程紅偉， 陶俊勇， 蔣 瑜， 陳 循

(1.國(guó)防科技大學(xué) 裝備綜合保障技術(shù)重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)沙 410073;2.國(guó)防科技大學(xué) 機(jī)電工程與自動(dòng)化學(xué)院，長(zhǎng)沙 410073)

在工程實(shí)際中，一般基于高斯假設(shè)對(duì)機(jī)械振動(dòng)信號(hào)進(jìn)行統(tǒng)計(jì)分析和研究。但是，近來越來越多的學(xué)者注意到機(jī)械振動(dòng)的高斯性假設(shè)在某些情況下是不成立的，機(jī)械隨機(jī)振動(dòng)的非高斯特性開始受到關(guān)注。Steinwolf[1]研究了湍流邊界層在機(jī)翼蒙皮所引起振動(dòng)的非高斯性。Gioffré[2]，Gurley[3]和董欣[4]分別研究了風(fēng)引起的振動(dòng)載荷的非高斯性。Rouillard[5]深入研究了車輛振動(dòng)環(huán)境的非高斯性，并提出了一種基于計(jì)算機(jī)程序的高斯分解方法。Rychlik等[6-8]對(duì)海浪引起的振動(dòng)載荷的非高斯性進(jìn)行了大量的統(tǒng)計(jì)研究。

對(duì)于平穩(wěn)非高斯振動(dòng)信號(hào)，概率密度函數(shù)能夠全面地反映其統(tǒng)計(jì)特性，它決定了非高斯信號(hào)高階矩和高階累積量的大小。非高斯隨機(jī)信號(hào)幅值概率密度函數(shù)的數(shù)學(xué)描述，主要有Edgeworth展開法、高斯變換法和最大熵法。Harremoes[9]對(duì)比分析了最大熵法和Edgeworth展開法的優(yōu)缺點(diǎn)。Winterstein[10]分析了Edgeworth展開法的缺點(diǎn)，并通過對(duì)高斯概率密度函數(shù)進(jìn)行非線性變換，得到基于高斯變換法的非高斯概率密度函數(shù)。在隨機(jī)信號(hào)非高斯性較強(qiáng)的情況下，Edgeworth展開法得到的概率密度曲線會(huì)出現(xiàn)負(fù)值并呈現(xiàn)多峰態(tài)；而基于最大熵理論的方法也會(huì)使單峰的非高斯概率密度函數(shù)呈現(xiàn)多峰態(tài)[9]。高斯變換法的問題在于僅適用于一定的峭度范圍，并且該方法計(jì)算過程復(fù)雜[10]。另外，Steinwolf[11]提出了一種基于經(jīng)驗(yàn)信息的高斯曲線拼接法。Rouillard[5,12]提出了基于搜尋算法的高斯混合模型。高斯拼接法和Rouillard提出的高斯混合法，都能夠較好地逼近非高斯隨機(jī)振動(dòng)信號(hào)概率密度函數(shù)。但是，這兩種方法計(jì)算量大，工程中應(yīng)用困難。

綜上所述，針對(duì)非高斯振動(dòng)信號(hào)的幅值概率密度函數(shù)，需要提出一種既能滿足計(jì)算精度要求，而計(jì)算過程又相對(duì)簡(jiǎn)單的數(shù)學(xué)模型。在本研究中，我們基于高斯混合模型的數(shù)學(xué)思路，提出了基于非高斯振動(dòng)信號(hào)高階統(tǒng)計(jì)量的高斯混合模型。應(yīng)用該數(shù)學(xué)模型對(duì)仿真非高斯振動(dòng)信號(hào)和實(shí)測(cè)非高斯振動(dòng)信號(hào)的幅值概率密度進(jìn)行表述，通過與經(jīng)驗(yàn)分布的對(duì)比驗(yàn)證了該方法的有效性。通過與其它方法的對(duì)比，進(jìn)一步驗(yàn)證了該方法的正確性和工程應(yīng)用價(jià)值。

1 非高斯振動(dòng)

