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。     

基于近场声阵列的旋转机械噪声源识别

为了有效控制旋转机械噪声,利用信号处理技术对整机或部件进行噪声源识别是十分必要的,噪声源准确识别可以为故障诊断和结构优化提供依据。首先论述建立均匀线性近场声阵列模型以获得空间声场数据的方法。其次,在传统波束形成结果基础上,利用反卷积法从中提取所需声场信息以实现对声源面可视化重构。接着,在所搭建转子噪声试验台上,利用近场声阵列提取各种工况下噪声信号,并识别出轴承以及盘轴连接处为转子主要噪声源,验证了基于声源成像反卷积法均匀线性近场声阵列在旋转机械噪声源识别方面的可行性。     

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。     

除自谱的互谱矩阵波束形成的噪声源识别技术

由于传声器阵列具有自噪声的干扰,在各通道的互谱距阵中,消除对角自谱元素的波束形成,可以提高声源识别的精度。由此,建立相应的声源识别算法和平面声源的成像软件。并对某发动机在额定工况下的噪声源识别进行验证。结果表明：发动机前端噪声来源于空气压缩机排气出口和曲轴传动皮带轮的上方机体辐射;左右两侧噪声来源于发动机缸体和油底壳辐射。由此表明涉及的算法与成像软件的正确与有效性能。     

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。     

基于改进FISTA的高分辨率声源定位方法

为提高快速迭代收缩阈值算法(Fast Iterative Shrinkage-Thresholding Algorithm, FISTA)在反卷积波束形成中的空间分辨率以及计算速度,采用基于快速傅里叶变换的声学模型,引入过松弛方法和“贪婪”重启策略,提出两种改进的快速迭代收缩阈值算法,即基于快速傅里叶变换的过松弛单调快速迭代收缩阈值算法(Over-relaxed MonotoneFast Iterative Shrinkage-Thresholding Algorithm based on Fast Fourier Transform, FFT-OMFISTA)和基于快速傅里叶变换的“贪婪”快速迭代收缩阈值算法("Greedy" Fast Iterative Shrinkage-Thresholding Algorithm based on Fast FourierTransform, FFT-GFISTA),并应用于反卷积波束形成的求解过程中。设计了单声源和双声源的仿真与实验,验证了所提算法的有效性与优越性。结果表明,两种所提算法都具有良好的性能,都能在声源定位中实现更高的空间分辨率以及更快的计算速度。     

基于反卷积的双线阵聚焦波束形成被动定位方法

为了提高双线阵聚焦波束形成在阵元数少或频率低时的定位精度,文章研究了一种基于反卷积的双线阵聚焦波束形成被动定位方法。首先在测量区内对双线阵接收信号进行球面波补偿,给出噪声源分布的声图信息。然后根据阵型的参数,计算双线阵的指向性函数。最后利用一种适用于移变阵列的二维扩展R-L反卷积算法,对声图波束输出和双线阵的指向性函数做反卷积,求解基于反卷积波束形成的源的分布。该方法旁瓣更低,分辨力更高,有效提高双线阵聚焦波束形成的定位精度和左右舷分辨能力,为后续的减振降噪、噪声检测等工作提供了参考。     

基于压缩聚焦网格点的快速反卷积算法EI北大核心CSCD

为提升反卷积算法的计算效率,提出一种压缩聚焦网格点的快速反卷积算法。该算法基于函数波束形成的输出,根据设定的声源识别阈值,压缩参与反卷积算法循环的聚焦网格点数。算法融合了函数波束形成与相干声源图清晰算法CLEAN-SC(CLEAN based on spatial source coherence)的优点,可进一步提高多声源定位的空间分辨率,并有效降低算法计算时间。仿真和试验表明:所提算法对低于瑞利极限的不相干多声源具有良好的识别效果;试验中,与CLEAN-SC相比,所提算法的计算效率提升了约3.90倍。     

基于声阵列技术的汽车噪声源识别试验研究

声阵列技术通过多个传声器获取声场信息,使用波束形成原理对声场信号进行处理,能对宽带声源进行有效识别。利用基于波束形成的声阵列噪声源分析技术,研究了汽车辐射噪声的频率特性和能量分布特性,通过与光学图像的自动重叠,获得了汽车整车最大噪声源的频率、空间位置及产生来源。试验结果表明,声阵列技术能够快速有效地进行噪声源诊断和声源空间定位,为汽车的噪声控制提供了科学依据。     

波束形成声源识别技术研究进展

波束形成作为一种空间声场可视化技术在声源识别领域得到广泛的研究和应用。概述了传声器阵列测量和波束形成后处理算法的发展历程,分析了其特点,总结了其发展方向,主要包括：声源识别性能更优的传声器阵列开发和算法改进、声源识别的适应性提高、波束形成结果不确定度的研究、基于声品质的声源成像及可视化研究等。对波束形成声源识别技术的认识及进一步的研究提供参考。     

