CN111968614B - 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 - Google Patents
一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 Download PDFInfo
- Publication number
- CN111968614B CN111968614B CN202010862335.XA CN202010862335A CN111968614B CN 111968614 B CN111968614 B CN 111968614B CN 202010862335 A CN202010862335 A CN 202010862335A CN 111968614 B CN111968614 B CN 111968614B
- Authority
- CN
- China
- Prior art keywords
- noise
- convolution
- neural network
- fuzzy
- fuzzy neural
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 230000009467 reduction Effects 0.000 claims abstract description 50
- 238000012937 correction Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000002829 reductive effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 239000012678 infectious agent Substances 0.000 claims 1
- 230000030279 gene silencing Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 238000000034 method Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 15
- 238000009434 installation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
- G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
- G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
- G10K11/1785—Methods, e.g. algorithms; Devices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/30—Means
- G10K2210/301—Computational
- G10K2210/3018—Correlators, e.g. convolvers or coherence calculators
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/30—Means
- G10K2210/301—Computational
- G10K2210/3029—Fuzzy logic; Genetic algorithms
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
- G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
- G10K2210/30—Means
- G10K2210/301—Computational
- G10K2210/3038—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明公开了一种基于卷积‑模糊神经网络的车辆全局空间主动噪声控制装置。包括噪声控制器和次级通路,所述次级通路包括用于获取残余噪声信号的多个误差传感器、用于获取目标区域内降噪目标位置信息的位置传感器、用于抵消噪音的多个次级声源;所述噪声控制器,用于通过采用卷积‑模糊神经网络离线辨识得到的次级通路逆模型,同时采用卷积‑模糊神经网络作为次级通路的自适应有源噪声控制算法在线修正控制器参数,并发出抵消噪声信号给次级声源输出抵消噪声。本发明利用卷积‑模糊神经网络对函数的非线性逼近能力,提高次级通路的辨识精度;采用有源反馈消声系统,建立了稳定的次级通路模型;解决了车辆全局空间噪声控制难、频带窄的问题。
Description
技术领域
