JP2022532522A - 気流を特徴付けるための方法および装置 - Google Patents

Abstract

気流を特徴付けるための方法であって、当該気流によって生成された音響信号をマイクロフォンアレイによって受信するステップと、当該音響信号から特性情報を抽出するステップと、当該特性情報に基づいて当該気流に関する情報を決定するステップと、を含む、方法。【選択図】図１ａ

Description

本発明の実施形態は、気流を特徴付けるための方法および対応する装置に関する。広義には、本発明は、音響分析、空間音響録音、およびマイクロフォンアレイ信号処理の分野にある。特に、本発明は、マイクロフォンの近くの乱気流によって生成される、記録される風雑音に関連する。

多くの用途では、気流の速さと方向の信頼できる測定が必要であり、例えば、気象観測所、風力タービン／鉱山／飛行場の監視、およびスマートホームである。このような測定の精度は、特にセーフティクリティカルシステムにおいて非常に重要である。測定は、制約されている（ダクト／パイプの流れ）かまたは制約されていない（気象学上の風）空気の流れに関連付けることができる。気流の速さを測定するために使用される機器は、風速計と呼ばれ、一方、気流の方向は、いわゆる風向計によって測定される。両方の機器が単一のシステムに統合されている場合、それは、一般に風向風速計と呼ばれる。

風速計の実現は、さまざまな物理的原理を活用するテクノロジに基づいており、おおむね次のように分類できる。
１．機械式
２．超音波
３．熱式
４．レーザベース

しかしながら、上記で列記したデバイス類型論の各々は、スケーラビリティ（拡張性）欠如から高いコストまたは頻繁なメンテナンスまで、多様な欠点がある。最新技術の概要は、セクション２で提供される。

以下のサブセクションでは、気流の速さと方向を測定するための既存のアプローチを、最も一般的なデバイスから最も一般的でないデバイスの順に概観する。

＜機械式風速計＞
最も単純であるがしかし最も使用されている風速計は、いわゆる風杯風速計［Ｐｉｎｄａｄｏ ２０１１］であり、そこでは、水平アームを介して等しい角度で接続された３つまたは４つの半球形カップが、風にさらされるときに垂直シャフトの周りを回転する。決められた時間間隔にわたってのカップの回転の数を計算すると、平均風速が得られる。回転の数は、典型的には、回転が完了するとすぐに１つ以上のインパルスをトリガするリードスイッチを介して、電子的に計算される。風杯風速計は、風速Ｕと回転数ｆとの間の以下の線形関係を示す。
Ｕ＝γ・ｆ＋β
式中、γおよびβは、キャリブレーション（校正）係数であって、デバイスの形状に依存し、キャリブレーション過程中に定義される。より精密な分析モデルは、［Ｐｉｎｄａｄｏ ２０１４］において見出すことができる。

プロペラ風速計は、その動力学に関連する方程式が、その回転軸が水平であることを除いて風杯風速計［Ｋｒｉｓｔｅｎｓｅｎ １９９４］と同一であるため、風杯風速計に類似する。プロペラ風速計の実用的な１つの例は、市販の手持ち式風速計である。

典型的な風杯風速計またはプロペラ風速計は、風向を分析するのに十分ではない。風向計は、風の抵抗が最小となる位置へ向く垂直ブレードによって風向を測定するために使用される、機械的な機器である。方向は、典型的には、円状に均一に配置されたリードスイッチおよび抵抗器を介して電子的に計算されるのであり、機械式ブレードは、その位置に応じて１つまたは２つのスイッチを活性化するようなものである。各スイッチは、他とは異なる値の抵抗器に接続されているため、異なる風向は、異なる抵抗値にマッピングされる。

いわゆる風向風速計または風車風速計は、プロペラ風速計と風向計を組み合わせているため、速さと方向の両方を単一機器で測定できる。機械式（回転）風速計は、比較的安価で設置が容易であるが、しかし運動部品は、そのようなデバイスの形状によって引き起こされる、慣性待ち時間と風の流れの障害にさいなまれている。例えば、機械式風速計は、運動部品（カップおよびベーン）の起動トルクのために限りある時定数（応答時間）を有するのであり、風向の急激な変化、または速い突風を瞬時に測定することはできない。

この理由のため、市場で入手可能なほとんどのデバイスは、５秒以上の長さの突風を測定できる。さらに、速度超過と呼ばれる現象［Ｗｅｓｔｅｒｍａｎｎ １９９６］は、減速している流れへの応答であって、加速している流れに対して比較的遅い、応答として説明でき、風の流れの平均速度が減衰するときにその風の流れの過大評価につながる可能性がある。これらのデバイスはまた、特に低温またはほこりの多い環境にさらされる場合、氷または汚れが回転中の摩擦を大幅に増加させる場合、定期的なメンテナンスを必要とする。最後に、比較的大きなサイズの機械式風速計、ならびに速さと方向を測定するための個別のセンサの必要性は、スケーラビリティ欠如、およびスマートフォンまたはカメラのような商用デバイスへのハード統合の否定、さらには美意識の不快につながる可能性がある。機械式風速計の例は、［Ｈａｋｋａｒｉｎｅｎ １９６２］および［Ｄａｈｌｂｅｒｇ ２００５］において見出すことができる。

＜超音波風速計＞
超音波（または音波もしくは音響）風速計は、風速と風向の両方を精密かつ瞬時に測定し、広く使用されている風杯風速計に対して検知範囲が増大する。それは、実際には、周波数が２０ｋＨｚを超える超音波のインパルスまたは連続波（またはそれらの組み合わせ）をそれぞれ放出および受信する、超音波トランスデューサ（送受波器）からなる。したがって、音響という用語は、超音波に関連している。第１のアプローチとして、インパルスの放出と受信との間に生じる時間間隔に基づいて風速を分析することが可能である。第２のアプローチとして、伝播時間は、送信信号と受信信号との間の位相差を測定することによって計算される。

音は、乾燥空気（湿度０％）を仮定すると、温度に依存して特定の速度ｃで、以下の関係で伝播する。

式中、Ｔ_Ｋは、ケルビンでの気温である。流れがない場合、音の送信器（スピーカ）が、速度ｃで伝播する波を放出すると、センサ間の距離が固定されているため、受信器（マイクロフォン）は、およそ一定の時間間隔の後、インパルスまたは位相差を検知する。風の流れは、音波の伝播時間に影響を与える。風が音波と同じ方向を示す場合、送信と受信の間の時間間隔は、より短くなるが、反対方向の場合、より長くなる。流れが全くない場合の一定の時間間隔と測定された時間間隔との差に基づいて、風速を分析することが可能である。３つ以上のトランスデューサを使用する場合、異なるトランスデューサ伝播経路に沿って生じる複合のトランスデューサ伝播時間を活用するベクトルの三角測量によって、風向も分析することが可能である。１つの特定の伝播経路に関連付けられた、各測定された伝播時間は、風速ベクトルを一意に定めるのであり、３つ以上の風速ベクトル（各伝播経路に対して１つ）を組み合わせると、大きさと向きがそれぞれ風速と風向を示す合成ベクトルになるのであり、３次元空間領域においてもそうである。

超音波風速計は、回転する構成要素を有しないのであり、その結果、慣性待ち時間がシステムに全く伴わず、ほとんど瞬時の精密な測定となる。その超音波風速計を任意的に加熱してその構造内の氷の形成を防止することができる。その超音波風速計は、メンテナンスをほとんど全く必要とせず、その動作寿命の期間は、一般的な回転式風速計よりもはるかに長い。

