《振動噪音科普專欄》如何應用SPR技術路徑處理振動噪音問題?(3) 如何解析R-test-N量測數據?

 這個單元要來探討的主題是:如何應用SPR 技術路徑(technical roadmap)處理振動(vibration)與噪音(noise)問題?這是這個系列的第3篇:(3) 如何解析R-test-N量測數據?

 

要探討這個主題,參閱左上方圖示,先回顧:【振動/聲音結構路徑/空氣路徑S PR系統方塊圖】,讀者可參閱參考單元:#351SPR方塊圖看需要哪些實驗與分析?】。

 

因為要處理噪音問題,當然第一個步驟,就要先知道結構系統的噪音狀態,目的在瞭解聲音的特徵。所以,要進行R-test-NResponse-test-Noise響應-實驗-噪音:就是量測結構的聲音壓力響應 𝒑(𝒕)。本單元的重點:如何解析R-test-N量測數據?

 

參閱圖示左邊中間,顯示一部馬達(motor),分別以麥克風(microphone)量測聲音響應,以及使用三軸向加速度規(triaxial accelerometer)量測振動響應。並透過數據採集裝置DAQ (Data AcQuisition device) NI-9234,配合SVM振動噪音量測系統,可以量測motor的振動噪音。

 

本單元的重點:如何解析R-test-N量測數據?在先前單元:#354如何應用SPR技術路徑處理振動噪音問題?(1) 如何進行R-test-N】。引用第四個心法=F-S-M-I-V-C-I】的Index指標:針對噪音響應,參閱圖示左邊下方,顯示R-test-NWhat to show? 應該呈現甚麼Index 指標?以及對應圖示的Value 數值,包括:𝒑(𝒕)𝑮𝒑𝒑(𝒇)𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)𝑳𝒑,𝒆𝒒𝑮𝒑𝒑(𝒕,𝒇)𝑳𝒑(𝒕)

 

參閱圖示右上方,顯示先前單元:#109對一個信號進行頻譜分析的原理為何?】,聲音量測信號的頻譜分析流程圖,有甚麼Index 指標?綜合說明如下:

 

1.      𝒑(𝒕) = time waveform = 時間波形:量測到的聲音壓力響應 𝒑(𝒕),是原始數據(raw data)

2.      𝑷(𝒇) = Fourier spectrum = 傅立葉頻譜:對 𝒑(𝒕)進行FFT快速傅立葉轉換(fast Fourier transform, FFT)處理,可以得到𝑷(𝒇) 傅立葉頻譜,會是複數,不可平均,是單一個時間區間的頻譜特徵。所以,通常並不會深入探討。

3.      𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜:取得的 𝑷(𝒇),透過PSD (power spectral density, PSD)處理,可以取得聲音的功率頻譜(power spectrum, auto PSD spectrum) 𝑮𝒑𝒑(𝒇),可簡稱聲音頻譜(sound spectrum)聲音頻譜顯示的峰值(peaks),就是主要發聲的頻率。

4.      𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band spectrum = 三分之一倍頻頻譜:再由𝑮𝒑𝒑(𝒇),進行三分之一倍頻(one third octave band)處理,可以取得 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄),主要是配合人耳感官的聽覺效果。

5.      𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級:由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄),可以累加 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) 每一個 𝒇𝒄 中心頻率(central frequency)的聲音壓力位準dB,進而得到𝑳𝒑,𝒆𝒒。簡單說,就是在量測時間內的噪音量大小之平均值,實際上是均能 (equivalent energy)的概念。

6.      𝑮𝒑𝒑(𝒕,𝒇) = spectrogram = 時頻圖:必須透過時頻分析(time frequency analysis),常用短時傅立葉轉換(short time Fourier transform, STFT)處理,以得到時頻圖。本單元暫不深入討論。

7.      𝑳𝒑(𝒕) = sound pressure level = 聲音壓力位準/聲壓級:對應時間軸,每一個瞬間的聲音壓力位準/聲壓級。本單元暫不深入討論。

 

接下來,參閱圖示右邊的系列圖示,深入探討每一個Index 指標以及對應圖示的Value 數值,綜合說明如下:

 

1.      𝒑(𝒕) = time waveform = 時間波形:本案例,總量測時間為64 sec,影片中第一個圖示,是最後一個量測區間,所量測到的聲音壓力響應 𝒑(𝒕),是原始數據(raw data)。可以進行FFT處理,取得對應的𝑷(𝒇) 傅立葉頻譜。

