相关噪声

相关噪声（精选7篇）

相关噪声 篇1

摘要：主要是通过实验检测的方法, 测量不同比转数叶轮的离心泵在改变转速的情况下上下游的水流噪声, 研究泵的上下游声压级差与泵转速以及轮舌间隙的关系。

关键词：离心泵,噪声来源,噪声测试

1 离心泵噪声来源分析

1.1 离心泵在设计过程中的噪音

离心泵的噪音主要是来自于在设计和制造过程中产生震动而造成的噪声, 由于离心泵是一种旋转式的机械, 所以会在运作时产生两种噪音, 一种来自机械本身, 一种来自于机械转动内部流体。当前主动控制技术的发展已经使得机械噪音得到减小, 但是离心泵内部流体诱导噪声来源复杂多变, 涉及到的频率范围更广泛。由于在蜗壳或导叶等过流零件模型图设计的过程中, 不可避免会出现流道上的技术偏差, 因此很容易导致内部流场分布不均, 最终造成了使用过程中离心泵发生物理振动, 引起噪音问题。同时, 因为对离心泵的结构刚性、基础板刚度考虑不周全, 泵的临界转速也会在计算的过程中产生误差[1]。

1.2 离心泵在安装过程中的噪音

在安装的过程中, 导致离心泵出现噪音的因素多种多样。最主要的是由于离心泵的固定频率和其他管道等的振动频率相同、并且保持一致的时候, 就会出现共振现象, 使得离心泵产生噪音。造成共振的原因是离心泵在安装时, 底座没有正确地找准正基准面, 管道质量不合格, 在作用力下管道产生了变形;另外, 基础螺栓质量不合格、选用安装方式布置不当;离心泵性能指标不过关同样会使离心泵产生噪音。

1.3 离心泵在运行过程中的噪音

在运行的过程中, 由于离心泵电机的风扇和转子在空气中不断旋转以及电压的不稳定, 转动时的零件不对称, 转动部件的不对称引起的结构振动, 就会引起电磁性的噪音, 造成磁场的不平衡, 电机力之间的距离降低, 负载电流不稳定, 使得电机发出低沉的声音;运行过程中, 水泵的震动以及水力的振动, 运动时流体与固体边界的耦合以及流体内部的湍流, 流动分离与流动失稳同样会引发噪音。

2 离心泵噪声测试试验

2.1 试验装置

该离心泵性能试验台是一种开式系统, 首先离心泵将吸水池2中的水吸入管路9, 经压水管路13排入水箱14。在吸水管路和压水管路上均装有阀门, 水泵进口真空压力、出口压力、涡轮流量计所测流量值以及转矩转速仪测得的转速和扭矩值均经相应传感器送入数据采集系统。

2.2 试验方法与流程

应用冯涛提出的测量模型和涡声理论 (涡声理论假设气体的低马赫数并且绝热简化得到的, 它指出涡是流体动力声的唯一源项, 反映了流场中的发声机制, 它的提出使得在求解流体诱发噪声的时候, 只需要考虑流场中含有漩涡的区域) , 有利于流动发声理论研究和数值计算。在实验过程中, 运用涡声理论来分析离心泵的叶轮机械的噪声来源, 采用雷诺k-e模型和大涡模型进行计算。

2.3 试验结果

随着出口压力的增加, 离心泵流动噪声主要谐频的声压总体呈上升趋势的, 在区间 (0.15, 0.18) 上呈下降趋势。总出口压力在0.15 MPa附近时, 声压达到一个最大值, 为172.5 d B;在压力为0.18 MPa附近时, 声压达到了一个最小值, 大约为169.8 d B。在0.07 MPa和0.18 MPa两处有极小值, 其中在0.18 MPa处达到最小。

轴频分量普遍地都是要高于其它分量, 与叶片频之间的差距最大, 平均相差5 d B;轴频声压随着出口压力的不断增长, 在区间 (0~0.1) 上几乎呈平稳趋势, 在0.1 MPa时达到极小值;在 (0.1, 0.15) 上增长频率变大, 在0.14 mpa时达到了极大值, 在 (0.14, 0.2) 区间上呈下降趋势。在0.1 MPa和0.2 MPa处有极小值, 在0.15 MPa处声压最大;二倍轴频处声压随出口压力变化起伏较大, 在0.01 MP处有最大值, 甚至超过轴频分量, 在此压力后, 其值随出口压力的增大起伏下降;叶片频和二倍叶片频处声压随出口压力增大而起伏下降, 两者之间的变化趋势也基本一致。

3 结论与改造方法

3.1 基本结论

对离心泵进行设计改进之后, 可对泵运行时的振动噪声进行测试, 最终的实验结果显示, 离心泵流动的噪音和压力脉动及不稳定流动产生的漩涡直接相关, 优化叶轮的间隙可以降低离心泵的噪音。但是当间隙增加到24%时虽然明显降低了噪音, 但同时也会影响离心泵的使用;改变离心泵叶片的数量也可以降低噪音。但是同样的, 当叶片数量过少时会增加水力的损失和流力的能动损失。所以需要适当的考虑叶片数量和能动力之间的关系, 找准叶片进口处的安放角度。

离心泵的噪音主要由于宽带噪音和离散噪音的叠加, 在实际的运行中, 流体运动和叶轮的转动产生的空化、回流及脱流现象也会产生强烈的噪声, 液流不均匀性所导致的水动力是离心泵噪音来源的本质因素, 离心泵噪音的生成部位主要集中在流体和结构的接触位, 可以抑制生成部位来降低振动, 从而减少噪音。在不同环境下, 离心泵的实际使用中, 离心泵的噪音会随着叶片的增加而增加, 随着轮舌间隙的减少而增加。而且离心泵的下游声压级别高于上游, 并且转速越大, 差级越大。离心泵的噪声主要是集中在叶轮出口位置, 因此在叶片处集中了大部分能量, 可以通过切割叶轮来改变它的形状和性能, 扩大离心泵的使用范围。这样不仅可以降低噪音, 还可以减少成本。但是这种方法存在着弊端:离心泵的叶片在切割之后, 它的扬程会减小, 从而降低了离心泵的使用功率[2]。

3.2 改进措施

在设计过程中, 可以将离心泵和电动机由传统的刚性联接改为弹性联接, 同时要改变离心泵泵壳的结构, 将泵体的单壳模式改为双壳体, 将流道砂芯分别打造, 将芯骨相连接, 使得流道形成一个整体, 并且增加强度。为了保证叶轮和转子部件的动平衡, 平衡精度等级由G6.3级提高到G2.5级, 并编制工艺检验文件进行质量检测。为了保证泵的装配精度, 需要特别控制叶轮口环对离心泵的跳动, 并且在装配时需要反复对工序进行检查, 设计专用结构的泵盖代替泵体止口定位。同时改变泵脚板加强筋位置并增加数量, 在泵进口设置加强筋。

在制造过程中, 采用新设备和工艺制造方法, 为了保证叶轮和弧面的配合, 车削加工由原普通卧车加工改为数控卧车加工。支座的车削加工由普通立车加工改为数控立车加工, 同时, 在支座粗、精加工之间增加一次退火热处理, 以更好地消除铸钢件在加工过程中产生的内应力, 保证加工尺寸的稳定性。

参考文献

[1]周新义, 吴有生.流体动力性噪声的相似关系研究[J].声学学报, 2012 (7) :373-378.

[2]李晓宏, 刘克.离心泵水动力学噪声参数测控系统的设计与分析[J].流体机械, 2015 (1) :15-17.

相关噪声 篇2

高速公路交通噪声监测相关问题的探讨

本文对开展高速公路交通噪声监测的.方法进行了探讨.对高速公路运营期的投诉性交通噪声监测进行深入的分析,并对高速公路交通噪声实际监测中出现的相关问题进行探讨,提出相关的意见或解决方法.

作 者：李进洪  作者单位：高要市环境保护监测站 刊 名：广东科技 英文刊名：GUANGDONG SCIENCE & TECHNOLOGY 年，卷(期)：2009 “”(4) 分类号：U4 关键词：高速公路   交通噪声   监测  

相关噪声 篇3

1 NIHL分子机制与相关基因

1.1 NIHL分子机制

NIHL的遗传分子机制已经在动物模型中得到了阐明。小鼠品系 (C57BL/6J) 是一个与年龄相关性听力损伤的模型 (age-related hearing loss, AHL) , 同时这个模型对于噪声性听力损伤比其他品系的小鼠更加易感[2,3,4]。同时, 基因SOD1-/-[5]、GPX1-/-[6]、PMCA2-/-[7]和CDH23+/-基因敲除小鼠比同窝出生的野生型小鼠具有更高的易感性[8]。对这些基因敲除小鼠的研究表明, 遗传缺陷会破坏不同的通路和内耳结构从而增加内耳对于噪声的易感性。

与动物研究不同, 在人类研究中对于NIHL病因的机制研究依旧充满困难。至今为止, 仍然没有确切的遗传可能性研究被证实, 因为在家系研究中, 所有的被认为是完全相同噪声条件下的受试者几乎不太可能被同时集中起来。所以, 只能采用另外一个方法, 通过推测突变和表型之间的因果联系, 从而研究与NIHL功能相关的候选基因。这种基于生物学功能进行的关联研究是作为将来分析是否增加对NIHL易感性的基础。

1.2 NIHL相关基因

1.2.1 氧应激基因

耳蜗是一个代谢活跃的器官, 因此氧化应激在NIHL病理机制中起着重要的作用。当过度暴露在噪声环境之后, 耳蜗对能量的需求会大量增加, 于是这个部位就释放出大量的自由基 (活性氧和活性氮) , 当抗氧化体系不能够充分中和这些自由基时, 就会损伤耳蜗上皮细胞。