本发明涉及车辆噪声控制技术领域,更具体地,涉及一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置。
背景技术
近年来,随着我国高速列车制造技术水平不断提高,列车运行速度快速提升,轨道交通车辆在满足动力性要求后,舒适性要求也逐渐提高到同等地位,而噪声控制水平是衡量车辆舒适性的关键指标之一。
城市轨道交通领域中,隧道空间使得噪声主观感受更为强烈。无论是乘客,还是地铁运营单位对于列车噪声问题的抱怨也逐渐显现。特别是在地铁开通时间久、线路和车辆老化的城市,轮轨和车辆噪声问题更加突出。
传统的轨道交通车辆噪声控制方法,多采用被动控制方法,即采用吸声、隔声、减振等技术手段控制噪声,该方法的优点是中高频降噪效果直观、明显,物理实现方便;缺点是其噪声诊断及定位周期较长,特别是对于已经设计定型的车辆系统,通过结构和材料优化来降噪的过程非常复杂,且低频噪声的降噪效果有限。
现有研究也有采用主动噪声控制的方法,如申请号为201610590884.X的专利公开了一种混合的ANC装置,以提高降噪装置的抗干扰能力。对比传统ANC装置,可以有效消除外界随机噪声对降噪效果的影响,增强设备的环境适应性。申请号为201710523010.7的专利公开了一种基于模糊神经网络的主动噪声控制方法,实现装甲车驾驶舱内高中低频噪声主动控制,对2000Hz以下的噪声具有明显的降噪效果,尤其是对1000Hz以下低频的降噪效果尤为显著。申请号为201810022206.2的专利通过对多通道噪声控制算法的优化,采集更多的相干噪声信号,再生成稳定的控制信号,从而实现降噪效果,并针对不同使用场景,有多种降噪模式可选。
然而,现有技术虽然基本上实现了降噪,但仍然存在以下缺点:
(1)仅仅实现了车辆局部或者特定区域的降噪,不能解决车辆全局的降噪问题。
(2)现有的主动噪声控制技术所实现的效果几乎都是窄带降噪,主要是针对那些贡献比较大的单频带纯音进行有目标的抵消,很难达到宽频带的要求。
(3)现有的降噪控制方法如FX-LMS算法等主要是依赖于初级通路传感器,适用于噪声源诊断明确,特征清晰的噪声降噪;当声源不明确时会出现较大偏差,将严重影响控制效果,特别适用于时变非线性噪声的降噪。
(4)现有的次级通路的建模较简单、稳定性较差,不具备自学习和预测能力。
在噪声主动控制系统(ANC)中,次级通路的建模存在以下问题:
首先,在噪声有源控制系统中,基本上都存在非线性的问题,影响建模精准度。对设计人员来说,系统清楚或简单时,一般利用数学工具建立精确的数学模型,但当面对复杂或未知、信息量很少的系统,一般的数学工具就难以建立精确的模型,且系统稳定性无法保证。
其次,尤其对于大型车辆的噪声源来说,不同区域噪声频率主瓣与旁瓣各有不同,因此对于不同的次级通路应有不同的控制策略,增加了次级通路建模的难度。
再者,主动噪声控制技术由于实现复杂、成本昂贵,现有技术仅涉及到汽车工程应用中的少数高级车型,虽然对于诸如管道噪声等以平面声波传播为主的场合,由单个次级声源和误差传感器构成的较简单控制系统就能得到较理想的控制效果。但是,相较于狭小空间的汽车,声场空间更为开阔的车辆,如轨道车辆,其内部的噪声激励源更多,列车级联所导致多次耦合模型也更为复杂,混响声场的噪声的主动控制难度也更大。对列车级联复杂的系统而言,单次级声源前馈控制有源消声系统不能满足要求。
专利中,主动噪声控制是指在特定空间实时产生与噪声源在该处噪声频率相同、幅值相等而相位相反的二次声,使其与源噪声叠加相消以实现降噪。其一般包括两个大的部分:控制器部分和声振部分。控制器主要对参考信号和误差信号进行处理,输出驱动信号,驱动次级声源。声振主要包括次级声源(电声器件、作动器)、位置传感器和误差传感器。主动噪声控制又可以分为前馈控制方式、反馈控制方式以及混合控制方式等。
次级通路指从电声器件到误差传感器之间的物理通道,通常包括声场、电声传感装置、电子线路等;次级通路的辨识即次级通路的建模。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提出一种基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置。
包括控制器和次级通路,所述次级通路包括用于获取残余噪声信号的多个误差传感器、用于获取降噪目标信号位置信息的位置传感器;用于抵消噪音的多个次级声源;所述控制器,用于通过采用卷积-模糊神经网络先离线辨识得到的次级通路模型,同时采用卷积-模糊神经网络作为次级通路的自适应有源噪声控制算法在线修正控制器参数,并发出抵消噪声信号给次级声源输出抵消噪声。
本方案在车辆降噪区周围设置多个次级通路;采集各次级通路的噪声残余信号;采用卷积-模糊神经网络先离线辨识得到次级通路逆模型,同时作为次级通路的自适应有源噪声控制算法,在线修正控制器参数,最后输出多方位的噪声抵消信号。
