CN116008912A - 对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 - Google Patents
对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 Download PDFInfo
- Publication number
- CN116008912A CN116008912A CN202211659579.3A CN202211659579A CN116008912A CN 116008912 A CN116008912 A CN 116008912A CN 202211659579 A CN202211659579 A CN 202211659579A CN 116008912 A CN116008912 A CN 116008912A
- Authority
- CN
- China
- Prior art keywords
- vector
- data
- auxiliary
- acquiring
- noise
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003384 imaging method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 217
- 230000006870 function Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008602 contraction Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 10
- 230000004304 visual acuity Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000004807 localization Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 125000003275 alpha amino acid group Chemical group 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本公开是关于一种对风扇噪声进行声学成像的方法和装置、电动汽车充电桩、存储介质。该方法包括：获取风扇在运行时产生的噪声时域信号；基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；对所述波束数据的主成分数据进行定位，得到声功率数据；根据所述声功率数据生成包含声源位置的声图像。本实施例中通过对波束数据的主成分进行定位，可以提高对噪声的分辨能力，达到准确定位声源位置的效果，有利于获得更准确的声图像。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种对风扇噪声进行声学成像的方法和装置、电动汽车充电桩、存储介质。
背景技术
大功能设备(诸如空调、充电桩等)设置有风扇，以满足其散热需求。在散热过程中，风扇工作会形成噪声，因此需要对声源噪声进行降噪。
然而，声源噪声是一种块状声源，相关技术中定义噪声的位置不准确，无法满足相应的需求。
发明内容
本公开提供一种对风扇噪声进行声学成像的方法和装置、电动汽车充电桩、存储介质，以解决相关技术的不足。
根据本公开实施例的第一方面，提供一种对风扇噪声进行声学成像的方法，所述方法包括：
获取风扇在运行时产生的噪声时域信号；
基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；
将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；
对所述波束数据的主成分数据进行定位，得到声功率数据；
根据所述声功率数据生成包含噪声位置的声图像。
可选地，对所述波束数据的主成分数据进行定位，得到声功率数据，包括：
获取所述波束数据中主成分数据的声源强度分布数据；
根据所述声源强度分布获取空间点声源的实际强度向量；
根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角；
根据所述水平角和所述俯仰角获取所述空间点声源在三维坐标系下的坐标数据；
所述坐标数据和所述实际强度向量构成所述声功率数据。
可选地，获取所述波束数据中主成分数据的声源强度分布数据，包括：
获取感兴趣区域中每个网格点的波束数据的平方值，得到每个网格点的声功率；
确定感兴趣区域中的所有网格点的声功率构成所述声源强度分布数据。
可选地，根据所述声源强度分布获取空间点声源的实际强度向量，包括：
获取辅助强度向量、辅助向量和迭代步长；
根据预设梯度函数和所述辅助向量获取功率数据，并获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量；
根据预设收缩算子和所述中间向量更新辅助强度向量，
更新迭代步长并根据所述迭代步长和所述辅助强度向量更新所述辅助向量；
根据所述辅助强度向量生成声图像并获取所述声图像中的主瓣；
当所述主瓣不满足预设条件时，继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤，直至所述主瓣满足所述预设条件停止迭代，并将所述辅助强度向量作为所述空间点声源的实际强度向量。