在耳蜗中有两类抗氧化酶类起着作用, 第1类是与谷胱甘肽代谢有关的酶, 包括谷胱甘肽S转移酶 (GST) 、谷胱甘肽过氧化物酶1 (GPX1) 、谷胱甘肽还原酶 (GSR) 。其中GST又包含GST1和GST2两个基因型, 而且在人体中表现出极高的遗传变异性。Rabinowitz等[9]在Hear Res报道, 有多达50%的高加索人群是有GST1基因的遗传缺陷的表型, 25%~40%的高加索人群是GSTT1基因缺陷的表型。第2类的抗氧化酶包括一些涉及消除体内超氧化自由基和过氧化氢的酶, 主要有过氧化氢酶 (CAT) 、超氧化物歧化酶1 (SOD1) 、超氧化物歧化酶2 (SOD2) 和血清对氧磷酶/芳香酯酶2 (PON2)

对氧化应激基因的突变和对NIHL易感性的研究发现之间的关联依旧是不清楚的[9]。通过分析58名噪声作业工人GSTM1和GSTT1基因缺失多态性, 他们发现GSTM1基因能够对携带者NIHL起到保护作用。然而, 由于样本太小, 这些研究缺乏足够有力的证据证明这些关联, 因此被认为是有误的。另一个研究是对小样本 (94男性工人暴露在噪声环境下) 进行的多态性分析, 包括PON1、PON2和SOD2基因, 结果证明后两个基因和NIHL有显著性联系;然而, 对这个结果的解释应该保持谨慎的态度, 因为缺乏有力的证据检测到致病基因[10]。

通过对瑞典工人进行的更加全面的研究发现, 7个氧化应激基因 (GSTM1、GSTT1、CAT、SOD、GPX、GSR and GSTP1) 没有一个与NIHL有显著相关性, 实验从1 200个受试者数据库中选取对噪声敏感工人103个, 对噪声耐受的工人114个[11]。但是, 此文的作者说明吸烟对于NIHL的易感性的主要原因是GSTM1的缺失导致的, 这充分说明基因和环境因素共同作用导致了NIHL[12]。

然而, 再次通过瑞典和波兰两个群体进行过氧化氢酶 (CAT) 基因与NIHL的关联性分析, 得到的结论是氧化应激可能是NIHL的潜在发病机制。为了更加全面地覆盖到可能具有相关性的基因进行研究, 除了对3个已经发现的SNPs位点以外, 也对9个新发现的变异位点进行基因分型, 从而能更完整覆盖这些被研究基因的所有突变位点。另外, 考虑到基因型和噪声暴露水平相关的影响, 从而需要使用更多详细的数据。文章作者认为在所选取的两个样本集合中有两个SNPs是与NIHL有显著相关的。通过这些研究表明, 不同基因型对噪声易感性的影响的差异性取决于所暴露噪声的水平[13]。

最近的研究结果也表明, 氧化应激基因多态性对NIHL起着重要作用。其中SOD2基因中的SNP在线粒体靶序列被认为与中国工人人群的NIHL显著性关联, 并且这种损伤随着噪声强度的提高而增加, 所以认为SOD2基因与HIHL的易感性也取决于噪声的强度[14]。同时, 通过双盲实验, 交叉对照研究对53个男性工人使用N-乙酰半胱氨酸药物治疗, 证明个体携带有GST1缺陷基因型和GSTM1缺陷型和GSTTP1Ile (105) /Ile (105) 更加容易患NIHL这个假说[15]。另一方面, 耳毒性的产生和氨基糖苷类药物, 也似乎涉及相似的氧化应激机制, 这表明GSTM1和GSTT1基因多态性与NIHL关系是相互独立起作用的[16]。

1.2.2 钾离子循环途径基因

内耳的听觉感受器毛细胞的纤毛浸浴在高浓度钾离子 (K+) 的内淋巴液中, K+的流动是感受器内电流产生的主要机制, 并产生80~120 m V的电位, 它是感受器电流的驱动力, 对维持正常的听觉至关重要。因此耳蜗内电位 (endocochlear potential, EP) 是由内淋巴里的K+的电荷产生, 这一过程是耳蜗K+循环的重要环节。细胞外高浓度的K+充满整个内耳中道, 使得K+成为一个主要的感觉还能的离子, 这些离子通过血管纹渗透到内淋巴, 然后再通过顶端机械敏感性K+通道进入到纤毛细胞, 并且经过他们的基底外侧膜离开纤毛细胞, 之后通过一个间隙连接网络迁移通过支持细胞和纤维细胞到血管纹[17]。

K+循环基因与对于听觉的产生机制是必不可少的, K+与听觉产生的分子机制的证据来源于多个基因 (GJB2、GJB3、GJB6、KCNE1、KCNQ1和KCNQ4) 的突变会导致综合征型和非综合征型耳聋[18,19,20,21]的报道。进一步的证据是小鼠SLC12A2和KCNJ10基因缺失分别导致内淋巴空间的塌陷并丧失了产生蜗内电流的能力, 从而导致听力损伤[22,23,24,25]。通过这些文献, 可以看出通过分析K+循环通道基因的各种突变, 也能在一定程度上分析出个体间对于噪声的易感性的差异。

第1个证实K+循环通道基因与听力损伤关联研究是通过对瑞典人群研究得出的, 实验选取1 200个噪声下暴露的工人, 按照ISO 1999:1990 (职业性噪声暴露的测定和噪声引起的听力损伤的估算) 的标准, 其中10%为最佳 (归类为对噪音有抗性) 受试者和10%为最差 (归类为对噪声易感) 听力受试者[26]。此次研究是为了得出GJB2基因的35del G突变携带者是否对NIHL更加易感;然而, 观察到对噪声易感性和抗性的个体间并没有什么显著性差异。通过波兰人群中的基因携带者发病率的研究得到证实同样也不存在显著性关联, 试验选取3 000名暴露在噪声环境下的工人, 并且基于相似的两种极端的表型谱, 同样基于ISO1999:1990标准进行[27]。

另一个证据是通过瑞典人群样本集合进行研究得到的, 这个实验描述了10个基因中35个SNPs样本, 这些基因都是位于内耳控制K循环的基因。这些基因包括:5个间隙连接蛋白基因Cx26 (GJB2) 、Cx30 (GJB6) 、Cx30.3 (GJB4) 、Cx31 (GJB3) 、Cx32 (GJB1) , 4个K+通道基因和亚单位 (KCNJ10、KCNQ4、KCNE1、KCNQ1) , 还有一个是Na+/2Cl-/K+协同转运蛋白 (SLC12A2) 。从KCNE1基因的3个SNPs, KCNQ1基因中的1个SNP和KCNQ4的中1个SNPs位点观察到和NIHL的显著相关, 表明这些基因是首先被证明与NIHL有易感性有关的基因。其中1个KCNE1多态性D85N已经进一步在中国仓鼠卵巢细胞中检测到, 并且假说提出85N突变可能会导致Corti器中高浓度K+的积累和对噪声易感性的增加[28]。

然而, Pawelczyk等[29]同样分析更多波兰人群基因中的SNPs, 并发现具有相关性[29]。至此, 已经发现有70%的候选基因 (KCNE1、KCNQ4、GJB1、GJB2、GJB4、KCNJ10、KCNQ1) 与NIHL有显著性相关。最有趣的是两个关于K+循环通道的基因KCNE1基因和KCNG4基因的研究, KCNE1基因在瑞典和波兰两个人群中有相同的遗传趋势, 而KCNQ4基因却相反, 这也许能通过人群中不同的等位基因频率或者连锁不平衡 (linkage disequilibrium, LD) 定律从理论上给予解释。通过选择不同因素对这两个基因进行研究, 例如选择各种各样不同环境因素处理, 发现, KCNE4与NIHL的相关性可能是假阳性结果。综合上述的文献我们可以得出结论:K+循环途径基因突变对NIHL的发病起着关键作用, 而对这些基因进一步的研究将成为理解NIHL分子机制的重要方法。

1.2.3 单基因遗传性耳聋基因

这一类基因与噪声性耳聋相关的报道主要有原钙粘蛋白 (protocadherin, PCDH15) 、钙黏蛋白23 (cadherin23, CDH23) 和肌球蛋白 (myosin14, MYH14)

CDH23和PCDH15是一类介导细胞与细胞、细胞与细胞外基质间粘附作用的膜表面糖蛋白, 钙粘素是膜表面糖蛋白类受体, 参与细胞与细胞的粘附, 人类钙粘蛋白突变会导致常染色体隐性耳聋和非综合征常染色体隐性耳聋。耳蜗毛细胞硬纤毛排列成行并且高度递减, 超微结构研究已发现硬纤毛通过顶端连接、干连接、侧连接和裸连接相互作用, 而钙粘蛋白是顶端连接的成分, 其在毛细胞的作用是形成硬纤毛连接和顶端连接, 把淋巴机械性压力传进离子通道, 从而把来自于听觉的机械性刺激转化为电化学信号产生听觉。PCDH15突变可降低细胞粘附功能, 影响通道的传导作用, 进而导致耳聋[31]。通过对SV小鼠的实验已经证明CDH23突变会破坏在毛细胞上的硬纤毛组织, 导致耳聋和前庭功能障碍;并且这个基因的753A突变与NIHL是高度相关的[32]。在人体中, PCDH15和CDH23基因突变都会导致综合性和非综合性耳聋。

MYH14基因编码肌球蛋白家族的其中一种, 它们是肌动蛋白依赖的马达蛋白, 调节耳蜗纤毛细胞的移动和极化。MYH14的突变导致非综合征型常染色体显性遗传性耳聋4型 (DFNA4) 。

近来, 有报道选取了两个独立的群体 (瑞典人和波兰人) 进行研究, 通过扩大分析53个候选基因中的644个SNPs。已经找到与NIHL正相关的基因有两个, 一个是编码PCDH15, 另一个是编码MYH14[30]。通过这两个群体分析发现PCDH15基因中有一个SNP位点与NIHL有相关性, 还发现MYH14基因中有两个SNPs位点与NIHL具有相关性, 并且在暴露在噪声水平下的瑞典人群样本集合中有显著影响。另外, 国内有报道CDH23基因多态性在NIHL发病中起着重要作用, 提出携带rs1227049CC基因型, rs3802721TT基因型, 第7外显子末尾核苷酸位点GG基因型的个体对NIHL具有易感性[47]。