本方案适用于更为开阔的空间的降噪,如车辆全局空间;能克服开阔空间噪声激励源多、车辆级联多次耦合导致的控制难度大的缺陷,降噪效果良好。
进一步地,所述次级通路还包括用于获取目标区域内降噪目标位置信息的位置传感器,实时采集降噪目标的相关位置信息,追踪控制器所输出信号并进行补充修正,提高降噪信号精度。
进一步地,卷积-模糊神经网络包括卷积网络、模糊层和全连接层,对采集到的噪声残余信号进行建模及降噪。所述卷积网络中包括卷积层和池化层,通过卷积网络之后的样本特征向量在模糊层中进行模糊推理并在全连接层训练,参数更新,最后输出控制器噪声信号。
进一步地,所述卷积-模糊神经网络的原理包括:在卷积网络中通过一系列的卷积和池化交换:
其中,zg(n)为第g个卷积层输出单元;ωtg(n)为所有输入单元与第g个输出单元相连的权重,bg(n)为第g个卷积层输出单元的偏置;xt(n)为第g个卷积层输出单元接收到的第t个输入单元。
选择relu函数作为激活函数得到更高层次的卷积网络输出作为模糊层的输入:
Og(n)=max(0,zg(n))
模糊层将卷积和池化之后所得到的特征矩阵根据模糊度和隶属函数划分并转换成合适的隶属函数值:
式中,分别为隶属度函数的中心和宽度,g为输入数,i为模糊集数;
再进行模糊计算,得到隶属度值连乘积:
最后在全连接层得到输出值:
其中,为模糊参数。
进一步地,所述卷积-模糊神经网络中的卷积网络至少每两层卷积层后添加一层池化层,对噪声信号进行提取特征并降维,提高网络计算速度。为了节省硬件计算力资源,卷积网络中特设定2n(n=1,2,3…n为正整数)层卷积层后周期性插入1层池化层,可以既保持噪声样本识别的准确度和识别效率,同时降低数据的尺寸。
进一步地,为了提升车辆全局空间的主动噪声控制水平,所述次级通路沿列车的长度方向设有多组,每组次级通路的误差传感器、位置传感器及次级声源通过滑轨机构沿列车的横向截面环形设置。采用环形轨道,易于误差传感器、位置传感器及次级声源的安装和调整。通过对位置传感器的位置及角度的布置,追踪噪声位置信息并进行补充修正;通过对次级声源位置及角度的布置,避免多个次级声源彼此干扰和抑制。
进一步地,滑轨机构上设有器件安装基座,通过基座上卡口中不同形状的卡位兼容安装误差传感器、位置传感器和次级声源,易于器件安装且避免器件安装基座结构复杂。
进一步地,所述误差传感器按照神经网络的物理形式摆放,采集车辆全局空间不同位置和角度的噪声信号。通过对次级通路的误差传感器位置及角度的布置,确保噪声信号采集的准确性。
进一步地,位置传感器采集降噪目标的偏移位移信息并对控制器输出噪声信号进行修正;即误差传感器所采集的残余噪声信号x(n)的声压:
式中:为波数,p0为大气静压强,c0为声速,声源强度q=4πx2ux,ux为振速;
根据位置传感器所采集到的偏转位移d,估算受控区域的声压值:
则通过位置传感器所获位置信息对原噪声信号修正后得到的修正值
与现有技术相比,本发明的有益效果为:
本方案的噪声控制效果好。具体地,
(1)有源反馈控制减少了初级通路误差传感器的定位限制及个数限制,不依赖于参考信号,避免了初级通路拾取过程中的声源定位、采集和反馈问题。
(2)采用有源反馈消声系统,构建了虚拟参考信号,建立了稳定的基于次级通路有源降噪模型。
(3)针对车辆全局空间,设计了多个误差传感器、次级声源,并对多个误差传感器和次级声源的数量、角度、位置、安装方式合理优化设置,实现了车辆全局空间的噪声控制。
(4)设置了位置传感器,采用降噪目标位置信息作为噪声控制器输出噪声信号的补充修正,使得降噪目标更具有针对性,降噪效果更好。
(5)开创性地将卷积-模糊神经网络算法用于离线辨识ANC的次级通路模型,为非线性系统的辨识提供了一种非常新颖且有效的工具;本方案巧妙地结合了卷积网络与模糊网络,增强了非线性系统噪声映射处理能力,在提高了次级通路的辨识精度同时也扩大了噪声频率控制带宽。
本方案尤其适用于声场空间开阔的车辆的降噪,对于其他空间的降噪也同样适用,具有重要的应用价值。
附图说明
图1为具体实施方式次级通路布置截面示意图。
图2为具体实施方式次级通路环形滑轨及器件安装基座结构示意图。
图3为具体实施方式主动噪声控制器件装置供电示意图。
图4为具体实施方式次级通路布置示意图。
图5为具体实施方式主动噪声控制装置工作原理图。
图6为具体实施方式次级通路逆模型结构图。
图7为具体实施方式卷积-模糊神经网络结构示意图。
图8为具体实施方式卷积-模糊神经网络控制流程图。
