基于反卷積波束形成的噪聲源識別方法研究進展

丁 浩，傅棟林，張銳之

（浙江工業(yè)大學 特種裝備制造與先進加工技術教育部/浙江省重點實驗室，浙江 杭州310014）

噪聲水平是衡量機械產品的重要環(huán)保指標，歐美國家建立了大量的相關技術標準作為市場準入的環(huán)保條件，這對國產林用機械產品的出口形成了無形的壁壘。為降低機械噪聲水平，目前主要是通過聲源識別定位方法進行噪聲源識別定位，然后采取針對性手段降噪。波束形成法具有計算快、測量方便等優(yōu)點，對靜止或運動的中高頻、遠距離聲源都有很好的識別能力［1］。傳統(tǒng)波束形成法（delay and sum beamforming，DAS）不僅在真實聲源位置輸出具有一定寬度的主瓣，還在非聲源位置輸出旁瓣，為防止過大的旁瓣導致混淆或湮滅主瓣［2］，如何控制旁瓣水平是當前國內外研究熱點［3］。2004年，美國BROOKS等［4］首先提出了反卷積波束形成法（deconvolution approach for the mapping of acoustic sources method，DAMAS），此法顯著控制了旁瓣水平，克服了傳統(tǒng)波束形成法的局限性，近10 a取得了快速發(fā)展。本文從反卷積波束形成法理論原理及現(xiàn)有反卷積波束形成法的對比這2個方面來概述。

1 反卷積算法原理

反卷積波束形成法是一種逆問題求解算法。該算法以傳統(tǒng)波束形成作為預處理，得到所有掃描點的均方聲壓值。假設對流層和剪切層折射并不影響噪聲傳播到麥克風陣列，可以得出第n個假設聲源點傳播到第m個麥克風的聲壓信號矩陣：

式（1）中：m∶n表示第n個聲源點到第m個麥克風，e為導向因子。Qn為網(wǎng)格上第n個假設聲源點的聲壓平方矩陣。首先計算：

式（2）中：m′為除m以外的任意麥克風。可得第n個假設聲源點的互譜矩陣：

式（4）中：N為總的假設聲源點數(shù)。可得掃描點的信號功率譜為：

式（5）中： 導向向量e＾=［e1e2… em0］T。 將式（3）和式（4）代入式（5）， 可得：

式（6）中： ［］n′是式（3）中的內容，n′表示聚焦的網(wǎng)格點，n表示假設聲源點。簡化后，可得：

采用高斯-賽德爾迭代法求解此線性方程得出聲源分布。在求解線性方程組時，DAMAS算法能更好地考慮不同網(wǎng)格位置的相互影響，使旁瓣變小甚至消失，呈現(xiàn)更直觀的結果［3］，能更準確地計算出聲源位置和聲源強度。即等于波束形成算法得出的均方聲壓值，可得：

2 反卷積算法的比較

在算法的旁瓣抑制能力方面，反卷積波束形成法相比于傳統(tǒng)波束形成法具有更好的旁瓣抑制能力。目前，聲源識別領域各主要算法都已經進行了大量研究對比［5,7］，研究結果表明：頻率的提高可有效改善算法的旁瓣抑制能力，且傳統(tǒng)DAS算法的旁瓣抑制能力弱于其他算法。當聲源遠離中心時，反卷積波束形成法2（DAMAS2）和基于傅里葉變化的非負最小二乘算法（FFT-NNLS）算法定位聲源失效。這主要由于DAMAS2和FFT-NNLS都基于陣列點擴散函數(shù)位移不變性假設，當聲源遠離中心時，其聲源位置已位于有效區(qū)域外，因此DAMAS2和FFT-NNLS不能對該類遠離中心的聲源點進行精準定位。XENAKI等［8］對這類算法的有效區(qū)域進行了深入研究，有效區(qū)域一般為Z軸18度角范圍內。在相干聲源情況下，基于空間相干的潔凈算法（CLEAN-SC）不能準確識別聲源，這是由于CLEAN-SC在迭代中刪除與波峰相干的聲源部分，當聲源較靠近時，其中一個聲源被當作旁瓣而被消除。楊洋等［6］也在研究中指出CLEAN-SC不適用于相干聲源。

在算法的定位精度方面，迭代算法隨著迭代次數(shù)的增加，算法的精度都有不同程度的提升，分析算法迭代次數(shù)與標準差的關系［7］。在低迭代次數(shù)時潔凈算法（CLEAN）和CLEAN-SC這2種算法的精度較高，具有較高的計算精度穩(wěn)定性，而DAMAS2，非負最小二乘算法（NNLS）和FFT-NNLS具有較大偏差，且對迭代次數(shù)不敏感，迭代次數(shù)的增加不能大幅提升其計算精度，DAMAS在高迭代次數(shù)下聲源識別性能快速迫近CLEAN和CLEAN-SC，對于迭代次數(shù)較敏感。空間分辨率的優(yōu)劣也是算法精度的重要指標,算法分辨率越高，區(qū)分較近聲源的能力就越高。通過對風機的噪聲分布研究表明［9］：DAMAS具有很高的分辨率，可以獲得出色的噪聲源分布圖，即使聲源距離較近，也能夠很好地將它們區(qū)分，CLEAN-SC也具有很高的分辨率，但由于其算法的理論原因，較近聲源，只能識別其中一個，而DAS算法分辨率較差，無法區(qū)分較近聲源，定位精度降低。

計算效率是算法能否被廣泛運用的關鍵點，表1是多種典型算法的計算時間，可得出DAS，DAMAS2，和CLEAN-SC具有較高的計算效率和實時性，其次為DAMAS、稀疏約束反卷積波束形成法（SC-DAMAS），但協(xié)方差矩陣擬合法（CMF）、稀疏約束的超分辨率反卷積波束形成算法（SC-RDAMAS）計算時間較長，不適用于實時測試。