1.2.4 热激蛋白70基因

热激蛋白 (heat shock protein, HSPs) (又称热休克蛋白) 是一组高度保守的蛋白质, 具有广泛的生物学功能, 它们参与蛋白质的折叠、亚基的组装、细胞内运输及蛋白质降解等过程。不论是病理条件下还是正常生理条件下, HSPs基因在机体细胞内都广泛的表达。除了结构性的表达以外, 热激蛋白可在受热或其他理化因素的作用下被诱导合成, 从而保护细胞免受各种应激的损伤, 其中包括暴露在噪声环境下时, 也会诱导合成HSPs[33]。当初次暴露在噪声环境下时, HSPs能够保护耳免于过度受噪声暴露的危害[34,35,36]。其中有3个基因负责HSPs的合成, 它们分别是HSP70-1, HSP70-2和HSP70-hom。这些基因除了HSP70-hom外, 都是通过热诱导表达的。

关于HSPs与NIHL的相关研究主要集中在中国人、瑞典人、波兰人3个人群中有报道, 通过对3个种族独立人群的群体研究, 分别是中国人, 瑞典人, 波兰人的研究, 发现HSP70-1、HSP70-2和HSP70-hom 3个基因的变异与NIHL的易感性有关[37,38]。在选取了194个汽车制造工人的中国人群研究中, 其中有93个受试者最后发展为听力损伤, 101个受试者没有发生听力缺陷, 这些数据一定程度上证明基因型和等位基因分布没有统计学上的显著差异。然而, 一般认为, SNP在一些复杂疾病中不能充分地证明其相关性, 通过单倍体分析, 发现GGC和GGT两个单倍体型在NIHL患病组基因频率显著高于对照组。用相似的实验和数据分析方法对238名波兰工人和206名瑞典工人进行的基因多态性研究 (分组方法如上述) , 得到的结论和上述相同。其中在两个样本集合中, 发现一个在HSP70-hom基因中的SNP与NIHL发病在统计学上显著的相关。其他的在HSP70-1和HSP70-2两个基因中的SNPs位点仅仅在瑞典人群样本集合中发现具有显著性。分析这3个单倍体型发现, GAC型在这两个样本中都与NIHL具有显著相关, CGT型仅在瑞典人群样本中具有相关性。虽然通过单倍体型分析推定亚洲和欧洲群体, 发现中国人群中与NIHL显著相关是比较罕见的, 而且在瑞典和波兰人群中也没有相关, 但是这并不能排除HSP70基因多态性与噪声易感之间的联系, 因此, HSP70基因和NIHL的相关性需要已经报道的更多文献外, 还需要更多的重复实验研究, 这样会有更多的证据证明HSP70基因是否与NIHL的易感性有关联。

1.3 人群研究中遇到的统计分析问题

假设检验会犯统计学错误, 为了提供更有说服力的关联研究, 旨在找出复杂疾病的易感基因, 所以需要通过多重检验和矫正来控制这类错误的发生。然而, 流行病学家依旧没有对统计学上如何控制这类错误的看法一致。对检验水准进行Bonferroni矫正是控制FWER最简单的方法, 然而Bonferroni矫正法被认为太过于严格, 因为它需要用一些独立的假设去矫正P值。一旦要进行基因与疾病相关性研究, 那么每个基因的多态性位点都要被检测, 因此这些测试都不能认为是相互独立的。而当检验的个数很大时, 研究者能够忍受少量错误拒绝个数发生, 以此来提高功效。因此另一个不太严格的矫正方法被提出来, 即错误发现率方法 (FDR) [39]。这个方法定量检测出有多少相关性检验能够达到所给出的预期错误水平。近来, 另一个避免假阳性的方法是基于重复观察一个或者多个独立群体的相关关系, 这被认为比获得低P值更加重要的方法[40]。

2 意义与展望

2.1 总结

人们普遍认为NIHL是由于许多因素造成的。而受试者暴露在噪声下患NIHL的风险更高, 这是由于环境因素与相关基因相互作用的结果。在一些基因关联的人群研究中, 这个效应需要通过适当的调整统计学检验从而才能被清楚地阐明。

现在已经认识到, 在不同人群中的基因拷贝数被认为是一种有效的关联信号。但由于不同的种族因素, 基因拷贝数和单核苷酸多态性检测未必能令人满意[40]。直到目前为止, 大部分的有可能证明与NIHL有关联的基因有KCNE1和KCNQ4, 这些基因都是涉及内耳K+通道基因[28,29]。另外, CAT、PCDH15、MYH14[30]和HSP70基因[37,38]也是很有可能获得准确的结论的, 因为这些基因都在各个不同的 (种族) 群体中拷贝, 并且都获得足够大的样本在不同的人群中对致病性基因进行了相关性研究。随着对不同人群 (种族地区) 的基因和NIHL相关性研究的开展, 样本量的多样, 更多与NIHL相关的基因将会得到更加准确的结论。

2.2 国内现状与借鉴经验

国内已经有少量关于汉族人群耳聋基因多态性的研究, 最早有报到称中国汉族人群中位于线粒体中的SOD2基因中的SNP与NIHL有相关, 其选择rs4880作为检测位点鉴定[44]。例如, 近来有文献已经有报到SOD1基因的rs1041740、rs2070424、rs10432782和rs4998557位点和NIHL与汉族人具有相关性[43]。但是我国是一个多民族国家, 而且NIHL是一种多基因疾病, 引发NIHL病因的相关基因繁多, 所以关于我国各民族人群种族的人群研究材料不足, 导致对治疗的盲目性。由于种族遗传上的差异性导致对于各地治疗NIHL和预防保护免于NIHL不利, 因此对于展开不同种族的SNPs群体研究将会为临床上预测和预防NIHL奠定一定基础, 而且通过这些研究将会帮助国内建立并完善基因诊断体系, 并且在临床上提供准确的遗传咨询服务, 这样才能真正达到预防和治疗的效果。

2.3 研究意义

自从人类基因组测序完成后, 基因序列中的变异研究特别是SNPs研究, 成为新一轮基因组学的研究重点, 不断发展的高通量基因分型技术使得人们对复杂疾病的理解和研究成为可能。SNP由于具有数量多、分布广、密度大、突变率低等特点, 因此人群研究在不同人群多样性 (不同的种族地区) , 疾病基因定位克隆和药物基因组学研究方面都有重要的意义。所以说SNP遗传分型的确立推动了基因诊断的发展

由于个体对不同治疗和药物会由于不同个体、种族、地区有不同的药物反应与副作用。通过对这些群体样本进行SNP分型研究, 可以使得个性化的药物治疗达到更有效的治疗效果, 并减少因药物不良反应造成的死亡和伤害。而且, 药物在不同人群或个体中的临床疗效、安全性和耐受情况、个体之间的临床疗效或者安全耐受剂量差异与其基因的变异有直接或间接的关联。对于复杂病因的疾病NIHL而言, SNP的人群研究将无疑会对NIHL的病因的深入了解与治疗起到重要作用。也为深入探讨药物遗传学、药物基因组学等机制提供了有力的工具, 最终也为不同地区的人群提供更加优化的治疗方案[41]。

浅析滚动轴承振动与噪声的相关性 篇4

当论述两者的本质的时候, 可首先分析器物理特点。所谓的振动是说在特定的区域之中, 多次的开展往复活动, 或者是在最高点和最低点间多次的开展活动。之所以会存在声响是因为物体不断的运动而导致的, 虽说运动会导致声响出现, 不过并非是所有的运动都会导致声响出现。当其振动的时候, 必须升高到特定的频率的时候, 我们才能够听到声响。当期生成的时候, 存在频率高低的区别的。假如振幅非常高的话, 人就会对其反感, 或是那些会干扰到人的生活的都被叫做是噪音。经由上文的论述, 可知, 当振动出现的时候, 必须具有特定的要素的时候才出现声响, 当声响到达特定的背景的时候, 就存在了噪音。它的存在会干扰到我们的使用, 因此要要想应对好这个问题, 就要从根源上开展活动, 要掌控好它的出处。在其运作的时候, 由于存在振动现象, 所以会干扰到设备的特征, 持久这样的话, 就会使得其零件等磨损, 进而干扰到使用性的体现。对于那些由于振动而导致的问题假如我们持续的待在这种氛围之中, 很显然我们的身体是会受到非常不利的影响的。因此, 经由上文的论述, 我们得知, 在对噪音开展综合化的管控的时候, 就要从根源之中掌控好, 进而才可以防止问题出现。

2 关于其特点

对于轴承来讲, 它的这两个现象, 不仅仅有着常见的设备的特点, 同时还有自身的一些独特性。一般是说在润滑或者是运行的时候会导致这些问题, 除此之外, 其本身也容易引发此类问题。