基于DAMAS2修正算法的旋转声源定位识别方法

针对常规束形成声源识别技术分辨率低、未考虑声源旋转运动造成的识别误差等问题,推导得到DAMAS2修正算法。该方法在原本的静止框架中加入转速,得到修正的指向矢量与波束形成修正结果,随后结合波束形成修正结果建立阵列点传播函数与真实声源位置之间的卷积关系,最终通过迭代求解获得真实声源位置。首先通过数值模拟构建两个频率及幅值均一致的对称点声源,对比分析常规波束形成算法与DAMAS2修正算法的识别效果,然后结合激光测速原理及波束形成测试理论进行旋转声源实验研究。结果表明:DAMAS2修正算法主瓣宽度小、虚假声源少,不仅可以识别出旋转声源的径向位置,而且能得到运动声源某一时刻的周向位置,能够更精确地定位识别旋转声源。     

基于CLEAN-SC清晰化波束形成的汽车前围板隔声薄弱部位识别

为提高波束形成识别汽车前围板隔声薄弱部位的精度,开发了CLEAN-SC清晰化波束形成声源识别软件。对多种已知模拟声源的识别结果表明:该方法能够显著提高分辨率、衰减旁瓣,更准确地识别单声源及不相干声源,且随迭代次数的增加收敛快、受传声器及通道频响失配等因素的干扰小。某汽车前围板的隔声薄弱部位识别试验结果表明:空调进气口左上角位置是主要薄弱部位,空调进气口内外循环转换阀与阀口贴合不紧密是根本原因。为改善其隔声性能指明了方向,验证了CLEAN-SC清晰化波束形成方法在汽车前围板隔声薄弱部位识别中的有效性及所开发软件的正确性。     

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。     

压缩感知波束形成算法性能分析

波束形成声源识别技术具有测量速度快、计算效率高等优点,被广泛应用。因为其"主瓣"过宽造成空间定位精度低,"旁瓣"既高又多导致出现许多"鬼影"声源,从而限制其得到进一步应用。为解决以上问题,利用压缩感知理论中贪婪算法对信号的重建方法,改进常规波束形成算法,提出一种压缩感知波束形成方法。对单极子声源和相干声源进行声源识别数值模拟仿真,结果表明:与函数波束形成方法相比,压缩感知波束形成方法在识别单极子声源和相干声源时,定位精度更高,更能使旁瓣得到有效衰减,分辨率提升更大,并能够大幅缩短识别时间,具有一定的研究意义。     

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。     

采用波束形成和传递路径分析的室内噪声源评价

在室内噪声控制中,由于噪声源数量多且室内声场复杂,造成噪声源评价困难。提出一种室内噪声源评价方法：首先根据声源可能存在的位置进行区域划分,然后在各区域内利用波束形成方法进行声源定位,找到该区域A计权声压级最大的噪声源。再将各主要声源对噪声评价位置进行传递路径分析,计算各声源对该位置的贡献量。最后通过传递路径分析合成的噪声与该位置实际所测噪声的误差分析判断主要声源识别的有效性。仿真研究表明该方法能有效降低室内混响对声源定位的影响,减小传递路径方法的工作量,便于找到对评价位置影响最大的主噪声源。     

基于声阵列技术的汽车噪声源识别及贡献量分析

将统计最优声阵列技术运用于汽车噪声源(内部和外部)识别中,采用改进的远场声全息技术以弥补传统远场声全息识别精度低的缺点;研究了基于近场声全息技术的声贡献量分析方法,从而为低噪声优化设计提供方向;运用统计最优波束形成算法进行中高频声源识别,并将DAMAS方法用于后处理以提高识别精度,通过上述方法以探索一种新的声源识别及控制技术。最后将以上方法运用于某型轿车的声源识别和声贡献量分析中。     

汽车声学密封性能检测

首先基于已知蜂鸣器声源的识别结果检验波束形成的声源识别准确性,在此基础上,利用波束形成声源识别方法检测某汽车的声学密封性能,结果表明：右侧前车门后下部区域、后侧挡风玻璃是该汽车声学密封性能薄弱环节,为该车的声学密封性能改善指明方向,对降低车内噪声、改善其乘坐舒适性具有重要意义。     

运动物体噪声场分解的传递路径声全息方法

声全息及波束成形技术可以通过对阵列噪声信号处理,获得运动物体表面声场的分布。如果物体中声源相距较近或声源相关性较高,该方法不能有效区分每个声源对目标表面声场的贡献。提出了一种基于声源特征的传递路径声全息方法。该方法同时采集外场阵列面信息及物体上声源参考信息,在声源识别过程中,结合声源传递路径对采样面信息分解,然后采用声全息技术重建声源,实现声源识别和声场分解。介绍了该方法的识别过程,并与传统的声全息方法进行多声源仿真对比;最后应用该方法进行了实际汽车噪声源的分解。结果表明,该方法能有效识别并分离出运动物体的噪声源。     

基于信号分离技术的波束形成算法研究

波束形成算法具有计算效率高,计算结果稳定等优点,被广泛应用于噪声源定位。因此,对波束形成算法的深入研究及扩展具有重要的意义。特征值分解、相干输出谱分析等技术能够对被测信号进行分解,常用于信号分离和贡献量分析,具有广泛的研究与工程应用价值。结合上述信号分离技术,将特征值分解和相干输出谱分析应用于波束形成算法的前处理,提出基于特征值分解和相干输出谱的两种“衍生”波束形成算法。在此基础上,采用圆形二维传声器阵列对三个人工白噪声声源进行声源定位测试,数据分析结果验证基于特征值分解和相干输出谱的波束形成算法对声源识别和声源云图分离的有效性。两种算法均能够对声源云图进行有效分离,进而将各个声源云图与其激励源相关联。