劉寧寧 孫躍東 王巖松 孫裴 郭輝

（1.上海理工大學(xué)，上海 200093；2.上海工程技術(shù)大學(xué)，上海 201620）

主題詞：車內(nèi)噪聲 噪聲主動控制 智能數(shù)據(jù)融合 參考信號

1 前言

傳統(tǒng)的被動控制技術(shù)對車內(nèi)中高頻（≥500 Hz）噪聲控制十分有效，但無法控制低頻噪聲。主動噪聲控制（Active Noise Control，ANC）基于信號的相消干涉原理實(shí)現(xiàn)，十分適合控制低頻噪聲，已被很多車型采用。ANC 系統(tǒng)根據(jù)是否有參考信號可分為前饋系統(tǒng)和反饋系統(tǒng)。常用的ANC 前饋系統(tǒng)利用一個(gè)參考傳感器接收初級噪聲源的信號，信號經(jīng)噪聲主動控制器濾波后，由揚(yáng)聲器發(fā)出振幅相同、相位相反的次級聲源來降低初級噪聲，再利用誤差傳感器接收殘余噪聲信號，傳遞至控制器的濾波器進(jìn)行自適應(yīng)調(diào)整，從而保證誤差傳感器的區(qū)域噪聲降至最低。

ANC 系統(tǒng)不僅可降低車內(nèi)噪聲，還可改變噪聲頻譜，完善車內(nèi)聲品質(zhì)。目前ANC 的研究主要集中在新型控制算法的開發(fā)和算法性能優(yōu)化上，使算法收斂速度、計(jì)算復(fù)雜度和均方誤差間的匹配達(dá)到最優(yōu)。在ANC系統(tǒng)中，時(shí)域最小均方（Least Mean Square，LMS）算法及其改進(jìn)算法應(yīng)用最為廣泛，如變步長LMS（Variable Step-Size LMS，VSS-LMS）算法、濾波-x LMS（Filter-x LMS，F(xiàn)xLMS）算法、變步長FxLMS（Variable Step-Size FxLMS，VSS-FxLMS）算法等。這些改進(jìn)算法在平穩(wěn)和非平穩(wěn)噪聲的處理中具有簡單、魯棒和有效的特點(diǎn)，能夠自適應(yīng)地跟蹤環(huán)境的變化，但均建立在準(zhǔn)確提供參考信號的基礎(chǔ)上。參考信號作為主動控制算法的重要輸入之一，直接影響算法的控制效果。汽車ANC 系統(tǒng)中傳統(tǒng)的參考信號獲取方法是在乘員耳側(cè)安裝傳聲器，此方法不可避免地引入了次級聲源的二次污染，不利于系統(tǒng)的快速收斂。車輛怠速或低速行駛時(shí)車內(nèi)噪聲源主要為發(fā)動機(jī)，ANC 系統(tǒng)多以發(fā)動機(jī)轉(zhuǎn)速作為參考信號；車輛中速行駛時(shí)車內(nèi)噪聲源主要來自輪胎與路面的激勵(lì)即路噪，針對路噪，ANC系統(tǒng)多以副車架或懸架系統(tǒng)上的振動信號作為參考信號。但隨著車速的提高，車內(nèi)噪聲源中風(fēng)激勵(lì)即風(fēng)噪的比例逐漸增大，針對風(fēng)噪，ANC系統(tǒng)參考信號目前還沒有較好的實(shí)現(xiàn)方案。

本文采集車輛在不同工況下的車內(nèi)外噪聲、振動、發(fā)動機(jī)轉(zhuǎn)速等信號，根據(jù)前期研究基礎(chǔ)判斷不同工況下與駕駛員耳側(cè)噪聲相關(guān)性大的測點(diǎn)信號，然后根據(jù)發(fā)動機(jī)轉(zhuǎn)速信號和車外測點(diǎn)信號進(jìn)行數(shù)據(jù)融合作為參考信號，再利用IVS-FxLMS 算法對駕駛員耳側(cè)噪聲進(jìn)行主動控制。

