la norma L (0 < < 1) regularización, que está diseñada para promover la escasa
capacidad de representación [19,27]. En virtud de su destacado comportamiento, se propone una serie de algoritmos para la codificación dispersa [14, 28–32]
para manejar varias tareas y, en consecuencia, presentan rendimientos mucho mejores que la regularización clásica de la norma L1.
Sin embargo, rara vez se adopta en el campo acústico. El trabajo preliminar actual lo llevan a cabo Bai et al. [33] en los últimos años, quienes estimaron los
modos dominantes minimizando el término normativo 1∕2 y adoptaron un algoritmo típico, a saber, la minimización iterativa de L1 reponderada (IRL1) para
resolver el problema no convexo. Aunque se presenta la promoción de la precisión, el trabajo modeló el problema con = 1∕2 en lugar de implementar una
discusión en términos de valores, mientras que la mejor selección depende de varias aplicaciones.
Mientras tanto, el rendimiento del algoritmo adoptado IRL1 es muy sensible al valor inicial de la iteración y no es robusto a las mediciones ruidosas [34,35]. En
las referencias mencionadas anteriormente, los NCR demuestran sus ventajas de viabilidad en la estimación del modo dominante, lo que nos inspira a ampliar
la investigación.
Además, tenga en cuenta que la investigación anterior de AMA se centra principalmente en los modos dominantes causados por la interacción rotorestator
en la frecuencia de paso de las palas (BPF), mientras que el resto de los modos no dominantes rara vez se analizan. Los modos no dominantes se originan a
partir de flujos turbulentos y fuentes externas, que normalmente se modelan como procesos aleatorios. El nivel general de presión de sonido de estos modos
es una de las preocupaciones de los investigadores para el diseño de reducción de ruido. Los enfoques actuales para estimar el modo no dominante a partir de
mediciones limitadas son básicamente mediante la transformada espacial de Fourier (SFT) o el método de mínimos cuadrados (LSM) [36,37]. Sin embargo, las
soluciones obtenidas por SFT o LSM no tienen una interpretación física clara. Para llegar a una solución mejor y significativa, se requiere un enfoque alternativo
para la estimación del modo no dominante.
Para mejorar aún más el actual método AMA basado en CS, se ha diseñado el enfoque AMA mejorado con birregularización (BRAMA), donde la
regularización L norma (0 < < 1 ) y la regularización Tikhonov (ver Ref. [38], Capítulo 1 , página 7) se adoptan para estimar los modos dominantes y los modos
no dominantes, respectivamente. La principal contribución del trabajo es demostrar la efectividad del método regularizado L norma (0 < < 1) en la estimación
del modo dominante, donde la precisión de la amplitud del modo, la selección del valor óptimo y el requisito mínimo de medición se discuten a través de dos
casos experimentales. . Vale la pena señalar que la dispersión del modo ocurre en el segundo caso, donde se plantean desafíos en la estimación del modo
disperso. Además, se investiga el comportamiento del método regularizado de Tikhonov en la estimación del modo no dominante.
El resto de este trabajo está organizado de la siguiente manera. La Sección 2 revisa brevemente la implementación del proceso AMA convencional con
FSA y el AMA basado en CS regularizado por la regularización clásica de norma L1. El método BRAMA se presenta en la Sección 3. La Sección 4 ilustra la
configuración de un sistema de prueba de ventilador de motor aeronáutico de 2,5 etapas, que se utiliza para la validación experimental.
En la Sección 5, se llevan a cabo los procedimientos de preprocesamiento necesarios en la serie acústica recopilada. En la Sección 6, se estudian dos casos
que varían las condiciones de operación para verificar la efectividad del método BRAMA. Finalmente, en la Sección 7 se extraen algunas conclusiones .
2
2. Revisión de las formulaciones de AMA
2.1. Método AMA convencional
El sonido se propaga en forma de perturbaciones de presión en el flujo medio. Bajo la condición idealizada, la propagación del ruido en conductos anulares se puede
modelar mediante la ecuación convectiva de la siguiente manera:
1 ( )2 − = 0 (1)

0
donde es la presión del sonido, 0 es la velocidad del sonido local, se refiere a la derivada sustancial y es el operador laplaciano bajo coordenadas cilíndricas ( , , ). La solución
general de la Ec. (1) se puede describir como la superposición lineal de los modos de Helmholtz:
+ + − −
( , ( mi− mi− ) ( ) mi (2)
, ) = ∑∞ ∑∞ +
=−∞ =0
donde (+,) indican las direcciones de propagación de los modos aguas abajo y aguas arriba, respectivamente. ( , ) son los órdenes de modo azimutal y radial. ± es la amplitud
del modo de sonido, y ± es el número de onda correspondiente. ( ) es un factor que decide la forma de los modos radiales. En cuanto al
suma
proceso
de A
los
MA,
modos
el modo
radiales,
azimutal
de aecuerdo
s la
con la Ec. (2) se simplifica de la siguiente forma:
( , ) = ∑∞
mi (3)
=−∞
donde es la amplitud compleja del modo azimutal que nos interesa. El enfoque AMA convencional obtiene el SFT:
las mediciones de la presión del sonido azimutal por un FSA montado uniformemente, entonces la amplitud del modo azimutal
1
= − (4)
∑ ( 0 , ) mi
=1
donde ( 0 , ) es la presión en el dominio de la frecuencia medida por el micrófono montado en la posición axial 0 y la posición angular. Tenga en cuenta que el número de
micrófono en FSA debe ser dos veces mayor que el orden de modo en cuestión. Tal consideración exige un sistema de prueba altamente complejo compuesto por numerosos
micrófonos, lo que plantea desafíos en la instalación de micrófonos en el conducto del ventilador del motor aeronáutico.
2.2. Método AMA regularizado con norma L1
Beneficiándose del escaso previo de la presión del sonido en el dominio del número de onda, el método CS puede reconstruir los modos azimutales dominantes a partir de
muchas menos mediciones. Por lo tanto, el sistema de prueba de AMA se puede simplificar en gran medida utilizando el método CS.
Normalmente, la regularización de la norma L1 se introduce como la restricción adicional al problema indeterminado, por lo que los modos dominantes se reconstruyen a partir
de mediciones limitadas. Los modos no dominantes posteriores se estiman mediante SFT o LSM. Tal enfoque CS regularizado con norma L1 se ha empleado ampliamente
para llevar a cabo el proceso AMA a partir de mediciones limitadas [9–11,36,37], a continuación se presentan sus fórmulas matemáticas.
Suponiendo que se utilicen micrófonos para la adquisición de la presión del sonido, montados al azar como un anillo. De acuerdo con la Ec. (3),
las mediciones de presión complejas en BPF se pueden describir de la siguiente manera, en una forma compacta de producto matrizvector:
= + (5)
donde C ×1 es el vector de medición que representa amplitudes de presión complejas adquiridas por micrófonos. C × es y se refiere al ángulo de instalación del micrófono

el error de medición de los micrófonos. Con l=
m
a diispersión
seleccionado.
previa de que los
C m
×1
odos
es la
interactivos
matriz de transferencia,
tienen amplitudes
donde
mucho
el vector
más dae
ltas
amplitudes
que el resto,
de msodo
e puede
complejo.
asegurar
Cu
×na
1 denota
,
estimación exacta mediante la introducción de un regularizador que tenga la capacidad de inducir dispersión. La minimización de la penalización de la norma L0, que produce
la menor cantidad de no ceros en la solución, se considera la más idealizada:
1