可选地，所述预设条件包括主瓣面积于或者等于预设面积阈值，和/或，每次迭代步骤后主瓣范围内最大值和最小值的差值大于或等于预设差值门限值。
可选地，获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量，包括：
获取所述梯度函数与利普希茨常数的比值向量；
获取所述辅助向量和所述比值向量的差值，得到比例差值向量；
在预设坐标系的非负象限内的投影，得到所述中间变量。
可选地，所述利普希茨常数的取值为点扩散函数矩阵的转矩矩阵和点扩散函数矩阵两者乘积的特征值的最大值。
可选地，根据预设收缩算子和所述中间向量更新辅助强度向量，包括：
获取所述中间向量的绝对值与稀疏正则化参数的差值向量；
获取所述差值向量中各元素和设定常数两者的较大值，得到差值校正向量；
对所述中间向量进行符号运算，得到中间校正向量；
获取所述差值校正向量和所述中间校正向量的点积，得到所述辅助强度向量。
可选地，所述稀疏正则化参数通过以下方式获取，包括：
获取所述声源强度分布数据的无穷范数，得到候选值；
获取所述候选值和预设权重的乘积；
获取所述乘积和预设经验值的较小值，得到所述稀疏正则化参数的取值。
可选地，根据所述迭代步长和所述辅助强度向量更新所述辅助向量，包括：
获取所述辅助强度向量和更新后的辅助强度向量的辅助差值向量；
获取所述迭代步长和1的差值并获取所述差值与更新后的迭代步长的比值，得到步长比值；
获取所述辅助差值向量和所述步长比值的乘积，得到辅助乘积向量；
获取所述辅助乘积向量和所述辅助强度向量的和，得到更新后的辅助向量。
可选地，根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角，包括：
获取所述水平角的正弦值和余弦值，以及所述俯仰角的正弦值和余弦值；
获取所述水平角的余弦值和所述俯仰角的正弦值的第一乘积并根据所述第一乘积和所述空间点声源在U-space空间中坐标数据的横坐标构建第一等式；
获取所述水平角的正弦值和所述俯仰角的余弦值的第二乘积并根据所述第二乘积和所述空间点声源在U-space空间中坐标数据的纵坐标构建第二等式；
根据所述第一等式和所述第二等式计算所述三维坐标系统下水平角和俯仰。
根据本公开实施例的第二方面，提供一种对风扇噪声进行声学成像的装置，所述装置包括：
时域信号获取模块，用于获取风扇在运行时产生的噪声时域信号；
频域信号获取模块，用于基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；
波束数据获取模块，用于将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；
声功率获取模块，用于对所述波束数据的主成分数据进行定位，得到声功率数据；
声图像生成模块，用于根据所述声功率数据生成包含噪声位置的声图像。
可选地，所述声功率获取模块包括：
强度分布获取子模块，用于获取所述波束数据中主成分数据的声源强度分布数据；
实际强度获取子模块，用于根据所述声源强度分布获取空间点声源的实际强度向量；
角度获取子模块，用于根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角；
坐标数据获取子模块，用于根据所述水平角和所述俯仰角获取所述空间点声源在三维坐标系下的坐标数据；
所述坐标数据和所述实际强度向量构成所述声功率数据。
可选地，所述强度分布获取子模块包括：
声功率获取单元，用于获取感兴趣区域中每个网格点的波束数据的平方值，得到每个网格点的声功率；
强度分布获取单元，用于确定感兴趣区域中的所有网格点的声功率构成所述声源强度分布数据。
可选地，所述实际强度获取子模块包括：
初始值获取单元，用于获取辅助强度向量、辅助向量和迭代步长；
中间向量获取单元，用于根据预设梯度函数和所述辅助向量获取功率数据，并获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量；
辅助强度更新单元，用于根据预设收缩算子和所述中间向量更新辅助强度向量，
迭代步长更新单元，用于更新迭代步长；
辅助向量更新单元，用于根据所述迭代步长和所述辅助强度向量更新所述辅助向量；
图像主瓣获取单元，用于根据所述辅助强度向量生成声图像并获取所述声图像中的主瓣；
实际强度获取单元，用于当所述主瓣不满足预设条件时，继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤，直至所述主瓣满足所述预设条件停止迭代，并将所述辅助强度向量作为所述空间点声源的实际强度向量。
可选地，所述预设条件包括主瓣面积于或者等于预设面积阈值，和/或，每次迭代步骤后主瓣范围内最大值和最小值的差值大于或等于预设差值门限值。
可选地，所述中间向量获取单元包括：
比值向量获取子单元，用于获取所述梯度函数与利普希茨常数的比值向量；
比例差值获取子单元，用于获取所述辅助向量和所述比值向量的差值，得到比例差值向量；
中间变量获取子单元，用于在预设坐标系的非负象限内的投影，得到所述中间变量。
可选地，所述利普希茨常数的取值为点扩散函数矩阵的转矩矩阵和点扩散函数矩阵两者乘积的特征值的最大值。
可选地，所述辅助强度更新单元包括：
差值向量获取子单元，用于获取所述中间向量的绝对值与稀疏正则化参数的差值向量；
差值校正向量获取子单元，用于获取所述差值向量中各元素和设定常数两者的较大值，得到差值校正向量；
中间校正向量获取子单元，用于对所述中间向量进行符号运算，得到中间校正向量；
辅助强度向量获取子单元，用于获取所述差值校正向量和所述中间校正向量的点积，得到所述辅助强度向量。