從理論上來說，能夠全面描述一個(gè)隨機(jī)過程非高斯特性的統(tǒng)計(jì)量和頻譜函數(shù)為：高階矩、高階累積量和高階譜[13-14]。但是由于隨機(jī)過程高階統(tǒng)計(jì)量和高階譜的復(fù)雜性，使其在非高斯振動(dòng)領(lǐng)域難以開展工程應(yīng)用。所以，研究人員大都借助隨機(jī)變量的高階統(tǒng)計(jì)量來描述平穩(wěn)隨機(jī)過程的非高斯性，其中最常用的是標(biāo)準(zhǔn)化3階中心矩和標(biāo)準(zhǔn)化4階中心矩，即偏斜度γ3和峭度γ4[1,15-17]，

(1)

(2)

其中，X為非高斯隨機(jī)變量；μX和σX分別為X的均值和標(biāo)準(zhǔn)差；M3和M4分別為X的3階中心矩和4階中心矩，可由X的概率密度函數(shù)計(jì)算得到。需要注意的是，高斯隨機(jī)變量的偏斜度恒為0，峭度恒為3。

對(duì)于零均值平穩(wěn)非高斯振動(dòng)，通過時(shí)域樣本序列可以對(duì)其偏斜度和峭度進(jìn)行估計(jì)，

(3)

(4)

其中，x(t)為隨機(jī)過程X(t)的樣本信號(hào)；T為樣本時(shí)間長(zhǎng)度。

Rouillard[5]和Rizzi[18]分別對(duì)實(shí)際環(huán)境中的非高斯振動(dòng)信號(hào)進(jìn)行了大量的統(tǒng)計(jì)分析，并指出在實(shí)際振動(dòng)環(huán)境中，很少存在嚴(yán)格意義上的平穩(wěn)信號(hào)，所以大多隨機(jī)振動(dòng)的非高斯性是由短時(shí)非平穩(wěn)性造成的。然而，對(duì)于短時(shí)非平穩(wěn)信號(hào)，從長(zhǎng)時(shí)間的觀測(cè)序列來看，它具有平穩(wěn)信號(hào)的特性。所以，在工程中對(duì)于宏觀平穩(wěn)，而短時(shí)非平穩(wěn)的振動(dòng)信號(hào)一般都基于平穩(wěn)隨機(jī)過程假設(shè)對(duì)其進(jìn)行處理。

2 高斯混合模型

Middleton[19]在研究通信系統(tǒng)中多源疊加噪聲信號(hào)的幅值概率分布時(shí)提出了高斯混合模型，并在通信領(lǐng)域得到廣泛的應(yīng)用。高斯混合模型的統(tǒng)一表達(dá)式為，

(5)

其中fNG為非高斯概率密度函數(shù)；fi(x)為第i個(gè)高斯分量的概率密度函數(shù)；αi為第i個(gè)高斯分量的權(quán)值，0 ≤αi≤ 1，∑αi=1。一般情況下，2、3階高斯混合模型就可以給出精度足夠高的非高斯概率密度函數(shù)[20]。在本研究中，我們采用2階高斯混合模型，

fNG(x)=αf1(x)+(1-α)f2(x)

(6)

根據(jù)Middleton提出的高斯混合模型理論，需要在全面掌握各噪聲源的物理特性的前提下，以Poisson分布來確定不同高斯分量的權(quán)值αi，這在機(jī)械振動(dòng)信號(hào)處理中是不能實(shí)現(xiàn)的。

眾所周知，零均值高斯概率密度函數(shù)可以由標(biāo)準(zhǔn)差完全確定。所以零均值非高斯過程的二階高斯混合模型可以表示為：

(7)

其中σ1和σ2分別為高斯分量1和高斯分量2的標(biāo)準(zhǔn)差；α和1-α分別為高斯分量1和高斯分量2的權(quán)值。式(7)中有三個(gè)未知量：σ1、σ2和α。

可以根據(jù)非高斯振動(dòng)樣本信號(hào)來估計(jì)其2、4、6階中心矩，在零均值情況下中心矩和原點(diǎn)矩相同，

(8)