表1 算法計算時間Table 1 Computation time of algorithms

綜上所述，主要代表性反卷積算法的特點如表2所示。

表2 主要代表性反卷積算法Table 2 Main representative algorithm

3 總結與展望

當前，反卷積波束形成算法在高頻下都具有優(yōu)秀的旁瓣抑制能力，且定位精度隨著迭代次數(shù)的上升而提高，但這些算法也存在著各自的局限性，如在計算效率，實時性，掃描范圍，適用聲源類型等方面，因此在現(xiàn)有算法的基礎上，需進一步提出更加全面的反卷積波束形成改進算法，使算法具有更好的普遍適用價值。同時，要提高聲源識別的準確性，除了選擇合適的算法，開發(fā)聲源識別性能更優(yōu)的傳聲器陣列也是一研究熱點。布置形式更加優(yōu)化、更加合理的傳聲器，使傳聲器陣列聲源識別的空間分辨率更高，最大旁瓣水平更低，有效動態(tài)范圍更大［16］。

［1］ 陳心昭.噪聲源識別技術的進展［J］.合肥工業(yè)大學學報（自然科學版），2009，32（5）：609-614.CHEN Xinzhao.Progress of techniques for noise source identification ［J］.J Hefei Univ Technol Nat Sci,2009,32（5）：609-614.

［2］ YARDIBI T,BAHR C,ZAWODNY N,et al.Uncertainty analysis of the standard delay-and-sum beamformer and array calibration ［J］.J Sound Vibr,2010,329（13）：2654-2682.

［3］ 楊洋，褚志剛，江洪，等.反卷積DAMAS2波束形成聲源識別研究［J］.儀器儀表學報，2013，34（8）：1779-1786.YANG Yang,CHU Zhigang,JIANG Hong,et al.Research on DAMAS2 beamforming sound source identification ［J］.Chin J Sci Instrum,2013,34（8）：1779-1786.

［4］ BROOKS T F,HUMPHREYS W M.A deconvolution approach for the mapping of acoustic sources （DAMAS） determined from phased microphone arrays ［J］.J Sound Vibr,2006,294（4）：856-879.

［5］ YARDIBI T,ZAWODNY N S,BAHR C,et al.Comparison of microphone array processing techniques for aeroacoustic measurements ［J］.Int J Aeroacoust,2010,9（6）：733-762.

［6］ 楊洋，褚志剛.基于CLEAN-SC清晰化波束形成的汽車前圍板隔聲薄弱部位識別［J］.聲學技術，2015，34（5）： 449-456.YANG Yang,CHU Zhigang.Weak position identification of sound insulation for car dash panel based on CLEAN-SC clearness beamforming ［J］.Tech Acoust,2015,34（5）：449-456.

［7］ CHU Zhigang,YANG Yang.Comparison of deconvolution methods for the visualization of acoustic sources based on cross-spectral imaging function beamforming ［J］.Mech Syst Sign Proc,2014,48（1/2）：404-422.doi：org/10.1016/j.ymssp.2014.03.012.

［8］ XENAKI A,JACOBSEN F,TIANA-ROIG E,et al.Improving the resolution of beamforming measurements on wind turbines ［C］//ICA.Proceedings of 20th International Congress on Acoustics.Sydney：ICA,2010：23-27.

［9］ RAMACHANDRAN R C,RAMAN G,DOUGHERTY R P.Wind turbine noise measurement using a compact microphone array with advanced deconvolution algorithms ［J］.J Sound Vibr,2014,333（14）：3058-3080.

［10］ CHU Ning,PICHERAL J,MOHAMMAD-DJAFARI A.A robust super-resolution approach with sparsity constraint for near-field wideband acoustic imaging ［C］//IEEE Computer Socirty.ISSPIT’11 Proceedings of the 2011 IEEE International Symposium on Signal Processing and Information Technology.Washington D C：IEEE Computer Society,2011：310-315.doi：10.1109/ISSPIT.2011.6151579.

［11］ DOUGHERTY R.Extensions of DAMAS and benefits and limitations of deconvolution in beamforming ［C］//AIAA Association.11th AIAA/CEAS Aeroacoustics Conference.Monterey：AIAA Association,2005.doi：org/10.2514/6.2005-2961.

［12］ EHRENFRIED K,KOOP L.Comparison of iterative deconvolution algorithms for the mapping of acoustic sources［J］.AIAA J,2007,45（7）：1584-1595.doi：org/10.2514/1.26320.

［13］ YARDIBI T,LI Jian,STOICA P,et al.Sparsity constrained deconvolution approaches for acoustic source mapping［J］.J Acoust Soc Am,2008,123（5）：2631-2642.

［14］ SIJTSMA P.CLEAN based on spatial source coherence ［J］.Int J Aeroacoust,2007,6（4）：357-374.

［15］ RüBSAMEN M,PESAVENTO M.Steering vector non-identifiability in covariance matrix fitting based beamforming［C］//IEEE Computer Socirty.Proceedings of the IEEE 7th Sensor Array and Multichannel Signal Processing Workshop （SAM）.Hoboken：IEEE Computer Socirty,2012：433-436.

［16］ 劉鵬，劉志紅，李賀，等.傳聲器陣列可視化效果影響因素研究［J］.測試技術學報,2016,30（3）：231-235.LIU Peng,LIU Zhihong,LI He,et al.Study on the influencing factors of microphone array visualization ［J］.J Test Measyr Technol,2016,30（3）：231-235.