CN111337880A - 地铁车辆内非稳态噪声源识别方法 - Google Patents

地铁车辆内非稳态噪声源识别方法 Download PDF

Info

Publication number
CN111337880A
CN111337880A CN202010006802.9A CN202010006802A CN111337880A CN 111337880 A CN111337880 A CN 111337880A CN 202010006802 A CN202010006802 A CN 202010006802A CN 111337880 A CN111337880 A CN 111337880A
Authority
CN
China
Prior art keywords
sound source
instantaneous
time
unsteady
frequency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010006802.9A
Other languages
English (en)
Inventor
王汝佳
杨凤敏
顾亚升
盛广庆
郭玄
汪伟
朱凯
刘若晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202010006802.9A priority Critical patent/CN111337880A/zh
Publication of CN111337880A publication Critical patent/CN111337880A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/20—Position of source determined by a plurality of spaced direction-finders

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种地铁车辆内非稳态噪声源识别方法，包括以下步骤：获取地铁车辆内非稳态噪声源的声源信号；对声源信号进行去相关处理；计算去相关处理后的声源信号的瞬时偏相干系数矩阵；计算去相关处理后的声源信号的瞬时相位矩阵；根据瞬时偏相干系数矩阵和瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源。本发明能够消除地铁车厢内非稳态噪声声源信号之间的相互影响，同时能够快速、直接地对车辆内非稳态噪声源进行识别，并且适用于平稳、非平稳和瞬态信号的噪声源识别分析，具有较为广泛的适用性。