(9)

(10)

所以有，

(11)

將式(11)代入式(9)，得方程組：

(12)

以式(8)給出的樣本估計(jì)量代替真值，則有：

(13)

對(duì)于方程組(13)，通過科學(xué)計(jì)算軟件求解得到未知量α，σ1和σ2，將其代入式(7)中，得到給定非高斯振動(dòng)信號(hào)的幅值概率密度函數(shù)。

3 示例

為了綜合驗(yàn)證所提出的高斯混合模型的有效性，這里給出了兩個(gè)示例的詳細(xì)計(jì)算過程：

(1)峭度較低的仿真非高斯振動(dòng)信號(hào)；

(2)峭度較大的實(shí)測(cè)車輛振動(dòng)信號(hào)。

最后，通過對(duì)4個(gè)振動(dòng)信號(hào)(兩個(gè)仿真信號(hào)，兩個(gè)實(shí)測(cè)信號(hào)，進(jìn)行誤差分析，從定量的角度來驗(yàn)證高斯混合模型的準(zhǔn)確性和有效性。

3.1 仿真信號(hào)

引入一個(gè)對(duì)稱分布的非高斯仿真信號(hào)，如圖1所示。該仿真信號(hào)的均值為0，方差為1.1976 × 103，偏斜度為0，峭度為8.1394。圖1(a)為信號(hào)的時(shí)域序列；圖1(b)為功率譜密度，該振動(dòng)信號(hào)是寬帶非高斯信號(hào)。

圖1 仿真非高斯振動(dòng)信號(hào)，峭度：8.1394

將圖1(a)所示的樣本序列代入式(8)，得，

(14)

將上式代入方程組(13)得，

(15)

將式(15)代入式(7)，得非高斯幅值概率密度函數(shù)，

(16)

圖2 仿真非高斯信號(hào)幅值概率密度曲線

圖2給出了基于以下四種方法得到的概率密度曲線：① 樣本序列的經(jīng)驗(yàn)分布；② 本文所提出的高斯混合模型；③ 高斯假設(shè)分布；④ 四階Edgeworth展開法。因?yàn)闀r(shí)域樣本序列有足夠的長(zhǎng)度，所以認(rèn)為經(jīng)驗(yàn)分布有足夠高的精度，以它作為其他數(shù)學(xué)模型的參考標(biāo)準(zhǔn)。圖2(a)為線性坐標(biāo)下的概率密度曲線，可以清晰地顯示出分布曲線中間峰值部分的差異；圖2(b)為半對(duì)數(shù)坐標(biāo)下的幅值概率密度曲線，可以清晰地顯示出分布曲線在尾部的差異。從圖2可以看出，基于高斯假設(shè)的概率密度曲線與經(jīng)驗(yàn)分布曲線差異很大，所以工程中基于高斯假設(shè)來處理非高斯信號(hào)將引入很大的誤差；基于4階Edgeworth展開的非高斯幅值概率密度曲線出現(xiàn)了負(fù)值和多峰態(tài)，Edgeworth展開法只適用于峭度值很小的非高斯振動(dòng)信號(hào)；基于本文提出的高斯混合法無論是在分布曲線的尖峰附近還是尾部都能精確地逼近經(jīng)驗(yàn)分布。

3.2 實(shí)測(cè)信號(hào)

某型運(yùn)輸車輛載貨平臺(tái)實(shí)測(cè)振動(dòng)信號(hào)，如圖3所示。該振動(dòng)信號(hào)的均值為0，方差為38.646 2，偏斜度為0，峭度為22.971 6。圖3(a)為信號(hào)的時(shí)域序列；圖3(b)為功率譜密度，該振動(dòng)信號(hào)具有窄帶非高斯特性。

圖3 車輛測(cè)量非高斯振動(dòng)信號(hào)，峭度為22.9716

將圖3(a)中的樣本序列代入式(8)得，

(17)

將式(17)代入方程組(13)得，

(18)

