以柴油发电机驱动的发电机组运行噪声过大，不仅严重影响附近人员的作业生活，而且会影响装置使用作业的安全性及可靠性，因此降低发电机组噪音的需求十分迫切．物理声源辨识[1]及灵敏度剖析对于发电机组噪声控制具有重要意义，但是因为受传递路径、机械结构、工作循环及速度波动等影响，物理声源与辐射噪音之间的映射关系具有高度非线性，其系统方程非常复杂，不能直接计算得到灵敏度指标．本文采用经验模态分解(empirical mode decomposition，EMD)
和支持向量机(support vector machine，SVM)相配合来辨认小型发电机组物理声源并计算其灵敏度．经验模态分解[2-3]是一种自适应、高效的信号分解方案，是近年来运用较多的一种盲源分离技术，其根据信号自身特性将其分解为一组独立的本征模态函数(intrinsic mode function，IMF)．本文采用EMD法对发电机组辐射的单通道噪音信号进行分解，并利用得到的IMF 分量进行噪声源辨识，得到了该小型发电机组的具体物理声源．支持向量机是20 世纪90 年代初Vapnik根据统计学习理论提出的一种新的机器学习方法，它以结构风险*小化为准则，通过对函数子集和子集中判别函数的适当选取，使实际风险达到*小，保证了在样本有限的情形下获得的小误差分类器在运用独立测试集进行测试时，误差仍然较小．本文基于支持向量机回归理论，以详细的IMF 分量为输入变量建立了辐射噪音预测模型，并推导计算了输入变量的灵敏度．1 基于EMD-SVM的物理声源灵敏度分析将小型发电机组的辐射噪音信号进行EMD 分解，得到一系列的独立分量，应用小波分析等方法，分析各独立分量所表征的物理声源．然后以小型发电机组的功率和具体本征模态函数作为输入变量，以小型发电机组1，m 处测点的声压级作为输出变量，建立小型发电机组辐射噪声支持向量机预测模型，*后在训练好的模型基础上分析各输入变量的灵敏度．
2.1 噪音样本采集以某小型发电机组为探求对象，该机组以单缸发电机为动力，*大功率5，kW，作业转速将传声器布局在机组正前方1，m、高1.2，m 处，采集机组正常工作时20 种不同功率负载下的1，m 声压信号．根据《GB/T 2820.10 往复式柴油发电机驱动的交流发电机组》中“噪音的测量(包面法)”设定剖析频率为12.8，kHz，为避免频谱混迭，根据奈奎斯特采样定理，即信号采样频率必须为*高分析频率的2 倍以上，设定采样频率为25.6，kHz，频率分辨率为噪声测试现场如图2 所示．
信号分离结果及剖析以空载时辐射噪音信号为例，首先对采集到的噪声参数进行EMD 分解，得到17 个IMF 分量．对各IMF 分量进行频域分析，得到各IMF 分量的频域特点，其中分量IMF1～IMF8 频率相对较高，幅值较大，波形特征与原始噪音信号相似，既能看到非平稳周期性特征，也能看到局部冲击特征，如图3 所示；而分量IMF9～IMF17 频率相对过低，移动电站幅值相对较小，其信号特性具有明显的调频调幅特点．分量IMF1～IMF8 由信号的好处频率分解得到，大都有清晰的物理意义，可能对应某一特定的信号特性，这些信号特点对应特定的物理声源．因此使用小波变换，解析具体独立分量的时频特性，结合先验知识辨认物理声源[5-9]，结果表明：IMF1 和IMF2为配气系统噪音，是由发电机气门开启、落座时的冲击导致的；IMF3 为平衡轴驱动齿轮噪音；IMF4 为正时齿轮噪声；IMF5 为进气噪音．对剩余19 种功率负荷下的1，m 声压信号分别进行EMD 分解及物理声源辨识，其结果与空载时辐射噪音信号EMD 分解及物理声源辨认结果类似：IMF1～IMF8 由信号的好处频率分解得到，对应特定的物理声源．不同负荷下相同编号的IMF 分量，其时频特征一致，表明其对应的声源一致．
2.3 基于SVM的噪声预测模型建立选定20 种功率负载下的分量IMF1～IMF8，计算各分量的声压级和机组的工况参数功率一起作为输入变量，以1，m 测点处(原始信号)的声压级作为输出变量，构成训练样本数据对和测试样本数据对用于建立SVM 回归模型，样本参数如表1所示．样本在高维线性空间的分布取决于核函数的类型和参数的选择，因此核函数及参数的选定直接影响SVM的性能[10]，成为SVM 的核心问题．目前SVM 中有很多种核函数，但对核函数的选定还不能从理论上给予指导，只能通过实验对比，结合不同的探讨对象和内容选型*优的核函数．以下为常载的4 种核内积函数形式