图中:1车体,2滑轨机构,21横向滑轨,22纵向滑轨,3器件安装基座,4螺母,5卡口,6电源,7交流供电线路,a1-an误差传感器,b1-bn扬声器,c1-cn位置传感器。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;本文中的“连接”可以为直接连接,也可以为间接连接;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例提供一种基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,包括次级通路和噪声控制器;次级通路包括用于获取残余噪声信号的多个误差传感器、用于获取目标区域内降噪目标位置信息的位置传感器、用于抵消噪音的多个次级声源。误差传感器获取残余噪声信号传传输给控制器提供输入信号,由控制器发出抵消噪声信号给次级声源输出抵消噪声,同时位置传感器采集位置信息作为控制器噪声信号的补充修正,实时追踪调节控制器所输出的信号。可以理解的是,噪声控制器采用一般具有运算功能的控制器即可。
为了提升车辆全局空间的主动噪声控制水平,所述误差传感器采用阵列式麦克风。通过多个麦克风采集车辆全局空间不同位置角度的噪声信号,所述误差传感器在不同位置获取残余噪声信号并构成决定次级声源输出的神经网络结构。
如图1所示,多个误差传感器、多个位置传感器、多个次级声源通过滑轨机构沿列车的横向截面设置。所述次级声源的扬声器个数为奇数时,将扬声器均匀布置于环形轨道;所述扬声器个数为偶数时,将扬声器对称布置于环形轨道。通过对次级声源的扬声器个数和角度位置的布置,以进一步避免次级声源彼此干扰和抑制。例扬声器个数设置为4个时,可在列车同一横向界面的滑轨机构2上,以上下左右对称布置。如图1中,扬声器b1、扬声器b2、扬声器b3、扬声器b4对称设置。
作为一个具体实施方式,本实施例中的次级通路传感器还包括位置传感器。如图1所示,误差传感器a1、误差传感器an彼此对称设置,位置传感器c1、位置传感器cn彼此对称设置。位置传感器的作用为获取目标区域内降噪目标的位置信息,例如是否有乘客,特别是乘客头部是否有位移,这些信号都是实时调节控制器输出信号。本实施例的位置传感器可采用常见的红外线传感器等。
如图2所示,滑轨机构2包括沿列车车体1横向截面的环形轨道,滑动连接于环形轨道的器件安装基座3,所述误差传感器、位置传感器和次级声源通过器件安装基座3安装于滑轨机构2上。
如图3所示,滑轨机构2上设有用于限位器件安装基座3的限位装置。采用环形轨道,易于误差传感器、位置传感器及次级声源的安装和调整。具体地,各通电部件通过交流供电线路7连接电源6,交流供电线路7可沿滑轨机构2内侧设置。所述限位装置采用螺母4固定在滑轨机构2上,根据安装需要在滑轨机构2外侧靠底部开孔安装螺杆以对应安装基座上螺母4,避免限位装置移动。
器件安装基座3上含有卡口5,可兼容安装误差传感器、位置传感器和次级声源,通过卡口内部不同形状的卡位分别固定不同器件,并利用螺母4将安装基座固定于滑轨机构2上,避免了固定装置复杂且容易松动。
如图4所示,所述滑轨机构2沿列车横向截面环绕设置,在列车的长度方向设有多组;多个误差传感器、多个位置传感器、多个次级声源通过滑轨机构安装于列车的多个横向截面上。通过对误差传感器位置及角度的布置,确保噪声信号采集的准确性;通过对位置传感器的位置及角度的布置,追踪噪声位置信息并进行补充修正;通过对次级声源位置及角度的布置,避免多个次级声源彼此干扰和抑制。
本实施例采用如下控制方法来实现降噪:在车辆降噪区周围设置多个次级通路;次级通路包括误差传感器、位置传感器、次级声源;采集各次级通路残余噪声信号,计算出滤波器系数的最优解,将最优解对虚拟参考信号滤波,得到各次级声源的输出信号,从而得到次级通路逆模型。其中采用卷积-模糊神经网络算法作为自适应有源噪声控制算法,进行离线辨识得到次级通路模型,再通过次级通路模型输出噪声抵消信号,位置传感器所采集的位置信号对控制器输出噪声信号进行修正,提高降噪信号精度。
在具体实施过程中,误差传感器采集空间场内背景噪声,采集噪声分布、特性等数据,对声场进行计算分析,根据信号处理结果,运行处理控制算法,计算生成次级声源,与噪声源进行相消干涉,进行降噪。误差传感器按照神经网络的物理形式摆放,实时采集降噪后的区域内噪声信号,根据降噪效果实时调整反向声波信号。
如图5所示,噪声控制器采用多次级声源的反馈控制有源消声系统,误差传感器获取噪声信号x(n)并传输次级通路可逆模型中,根据次级声源输出信号向量s(n)与次级通路所输出d(n)的误差不断地在线修控制器参数,使误差信号e(n)达到最小,产生最优控制量,使有源消声系统达到最佳的消声状态。误差传感器采用神经网络式结构排列,以求在I/O接口有限的情况下采集到更多的噪声信号。同时位置传感器所采集的位置信息,对控制器输出噪声信号进行实时追踪修正,提高降噪信号精度。
如图6所示,建立一个自适应的次级通路可逆模型,x(n)为误差传感器采集进来的噪声信号,通过次级通路产生期望信号
d(n)=x(n)*h(n)
(*表示卷积),其中h(n)为次级通路传递函数。
同时,x(n)输入基于卷积-模糊神经网络算法的控制器,输出控制器噪声信号y(n),y(n)再通过与次级通路逆函数相乘后与修正值p(.)相加产生噪声抵消信号
s(n)=y(n)*h-1(n)+p(.)