2 IVS-FxLMS算法

圖1 FxLMS算法框圖

FxLMS 算法以()的最小均方為準(zhǔn)則，依據(jù)最速下降法的原理進(jìn)行迭代?？刂破鞯妮敵鲂盘枮椋?/p>

式中，()=((1),(2),…,())為濾波器的系數(shù)向量；為其長度；()=((),(-1),…,(1))為對應(yīng)的參考信號。

控制器的輸出信號()傳遞至誤差傳感器處時(shí)，有：

式中，*表示線性卷積運(yùn)算；()為()的單位脈沖響應(yīng)。誤差信號()可表示為：

控制器的輸入信號即濾波參考信號()為：

自適應(yīng)更新濾波器()的系數(shù)為：

式中，為步長因子，使得濾波器系數(shù)向目標(biāo)函數(shù)的梯度反方向更新迭代一步。

的選擇會影響算法的收斂速度和最小均方誤差，其收斂范圍為：

式中，為濾波器輸入信號向量()自相關(guān)矩陣的最大特征值。

在主動控制算法中，步長參數(shù)選取越大，算法收斂速度越快，但是相應(yīng)的算法穩(wěn)態(tài)誤差也會增大，如果選用較小的步長參數(shù)，算法穩(wěn)態(tài)誤差得以減小，但算法收斂速度會相應(yīng)變慢。針對這一問題，研究人員提出了許多變步長ANC算法和思想。由于車內(nèi)噪聲環(huán)境具有時(shí)變復(fù)雜性，ANC 算法容易受噪聲影響。為了彌補(bǔ)這一不足，文獻(xiàn)[16]建立了步長參數(shù)與迭代次數(shù)間的非線性函數(shù)，設(shè)計(jì)了迭代變步長FxLMS（Iterative Variable Step-size FxLMS，IVS-FxLMS）算法。算法中的步長參數(shù)隨迭代次數(shù)的增大而逐漸減小，從而避免噪聲等因素的影響。步長參數(shù)()與迭代次數(shù)的函數(shù)式為：

式中，、分別為根據(jù)算法收斂條件設(shè)置的步長參數(shù)最小、最大值；為根據(jù)控制結(jié)果的不同需要設(shè)置的調(diào)整參數(shù)，控制步長參數(shù)隨迭代次數(shù)變化的快慢程度。

假設(shè)=0.05，=0.9，分別取10、50 和100 時(shí)，()與的函數(shù)曲線如圖2所示。從圖2中可以看出，步長參數(shù)隨迭代次數(shù)單調(diào)遞減，決定曲線遞減的速度，、需要通過試驗(yàn)確定最優(yōu)值。

圖2 迭代變步長參數(shù)變化曲線

綜上，IVS-FxLMS自適應(yīng)濾波器權(quán)系數(shù)迭代公式為：

3 基于智能數(shù)據(jù)融合的主動控制算法

智能數(shù)據(jù)融合是基于現(xiàn)代計(jì)算機(jī)技術(shù)，通過將布置在不同位置的不同類型的傳感器信號和信息源數(shù)據(jù)加以組合分析，發(fā)揮組合優(yōu)勢，對所需對象做出準(zhǔn)確估計(jì)的復(fù)雜處理過程。本文將發(fā)動機(jī)轉(zhuǎn)速信號、振動信號和麥克風(fēng)噪聲信號進(jìn)行融合作為參考信號。

如圖3 所示為基于智能數(shù)據(jù)融合的主動控制FxLMS算法框圖，首先根據(jù)傳遞路徑分析（Transfer Path Analysis，TPA）結(jié)果從眾多傳感器中選出與車內(nèi)乘員耳側(cè)噪聲相關(guān)性大的信號，(),(),…、(),(),…表示信號傳遞至乘員耳側(cè)路徑的單位脈沖響應(yīng)，則參考信號可表示為：

