汽车风洞中波束成形声源识别技术应用进展(2)

图3 几种常用的优化阵列形状

阵列形状优化研究经过多年发展，技术相对比较成熟，各家声源识别系统厂商的阵列优化方案已比较完善，对阵列形状选择多出于综合性能平衡考虑。现阶段仅通过优化规则阵列形状，进一步提高工程应用性能的空间较为有限。

2.1.3 阵列大型化

声源识别系统中传声器通道的总数量是阵列性能最基本的限制条件，一定范围内，增加传声器数量能提高系统的各项性能。近年来，整车风洞中使用的传声器阵列通道数呈明显上升趋势，主流设备单个平面阵列的通道数从30～50个上升为100～200个。

阵列尺寸越大，可测量的低频截止频率越低，但系统性能尤其在高频部分将有所损失。整车风洞测试频率范围需求较宽，随着阵列通道数的提高，阵列尺寸也呈现大型化趋势[8]。

2.2 数据采样分析

2.2.1 高系统采样率

高采样率能减少复杂计算过程中的数值误差，因此与传统声学采样定律不同，波束成形声源识别的采样率越高越好，达到分析频率的十倍以上尤佳。整车风洞气动噪声源频率较宽，所以测试系统采样率普遍不小于48 kHz，较高者可达192 kHz。

2.2.2 并行计算

整车风洞测试时间成本较高，工程应用的时效性要求较短时间内得到结果。现阶段波束成形声源识别系统通道数、采样率及算法复杂程度都在不断提高，对计算机处理系统提出了更高的要求。GPU并行计算是解决此问题的有效方法，目前对于波束成形所进行的简单浮点计算，相同价格的GPU实际效率可比CPU提高5～10倍。

3 软件技术发展

3.1 高精度算法

最早用于声源识别的波束成形算法采用时域延时求和，此算法虽然简单但性能较差，后来逐步被频域波束成形即互谱延时求和[13]所取代。随着信号处理技术和计算机技术的进步，各种用于提高波束成形性能的新算法层出不穷，改进算法发展主要有以下几个方向。

反卷积法通过在传统波束成形的输出结果中进行反卷积计算，消除阵列点传播函数来提高声源识别性能。典型的反卷积算法包括 DAMAS[14]，NNLS[15]，以及一系列由此衍生的改进算法[16-17]。基于阵列点传播函数的改进算法受限于点声源的假设，存在缺陷。此外，反卷积法计算量大、收敛速度慢，限制了在工程方面的应用，虽然一些基于此的改进算法提高了计算效率，但又带来了准确性的问题。

清除法是一类增强互谱法，其基本思想是在互谱矩阵中反复剔除已确定声源所产生的互谱，以消除与该声源相关的旁瓣，进而提高识别精度，CLEAN 算法[18]是此类算法的代表。在此基础上提出的 CLEAN-SC算法[19]，通过反复在传统波束成形空间结果中移除与主瓣相干的旁瓣来清晰化声源识别结果，计算过程不需要重构阵列点传播函数，计算效率相对较高且能避免点声源假设与实际声源不同带来的误差，其缺点是无法分辨相干声源与旁瓣，因而不适合存在多个相干声源的情况。

谱分解重构法是另一类新型的增强互谱法，其基本思想是对信号互谱矩阵进行特征值分解，重构互谱矩阵函数后再进行波束成形计算。此类算法以函数波束成形法（Functional Beamforming）[20]为代表，通过互谱矩阵进行指数函数计算。此类算法在动态范围方面有较大优势，计算效率也比较高，但指数选取过高会出现幅值失真的问题。此类算法具有较大的应用前景，但成熟度略差，目前并未在工程开发中得到广泛使用。

上述将增强算法分为了3大类进行介绍，事实上各类算法之间的分界并不明显，也有融合了上述算法思想的一些新算法[21]。关于波束成形的改进算法不断推陈出新，仍有巨大的发展空间。而在现阶段的成熟算法中，CLEAN-SC算法识别精度好、计算效率高，无法分辨相干声源的局限又通过风洞气动声源的弱相干性得到了天然回避[4]，是最适合整车风洞使用的增强算法。

各种增强算法的多元化发展，在给声源识别提供更多选择的同时也带来了一个问题：波束成形通过延时求和得到的声源幅值的准确度由于算法的机理本身就较低，各种增强算法在提高声源定位精度与动态范围的同时进一步增大了幅值误差。不仅通过不同算法得到的声源点的声压级差异很大，同一种算法使用不同的计算参数设置得到的结果区别也很大。如表1所示，对同一组测试数据使用不同的算法及参数设置，得到的主次声源位置的声压级均不相同。

文章来源：《测试技术学报》 网址: http://www.csjsxbzz.cn/qikandaodu/2021/0221/505.html