Description

地铁车辆内非稳态噪声源识别方法
技术领域
本发明涉及噪声识别技术领域，具体涉及一种地铁车辆内非稳态噪声源识别方法。
背景技术
随着车辆制造技术的发展，车辆制造不仅要满足安全可靠的质量要求，还要满足乘坐的舒适度的要求。目前，对乘坐舒适度影响较大是车辆的噪声问题，尤其是乘坐人员较多的轨道交通，其噪声问题已经成为影响乘坐舒适度的主要因素。
为了能够解决车辆的噪声问题，首先需要对于车辆的噪声源能够进行快速准确的定位识别，目前针对噪声源的定位识别，大多是在地面采集车速信号、响应点声压信号，通过无线局域网收发器进行通讯，但是，这种定位识别方法难以有效地采集车厢内的噪声信息，不能进行车厢内非稳态噪声源的识别。此外，目前对噪声信息的处理方法也较为繁琐复杂，还存在噪声源之间相互影响的问题。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种地铁车辆内非稳态噪声源识别方法，能够消除地铁车厢内非稳态噪声声源信号之间的相互影响，同时能够快速、直接地对车辆内非稳态噪声源进行识别，并且适用于平稳、非平稳和瞬态信号的噪声源识别分析，具有较为广泛的适用性。
为达到上述目的，本发明实施例提出了一种地铁车辆内非稳态噪声源识别方法，包括以下步骤：获取地铁车辆内非稳态噪声源的声源信号；对所述声源信号进行去相关处理；计算去相关处理后的声源信号的瞬时偏相干系数矩阵；计算去相关处理后的声源信号的瞬时相位矩阵；根据所述瞬时偏相干系数矩阵和所述瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源。
根据本发明实施例的地铁车辆内非稳态噪声源识别方法，通过获取地铁车辆内非稳态噪声源的声源信号，并对声源信号进行去相关处理，然后计算去相关处理后的声源信号的瞬时偏相干系数矩阵和瞬时相位矩阵，最后根据瞬时偏相干系数矩阵和瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源，由此，能够消除地铁车厢内非稳态噪声声源信号之间的相互影响，同时能够快速、直接地对车辆内非稳态噪声源进行识别，并且适用于平稳、非平稳和瞬态信号的噪声源识别分析，具有较为广泛的适用性。
另外，根据本发明上述实施例提出的地铁车辆内非稳态噪声源识别方法还可以具有如下附加的技术特征：
根据本发明的一个实施例，获取地铁车辆内非稳态噪声源的声源信号包括：判断地铁车辆内非稳态噪声源的位置；根据判断结果对应布置传感器以获取地铁车辆内非稳态噪声源的声源信号。
根据本发明的一个实施例，所述声源信号包括声音信号和结构振动信号。
根据本发明的一个实施例，对所述声源信号进行去相关处理包括消除不同所述声源信号之间的线性关系。
根据本发明的一个实施例，计算去相关处理后的声源信号的瞬时偏相干系数矩阵包括：根据去相关处理后的声源信号选取相应的时频分析方法；根据所述时频分析方法计算去相关处理后的声源信号的时频自功率谱和时频互功率谱；根据所述时频自功率谱和所述时频互功率谱计算去相关处理后的声源信号的时频偏相干函数，进而得到瞬时偏相干系数矩阵。
进一步地，所述时频分析方法包括短时傅里叶变换法、小波分析法和维格拉-威廉分布法。
进一步地，所述瞬时偏相干系数矩阵为二维矩阵，所述瞬时偏相干系数矩阵的行和列分别为去相关处理后的所述声源信号的瞬时偏相干系数在频率和时间上的延拓。
进一步地，所述瞬时相位矩阵为二维矩阵，所述瞬时相位矩阵的行和列分别为去相关处理后的所述声源信号的瞬时相位在频率和时间上的延拓。
附图说明
图1为本发明实施例的地铁车辆内非稳态噪声源识别方法的流程图；
图2(a)为本发明一个实施例的声源信号自相关图；
图2(b)为本发明一个实施例的声源信号互相关图；
图2(c)为本发明一个实施例的声源信号去相关图；
图3为本发明一个实施例的的Morlet小波函数的时域分析图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例的地铁车辆内非稳态噪声源识别方法的流程图。
如图1所示，本发明实施例的地铁车辆内非稳态噪声源识别方法，包括以下步骤：
S1，获取地铁车辆内非稳态噪声源的声源信号。
具体地，步骤S1包括判断地铁车辆内非稳态噪声源的位置，根据判断结果对应布置传感器以获取地铁车辆内非稳态噪声源的声源信号。
更具体地，可通过人工的主观评价对地铁车辆内非稳态噪声源的位置进行初步判断，以缩小传感器的布置范围，然后可根据判断结果对应布置传感器，例如，若判断地铁车辆内非稳态噪声源的位置处于车厢连接处，则可将传感器，例如传声器布置在车厢连接处噪声声源附近，以记录噪声信号；若判断地铁车辆内非稳态噪声源的位置处于车厢内部结构，则可将传感器，例如振动加速度传感器布置在车厢内部结构振动噪声声源表面，以记录车厢内部结构振动噪声的声辐射大小。
S2，对声源信号进行去相关处理。