將式(18)代入(7)，得非高斯幅值概率密度函數(shù)，

(19)

圖4給出了3.1所述的四種方法的概率密度曲線。同樣采用樣本經(jīng)驗(yàn)分布作為其他數(shù)學(xué)模型的參考標(biāo)準(zhǔn)?？梢钥闯?，隨著峭度的增加，基于高斯假設(shè)和Edgeworth展開的概率密度函數(shù)的誤差將會(huì)增大，而本文所提出的方法仍能夠較好地逼近樣本信號(hào)的經(jīng)驗(yàn)分布。

圖4 車輛非高斯信號(hào)的幅值概率密度曲線

3.3 結(jié)果分析

為了進(jìn)一步分析所提出方法的準(zhǔn)確性，這里以相對(duì)均方誤差來衡量各幅值概率密度曲線對(duì)經(jīng)驗(yàn)分布曲線的偏離程度。這里定義相對(duì)均方誤差為，

(20)

其中f為基于某種模型或方法得到的非高斯概率密度函數(shù)，fEM為基于樣本序列得到的經(jīng)驗(yàn)分布。

為了充分驗(yàn)證方法的有效性，在3.1和3.2兩個(gè)示例的基礎(chǔ)上，又分別引入了一個(gè)峭度較低的仿真信號(hào)和某型飛機(jī)實(shí)測(cè)非高斯振動(dòng)信號(hào)。分別計(jì)算了本文提出的高斯混合模型概率密度函數(shù)、高斯假設(shè)下的概率密度函數(shù)和基于Edgeworth展開的概率密度函數(shù)與樣本經(jīng)驗(yàn)分布之間的相對(duì)均方誤差，如表1所示。

表1 非高斯振動(dòng)幅值概率密度函數(shù)相對(duì)誤差r

4 結(jié) 論

基于高斯混合模型，利用高斯隨機(jī)變量高階矩之間的定量關(guān)系，結(jié)合非高斯隨機(jī)振動(dòng)信號(hào)的物理特性，提出了一種求解非高斯振動(dòng)幅值概率密度函數(shù)的方法，即二階高斯混合模型分解方法。該方法的數(shù)學(xué)模型簡(jiǎn)單，物理意義明確，對(duì)高峭度的非高斯振動(dòng)信號(hào)仍然適用。

通過仿真和實(shí)測(cè)非高斯振動(dòng)信號(hào)驗(yàn)證了方法的有效性和工程適用性?；诟咚够旌夏Ｐ偷母怕拭芏群瘮?shù)模型為非高斯機(jī)械振動(dòng)信號(hào)的進(jìn)一步研究，如疲勞分析，減振隔振等，提供了準(zhǔn)確的統(tǒng)計(jì)分析工具和重要的理論支撐。

另外，二階高斯混合模型為非高斯振動(dòng)的研究提供了重要思路，它可以進(jìn)一步擴(kuò)展為高階模型或應(yīng)用于非高斯振動(dòng)信號(hào)的頻域研究，以滿足更高精度和更深層次的研究需求。

參 考 文 獻(xiàn)

[1]Steinwolf A, Rizzi S A. Non-Gaussian analysis of turbulent boundary layer fluctuating pressure on aircraft skin panels [J]. Journal of Aircraft, 2006, 43 (6): 1662-1675.

[2]Gioffré M, Gusella V, Grigoriu M. Simulation of non-Gaussian field applied to wind pressure fluctuations [J]. Probabilistic Engineering Mechanics, 2000, 5(4): 339-346.

[3]Gurley K R, Kareem A, Tognarelli M A. Simulation of a class of non-normal random processes [J]. International Journal of Non-linear Mechanics, 1996, 31 (5): 601-617.

[4]董 欣, 葉繼紅. 馬鞍屋蓋表面面積平均風(fēng)壓特性研究[J]. 振動(dòng)與沖擊, 2011, 30 (7): 21-30.

DONG Xin, YE Ji-hong. Area-averaged wind pressure on a saddle roof [J]. Journal of Vibration and Shock, 2011, 30 (7): 21-30.