2.      𝑷(𝒇) = Fourier spectrum = 傅立葉頻譜:對 𝒑(𝒕)進行FFT快速傅立葉轉換(fast Fourier transform, FFT)處理,可以得到𝑷(𝒇) 傅立葉頻譜,會是複數,不可平均,是單一個時間區間的頻譜特徵。所以,圖示為 𝑷(𝒇) 的振幅值|𝑷(𝒇)|,由於沒有平均,看到的頻譜,不具代表性,通常並不會深入探討,可以視為過程資訊,需注意:當取100次平均,會有100𝑷(𝒇)。然而,通常有興趣的平均頻譜是 𝑮𝒑𝒑(𝒇)

3.      𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜:取得的 𝑷(𝒇),透過PSD (power spectral density, PSD)處理,可以取得聲音的功率頻譜(power spectrum, auto PSD spectrum) 𝑮𝒑𝒑(𝒇),可簡稱聲音頻譜(sound spectrum)。需注意:𝑮𝒑𝒑(𝒇)是可以平均的,本案例是取100次平均。聲音頻譜顯示的峰值(peaks),就是主要發聲的頻率。𝑮𝒑𝒑(𝒇) 圖示,在y軸是噪音量,單位:dB,在x軸是頻率,單位:Hz。圖示分別呈現x軸為對數(logarithmic)以及線性(linear)座標。會採用logarithmic座標呈現,因為人耳感官對頻率的聽覺,並不是linear,而是logarithmic

4.      𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band spectrum = 三分之一倍頻頻譜:再由𝑮𝒑𝒑(𝒇),進行三分之一倍頻(one third octave band)處理,可以取得 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄),主要是配合人耳感官的聽覺效果。參閱圖示,可知每一個 𝒇𝒄 中心頻率,都有對應的聲音壓力位準dB值。由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)以及logarithmic座標的𝑮𝒑𝒑(𝒇),倆倆的對比比較,可以得知𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)有高dB值,其𝑮𝒑𝒑(𝒇) 就有高峰值響應。由本案例 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)dB圖示來看,會認為是低頻率主導了噪音響應,其實不然,容後說明。

5.      𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級:由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄),可以累加 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) 每一個 𝒇𝒄 中心頻率(central frequency)的聲音壓力位準,進而得到𝑳𝒑,𝒆𝒒。簡單說,就是在量測時間內的噪音量大小之平均值,實際上是均能 (equivalent energy)的概念。在此案例,𝑳𝒑,𝒆𝒒 = 72.1 dB

 

看過圖示右側的5個圖示的Index 指標以及對應的Value 數值,如前述,由𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)dB圖示來看,會認為是低頻率主導了噪音響應,其實不然。在此,導入A加權(A weighted)處理的聲音頻譜,如圖示相對應的左邊示意圖,說明如下:

 

1.      𝑮𝒑𝒑(𝒇) = sound spectrum = 聲音頻譜:𝑮𝒑𝒑(𝒇)可以有兩種單位的呈現方式,分別是 dB 以及 dBAdB是原始的聲音頻譜,而dBA則是A加權的聲音頻譜。可以觀察到,相較於dB𝑮𝒑𝒑(𝒇)dBA𝑮𝒑𝒑(𝒇)在低頻率區,噪音值明顯的變低了,這就是A加權的效應。讀者可參考單元:#54聲音壓力位準dBdB(A)有甚麼不同?】。

2.      𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) = 1/3 octave band spectrum = 三分之一倍頻頻譜:𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)同樣也可以有兩種單位的呈現方式,分別是 dB 以及 dBAdB是原始的聲音頻譜,而dBA則是A加權的聲音頻譜。相較於dB𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)dBA𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)在低頻率區,噪音值明顯的變低了,這就是A加權的效應。在此要注意:對於噪音的高貢獻度頻帶之評估,要以dBA𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)為準。在此案例,高貢獻度頻帶是 𝒇𝒄 = 4000 Hz 以及𝒇𝒄 = 6300 Hz,甚至由於𝒇𝒄 = 200 Hz比起鄰近的頻帶,高出約10 dBA,所以可能出現純音效應(pure tone effect)的異音。