2.1 关于其振动特点

2.1.1 轴承振动的原因非常复杂, 振动形式有径向振动、轴向振动以及许多耦合振动。

2.1.2 由于轴承结构所致, 其本身具

有无法避免的固有振动: (1) 滚动体通过承载区振动; (2) 套圈受载弯曲变形振动。

2.1.3 在现有制造水平下, 轴承振动

主要与套圈滚道和滚动体的波纹度有关, 而与圆度和表面粗糙度非显著相关。

2.1.4 轴承振动包含从低频到高频的各种频率成分的振动, 即其振动频率是处处密实的。

2.2 轴承的噪声特性

2.2.1 轴承噪声由产生轴承振动的许

多因素引起, 其中影响较大的主要是套圈滚道和滚动体的表面粗糙度和波纹度。

2.2.2 轴承噪声的重要声源还包括滚

动体与保持架的撞击声、保持架由于涡动而产生的啸叫声、滚动体与滚道的接触摩擦声 (润滑状态不好时) 等。

2.2.3 轴承声音频率的本底噪声具有

白噪声特点, 但异常噪声主要频率成分都集中在1000-10000Hz, 即轴承噪声一般表现为中、高频噪声。

3 掌控振动现象的意义是为了掌控好噪音

过去的时候, 我们一直都在积极地分析其振动问题, 从本质上讲其实就是对噪音的掌控。主要是由于, 当轴承运作的时候, 就容易引发振动问题。不过因为其精确性和构造方面的独特性, 通常来讲, 其导致的振动都不是很严重的, 因此由于轴承本身而导致的振动其实不会产生负面作用。长久以来, 我们对于其开展的探索活动均是为了掌控噪音的。当开展制造活动或是具体的使用时, 因为设备在运作的时候会运动, 就引发了噪音, 干扰到其正常的运行, 进而干扰到生产活动的开展, 因此必须要对其开展细致的探索, 才可以防止噪音现象出现。目前国际上很多区域都对此开展了探索。对于其振动活动来讲, 关键是探索如何掌控好声响, 因此对于其振动的分析其实就是对于噪音的掌控, 只有将其控制好, 才可以获取实际的意义。当前的生活状况开始变好, 针对多种生活要素等都要了非常严苛的规定。在当前的生活氛围之中, 针对环境的规定非常严苛, 因此对于噪音也有了非常严苛的规定。在生活活动中, 电器经常性的会运行, 此时就规定其在运作的时候, 要将声响掌控到最低。如果想对其开展掌控活动的话, 就要掌控好轴承的振动问题, 经由利用专门的装置来对其开展测试活动, 此举不单单能够获取显著地意义, 同时还能够获取非常精准的信息。假如是经由测试噪音的话, 很显然其对于环境的规定就是非常严苛的, 规定背景声响要低一些, 此时就应该设置测试区域, 而其花费的资金很多, 因此要经由对振动的测试来实现这个意义。

4 测量轴承振动与噪声的方法

4.1 测量轴承振动的方法

测量振动的方法较多, 有电测法、机械法和光学法等, 其中最常用的是电测法。按测量振动的物理量不同, 可分为位移、速度和加速度。其中, 位移适用于测量低频振动;速度适用于测量中频振动;加速度则适用于测量高频振动。位移、速度和加速度3个参数之间, 可以通过数学微分或积分相互得出, 但加速度通过积分获得速度和位移的误差较小, 而将位移或速度进行微分则误差较大。

4.2 测量轴承噪声的方法

测量噪声比测量振动以及其他许多物理量都困难一些, 也不易测准, 即测量误差较大。测量噪声的理想声场是自由声场。自由声场是指在均匀各向同性的介质中, 边界影响可以不计的声场。在自由声场中, 声波可以将声源的辐射特性向各个方向不受阻碍或干扰地传播。但自由声场很难实现, 一般只能获得满足一定测量误差要求的近似的自由声场, 如消声室中的声场。消声室能有效地吸收入射声波, 反射声波对声场的影响基本上可以忽略不计, 所以在一定的频率范围内, 消声室中的声场基本上可以认为是自由声场。测量轴承噪声的方法是在消声室内, 采用A计权网络声压级 (A计权声级适用于模拟人耳对55d B以下低强度噪声的频率特性, 并对低频成分的衰减程度很大) , 背景噪声要求一般应低于15d B (A) 甚至12d B (A) 。测量时, 轴承噪声与背景噪声的差值最好应在10d B (A) 以上, 最低必须保证在4d B (A) 以上, 否则就很难准确测出轴承噪声。

结语

振动与噪声从本质上说, 是一个事情的两个方面, 具有高度相关性;但从表现形式来看, 由于是两种物理现象, 又各有其显著相异性。轴承的振动与噪声也不例外, 但同时还有其特殊性。对于轴承振动的控制, 其目的主要是控制噪声。

摘要：机械的一个非常关键的构成要素就是轴承, 假如没有这个要素的话, 设备就不能够运行, 因此其意义非常的关键。当其运作的时候, 会出现振动现象, 而且会存在响声。文章深入的阐述了它的这些特点, 分析了两者间的关联。

关键词：滚动轴承,振动,噪声,相关性

参考文献

相关噪声 篇5

1 振动与噪声的本质关系

物体的振动是在一定的条件下进行的往复运动, 在运动状态中, 从极大值和极小值之间交替变化。声音是物体在振动的过程中, 当达到一定的条件时, 通过一定的介质被人所感知, 成为声音。所以说有声音的物体都是在振动的, 但是振动着的物体却不一定有声音, 只有在一定的条件下才会产生声音。而噪声是声音的一种, 是一种不在规律范围内的, 对于人来讲, 从主观上或者是心里上不愿意接受的, 称之为噪声。所以说振动和噪声的逻辑关系可以理解为, 有噪声就肯定是有振动, 但是有振动不一定产生噪声, 需要在特定的条件下才会有噪声。

2 轴承振动与噪声的特性

轴承振动与噪声, 既有一般机械振动与噪声的共性, 又有其特性。除了润滑、安装和使用过程中引起的振动与噪声之外, 轴承本身具有以下振动与噪声特性。

2.1 轴承的振动特性

2.1.1 轴承振动的原因非常复杂, 振动形式有径向振动、轴向振动以及许多耦合振动。

2.1.2 由于轴承结构所致, 其本身具有无法避免的固有振动:滚动体通过承载区振动;套圈受载弯曲变形振动。

2.1.3 在现有制造水平下, 轴承振动主要与套圈滚道和滚动体的波纹度有关, 而与圆度和表面粗糙度非显著相关。

2.1.4 轴承振动包含从低频到高频的各种频率成分的振动, 即其振动频率是处处密实的。

2.1.5 测量轴承振动的全频段范围为50~10000Hz。

为了便于分析, 还将该全频段分为3个频段:50~300Hz;300~1800Hz;1800~10000Hz。

2.2 轴承的噪声特性

2.2.1 轴承噪声由产生轴承振动的许多因素引起, 其中影响较大的主要是套圈滚道和滚动体的表面粗糙度和波纹度。

2.2.2 轴承噪声的重要声源还包括滚动体与保持架的撞击声、

保持架由于涡动而产生的啸叫声、滚动体与滚道的接触摩擦声 (润滑状态不好时) 等。

2.2.3 轴承声音频率的本底噪声具有白噪声特点, 但异常噪声主

要频率成分都集中在1000~10000Hz, 即轴承噪声一般表现为中、高频噪声。

2.2.4 测量轴承噪声的全频段范围为100~15000Hz (也有按125~16000Hz的) 。

根据以上振动与噪声的频率成分特性, 通常还可以按振动频率范围的高低来区分是作为轴承振动或是噪声问题来研究。

3 控制轴承振动的目的是控制轴承噪声

在科学技术快速发展的过程中, 在轴承的设计与制造中, 已经越来越精细化, 在结构特点上非常精密, 所以说在轴承运转的过程中, 并不会产生过大的振动, 也不会产生很大的危害。但之所以控制轴承的振动, 是为了控制轴承的噪声, 所以一直以来, 都是在控制轴承的振动和噪声方面进行研究。在以往的研究中, 还只是对电动机的轴承进行控制振动的研究, 但是在现代社会中, 随着科技的发达, 越来越多的精密轴承应用在办公和人们的生活中, 而控制轴承的振动和噪声也成了评价轴承性能的重要的参数, 所以说在控制技术方面要不断的改进。

在对轴承的振动方面, 对其进行故障的诊断要比噪声容易得多, 在技术方面比较容易控制, 对于环境的要求不高。但是在目前的研究中看来, 一般都是将控制振动和噪声放在一起来研究的, 因为噪声的源头就是由振动产生的, 所以说控制了振动就相当于控制了噪声, 人们也比较习惯于将减震和降噪放在一起。因为对噪声的研究需要在适宜的环境下, 对环境的要求较高, 并且测量的数据缺乏准确性, 所以基本上都是通过控制振动来实现的。

4 测量轴承振动不能完全替代测量轴承噪声

在现行的很多说法中, 一般都会认为轴承产生噪音的原因是由轴承振动引起的, 所以要想控制轴承噪声, 都会从控制轴承振动开始。但是经过实践证明, 通过控制轴承的振动是无法完全控制噪声的。

在现阶段测量轴承振动的方法中, 一般都是保持外圈静止, 然后让内圈旋转, 通过测量外圈的振动来进行评价, 但是这种测量方法也只是能够测出径向振动。在轴承运转的过程中, 还会产生轴向振动。在轴承运转的过程中, 不仅是振动才会产生噪声, 因为滚动体和滚道之间的摩擦也会产生噪声, 因为轴承的高速运转, 在其零部件和周围的空气间也会形成噪声, 所以对于这些噪声都没有计入到轴承的噪声中。在经过多项试验证明, 轴承产生振动与噪声之间的相关性系数为0.7, 那么也就是说还有百分之三十的噪声不是因为振动产生的。所以说要想真正的控制噪声还应该从其本身开始, 这才是最有效的方法。

5 测量轴承振动与噪声的方法

5.1 测量轴承振动的方法

测量振动的方法较多, 有电测法、机械法和光学法等, 其中最常用的是电测法。

按测量振动的物理量不同, 可分为位移、速度和加速度。其中, 位移适用于测量低频振动;速度适用于测量中频振动;加速度则适用于测量高频振动。位移、速度和加速度3个参数之间, 可以通过数学微分或积分相互得出, 但加速度通过积分获得速度和位移的误差较小, 而将位移或速度进行微分则误差较大。

5.2 测量轴承噪声的方法

测量噪声比测量振动以及其他许多物理量都困难一些, 也不易测准, 即测量误差较大。

测量噪声的理想声场是自由声场。自由声场是指在均匀各向同性的介质中, 边界影响可以不计的声场。在自由声场中, 声波可以将声源的辐射特性向各个方向不受阻碍或干扰地传播。但自由声场很难实现, 一般只能获得满足一定测量误差要求的近似的自由声场, 如消声室中的声场。消声室能有效地吸收入射声波, 反射声波对声场的影响基本上可以忽略不计, 所以在一定的频率范围内, 消声室中的声场基本上可以认为是自由声场。

6 结束语

以目前的形势来看, 对轴承的振动进行控制主要是要控制噪声。但是随着科技的进步, 在产品的加工和设计方面越来越精湛, 所以轴承的精度也在不断的提高, 由此在运转的过程中, 产生的振动也就会减小, 那么噪声也就随之减小。如果要对轴承的噪声进行测量, 对于环境与仪器的要求是非常高的, 在成本投入上比较大, 并且以目前的技术力量来讲, 还无法达到要求的标准, 所以说还是只能通过测量轴承的振动来测量轴承的噪声。以目前的发展状况来看, 对于轴承噪声的控制还是通过控制振动来完成的, 并且也将会是以后的发展方向。

参考文献

[1]卢锡鸣.滚动球轴承振动噪音缺陷的分析和研究[J].装备制造技术, 2009-05-15.[1]卢锡鸣.滚动球轴承振动噪音缺陷的分析和研究[J].装备制造技术, 2009-05-15.