しかしながら、超音波風速計は、トランスデューサが取り付けられているアームのシャドウイング効果にさいなまれており、特に、風の流れが伝播経路のうちの１つに平行であるときは、測定の中断につながる。その超音波風速計のサイズは、機械式風速計よりもスケーラブルであるが、しかし小さなデバイスと統合するには十分ではない。最後に、その超音波風速計のコストは、伝統的な風杯風速計よりも１０倍高くなり得、その結果、必ずしも商業的な実現のおよぶ範囲内にあるわけではない。超音波風速計の例は、［Ａｍｍａｎ １９９４］および［Ｌｏｕｃｋｓ ２００３］において見出すことができる。

＜熱式風速計＞
熱式風速計は、流れの速度と加熱された要素からの対流熱伝達との間の関係を活用する。実際的な実現は、一定の温度に電気的に加熱されるかまたは一定の電流で保たれて気流にさらされる、小さなワイヤからなる。流体の流れは、ワイヤを冷却し、ワイヤの温度／抵抗の変化は、気流の速さにマッピングできる。この関係は、非線形であり、校正（キャリブレーション）を必要とする。

この種類の風速計は、その点別の測定のおかげで、精細な空間分解能を示す。しかしながら、それは、極度にデリケートであって、風向を分析することができない。

＜レーザ風速計＞
レーザドップラ風速計（Ｌａｓｅｒ Ｄｏｐｐｌｅｒ Ａｎｅｍｏｍｅｔｅｒ：ＬＤＡ）は、高度に複雑で、非侵入的で、非常に方向感度のよい機器である。それは、流体力学の研究で特有に使用され、校正過程を全く必要としない。ＬＤＡは、可視光の光学原理、つまりドップラシフトを活用するのであり、このドップラシフトは、流体粒子の速度に比例する。それは、レーザ源によって実現されるのであり、当該レーザ源のビームは、２つの平行なビームに分割される。レンズは、流体が流れている領域で２つのビームが交差するように、当該２つのビームの焦点を合わせる。流体粒子は、光散乱を引き起こし、そのドップラシフトは、周波数において、粒子の速度に比例する。流れの方向は、異なる波長の複数のレーザビームを使用することによって分析できる。ＬＤＡは、ハイテク機器であり、したがって極めて高いコストを有する。

本発明の目的は、コスト効率、統合可能性、および精度の間のより良好なトレードオフを提供する、気流を特徴付けるための概念を提供することである。

この目的は、独立請求項の主題によって解答を見出される。

実施形態は、気流を特徴付けるための方法を提供する。本方法は、以下の基本的なステップを含む。
・気流によって生成された音響信号をマイクロフォンアレイによって受信するステップ（２つ以上のマイクロフォンからの、および／または２つ以上の時点に属する、２つ以上の音響信号）と、
・音響信号から（受信／記録された音響信号を表すオーディオ信号から）、特性情報（例えば、時間的および／もしくはスペクトルならびに／もしくは空間的情報、ならびに／または特徴）を抽出するステップと、
・特性情報に基づいて気流に関する情報を決定するステップ。

本発明の実施形態は、気流の速さと気流の方向との共通の推定が、マイクロフォンアレイ上の気流の乱流運動によって生成された受信した音響信号の分析によって達成されるという原理に基づく。（好ましい）変形形態によれば、マイクロフォンアレイは、複数のマイクロフォン（例えば、緊密な間隔の３つのマイクロフォン）を含む。このアプローチによれば、風の流れの速さと方向に依存する、記録された風雑音の空間特性が活用される。

別の実施形態は、気流を特徴付けるための装置を提供する。本装置は、マイクロフォンアレイと、音響信号分析ユニットと、推定ユニットと、を含む。マイクロフォンアレイは、気流によって生成された音響信号を受信するように構成されている。音響信号分析ユニットは、特性情報を抽出するように構成されている。推定ユニットは、特性情報に基づいて、気流に関する情報（例えば、風速および／または風向）を決定するように構成されている。この実施形態は、運動部品が全く含まれない低コストかつ小さなサイズのシステムとして実現することができる。特に、そのシステムは、既存のマルチ・マイクロフォン・システム、例えば、スマートフォンおよびアクションカメラに統合することができ、これらは、典型的には、（例えば、十分に小さいマイクロフォン距離を有する）複数のマイクロフォンを含むマイクロフォンアレイを備える。実施形態によれば、気流に関する情報は、風速Ｕおよび／または風向θ_ｗに関する情報を含む。

以下で、決定のための２つの異なる例を与える。

第１の実施形態によれば、決定するステップは、（抽出するステップを使用することによって）音響信号から抽出された、特性（時間的、スペクトル、および／または空間的）情報と、特性情報の予測されるバージョンとの相関に基づく。実施形態によれば、それぞれのバージョンは、いわゆるＣｏｒｃｏｓモデルを使用して決定されてもよい。このモデルは、以下の式によって記述され得る。

あるいは、その場限りのまたは経験的モデルのような、他のモデルが使用され得る。

Ｃｏｒｃｏｓモデルから開始する場合、決定するステップは、最小二乗（ｌｅａｓｔ－ｓｑｕａｒｅ：ＬＳ）最小化を解くことにより最適な集合（Ｕ、θ_ｗ）を計算するサブステップを含み得る。

第２の実施形態によれば、決定するステップは、特性情報としての特徴の回帰または分類に基づいてもよい。ここでは、この特徴は、（以前に）抽出された、（アルゴリズムを教えるためのトレーニング・データ・セットを使用して決定された）特徴と比較され得る。実施形態によれば、特徴は、教師あり機械学習アプローチ、深層学習アプローチを使用することによって、例えば畳み込みまたは全結合ニューラルネットワークによって、音響信号（受信／記録された音響信号を表すオーディオ信号）から抽出されてもよい。ここでは、気流に関する情報を決定は、実施形態によれば、取得された特徴を、特徴付けられた気流の測定値にマッピングすることによって実行されてもよい。

さらなる実施形態によれば、上記のアプローチ／方法は、受信した音響信号から風雑音を分離するステップを含み得る。これは、例えば、低域フィルタリングを使用することによって行われてもよい。ここでは、音響信号の周波数範囲が、選択／フィルタリングされる。選択される周波数範囲は、２０Ｈｚ～２０ｋＨｚの範囲内である。例えば、１．５ｋＨｚまたは２ｋＨｚ未満の周波数範囲が、選択されてもよい。さらなる実施形態によれば、選択される周波数範囲は、別のステップを使用して推定されてもよい。これは、本方法が、他の音響信号から風雑音を推定／抽出する専用のステップを含むことを意味する。さらなる実施形態によれば、分離することは、音響信号を時間－周波数領域または別の領域に変換することを使用することによって、実行されてもよい。したがって、この代替によれば、前処理およびマイクロフォン信号の時間－周波数領域または別の適切な領域への変換が、実行される。

さらなる実施形態によれば、本方法は、アウトライアを除去するための後処理をさらに含み得る。後処理は、アウトライアである可能性のあるものを、取得した速さと方向の測定値から除去するという目的を有する。さらに、経時的に平均化することが、実行されてもよい。

実施形態によれば、マイクロフォンアレイは、少なくとも３つのマイクロフォンを含み得る。好ましくは、マイクロフォンは、互いにかなり近くに配置される。実施形態によれば、これは、マイクロフォンアレイのマイクロフォンが、３０ｍｍ未満、２０ｍｍ未満、５０ｍｍ未満、または１０ｍｍ未満の距離で互いに離間されていてもよいことを意味する。さらなる実施形態によれば、マイクロフォンアレイのマイクロフォンは、平面配置されており、かつ／またはいわゆる自由音場において取り付けられていてもよい。