2 − 2 + 1 (6)
= argumento mínimo { 2 0 }
donde son las amplitudes del modo dominante estimadas. término de 1 es el parámetro de regularización que gestiona el equilibrio entre los datos y el término de

2
fidelidad 2 escasez 0 . Es bien sabido que la Ec. (6) es NPhard, por lo tanto, el modelo regularizado de norma L1 como el
la relajación de la norma L0 se emplea ampliamente para ofrecer una estimación dispersa:
1

2 − 2 + 1 (7)
= argumento mínimo { 2 1 }
donde 1 es el operador de norma L1. Como una función convexa, Eq. (7) se puede resolver de manera eficiente mediante una serie de algoritmos de optimización
convexos regulares. Por lo tanto, los modos dominantes relacionados con los conjuntos rotorestator pueden determinarse mediante el procedimiento de deconvolución. La
estimación robusta de la Ec. (7) requiere que la matriz de transferencia mantenga la propiedad de isometría restringida (RIP), que puede ser
3
realizado mediante el montaje aleatorio de micrófonos. Después de eso, el resto del espectro de modo no dominante generalmente se determina mediante
SFT o LSM. El enfoque basado en SFT obtiene los modos no dominantes mediante el siguiente cálculo:
=
1 T
( − ) (8)
donde T denota la matriz adjunta de . El otro enfoque LSM busca la solución minimizando los residuos de medición, es decir, calculando directamente la inversión
de MoorePenrose:
− −
2

= argumento mínimo { 2 } (9)

= ( T )−1 T ( − )
Con los modos dominante y no dominante determinados, las amplitudes del modo azimutal son la suma de los dos:
= + (10)
El método AMA regularizado con norma L1 gana considerable popularidad principalmente por su contribución en la reducción del número de micrófonos. A
pesar del uso generalizado, este enfoque tiende a introducir sesgos en la estimación de componentes con valores grandes, es decir, modos dominantes [13,29].
Mientras tanto, la aplicación de SFT para estimar los modos no dominantes no está bien considerada debido a la resolución espacial insuficiente, por lo que
básicamente se produce una pérdida de precisión grave. De manera similar, la aplicación de LSM para resolver tales problemas indeterminados puede conducir
a una estimación inestable y sin sentido.
3. Método de análisis de modo azimutal mejorado con biregularización
En esta sección, se presenta el método BRAMA como una alternativa al enfoque regularizado L1 actual para la aplicación de AMA. El método BRAMA
combina dos métodos de regularización diferentes para mejorar la precisión de la estimación del modo dominante y no dominante. Específicamente, los modos
dominantes con naturaleza dispersa se estiman con la adopción de la regularización de la norma L no convexa (0 < < 1), mientras que los modos no dominantes
con características aleatorias se estiman mediante la regularización de Tikhonov. Cabe mencionar que el método BRAMA prioriza la precisión de los modos
dominantes debido a su potencial para caracterizar las condiciones de flujo del ducto. Por lo tanto, los dos tipos de términos de regularización se emplean
sucesivamente para preservar la precisión de los modos dominantes.
3.1. Estimación de modos dominantes mediante regularización Lpnorma
Los modos dominantes que se originaron a partir de la interacción rotorestator tienen grandes magnitudes significativas en el dominio del número de onda,
por lo que la conocida regularización de la norma L1 se emplea comúnmente para inducir la escasez en los estudios actuales. Sin embargo, la regularización de
la norma L1 tiende a penalizar en gran medida los componentes de gran valor, por lo que se produce una posible subestimación al aplicarla para estimar los
modos dominantes. Además, la regularización de la norma L1 generalmente no puede manejar un problema de CS con la menor cantidad de medidas. Para un
mejor propósito de estimación, se emplea una alternativa para reconstruir los componentes del modo dominante, es decir, la regularización de la norma L:
1

2 − 2 + (11)
= argumento mínimo { 2 }
| | | d
donde [0, 1], y es el operador cuasinorma L, es decir,
= (∑ =1

| )1 . Observe que la regularización de la norma L es
equivalente a la regularización de la norma L1 cuando = 1, y se denomina regularización de la norma L0 cuando = 0. La norma L1 y la norma L0 están unidas
por el parámetro , que decide la escasez de la spenaliza
olución alos
l controlar
valores gla
randes
forma m
de
ás
distribución .
que los valores
Como
pequeños,
se muestra
lo qeue
n lca
onduce
figura 1a, lla
a nsorma
ubestimación
L1 inherentemente
del componente
de valor grande, es decir, los modos dominantes. Por el contrario, la penalización de la norma L es más aproximada a la norma L0 al sopesar por igual los
valores pequeños y grandes. En consecuencia, se suprime la estimación de los componentes de valor pequeño, mientras que se mejoran los grandes.
Para la estimación del modo dominante, la precisión de la amplitud se beneficia mucho de la no convexidad de la regularización de la norma L.
Un desafío proviene de resolver el problema regularizado de norma L, cuya función de costo es no convexa, no suave y no Lipschitz. Este artículo emplea
el algoritmo de contracción iterado generalizado (GISA) para buscar estimaciones precisas de la ecuación. (11), que es propuesto por Zuo et al. [31] para el
reconocimiento facial. El algoritmo correspondiente para el problema se muestra como Algoritmo 1. En teoría, GISA se comporta mejor que los algoritmos IRL1
e IRLS existentes tanto en la precisión como en la mejora de la eficiencia, atribuyéndolo a sus reglas explícitas de umbralización y sólidos procedimientos de
contracción. Mientras tanto, a diferencia del algoritmo de medio umbral que resuelve el problema regularizado de norma L con fijo = 1∕2, GISA permite la discusión
sobre el impacto de los valores en la precisión de la amplitud. La introducción detallada de GISA se refiere a la Ref. [31].
4
Fig. 1. Comparación de funciones de penalización variando valores.
Algoritmo 1 GISA para estimación de modo dominante regularizado por L norma
Aporte: , . , ,
Inicializar:
Establecer (0) −
umbral: ==2,
(2
n(úmero
1 − ))1∕(2− )
hacer ( )de iteración
+ (2 (1
interna
− ))( −1)∕(2− )
= 2 1 , t3amaño
. para d=e
0p, aso
1, 2,
=… .
2
( ) ( )
4 . = −
T ( − )
( )
5 . Recorrer todos los elementos ( )
d )T
= ( ( )
= ( ( ) )T para actualizar
( ) |
6 | si | | | > |
7 . Iterar en = 0 para hacer
(+1) ( ) | |
8 re | |
= signo ( ( ) ) ( || − ( ( ) d ) −1)
9 más (+1) = 0
d
10. fin del recorrido 11.
fin de
(+1)
12. volver =
3.2. Estimación de modos no dominantes a través de la regularización de Tikhonov
Previa determinación de los modos dominantes, la componente no dominante se modela mediante:
−
= + (12)
Observe que el sistema lineal está subdeterminado, donde infinitas estimaciones pueden producir la misma distribución en el espacio muestral.
El simple uso de LSM para acotar el residuo puede no producir una solución significativa. Debe agregarse un plazo extra de regularización para
asegurar una solución rigurosa y única al problema. En general, los modos no dominantes pertenecen al ruido que se genera a partir de fuentes
no relacionadas con el rotor, por ejemplo, separación de flujo fluctuante, desprendimiento de vórtices, ruido de contorno y otras fuentes externas [39] .
La ocurrencia correspondiente de estos modos se puede modelar como un proceso aleatorio [40]. En consecuencia, se supone que los modos no
dominantes obedecen a la distribución gaussiana, donde el término de la norma L2 agrega perfectamente una restricción adicional exacta a su distribución anterior.
Por lo tanto, los modos no dominantes pueden estimarse mediante el siguiente modelo regularizado de Tikhonov:
2
2
− −
2 + 2