修正值p(.)是位置传感器获取降噪目标偏转位移之后对原本误差传感器所采集的噪声信号的修正;即误差传感器所采集的残余噪声信号x(n)的声压:
式中:为波数,p0为大气静压强,c0为声速,声源强度q=4πx2ux,ux为振速;
根据位置传感器所采集到的偏转位移d,估算受控区域降噪目标的声压值:
则通过位置传感器所获位置信息对原噪声信号修正后得到的修正值
系统误差信号为
e(n)=d(n)-s(n)
为了消除次级通道的影响,误差传感器采集的噪声信号x(n)先经过卷积-模糊神经网络辨识器(C-FNNI)离线辨识后,获得新的信号x′(n),与e(n)一起在线修正控制器参数,直至误差信号e(n)达到最小值。
本具体实施方式采用卷积-模糊神经网络算法作为次级通路逆模型中的自适应有源噪声控制算法,由卷积网络和模糊神经网络共同构成。卷积网络具有平移不变性,能够很好的适应噪声样本的位置变化;且具有权值共享的特点,显著减少网络参数数量,提高计算速度。而模糊神经网络是将模糊系统和神经网络相结合构成的网络,模糊系统中的模糊化处理与推理通过神经网络来表示,其中神经网络的输入输出结点用来表示模糊系统的输入、输出信号,神经网络中的隐含节点用来表示隶属函数与模糊规则。两者的结合增强了非线性噪声映射处理能力,有效解决噪声信号具有的模糊不确定性问题,提高了噪声样本的辨识精度的同时也扩大了噪声频率控制带宽。
本实施例同时将卷积-模糊神经网络用于辨识对象的逆模型,为非线性系统的辨识提供了一种非常新颖而且有效的工具,利用神经网络所具有的对函数的强大的非线性逼近能力,进行离线辨识得到次级通路的模型,最后输出多方位的噪声抵消信号。
如图7所示,此卷积-模糊神经网络共由三部分构成,首先是卷积网络,其次是模糊层、全连接层,其中卷积网络包括着卷积和池化,模糊层是模拟了人基于模糊概念的推理能力进行推理,最后全连接层中输出结果。图中,网络输入为误差传感器所获取的噪声信号x(n)=[x1(n),x2(n)…,xt(n)](其中t为输入个数),网络输出为yi(n)=[y1(n),y2(n)…,yi(n)]。
卷积-模糊神经网络进行离线辨识得到次级通路模型,同时作为次级通路的自适应有源噪声控制算法在线修正控制器参数过程中的卷积-模糊神经网络学习包括步骤:
S1.基于卷积-模糊神经网络算法的控制器初始化;
S2.计算基于卷积-模糊神经网络算法的控制器各层的输入和输出;
首先在卷积网络(卷积层和池化层)中通过一系列的卷积和池化交换:
其中,zg(n)为第g个卷积层输出单元;ωtg(n)为所有输入单元与第g个输出单元相连的权重,bg(n)为第g个卷积层输出单元的偏置;xt(n)为第g个卷积层输出单元接收到的第t个输入单元。
选择relu函数作为激活函数得到更高层次的卷积网络输出作为模糊层的输入:
Og(n)=max(0,zg(n))
相对于传统的卷积网络,在此体系中增加卷积层数,允许更多的卷积,对输入信号特征进行深度提取;即卷积层提取原始数据的特征,通过卷积计算以训练调节卷积层参数。池化层再将卷积层提取的特征进行降维,压缩数据和网络参数的数量,减少过拟合。卷积层数和训练次数的增加,提取的特征、参数及运算也会随之增加;为了节省硬件计算力资源,特设定2n(n=1,2,3...n为正整数)层卷积层后周期性插入1层池化层,可以既保持噪声样本识别的准确度和识别效率,同时降低数据的尺寸。
其次,模糊层将卷积和池化之后所得到的特征矩阵根据模糊度和隶属函数划分并转换成合适的隶属函数值:
式中,分别为隶属度函数的中心和宽度,g为输入数,i为模糊集数;
再进行模糊计算,得到隶属度值连乘积:
最后在全连接层得到输出值:
其中,为模糊参数。
S3.计算卷积-模糊神经网络辨识器(C-FNNI)的输入输出,不同于控制器算法,辨识器算法中的卷积网络中权值、偏置;模糊层的隶属度函数的中心和宽度、模糊系数都为固定值。这些参数是离线辨识的结果;
S4.取误差的均方为性能函数,对控制器参数进行修正;
全连接层输出为y(n)=[y1(n),y2(n)…,yi(n)],y(n)再通过与次级通路逆函数相乘计算后得到s(n),则系统均方根误差为
计算是否满足误差最小化条件:
系数修正:
其中,α、β为学习率。
S5.重复S2-S4步直到满足误差最小化。
如图8所示,本实施例卷积-模糊神经网络控制算法流程如下,包括:误差传感器获取残余噪声信号,通过卷积层进行信号特征深度提取;池化层对提取的特征进行降维;模糊层模糊推理计算;误差最小化计算;控制器参数修正;判断误差值是否满足最小化;若误差值满足最小化条件,通过次级通路逆函数输出控制器噪声信号;若否,则重新返回数据模糊初始化;若目标区域内降噪目标信号有偏转位移,则通过修正值对控制器噪声信号进行最后补充修正,输出噪声抵消信号;若否,则直接输出控制器噪声信号为最终的噪声抵消信号。
本实施例基于次级通道离线辨识控制策略,应用神经网络自身的非线性逼近能力和自学习、自适应能力,利用卷积-模糊神经网络先进行离线辨识对象模型再实现控制。本具体实施方式克服了开阔空间噪声激励源多、车辆级联多次耦合导致的控制难度大的缺陷,尤其适用于车辆全局空间的降噪,降噪效果好。
附图中描述位置关系的用于仅用于示例说明,不能理解为对本专利的限制。本发明的上述具体实施方式仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (6)