可选地，所述辅助强度更新单元还包括正则化参数获取子单元，用于获取所述稀疏正则化参数；所述正则化参数获取子单元包括：
候选值获取子单元，用于获取所述声源强度分布数据的无穷范数，得到候选值；
乘积获取子单元，用于获取所述候选值和预设权重的乘积；
正则化参数获取子单元，用于获取所述乘积和预设经验值的较小值，得到所述稀疏正则化参数的取值。
可选地，所述辅助向量更新单元包括：
辅助差值获取子单元，用于获取所述辅助强度向量和更新后的辅助强度向量的辅助差值向量；
步长比值获取子单元，用于获取所述迭代步长和1的差值并获取所述差值与更新后的迭代步长的比值，得到步长比值；
辅助乘积获取子单元，用于获取所述辅助差值向量和所述步长比值的乘积，得到辅助乘积向量；
辅助向量更新子单元，用于获取所述辅助乘积向量和所述辅助强度向量的和，得到更新后的辅助向量。
可选地，所述角度获取子模块包括：
正弦余弦获取单元，用于获取所述水平角的正弦值和余弦值，以及所述俯仰角的正弦值和余弦值；
第一等式获取单元，用于获取所述水平角的余弦值和所述俯仰角的正弦值的第一乘积并根据所述第一乘积和所述空间点声源在U-space空间中坐标数据的横坐标构建第一等式；
第二等式获取单元，用于获取所述水平角的正弦值和所述俯仰角的余弦值的第二乘积并根据所述第二乘积和所述空间点声源在U-space空间中坐标数据的纵坐标构建第二等式；
角度获取单元，用于根据所述第一等式和所述第二等式计算所述三维坐标系统下水平角和俯仰。
根据本公开实施例的第三方面，提供一种电动汽车充电桩，包括：充电组件和用于为所述充电组件进行散热的风扇，还包括：
存储器与处理器；
所述存储器用于存储所述处理器可执行的计算机程序；
所述处理器用于执行所述存储器中的计算机程序，以实现如第一方面任一项所述的方法。
根据本公开实施例的第四方面，提供一种芯片，包括：
处理器和接口；所述处理器用于通过接口读取指令以实现如第一方面任一项所述的方法。
根据本公开实施例的第五方面，提供一种非暂态计算机可读存储介质，当所述存储介质中的可执行的计算机程序由处理器执行时，能够实现如第一方面任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例提供的方案中可以获取风扇在运行时产生的噪声时域信号；基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；之后，对所述波束数据的主成分数据进行定位，得到声功率数据；最后，根据所述声功率数据生成包含噪声位置的声图像。这样，本实施例中通过对波束数据的主成分进行定位，可以提高对噪声的分辨能力，达到准确定位声源位置的效果，有利于获得更准确的声图像。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是相关技术中噪声定位的示意图。
图2是根据一示例性实施例示出的一种对风扇噪声进行声学成像的方法的流程图。
图3是根据一示例性实施例示出的一种感兴趣区域划分网格的示意图。
图4是根据一示例性实施例示出的一种获取声功率数据的流程图。
图5是根据一示例性实施例示出的一种获取实际强度向量的流程图。
图6是根据一示例性实施例示出的一种噪声定位的效果示意图。
图7是根据一示例性实施例示出的另一种噪声定位的效果示意图。
图8是根据一示例性实施例示出的一种对风扇噪声进行声学成像的方法的流程图。
图9是根据一示例性实施例示出的一种对风扇噪声进行声学成像的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性所描述的实施例并不代表与本公开相一致的所有实施例。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置例子。需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
考虑到相关技术中在声学成像时将如风扇等设备作为块状声源，生成如图1所示的定位结果。该块状声源中将两个声源合并为一个声源，成像效果较差，导致噪声的位置不准确，无法满足相应的需求。
为解决上述技术问题，本公开实施例提供了一种对风扇噪声进行声学成像的方法和装置、电动汽车充电桩、存储介质。上述对风扇噪声进行声学成像的方法可以适用于电动汽车充电桩，图2是根据一示例性实施例示出的一种对风扇噪声进行声学成像的方法的流程图。参见图2，一种对风扇噪声进行声学成像的方法，包括步骤21～步骤25。
在步骤21中，获取风扇在运行时产生的噪声时域信号。
本步骤中，语音采集阵列包括M个阵元，每个阵元可以由至少一个麦克风构成。上述语音采集阵列预先设置在指定位置，用于采集声源的噪声。在一示例中，上述指定位置是指声源的正前方，并且语音采集阵列的中心点与声源的中心点正对设置。
本步骤中，语音采集阵列可以实时或者按照设定周期采集语音时域信号，由于风扇作为声源在语音采集阵列的周围并且风扇噪声均是噪声，因此语音采集阵列可以采集到语音时域信号称之为噪声时域信号。本步骤中，语音采集阵列的采样频率fs可以为16kHz、44.1kHz或者48kHz。在一示例中，语音采集阵列的采样频率fs为16kHz，以占用较少的硬件和算力。
可理解的是，语音采集阵列可以与声源(如风扇)同步启动，当声源启动后，语音采集阵列才开始工作，可以降低语音采集阵列的功耗并采集到噪声时域信号。
本步骤中，电动汽车充电桩的处理器可以与上述语音采集阵列进行通信，从而获取到噪声时域信号。该噪声时域信号为一个列向量s(t)。
在步骤22中，基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号。