(13)
= argumento mínimo { 2 }
4. Descripción del experimento
Para verificar la efectividad del método BRAMA, se llevó a cabo el experimento de medición del modo acústico. Se configura un sistema de prueba como
se muestra en la Fig. 2(a), que incluye una plataforma de ventilador de motor aeronáutico, un anillo de micrófono para la adquisición de datos acústicos y una
turbina de gas que alimenta el funcionamiento del ventilador. En la Fig. 2(b) se muestra la estructura simplificada del ventilador del motor aeronáutico que
consta de 2,5 etapas de álabes. Las palas contenidas y los números correspondientes se enumeran en la Tabla 1. La velocidad de rotación nominal del eje del
rotor es de 9000 RPM, impulsado por una turbina de gas. La matriz de anillos de sensores se instala en la sección de entrada como se muestra en la Fig. 3,
con una distancia axial de 410 mm desde la fila de paletas guía de entrada (IGV). La matriz de sensores se compone de 32 micrófonos montados uniformemente
con un espaciado angular de 11,25◦ . Los parámetros de rendimiento de los micrófonos empleados se enumeran en la Tabla 2, lo que indica su capacidad de
adquisición de señales de presión. Las señales acústicas son recopiladas por el sistema de adquisición de datos Dewesoft, con una frecuencia de muestreo de 50 kHz.
5
Fig. 2. Esquemas de (a) el sistema de prueba y (b) plataforma de ventilador de motor aeronáutico de 2,5 etapas.
Fig. 3. Fotografía del anillo del micrófono para la adquisición de series acústicas.
tabla 1
Contenido del ventilador de motor aeronáutico de 2,5 etapas.
Categorías de cuchillas Número
Álabes guía de entrada ( ) Álabes 17
del rotor de la 1.ª etapa ( Álabes 1 ) 22
del estator de la 1.ª etapa ( Álabes 1 15
del rotor de la 2.ª etapa ( Álabes ) ) 34
2
62
del estator de la 2.ª etapa ( 2)
Tabla 2
Parámetros de rendimiento del micrófono.
Modelo BSWAMPA 401
Sensibilidad de circuito abierto 5 mV/Pa
Respuesta frecuente 6,3 Hz–70 kHz
Temperatura de funcionamiento 253 K–353 K
Gama dinámica 35dB–155dB
El anillo del micrófono es para medir los modos en un rango de ±15 a la tasa de NyquistShannon, comparando la estimación de los enfoques CS.
Aunque los modos de orden superior pueden activarse en la condición de funcionamiento, se excluyen del análisis para evitar la aparición de aliasing.
Dado que el enfoque FSA no puede ofrecer amplitudes referenciadas precisas de esos modos, no deben ser estimados por los enfoques CS en este
trabajo. Vale la pena notar que, para la verificación práctica de CS, los micrófonos no pueden montarse arbitrariamente en la dirección circunferencial
debido a la limitación física del conducto. Sin embargo, se ha demostrado que la selección aleatoria de mediciones de micrófonos de las posiciones
candidatas fijas también puede asegurar que los métodos CS produzcan estimaciones robustas, es decir, la matriz de transferencia que contiene RIP [5,
41].
El equipo del ventilador opera en estado estable con varias velocidades del rotor ( ), que se mantiene estabilizado durante un período de tiempo
antes de que cambie. En la Fig. 4 se muestra la velocidad de rotación del eje del rotor durante la prueba. Interceptamos dos períodos de 40 s del
experimento como Caso 1 y 2, variando la vestudia
elocidad
el
dCel
aso
eje,
1p dara
onde
investigar
el ventilador
la efectividad
del motor
y ala
eronáutico
aplicación
odpera
el maétodo
baja B
velocidad
RAMA propuesto.
( = 4490 REPM,
n particular,
alrededor
se
del 50% de la velocidad nominal), mientras que la condición de operación del Caso 2 s1e nominal).
estabilizó T
eanto
n = 7e
930
l AMA
RPM
regularizado
(alrededor L
d1
el
c9omo
0% dee
l la velocidad
2
6
Fig. 4. Velocidad de rotación del eje del rotor durante la prueba.
Los BRAMA propuestos se utilizan para obtener el espectro de modo azimutal con fines de comparación, y los resultados del enfoque FSA convencional se
consideran referencias para evaluar su rendimiento. En este documento, los modos azimutales se estiman en el 1er BPF para verificar la efectividad del método
BRAMA. También vale la pena mencionar que, para los casos de armónicos BPF más altos, el aumento del número de modo de corte cambiará el número de
condición del problema.
5. Preprocesamiento de la señal acústica
5.1. Extracción de ruido tonal mediante análisis cicloestacionario
Generalmente, la medición acústica en la sección de entrada es una mezcla de componente de ruido tonal y componente de ruido de banda ancha.
El componente tonal está relacionado con el rotor y ocurre en los tiempos enteros del orden del motor (EO). Las grandes magnitudes de los modos tonales
demuestran su naturaleza escasa en el dominio del número de onda. Por el contrario, el componente de banda ancha que está relacionado con numerosos
fenómenos impredecibles generalmente se modela como un proceso aleatorio. En cuanto a nuestra investigación del modo azimutal, los modos dominantes que
provienen de la interacción rotorestator caen en la categoría de ruido tonal. Para asegurar la precisión de identificación de amplitud de los modos dominantes,
se debe realizar el preprocesamiento necesario para separar el componente tonal de las mediciones de micrófono mixto.
El ventilador de motor aeronáutico como maquinaria cíclica tiene características periódicas, que pueden ser exhibidas por las mediciones acústicas del flujo.
La aplicación de la teoría cicloestacionaria [42–44] para revelar estas periodicidades ocultas es particularmente atractiva, atribuyéndola a su viabilidad para
separar las fuentes con respecto a su comportamiento estadístico. Según Ref. [45], la señal cicloestacionaria de primer orden (CyS1) se define para obedecer:
( ) = { ( )} = ( + ) (14)
donde { } denota el operador promedio del conjunto. En particular, la función de valor esperado de la señal ( ) es periódico con punto . El

cicloestacionaria de segundo orden (CyS2) se define para obedecer:
2 ( 1 , 2 ) = { ( 1 ) ( 2 )} = 2 ( 1 + 2 , 2 + ) (15)
cuya función de autocorrelación ( 1 , 2 ) es periódico con periodo . Por las Ecs. (14) y (16), uno puede ver que CyS1 y CyS 2 indican la predictibilidad
y aleatoriedad de una señal, respectivamente Por lo tanto, el ruido tonal generado con respecto al movimiento de rotación del eje del rotor tiene características
de CyS1, mientras que el componente de banda ancha incluye CyS2 y otros procesos no cicloestacionarios.
La implementación de la extracción del componente tonal de la serie acústica medida se basa en las diferentes descripciones estadísticas. En este trabajo,
se emplea un enfoque denominado promedio sincrónico en el tiempo (TSA). Al volver a muestrear la señal en el dominio angular, TSA puede manejar de manera
efectiva nuestra tarea donde ocurren pequeñas variaciones de velocidad del rotor y se muestra que es óptimo en el sentido de mínimos cuadrados [40,46]. Los
pasos son los siguientes. En primer lugar, las señales de presión se vuelven a muestrear con respecto al ángulo de rotación del eje, después de lo cual se
construyen segmentos cada 20 revoluciones. A continuación, se calcula el promedio de ensamblaje de estos segmentos y se considera como el componente
tonal determinista. El componente de banda ancha se adquiere restando el componente tonal de la serie acústica remuestreada.
Los resultados de extracción de las mediciones de micrófono de 0 ◦ en ambos casos se muestran en la Fig. 5. CyS1 denota el componente tonal y CyS2
es el ruido de banda ancha. Se puede ver claramente que los picos de las señales de CyS1 ocurren exactamente en los tiempos enteros de EO, lo que coincide
perfectamente con el mecanismo de generación de ruido tonal. Por el contrario, las señales de CyS2 no presentan picos agudos, sino que solo tienen
magnitudes relativamente altas en la banda vecina de BPF. Tal fenómeno proviene de las fuentes de ruido no asociadas al rotor, por ejemplo, la separación del
flujo en el borde de la pala. Sin embargo, el componente tonal todavía muestra un ruido mucho más fuerte en BPF en comparación con el componente de banda
ancha, con una diferencia de pico de 15,4 dB en el Caso 1 y de 17,6 dB en el Caso 2. En particular, en el Caso 2 se pueden observar picos de mayor magnitud
en el componente tonal, lo que son generados por dispersión de modo acústico. Atribuyéndolo a la alta velocidad de rotación del Caso 2, la condición de flujo
del ventilador del motor aeronáutico es más compleja y el ruido de fondo es mucho más fuerte, lo que plantea un desafío en la detección del modo azimutal.
7
Fig. 5. Separación de componentes de ruido de (a) Caso 1 y (b) Caso 2.
Fig. 6. Amplitud del modo azimutal de (a) Caso 1 y (b) Caso 2.
5.2. Punto de referencia de AMA a través del enfoque FSA convencional
Para evaluar la precisión de los enfoques CS, primero realizamos AMA a partir de medidas espaciales suficientes, es decir, enfoque FSA, para proporcionar una
referencia de los resultados obtenidos a partir de medidas limitadas. Sujeto al teorema de muestreo común, los modos cuyo orden está entre ±15 pueden detectarse
con precisión. Aplicando la Ec. (4) tanto para el Caso 1 como para el Caso 2, las amplitudes de los modos azimutales se muestran en la Fig. 6. Entre los modos del
ventilador del motor aeronáutico, es el más dominante para ambos casos, con una
5 mse
agnitud
origina
dee
n
1l40,47
a interacción
dB y 150,61
entre
dlas
B rp
espectivamente. .
aletas de guía de
Eeste
ntrada
modo
y las
dominante
palas del
5
rotor de la primera etapa. El orden de tales modos interactivos se calcula por el número de hojas de filas interactivas [12,47]:
= + (dieciséis)
donde es el orden armónico de BPF. y denote el número de palas de rotor interactivas y paletas de estator, respectivamente. puede ser cualquier entero. En
consecuencia, este orden de modo interactivo dominante se expresa por 5 = 22 − 17 = 5. En particular, en el Caso 2= se m1uestra
− un muna
odo
ammplitud
enos ddominante
e 143,00 cdon
B, lo
que indica la aparición de dispersión
de
−12 como em
l podo
en
unto la
de fila de paletas
referencia para geuía
de e
valuar ntrada:
las −12 = −12.
estimaciones Los resultados
posteriores de lla
mediante FSA
os se consideran
enfoques como
de norma la estimación
BRAMA y L1. exacta,
= −
5
Para facilitar la comprensión de este trabajo, el diagrama de flujo del método BRAMA en la investigación del modo de motor aeronáutico se muestra en la Fig. 7.
6. Estudio de casos
6.1. Caso 1: 50% de la velocidad nominal
6.1.1. Estimación del modo dominante
El caso 1 se prueba con un ventilador de motor aeronáutico que funciona a baja velocidad, donde solo se excita el modo interactivo.
La aamplitud
reconstruye partir ddel
el
c5 se
omponente
modo dominante 5 tonal extraído de las señales acústicas. En este caso, el modo dominante se estima mediante un conjunto de micrófonos irregulares, que
se construye seleccionando aleatoriamente mediciones de los 32 micrófonos de
8
Fig. 7. Diagrama de flujo del método BRAMA propuesto.
la matriz de anillos. Esto es para cumplir con el requisito de muestreo irregular y subNyquist de CS. Se introduce el error absoluto( ) para evaluar la estimación del modo dominante:
| 2 |
| | | |
| |
|
| |
= |
|
|
(17)
|
10 × log10 2 |
|
| | |
|
| | |
|
|

dónde es la amplitud del modo dominante estimada a partir de mediciones limitadas, y consulte la Sección 5.2. denota la amplitud obtenida por FSA,
Dado que el valor óptimo varía con respecto a las tareas, en primer lugar se analiza la mejor selección de modo de detección. Nosotros
variar el parámetro de control de escasez de 0,05 a 1 con un incremento de 0,05, para encontrar el valor óptimo para el mejor 5
9
Fig. 8. Error de las estimaciones del modo dominante con respecto a los valores del Caso 1.
Tabla 3
Estimaciones del modo dominante 5 en el caso 1.
Método Micrófonos 5 amplitud (dB) EA (dB) RE
8 136.11 4.36 3,10%

10 136.44 4.03 2,87%
norma L1
12 136.17 4.30 3,06%
14 136.53 4.94 2,80%
8 140.20 0.27 0,19%

10 140.52 0.05 0,03%
L norma
12 140.37 0.10 0,07%
14 140.61 0.14 0,09%
Estimacion. Tenga en cuenta que el enfoque de regularización de la norma L1 es equivalente a la norma L cuando = 1. Para cada valor, la estimación se
implementa seleccionando aleatoriamente 8, 10, 12 y 14 micrófonos de la matriz en anillo, respectivamente. Para cada número de micrófono determinado,
se realizan 100 realizaciones con diferentes esquemas de muestreo para evitar resultados accidentales. Tomamos el valor medio de AE para indicar el
desempeño general de 100 realizaciones, como se muestra en la Fig. 8. Las estimaciones son apropiadas cuando 0.5 ≤ ≤ 0.7, y el AE promedio mínimo
se logra con un valor de 0.6. Los valores medios de AE por debajo de = 0,6 son por separado 0,71 dB, 0,59 dB, 0,49 dB y 0,41 dB cuando se aplican 8,
10, 12 y 14 mediciones para estimar, mientras que los errores de estimación al establecer
5 , dB, 4
=,40
1 (norma
dB y 4,32
L1)
daB.
lcanzan
Obviamente,
un valor
se
tan
obtienen
alto como
resultados
4,45 dB,
m4ás
,41
precisos al reemplazar la regularización L1norma por Lnorma.
A partir de 8, 10, 12 y 14 micrófonos seleccionados aleatoriamente, los modos dominantes se estiman con un valor de 0,6 según el resultado de la
Fig. 8, y los resultados se muestran en la Fig. 9. Los micrófonos muestreados se seleccionan aleatoriamente de la matriz para determine la matriz de
transferencia W. De acuerdo con la Ref. [48], una matriz W construida aleatoriamente puede cumplir con el requisito de propiedad de isometría restringida
de CS con una gran probabilidad estadística, que asegura el éxito de la reconstrucción de CS. Los esquemas de micrófonos muestreados específicos se
dan en la Fig. 9 (los micrófonos están numerados en el sentido de las agujas del reloj
parte
desde
de la
0n ◦orma
). Se
Lp1,
uede
mientras
observar
que ula
na
norma
subestimación
L presenta
significativa
un rendimiento
por
notable al ofrecer amplitudes de modo dominante exactas a partir de mediciones limitadas.
Las amplitudes específicas estimadas a través de la regularización Lnorma y L1norma se enumeran en la Tabla 3, junto con los AE correspondientes y
los errores relativos (RE). Aparentemente, la precisión de la amplitud se mejora utilizando el método Lnorma, atribuyéndolo a su función de penalización
que suprime los valores pequeños y mejora los grandes. En consecuencia, Lnorma ( = 0,6) produce amplitudes de modos dominantes más precisas que
el método clásico de norma L1.
El número mínimo de micrófonos para la estimación estable del modo dominante se analiza más a fondo. Para reducir la aleatoriedad, se realizan 50
estimaciones de esquemas de micrófono arbitrarios con respecto al número de medición. La moda se estima por separado mediante el método
5 regularizado
de norma L y el método regularizado de norma L1, como se muestra en la figura 10. En particular, dado que la regularización de norma L alcanza
resultados casi precisos cuando 0,5 ≤ ≤ 0,7, el parámetro se establece en 0,6 independientemente el número de micrófono muestreado. Se puede ver
claramente que las estimaciones derivadas de la regularización de norma L tienen errores más pequeños en comparación con las de la regularización de
norma L1, lo que indica el rendimiento superior sistemático de la regularización de norma L. Consideramos que la estimación es aceptable cuando el AE
correspondiente es inferior a 2 dB, y luego llevamos a cabo una discusión adicional sobre la medición mínima requerida para un resultado confiable. 5 se
puede estimar con pmientras
recisión aq ue
partir
de
el m solo d8e
étodo mnicrófonos
orma L1 ncecesita
uando sme
aplica
de 1l9
ás a m
regularización de
gn
icrófonos para orma L independientemente
arantizar de la ubicación
la probabilidad de reconstrucción del sensor,
exitosa
del 100
%. Con el empleo de la regularización de la norma L, el número de medición esencial disminuye en gran medida, por lo que el sistema de prueba se puede
simplificar aún más. En resumen, tanto la mejora de la precisión como la simplificación del sistema de prueba se benefician de la aplicación de la
regularización de la norma L.
10
Fig. 9. Las estimaciones del modo dominante del Caso 1, donde el número de micrófonos empleados es (a) 8, (b) 10, (c) 12 y (d) 14, respectivamente.
Fig. 10. Distribuciones de error de estimación de 5 con respecto al número de medición en el Caso 1.
6.1.2. Estimación del modo no dominante
Dado que los modos no dominantes tienen características aleatorias, un indicador estadístico asociado con el nivel de presión de sonido total es
introducido para evaluar la estimación, a saber, AE promedio (AvgAE) [36]:
| 2 |
| | | | | |
| |
1 | |
∑ (18)
| |
EA promedio = |
10 × log10 2 |
|
| | |
=1 |
| | |
|
|