1.一种基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,包括次级通路和控制器,其特征在于,所述次级通路包括用于获取残余噪声信号的多个误差传感器、用于抵消噪音的多个次级声源;所述控制器,用于通过采用卷积-模糊神经网络先离线辨识得到的次级通路模型,同时采用卷积-模糊神经网络作为次级通路的自适应有源噪声控制算法在线修正控制器参数,并发出抵消噪声信号给次级声源输出抵消噪声;
次级通路还包括用于获取目标区域内降噪目标位置信息的位置传感器,采集降噪目标的位置信息,并利用其位置信息对控制器输出信号进行补充修正;
所述卷积-模糊神经网络包括卷积网络、模糊层和全连接层;所述卷积网络中包括卷积层和池化层,通过卷积网络之后的样本特征向量在模糊层中进行模糊推理并在全连接层训练,参数更新,最后输出控制器噪声信号;
所述卷积-模糊神经网络的原理包括:在卷积网络中通过一系列的卷积和池化交换:
其中,zg(n)为第g个卷积层输出单元;xt(n)为第g个卷积层输出单元接收到的第t个输入单元;ωtg(n)为所有输入单元与第g个输出单元相连的权重,bg(n)为第g个卷积层输出单元的偏置;
选择relu函数作为激活函数得到更高层次的卷积网络输出作为模糊层的输入:
Og(n))=maXx((0,zg(n))
模糊层将卷积和池化之后所得到的特征矩阵根据模糊度和隶属函数划分并转换成合适的隶属函数值:
式中,分别为隶属度函数的中心和宽度,g为输入数,i为模糊集数;
再进行模糊计算,得到隶属度值连乘积:
最后在全连接层得到输出值:
其中,为模糊参数。
2.根据权利要求1所述基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,其特征在于,所述卷积-模糊神经网络中的卷积网络至少每两层卷积层后添加一层池化层,对噪声信号进行提取特征并降维,提高网络计算速度。
3.根据权利要求1或2所述基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,其特征在于,所述次级通路沿列车的长度方向设有多组,每组次级通路的误差传感器、位置传感器及次级声源通过滑轨机构沿列车的横向截面环形设置。
4.根据权利要求3所述基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,滑轨机构上设有器件安装基座,通过基座上卡口中不同形状的卡位兼容安装误差传感器、位置传感器和次级声源,易于器件安装且避免器件安装基座结构复杂。
5.根据权利要求1或2所述基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,其特征在于,所述误差传感器按照神经网络的物理形式摆放,采集车辆全局空间不同位置和角度的噪声信号。
6.根据权利要求1或2所述基于卷积-模糊神经网络的车辆全局空间的主动噪声控制装置,其特征在于,位置传染器采集降噪目标的偏移位移信息并对控制器输出噪声信号进行修正;即误差传染器所采集的残余噪声信号x(n)的声压:
式中:为波数,p0为大气静压强,c0为声速,声源强度q=4πx2ux,ux为振速;
根据位置传感器所采集到的偏转位移d,估算受控区域降噪目标的声压值:
则通过位置传感器所获位置信息对原噪声信号修正后得到的修正值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862335.XA CN111968614B (zh) | 2020-08-24 | 2020-08-24 | 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010862335.XA CN111968614B (zh) | 2020-08-24 | 2020-08-24 | 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111968614A CN111968614A (zh) | 2020-11-20 |
CN111968614B true CN111968614B (zh) | 2023-09-19 |
Family
ID=73390381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010862335.XA Active CN111968614B (zh) | 2020-08-24 | 2020-08-24 | 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111968614B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674729B (zh) * | 2021-06-25 | 2023-12-29 | 上海工程技术大学 | 一种用于民航客机客舱噪声的主动控制方法 |
CN113539228B (zh) * | 2021-07-30 | 2023-10-31 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN113539229B (zh) * | 2021-07-30 | 2023-10-31 | 北京安声浩朗科技有限公司 | 降噪参数确定方法及其装置、主动降噪方法及其装置 |