本步骤中，处理器可以对噪声时域信号进行频域转换，得到噪声频域数据。例如，处理器可以对噪声时域信号进行加窗分帧，并对各分帧进行傅里叶变换(即FFT)处理，得到第l帧、第k个频谱分量信号为s(k,l)，即获得噪声频域数据，上述加窗分帧和傅里叶变换也称之为短时傅立叶变换(Short-Time Fourier Transform，STFT)。在一示例中，每一分帧的长度为64ms，即帧长L＝1024。窗函数w(n)采用汉宁窗，其长度与帧长相同，并且帧移为帧长的一半，即inc＝512。
在一示例中，声源为风扇等设备，其工作频率(或者说转速)相对固定，其对应噪声的频率也相对固定，此时可理解为噪声属于窄带信号；或者说，声源噪声的主要频率(主成分)为窄带信号，例如120Hz的信号。为方便处理，后续实施例中省略频谱分量信号中的参数k，即第l帧、第k个频谱分量信号为s(k,l)变成第l帧频谱分量信号为s(l)。
为方便理解，本示例中将主成分定义为低频背景噪声叠加低频的单频噪声的噪声数据，或者说以低频噪声为背景成分并包含一些阶次信号的噪声信号，其中低频是指不超过1000Hz。
在步骤23中，将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据。
本步骤中，处理器可以获取目标声源的导向矢量。假设频率为fk，每个阵元的空间位置(即空间三维坐标)为posm，m表示第m个阵元，且m的取值为1～M。假设声源的空间位置为pos0。在远场条件下，该声源的导向矢量为：
式(1)中，ωk＝2fk表示噪声信号的角频率，c＝340m/s表示声音在空气中的速度，
表示声源pos0处的声波到达第m个阵元posm处与第一个阵元pos1处的时间差，||·||2表示二范数。
本步骤中，处理器可以根据声源的导向矢量获取DSB(Delay and SumBeamformer，延时求和波束形成器)波束形成器的权系数为：
式(2)中，(·)H表示共轭转置。
本步骤中，处理器可以根据所述频域数据和所述权系数获取所述波束数据，即：
式(3)中，z(l)表示波束数据。
在一示例中，处理器可以取多帧波束数据的平均值作为当前帧波束数据的取值，此时可以省略帧参数l。
本步骤中，参见图3，处理器可以将空间中感兴趣区域(即语音采集阵列31前方一定距离的平面32)均匀划分为N个网格点；然后，处理器可以对每一个网格点进行DSB(Delayand Sum Beamformer，延时求和波束形成器)波束形成，得到波束数据z。
在步骤24中，对所述波束数据的主成分数据进行定位，得到声功率数据。
本步骤中，参见图4，在步骤41中，处理器可以获取所述波束数据中主成分数据的声源强度分布数据。在一示例中，处理器可以感兴趣区中每个网格点的波束数据的平方值，得到每个网格点的声功率。继续参见图3，处理器可以计算每个网格点的声功率为
处理器可以确定感兴趣区域中的所有网格点的声功率构成声源强度分布数据b。当所有网格点的声功率计算完成后，可以得到声源强度分布数据b＝[b1,b2…bN]T。
在步骤42中，处理器可以根据所述声源强度分布获取空间点声源的实际强度向量。本步骤中将DSB波束数据形成的声源强度分布数据看成点扩散函数矩阵(PSF)与声源实际强度的线性组合，如式(4)所示。
b＝Py； (4)
式(4)中，y表示空间点声源的实际强度列向量，P表示点扩散函数矩阵(PSF)，是语音采集阵列设置后对应的特性矩阵，其第n行第n′列个元素值为：
式(5)中，点扩散函数矩阵P第n或n′个网格点的导向矢量d(n)和d(n′)有关。
可理解的是，本步骤中的目标是获取式(4)中空间点声源的实际强度列向量y。由于点扩散函数矩阵P通常不是满秩矩阵，无法通过y＝P-1b来计算出实际强度列向量y。因此，本步骤中将实际强度列向量y的求解过程转化成最小二乘求解问题，此时可以采用反卷积波束形成方法，例如快速迭代收缩阈值算法(Fast Iterative Shrinkage ThresholdingAlgorithm，FISTA)。
在一示例中，参见图5，在步骤51中，处理器可以获取辅助强度向量、辅助向量和迭代步长。本步骤中，处理器可以执行初始化工作，即辅助强度向量y(0)＝[0,0…0]T，辅助向量q(1)＝y(0)，迭代步长λ(1)＝1。
在步骤52中，处理器可以根据预设梯度函数和所述辅助向量获取功率数据，并获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量。
本步骤中，处理器可以获取预设梯度函数
然后，处理器可以将辐射向量和点扩散函数矩阵P代入上述预设梯度函数，得到功率数据b。然后，处理器可以将功率数据b在预设坐标系的非负象限(即第一象限和第四象限)进行投影得到中间向量。或者说，处理器可以获取所述梯度函数与利普希茨常数的比值向量；然后，获取所述辅助向量和所述比值向量的差值，得到比例差值向量；之后，在预设坐标系的非负象限内的投影，得到所述中间变量。其中，中间变量如式(6)所示。
式(6)中，
表示在非负象限上的欧几里德投影。L表示利普希茨常数，此处取PTP特征值的最大值。
在步骤53中，处理器可以根据预设收缩算子和所述中间向量更新辅助强度向量。
本步骤中，处理器可以获取预设收缩算子和中间向量更新辅助强度向量，包括：处理器可以获取中间向量的绝对值与稀疏正则化参数的差值向量。本步骤中，稀疏正则化参数获取方式如下，处理器可以获取声源强度分布数据b的无穷范数，得到候选值||b||∞。处理器可以获取该候选值和预设权重的乘积，以预设权重为0.001为例，该乘积为0.001||b||∞。处理器可以获取所述乘积和预设经验值(如0.005)的较小值，得到所述稀疏正则化参数的取值。稀疏正则化参数ξ取值如式(7)所示：