[5]Rouillard V. On the non-Gaussian nature of random vehicle vibrations [C]// WCE 2007. Proceedings of the World Congress on Engineering 2007. London, U K: WCE, 2007: 1219-1224.

[6]Rychlik I, Johannesson P, Leadbetter M R. Modeling and statistical analysis of ocean-wave data using transformed Gaussian processes [J]. Marine Structures, 1997, 10(1): 13-47.

[7]Podgórski K, Rychlik I, Machado U B. Exact distributions for apparent waves in irregular seas [J]. Ocean Engineering, 2000, 27(9): 979-1016.

[8]Butler R W, Machado U B, Rychlik I. Distribution of wave crests in a non-Gaussian sea [J]. Applied Ocean Research, 2009, 31(1): 57-64.

[9]Harremo?s P. Maximum entropy and the Edgeworth expansion [C]// IEEE. Proceedings of the IEEE Information theory workshop. Awaji Island, Japan: IEEE, 2005: 68-71.

[10]Winterstein S R. Nonlinear vibration models for extremes and fatigue [J]. Journal of Engineering Mechanics, 1988 114 (10): 1772-1790.

[11]Steinwolf A. Approximation and simulation of probability distributions with a variable kurtosis value [J]Computational Statistics & Data Analysis, 1996, 21 (2): 163-180.

[12]Rouillard V. The synthesis of road vehicle vibrations based on the statistical distribution of segment lengths, 5th Australasian Congress on Applied Mechanics, ACAM 2007 10-12 December 2007, Brisbane, Australia

[13]Mendel J M. Tutorial on higher-order statistics (spectra) in signal processing and system theory: theoretical results and some applications [J]. Proceedings of the IEEE, 1991, 79 (3): 278-305.

[14]Swami A, Mendel J M, Nikias C L. Higher-order spectral analysis toolbox for use with Matlab, user's guide, version 2 [EB/OL].http://www.uic.edu/classes/idsc/ids594/research/BBC/hosa.pdf. 2000.12.27/2012.12.20.

[15]Benasciutti D, Tovo R. Fatigue life assessment in non-Gaussian random loadings [J]. International Journal of Fatigue, 2006, 28 (7):733-746.

[16]蔣 瑜, 陳 循, 陶俊勇,等. 指定功率譜密度、偏斜度和峭度值下的非高斯隨機(jī)過程數(shù)字模擬[J]. 系統(tǒng)仿真學(xué)報(bào), 2006, 18 (5): 1127-1130.

JIANG Yu, CHEN Xun, TAO Jun-yong, et al. Numerically simulating non-Gaussian random processes with specified PSD, skewness and kurtosis [J]. Journal of System Simulation, 2006, 18 (5): 1127-1130.

[17]蔣 瑜, 陶俊勇, 王得志,等. 一種新的非高斯隨機(jī)振動(dòng)數(shù)值模擬方法[J]. 振動(dòng)與沖擊, 2012, 31 (19): 169-173.

JIANG Yu, TAO Jun-yong, WANG De-zhi et al. A novel approach for numerical simulation of a non-Gaussian random vibration [J]. Journal of Vibration and Shock, 2012, 31 (19): 169-173.

[18]Rizzi S A, Przekop A, Turner T. On the response of a nonlinear structure to high kurtosis non-Gaussian random loadings [EB/OL]. http://ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/ 20110013658_2011014239.pdf. 2011.7.4/ 2012.12.26.

[19]Middleton D. Non-Gaussian noise models in signal processing for telecommunications: new methods and results for class A and class B noise models [J]. IEEE Transactions on Information Theory, 1999, 45(4): 1129-1149.

[20]Vastola K. Threshold detection in narrow-band non-Gaussian noise [J]. IEEE Transactions on Communications, 1984, 32 (2): 134-139.

[21]Bendat J S, Piersol A G. 隨機(jī)數(shù)據(jù)分析方法 [M]. 凌福根. 北京: 國(guó)防工業(yè)出版社, 1980.