具体地，步骤S2包括消除不同声源信号之间的线性关系。
举例而言，假设有两个声源信号x(t)和y(t)，并且对应的频谱分别为fx1和fy1，可通过下列公式去除声源信号x(t)和y(t)之间的相关性：
fx1y1＝fx1-Hx1y1fy1
其中，Hx1y1为声源信号x(t)和y(t)之间的频率响应函数，数学表达式为：
Figure BDA0002355550600000041
其中，Sx1y1和Sx1x1分别为声源信号x(t)和y(t)的互动功率谱密度函数和声源信号x(t)的自功率谱函数。
同理，可通过下列公式去除声源信号y(t)和x(t)之间的相关性：
fy1x1＝fy1-Hy1x1fx1
其中，Hy1x1为声源信号y(t)和x(t)之间的频率响应函数，数学表达式为：
Figure BDA0002355550600000042
其中，Sy1x1和Sy1y1分别为声源信号y(t)和x(t)的互动功率谱密度函数和声源信号y(t)的自功率谱函数。
进一步地，分析图2(a)所示的声源信号自相关图、图2(b)所示的声源信号互相关图和图2(c)所示的声源信号去相关图可知，通过去相关处理能够消除声源信号之间的相互影响，即能够避免单个地铁车辆内声场复杂耦合的问题。
S3，计算去相关处理后的声源信号的瞬时偏相干系数矩阵。
具体地，步骤S3包括：根据去相关处理后的声源信号选取相应的时频分析方法；根据时频分析方法计算去相关处理后的声源信号的时频自功率谱和时频互功率谱；根据时频自功率谱和时频互功率谱计算去相关处理后的声源信号的时频偏相干函数，进而得到瞬时偏相干系数矩阵。其中，时频分析方法包括短时傅里叶变换法、小波分析法和维格拉-威廉分布法。
在本发明的一个实施例中，可选取小波分析法根据去相关处理后的声源信号x(t)和y(t)进行相关计算。在本发明的其他实施例中选取短时傅里叶变换法和维格拉-威廉分布法进行相关计算时可参照本实施例。
具体地，可假设包含去相关处理后的声源信号x(t)和y(t)的函数为f(t)，进一步地，基于小波分析法选择的小波函数可对函数f(t)进行展开，即进行连续小波变换：
Figure BDA0002355550600000051
其中，WTf为连续小波变换函数，α为任意函数的尺度，τ为平移点位置，ψα,τ(t)为时域小波函数表达式，R为空间尺度半径。
进一步地，基于小波分析法选择的小波函数的特点，可将函数f(t)投影到小波变换域以提取函数f(t)的部分本质特征。具体可通过下列公式对函数f(t)进行时频分析：
Figure BDA0002355550600000052
其中，jwt(ejωt)为虚指数信号，g为傅里叶变换卷积，
需要说明的是，任意函数在某一尺度α、平移点τ上的小波变换系数，即为在τ位置处，时间段αΔt上包含在中心频率为
Figure BDA0002355550600000061
带宽为
Figure BDA0002355550600000062
频窗内的频率分量大小，并且随着尺度α的变化，对应窗口中心频率
Figure BDA0002355550600000063
窗口宽度
Figure BDA0002355550600000064
也发生变化。
其中，基于小波分析法选择的小波函数可为图3所示的Morlet小波函数，如图3所示，Morlet小波函数既含有实值部分又含有虚数部分，并且Morlet小波函数为单频复正弦调制高斯波，其时域和频域为：
Figure BDA0002355550600000065
其中，w和w0分别为不同尺度上的频域。
通过选择具有较好的局部性的Morlet小波函数，能够在推广到n维时具有较好的角度选择性。
进一步地，可假设去相关处理后的声源信号x(t)和y(t)得到的小波系数的实值部分分别为Re[X(t，f)]和Re[Y(t，f)]，虚数部分分别为Im[X(t，f)]和Im[Y(t，f)]，则可计算出去相关处理后的声源信号x(t)和y(t)的时频自功率谱函数和时频互功率谱函数：
Sxx＝Re[X(t，f)]2
Syy＝Re[Y(t，f)]2
Sxy＝Re[X(t，f)]·Re[Y(t，f)]
其中，Sxy为去相关处理后的声源信号x(t)和y(t)时域分布的互功率谱函数，Sxx和Syy分别为去相关处理后的声源信号x(t)和y(t)时域分布的自功率谱函数。
进一步地，可根据去相关处理后的声源信号x(t)和y(t)的时频自功率谱函数和时频互功率谱函数计算去相关处理后的声源信号x(t)和y(t)的时频偏相干函数
Figure BDA0002355550600000071
其中，去相关处理后的声源信号x(t)和y(t)进行常相干分析即可获得原始声源信号x(t)和y(t)之间的偏相干函数估计。
同时，可根据去相关处理后的声源信号x(t)和y(t)的时频自功率谱函数和时频互功率谱函数得到对应的瞬时偏干系数矩阵：
Figure BDA0002355550600000072