ξ＝min{0.005,0.001||b||∞}； (7)
式(7)中，min{·}表示取两者中的较小值，||·||∞表示无穷范数。
本步骤中通过获取稀疏正则化参数ξ的取值，可以限制迭代次数，可以加快迭代过程的收敛速度，保证声图像效果。
然后，处理器可以获取所述差值向量中各元素和设定常数两者的较大值，得到差值校正向量。之后，处理器可以对所述中间向量进行符号运算，得到中间校正向量。最后，处理器可以获取所述差值校正向量和所述中间校正向量的点积，得到所述辅助强度向量。辅助强度向量获取如式(8)所示：
式(8)中，
表示哈达玛积，sign(·)表示符号运算，稀疏正则化参数ξ是一个经验参数，如可取0.005。
在步骤54中，处理器可以更新迭代步长并根据所述迭代步长和所述辅助强度向量更新所述辅助向量。
本步骤中，处理器可以更新迭代步长。
式(9)中，a表示迭代次数。
本步骤中，处理器可以根据迭代步长和辐射强度向量更新辅助向量，包括：获取所述辅助强度向量和更新后的辅助强度向量的辅助差值向量；获取所述迭代步长和1的差值并获取所述差值与更新后的迭代步长的比值，得到步长比值；获取所述辅助差值向量和所述步长比值的乘积，得到辅助乘积向量；获取所述辅助乘积向量和所述辅助强度向量的和，得到更新后的辅助向量。
如式(10)所示。
式(10)中，y(a)-y(a-1)表示辅助差值向量，
表示步长比值，
表示辅助乘积向量。
在步骤55中，处理器可以根据所述辅助强度向量生成声图像并获取所述声图像中的主瓣。
本步骤中，处理器可以根据辅助强度向量生成声图像，即将辅助强度向量按照网格点顺序依次进行排序并生成声图像，得到声图像。需要说明的是，处理器可以将声功率超过预设功率阈值(如-40dB)采用颜色1表示，低于预设功率阈值采用颜色2表示。
以语音采集阵列为3*3阵列，阵元间距均为0.34cm，窄带波束形成的频率为500Hz，将感兴趣区域划分为100*100个网格点进行成像。两个声源ux和uy坐标分别为P1[0，0]和P12[0.3，0.3]，且稀疏正则化参数ξ＝0.005时，迭代100次后的仿真效果如图6所示。这样，处理器可以获取颜色1构成的区域61即噪声主瓣。
在步骤56中，当所述主瓣不满足预设条件时，处理器可以继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤，直至所述主瓣满足所述预设条件停止迭代，并将所述辅助强度向量作为所述空间点声源的实际强度向量。
本步骤中，电动汽车充电桩内设置有预设条件。该预设条件包括主瓣面积于或者等于预设面积阈值，和/或，每次迭代步骤后主瓣范围内最大值和最小值的差值大于或等于预设差值门限值。其中，预设面积阈值可以是经验值，例如可以根据感兴趣区域的面积进行调整，如感兴趣区域的10％～20％。或者，主瓣范围内声功率的最大值与声功率的最小值的差值大于或等于预设差值门限值，即主瓣每收缩一次的情况下，最大值和最小值的差值仍然能够大于或等于预设差值门限值，从而保证主瓣面积不会出现过度收缩的问题。本步骤中通过使用预设条件限制迭代次数，可以加快迭代过程的收敛速度，保证声图像效果。
本步骤中，在获取到主瓣时，处理器可以判断本次迭代过程所获取的主瓣不满足预设条件时可以继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤即返回步骤52。当本次迭代过程所获取的主瓣满足预设条件时处理器可以停止迭代，此时处理器可以将本次迭代步骤中的辅助强度向量作为所述空间点声源的实际强度向量。
在步骤43中，处理器可以根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角。
考虑到点扩散函数矩阵P在U-Space空间具有平移不变性，上述处理过程是在U-Space空间完成计算的，即可以得到U-Space空间的声图像。此时，处理器可以根据空间点声源在U-Space空间中的坐标数据获取三维坐标系下的水平角和俯仰角。例如，处理器可以获取所述水平角的正弦值和余弦值，以及所述俯仰角的正弦值和余弦值；然后，处理器可以获取所述水平角的余弦值和所述俯仰角的正弦值的第一乘积并根据所述第一乘积和所述空间点声源在U-space空间中坐标数据的横坐标构建第一等式；之后，处理器可以获取所述水平角的正弦值和所述俯仰角的余弦值的第二乘积并根据所述第二乘积和所述空间点声源在U-space空间中坐标数据的纵坐标构建第二等式；最后，处理器可以根据所述第一等式和所述第二等式计算所述三维坐标系统下水平角和俯仰。
继续参见图3，U-Space空间中的坐标数据和三维坐标系下的水平角和俯仰角的关系如式(11)所示。
式(11)中，ux,uy分别表示U-Space空间中的坐标数据，
分别表示三维坐标系下的水平角和俯仰。
在步骤44中，处理器可以根据所述水平角和所述俯仰角获取所述空间点声源在三维坐标系下的坐标数据；所述坐标数据和所述实际强度向量构成所述声功率数据。本步骤中，继续参见图3，处理器可以水平角和俯仰角获取空间点声源(各个网格点)在三维坐标系下的坐标数据。
在步骤25中，根据所述声功率数据生成包含噪声位置的声图像。
本步骤中，处理器可以根据声功率数据生成包含噪声位置的声图像，效果如图7所示。需要说明的是，图7是在U-Space空间下的声图像。对比图6和图7，图7中主瓣较图6中主瓣的面积较大，其可以覆盖两个声源的中心位置(圆圈所示位置)，从而避免图6所示主瓣收缩过大而无法覆盖两个声源的中心位置的问题。
