一种工业噪声环境下的噪声源定位方法

技术领域

本发明属于噪声源识别定位技术领域，尤其涉及一种工业噪声环境下的噪声源定位方法。

背景技术

噪声污染防治与人民群众生活息息相关，要严格噪声源头管理，排放噪声的工业企业需采用降噪措施，为工人们提供良好的工作环境。

目前，对噪声进行控制主要存在三个途径：噪声源的控制、传播途径的阻隔、接受者的保护。三种方法各有利弊，但从噪声源处进行控制仍然是最直接且最有效的办法，因此，需要对噪声源进行准确定位。相对于传统的声源定位方法，近年来新发展的基于传声器阵列的声源定位方法(波束形成、压缩感知)因其声场可视化的思想，使得声源定位更加直观，近年来备受关注。反卷积波束形成消除非理想PSF对波束形成输出结果的影响，达到有效降低主瓣宽度和旁瓣水平，显著提高声源识别的空间分辨率，从而被广泛运用。

反卷积波束形成声源识别方法(DAMAS)最早是由Brooks等在2006年首次提出来的，在波束形成输出量、声源源强和阵列点传播函数之间建立声学传递线性方程组，并通过高斯-赛德尔迭代法求解该线性方程组，消除了阵列点传播函数对波束形成输出量的影响，有效提高了分辨率，衰减了“旁瓣”。2007年，Ehrenfried在波束形成输出量和阵列点传播函数与声源源强之间的卷积之间建立差函数，并利用梯度投影法求解非负最小二乘解(NNLS)，从而提出了NNLS反卷积波束形成方法。为加快计算效率，同样引入了快速傅里叶变换，形成了FFT-NNLS反卷积波束形成声源识别方法。

2007年，Sijtsma通过迭代移除传统波束形成结果中与主瓣峰值对应的阵列点传播函数来清晰化声源识别结果，提出了清除(Clean)方法。同年，为了克服Clean点声源的假设，Sijtsma提出了基于同一声源产生的主瓣和旁瓣相干的清晰化(Clean-SC)方法，其原理为：在传统波束形成结果中迭代移除与主瓣相干的旁瓣，清晰化声源识别结果，计算过程中不需要计算阵列点传播函数。但Clean、Clean-SC系列算法对于声源间距小于瑞利极限的声源，会出现高旁瓣干扰或“伪声源”。

2008年，Yardibi等首次考虑了声源空域分布的稀疏性，提出了稀疏约束反卷积波束形成声源识别方法(SC-DAMAS)。为提高SC-DAMAS算法的计算效率，Padois等于2015年采用重构速度更快的正交匹配追踪算法(OMP)代替凸优化算法求解稀疏重构线性方程组，提出了正交匹配追踪反卷积波束形成声源识别算法(OMP-DAMAS)，既保证了声源空域分布的稀疏性，又显著提高了SC-DAMAS算法的计算效率，但是OMP-DAMAS算法需要预先知道噪声源个数。2018年徐亮等提出一种可用于相干声源识别的快速反卷积声源成像算法(FC-DAMAS)。2021年，初宁等提出了一种基于GPU的加速反卷积波束形成的算法，采用小维度的卷积近似PSF矩阵，提高了计算速度，然而在面对非平稳声源和运动声源时，卷积核需要不停重构，计算量会增加。

上述都是基于声源位置与传声器阵列已知的情况。然而，在冲压车间等强噪声生产作业中，经常遇到一些噪声源发声面积较大，非点声源的情况且随着加工件的不同，噪声源具体位置和强度差别很大，对一线作业工人的生理健康及心理健康影响不尽相同。充分考虑噪声源和接受者，准确估计出噪声源空间位置至关重要。因此，亟需一种工业噪声环境下的噪声源定位方法。

发明内容

本发明的目的在于提出一种工业噪声环境下的噪声源定位方法，采用基于高阶矩阵函数的自适应阈值分割反卷积波束形成的多层网格搜索算法，快速、准确的定位出噪声源位置。

为实现上述目的，本发明提供了一种工业噪声环境下的噪声源定位方法，具体包括以下步骤：

获取传声器阵列声压；

对所述传声器阵列声压的频率做互谱，并进行特征分解，获取特征分解后的信息；

基于所述特征分解后的信息，获取基于高阶矩阵函数的高阶波束形成输出；

根据所述基于高阶矩阵函数的高阶波束形成输出，利用自适应阈值分割，获取目标噪声；

对所述目标噪声进行反卷积求解，获取噪声源的预测位置：

基于所述噪声源的预测位置，测量模拟声压，获取噪声源位置。

可选的，对所述传声器阵列声压的频率做互谱，并进行特征分解，获取所述特征分解后的信息的方法为：

R＝pp

其中，R为测量面声压的互谱矩阵pp

可选的，基于所述特征分解后的信息，获取所述基于高阶矩阵函数的高阶波束形成输出之前还包括：定义初始声源纵深，构建搜索空间，并设置搜索步长。

可选的，基于所述特征分解后的信息，获取所述基于高阶矩阵函数的高阶波束形成输出包括：

设置聚焦点处对应的导向矢量；

基于所述聚焦点处对应的导向矢量，获取常规波束形成输出；

对所述常规波束形成输出进行互谱，获取高阶波束形成输出；

基于所述搜索步长，利用所述高阶波束形成输出和所述特征分解后的信息，获取所述基于高阶矩阵函数的高阶波束形成输出。

可选的，所述高阶波束形成输出为：

其中，b(r)为高阶波束形成输出，y(r)为常规波束形成输出，H表示共轭转置，M为传声器阵列个数，v(r)为聚焦点r处对应的导向矢量，p为传声器阵列所测得的声压强度。