其中，瞬时偏相干系数矩阵γ2 XY为二维矩阵，其行和列分别为去相关处理后的声源信号的瞬时偏相干系数在频率和时间上的延拓。通过计算得到的瞬时偏相干系数矩阵，能够获得声源信号和传感器接收到的接收信号在整个时频空间内的偏相干函数分布。
S4，计算去相关处理后的声源信号的瞬时相位矩阵。
具体地，可根据选取的时频分析方法，例如Morlet小波分析法对去相关处理后的声源信号，例如去相关处理后的声源信号x(t)和y(t)进行瞬时相位矩阵计算，由此计算得到的去相关处理后的声源信号的瞬时相位矩阵同样为二维矩阵，其行和列分别为瞬时相位矩阵在频率和时间方向上的延拓。
进一步地，可根据计算得到的去相关处理后的声源信号的瞬时相位矩阵进行相应的瞬时相位差估计计算：
P＝arctan(Im[X(t，f)]/Re[X(t，f)])-aretan(Im[Y(t，f)]/Re[Y(t，f)])
其中，P为去相关处理后的声源信号的瞬时相位矩阵。
S5，根据瞬时偏相干系数矩阵和瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源。
其中，瞬时偏相干关系谱图中声源信号和接收信号之间的相干关系由颜色深浅来表示，相位关系用箭头方向来表示，例如箭头水平向右表示声源信号和接收信号之间的相位差为0°，箭头竖直向上表示声源信号和接收信号之间的相位差为90°。
根据本发明实施例提出的地铁车辆内非稳态噪声源识别方法，通过获取地铁车辆内非稳态噪声源的声源信号，并对声源信号进行去相关处理，然后计算去相关处理后的声源信号的瞬时偏相干系数矩阵和瞬时相位矩阵，最后根据瞬时偏相干系数矩阵和瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源，由此，能够消除地铁车厢内非稳态噪声声源信号之间的相互影响，同时能够快速、直接地对车辆内非稳态噪声源进行识别，并且适用于平稳、非平稳和瞬态信号的噪声源识别分析，具有较为广泛的适用性。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种地铁车辆内非稳态噪声源识别方法，其特征在于，包括以下步骤：
获取地铁车辆内非稳态噪声源的声源信号；
对所述声源信号进行去相关处理；
计算去相关处理后的声源信号的瞬时偏相干系数矩阵；
计算去相关处理后的声源信号的瞬时相位矩阵；
根据所述瞬时偏相干系数矩阵和所述瞬时相位矩阵合成瞬时偏相干关系谱图，以识别对应的非稳态噪声源。
2.根据权利要求1所述的地铁车辆内非稳态噪声源识别方法，其特征在于，获取地铁车辆内非稳态噪声源的声源信号包括：
判断地铁车辆内非稳态噪声源的位置；
根据判断结果对应布置传感器以获取地铁车辆内非稳态噪声源的声源信号。
3.根据权利要求2所述的地铁车辆内非稳态噪声源识别方法，其特征在于，所述声源信号包括声音信号和结构振动信号。
4.根据权利要求1所述的地铁车辆内非稳态噪声源识别方法，其特征在于，对所述声源信号进行去相关处理包括消除不同所述声源信号之间的线性关系。
5.根据权利要求4所述的地铁车辆内非稳态噪声源识别方法，其特征在于，计算去相关处理后的声源信号的瞬时偏相干系数矩阵包括：
根据去相关处理后的声源信号选取相应的时频分析方法；
根据所述时频分析方法计算去相关处理后的声源信号的时频自功率谱和时频互功率谱；
根据所述时频自功率谱和所述时频互功率谱计算去相关处理后的声源信号的时频偏相干函数，进而得到瞬时偏相干系数矩阵。
6.根据权利要求5所述的地铁车辆内非稳态噪声源识别方法，其特征在于，其中，所述时频分析方法包括短时傅里叶变换法、小波分析法和维格拉-威廉分布法。
7.根据权利要求6所述的地铁车辆内非稳态噪声源识别方法，其特征在于，其中，所述瞬时偏相干系数矩阵为二维矩阵，所述瞬时偏相干系数矩阵的行和列分别为去相关处理后的所述声源信号的瞬时偏相干系数在频率和时间上的延拓。
8.根据权利要求6所述的地铁车辆内非稳态噪声源识别方法，其特征在于，其中，所述瞬时相位矩阵为二维矩阵，所述瞬时相位矩阵的行和列分别为去相关处理后的所述声源信号的瞬时相位在频率和时间上的延拓。
CN202010006802.9A 2020-01-03 2020-01-03 地铁车辆内非稳态噪声源识别方法 Pending CN111337880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010006802.9A CN111337880A (zh) 2020-01-03 2020-01-03 地铁车辆内非稳态噪声源识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010006802.9A CN111337880A (zh) 2020-01-03 2020-01-03 地铁车辆内非稳态噪声源识别方法