在一示例中，参见图8，处理器可以对声源噪声进行STFT处理后进行DSB波束形成，然后进行稀疏正则化估计；之后，利用稀疏正则化参数进行FISTA反卷积波束化迭代处理，当满足预设条件时可以输出声图像。
至此，本公开实施例提供的方案中可以获取噪声时域信号；然后，获取所述噪声时域信号对应的波束数据；之后，对所述波束数据的主成分数据进行定位，得到声功率数据；最后，根据所述声功率数据生成包含噪声位置的声图像。这样，本实施例中通过对波束数据的主成分进行定位，可以提高对噪声的分辨能力，达到准确定位声源位置的效果，有利于获得更准确的声图像。
在本公开实施例提供的一种对风扇噪声进行声学成像的方法的基础上，本公开还提供了一种对风扇噪声进行声学成像的装置，参见图9，所述装置包括：
时域信号获取模块91，用于获取噪声时域信号；
波束数据获取模块92，用于将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；
声功率获取模块93，用于对所述波束数据的主成分数据进行定位，得到声功率数据；
声图像生成模块94，用于根据所述声功率数据生成包含噪声位置的声图像。
可选地，所述声功率获取模块包括：
强度分布获取子模块，用于获取所述波束数据中主成分数据的声源强度分布数据；
实际强度获取子模块，用于根据所述声源强度分布获取空间点声源的实际强度向量；
角度获取子模块，用于根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角；
坐标数据获取子模块，用于根据所述水平角和所述俯仰角获取所述空间点声源在三维坐标系下的坐标数据；
所述坐标数据和所述实际强度向量构成所述声功率数据。
可选地，所述强度分布获取子模块包括：
声功率获取单元，用于获取感兴趣区域中每个网格点的波束数据的平方值，得到每个网格点的声功率；
强度分布获取单元，用于确定感兴趣区域中的所有网格点的声功率构成所述声源强度分布数据。
可选地，所述实际强度获取子模块包括：
初始值获取单元，用于获取辅助强度向量、辅助向量和迭代步长；
中间向量获取单元，用于根据预设梯度函数和所述辅助向量获取功率数据，并获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量；
辅助强度更新单元，用于根据预设收缩算子和所述中间向量更新辅助强度向量，
迭代步长更新单元，用于更新迭代步长；
辅助向量更新单元，用于根据所述迭代步长和所述辅助强度向量更新所述辅助向量；
图像主瓣获取单元，用于根据所述辅助强度向量生成声图像并获取所述声图像中的主瓣；
实际强度获取单元，用于当所述主瓣不满足预设条件时，继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤，直至所述主瓣满足所述预设条件停止迭代，并将所述辅助强度向量作为所述空间点声源的实际强度向量。
可选地，所述预设条件包括主瓣面积于或者等于预设面积阈值，和/或，每次迭代步骤后主瓣范围内最大值和最小值的差值大于或等于预设差值门限值。
可选地，所述辅助强度更新单元包括：
差值向量获取子单元，用于获取所述中间向量的绝对值与稀疏正则化参数的差值向量；
差值校正向量获取子单元，用于获取所述差值向量中各元素和设定常数两者的较大值，得到差值校正向量；
中间校正向量获取子单元，用于对所述中间向量进行符号运算，得到中间校正向量；
辅助强度向量获取子单元，用于获取所述差值校正向量和所述中间校正向量的点积，得到所述辅助强度向量。
可选地，所述辅助强度更新单元还包括正则化参数获取子单元，用于获取所述稀疏正则化参数；所述正则化参数获取子单元包括：
候选值获取子单元，用于获取所述声源强度分布数据的无穷范数，得到候选值；
乘积获取子单元，用于获取所述候选值和预设权重的乘积；
正则化参数获取子单元，用于获取所述乘积和预设经验值的较小值，得到所述稀疏正则化参数的取值。
需要说明的是，本实施例中示出的系统实施例与上述方法实施例的内容相匹配，可以参考上述所示方法实施例的内容，在此不再赘述。
在示例性实施例中，还提供了一种电动汽车充电桩，包括：充电组件和用于为所述充电组件进行散热的风扇，还包括：
存储器与处理器；
所述存储器用于存储所述处理器可执行的计算机程序；
所述处理器用于执行所述存储器中的计算机程序，以实现如上述的方法。
在示例性实施例中，还提供了一种非暂态计算机可读存储介质，例如包括指令的存储器，上述可执行的计算机程序可由处理器执行。其中，可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本公开实施例提供了提供一种芯片，所述芯片用于执行上述方法。其中，所述芯片可以为常规的CPU(central processing unit，中央处理器)芯片、GPU(graphicsprocessing unit，图形处理器)芯片等，也可以为人工智能技术专用的加速芯片，例如AI(Artificial Intelligence，人工智能)加速器等。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本公开旨在涵盖任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种对风扇噪声进行声学成像的方法，其特征在于，所述方法包括：
获取风扇在运行时产生的噪声时域信号；
基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；
将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；
对所述波束数据的主成分数据进行定位，得到声功率数据；所述主成分数据是指低频背景噪声叠加低频的单频信号的噪声数据；
根据所述声功率数据生成包含噪声位置的声图像。
2.根据权利要求1所述的方法，其特征在于，对所述波束数据的主成分数据进行定位，得到声功率数据，包括：
获取所述波束数据中主成分数据的声源强度分布数据；
根据所述声源强度分布获取空间点声源的实际强度向量；
根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角；
根据所述水平角和所述俯仰角获取所述空间点声源在三维坐标系下的坐标数据；
所述坐标数据和所述实际强度向量构成所述声功率数据。
3.根据权利要求2所述的方法，其特征在于，获取所述波束数据中主成分数据的声源强度分布数据，包括：
获取感兴趣区域中每个网格点的波束数据的平方值，得到每个网格点的声功率；
确定感兴趣区域中的所有网格点的声功率构成所述声源强度分布数据。
4.根据权利要求2所述的方法，其特征在于，根据所述声源强度分布获取空间点声源的实际强度向量，包括：
获取辅助强度向量、辅助向量和迭代步长；
根据预设梯度函数和所述辅助向量获取功率数据，并获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量；
根据预设收缩算子和所述中间向量更新辅助强度向量；
更新迭代步长并根据所述迭代步长和所述辅助强度向量更新所述辅助向量；
根据所述辅助强度向量生成声图像并获取所述声图像中的主瓣；
当所述主瓣不满足预设条件时，继续执行根据预设梯度函数和所述辅助向量获取功率数据的步骤，直至所述主瓣满足所述预设条件停止迭代，并将所述辅助强度向量作为所述空间点声源的实际强度向量。
5.根据权利要求4所述的方法，其特征在于，所述预设条件包括主瓣面积于或者等于预设面积阈值，和/或，每次迭代步骤后主瓣范围内最大值和最小值的差值大于或等于预设差值门限值。
6.根据权利要求4所述的方法，其特征在于，获取所述功率数据在预设坐标系的非负象限内的投影，得到中间向量，包括：
获取所述梯度函数与利普希茨常数的比值向量；
获取所述辅助向量和所述比值向量的差值，得到比例差值向量；
在预设坐标系的非负象限内的投影，得到所述中间变量。
7.根据权利要求6所述的方法，其特征在于，所述利普希茨常数的取值为点扩散函数矩阵的转矩矩阵和点扩散函数矩阵两者乘积的特征值的最大值。
8.根据权利要求4所述的方法，其特征在于，根据预设收缩算子和所述中间向量更新辅助强度向量，包括：
获取所述中间向量的绝对值与稀疏正则化参数的差值向量；
获取所述差值向量中各元素和设定常数两者的较大值，得到差值校正向量；
对所述中间向量进行符号运算，得到中间校正向量；
获取所述差值校正向量和所述中间校正向量的点积，得到所述辅助强度向量。
9.根据权利要求8所述的方法，其特征在于，所述稀疏正则化参数通过以下方式获取，包括：
获取所述声源强度分布数据的无穷范数，得到候选值；
获取所述候选值和预设权重的乘积；
获取所述乘积和预设经验值的较小值，得到所述稀疏正则化参数的取值。
10.根据权利要求4所述的方法，其特征在于，根据所述迭代步长和所述辅助强度向量更新所述辅助向量，包括：
获取所述辅助强度向量和更新后的辅助强度向量的辅助差值向量；
获取所述迭代步长和1的差值并获取所述差值与更新后的迭代步长的比值，得到步长比值；
获取所述辅助差值向量和所述步长比值的乘积，得到辅助乘积向量；
获取所述辅助乘积向量和所述辅助强度向量的和，得到更新后的辅助向量。
11.根据权利要求2所述的方法，其特征在于，根据所述空间点声源在U-space空间中的坐标数据获取三维坐标系下的水平角和俯仰角，包括：
获取所述水平角的正弦值和余弦值，以及所述俯仰角的正弦值和余弦值；
获取所述水平角的余弦值和所述俯仰角的正弦值的第一乘积并根据所述第一乘积和所述空间点声源在U-space空间中坐标数据的横坐标构建第一等式；
获取所述水平角的正弦值和所述俯仰角的余弦值的第二乘积并根据所述第二乘积和所述空间点声源在U-space空间中坐标数据的纵坐标构建第二等式；
根据所述第一等式和所述第二等式计算所述三维坐标系统下水平角和俯仰。
12.一种对风扇噪声进行声学成像的装置，其特征在于，所述装置包括：
时域信号获取模块，用于获取风扇在运行时产生的噪声时域信号；
频域信号获取模块，用于基于短时傅立叶变换算法对所述噪声时域信号进行时频转换，得到噪声频域信号；
波束数据获取模块，用于将所述噪声频域信号输入延时求和波束形成器进行波束形成，得到波束数据；
声功率获取模块，用于对所述波束数据的主成分数据进行定位，得到声功率数据；
声图像生成模块，用于根据所述声功率数据生成包含噪声位置的声图像。
13.一种电动汽车充电桩，其特征在于，包括：充电组件和用于为所述充电组件进行散热的风扇，还包括：存储器与处理器；
所述存储器用于存储所述处理器可执行的计算机程序；
所述处理器用于执行所述存储器中的计算机程序，以实现如权利要求1～11任一项所述的方法。
14.一种芯片，其特征在于，包括：
处理器和接口；所述处理器用于通过接口读取指令以执行权利要求1～11中任一项所述的方法。
15.一种非暂态计算机可读存储介质，其特征在于，当所述存储介质中的可执行的计算机程序由处理器执行时，能够实现如权利要求1～11任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659579.3A CN116008912A (zh) | 2022-12-22 | 2022-12-22 | 对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211659579.3A CN116008912A (zh) | 2022-12-22 | 2022-12-22 | 对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116008912A true CN116008912A (zh) | 2023-04-25 |
Family
ID=86029666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211659579.3A Pending CN116008912A (zh) | 2022-12-22 | 2022-12-22 | 对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116008912A (zh) |
-
2022
- 2022-12-22 CN CN202211659579.3A patent/CN116008912A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10607358B2 (en) | Ear shape analysis method, ear shape analysis device, and ear shape model generation method | |
| CN105467364B (zh) | 一种定位目标声源的方法和装置 | |
| US8988970B2 (en) | Method and system for dereverberation of signals propagating in reverberative environments | |
| JP6336558B2 (ja) | オーディオ再生のためのオーディオ音場表現のデコードのための方法および装置 | |
| Jarrett et al. | 3D source localization in the spherical harmonic domain using a pseudointensity vector | |
| CN112313524B (zh) | 给定声学环境中声源的定位 | |
| JP4624790B2 (ja) | 音場表現処理方法およびシステム | |
| CN113126028B (zh) | 一种基于多个麦克风阵列的噪声源定位方法 | |
| CN112712818B (zh) | 语音增强方法、装置、设备 | |
| CN111489753B (zh) | 抗噪声的声源定位方法、装置和计算机设备 | |
| CN110109058A (zh) | 一种平面阵列反卷积声源识别方法 | |
| US20190052957A1 (en) | Microphone probe, method, system and computer program product for audio signals processing | |
| Zhang et al. | Iterative regularization method in generalized inverse beamforming | |
| CN114255777B (zh) | 实时语音去混响的混合方法及系统 | |
| Pörschmann et al. | Investigating phoneme-dependencies of spherical voice directivity patterns II: Various groups of phonemes | |
| Merino-Martınez et al. | Three–dimensional acoustic imaging using asynchronous microphone array measurements | |
| CN116008912A (zh) | 对风扇噪声进行声学成像的方法和装置、电动汽车充电桩 | |
| CN107843871B (zh) | 声源定向方法、装置和电子设备 | |
| JP2009139615A (ja) | 音響再生装置、音響再生方法、音響再生プログラム、及び音響再生システム | |
| Frank et al. | Comparing vision-based to sonar-based 3D reconstruction | |
| JP4738284B2 (ja) | ブラインド信号抽出装置、その方法、そのプログラム、及びそのプログラムを記録した記録媒体 | |
| Fontaine et al. | Scalable source localization with multichannel α-stable distributions | |
| Bianchi et al. | High resolution imaging of acoustic reflections with spherical microphone arrays | |
| CN113450769B (zh) | 语音提取方法、装置、设备和存储介质 | |
| Olgun et al. | Localization of multiple sources in the spherical harmonic domain with hierarchical grid refinement and eb-music |
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 |