donde y denotan la
es
el número
amplitud de
del m modos
odo no dominantes.
no dominante
estimada a partir de mediciones limitadas y FSA, respectivamente. La diferencia del nivel de presión sonora entre el resultado CS y el resultado FSA puede reflejarse en
AvgAE, que es muy importante en el estudio de ruido de banda ancha.
Se discute el comportamiento de la regularización de Tikhonov en la estimación del modo no dominante con respecto al número de micrófonos.
Del mismo modo, para cada medición hay 100 realizaciones con diferentes arreglos de micrófonos, acompañados de resultados por enfoques clásicos SFT y LSM como grupos de contraste. En la Fig. 11 se muestran los
diagramas de cajabigotes de las realizaciones, que demuestran las distribuciones de error de los tres enfoques. Se puede observar que el método de regularización de Tikhonov se comporta mejor que SFT. En comparación
con LSM, se puede observar una modesta promoción de precisión utilizando la regularización de Tikhonov. Sin embargo, atribuyéndole a la restricción adicional sobre el previo físico de los modos no dominantes, se obtiene
una estimación significativa. En comparación con SFT, la precisión de la estimación mejora significativamente cuando se utilizan menos micrófonos. Mientras que uno puede notar que ocurre lo contrario cuando el número
de medición es mayor que 29. Este fenómeno dice que el aumento de las mediciones conduce a la mejora de la resolución espacial, y el resultado de referencia se obtiene mediante SFT con una resolución espacial
suficiente, es decir, FSA. En particular, los enfoques basados en CS tienen como objetivo estimar el espectro modal a partir de mediciones muy limitadas para superar los desafíos planteados por la complejidad del sistema
de prueba, por lo que la regularización de Tikhonov propuesta es más efectiva en la mayoría de los casos en los que solo se emplean unos pocos micrófonos.
11
Fig. 11. Distribuciones de error de estimación de modos no dominantes con respecto al número de medida en el Caso 1.
Fig. 12. Error de las estimaciones del modo dominante con respecto a los valores del Caso 2.
6.2. Caso 2: 90% de la velocidad nominal
6.2.1. Estimación del modo dominante
El campo de flujo en el Caso 2 es más complicado debido a la condición de operación de alta velocidad, donde la interferencia del ruido de
fondo con la detección de modo es más severa. La estimación precisa en el Caso 2 impone un requisito más estricto sobre la solidez del método
empleado. Además, otra diferencia con el Caso 1 es la excitación del segundo modo dominante que se produce por 12, dispersión
modo ddisperso,
e modos. El
naturalmente, tiene una magnitud relativamente menor que el modo que es más difícil de identificar, 5 dde
onde
l a
d s
ispersión
e
r equiere
p ara
l a
c e
apacidad
l
r egularizador.
de mejora
La influencia del parámetro en la precisión de la estimación también se analiza para el Caso 2. El diseño de la verificación es igual al del
Caso 1, las realizaciones se realizan con 100 selecciones de medidas diferentes de 8, 10, 12 y 14 micrófonos. El valor medio de AE se utiliza
para la evaluación, para encontrar el mejor valor para la tarea AMA. Como se presenta en la Fig. 12, se logran estimaciones atractivas cuando
oscila entre 0,5 y 0,7. De manera similar, los EA promedio más bajos ocurren cuando = 0.6 para estos casos, produciendo resultados mucho
más precisos que = 1 (regularización de norma L1).
Con el resultado en la Fig. 12, el parámetro se establece en 0,6 para estimar los modos dominantes por la norma L, y los resultados se muestran
en la Fig. 13 comparándolos con los de la norma L1. Se presentan cuatro estimaciones de cuatro esquemas de muestreo específicos, donde los
esquemas se determinan seleccionando aleatoriamente 8, 10, 12 y 14 micrófonos de la matriz, respectivamente, para formar el muestreo espacial
subNyquist e irregular. Obviamente, la regularización clásica de la norma L1 causa una diferencia de magnitud significativa, especialmente para La
pérdida de quede
precisión
se debe
enterrado ea
n seu
l rcuido
apacidad relativamente
de fondo. pobre p
Por el contrario, ara
la inducir escasez,
regularización por lo
en norma Lqp
ue
ecs
se muy probable
omporta mejor tqanto
ue eel n
mlodo menos dominante
a estimación
−12. −12 de
en
como
la
5
−12.Las amplitudes específicas de −12 5 y
sle
os errores correspondientes
presentan se
en la Tabla 5. Se enumeran
logra en la Tabla
una reducción 4, y los resultados
significativa del error adplicando
e la norma L para
sustituir la norma L1. En particular, el rendimiento de la regularización de norma L en la estimación del modo disperso es mucho mejor que el
método de norma L1. Dado que el modo tiene una magnitud −12 rindican
elativamente
la solidez
menor,
y la
las
capacidad
estimaciones
de mejora
precisas
de la
del
escasez
ruido d−12
d
e
e
fondo
lla
a rnegularización
orma
del sLervidor
. de
−12
Se estudia más a fondo el patrón de error de estimación con respecto al número de micrófonos. De manera similar, para cada número de medición
realizamos 50 estimaciones variando esquemas de micrófonos. Las estimaciones de 5
y −12 se presentan por separado en la Fig. 14(a)
12
Tabla 4
Error de estimación del modo dominante 5 en el caso 2.
Método Micrófonos 5 amplitud (dB) EA (dB) RE
8 147.92 2.69 1,79%

10 147.96 2.65 1,76%
norma L1
12 146.82 3.79 2,52%
14 148.12 2.49 1,65%
8 150.52 0.09 0,06%

10 150.87 0.26 0,17%
L norma
12 150.08 0,53 0,35%
14 150.48 0.13 0,09%
Tabla 5
Error de estimación del modo dominante −12 en el caso 2.
Método Micrófonos −12 amplitud (dB) EA (dB) RE
8 134.65 8.35 5,84%

10 136.12 6.88 4,81%
norma L1
12 128.09 14.91 10,43%
14 134.67 8.33 5,82%
8 142.43 0.57 0,40%