説明されるすべての態様は、上記で定義された方法内で実現され得、さらには上記の装置内で実現され得る。さらに、いくつかの方法ステップは、ソフトウェア実装され得ることに留意すべきである。したがって、別の実施形態は、上記の方法ステップのうちの１つまたはすべてを実行するための、コンピュータプログラムに該当する。

さらなる実現は、従属請求項内で説明／定義されている。その後、本発明の実施形態について、添付の図を参照しながら説明する。

基本的な実施形態による音響風速計の概略ブロック図である。 改善された実施形態による音響風速計の別の概略ブロック図である。 さらなる実施形態による風の存在の決定ステップを伴う音響風速計の概略ブロック図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 Ｃｏｒｃｏｓモデルを説明するための基準系の概略ベクトル表現を示す図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 実施形態によるＣｏｒｃｏｓモデルと比較した風雑音の空間共分散を説明するための概略図である。 超音波風速計ＡＴＭＯＳ ２２によって測定された風速および風向と比較した、好ましい実施形態で推定された風速および風向を示す表である。

以下で、本発明の実施形態について、添付の図を参照しながら次に説明する。ここで、添付の図において、同一または類似の機能を有する対象／構造に対して同一の参照番号が提供され、そのため、その説明は、相互に適用可能であるかまたは交換可能である。

図１ａは、気流ＡＦを特徴付けるための、および特に、気流ＡＦを記述する風速Ｕまたは風向θ_ｗのようなパラメータを決定するための装置を示す。参照番号１００によってマークされる装置は、例えば３つのマイクロフォン１０ａ～１０ｃを有する、マイクロフォンアレイ１０を備える。実施形態によれば、マイクロフォンアレイ１０は、平面または３Ｄマイクロフォンアレイである。

装置１００は、マイクロフォンアレイ１０から音響信号ＡＳを受信する、分析ユニット３０（ＡＳＡ）を備える。同じものが、処理を実行して、音響信号ＡＳの時間的情報および／もしくはスペクトル情報ならびに／もしくは空間的情報または音響信号ＡＳの特徴のような、受信された音響信号ＡＳの特性情報を含むデータを出力する。これらのデータは、参照番号Ｄでマークされている。

推定部／決定部と呼ばれる後続のユニット７０は、気流に関する情報、例えば風速Ｕまたは方向θ_ｗを決定するための、特性情報Ｄを受信する。

以上、構造について説明したので、その機能について説明する。

風（または生成された、気流ＡＦの気流の速さと方向）を分析するために、音響風向風速計１００が使用される。「音響」という用語は、超音波センサに関連するのではなくて、単に、記録される音響信号に関するものであることに留意すべきである。

風速Ｕおよび風向θ_ｗを測定するために、本発明の実施形態は、マイクロフォン１０ａ～１０ｃで受信された音響信号ＡＳの処理に一義的に依存する。このために、少なくとも３つのマイクロフォンを有するマイクロフォンアレイ１０は、音響信号ＡＳを受信するステップを実行する。従来技術とは対照的に、この概念は、送信器を伴わない。信号処理は、超音波範囲ではなく可聴範囲２０Ｈｚ～２０ｋＨｚで実行されるからである。

受信された信号ＡＳは、ユニットＡＳＡ３０によって時間的および／もしくはスペクトルならびに／または空間的情報を抽出するために処理される。この情報に基づいて、風速Ｕおよび風向θ_ｗを分析できる。このステップは、ユニット７０によって実行される。

複数の評価／推定の概念が可能である。第１の態様によれば、風速および風向のいわゆるモデルベースの推定が使用される。ここで、風雑音（信号ＡＳを参照されたい）の空間特性の分析が実行されて（ユニット３０を参照されたい）、例えばモデルを使用することによって生成された期待値とのそれぞれの値の相関が決定される。モデルは、Ｃｏｒｃｏｓモデルか、または風向θ_ｗもしくは風速Ｕに依存する風雑音を記述する別のその場限り（ad-hoc）のモデルであってもよい。モデルのためのこの入力パラメータは、逆に決定できるため、受信された値（参照番号ｖを参照されたい）および期待値の、決定された相関から開始して、風速Ｕおよび／または風向θ_ｗを決定または推定することができる。言い換えて表現すれば、これは、エンティティ（entity）７０が、測定された空間共分散とＣｏｒｃｏｓモデルまたは異なるモデルとの間の距離の最小化によって気流ＡＦの速さおよび／または方向を取得するために、気流ＡＦによって引き起こされる乱流様雑音の空間共分散の計算を実行することを意味する。

別のアプローチによれば、風速および風向は、特徴ベースのアプローチに基づいて推定され得る。ここでは、マイクロフォン信号の、および特に抽出された特徴の、回帰または分類が実行される。この分類の結果は、固有の特徴によって決定される。これらの特徴は、以前に決定された特徴と比較／マッピングされ得る。ここでは、以前に決定された特徴は、ラベル付けされたデータで主張されている。

エンティティ（entity）１００によって実行される処理に戻ると、特徴を抽出するための音響信号分析または畳み込みニューラルネットワークの使用がＡＳＡ３０によって実行され、そこで、最終的な分類アプローチ／マッピングが、風速Ｕまたは風向θを決定するためにエンティティ７０によって次に実行されることに留意されたい。言い換えて表現すれば、これは、手作り的な特徴または畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）によって抽出された特徴を使用して、回帰／分類を実行することを意味する。この回帰／分類は、取得した特徴を気流の速さおよび／または方向の測定値にマッピングするために教師あり機械学習または深層学習を使用することによって、実行されてもよい。

ハードウェアの観点からみると、音響風向風速計１００は、プロセッサ３０＋７０と、比較的小さいセンサ間距離（２ｃｍ未満）を有する３つ以上のマイクロフォン１０ａ～１０ｃと、膜と、からなり、平面配置されている。電子基板またはケーシングの固体形状によって引き起こされる複雑な乱流を最小化するために、マイクロフォンは、好ましくは自由音場に取り付けられる。運動（可動）部品は、全く含まれない。

以下、図１ｂに関して、改善された実施形態について説明する。

図１ｂは、音響風向風速計１００’’の改善された実施形態のブロック概要を示している。ここでは、音響信号ＡＳは、緊密な間隔のアパーチャを有するマイクロフォンアレイ１０によって測定され、定められたサンプリング周波数でサンプリングされる。前処理ブロック２は、受信した信号を時間／周波数領域、または風雑音が他の音響源から少なくとも部分的に分離される別の適切な領域に、変換する。あるいは、低域フィルタリングを適用して、受信した信号の帯域幅を特定の値にまで、例えば、風雑音エネルギーの大部分が存在する１．５ｋＨｚにまで制限することができる（Ｎｅｌｋｅ ２０１４）。異なる音源が風雑音と周波数が重複する場合、風雑音の抽出を目的とした推定アルゴリズムを実装することが可能である。例えば、（Ｓｃｈｗａｒｔｚ ２０１８）で説明されている期待値最小化（ｅｘｐｅｃｔａｔｉｏｎ ｍｉｎｉｍｉｚａｔｉｏｎ：ＥＭ）アルゴリズムを使用する。

風雑音が分離されたら、音響信号分析（ａｃｏｕｓｔｉｃ ｓｉｇｎａｌ ａｎａｌｙｓｉｓ：ＡＳＡ）が、ブロック３０において実行される。分析は、記録された風雑音の時間的、スペクトル、空間的情報に焦点を置いている。その後、ブロック４で、風速および風向に比例するかまたは風速および風向にマッピングできる関連する量が、以前の分析に基づいて計算される（つまり、特徴抽出（ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ）、ＦＥ）。取得される量と風速および風向との間の関係は、例えばモデルベースの推定に基づいて（実施形態の、モデルベースの推定を参照されたい）または教師あり機械もしくは深層学習技術を使用して取得することができる（実施形態の特徴ベースの推定を参照されたい）。上記の関係に基づいて、風速および風向の瞬間的な推定値が、ブロック６において取得される。図１ｂでは、破線は、任意的な後処理（ｐｏｓｔ－ｐｒｏｃｅｓｓｉｎｇ：ＰＰ）ステップを示しており、ブロック５で、例えばメディアンフィルタで、外れ値（アウトライア）として検知される測定値を除去して、測定値を所望の分解能で経時的に平均化することが可能であり、さらには、それは、典型的には突風と呼ばれる、速度の最大値を抽出する。