Publications (1)

Publication Number Publication Date
CN111337880A true CN111337880A (zh) 2020-06-26

Family

ID=71183366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010006802.9A Pending CN111337880A (zh) 2020-01-03 2020-01-03 地铁车辆内非稳态噪声源识别方法

Country Status (1)

Country Link
CN (1) CN111337880A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361000A (zh) * 2021-04-16 2021-09-07 湖南大学 一种低频结构振动相关性特征的相干分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052849A (zh) * 2016-05-20 2016-10-26 西南交通大学 一种汽车车内非平稳异常噪声源识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052849A (zh) * 2016-05-20 2016-10-26 西南交通大学 一种汽车车内非平稳异常噪声源识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
许畅: "时频联合分析及其在非平稳振动信号处理中的应用", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 01, pages 18 - 89 *
赵慧子: "GNSS接收机时频分析干扰检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 7, pages 32 *
郑永阳: "基于非平稳随机理论的结构抗震分析研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 7, pages 26 - 27 *
黄海波 等: "基于小波偏相干分析的车内噪声源识别", 《振动与冲击》, vol. 37, no. 7, pages 157 - 163 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361000A (zh) * 2021-04-16 2021-09-07 湖南大学 一种低频结构振动相关性特征的相干分析方法

Similar Documents

Publication Publication Date Title
Boudraa et al. Teager–Kaiser energy methods for signal and image analysis: A review
Hassab et al. Optimum estimation of time delay by a generalized correlator
US7478041B2 (en) Speech recognition apparatus, speech recognition apparatus and program thereof
CN106052849B (zh) 一种汽车车内非平稳异常噪声源识别方法
CN109597022A (zh) 声源方位角运算、定位目标音频的方法、装置和设备
US20110231185A1 (en) Method and apparatus for blind signal recovery in noisy, reverberant environments
Sijtsma Acoustic beamforming for the ranking of aircraft noise
CN101263734A (zh) 麦克风阵列用后置滤波器
US20140078867A1 (en) Sound direction estimation device, sound direction estimation method, and sound direction estimation program
US9549274B2 (en) Sound processing apparatus, sound processing method, and sound processing program
Yao et al. An adaptive seismic signal denoising method based on variational mode decomposition
CN103854660A (zh) 一种基于独立成分分析的四麦克语音增强方法
Josso et al. Source motion detection, estimation, and compensation for underwater acoustics inversion by wideband ambiguity lag-Doppler filtering
Traa et al. Blind multi-channel source separation by circular-linear statistical modeling of phase differences
CN111337880A (zh) 地铁车辆内非稳态噪声源识别方法
Deville Sparse component analysis: A general framework for linear and nonlinear blind source separation and mixture identification
US20230026881A1 (en) Improved Localization of an Acoustic Source
Niu et al. Mode separation with one hydrophone in shallow water: A sparse Bayesian learning approach based on phase speed
Hoffmann et al. Using information theoretic distance measures for solving the permutation problem of blind source separation of speech signals
CN112213773B (zh) 一种地震分辨率提高方法及电子设备
CN112666520B (zh) 一种可调响应时频谱声源定位方法及系统
Ouelha et al. An improved time–frequency noise reduction method using a psycho-acoustic Mel model
US6901363B2 (en) Method of denoising signal mixtures
EP3860148B1 (en) Acoustic object extraction device and acoustic object extraction method
Bella et al. A new sparse blind source separation method for determined linear convolutive mixtures in time-frequency domain

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination