2. 西安艾科特声学科技有限公司, 陕西 西安 710068
有源噪声控制(active noise control, ANC)是基于声波相消性干涉原理的低频降噪技术。影响ANC系统降噪性能的因素很多,除控制算法之外,次级声源布局(个数和空间位置)是另一决定性因素[1]。目前在实际工作中,次级声源布局问题基本上通过大量的现场调试解决,相关工作效率极低,导致研制周期变长,严重阻碍了ANC技术的推广应用。
选择次级声源布局的难点在于存在大量备选位置。解决该问题的一般方法是将其看作组合优化问题,即从所有可能的布局中选择性能最优(降噪量大、鲁棒性好)的方案,人们通常采用遗传算法、模拟退火(simulated annealing,SA)算法等所谓自然算法[2]进行搜索。由于次级声源和误差传感器之间的声传递阻抗(acoustic transfer impedance,ATI)矩阵包含了布局信息,可以通过构造ATI矩阵来进行布局优化。例如Asano等[3]以ATI向量线性独立为目标,利用Gram-Schmidt正交化(GSO)方法逐个选择次级声源。Khalilian等[4]通过奇异值分解先设计"理想ATI矩阵",再逐个选择次级声源使得ATI矩阵逼近该理想矩阵。声场再现研究中还引入了稀疏正则化方法,通过求解稀疏线性回归问题选择扬声器位置[5-6]。此外,研究者们还提出了许多其他方法,如子集选择方法[7]、约束匹配追踪[4, 8]等。
目前的次级声源布局优化方法往往只关注离散点的降噪需求,空间区域降噪效果可能不理想;此外需要预先确定误差传感器的位置,这导致次级声源与误差传感器的布局在某种意义上相互耦合,难以获得最优布局结果。耦合问题可以采用联合优化方法解决[9-10]。Martin和Roure[11]提供了另一种思路,针对自由空间声辐射控制问题,首先利用球谐函数展开将初级声场解析表达,通过球谐函数和多极子源之间的对应关系确定次级声源布局,然后应用遗传算法优化误差传感器布局,这样将二者的优化分离开来。类似地,文献[12]中对于二维自由空间利用声场的波域(柱谐域)[13-14]信息优化次级声源布局,解除了对误差传感器位置的依赖,同时以区域声势能作为控制目标。虽然所选布局在误差点降噪效果不如空间域搜索方法,但在空间声势能降噪量和系统鲁棒性方面表现更优。
本文将文献[12]的工作拓展到三维封闭空间,利用声场的平面波分解构造波域ANC代价函数,进行次级声源布局优化。以刚性壁矩形封闭空间为对象,仿真对比2种传统的空间域方法,并讨论所提方法在实际中的布局优化效果和相关问题。
1 空间域次级声源布局问题对于封闭空间单频声场的ANC,陈述空间域中的次级声源布局问题,定义评价布局性能的4个指标。
假设L个次级声源和M个误差传感器, 其布局分别为{rl}l=1L和{rm}m=1M。在误差传感器处测得的残余声压是初级声压和次级声压的叠加, 为
(1) |
式中:pp和pr分别为M×1的初级和残余声压向量;Z是M×L的ATI矩阵;q为L×1的次级声源强度向量。
空间域ANC的代价函数为误差传感器处残余声压平方和, 即
(2) |
式中:(·)H表示共轭转置;‖·‖2是L2范数。假设(2)式方程组超定(M>L), 则最优次级声源强度为q=-(ZHZ)-1ZHpp, 由此获得该布局下的降噪量为[2]
(3) |
Δ仅说明M个误差传感器位置的降噪量, 下面定义另外3个常用的布局性能指标:
1) ATI矩阵的条件数κ(Z)
定义κ(Z)=‖Z‖2‖Z-1‖2, 若κ(Z)很大, 则ATI矩阵呈病态, ANC系统对外界摄动敏感。
2) 控制功率P
定义P=qHq, 是次级声源输出功率的量度。若P过大, 会导致控制区域外声级增大, 还会引起扬声器的非线性响应。
3) 空间声势能的降噪量ΔE
表示整个封闭空间的降噪量, 只与次级声源的布局和强度有关。虽然实际中无法直接测量, 但对于简单形状的封闭空间可以利用模态叠加方法进行解析计算[1]。
通过以上叙述可知, 在空间域, 对于某个次级声源布局, 一旦误差传感器布局预先给定, 即可估计其降噪性能。将误差传感器处的初级声压pp和相应的所有备选次级声源的ATI矩阵Zc统称为布局优化的"空间域先验信息"。传统的空间域布局优化方法即利用pp和Zc数据, 通过具体的优化算法(如SA、GSO等)选择次级声源布局, 如图 1所示。