図２は、追加の決定ステップＷ？を有する音響風速計１００’’を示している（エンティティ２５を参照されたい）。ブロック２５は、図１ａのブロックスキーム１００’に追加されるのであり、そこでは、エンティティ２５は、風雑音の有無を検知するように構成されている。これは、音響信号分析に基づいて実現できる。風がない状態が起きた場合、システムは、

および

をヌルの出力値として与えることができる。

＜実施形態の風速および風向のモデルベースの推定＞
好ましい実施形態は、緊密な間隔のマイクロフォンアレイで記録された場合に、風雑音の空間特性の分析に基づいて、Ｕおよび／またはθ_ｗの推定値を提供する。空間コヒーレンスは、周波数領域での２つの信号の相関性、つまり類似性を記述する、複素数の正規化された量であり、次のように定義される。

式中、Ｙ_１（ｌ，ｋ）およびＹ_２（ｌ，ｋ）は、第１および第２のマイクロフォン信号に該当し、ｌとｋは、それぞれ時間枠と周波数ビンのインデックスを示し、Ｅ｛．｝は、期待値を示し、．＊は、複素共役を示す。音声強調および雑音低減の分野（例えば、デジタル補聴器）では、風雑音は、典型的には、無相関、つまりゼロ値のコヒーレンスを伴うと想定される。しかしながら、［Ｍｉｒａｂｉｌｉｉ２０１８］に示されているように、風雑音信号の空間コヒーレンスは、マイクロフォン距離が十分に小さい場合、流体力学モデル、つまりＣｏｒｃｏｓモデル［Ｃｏｒｃｏｓ１９６４］で近似できる。Ｃｏｒｃｏｓモデルは、次のように定義される。

式中、ω_ｋ＝２πｋＦ_ｓ／Ｋは、離散角周波数を示し、ＫとＦ_ｓは、それぞれ離散フーリエ変換の長さとサンプリング周波数を示し、ｄは、マイクロフォン距離を示し、Ｕ_ｃは、対流乱流の速さ（自由音場の風の流れＵの約８０％）を示し、α（θ_ｗ）は、風向に依存するコヒーレンス減衰パラメータを示し、次によって定義される。
α（θ_ｗ）＝α_１｜（ｃｏｓ（θ_ｗ）｜＋α_２｜ｓｉｎ（θ_ｗ）｜（３）
式中、α_１とα_２は、［Ｍｅｌｌｅｎ１９９０］において経験的に決定された縦方向と横方向のコヒーレンス減衰率をそれぞれ示す。風向θ_ｗは、マイクロフォン軸に対して定義され、そのため、０°と９０°はそれぞれ、マイクロフォン軸に平行な風の流れに直交する風の流れに対応する。図３では、さまざまな風雑音測定値の空間コヒーレンスの実部と虚部が、破線のＣｏｒｃｏｓモデルと比較されて実線で示されている。

Ｃｏｒｃｏｓモデルは、風速および風向に依存するため、上述のパラメータは、最小二乗（ＬＳ）最小化問題

を解くことにより最適な集合

を計算してマイクロフォンペア信号から推定される。
式中、時間枠Ｉは、簡潔さのために省略されたのであり、

は、（１）のように計算された測定された空間コヒーレンスを示し、γ_１２（ｋ，Ｕ，θ_ｗ）は、風速および風向に依存する理論モデルを示し（式中、Ｕ_ｃ＝０．８・Ｕ）、Κは、考慮される周波数（好ましくは低周波数範囲）を含む集合である。（１）における数学的期待値は、例えば、

を定義して

をβ∈［０，１）で計算することにより、再帰的に推定することができる。２つのマイクロフォン、またはより一般的には線形アレイを使用することにより、風向の推定におけるあいまいさが生じる。線形アレイは、θ_ｗ∈［０°，１８０°］に制限された視野（ｆｉｅｌｄ ｏｆ ｖｉｅｗ：ＦＯＶ）を示し、そのため、マイクロフォンの軸に対して対称な方向を区別することはできない。例えば、γ_１２（ｋ，Ｕ，θ_ｗ）は、同じ風速が与えられると、１５０°または２１０°の風向について同じ表現を有する。したがって、２次元アレイ、つまり平面上の２次元分布で少なくとも３つのマイクロフォンを選択することは、真の風向θ_ｗ∈［０°，３６０°］を一意に識別するために好ましい。

したがって、任意の平面形状について、Ｎ個のマイクロフォンでＣｏｒｃｏｓモデルの表現を定義することが可能である。モデルは、固定デカルト座標（ｘ，ｙ）で表現される。例えば、ｙ軸の正の方向は、真北に向けられ、ｘ軸の正の方向は、真東に向けられる。風の流れの伝播は、ベクトル

によって定義され、式中、Ｑ＝１／Ｕ_ｃであり、

は、風が流れている場所からの方向に向かって指す単位ベクトルである。したがって、波動ベクトルのノルムは、

と定義される。ｉ番目のマイクロフォンの位置ベクトルは、

で示され、そのため、

であり、

は、ｉ番目のマイクロフォンとｊ番目のマイクロフォンとの間の距離である。

モデルは、

のように書き換えることができ、ここで、減衰率は、ここでは、

によって定義され、式中、

は、ベクトル

に直交するベクトルを示す。横方向の減衰は、

の

上への直交成分の絶対値によって与えられるため、

の向きは、任意である（

に対して±９０°）。

かつ

であるため、（２）のモデルが（５）のモデルにどのように類似しているかを認めることができる。

図４は、上述の基準系を示しており、そこでは、位置ベクトル

は、明瞭さのために省略された。（５）が与えられると、各マイクロフォンペアの空間コヒーレンスを行列形式、すなわち空間コヒーレンス行列に配置することが可能である。

を書き換えて、空間コヒーレンス行列は、

によって定義され、式中、

である。

任意のアレイ形状を使用して風速および風向を分析するために、測定された空間コヒーレンス行列とＣｏｒｃｏｓモデルによって定義される行列との差によって与えられる合成誤差行列のフロベニウスノルムが、最小化される。方法は、

のように書くことができ、式中、

は、推定された風の伝播ベクトルであり、

は、行列の二乗フロベニウスノルムであり、

は、

として定義され、式中、

は、マイクロフォン観測から計算されたものである測定された空間コヒーレンス行列であり、

によって定義され、式中、

は、（１）のように計算され、

は、（５）の空間コヒーレンス行列である。このように、マイクロフォンの集合全体が、方向のあいまいさを回避して使用される。

は、すべてのマイクロフォンペアの中で一義的に決定され、したがって視野∈［０，３６０°］を拡大するからである。

この実施形態は、Ｃｏｒｃｏｓモデルで乱流をモデル化することに必ずしも制限されない。実際、乱流の統計的な圧力の空間相関関数は、［Ｃｈａｓｅ１９８０］、［Ｗｉｌｌｉａｍｓ１９８２］、［Ｓｍｏｌ’ｙａｋｏｖ１９９１］、または［Ｃａｉａｚｚｏ２０１６］におけるように、さまざまな近似でモデル化できる。さらに、制御されている環境、例えば風洞におけるキャリブレーション過程に基づいてその場限りのモデルを作ることが可能である。この実施形態の実際の適用による結果は、セクション５に示される。