圖3 基于智能數(shù)據(jù)融合的FxLMS算法框圖

式中，,,…為信號幅值調(diào)節(jié)系數(shù)。

每個(gè)幅值調(diào)節(jié)系數(shù)的值需要根據(jù)試驗(yàn)獲得，選取的每個(gè)參考信號對應(yīng)目標(biāo)點(diǎn)噪聲信號的不同頻段，根據(jù)該頻段降噪的效果調(diào)節(jié)幅值大小，直至獲得最優(yōu)的控制效果。

TPA通過對機(jī)械系統(tǒng)中的能量傳遞路徑分析來確定各路徑的激勵(lì)源對響應(yīng)位置的噪聲（振動）貢獻(xiàn)量，是一種分析噪聲源貢獻(xiàn)大小的有效方法，不僅可以找到噪聲源，而且可以通過貢獻(xiàn)量排序找到其中主要的噪聲。

4 仿真分析

4.1 噪聲數(shù)據(jù)采集和分析

本文根據(jù)ISO 5128:2014、GB 1495—2002、GB/T 18697—2002等標(biāo)準(zhǔn)和文獻(xiàn)[20]制定試驗(yàn)方案。車內(nèi)噪聲測點(diǎn)在乘員耳側(cè)，車外噪聲測點(diǎn)選取風(fēng)噪聲較為集中的A柱、后視鏡等位置，振動測點(diǎn)選取發(fā)動機(jī)懸置點(diǎn)，數(shù)據(jù)采集過程中同時(shí)記錄發(fā)動機(jī)轉(zhuǎn)速信號。數(shù)據(jù)采集試驗(yàn)包括高速公路試驗(yàn)和半消聲室試驗(yàn)。高速公路試驗(yàn)采集怠速、60 km/h、80 km/h、100 km/h、120 km/h 勻速工況下車外噪聲和振動測點(diǎn)激勵(lì)源信號，以及車內(nèi)人員耳側(cè)噪聲信號。半消聲室試驗(yàn)采集車外選定測點(diǎn)到車內(nèi)人員耳側(cè)路徑的全局傳遞函數(shù)。測點(diǎn)布置如圖4所示。

圖4 測點(diǎn)設(shè)置

對采集到的數(shù)據(jù)進(jìn)行處理分析，圖5所示為不同工況下駕駛員右耳側(cè)噪聲頻譜。從圖5中可以看出，當(dāng)車輛處于不同速度工作狀態(tài)時(shí)，耳側(cè)噪聲能量主要集中在中低頻（500 Hz以下），100～500 Hz頻率段有明顯的小波峰，頻帶分布特征適合采用噪聲主動控制方法。

圖5 不同工況下駕駛員右耳側(cè)噪聲頻譜

對采集到的數(shù)據(jù)進(jìn)行傳遞路徑分析，結(jié)果表明：隨著車輛從低速進(jìn)入高速狀態(tài)，乘員耳側(cè)噪聲的主要聲源由發(fā)動機(jī)噪聲變?yōu)锳 柱風(fēng)噪聲和輪胎輻射噪聲。汽車高速行駛時(shí)，A 柱、后視鏡、輪轂的風(fēng)噪以及輪胎輻射噪聲是乘員耳側(cè)峰值頻率噪聲的主要噪聲源。在噪聲能量集中頻段（20～2 000 Hz），前輪、A 柱和后視鏡風(fēng)噪對乘員耳側(cè)噪聲貢獻(xiàn)量較大，而且隨著車速的提高，其在總貢獻(xiàn)量中的占比逐漸增大。圖6 所示為車速80 km/h 工況下各噪聲源對駕駛員耳側(cè)噪聲的貢獻(xiàn)量譜。從圖6中可以看出，左、右A柱底端和左、右后視鏡位置對乘員耳側(cè)噪聲貢獻(xiàn)量較大。

圖6 80 km/h車速下各噪聲源對駕駛員耳側(cè)噪聲的貢獻(xiàn)量頻譜

4.2 主動控制結(jié)果分析

根據(jù)算法利用MATLAB 編寫程序?qū)Σ杉能噧?nèi)噪聲進(jìn)行主動控制仿真。次級路徑通過低通濾波器模擬獲得，如圖7所示為模擬得到的長度為512的次級路徑單位脈沖響應(yīng)，圖8為其頻域特性。