CN114543192B (zh) * | 2022-02-24 | 2023-11-14 | 青岛海信日立空调系统有限公司 | 空调室外机 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06202672A (ja) * | 1993-01-06 | 1994-07-22 | Nissan Motor Co Ltd | アクティブコントロール装置 |
CN101552939A (zh) * | 2009-05-13 | 2009-10-07 | 吉林大学 | 车内声品质自适应主动控制系统和方法 |
CN101930731A (zh) * | 2010-07-01 | 2010-12-29 | 中国矿业大学(北京) | 矿用多波自适应主动噪声控制系统 |
JP2014142460A (ja) * | 2013-01-23 | 2014-08-07 | Nagoya Institute Of Technology | アクティブノイズコントロールシステムおよびそれに用いられるアナログ電子回路 |
CN107240392A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种装甲车舱室内噪声主动控制方法及系统 |
CN107886064A (zh) * | 2017-11-06 | 2018-04-06 | 安徽大学 | 一种基于卷积神经网络的人脸识别场景适应的方法 |
KR20190109341A (ko) * | 2019-09-06 | 2019-09-25 | 엘지전자 주식회사 | 노이즈 관리가 가능한 전자기기 및 이의 제어 방법 |
CN110456332A (zh) * | 2019-08-12 | 2019-11-15 | 哈尔滨工程大学 | 一种基于自动编码器的水声信号增强方法 |
JP2020016777A (ja) * | 2018-07-26 | 2020-01-30 | Kddi株式会社 | 発話保護装置、発話保護方法、及びプログラム |
CN110992924A (zh) * | 2019-12-26 | 2020-04-10 | 无锡吉兴汽车声学部件科技有限公司 | 一种无反馈机制的汽车主动降噪方法 |
-
2020
- 2020-08-24 CN CN202010862335.XA patent/CN111968614B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06202672A (ja) * | 1993-01-06 | 1994-07-22 | Nissan Motor Co Ltd | アクティブコントロール装置 |
CN101552939A (zh) * | 2009-05-13 | 2009-10-07 | 吉林大学 | 车内声品质自适应主动控制系统和方法 |
CN101930731A (zh) * | 2010-07-01 | 2010-12-29 | 中国矿业大学(北京) | 矿用多波自适应主动噪声控制系统 |
JP2014142460A (ja) * | 2013-01-23 | 2014-08-07 | Nagoya Institute Of Technology | アクティブノイズコントロールシステムおよびそれに用いられるアナログ電子回路 |
CN107240392A (zh) * | 2017-06-30 | 2017-10-10 | 邢优胜 | 一种装甲车舱室内噪声主动控制方法及系统 |
CN107886064A (zh) * | 2017-11-06 | 2018-04-06 | 安徽大学 | 一种基于卷积神经网络的人脸识别场景适应的方法 |
JP2020016777A (ja) * | 2018-07-26 | 2020-01-30 | Kddi株式会社 | 発話保護装置、発話保護方法、及びプログラム |
CN110456332A (zh) * | 2019-08-12 | 2019-11-15 | 哈尔滨工程大学 | 一种基于自动编码器的水声信号增强方法 |
KR20190109341A (ko) * | 2019-09-06 | 2019-09-25 | 엘지전자 주식회사 | 노이즈 관리가 가능한 전자기기 및 이의 제어 방법 |
CN110992924A (zh) * | 2019-12-26 | 2020-04-10 | 无锡吉兴汽车声学部件科技有限公司 | 一种无反馈机制的汽车主动降噪方法 |
Non-Patent Citations (2)
Title |
---|
Assaf Hoogi.Adaptive estimation of active controur parameters using convolutional neural networks and texture analysis.《IEEE Transactions on Medical Imaging》.2016,全文. * |