＜風速および風向の、実施形態の特徴ベースの推定＞
この実施形態は、回帰または分類アプローチに基づく風速および風向の推定値を提供する。マルチチャネルのマイクロフォン信号から出発して、関連する特徴が、音響信号分析（手作り的な特徴）、またはＣＮＮの使用によって抽出される。

その後、教師あり機械学習（例えば、線形／非線形回帰もしくはサポートベクトルマシン）または深層学習（例えば、ニューラルネットワーク）技術を使用して、回帰または分類過程に取り組んで、抽出された特徴を風速および風向の定められた値にマッピングすることが可能である。分類アプローチの場合、風向は、基本的な方位によって与えられる４個、８個、または１６個の名目上のカテゴリに関連付けられたカテゴリ変数（例えば、Ｎ、Ｅ、Ｓ、Ｗ、ＮＥ、ＳＥ、ＳＷ、ＮＷなど）として扱う必要があり、一方、風速は、定められた分解能で複数のサブ範囲に離散化できる（例えば、［０～５］ｋｍ／ｈ、［５～１０］ｋｍ／ｈなど）。

トレーニングは、シミュレートおよび測定される風雑音信号によって提供される、ラベル付きデータセットを用いて監視される必要がある。シミュレートされるデータは、［Ｍｉｒａｂｉｌｉｉ２０１８］で提案されている人工的生成アプローチを使用して取得できる。測定されるデータは、機械式または超音波風速計を使用して、風雑音を記録してその後オーディオ信号を風速および風向の同時測定値と同期させて取得できる。

図５、図６、図７、および図８に関して、上記のアプローチの実際の例を与える。図３は、緊密な間隔のマイクロフォン（実線）で記録された風雑音の空間コヒーレンスの実部と虚部を、Ｃｏｒｃｏｓモデル（破線）と比較して示している。ここでは、図３ａは、９０°および１．８ｍ／ｓ（マイクロフォン距離４ｍｍ）および２０ｍｍの気流を示している。図３ｂは、０°および２．８ｍ／ｓ（マイクロフォン距離４ｍｍおよび２０ｍｍ）の気流を示している。

図４は、式（５）におけるＣｏｒｃｏｓモデル表現の基準系を示している。ここでは、ｍ１、ｍ２、およびｍ３は、マイクロフォン位置を示し、ｉｉは、風の流れの伝播ベクトルを示し、Ｅ１は、伝播ベクトルに直交するベクトルを示し、ｒ２１、ｒ３１は、マイクロフォン軸ベクトルを示す。

図５は、３０秒の屋内雑音記録によって測定された空間コヒーレンスの実部と虚部を、最良適合するＣｏｒｃｏｓモデルと比較して示している。図６は、３０秒の屋内雑音記録によって測定された空間コヒーレンスの実部と虚部を、最良適合するＣｏｒｃｏｓと比較して示している。

図７は、１秒の屋外雑音記録によって測定された空間コヒーレンスの実部と虚部を、最良適合するＣｏｒｃｏｓモデルと比較して示している。図８は、１秒の屋外雑音記録によって測定された空間コヒーレンスの実部と虚部を、最良適合するＣｏｒｃｏｓモデルと比較して示している。

このセクションでは、風雑音の屋内および屋外測定に適用される好ましい実施形態のいくつかの例を提供する。図５および図６では、屋内実験からの結果が示されている。４つの緊密な間隔のＭＥＭＳマイクロフォンの円形マイクロフォンアレイが、残響の少ない部屋で、固定ファンによって生成された気流にさらされた。円形アレイの半径は、約１ｃｍであった。ファンの出力と姿勢を制御して、気流の速さと方向の両方を変えることが可能であった。空気の流れの速さは、手持ち式風速計によって測定された。空気の流れの方向は、分度器を使用して手作業でラベル付けされた。気流の方向は、層流および平面波伝播を想定して、第１のマイクロフォンペアの軸と一致して向き付けられた。

図５および図６では、空気の流れによって引き起こされた記録された乱流雑音の空間コヒーレンスが、赤い実線で示されている。空間コヒーレンスは、３０秒の雑音記録にわたって平均化された。実施形態１のアプローチを使用して推定された空間コヒーレンスは、青い実線で示されている。図５では、１１．４ｋｍ／ｈおよび２１０°のおよそ一定の速さと方向の空気の流れの、測定された空間コヒーレンスが、推定された空間コヒーレンスと比較されて、結果として得られた推定された速さと方向が上部に示されている。同様に、図６は、７．８ｋｍ／ｈおよび１２０°のおよそ一定の速さと方向の気流の、推定された速さと方向を示している。

屋外測定は、３つの緊密な間隔のＭＥＭＳマイクロフォンの円形マイクロフォンアレイで記録された。アレイの半径は、０．７ｃｍであった。風向は、第１のマイクロフォンペアの軸に対して手作業でラベル付けされたが、風速の測定値は、入手できなかった。速さと方向のばらつきが大きいという理由から、測定された空間コヒーレンスは、１秒だけの記録にわたって平均化された。

図７および図８は、ネゲブ砂漠で、およびテルアビブのエルサレムビーチでそれぞれ記録された風雑音の、測定された空間コヒーレンスおよびＬＳ推定された空間コヒーレンスを示している。

好ましい実施形態を使用して取得された測定値を超音波風速計ＡＴＭＯＳ ２２（https://www.metergroup.com/environment/products/atmos-22-sonic-anemometer/）の読取り値と比較した追加の実験を行った。風速計の測定値は、オーディオ記録と同期させた。マイクロフォンアレイは、図４および図５で説明した実験と同じであった。風速計とマイクロフォンアレイを位置合わせしてさまざまな姿勢で固定ファンにさらしたのであり、気流のさまざまな速度と方向がもたらされた。好ましい実施形態は、気流の速さと方向を分析するために使用された。表１／図９は、（超音波風速計によって提供された）「真の速さ」および「真の方向」としての超音波風速計の測定値と、「推定された速さ」および「推定された方向」として好ましい実施形態を使用して取得された推定値との間の比較を示しており、３秒の時間間隔にわたって平均化されている。

表１は、好ましい実施形態が、どれほど、超音波風速計によって取得されるものに近い推定値を提供できるかを示している。屋内と屋外の両方の記録の追加の結果は、Ａｍｅｒｉｃａｎ Ｆｅｄｅｒａｌ Ａｖｉａｔｉｏｎ Ａｄｍｉｎｉｓｔｒａｔｉｏｎによって提供される測定値の分解能の要件（３秒の突風の時間長）に従う、推定値と追跡の速さとを示した。超音波風速計の平均価格と、提案される方法を実現するために必要な構成要素の平均価格とに基づくと、コストの面での利点は、顕著である。

いくつかの態様が、装置の文脈で説明されてきたが、これらの態様が、対応する方法の説明も表すことは明らかであり、その場合、ブロックまたはデバイスは、方法ステップ、または方法ステップの特徴に対応する。同様に、方法ステップの文脈で説明される態様は、対応するブロックもしくはアイテム、または対応する装置の特徴の説明も表す。方法ステップのいくつかまたはすべては、例えばマイクロプロセッサ、プログラム可能なコンピュータ、または電子回路のような、ハードウェア装置によって（またはハードウェア装置を使用して）実行されてもよい。いくつかの実施形態では、１つ以上の最も重要な方法ステップは、そのような装置によって実行されてもよい。

本発明の符号化されたオーディオ信号は、デジタルストレージ媒体に記憶することができ、または無線伝送媒体もしくはインターネットなどの有線伝送媒体などの、伝送媒体で送信することができる。

特定の実現の要件に応じて、本発明の実施形態は、ハードウェアまたはソフトウェアで実現することができる。実現は、それぞれの方法が実行されるようにプログラム可能なコンピュータシステムと協働する（または協働することができる）、電子的に読取り可能な制御信号が記憶されているデジタルストレージ媒体、例えば、フロッピディスク、ＤＶＤ、Ｂｌｕ－Ｒａｙ、ＣＤ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリを使用して行うことができる。したがって、デジタルストレージ媒体は、コンピュータ読取り可能であり得る。

本発明によるいくつかの実施形態は、本明細書に記載の方法のうちの１つが実行されるように、プログラム可能なコンピュータシステムと協働することができる、電子的に読取り可能な制御信号を有するデータキャリアを含む。

一般に、本発明の実施形態は、プログラムコードを伴うコンピュータプログラム製品として実現することができ、プログラムコードは、コンピュータプログラム製品がコンピュータ上で実行されるとき、方法のうちの１つを実行するために動作する。プログラムコードは、例えば、機械読取り可能なキャリアに記憶され得る。

他の実施形態は、機械読取り可能なキャリアに記憶された、本明細書に記載の方法のうちの１つを実行するためのコンピュータプログラムを含む。

言い換えれば、したがって本発明の方法の実施形態は、コンピュータプログラムがコンピュータ上で実行されるとき、本明細書に記載の方法のうちの１つを実行するためのプログラムコードを有するコンピュータプログラムである。

したがって、本発明の方法のさらなる実施形態は、本明細書に記載の方法のうちの１つを実行するためのコンピュータプログラムが記録されて含まれているデータキャリア（またはデジタルストレージ媒体もしくはコンピュータ読取り可能媒体）である。データキャリア、デジタルストレージ媒体、または記録された媒体は、典型的には、有形および／または非過渡的である。

したがって、本発明の方法のさらなる実施形態は、本明細書に記載の方法のうちの１つを実行するためのコンピュータプログラムを表すデータストリーム、または信号のシーケンスである。データストリーム、または信号のシーケンスは、例えば、データ通信接続を介して、例えばインターネットを介して転送されるように構成されていてもよい。

さらなる実施形態は、本明細書に記載の方法のうちの１つを実行するように構成または適合された処理手段、例えばコンピュータ、またはプログラマブルロジックデバイスを含む。

さらなる実施形態は、本明細書に記載の方法のうちの１つを実行するためのコンピュータプログラムをインストールしたコンピュータを含む。

本発明によるさらなる実施形態は、本明細書に記載の方法のうちの１つを実行するためのコンピュータプログラムを受信器に（例えば電子的または光学的に）転送するように構成された、装置またはシステムを含む。受信器は、例えば、コンピュータ、モバイルデバイス、メモリデバイスなどであってもよい。装置またはシステムは、例えば、コンピュータプログラムを受信器に転送するためのファイルサーバを含んでもよい。

いくつかの実施形態では、プログラマブルロジックデバイス（例えばフィールドプログラマブルゲートアレイ）を使用して、本明細書に記載の方法による機能のいくつかまたはすべてを実行してもよい。いくつかの実施形態では、フィールドプログラマブルゲートアレイは、本明細書に記載の方法のうちの１つを実行するために、マイクロプロセッサと協働してもよい。一般に、方法は、好ましくは、任意のハードウェア装置によって実行される。

上記の実施形態は、本発明の原理を単に例示するものである。本明細書に記載されている仕組みおよび詳細の修正および変形は、他の当業者には明らかであることが理解される。したがって、間近に迫った特許クレームの範囲によってのみ限定されてかつ本明細書で実施形態の記述および説明として提示された特定の詳細によって限定されないことが、意図されている。

＜参考文献＞
［Ｐｉｎｄａｄｏ２０１１］ Ｓ．Ｐｉｎｄａｄｏ，Ｅ．Ｖｅｇａ，Ａ．Ｍａｒｔｉｎｅｚ，Ｅ．Ｍｅｓｅｇｕｅｒ，Ｓ．Ｆｒａｎｃｈｉｎｉ，ａｎｄ Ｉ．Ｐｅｒｅｚ，’’Ａｎａｌｙｓｉｓ ｏｆ ｃａｌｉｂｒａｔｉｏｎ ｒｅｓｕｌｔｓ ｆｒｏｍ ｃｕｐ ａｎｄ ｐｒｏｐｅｌｌｅｒ ａｎｅｍｏｍｅｔｅｒｓ．Ｉｎｆｌｕｅｎｃｅ ｏｎ ｗｉｎｄ ｔｕｒｂｉｎｅ Ａｎｎｕａｌ Ｅｎｅｒｇｙ Ｐｒｏｄｕｃｔｉｏｎ（ＡＥＰ）ｃａｌｃｕｌａｔｉｏｎｓ．’’ Ｗｉｎｄ Ｅｎｅｒｇｙ ２０１１，１４，１１９－１３２．
［Ｐｉｎｄａｄｏ２０１４］ Ｓ．Ｐｉｎｄａｄｏ，Ｊ．Ｃｕｂａｓ，ａｎｄ Ｆ．Ｓｏｒｒｉｂｅｓ－Ｐａｌｍｅｒ，’’Ｔｈｅ ｃｕｐ ａｎｅｍｏｍｅｔｅｒ，ａ ｆｕｎｄａｍｅｎｔａｌ ｍｅｔｅｏｒｏｌｏｇｉｃａｌ ｉｎｓｔｒｕｍｅｎｔ ｆｏｒ ｔｈｅ ｗｉｎｄ ｅｎｅｒｇｙ ｉｎｄｕｓｔｒｙ．Ｒｅｓｅａｒｃｈ ａｔ ｔｈｅ ＩＤＲ／ＵＰＭ Ｉｎｓｔｉｔｕｔｅ．’’ Ｓｅｎｓｏｒｓ １４．１１，２０１４，２１４１８－２１４５２．
［Ｋｒｉｓｔｅｎｓｅｎ１９９４］ Ｌ．Ｋｒｉｓｔｅｎｓｅｎ，’’Ｃｕｐｓ，ｐｒｏｐｓ ａｎｄ ｖａｎｅｓ．’’ Ｒｏｅｓｋｉｌｄｅ，Ｄｅｎｍａｒｋ：Ｒｉｓｏｅ Ｎａｔｉｏｎａｌ Ｌａｂｏｒａｔｏｒｙ，１９９４．
［Ｗｅｓｔｅｒｍａｎｎ１９９６］ Ｄ．Ｗｅｓｔｅｒｍａｎｎ，’’Ｏｖｅｒｓｐｅｅｄｉｎｇ Ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ Ｃｕｐ Ａｎｅｍｏｍｅｔｅｒｓ Ｃｏｍｐａｒｅｄ ｔｏ ａ Ｓｉｍｐｌｅ Ｎｕｍｅｒｉｃａｌ Ｍｏｄｅｌ．’’ Ｄｅｕｔｓｃｈｅｓ Ｗｉｎｄｅｎｅｒｇｉｅ－Ｉｎｓｔｉｔｕｔ ｇｅｍｅｉｎｎｕｔｚｉｇｅ ＧｍｂＨ，１９９６．
［Ｈａｋｋａｒｉｎｅｎ１９６２］ Ｗ．Ｈａｋｋａｒｉｎｅｎ，’’Ｃｕｐ ａｎｅｍｏｍｅｔｅｒ．’’ Ｕ．Ｓ．Ｐａｔｅｎｔ Ｎｒ．３，０２０，９６３，１９６２．
［Ｄａｈｌｂｅｒｇ２００５］ Ｊ．Ａ．Ｄａｈｌｂｅｒｇ，’’Ｃｕｐ ａｎｅｍｏｍｅｔｅｒ．’’ Ｕ．Ｓ．Ｐａｔｅｎｔ Ｎｒ．６，８９５，８１２，２００５．
［Ａｍｍａｎ１９９４］ Ｓ．Ｋ．Ａｍｍａｎ，’’Ｕｌｔｒａｓｏｎｉｃ ａｎｅｍｏｍｅｔｅｒ．’’ Ｕ．Ｓ．Ｐａｔｅｎｔ Ｎｒ．５，３４３，７４４，１９９４．
［Ｌｏｕｃｋｓ２００３］ Ｒ．Ｂ．Ｌｏｕｃｋｓ，Ｒｉｃｈａｒｄ Ｂ．’’Ａｃｏｕｓｔｉｃ ａｎｅｍｏｍｅｔｅｒ ｆｏｒ ｓｉｍｕｌｔａｎｅｏｕｓ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｔｈｒｅｅ ｆｌｕｉｄ ｆｌｏｗ ｖｅｃｔｏｒ ｃｏｍｐｏｎｅｎｔｓ．’’ Ｕ．Ｓ．Ｐａｔｅｎｔ Ｎｒ．６，６０１，４４７，２００３．
［Ｎｅｌｋｅ２０１４］ Ｃ．Ｍ．Ｎｅｌｋｅ，ａｎｄ Ｐ．Ｖａｒｙ，’’Ｍｅａｓｕｒｅｍｅｎｔｓ，ａｎａｌｙｓｉｓ ａｎｄ ｓｉｍｕｌａｔｉｏｎ ｏｆ ｗｉｎｄ ｎｏｉｓｅ ｓｉｇｎａｌｓ ｆｏｒ ｍｏｂｉｌｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｄｅｖｉｃｅｓ．’’，ｉｎ Ｐｒｏｃ．Ｉｎｔｌ．Ｗｏｒｋｓｈｏｐ Ａｃｏｕｓｔ．Ｅｃｈｏ Ｎｏｉｓｅ Ｃｏｎｔｒｏｌ（ＩＷＡＥＮＣ），２０１４．
［Ｓｃｈｗａｒｔｚ２０１８］ Ｏ．Ｓｃｈｗａｒｔｚ，ａｎｄ Ｓ．Ｇａｎｎｏｔ，’’Ａ ｒｅｃｕｒｓｉｖｅ Ｅｘｐｅｃｔａｔｉｏｎ－Ｍａｘｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｎｌｉｎｅ ｍｕｌｔｉ－ｍｉｃｒｏｐｈｏｎｅ ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ．’’，ｉｎ Ｐｒｏｃ．Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ（ＥＵＳＩＰＣＯ），２０１８．
［Ｍｉｒａｂｉｌｉｉ２０１８］ Ｄ．Ｍｉｒａｂｉｌｉｉ，ａｎｄ Ｅ．Ａ．Ｐ．Ｈａｂｅｔｓ，’’Ｓｉｍｕｌａｔｉｎｇ ｍｕｌｔｉ－ｃｈａｎｎｅｌ ｗｉｎｄ ｎｏｉｓｅ ｂａｓｅｄ ｏｎ ｔｈｅ Ｃｏｒｃｏｓ ｍｏｄｅｌ．’’ｉｎ Ｐｒｏｃ．Ｉｎｔｌ．Ｗｏｒｋｓｈｏｐ Ａｃｏｕｓｔ．Ｅｃｈｏ Ｎｏｉｓｅ Ｃｏｎｔｒｏｌ（ＩＷＡＥＮＣ），２０１８．
［Ｃｏｒｃｏｓ１９６４］ Ｇ．Ｃｏｒｃｏｓ，’’Ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｔｈｅ ｔｕｒｂｕｌｅｎｔ ｐｒｅｓｓｕｒｅ ｆｉｅｌｄ ｉｎ ｂｏｕｎｄａｒｙ－ｌａｙｅｒ ｆｌｏｗｓ．’’，Ｊｏｕｒｎａｌ ｏｆ Ｆｌｕｉｄ Ｍｅｃｈａｎｉｃｓ，ｖｏｌ．１８，ｎｏ．３，ｐｐ．３５３－３７８，１９６４．
［Ｍｅｌｌｅｎ１９９０］ Ｒ．Ｈ．Ｍｅｌｌｅｎ，’’Ｏｎ ｍｏｄｅｌｉｎｇ ｃｏｎｖｅｃｔｉｖｅ ｔｕｒｂｕｌｅｎｃｅ．’’，Ｔｈｅ Ｊｏｕｒｎａｌ ｏｆ Ａｃｏｕｓｔｉｃａｌ Ｓｏｃｉｅｔｙ ｏｆ Ａｍｅｒｉｃａ，ｖｏｌ．８８，ｎｏ．６，ｐｐ．２８９１－２８９３，１９９０．
［Ｃｈａｓｅ１９８０］ Ｄ．Ｃｈａｓｅ，’’Ｍｏｄｅｌｉｎｇ ｔｈｅ ｗａｖｅｖｅｃｔｏｒ－ｆｒｅｑｕｅｎｃｙ ｓｐｅｃｔｒｕｍ ｏｆ ｔｕｒｂｕｌｅｎｔ ｂｏｕｎｄａｒｙ ｌａｙｅｒ ｗａｌｌ ｐｒｅｓｓｕｒｅ’’，Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｎｄ ａｎｄ Ｖｉｂｒａｔｉｏｎ，ｖｏｌ．７０，Ｉｓｓｕｅ Ｉ，ｐｐ．２９－６７，１９８０．
［Ｗｉｌｌｉａｍｓ１９８２］ Ｊ．Ｅ．Ｆ．Ｗｉｌｌｉａｍｓ，’’Ｂｏｕｎｄａｒｙ－ｌａｙｅｒ ｐｒｅｓｓｕｒｅｓ ａｎｄ ｔｈｅ Ｃｏｒｃｏｓ ｍｏｄｅｌ：ａ ｄｅｖｅｌｏｐｍｅｎｔ ｔｏ ｉｎｃｏｒｐｏｒａｔｅ ｌｏｗ ｗａｖｅｎｕｍｂｅｒ ｃｏｎｓｔｒａｉｎｔ．’’，Ｊｏｕｒｎａｌ ｏｆ Ｆｌｕｉｄ Ｍｅｃｈａｎｉｃｓ，ｖｏｌ．１２５，ｐｐ．９－２５，１９８２．
［Ｓｍｏｌｙａｋｏｖ１９９１］ Ａ．Ｖ．Ｓｍｏｌ’ｙａｋｏｖ，ａｎｄ Ｖ．Ｍ．Ｔｋａｃｈｅｎｋｏ，’’Ｍｏｄｅｌ ｏｆ ａ ｆｉｅｌｄ ｏｆ ｐｓｅｕｄｏ ｓｏｎｉｃ ｔｕｒｂｕｌｅｎｔ ｗａｌｌ ｐｒｅｓｓｕｒｅｓ ａｎｄ ｅｘｐｅｒｉｍｅｎｔａｌ ｄａｔａ．’’，Ｓｏｖｉｅｔ Ｐｈｙｓｉｃｓ－Ａｃｏｕｓｔｉｃｓ，ｖｏｌ．３７，ｎｏ．６，ｐｐ．６２７－６３１，１９９１．
［Ｃａｉａｚｚｏ２０１６］ Ａ．Ｃａｉａｚｚｏ，Ｒ．Ｄ’Ａｍｉｃｏ，Ｗ．Ｄｅｓｍｅｔ，’’Ａ ｇｅｎｅｒａｌｉｚｅｄ Ｃｏｒｃｏｓ ｍｏｄｅｌ ｆｏｒ ｍｏｄｅｌｌｉｎｇ ｔｕｒｂｕｌｅｎｔ ｂｏｕｎｄａｒｙ ｌａｙｅｒ ｗａｌｌ ｐｒｅｓｓｕｒｅ ｆｌｕｃｔｕａｔｉｏｎ’’，Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｎｄ ａｎｄ Ｖｉｂｒａｔｉｏｎ，ｖｏｌ．３７２，ｐｐ．１９２－２１０，２０１６．