2 波域次级声源布局优化利用随机分布的传声器测量声场, 经平面波分解获得初级声场和各备选次级声源的波域信息, 构造波域代价函数, 进行次级声源布局优化。
2.1 基于平面波分解的波域先验信息获取根据平面波分解, 封闭空间声场s(r)可以近似展开为一系列平面波的叠加, 这样s(r)可由对应的平面波幅值(plane wave amplitude, PWA)近似表征[15]。这些PWA不包含空间位置信息。实际中, 常用随机分布的传声器测量获取声场的PWA。需要说明, ANC关心的局部区域一般远离壁面, 因此分解中的倏逝波成分可以忽略[16]。
2.1.1 初级平面波首先利用Q个传声器采样初级声场, 假设平面波基的离散平面波个数为R, 由下式计算初级PWA
(4) |
式中:wp为R×1的初级PWA向量;sp为Q×1的采样声压向量;H是Q×R的平面波分解矩阵, 其元素表达式见文献[15];(·)†表示伪逆。
2.1.2 单位次级平面波给定L个次级声源, 以第l个强度为ql的次级声源单独发声为例, 同样用Q个传声器做采样, 相应的次级PWA为ws, l= H†ss, l= H†zlql, 其中zl是该次级声源到Q个传声器之间的ATI向量。因此L个次级声源产生的次级声场的次级PWA为
(5) |
式中:R×L的矩阵Γ称为单位次级PWA矩阵, 其第l列为γl=H†zl, 解释为第l个次级声源发声强度为1 m3/s时的次级PWA。(5)式给出了次级PWA和次级声源强度之间的关系。
2.2 波域代价函数以残余PWA的平方和为代价函数, 即
(6) |
(6) 式只涉及次级声源布局信息, 与误差传感器位置无关。由于一般有R>L, 因此最优次级声源强度为qWD=-(ΓHΓ)-1ΓHwp, 进而可以类似(3)式计算该布局下PWA的衰减量。对比(2)式以最小化误差传感器处残余声压为目标, (6)式利用的残余PWA更能反映控制区域的全空间信息, 是面向空间降噪的控制目标。
2.3 次级声源布局优化2.1小节获得了布局优化的波域先验信息, 初级PWA向量wp和单位次级PWA矩阵Γ, 均不涉及误差传感器位置信息。之后便可应用具体的布局优化算法选择次级声源布局(见图 1), 本文采用简单的SA搜索, 方法标记为WD-SA。
需要强调, 虽然波域方法利用(6)式的代价函数, 选出使得残余PWA平方和最小的次级声源布局, 但由于实际中采用空间域控制, 因此评价所选布局的降噪性能仍需给定误差传感器位置, 再计算第1节介绍的4个指标。
3 仿真结果与讨论仿真采用的模型为刚性壁矩形封闭空间, 如图 2所示(同文献[2]), 尺寸为6 m×2.2 m×2.2 m。以空间几何中心为原点, 初级声源位于(-3, 0, 0.6)。33个备选次级声源和32个误差传感器的位置设置参考文献[2]。
3.1 PWA解析值的理论结果首先考查当获知波域先验信息真实值时, WD-SA的优化结果。在刚性壁矩形封闭空间中, 对于单极子产生的声场, 容易推导其PWA解析值。
假设单频f下, 位于r′处强度为q的单极子发声产生空间声场, 由模态理论, 任一点r处的声压可近似为[17]
(7) |
式中:k=2πf为波数,
由于矩形腔中各模态可以看作8个平面波的叠加[16], 因此(7)式进一步写为
(8) |
式中:(°)为Hadamard积;kn是第n阶特征波矢[n1π/lx, n2π/ly, n3π/lz]T; uι是如下符号矩阵U的第ι列
由(8)式可得第n阶声模态对应的8个PWA解析值
(9) |
及其传播方向(φ, θ)
(10) |
式中:φ为方位角;θ为天顶角。
利用(9)和(10)式, 可计算单极子激励下矩形封闭空间声场的PWA解析值及其方向, 从而获取波域先验信息wp和Γ, 进行次级声源布局优化。本文算例中截取前500阶声模态, 得到4 000个平面波。需要强调, 各阶声模态对应的平面波的波数不相同, 即使传播方向一致, 也无法合并。
同文献[2], 考查88和176 Hz这两阶桨叶通过频率, 比较WD-SA和传统的2种空间域方法, 分别标记为SD-SA和SD-GSO。SA算法的参数设置参考文献[2], 初始温度为0.9, 冷却系数为0.98, 搜索重复运行20次取平均结果。GSO算法的具体流程见文献[3]。