圖7 次級路徑單位脈沖響應(yīng)

圖8 次級路徑單位脈沖響應(yīng)頻域特性

針對80 km/h 的車速工況，選取駕駛員右耳側(cè)為主動控制目標(biāo)點(diǎn)進(jìn)行仿真。分析此工況下的噪聲頻譜特征，根據(jù)發(fā)動機(jī)轉(zhuǎn)速信號判斷發(fā)動機(jī)的2階噪聲頻率為54 Hz（4階和6階噪聲不明顯），根據(jù)階次頻率生成正弦信號作為參考信號。調(diào)整IVS-LMS 算法中的參數(shù)，直到算法對目標(biāo)點(diǎn)信號的控制效果達(dá)到最佳狀態(tài)，此時(shí)=0.04，=0.4，=40。經(jīng)主動控制后，原始噪聲信號和殘余噪聲信號頻域?qū)Ρ热鐖D9所示。從圖9中可以看出，54 Hz 處的峰值消失，其他頻段噪聲基本沒有變化。雖然54 Hz 處的峰值降低了約15 dB(A)，但由于其他峰值基本沒有變化，因此總的聲壓級控制前、后沒有變化。

圖9 發(fā)動機(jī)轉(zhuǎn)速作為參考信號的主動控制效果

按照本文提出的基于智能數(shù)據(jù)融合的主動控制FxLMS 算法編寫MATLAB 控制程序。首先根據(jù)傳遞路徑分析結(jié)果選出在80 km/h車速工況下與駕駛員右耳側(cè)噪聲相關(guān)性大的信號（左A柱底端、右A柱底端、左后視鏡、右后視鏡、發(fā)動機(jī)噪聲），根據(jù)這些信號和式（9）擬合出參考信號，設(shè)置各信號的幅值調(diào)節(jié)系數(shù)為1，然后根據(jù)控制后的各頻率段降噪效果調(diào)整幅值系數(shù)，最終左、右A柱底端幅值調(diào)節(jié)系數(shù)為0.3，左、右后視鏡幅值調(diào)節(jié)系數(shù)為0.2，發(fā)動機(jī)噪聲根據(jù)轉(zhuǎn)速信號判斷階次噪聲頻率。主動控制達(dá)到最優(yōu)效果時(shí)，IVS-FxLMS 算法中=0.03，=0.5，=40。經(jīng)主動控制后，原始噪聲信號和殘余噪聲信號頻域?qū)Ρ冉Y(jié)果如圖10所示。從圖10中可以看出，500 Hz內(nèi)的峰值頻段明顯降低。主動控制后噪聲總聲壓級降低了4.4 dB(A)。

圖10 數(shù)據(jù)融合作為參考信號的主動控制效果

5 結(jié)束語

在車內(nèi)噪聲主動控制過程中，為解決參考信號在車內(nèi)容易受到次級聲源污染和以發(fā)動機(jī)轉(zhuǎn)速信號作為參考只能控制發(fā)動機(jī)階次噪聲的問題，本文提出了基于車輛不同工況和車外測點(diǎn)信號進(jìn)行智能數(shù)據(jù)融合作為參考信號的噪聲主動控制方法。對某車輛不同工況下車內(nèi)、車外測點(diǎn)信號進(jìn)行數(shù)據(jù)采集，利用MATLAB編寫控制程序，以80 km/h車速工況下駕駛員右耳測點(diǎn)信號為控制目標(biāo)點(diǎn)進(jìn)行仿真。采用發(fā)動機(jī)轉(zhuǎn)速信號擬合的參考信號只對發(fā)動機(jī)2階54 Hz處噪聲有較好的控制效果，主動控制前、后噪聲總聲壓級沒有變化。采用本文所提出的算法擬合的參考信號，500 Hz以下噪聲峰值頻率點(diǎn)都有明顯的控制效果，并且主動控制后噪聲總聲壓級降低了4.4 dB(A)，證明本文所提出的算法能夠抑制汽車車內(nèi)噪聲。