実施形態は、気流を特徴付けるための方法を提供する。本方法は、以下の基本的なステップを含む。
・気流によって生成された音響信号をマイクロフォンアレイによって受信するステップ（２つ以上のマイクロフォンからの、および／または２つ以上の時点に属する、２つ以上の音響信号）と、
・音響信号から（受信／記録された音響信号を表すオーディオ信号から）、特性情報（例えば、時間的および／もしくはスペクトルならびに／もしくは空間的情報、ならびに／または特徴）を抽出するステップと、
・特性情報に基づいて気流に関する情報を決定するステップ。
米国特許出願公開第２００５／１３１５９１号明細書には、飛行機のような輸送手段の表面上のインシデント・フロー・ストリームの物理的特性を決定するためのシステムが、記載されている。ＭｉｒａｂｉｌｉｉおよびＨａｂｅｔｓの刊行物には、Ｃｏｒｃｏｓモデルを使用するマルチチャネルの風雑音低減が、記載されている。

Claims (19)

1. 気流を特徴付けるための方法であって、
   前記気流によって生成された音響信号をマイクロフォンアレイ（１００）によって受信するステップと、
   前記音響信号から特性情報を抽出するステップと、
   前記特性情報に基づいて前記気流に関する情報を決定するステップと、を含み、
   前記気流に関する前記情報は、風速Ｕおよび／または風向θ_ｗに関する情報を含み、
   前記情報を決定するステップは、前記音響信号から抽出された前記特性情報と、それぞれの前記特性情報の予想バージョンとの相関に基づいており、前記予想バージョンは、Ｃｏｒｃｏｓモデル、その場限りのモデル、もしくは別のモデルを使用して決定され、または、
   前記情報を決定するステップは、前記特性情報の回帰もしくは分類に基づいている、方法。
2. 前記特性情報は、時間的情報および／もしくはスペクトル情報ならびに／もしくは空間的情報ならびに／または特徴を含む、請求項１に記載の方法。
3. 前記予想バージョンは、以下の式によって記述されるＣｏｒｃｏｓモデルを使用して決定され、
   
   

   

   式中、ω_ｋ＝２πｋＦ_ｓ／Ｋは、離散角周波数を示し、ＫとＦ_ｓは、それぞれ離散フーリエ変換の長さとサンプル周波数を示し、ｄは、マイクロフォン距離を示し、Ｕ_ｃは、対流乱流の速さを示し、α（θ_ｗ）は、コヒーレンス減衰パラメータを示す、請求項１または２に記載の方法。
4. 前記気流に関する前記情報を決定するステップは、最小二乗（ＬＳ）最小化
   
   

   

   
   を解くことにより最適な集合
   
   

   

   を計算することを含み、式中、時間枠Ｉは、簡潔さにより省略されたのであり、
   
   
   

   

   は、測定された空間コヒーレンスを示し、γ_１２（ｋ，Ｕ，θ_ｗ）は、理論モデルを示す、請求項１、２または３に記載の方法。
5. 前記気流に関する前記情報を決定するステップは、測定された空間コヒーレンス行列とＣｏｒｃｏｓモデルによって定義される行列との差によって与えられる合成誤差行列のフロベニウスノルムを最小化することを含み、かつ／または前記気流に関する前記情報を決定するステップは、
   
   

   

   を計算することを含み、式中、
   
   

   

   は、推定された風の伝播ベクトルであり、
   
   

   

   は、行列の二乗フロベニウスノルムであり、
   
   

   

   は、
   
   

   

   として定義され、式中、
   
   

   

   は、前記音響信号から計算されたものである測定された空間コヒーレンス行列である、請求項４に記載の方法。
6. 前記特性情報は、教師あり機械学習アプローチおよび／もしくは深層学習アプローチを使用することによって、ならびに／または畳み込みもしくは全結合ニューラルネットワークを使用することによって抽出される、請求項１から５のいずれか一項に記載の方法。
7. 前記気流に関する前記情報を決定するステップは、取得した特徴を、特徴付けられた気流の測定値にマッピングすることによって実行される、請求項１から６のいずれか一項に記載の方法。
8. 受信した前記音響信号から風雑音を分離するステップをさらに含む、請求項１から７のいずれか一項に記載の方法。
9. 前記風雑音を分離するステップは、前記音響信号の周波数範囲を選択すること、２０Ｈｚ～２０ｋＨｚの範囲内にある周波数範囲を選択すること、２ｋＨｚ未満、１．５ｋＨｚ未満の周波数範囲を選択することを含み、かつ／または前記風雑音を分離するステップは、フィルタリングすることを含む、請求項８に記載の方法。
10. 前記風雑音を分離するステップは、前記風雑音の周波数範囲を推定するステップをさらに含み、前記周波数範囲は、選択されるべきものである、請求項９に記載の方法。
11. 前記風雑音を分離するステップは、前記音響信号を時間－周波数領域または別の領域に変換することを含む、請求項９に記載の方法。
12. 前記方法は、アウトライアを除去するための後処理をさらに含む、請求項１から１１のいずれか一項に記載の方法。
13. プログラムコードであって、コンピュータ上で実行されるとき、請求項１から１２のいずれか一項に記載の方法を実行するための、プログラムコードを有するコンピュータプログラム。
14. 気流を特徴付けるための装置（１００）であって、
    前記気流によって生成された音響信号を受信するための、マイクロフォンアレイ（１００）と、
    前記音響信号から特性情報を抽出するように構成された、音響信号分析ユニット（３０）と、
    前記特性情報に基づいて前記気流に関する情報を決定するように構成された、推定ユニット（７０）と、を備え、
    前記気流に関する前記情報は、風速Ｕおよび／または風向θ_ｗに関する情報を含み、
    前記情報を決定するステップは、前記音響信号から抽出された前記特性情報と、それぞれの前記特性情報の予想バージョンとの相関に基づいており、前記予想バージョンは、Ｃｏｒｃｏｓモデル、その場限りのモデル、もしくは別のモデルを使用して決定され、または、
    前記情報を決定するステップは、前記特性情報の回帰もしくは分類に基づいている、装置（１００）。
15. 前記マイクロフォンアレイ（１００）は、少なくとも３つのマイクロフォンを含む、請求項１４に記載の装置（１００）。
16. 前記マイクロフォンアレイ（１００）は、２０ｍｍ未満もしくは１５ｍｍ未満もしくは１０ｍｍ未満または３０ｍｍ未満の距離で互いに離間している複数のマイクロフォンを含む、請求項１４または１５に記載の装置（１００）。
17. 前記マイクロフォンアレイ（１００）は、平面配置されかつ／または自由音場において取り付けられた複数のマイクロフォンを含む、請求項１４から１６のいずれか一項に記載の装置（１００）。
18. 前記装置（１００）は、前記音響信号から風雑音を分離するように構成された、ローパスフィルタ（２）または変換ユニットを備える、請求項１４から１７のいずれか一項に記載の装置（１００）。
19. 前記装置（１００）は、アウトライアを除去するように構成された後処理ユニット（５）をさらに備える、請求項１４から１８のいずれか一項に記載の装置（１００）。

Images