基于高阶矩阵函数的广义逆波束形成改进算法

广义逆波束形成是一种高效的声源识别定位方法,然而其计算稳健性易受随机噪声影响,阻碍了其声源识别动力学水平进一步提高。为改善广义逆波束形成声源识别方法的稳健性,基于高阶矩阵函数提出一种广义逆波束形成改进算法:定义了基于广义逆波束形成的正则化矩阵;对正则化矩阵与波束形成输出进行迭代运算;利用高阶矩阵函数对迭代求解所得广义逆波束形成输出的互谱进行优化。通过数值仿真详细分析了声源频率对波束形成矩阵函数阶次取值的影响,得到阶次的最优取值区间。最后通过数值模型和实验算例对单极子与相干声源进行定位识别,结果表明:改进算法在准确识别声源基础上能有效抑制旁瓣干扰,且具有更高的声源识别精度。     

基于幅度补偿的MVDR水下噪声源近场定位识别方法研究

降低舰船噪声,首先要找到其主要噪声源,然后采取有针对性的减振降噪措施。本文针对现有基于近场聚焦波束形成等噪声源近场定位方法的不足,介绍了基于幅度补偿的MVDR(minimum variance distortionless response)近场聚焦波束形成噪声源近场定位识别方法。该方法在MVDR算法的基础上引入幅度补偿,可以有效估计噪声源的相对强度;可以提高基阵在低频段的空间分辨率,在高频段能进一步抑制空间混叠;同时还可以进一步抑制背景噪声,因此该方法能够给出系统噪声源的空间位置分布及能量分布,从而准确找到系统中主要噪声源,采取有针对性的减振降噪措施。计算机仿真及湖试实验数据处理结果验证了该方法的有效性,具有一定的工程应用价值。     

基于波束形成方法的货车车外加速噪声声源识别

综合基于波束形成的噪声源识别方法和外场车外加速噪声测量技术,构建一套完整的针对运动声源的车外加速噪声外场声源识别测试系统,给出了相应的测试计算流程与方法。利用该系统完成货车车外加速噪声声源识别试验,确定发动机为该货车车外加速噪声的主导噪声源,且对应最大噪声时刻发动机转速为２４００ｒ／ｍｉｎ。进一步的发动机噪声源识别结果表明：涡轮增压器、发电机、气缸盖罩是其主要噪声辐射源。     

扩展性噪声源定位的空间谱估计仿真研究

波束形成是列车噪声源定位的常用方法,但在低频条件下分辨率较差,对扩展性声源的识别效果不佳.我们以扩展性声源为研究对象,理论推导了去自谱算法的扩展源模型.信噪比分别为-5dB和5dB时,通过比较分辨率和信源间隔的关系,对CBF、MVDR、MUSIC三种算法的稳健性进行定性分析,发现MVDR算法的分辨率受信噪比影响最小、稳健性较好.还系统地比较了MVDR算法和去自谱算法对单点声源、扩展性声源的定位效果,仿真表明,去自谱算法能有效抑制旁瓣效果(最大旁瓣级比MVDR算法低7.4dB),更适用于扩展性声源的定位.     

加窗FIM波束形成性能研究

仿真研究了逆波束形成算法中最核心的傅氏积分方法(FIM)及其两种加权形式,并与常规波束形成(CBF)的仿真结果进行了比较.     

交叉层波束形成方法的发动机噪声源识别

发动机噪声源分布复杂,来源多,用人耳很难分辨,利用传声器阵列的噪声源识别技术可以为发动机噪声控制提供客观依据和指导。使用波束形成声源识别方法,对位于不同平面的多个声源进行了仿真识别,并研究了多维声源识别方法,使用交叉层法得到了声源定位的立体结果。结果显示,交叉层法可以有效消减或去除来自识别表面之外的声源在识别表面的虚假投影。最后,针对某发动机产品,使用平面传声器阵列对其上、前、左、右四个面分别进行一次变转速工况时域声压信号采集,使用互谱矩阵波束形成算法,得到各转速下发动机各表面的声源分布图像,并通过交叉层法得到了发动机表面声源的立体分布,准确将声源定位至发动机表面各部件。     

车辆噪声源识别方法综述

在车辆产业中,噪声问题越来越突出,噪声源识别方法是车辆噪声控制的重要前提。近年来,车辆噪声源识别的方法得到快速发展,但仍需不断改进和完善。本文对车辆噪声源识别方法进行总结,将车辆噪声源识别方法分为传统方法、基于信号处理方法和基于声阵列技术方法三类,并描述和分析各种识别方法的特点。最后总结全文,展望未来车辆噪声源识别方法。     

基于非负最小二乘反卷积波束形成的发动机噪声源识别

为提高波束形成方法识别发动机噪声源的位置精度,开发了FFT-NNLS反卷积波束形成声源识别软件。对已知单声源、不相干双声源、相干双声源等多种模拟声源的识别结果表明：该方法能够有效消除旁瓣,显著提高空间分辨率,随迭代次数的增加更快收敛,更准确地识别声源。某发动机全负荷额定转速工况下的噪声源识别试验结果表明：气缸盖罩、缸体、排气旁通阀、发电机是其主要噪声源。为改善其声学性能指明了方向,验证了FFT-NNLS反卷积波束形成在发动机噪声源识别中的有效性和所开发软件的正确性。     

声学成像和深度学习的诊断与定位方法

针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。     

基于广义逆波束形成的扩展性噪声源定位误差影响因素仿真研究

实现噪声控制的前提是正确识别出主要的噪声源,研究噪声源空间指向性对于噪声源的辨识和预测有重大意义。为提高复杂声源的分辨率,以单极子点源形成扩展性声源表征噪声源,引进广义逆波束形成算法对扩展性声源进行声源定位。通过仿真计算,分析了广义逆波束形成(Generalized Inverse Beamforming,GIB)算法中麦克风阵列阵元数、测量距离对定位效果的影响,系统比较了去自谱算法和GIB算法对点声源、扩展性声源(5个紧密相连的单极子点源)的分辨率。仿真表明:GIB算法中定位效果受阵元数目影响不大,相对提高了点声源的定位精度,而且能分辨出扩展性声源。