3.      𝑳𝒑,𝒆𝒒 = equivalent sound pressure level = 等效聲音壓力位準/聲壓級:噪音總量(overall value, OA value)同樣可表示成dB 以及 dBA。本案例分別是𝑳𝒑,𝒆𝒒 = 72.1 dB,以及 𝑳𝒑,𝒆𝒒 = 50.1 dBA𝑳𝒑,𝒆𝒒 dBA會比較低的原因,就是因為低頻率區,有了A加權的效應。

 

本單元重點在:(3) 如何解析R-test-N量測數據?已經呈現了所有的Index 指標以及對應圖示的Value 數值,可以說完成了第三個心法MADI】的Measurement 量測以及Analysis 分析,接下來就是Diagnosis 診斷以及Improvement 對策

 

如何解讀R-test-N的量測與分析數據以及相關圖示呢?參閱圖示右邊上方流程圖,數據的Analysis 分析流程是由左向右,以取得各個評估噪音的Index 指標,而Diagnosis 診斷流程則是由右向左,Diagnosis 診斷流程之建議如下:

 

1.      觀察𝑳𝒑,𝒆𝒒 dBA:也就是瞭解噪音總量A加權OA值,亦即均能聲音壓力位準/聲壓級,單位:dBA。本案例:𝑳𝒑,𝒆𝒒 = 50.1 dBA

2.      觀察dBA𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄):目的在瞭解主要噪音貢獻頻帶。本案例,高貢獻度頻帶是 𝒇𝒄 = 4000 Hz 以及𝒇𝒄 = 6300 Hz,甚至由於𝒇𝒄 = 200 Hz比起鄰近的頻帶,高出約10 dBA,所以可能出現純音效應(pure tone effect)的異音。

3.      觀察dBAlogarithmic座標 𝑮𝒑𝒑(𝒇):目的在瞭解對應於𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)的高貢獻頻帶,透過𝑮𝒑𝒑(𝒇)圖示,來判斷係來自哪個頻率區間的噪音頻譜響應。

4.      觀察dBAlinear座標 𝑮𝒑𝒑(𝒇):在linear座標的𝑮𝒑𝒑(𝒇)圖示,可以判斷,例如:與轉速倍頻(harmonics of rotating speed)相關的效應,或是可能的共振(resonance)影響。

5.      觀察dBlinear座標 𝑮𝒑𝒑(𝒇):目的在瞭解實際的原始噪音頻譜的分布狀態,常會和振動頻譜作比較探討。

6.      觀察 𝒑(𝒕)原始量測數據:必要時可追溯量測到的聲音壓力響應 𝒑(𝒕),是原始數據(raw data),可以輔助佐證判斷頻譜的特徵。

7.      觀察𝑳𝒑(𝒕):可以分別由dB 以及 dBA,輔助分析噪音隨時間的變化情形。

8.      觀察𝑮𝒑𝒑(𝒕,𝒇):可以由spectrogram時頻圖,綜觀隨時間變化的頻譜變動情形,以輔助分析診斷。

 

最後,綜合這個單元的討論:(3) 如何解析R-test-N量測數據?總結如下:

 

1.      回顧【振動/聲音結構路徑/空氣路徑S PR系統方塊圖】:著重在(1) 如何進行 R-test-N?特別是在探討如何解析以及解讀 R-test-N的量測數據?

2.      回顧了先前單元:#109對一個信號進行頻譜分析的原理為何?】:聲音量測信號的頻譜分析流程圖,𝒑(𝒕) 𝑷(𝒇) 𝑮𝒑𝒑(𝒇) 𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄) 𝑳𝒑,𝒆𝒒。數據的Analysis 分析流程是由左向右,以取得各個評估噪音的Index 指標

3.      提出Diagnosis 診斷流程之建議:不同於數據的Analysis 分析流程是由左向右,Diagnosis 診斷流程則是由右向左,其流程步驟:(1) 𝑳𝒑,𝒆𝒒 dBA(2) dBA𝑮𝒑𝒑,𝟏/𝟑(𝒇𝒄)(3) dBAlogarithmic座標 𝑮𝒑𝒑(𝒇)(4) dBAlinear座標 𝑮𝒑𝒑(𝒇)(5) dBlinear座標 𝑮𝒑𝒑(𝒇)(6) 𝒑(𝒕)(7) 𝑳𝒑(𝒕)(8) 𝑮𝒑𝒑(𝒕,𝒇)

 

以上個人看法,請多指教!

 

王栢村

2024.01.09

0 意見:

張貼留言