图 3和图 4分别给出了2个频率下3种布局优化方法(SD-SA、SD-GSO、WD-SA)所选布局(针对不同激励次级声源个数L)的性能指标。可见, SD-SA在误差传感器处的降噪量Δ最大, 因为其优化目标即使得Δ最大。SD-GSO所选布局的各指标表现较劣。三者的ATI矩阵条件数κ(Z)相差不大。WD-SA虽然Δ不如SD-SA, 但能获得明显更好的空间声势能降噪量ΔE, 同时所需的控制功率P更小。
3.2 PWA测量估计值的结果3.1小节探究了波域先验信息解析值下的布局优化效果, 但实际中只能通过传声器现场测量来估计wp和Γ(如2.1小节介绍)。本文采用Q=100随机分布的传声器(称为一个传声器组)采样封闭空间声场, 并附加信噪比30 dB的零均值高斯噪声作为环境摄动。另外, 平面波方向的解析值也难以获知, 需通过求解Thomson问题, 在球面上均匀选取R个离散传播方向[15], 组成平面波基。由于传声器随机布放, 不同随机位置可能会产生影响, 因此考查50组传声器组。激励次级声源个数L设置为8, SA算法重复运行20次取平均结果。
图 5给出了88 Hz下利用PWA测量估计值计算的WD-SA所选布局的降噪量指标, 实线表示的相同信噪比下SD-SA的20次搜索平均结果作为参考。可以看到, WD-SA能达到更优的ΔE, 但不同随机位置的传声器组的结果相差很大。差异与传声器组对PWA的估计误差有关。离散平面波个数R对结果的影响没有明显规律, 可选取较小的R以减少计算量。
由于真实的平面波方向难以获知, 因此无法直接计算PWA的估计误差。为此, 这里利用PWA进一步做声场重构, 计算重构声场的相对平均误差(RME)来间接考查PWA的估计精度, 定义如下[18]
(11) |
式中, s和
图 6给出了初级PWA和单位次级PWA对应的重构RME。同样看到R影响较小。为便于观察, 设置图 6a)纵轴为对数尺度, 发现不同传声器组的初级声场重构RME不同, 但大多数在0.1以下, 差异不大。对于各备选次级声源的单位次级声场, 同一传声器组得到的重构RME差异很大, 虽然大多数在0.3以下, 但一些组个别次级声源甚至超过0.5。这是因为不同位置备选次级声源产生的单位次级声场不同, 同一传声器组在不同待测声场下的重构能力不尽相同。对于不同传声器组, 单位次级声场重构RME分布也很不相同。因此, 需要针对具体的待测声场, 选择较优的传声器组做采样。
联合图 5和图 6, 对比R=100下的第13组和第50组传声器组, 前者的降噪效果远优于后者, 但观察图 6, 前者的重构RME劣于后者, 其中初级PWA的重构RME分别为0.084和0.057;对于单位次级PWA的重构RME, 第13组存在7个在0.21以上, 而第50组全部小于0.21。这说明重构RME并不完全对应波域先验信息估计值的布局优化性能。可能的原因是重构RME不能等价于PWA估计误差; 或者是不同次级声源的声场贡献作用不同, 因而其重构RME对布局优化的影响也不同, 对于作用小的次级声源, 即使其单位次级PWA的重构RME很大, 也不会产生影响; 也与波域代价函数的布局优化目标和空间域控制的不匹配有关。
4 结论本文利用封闭空间声场的平面波分解构造波域ANC代价函数, 优化次级声源布局。主要结论如下:
1) WD-SA利用波域先验信息(初级声场PWA和各备选次级声源的单位次级声场PWA)优化次级声源布局, 不涉及具体的误差传感器位置信息。以残余声场PWA平方和作为代价函数, 是一种面向全局控制的目标函数, 所选布局相比空间域方法能获得更好的空间声势能降噪效果。
2) 实际应用WD-SA需要预先利用传声器采样封闭空间声场, 估计其PWA, 通过PWA估计值所选的布局可以达到比空间域方法更好的空间声势能降噪量。PWA估计精度影响WD-SA的布局优化效果, 其与客观存在的待测声场和传声器位置有关。
3) 下一步研究需关注如何提高PWA估计精度, 深入探究PWA估计误差对布局优化结果的影响, 并进行实验验证。
[1] |
陈克安. 有源噪声控制(第2版)[M]. 北京: 国防工业出版社, 2014.