10 143.96 0,96 0,76%
L norma
12 141.58 1.42 0.99%
14 141.64 1.36 0.95%
Fig. 13. Las estimaciones del modo dominante del Caso 2, donde el número de micrófonos empleados es (a) 8, (b) 10, (c) 12 y (d) 14, respectivamente.
y B). Para una c5 ,
onclusión similar se puede sacar que la regularización de norma L funciona mejor que la regularización de norma L1, con menos
micrófonos necesarios para realizar estimaciones estables con errores de menos de 2 dB. Sin embargo, se plantea el reto de estimar el modo
disperso cuya magnitud es menor que es ddispersión.
12, ifícil de identificar.
Además, Para
dado
estimar
que eel l
ruido
modo
de
disperso,
fondo es
sme ás
exige
severo
al regularizador
en el caso 2l,
a
ecl apacidad
enfoque ddebe
e msejorar
er lo la
suficientemente robusto para la estimación del modo. En la Fig. 14(b) se puede ver que ambos métodos tienen un rendimiento menos favorable. Sin
embargo, el método Lnorma todavía puede obtener con precisión la amplitud de cuando se muestrean más de 17 micrófonos a pesar de algunos
valores atípicos. Por el contrario, la norma L1 clásica en su mayoría no logra identificar el modo −12, lo que lleva
12, Con
a errores
los resultados
de estimación
comparativos,
poderosos. se
indican la viabilidad de mejora de la escasez y la capacidad de prueba de interferencias del método regularizado de norma L empleado.
6.2.2. Estimación del modo no dominante
Previa determinación de los modos dominantes mediante la regularización Lnorma, el resto de modos no dominantes son posteriormente
reconstruidos mediante la regularización Tikhonov propuesta y los enfoques clásicos. Siguiendo la misma pista del Caso 1, los modos no dominantes
se estiman bajo varios números de medición y se realizan 100 realizaciones para cada medición.
13
Fig. 14. Distribuciones de error de estimación de (a) 5 y B) −12 con respecto al número de medida.
Fig. 15. Distribuciones de error de estimación de modos no dominantes con respecto al número de micrófonos en el Caso 2.
contar. En la Fig. 15 se muestran las distribuciones de error de los tres enfoques, lo que demuestra un fenómeno similar al Caso 1. El método de regularización
de Tikhonov básicamente se comporta mejor que el SFT, mientras que la mejora sobre LSM es modesta.
7. Conclusiones
En este documento, el método BRAMA está diseñado para ofrecer una estimación de modo más precisa con menos requisitos de micrófono. En
comparación con el enfoque AMA convencional basado en CS, el método BRAMA sustituye la norma L1 estándar con la regularización de la norma L para
estimar los modos dominantes. Mientras tanto, se adopta el Tikhonov para estimar los modos no dominantes. La eficacia del BRAMA propuesto se verifica
mediante un ventilador de motor aeronáutico de 2,5 etapas que funciona en diferentes condiciones, es decir, al 50 % y al 90 % de la velocidad nominal. Se
pueden sacar algunas conclusiones:
En primer lugar, la regularización de la norma L (0 < < 1) se comporta sistemáticamente mejor que la norma L1 en la estimación de los modos dominantes.
En segundo lugar, la norma L permite menos mediciones en la estimación del modo dominante que la norma L1, lo que lleva a una mayor simplificación del
sistema de medición. Además, el éxito de la estimación que utiliza la regularización
−12 interferencia.
de la norma
Mientras
L indica
tanto,
su
la
capacidad
regularización
para m
de
ejorar
Tikhonov
la escasez
también
y la
conduce
prueba ad e
una estimación significativa del modo no dominante con una mejora de la precisión. En resumen, con la combinación de las dos regularizaciones, el método
BRAMA propuesto supera al método clásico y es digno de ser aplicado en el campo de la medición del modo acústico.
Declaración de contribución de autoría CRediT
Zepeng Li: Concepción, Derivación de teorías, Realización de experimentos, Adquisición de datos, Interpretación de datos, Análisis, Redacción: borrador
original, Redacción: revisión y edición. Baijie Qiao: Concepción, Derivación de teorías, Interpretación de datos, Análisis. Bi Wen: Realización de experimentos,
Adquisición de datos. Junjiang Liu: Concepción, Derivación de la teoría. Xuefeng Chen: Redacción: borrador original, Redacción: revisión y edición.
Declaración de competencia de intereses
Los autores declaran que no tienen intereses financieros en competencia conocidos o relaciones personales que pudieran haber aparecido
para influir en el trabajo informado en este documento.
14
Agradecimientos
Este trabajo fue apoyado por la Fundación Nacional de Ciencias Naturales de China (No. 52075414), Financiamiento de Campo Técnico
del Proyecto de Fortalecimiento de la Fundación, China (2021JCJQJJ0238) y AECC Sichuan Gas Turbine Establishment, China. Todos los
autores han participado suficientemente en el trabajo y aprobado el artículo final.
Referencias
[1] E. Rademaker, P. Sijtsma, B. Tester, Detección de modo con una matriz optimizada en una entrada de motor de turboventilador modelo a velocidades de eje variables, en: 7ma Conferencia y
Exhibición de Aeroacústica AIAA/CEAS, p. 2181.
[2] P. Sijtsma, H. Orsi, Detección de modo azimutal y radial mediante un rastrillo de rotación lenta, en: 19th AIAA/CEAS Aeroacoustics Conference, p. 2244.
[3] L. Enghardt, U. Tapken, W. Neise, F. Kennepohl, K. Heinig, análisis de modo acústico de interacción entre palas y paletas de turbinas utilizando rastrillos de sensores en el conducto, en:
7ª Conferencia y Exhibición de Aeroacústica AIAA/CEAS, p. 2153.
[4] DL Donoho, Detección comprimida, IEEE Trans. Informar. Teoría 52 (2006) 1289–1306.
[5] EJ Candès, MB Wakin, Introducción al muestreo por compresión, IEEE Signal Process. revista 25 (2008) 21–30.
[6] X. Tang, Z. Chen, Y. Li, Y. Yang, Procesamiento de señales de conjuntos de sensores electrostáticos basados en sensores de compresión y detección de desechos anormales agotados, Mech.
sist. Proceso de señal. 105 (2018) 404–426.
[7] Y. Wang, J. Xiang, Q. Mo, S. He, Representación comprimida de características de tiempofrecuencia escasa a través de la detección de compresión y sus aplicaciones en el diagnóstico de fallas.
Medida 68 (2015) 70–81.
[8] H. Liu, L. Yu, Z. Luo, C. Pan, Detección comprimida para la identificación de fuerzas en movimiento usando diccionarios redundantes, Mech. sist. Proceso de señal. 138 (2020)
106535.
[9] X. Huang, Detección compresiva y reconstrucción en mediciones con una aplicación aeroespacial, AIAA J. 51 (2013) 1011–1016.
[10] W. Yu, X. Huang, Detecciones de modo giratorio basadas en sensores de compresión mediante arreglos de micrófonos en conducto, Meas. ciencia Tecnología 27 (2016) 055901.
[11] W. Yu, Z. Ma, ASH Lau, X. Huang, Análisis y experimento del enfoque de detección de compresión para la detección del modo de conducto, AIAA J. 56 (2018) 648–657.
[12] M. Terstegen, C. Sanders, P. Jeschke, H. Schoenenborn, Interacciones rotorestator en un compresor axial de 2,5 etapas, parte 1: Análisis experimental de los modos tylersofrin, J. Turbomach.
141 (2019).
[13] I. Selesnick, Regularización dispersa mediante análisis convexo, IEEE Trans. Proceso de señal. 65 (2017) 4481–4494.
[14] EJ Candes, MB Wakin, SP Boyd, Mejora de la escasez mediante la minimización de 1 reponderado , J. Fourier Anal. aplicación 14 (2008) 877–905.
[15] R. Chartrand, Reconstrucción exacta de señales dispersas mediante minimización no convexa, Proceso de señal IEEE. Letón. 14 (2007) 707–710.
[16] R. Chartrand, división no convexa para descomposición escasa regularizada de rango bajo+, IEEE Trans. Proceso de señal. 60 (2012) 5810–5819.
[17] B. Qiao, Z. Mao, J. Liu, Z. Zhao, X. Chen, Regularización dispersa grupal para la identificación de la fuerza de impacto en el dominio del tiempo, J. Sound Vib. 445 (2019) 44–63.
[18] J. Liu, B. Qiao, Y. Chen, Y. Zhu, W. He, X. Chen, Reconstrucción y localización de la fuerza de impacto usando escasez de grupos superpuestos no convexos, Mech. sist.
Proceso de señal. 162 (2022) 107983.
[19] R. Chartrand, V. Staneva, Propiedades isométricas restringidas y detección compresiva no convexa, Problemas inversos 24 (2008) 035020.
[20] Z. Xu, H. Zhang, Y. Wang, X. Chang, Y. Liang, L 1/2 regularización, Sci. China Inf. ciencia 53 (2010) 1159–1169.
[21] I. Selesnick, M. Farshchian, Aproximación de señal dispersa mediante regularización no separable, IEEE Trans. Proceso de señal. 65 (2017) 2561–2575.
[22] S. Wang, IW Selesnick, G. Cai, B. Ding, X. Chen, Síntesis versus análisis previos a través de penalización minimaxcóncava generalizada para maquinaria asistida por escasez
Diagnóstico de fallas, Mec. sist. Proceso de señal. 127 (2019) 202–233.
[23] G. Cai, IW Selesnick, S. Wang, W. Dai, Z. Zhu, Descomposición de la señal mejorada por dispersión a través de la penalización minimaxcóncava generalizada para el diagnóstico de fallas de la
caja de cambios, J. Sound Vib. 432 (2018) 213–234.
[24] J. Liu, B. Qiao, W. He, Z. Yang, X. Chen, identificación de la fuerza de impacto a través de una regularización escasa con penalización minimaxcóncava generalizada, J. Sound Vib.
484 (2020) 115530.
[25] F. Hou, J. Chen, G. Dong, Detección comprimida con regularización dispersa no convexa y análisis convexo para detección de modo de conducto, Mech. sist. Señal
Proceso. 145 (2020) 106930.
[26] Z. Li, B. Qiao, B. Wen, Z. Li, X. Chen, Regularización dispersa minimaxcóncava generalizada reponderada para la detección del modo acústico de conducto con adaptación
umbral, J. Sound Vib. (2021) 116165.
[27] Z. Xu, Modelado de datos: enfoque de psicología visual y 1∕2 teoría de la regularización, en: Actas del Congreso Internacional de Matemáticos 2010
(ICM 2010) (en 4 volúmenes) I: Plenary Lectures and Ceremonies Vols. II–IV: Conferencias invitadas, World Scientific, págs. 3151–3184.
[28] R. Chartrand, W. Yin, Algoritmos iterativamente reponderados para la detección de compresión, en: 2008 IEEE International Conference on Acoustics, Speech and Signal Processing, IEEE, pp.
3869–3872.
[29] Z. Xu, X. Chang, F. Xu, H. Zhang, (2012) 1∕2 Regularización: una teoría de representación de umbral y un solucionador rápido, IEEE Trans. Red neuronal Aprender. sist. 23
1013–1027.
[30] Y. She, Un algoritmo iterativo para ajustar modelos lineales generalizados penalizados no convexos con predictores agrupados, Comput. Estadístico. Análisis de datos. 56 (2012)
2976–2990.
[31] W. Zuo, D. Meng, L. Zhang, X. Feng, D. Zhang, Un algoritmo de reducción iterado generalizado para la codificación dispersa no convexa, en: Actas del IEEE
Conferencia internacional sobre visión artificial, págs. 217–224.
[32] J. Bolte, S. Sabach, M. Teboulle, Minimización linealizada alternante proximal para problemas no convexos y no suaves, Matemáticas. Programa. 146 (2014)
459–494.
[33] B. Bai, X. Li, T. Zhang, D. Lin, no convexo 1∕2 enfoque de detección de compresión basado en la minimización para la detección de modo azimutal de conducto, AIAA J. 58 (2020)
3932–3946.
[34] M.J. Lai, Y. Xu, W. Yin, Mínimos cuadrados iterativamente reponderados mejorados para la minimización suavizada sin restricciones, SIAM J. Numer. Anal. 51 (2013)
927–957.
[35] P. Bergström, O. Edlund, Registro robusto de conjuntos de puntos utilizando mínimos cuadrados iterativamente reponderados, Comput. Óptimo aplicación 58 (2014) 543–561.
[36] M. Behn, R. Kisler, U. Tapken, Análisis de modo azimutal eficiente usando detección comprimida, en: 22nd AIAA/CEAS Aeroacoustics Conference, p. 3038.
[37] M. Behn, U. Tapken, Investigación de la generación de sonido y efectos de transmisión a través de la etapa de ventilador acat1 usando análisis de modo basado en detección comprimida,
en: 25th AIAA/CEAS Aeroacoustics Conference, p. 2502.
[38] AN Tikhonov, A. Goncharsky, V. Stepanov, AG Yagola, Métodos numéricos para la solución de problemas mal planteados, vol. 328, Springer Ciencias y Negocios
Medios, 1995.
[39] IJ Sharland, Fuentes de ruido en ventiladores de flujo axial, J. Sound Vib. 1 (1964) 302–322.
[40] J. Antoni, Q. Leclère, A. Dinsenmeyer, E. Julliard, S. Bouley, C. Picard, P. Sijtsma, Extracción independiente de componentes cicloestacionarios de banda ancha de
señales aeroacústicas, AIAA J. (2021) 1–16.
[41] M. Rudelson, R. Vershynin, Sobre la escasa reconstrucción a partir de mediciones de Fourier y Gauss, Commun. aplicación pura Matemáticas. J. Emitido Courant Inst. Matemáticas.
ciencia 61 (2008) 1025–1045.
15
[42] J. Antoni, Cicloestacionariedad por ejemplos, Mech. sist. Proceso de señal. 23 (2009) 987–1036.
[43] P. Feng, P. Borghesani, H. Chang, W. Smith, R. Randall, Z. Peng, Supervisión de la degradación de la superficie de los engranajes mediante la cicloestacionariedad de la emisión acústica, Mech.
sist. Proceso de señal. 131 (2019) 199–221.
[44] F. Pancaldi, R. Rubini, M. Cocconcelli, Métricas variables en el tiempo de la cicloestacionariedad para el diagnóstico de rodamientos, Mech. sist. Proceso de señal. 151 (2021) 107329.
[45] J. Antoni, F. Bonnardot, A. Raad, M. El Badaoui, Modelado cicloestacionario de señales de vibración de máquinas rotatorias, Mech. sist. Proceso de señal. 18 (2004)
1285–1314.
[46] J. Antoni, Q. Leclère, A. Dinsenmeyer, E. Julliard, C. Picard, P. Sijtsma, Extracción independiente de componentes tonales de señales aeroacústicas: un enfoque
basado en cicloestacionariedad ángulotiempo, AIAA J. (2022) (en prensa).
[47] JM Tyler, TG Sofrin, Axial Flow Compressor Noise Studies, Technical Report, SAE Technical Paper, 1962.
[48] EJ Candès, J. Romberg, T. Tao, Principios de incertidumbre robustos: reconstrucción exacta de la señal a partir de información de frecuencia altamente incompleta, IEEE Trans.
Informar. Teoría 52 (2006) 489–509.
dieciséis