可选的，所述基于高阶矩阵函数的高阶波束形成输出为：

其中，b

可选的，根据所述基于高阶矩阵函数的高阶波束形成输出，利用自适应阈值分割，获取所述目标噪声包括：

S1、设置初始阈值；

S2、利用所述初始阈值将所述基于高阶矩阵函数的高阶波束形成输出的声强进行划分，并计算若干均值；

S3、利用若干所述均值，更新初始阈值，获取更新的阈值；

S4、重复S2-S3，直至更新的阈值与上一次更新的阈值差值小于预设值，获取更新后的阈值，作为所述目标噪声。

可选的，基于所述噪声源的预测位置，测量所述模拟声压，获取所述噪声源位置包括：

基于所述噪声源的预测位置，通过模拟噪声传播方式，获取模拟声压；

对所述模拟声压进行互谱输出，并与实际传声器阵列的频域互谱输出做相关性，获取相关系数；

根据所述搜索步长在所述搜索空间内依次进行迭代，并获取相关系数最大点；

根据所述相关系数最大点，获取所述相关系数最大点的纵深，作为噪声源的距离；

根据所述噪声源的距离，获取所述噪声源位置。

本发明具有以下有益效果：对比传统的反卷积波束形成需要纵深才能定位噪声源位置，本发明采用多层网格搜索模型，可以在纵深未知的情况下找出纵深，且本发明引入高阶矩阵函数和自适应阈值分割，提高了噪声源定位精度；采用自适应迭代阈值分割对声压级较小的环境噪声进行预处理，仅在噪声源识别结果的准确性上提高了噪声源识别精度，更大幅度提升了计算速度；FMG-DAMAS算法适用于方阵、圆阵、L型阵列及其他面阵，在噪声源未知的情况下，能够快速的定位出噪声源的三维位置。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例一种工业噪声环境下的噪声源定位方法的流程图；

图2为本发明实施例提出的FMG-DAMAS算法整体框图；

图3为本发明实施例提出的麦克风阵列拓扑结构图；

图4为本发明实施例提出的传统波束形成技术定位声源的示意图；

图5为本发明实施例提出的非相干双声源定位声源图，其中，(a)为传统波束形成定位，(b)为Clean-SC定位，(c)为DAMAS定位，(d)为F-DAMAS定位；

图6为本发明实施例提出的分割前后反卷积计算时间折线图，其中，(a)为DAMAS分割前后计算时间的折线图，(b)为F-DAMAS分割前后计算时间的折线图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

如图1所示，本实施例提供一种工业噪声环境下的噪声源定位方法，包括以下内容：

S1、对传声器阵列声压频率做互谱，并进行特征分解：

R＝pp

其中，R为声压互谱矩阵，p为传声器阵列声压，U是特征矢量矩阵，U＝(u

S2、根据实际环境情况，定义初始声源纵深，构建搜索空间，给定合适步长在搜索空间内开始搜索；

S3、通过式(1)，利用高阶矩阵函数获取高阶波束形成输出；

令v(r)＝[v

于是，常规波束形成输出y(r)为：

其中，M为传声器阵列个数。

对式(3)的输出做互谱，得到互谱成像算法在聚焦面上聚焦点r处的输出，即高阶波束形成输出b(r)的表达式为：

根据搜索步长，利用高阶波束形成输出和特征分解后的信息，获得基于高阶矩阵函数的高阶波束形成输出b

其中，v为高阶指数。

S4、根据自适应阈值分割，舍去基于高阶矩阵函数的高阶波束形成输出中声压级较小的环境噪声，获得目标噪声，具体如下：

(1)选取初始阈值T；

(2)利用阈值T将式(5)基于高阶矩阵函数的高阶波束形成输出所求到的声强b(r)分成两部分，记为c

(3)计算c

(4)更新阈值T，T＝(μ

(5)重复(2)-(4)，直至更新的阈值与上一次更新的阈值差值小于一个预设值为止，且预设值采用经验常数；

(6)输出更新后的阈值T'，作为目标噪声。

S5、通过目标噪声，采用高斯塞德尔反卷积求解，噪声源所在大致位置x；

高斯塞德尔反卷积为：

b＝Ax (6)

其中，b为基于高阶矩阵函数的高阶波束形成输出所求的值，A为点传播函数(已知)。

S6、在大致位置处布置模拟等声源，通过模拟噪声传播方式，在测量面得到模拟声压p

S7、对模拟声压p

S8、根据搜索步长在搜索空间内依次迭代，并找出相关系数最大的点，定义该点的纵深为噪声源的距离z；

S10、根据噪声源的距离z进而得到噪声源的位置。

多层网格搜索

当只有一个聚焦面时，只能得到平面位置，无法获知其纵深信息，提出了基于高阶矩阵函数的自适应阈值分割反卷积波束形成的多层网格搜索算法(FMG-DAMAS)。FMG-DAMAS算法采用多层网格搜索结合GCC去寻找纵深，然后采用高阶反卷积波束形成去确定三维位置。该算法整体框图如下图2所示，阵列接收到的声压先做个互谱，接着定义搜索空间、搜索步长，在搜索空间内，按照步长依次进行高阶互谱波束形成输出，对输出在进行自适应迭代阈值分割，分割后的数据做反卷积求解，求解出来的声源位置处放置模拟等声源，模仿噪声传播模型，在测量面获得模拟声压，将模拟声压做互谱处理，模拟声压互谱与实际传声器阵列声压互谱做相关，选取相关系数大于相关系数阈值的点，输出结果即为噪声源的三维位置。

实验验证

模拟产生信号都为冲压噪声，频率为2000Hz，超噪比ENR＝34dB，采样频率22050Hz，声速340m/s。坐标原点位于阵列中心，采用阵元为8的均匀圆阵，阵元间距为0.25m，阵列拓扑结构如图3所示，其中黑色圆点代表麦克风。

基于高阶矩阵函数的反卷积波束形成

数值仿真中，测量面、聚焦面的分布如图4所示。假设在空间坐标为(-0.1，-0.2)(0.1，0.1)处有两个频率为2000Hz的不相干噪声源；测量面为8个均匀分布的圆阵，阵元半径为0.25m；聚焦平面大小为2m×2m，与测量面平行，距离聚焦面为1.5m，在聚焦面上沿x轴、y轴均匀划分51×51个聚焦点，聚焦点间距为0.04m。

如图5所示，图5(a)为传统波束形成定位，传统波束形成只能大致定位噪声源的位置；图5(b)为Clean-SC定位，对于噪声源距离小于瑞利距离，定位会出现伪峰；图5(c)为DAMAS定位，结果也出现了伪峰；图5(d)为F-DAMAS定位，对比前三种明显能够准确定位出噪声源。对于传统波束形成，反卷积类的波束形成在抑制旁边基础上缩减主瓣宽度，提高了噪声源定位的精度。而对于改进的高阶DAMAS，利用高阶指数的集聚扩大了主瓣与旁瓣的相对大小，抑制了旁瓣，使得定位更加精确。

基于自适应阈值分割的反卷积波束形成

在CPU为AMD Ryzen 74800H with Radeon Graphics@2.90GHz，内存为16GB的笔记本上，DAMAS、F-DAMAS(10阶)、自适应分割后DAMAS和自适应分割后F-DAMAS(4阶)的计算时间如表1所示。

表1

绘制成折线图如图6所示，图6(a)为DAMAS分割前后计算时间的折线图；图6(b)为F-DAMAS分割前后计算时间的折线图。基于表1和图6分析，对分割前后的反卷积计算的时间求均值，DAMAS在分割后，计算时间缩短了87％左右；F-DAMAS在分割后，计算时间也缩短了87％左右。由此可得，自适应阈值分割后，无论是DAMAS还是F-DAMAS算法，计算时间都大大缩短，提有效高了计算效率。

多层网格搜索

假设初始搜索纵深为1.7m，搜索范围为1.7-2.3m，步长为0.06m，则多层网格搜索定位数据如表2所示。

表2

从表2的数据分析能够看出，基于GCC的多层网格搜索纵深能够定位纵深，然而定位纵深的精度由搜索步长控制，再搜索出的纵深处定位出的噪声源位置。针对序号3数据分析，实际声源的波达角为(17.4813，-15.3098)，而FMG-DAMAS搜索出的波达角为(17.5199，-15.3442)，由此可见定位误差在0.3％以下，证明了FMG-DAMAS的适用性。

针对强噪声的如冲压车间等实际工业生产环境，在反卷积波束形成的基础上，针对车间生产线的噪声源位置未知提出了基于高阶矩阵函数的自适应阈值分割反卷积波束形成的多层网格搜索的噪声源定位算法(FMG-DAMAS)。为提高噪声源定位精度，该算法首先对传声器阵列的互谱矩阵进行特征分解，进而滤除较小特征值对应的可能噪声成分，构造高阶矩阵函数对反卷积波束形成输出的互谱进行优化；其次，为缩短算法计算时间，采用自适应迭代阈值分割对声压级较小的环境噪声进行预处理；最后，考虑到传统的反卷积波束形成需要噪声源的先验知识，而在实际环境中，由于噪声源的纵深是未知的，故而构建了穷举搜索模型，结合广义互相关法(GCC)寻找纵深，进而确定噪声源的三维位置。实验结果表明，该算法针对车间强噪声环境，在噪声源声源定位性能和实用性方面都更具优势，更适于在实际工程中应用。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。