相关噪声 篇6

多传感器信息融合技术广泛应用于军事、国防、目标跟踪、GPS定位、机器人、信号处理、通信、控制等领域,目前成为备受人们关注的热门领域。对于基于Kalman滤波的融合,两类基本的融合方法是状态融合和观测融合[1,2]。状态融合方法包括集中式和分布式融合方法,近年来已广泛被研究[3,4,5]集中式状态融合方法简单地合并所有观测方程为一个增广的观测方程,然后与状态方程联立,应用一个单个Kalman滤波器得到全局最优状态估计分布式状态融合方法用加权局部Kalman滤波器得到全局最优或次优融合Kalman滤波器。观测融合方法也分为集中式和分布式(加权)融合方法。集中式观测融合方法相同于集中式状态融合方法加权观测融合方法直接加权局部观测得到一个加权融合观测方程,然后与状态方程联立,应用一个单一Kalman滤波器得到最终融合状态估计。在一定条件下[1]用加权观测融合方法可获得全局最优状态估计。通常,用集中融合方法得到的观测方程的观测向量维数远大于用加权观测融合方法得到的融合观测方程的观测向量维数,因而采用加权观测融合方法可明显减少计算负担。

文献[1,6]在假设各传感器具有相同观测阵下,证明了用一种加权观测融合方法得到的Kalman滤波器和预报器恒同于用集中式融合方法得到的Kalman滤波器和预报器,因而具有全局最优性。上述功能等价性研究的局限性之一是都假设各传感器观测噪声是彼此不相关的,另一局限性是假设输入噪声和观测噪声是不相关的。文献[7]指出在许多情形下观测噪声是相关的,例如各传感器有公共的背景噪声(干扰噪声)。虽然文献[8,9]提出了带相关观测白噪声观测融合Kalman滤波算法,但仍假设输入白噪声和观测白噪声是不相关的。本文对带相同观测阵和相关观测噪声以及相关的输入噪声和观测噪声的多传感器系统,用加权最小二乘(WLS)法提出一种加权观测融合稳态Kalman滤波方法,并将证明用这种方法得到的Kalman滤波器和预报器恒同于用集中式融合方法得到的Kalman滤波器和预报器,它们同集中式稳态Kalman滤波方法是功能等价的,因而具有渐近全局最优性。

1 带相同观测阵和相关噪声的一种加权观测融合方法

考虑带相同观测阵和相关噪声的多传感器线性离散时不变随机控制系统

$\begin{array}{l}x(t+1)=\Phi x(t)+Bu(t)+\Gamma w(t)(1)\\ y{}_i(t)={\rm H}x(t)+v{}_i(t),i=1,2‚\cdots ,L(2)\\ x{}_c(t)=Cx(t)(3)\end{array}$

其中t为离散时间,x(t)∈Rn为状态,u(t)∈Rp为已知控制,yi(t)∈Rm为第i个传感器的观测,vi(t)为观测噪声,w(t)∈Rr为输入白噪声,xc(t)∈Rq为是由x(t)线性变换产生的信号。Φ,B,Γ和H是已知的适当维数常阵。

假设1w(t)和vi(t)(i=1,…,L)是零均值相关噪声,它们的方差阵和相关阵分别为Q,Rij,S。

(4)式中E为数学期望,T为转置号,δtt=1,δtk=0(t≠k)。

这里S为w(t)和vi(t)的共同的相关阵。

假设2 各传感器有相同的观测阵H,且rank H=m, 即H为行满秩矩阵[10]。还假设

假设3 观测融合系统是完全可观,完全可控的。

1.1 集中式观测融合算法

用增广观测向量方法有集中式观测融合方程

$\begin{array}{l}y{}^{(0)}(t)={\rm H}{}^{(0)}x(t)+v{}^{(0)}(t)(6)\\ {\rm H}{}^{(0)}=[\begin{array}{ccc}{\rm H}{}^{\text{Τ}},& \cdots ,& {\rm H}{}^{\text{Τ}}\end{array}]{}^{\text{Τ}}(7)\\ y{}^{(0)}(t)=[\begin{array}{ccc}y{}_1^{\text{Τ}}(t),& \cdots ,& y{}_L^{\text{Τ}}(t)\end{array}]{}^{\text{Τ}}(8)\\ v{}^{(0)}(t)=[\begin{array}{ccc}v{}_1^{\text{Τ}}(t),& \cdots ,& v{}_L^{\text{Τ}}(t)\end{array}]{}^{\text{Τ}}(9)\end{array}$

而w(t)与v(0)(t)的相关阵为

$\begin{array}{l}S{}^{(0)}=\text{E}[w(t)v{}^{(0)\text{Τ}}(t)]=[S,\cdots ,S]=Se{}^{\text{Τ}}(10)\\ e{}^{\text{Τ}}=[\begin{array}{ccc}{\rm I}{}_m,& \cdots ,& {\rm I}{}_m\end{array}](11)\end{array}$

其中H(0)由式(7)定义,白噪声v(0)(t)由式(9)定义其方差阵R(0)。对系统(1)和式(6)应用标准稳态Kalman滤波算法可得集中式稳态Kalman滤波器$\widehat{x}$(0)(t|t)和预报器$\widehat{x}{}^{(0)}(t|t-1)$及相应稳态误差方差阵P(0)和Σ(0)。

1.2 加权观测融合算法(I)

式(2)可看成是对Hx(t)的观测方程,于是有观测模型

$y{}^{(0)}(t)=e{\rm H}x(t)+v{}^{(0)}(t)(12)$

于是应用加权最小二乘(WLS)[9]法可得Hx(t)的估值为

$y{}^{({\rm I})}(t)=(e{}^{\text{Τ}}R{}^{(0)-1}e){}^{-1}e{}^{\text{Τ}}R{}^{(0)-1}y{}^{(0)}(t)(13)$

将式(12)代入式(13)有加权观测融合方程为

$y{}^{({\rm I})}(t)={\rm H}x(t)+v{}^{({\rm I})}(t)(14)$

(14)式中v(Ι)(t)为观测误差

$v{}^{({\rm I})}(t)=(e{}^{\text{Τ}}R{}^{(0)-1}e){}^{-1}e{}^{\text{Τ}}R{}^{(0)-1}v{}^{(0)}(t)(15)$

它有最小误差方差阵

$R{}^{({\rm I})}=(e{}^{\text{Τ}}R{}^{(0)-1}e){}^{-1}(16)$

加权观测融合观测方程式(14)可写为

$\begin{array}{l}y{}^{({\rm I})}(t)={\rm H}{}^{({\rm I})}x(t)+v{}^{({\rm I})}(t)(17)\\ {\rm H}{}^{({\rm I})}={\rm H}(18)\end{array}$

应用式(10),w(t)与v(Ι)(t)的相关阵为

$\begin{array}{l}S{}^{({\rm I})}=\text{E}[w(t)v{}^{({\rm I})\text{Τ}}(t)]=S{}^{(0)}R{}^{(0)-1}e(e{}^{\text{Τ}}R{}^{(0)-1}e){}^{-1}=\\ Se{}^{\text{Τ}}R{}^{(0)-1}e(e{}^{\text{Τ}}R{}^{(0)-1}e){}^{-1}=S(19)\end{array}$

对系统式(1)和式(17)应用标准稳态Kalman滤波算法[11]可得到加权观测融合稳态Kalman滤波器$\widehat{x}$(I)(t|t)和预报器$\widehat{x}{}^{({\rm I})}(t|t-1)$及其相应稳态误差方差阵P(I)和Σ(I)。

2 加权观测融合方法的功能等价性

融合观测方程式(6)和式(17)有统一的形式

$y{}^{(i)}(t)={\rm H}{}^{(i)}x(t)+v{}^{(i)}(t)‚i=0,{\rm I}(20)$

则系统式(1)和式(20)的Kalman滤波器和预报器分别为[11]

$\begin{array}{l}\widehat{x}{}^{(i)}(t|t)=\widehat{x}{}^{(i)}(t|t-1)+{\rm K}{}_f^{(i)}\epsilon {}^{(i)}(t)(21)\\ \epsilon {}^{(i)}(t)=y{}^{(i)}(t)-{\rm H}{}^{(i)}\widehat{x}{}^{(i)}(t|t-1)(22)\\ \widehat{x}{}^{(i)}(t+1|t)=\Phi {}^{(i)}\widehat{x}{}^{(i)}(t|t)+Bu(t)+\\ \Gamma S{}^{(i)}R{}^{(i)-1}y{}^{(i)}(t)(23)\\ \Sigma {}^{(i)}=\Phi {}^{(i)}{\rm P}{}^{(i)}\Phi {}^{(i){\rm T}}+\Gamma Q{}^{(i)}\Gamma {}^{\text{Τ}}(24)\\ {\rm P}{}^{(i)}=[{\rm I}-{\rm K}{}^{(i)}{\rm H}{}^{(i)}]\Sigma {}^{(i)}(25)\\ {\rm K}{}_f^{(i)}=\Sigma {}^{(i)}{\rm H}{}^{(i){\rm T}}[{\rm H}{}^{(i)}\Sigma {}^{(i)}{\rm H}{}^{(i)\text{Τ}}+R{}^{(i)}]{}^{-1}(26)\\ \Phi {}^{(i)}=\Phi -\Gamma S{}^{(i)}R{}^{(i)-1}{\rm H}{}^{(i)}(27)\\ Q{}^{(i)}=Q-S{}^{(i)}R{}^{(i)-1}S{}^{(i){\rm T}}(28)\end{array}$

带初值$\widehat{x}{}^{(i)}(0|0)‚{\rm P}{}^{(i)}(0|0)‚i=0,{\rm I}$。

定义P(i)-1=(P(i))-1和Σ(i)-1=(Σ(i))-1为信息矩阵,$\widehat{z}{}^{(i)}(t|t)=({\rm P}{}^{(i)}){}^{-1}\widehat{x}{}^{(i)}(t|t)$和$\widehat{z}{}^{(i)}(t|t-1)=(\Sigma {}^{(i)}){}^{-1}\widehat{x}{}^{(i)}(t|t-1)$为稳态信息滤波器和预报器,则有系统式(1)和式(20)在信息滤波器形势下的Kalman滤波器和预报器分别为[1]

$\begin{array}{l}\widehat{z}{}^{(i)}(t|t)=\widehat{z}{}^{(i)}(t|t-1)+{\rm H}{}^{(i)\text{Τ}}R{}^{(i)-1}y{}^{(i)}(t)(29)\\ \widehat{z}{}^{(i)}(t+1|t)=\Sigma {}^{(i)-1}\Phi {}^{(i)}\Sigma {}^{(i)}\widehat{z}{}^{(i)}(t|t)+\\ \Sigma {}^{(i)-1}Bu(t)+\Sigma {}^{(i)-1}\Gamma S{}^{(i)}R{}^{(i)-1}y{}^{(i)}(t)(30)\\ \Sigma {}^{(i)}=\Phi {}^{(i)}{\rm P}{}^{(i)}\Phi {}^{(i)\text{Τ}}+\Gamma {}^{(i)}Q{}^{(i)}\Gamma {}^{(i)\text{Τ}}(31)\\ {\rm P}{}^{(i)-1}=\Sigma {}^{(i)-1}+{\rm H}{}^{(i)\text{Τ}}R{}^{(i)-1}{\rm H}{}^{(i)}(32)\end{array}$

由式(21)—式(32)可以得出,在相同初值下,只要

$\begin{array}{l}{\rm H}{}^{(0)\text{Τ}}R{}^{(0)-1}{\rm H}{}^{(0)}={\rm H}{}^{({\rm I})\text{Τ}}R{}^{({\rm I})-1}{\rm H}{}^{({\rm I})}(33)\\ {\rm H}{}^{(0)\text{Τ}}R{}^{(0)-1}y{}^{(0)}(t)={\rm H}{}^{({\rm I}){\rm T}}R{}^{({\rm I})-1}y{}^{({\rm I})}(t)(34)\\ S{}^{(0)}R{}^{(0)-1}y{}^{(0)}(t)=S{}^{({\rm I})}R{}^{({\rm I})-1}y{}^{({\rm I})}(t)(35)\\ S{}^{(0)}R{}^{(0)-1}{\rm H}{}^{(0)}=S{}^{({\rm I})}R{}^{({\rm I})-1}{\rm H}{}^{({\rm I})}(36)\\ S{}^{(0)}R{}^{(0)-1}S{}^{(0)\text{Τ}}=S{}^{({\rm I})}R{}^{({\rm I})-1}S{}^{({\rm I})\text{Τ}}(37)\end{array}$

就能保证上述两种观测融合Kalman滤波器$\widehat{x}{}^{(i)}(t|t),i=0,{\rm I}$,和预报器$\widehat{x}{}^{(i)}(t+1|t),i=0,{\rm I}$,分别是数值上恒同的。

定理1 (加权观测融合方法的功能等价性) 带相同观测阵和相关噪声的多传感器系统式(1)—式(3)在假设1—假设3下,加权观测融合稳态Kalman滤波器和预报器及它们的稳态误差方差阵分别在数值上是恒同于集中式融合稳态Kalman滤波器和预报器及其稳态误差方差阵,即

$\begin{array}{l}\widehat{x}{}^{(0)}(t|t)=\widehat{x}{}^{({\rm I})}(t|t)‚\forall t(38)\\ \widehat{x}{}^{(0)}(t|t-1)=\widehat{x}{}^{({\rm I})}(t|t-1)‚\forall t(39)\\ \begin{array}{cc}& \end{array}{\rm P}{}^{(0)}={\rm P}{}^{({\rm I})}(40)\\ \Sigma {}^{(0)}=\Sigma {}^{({\rm I})}(41)\end{array}$

只要它们有相同的初值

$\widehat{x}{}^{(0)}(0|0)=\widehat{x}{}^{({\rm I})}(0|0)(42)$

证明 由式(6)—式(19),注意H(0)=eH,则有

这证明了式(33)—式(37),即证明了加权观测融合算法(I)的功能等价于式(38)—式(42)成立。因为集中式稳态Kalman滤波器和预报器是渐近全局最优的[11],故上述加权观测融合稳态Kalman滤波器和预报器也是渐近全局最优的。证毕。

3 数值仿真例子

例1 考虑带相关噪声的3传感器跟踪系统

$\begin{array}{l}x{}_c(t+1)=\Phi {}_{0}x{}_c(t)+\Gamma {}_{0}w{}_0(t)(48)\\ y{}_i(t)={\rm H}{}_{0}x{}_c(t)+\eta (t)+e{}_i(t),i=1,2,3(49)\end{array}$

其中,yi(t)为系统观测信号,，，T0为采样周期,${\rm H}{}_0=[\begin{array}{ccc}1& 0& 0\end{array}]$,假设w0(t),ξ(t),ei(t)是零均值、方差分别为σ${}_{w{}_0}^2$,σ${}_{\xi }^2$,σ${}_{e1}^2$,σ${}_{e2}^2$,σ${}_{e3}^2$相互独立的白噪声,η(t)公共干扰噪声(有色背景噪声)。

$(1+p{}_{1}q{}^{-1}+p{}_{2}q{}^{-2})\eta (t)=(1+r{}_{1}q{}^{-1}+r{}_{2}q{}^{-2})\xi (t)(50)$

问题是求xc(t)的加权观测融合Kalman估值器$\widehat{x}{}_c^{(i)}(t|t)$和$\widehat{x}{}_c^{(i)}(t|t-1)$及相应误差方差阵P${}_{x{}_c}^{(i)}$ (0)和Σ${}_{x{}_c}^{(i)}$。由文献[11]系统式(1)～式(3)可化为增广状态空间模型:

令

$\begin{array}{l}x(t)=\left[\begin{array}{c}x{}_0(t)\\ \beta (t)\end{array}\right],\Phi =\left[\begin{array}{cc}\Phi {}_0& 0\\ 0& \overline{{\rm P}}\end{array}\right],\Gamma =\left[\begin{array}{c}\Gamma {}_0\\ 0\end{array}\right]‚\\ w(t)=\left[\begin{array}{c}w{}_0(t)\\ \xi (t)\end{array}\right],{\rm H}=[\begin{array}{cc}{\rm H}{}_0& \overline{{\rm H}}{}_2\end{array}],\overline{{\rm P}}=\left[\begin{array}{cc}-p{}_1& 1\\ -p{}_2& 0\end{array}\right]‚\\ \overline{R}=\left[\begin{array}{c}r{}_1-p{}_1\\ r{}_2-p{}_2\end{array}\right],\overline{{\rm H}}{}_2=\left[\begin{array}{cc}1& 0\end{array}\right],\end{array}$

于是状态空间模型式(51)—式(54)可化为

$\begin{array}{l}x(t+1)=\Phi x(t)+\Gamma w(t)(55)\\ y{}_i(t)={\rm H}x(t)+v{}_i(t),i=1,2,3(56)\\ x{}_c(t)=Cx(t)(57)\\ v{}_i(t)=\xi (t)+e{}_i(t),i=1,2,3(58)\end{array}$

其中

可知此系统为带相同观测阵和相关噪声系统,故可以应用本文中结果求解。显然有式(57)有$\widehat{x}{}_c^{(i)}(t)=C\widehat{x}{}^{(i)}(t|t)‚\widehat{x}{}_c^{(i)}(t|t-1)=C\widehat{x}{}^{(i)}(t|t-1)$。仿真中取T=0.02,σ${}_{w{}_0}^2$=1σ${}_{\xi }^2$=0.16,σ${}_{e1}^2$=9,σ${}_{e2}^2$=4,σ${}_{e3}^2$=1,p1=0.7,p2=0.6,r1=0.8,r2=0.4,t=200。采用集中式观测融合算法和加权观测融合算法(I)在相同初值下其Matlab仿真结果如表1—表2所示,可看到它们是功能等价的。

4 结论

对带相同观测阵和相关观测噪声以及带相关的输入噪声和观测噪声的多传感器系统,用加权最小二乘 (WLS) 法提出一种观测融合稳态Kalman滤波器和预报器,并用信息融合滤波器证明了他与集中式融合稳态Kalman滤波算法相比,是功能等价的,因而它具有渐近全局最优性,且可减少计算负担。一个数值仿真例子验证了功能等价性。

参考文献

[1]Gan Q,Harris C J.Comparison of two measurement fusion methods for Kalman filter-based mutisensor data fusion.IEEE Trans Aerospace and Electronic Systems,2001;37(1):273—279

[2]Roecker J A,McGillen C D.Comparison of two-sensor tracking methods based on state vector fusion and measurement fusion.IEEE Trans Aerospace and Electronic Systems,1988;21(4):447—449

[3]Li X R,Zhu Y M,Wang J,et al.Optimal linear estimation fusion-part I:Unified fusion rules.IEEE Trans Information Theory,2003;49(9):2192—2208

[4]Bar-Shalom Y,Li X R.Multitarget-Multisensor Tracking:Principles and Techniques.Storrs,CT:YBS Publishing,1995

[5]Deng Z L,Gao Y,Mao L,et al.Newapproach to information fusion steady-state Kalman filtering.Automatica,2005;41(10):1695—1707

[6]邓自立.两种最优观测融合方法的功能等价性.控制理论与应用,2006;23(2):319—323

[7]Roy S,Iltis R A.Decentralized linear estimation in correlated meas-urement noise.IEEE Trans,Aerospace and Electronic System,1991;27(6):939—941

[8]欧连军,邱红专,张洪钺.多个相关测量的融合算法及其最优性.信息与控制,2005,34(6):690—695

[9]惠玉松,顾磊,冉陈键,等.基于稳态Kalman滤波的相关观测融合算法及其功能等价性.科学技术与工程,2007;7(19):4809—4814

[10]Darouach M,Zasdzinshi M,Onana AB,et al.Kalman filteing with unknown inputs via optimal state estimation.Int J Systerms,1995;20(10):2015—2028

相关噪声 篇7

发展百万伏级交流特高压电网,对于满足我国电力需求的持续快速增长,优化能源资源配置方式,促进电网与电源协调发展,提高社会综合效益,推动电力技术创新和电工制造业技术升级等具有重要的意义[1],同时,也是实现全国电力资源优化配置的一项战略性举措[2]。

随着输电电压等级的提高,特别是对于特高压输电线路,电晕放电产生的可听噪声,与同一声压级的一般环境噪声相比,通常更令人烦躁和不安[3]。相关研究表明[4,5,6,7],在特高压输电线路的设计过程中,可听噪声将是选择导线结构、影响造价成本及确定输送电压的主要因素。为帮助线路设计人员选择合理的导线型式,许多电力公司和科研机构通过试验线段或电晕笼得到了可听噪声的各种预测模型[8],这些模型可以统分为2大类:直接预测型,只适用于特定的线路结构类型(如单回路水平排列)或特定的电压等级(如550 k V);间接预测型,可适用于各种线路结构类型(如单回路、双回路、水平排列、三角排列或垂直排列)和各种电压等级。

然而,由于面临适用条件的约束和预测误差偏大的问题,上述各类预测模型在实际线路设计过程中的应用将会受到一定程度的限制。因此,开展具有通用性强、预测准确高的可听噪声预测模型的研究将具有实际的应用价值。

本文在对输电线路可听噪声的基本特性进行深入分析的基础上,推导得出了可听噪声的声压级和声功率级之间的定量关系式,为开展噪声预测工作做好了铺垫;基于相关向量机[9]RVM(Relevance Vector Machine)建立了特高压输电线路可听噪声的预测模型,并分别与现有的各类预测模型进行了比较,得出RVM由于采用了贝叶斯框架下的学习机制表现出优秀的泛化能力,使其预测具有较高的准确度以及更广泛的适用范围;利用RVM回归模型,预测分析了我国1000 k V交流单回和同塔双回架空输电线路在不同结构方式下的可听噪声值,为我国开展特高压输电线路的优化设计提供参考。

1 可听噪声的特性分析

1.1 累积概率分布

根据电力行业标准DL501-92《架空送电线路可听噪声测量方法》[10],架空送电线路可听噪声应使用累积百分声级LN作为噪声分析的依据。下面分别给出A声级LA和累积百分声级LN的定义。

a.A声级LA是使用A计权网络测得的声压级,单位为d B。这种网络对频率低于1 k Hz声响的衰减较大,实践证明,用A声级来评价噪声大小,与人们的主观感觉一致。

b.对于随机噪声,不能简单地用A声级来评价,通常用累积概率的方法,以累积百分声级LN表示,即在规定的测量时间内所测得的声级中,有N%的时间超过某一A声级LA值,则这个LA值称为累积百分声级LN,单位d B。

交流输电线路在雨天时的可听噪声会比晴天时的大15~20 d B,因此,按国际惯例,在特高压输电线路的设计过程中,采用雨天时的L50(即雨天时的50%值)作为可听噪声限值[11],这实际上是对最严重情况下噪声的限制,其他情况下噪声将小很多。

1.2 频谱特性

电晕放电是产生输电线路可听噪声的主要根源,对于交流特高压输电线路,按不同频率分量所表现出的特征,可听噪声可分为纯音和宽频带噪声。

a.纯音,是由于电压周期性变化,使导线附近带电离子往返运动产生的“嗡嗡声”。对于交流线路,由于电晕在导线周围产生的正离子和负离子空间电荷,随着电压正负半波的交变,被导线以2倍工频交替地排斥和吸引,在每半周内使空气压力变换方向2次,因而引起低频音调的交流声。

b.宽频带噪声,是由导线表面电晕放电产生的杂乱无章的脉冲所引起,这种放电产生的突发脉冲具有一定的随机性。宽频带噪声听起来像“破裂声、吱吱声或嘶嘶声”,与一般环境噪声有着明显区别,在对人们造成的烦恼程度中起主导作用。

文献[1]给出了交流输电线路可听噪声与环境噪声的典型频谱图,从图中可以明显地看出输电线路产生的50、100、200 Hz的低频纯音;另外,同其他环境噪声不同,频率增高时电晕噪声通常并不衰减。这样,在环境噪声较低的场合,输电线路产生的高频噪声很容易分辨,正是这一特性,才使输电线路的电晕噪声给人在听觉上一种异常感。所以,在测量电晕噪声时使用A计权网络比较符合实际,其测量结果d B反映的正是这种高频无规噪声的规律,而纯音的影响则可忽略不计[12]。

1.3 横向分布特性

横向分布特性是指离输电线路不同距离处可听噪声的分布情况,它取决于由导线发出的噪声在周围空气中的传播、衰减、反射和叠加的规律,可利用声学理论来计算,其推导过程如下。

a.对于产生球面波的点源,计算声功率密度的通用公式为

式中J为声功率密度(W/m2);A为声源功率(W);

R为距声源的径向距离(m)。

b.研究导线无规噪声的传播时,可假定产生互不相关的球面声波的点源是沿导线均匀分布的[13],如图1所示,沿导线方向积分就可求取整个线源产生的声功率密度(考虑地面的反射作用):

式中Ar为单位长度导线产生的功率(W/m);R为

测量点至导线的径向距离(m);Z为测量点到镜像导线的距离(m);x为沿导线方向的距离变量(m);K为反射系数。

c.对于一个有限长度的导线,如果在导线的中央测量噪声,且测量点接近地面时,即R=Z,式(2)可简化为

式中L是导线的长度(m)。

d.声功率密度J与声级计测量到的声压之间的关系定义为[14]

式中SPL为声压级(Pa);δ为空气密度,在标准大

气条件下δ=1.205 kg/m3;c为空气中声波的传播速率,在标准大气条件下c=344 m/s。

联合式(3)(4)得出:

e.当用分贝(以20μPa为基准)表示声压,而且地面对声音有较好的吸收作用(即K=0)时,推导出声压级与声功率级之间的定量关系式:

SPLd B=10 lg姨S20PLμPa姨2,Ad B=10 lgA1p Wr/m(6)

联合公式(5)(6)得出:

SPLd B=Ad B-10 lg R+10 lg姨arctanL2 R姨-7.8(7)如果导线无限长,存在L2 R∞且arctan∞=2π,

则有

因此,对于交流特高压输电线路(可看作无限长导线)而言,其产生的总噪声为

式中STLcal为输电线路的总噪声,单位d B;SPLi为

每相产生的噪声,单位d B;m为相数。

2 基于相关向量机的噪声预测模型

2.1 输入特征变量的选择

可听噪声的预测模型根据其建模数据的特征,可以分为2大类。

a.直接预测型:基于三相运行线路或试验线段数据建立输电线路的总噪声预测模型(例如AEP公式),此方法只适用于特定的线路结构类型和特定的电压等级。

b.间接预测型:基于单相试验线段或电晕笼数据建立单相线路的噪声预测模型(例如GE公式和BPA公式),再利用式(9)计算输电线路产生的总噪声,此方法可适用于各种线路结构类型和各类电压等级。

目前,国际上使用的各种噪声预测模型,在文献[8]中已经做了详细的分类介绍,其通用表达式可以写成如下形式:

式中STL为输电线路产生的统计噪声L50,单位为d B;g为分裂导线的表面电位梯度(k V/cm)[15];N为导线分裂数;d为子导线直径(cm);D为测量点至导线的径向距离(m)。

由于上述模型面临适用条件的约束和预测误差偏大的问题,亟需建立一种适用范围广、准确度高的可听噪声预测模型,以供在特高压输电线路的设计中使用,从而避免由于噪声预测误差过大引起严重的环境影响问题。从式(10)可见,输电线路统计噪声y=L50的量值是线路参数x=(g,N,d,D)的函数,这样可听噪声的预测问题就可转化为根据给定的测量噪声样本,寻求最优函数f:xy,因此,可通过逼近数据中隐含的非线性机制F,使f能够对未知输出噪声做出尽可能精确的预测。

2.2 相关向量机回归建模

由统计学习理论发展而来的支持向量机SVM(Support Vector Machine)算法能够有效地解决高维、非线性及有限样本下的回归预测问题,因而它在输电线路相关参数的预测研究中受到了广泛的关注[16,17]。但SVM存在着一些问题:缺乏必要的概率信息,无法获取预测中的不确定性;需要估计正规化参数,在回归问题中还需要调整敏感度参数,通常采用交叉验证方法,比较费时;核函数必须满足Mercer条件;解相对而言是稀疏的,但所需的核函数的数量会随着训练集的增大而显著增加。

而相关向量机(RVM)是一种与SVM函数形式相同的稀疏概率模型[9],其训练是在贝叶斯框架下进行的,与SVM相比它不存在以上的缺点,更重要的是,在预测性能相当的情况下,解的稀疏性明显高于SVM。基于以上考虑,本文将RVM回归建模方法应用于特高压输电线路可听噪声预测模型的建立中,希望对工程应用有一定的参考价值。