Analisis 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis 1

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

1 ( )2 − = 0 (1)

= + (5)

donde C ×1 es el vector de medición que representa amplitudes de presión complejas adquiridas por micrófonos. C × es y se refiere al ángulo de instalación del micrófono

donde son las amplitudes del modo dominante estimadas. término de 1 es el parámetro de regularización que gestiona el equilibrio entre los datos y el término de

= argumento mínimo { 2 } (9)

donde { } denota el operador promedio del conjunto. En particular, la función de valor esperado de la señal ( ) es periódico con punto . El

2 ( 1 , 2 ) = { ( 1 ) ( 2 )} = 2 ( 1 + 2 , 2 + ) (15)

| 2 |

dónde es la amplitud del modo dominante estimada a partir de mediciones limitadas, y consulte la Sección 5.2. denota la amplitud obtenida por FSA,

Método Micrófonos 5 amplitud (dB) EA (dB) RE

8 136.11 4.36 3,10%

8 140.20 0.27 0,19%

| 2 |

Método Micrófonos 5 amplitud (dB) EA (dB) RE

8 147.92 2.69 1,79%

8 150.52 0.09 0,06%

Método Micrófonos −12 amplitud (dB) EA (dB) RE

8 134.65 8.35 5,84%

8 142.43 0.57 0,40%

Fig. 14. Distribuciones de error de estimación de (a) 5 y B) −12 con respecto al número de medida.

También podría gustarte