CHEN Kean. Active noise control (2nd ed.[M]. Beijing: National Defense Industry Press, 2014. (in Chinese) |
[2] | BAEK K, ELLIOTT S J. Natural algorithms for choosing source locations in active control systems[J]. Journal of Sound and Vibration, 1995, 186(2): 245-267. DOI:10.1006/jsvi.1995.0447 |
[3] | ASANO F, SUZUKI Y, SWANSON D. Optimization of control source configuration in active control systems using Gram-Schmidt orthogonalization[J]. IEEE Trans on Speech and Audio Processing, 1999, 7(2): 213-220. DOI:10.1109/89.748126 |
[4] | KHALILIAN H, BAJIC I V, VAUGHAN R G. Comparison of loudspeaker placement methods for sound field reproduction[J]. IEEE/ACM Trans on Audio, Speech, and Language Processing, 2016, 24(8): 1364-1379. DOI:10.1109/TASLP.2016.2556860 |
[5] | LILIS G, ANGELOSANTE D, GIANNAKIS G. Sound field reproduction using the lasso[J]. IEEE/ACM Trans on Audio, Speech, and Language Processing, 2010, 18(8): 1902-1912. DOI:10.1109/TASL.2010.2040523 |
[6] | GAUTHIER P A, LECOMTE P, BERRY A. Source sparsity control of sound field reproduction using the elastic-net and the lasso minimizers[J]. Journal of the Acoustical Society of America, 2017, 141(4): 2315-2326. DOI:10.1121/1.4979260 |
[7] | RUCKMAN C E, FULLER C R. Optimizing actuator locations in active noise control systems using subset selection[J]. Journal of Sound and Vibration, 1995, 186(3): 395-406. DOI:10.1006/jsvi.1995.0458 |
[8] | LIU J, WANG X, WU M, et al. An active control strategy for the scattered sound field control of a rigid sphere[J]. Journal of the Acoustical Society of America, 2018, 144(1): 52-58. DOI:10.1121/1.5046446 |
[9] | KOYAMA S, CHARDON G, DAUDET L. Optimizing source and sensor placement for sound field control: an overview[J]. IEEE/ACM Trans on Audio, Speech, and Language Processing, 2020, 28: 696-714. DOI:10.1109/TASLP.2020.2964958 |
[10] | MANOLAS D A, BORCHERS I, TSAHALIS D T. Simultaneous optimization of the sensor and actuator positions for an active noise and/or vibration control system using genetic algorithms, applied in a dornier aircraft[J]. Engineering Computations, 200, 17(5): 620-630. |
[11] | MARTIN T, ROURE A. Optimization of an active noise control system using spherical harmonics expansion of the primary field[J]. Journal of Sound and Vibration, 1997, 201(5): 577-593. DOI:10.1006/jsvi.1996.0782 |
[12] |
陈克安, 胥健, 王磊, 等. 基于声场分解和稀疏正则化的二维空间次级声源布局优化[J]. 西北工业大学学报, 2019, 37(4): 697-703.
CHEN Kean, XU Jian, WANG Lei, et al. Optimization of secondary sources configuration in two-dimensional space based on sound field decomposition and sparsity-inducing regularization[J]. Journal of Northwestern Polytechnical University, 2019, 37(4): 697-703. (in Chinese) DOI:10.3969/j.issn.1000-2758.2019.04.008 |
[13] | BETLEHEM T, ABHAYAPALA T D. Theory and design of sound field reproduction in reverberant rooms[J]. Journal of the Acoustical Society of America, 2005, 117(4): 2100-2111. DOI:10.1121/1.1863032 |
[14] | ZHANG W, ABHAYAPALA T D, BETLEHEM T, et al. Analysis and control of multi-zone sound field reproduction using modal-domain approach[J]. Journal of the Acoustical Society of America, 2016, 140(3): 2134-2144. DOI:10.1121/1.4963084 |
[15] | VERBURG S A, FERNANDEZ-GRANDE E. Reconstruction of the sound field in a room using compressive sensing[J]. Journal of the Acoustical Society of America, 2018, 143(6): 3770-3779. DOI:10.1121/1.5042247 |
[16] | MIGNOT R, CHARDON G, DAUDET L. Low frequency interpolation of room impulse responses using compressed sensing[J]. IEEE/ACM Trans on Audio, Speech and Language Processing, 2014, 22(1): 205-216. DOI:10.1109/TASLP.2013.2286922 |
[17] | HANSEN C, SNYDER S, QIU X, et al. Active control of noise and vibration (2nd ed.)[M]. Boca Raton: CRC Press, 2012. |
[18] | WANG Y, CHEN K. Sparse plane wave decomposition of a low frequency sound field within a cylindrical cavity using spherical microphone arrays[J]. Journal of Sound and Vibration, 2018, 431: 150-162. DOI:10.1016/j.jsv.2018.06.014 |
2. Xi'an ACT Acoustic Science and Technology Co., Ltd, Xi'an 710068, China