2.2.1 模型描述

给定训练样本集{(xn,tn),n=1,2,…,N},xnRd,tnR。设目标值tn独立同分布,而且包含均值为0、方差为σ2的高斯噪声εn,则

RVM的模型输出定义为[9,18]

式中N为样本数;w={w0,…,wN}T为权值向量;Φ为N×(N+1)阶矩阵,且Φ=[(x1),(x2),…,(xN)]T,(xn)=[1,K(xn,x1),K(xn,x2),…,K(xn,xN)]T;K(x,xi)是非线性基函数。

由于目标值tn是独立的,所以整个训练样本集的似然函数可以表示为

p(t襔w,σ2)=(2πσ2)-N/2exp‖-12σ2‖t-Φw‖2‖(13)

式中t=[t1,…,tN]T为目标向量。

由SVM的结构风险最小化原则得到启发,如果不对权值进行约束,直接最大化公式(13)将导致严重的过拟合现象。为了提高模型的泛化能力,RVM为每个权值定义了高斯先验概率分布:

式中α=[α0,α1,…,αN]T是决定权值w的先验分布的超参数,每个超参数αi对应一个权值wi。

2.2.2 参数推理

给定了先验概率分布和似然分布,根据贝叶斯准则计算权值的后验概率分布为

上式分母项是归一化因子,与w无关,从而可知该权值的后验分布也服从多变量高斯分布:

其中,均值和协方差表达式如下:

式中A=diag(α0,α1,…,αN)。

因此,权值的估计是由权值后验分布的均值μ给出,而权值最优值的不确定性∑可以用来表示模型预测的不确定性。为了估计模型权值,首先要估计超参数的最佳值。根据贝叶斯框架,超参数的似然分布可以通过下式计算:

p(t襔α,σ2)=乙p(t襔w,σ2)p(w襔α)dw=N(0,C)(19)式中协方差C=σ2I+ΦA-1ΦT。

2.2.3 超参数优化

通过最大化超参数似然分布找到其最可能的值αMP和σ2MP,由于不能以解析形式计算式(19),故采用反复迭代估计法。对式(19)关于α求导,令其为零并对公式重排,沿用Mac Kay[19]的方法得:

式中γi=1-αi鄱ii;μi是根据式(17)计算到的第i个后验权值平均值,鄱ii是当前的α和σ2根据式(18)计算得到的后验权值协方差矩阵的第i个对角元素。

同样对噪声方差σ2求导,得到更新法则:

学习算法反复计算式(20)和式(21),同时更新式(17)和式(18),直到满足某个合适的收敛条件。在实际迭代过程中,有许多αi会趋于无穷大,由式(16)可知p(w襔t,α,σ2)在零点处达到无限高的峰值,则后验认为其wi为零,从而导致解的稀疏性。而非零wi所对应的学习样本称为相关向量(RV),相当于SVM中的支持向量(SV)。

2.2.4 预测

若上述超参数估计过程收敛,则根据权值的后验及最优超参数αMP和σ2MP,可以对新的观测数据x*作预测,计算其预测分布:

由于两积分项均为高斯分布,故:

此时,RVM对新观测值的输出为y(x*;μ),而协方差包含2部分:数据的噪声估计及对权值预测的不确定性。

综上所述,建模过程可以概括为以下几步:

a.初始化αi和σ2;

b.计算权值后验统计量μ和∑;

c.计算所有γi并重新估计αi和σ2;

d.若收敛,到步骤e,不收敛回步骤b;

e.删除αi∞的权值和基函数;

f.对新的输入数据进行预测,其输出为y(x*;μ)。

2.3 RVM预测模型的准确度校验

通过大量搜集国外关于交流输电线路可听噪声测量的文献数据[3,4,5,8,12],建立可听噪声样本{(xn,tn),n=1,2,…,N}数据库。根据样本数据的特点,可把其分为2类数据库。

a.直接法数据库:样本输入向量x=(gmp,N,d,Dmp)中的gmp为m相分裂导线平均最大电位梯度的平均值,Dmp为特定相(即m相中表面电位梯度值为最大的相)到测量点的径向距离;样本输出t为多相输电线路产生的总噪声d B。

b.间接法数据库:样本输入向量x=(g1p,N,d,D1p)中的g1p为单相分裂导线平均最大电位梯度值,D1p为单相导线到测量点的径向距离;样本输出t为单相输电线路产生的噪声d B。

在直接法数据库中提取30个多相噪声样本、在间接法数据库中提取90个单相噪声样本分别训练RVM,建立了相应的回归预测模型,即直接预测模型RVMmp和间接预测模型RVM1p。为了全面地评估RVM预测模型,采用了实测的4种典型交流线路(图2),分别对其进行准确度校验,线路参数见表1;同时,分别使用AEP、GE和BPA公式做了相应的预测,所有模型的预测值及其平均绝对误差见表2。

d B

通过比较分析可见,在第1类直接预测方法中,RVMmp比AEP公式有了很大的改进,不仅体现在预测精度上,而且它可以适用于所有线路结构和各种电压等级,能够直接预测得到多相输电线路产生的总噪声,消除了AEP公式只适用于三相水平排列的输电线路以及预测误差较大的情况;在第2类间接预测方法中,BPA公式是现存常用公式中具有较高准确度的预测方法,而本文提出的RVM1p模型可以得到比BPA公式更加精确的预测结果,并且可以消除BPA公式只适用于常规对称分裂导线的弊端,其应用将更加广泛;对于经过2类数据库样本训练得到的RVMmp和RVM1p噪声预测模型而言,它们的预测准确度都可以满足特高压输电线路设计的需要,但由于RVM1p具有相对较高的准确度,建议优先使用。

3 我国1 000 k V级交流特高压输电线路可听噪声的预测分析

3.1 交流特高压输电线路的基本模型

我国交流特高压输电线路额定电压为1000 k V,最高运行电压为1100 k V。根据相关设计部门提供的基本信息[20],线路有关结构参数按以下情况考虑:

a.同塔单回路的导线分别采用8×LGJ-400、8×LGJ-500和8×LGJ-630这3种型式,分裂间距为400 mm,导体布置方式考虑IVI水平排列(即2个边相的绝缘子串采用I串,中相绝缘子串采用V串的情况)、VVV水平排列(即三相均采用V串的情况)、IVI三角排列和VVV三角排列4种情况,其结构参见文献[21]中图1;

b.同塔双回路的导线分别采用8×LGJ-630、8×LGJ-800(分裂间距400 mm)和10×LGJ-300(分裂间距375 mm)这3种型式,导体布置方式考虑I串同相序垂直排列、I串逆相序垂直排列、V串同相序垂直排列和V串逆相序垂直排列4种情况,其结构如图3所示。

3.2 交流特高压线路可听噪声的预测分析

3.2.1 噪声预测

根据公众对输电线路可听噪声的反映提出了Perry准则[14]:噪声在52 d B以下基本无投诉或抱怨,52~59 d B范围内有少量投诉或抱怨,59 d B以上有大量投诉和抱怨,因此,可以基于Perry准则来评估特高压输电线路结构设计的合理性,同时,参考国外交流特高压输电线路可听噪声限值的研究结果[6,7,11],提出将我国1000 k V级交流特高压输电线路距边相投影20 m处可听噪声L50的设计限值确定为55 d B。使用RVM1p模型分别预测了同塔单回路和同塔双回路在不同导线排列方式、不同对地高度以及不同导线型号下,距边相投影20 m处的可听噪声值(L50),其预测结果见表3、4。

3.2.2 预测结果分析

通过分析表3、4的数据,可得出我国特高压输电线路的初设结构均满足环境噪声标准的要求:

a.对于特高压单回路,采用8×LGJ-500及更大截面的导线,4种塔型在不同高度下均能达到可听噪声低于55 d B的水平,而要达到52 d B以下,则应该采用8×LGJ-630以上的导线;

d B

d B

b.对于特高压双回线路,同相序时,采用8×LGJ-630及更大截面的导线可达到可听噪声低于55 d B的水平,逆相序时,则需采用8×LGJ-800以及部分对地高度较高的8×LGJ-630导线才能使噪声达到55 d B以下,而只有同相序时采用8×LGJ-800的导线才能达到52 d B以下。

4 结论

a.在对可听噪声的基本特性(包括累积分布特性、频谱特性和横向分布特性)进行详细分析的基础上,推导得出了可听噪声的声压级和声功率级之间的定量关系式。

b.提出了基于相关向量机的特高压输电线路可听噪声的预测模型,该方法由于采用了贝叶斯框架下的学习机制表现出优秀的泛化能力,其预测具有较高的准确度以及更广泛的适用范围。

c.为了评估特高压输电线路结构设计的合理性,利用RVM回归模型比较准确地预测了我国初步设计的1000 k V交流单回和同塔双回架空输电线路的可听噪声值(L50),这对保证输电线路经济运行和节约工程投资有着重要的意义。

摘要：通过对输电线路可听噪声的累积分布特性、频谱特性和横向分布特性的分析,推导出可听噪声声压级和声功率级之间的定量关系式;提出基于相关向量机的特高压输电线路可听噪声的预测模型,该模型由于采用了贝叶斯框架下的学习机制表现出优秀的泛化能力,使其预测具有较高的准确度以及更广泛的适用范围;利用相关向量机回归模型预测了我国1000kV交流单回和同塔双回架空输电线路的可听噪声,结果表明:我国交流特高压输电线路的初设结构合理,满足环境噪声标准的要求。特高压单回路采用8×LGJ-500及更大截面的导线可听噪声低于55dB,采用8×LGJ-630以上的导线低于52dB;特高压双回线路同相序时采用8×LGJ-630及更大截面的导线可听噪声低于55dB,逆相序时需采用8×LGJ-800导线才能使噪声低于55dB,只有同相序时采用8×LGJ-800导线才能低于52dB。