丁福臣.车内噪声主动控制系统的研究及应用.《中国优秀硕士学位论文全文数据库》.2020,(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111968614A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111968613B (zh) | 一种主动控制车辆全局空间噪声的卷积-模糊神经网络方法 | |
CN111968614B (zh) | 一种基于卷积-模糊网络的车辆全局空间的主动噪声控制装置 | |
Lam et al. | Ten questions concerning active noise control in the built environment | |
Cevher et al. | Vehicle speed estimation using acoustic wave patterns | |
US8077873B2 (en) | System for active noise control with adaptive speaker selection | |
CN108422956A (zh) | 汽车车内噪声的主动控制降噪方法及系统 | |
CN107791970A (zh) | 基于启发式动态规划的汽车主动降噪方法 | |
Guo et al. | Active interior noise control for rail vehicle using a variable step-size median-LMS algorithm | |
CN104821166A (zh) | 基于粒子群算法的有源噪声控制方法 | |
CN111445895A (zh) | 一种基于遗传算法的指向性有源噪声控制系统及方法 | |
JP2021510848A (ja) | 可変アクチュエータおよびセンサを関与させたアクティブノイズ制御方法およびシステム | |
Zhang et al. | A hybrid feedforward/feedback multi-channel active control system with optimization for cancelling road noise inside a vehicle cabin | |
EP2362238B1 (en) | Estimating the distance from a sensor to a sound source | |
Botto et al. | Intelligent active noise control applied to a laboratory railway coach model | |
Abouel-Seoud | Active control analysis of passenger vehicle interior noise produced from tyre/road interaction | |
Salmasi et al. | Comparison of feed-forward and recurrent neural networks in active cancellation of sound noise | |
CN116189649A (zh) | 一种车内道路噪声混合前反馈多通道主动控制系统及方法 | |
Zhou et al. | A Modified Reference Signal Selection Method for Feed-Forward Active Road Noise Control System | |
CN110908287B (zh) | 一种轨道车辆车体铝型材振动声辐射主动前馈力控制策略制定方法 | |
Pi et al. | Experimental Performance Analysis of Multi-Channel Active Control System for Road Noise in Vehicles Using FXLMS Algorithm | |
CN111951776B (zh) | 一种基于分数阶可变步长的列车牵引系统主动噪声控制方法及装置 | |
Ikoma et al. | Tracking of 3D sound source location by particle filter with TDOA and signal power ratio | |
Chen et al. | Objective evaluation of interior sound quality in passenger cars using artificial neural networks | |
Wu et al. | Beacon-aided adaptive localization of noise sources aboard a pass-by railcar using a trackside microphone array | |
Nowak et al. | Inverse scheme for sound source identification in a vehicle trailer |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |