汽车风洞中波束成形声源识别技术应用进展(5)

[25]HE Yinzhi，WANG Bin，SHEN Zhe，et al. Correlation Analysis of Interior and Exterior Wind Noise Sources of a Production Car Using Beamforming Techniques[C]// SAE Technical Papers，2017-01-0449，2017.

沈哲(1983-)，男，江苏苏州人。博士，工程师，主要研究方向为车辆气动噪声、风洞试验技术。

国内首个整车气动声学风洞落成十年来，国内汽车风噪测试技术取得了长足进步。基于波束成形（Beamforming）原理[1]的远场声源识别可有效辨识气动声源，是整车风洞中车外气动噪声开发的理想手段。声源识别在整车风洞中的应用场景又有其自身的特点，存在目标范围大、声源复杂、测量距离远，剪切层折射等一系列问题。早期，受限于测试条件、计算机处理能力、算法软件等客观条件，声源识别技术在汽车风洞中的测试效果并不十分理想[2-3]，在整车开发工程中的应用场景有限。近十年来，得益于计算机科学的迅猛发展以及相关改进算法的革新，声源识别系统的测量准确度和使用便利性大幅提高[4-5]，在汽车风洞试验中的使用频次逐步上升[6-7]，具有广泛的应用前景。本文对波束成形声源识别的原理、关键性能参数，以及相关研究动态和应用实践进行了综述，回顾并总结了相关技术在汽车风洞中的使用经验，以期对相关研究或工程开发提供参考。1 基本概况1.1 波束成形概述波束成形最初来源于雷达天线技术，基本原理是设置一组传感器阵列，通过信号识别技术分析波阵面到达各个传感器的时间差，利用位置差和相位差计算波来源的方向[1]。在声源识别设备中，所使用的传感器为压力型传声器，捕捉识别的是声波的波阵面。图1是用波束成型获得二维传声器阵列平面波传播方向的原理图。图1 相位传声器阵列识别声源的原理如图2 所示，波束成形声源识别系统总是存在一个主瓣指向真实声源，同时存在很多由其它波阵面干扰形成的旁瓣。图2 波束成形主瓣、旁瓣的关系主瓣和旁瓣之间的关系决定系统的主要性能指标。动态范围又称为最大旁瓣水平，表示阵列抑制非指向方向旁瓣的能力，当系统的设置量程超过动态范围时将出现由旁瓣产生的虚假声源（Ghost）。主瓣宽度决定对单个声源的定位范围，主瓣宽度越小，识别到的声源位置越准确。空间分辨率为声源识别系统识别分辨两个相邻声源的能力，由各个声源的主瓣宽度决定，当阵列声源之间的距离较远时，采用能分辨的两声源之间的最小距离来表示 整车风洞应用特点1.2.1 声源特点整车风洞中主要测试对象是汽车，与缩比模型、零部件等其它声源识别测试对象相比几何尺寸大很多，测试区域的直径通常大于5 m。汽车产生的气动噪声频率范围很宽，基本涵盖整个人耳可听声范围，且各声源随机性强、相 测试环境整车风洞为满足阻塞比要求，测试段尺寸较大，外场声源识别的测试距离较远，通常大于4 m。整车声学风洞一般都经过消声处理，通常能满足半消声室要求，即声源识别在反射声方面只需要考虑地面的影响。此外，在风洞外场测量时，声信号受到射流结构（主要是剪切层）的干扰，声源识别会产生声漂移现象，需要?工程开发要求在整车风洞进行试验测量多为以产品开发为目的的工程项目，此类项目相比科研项目有其自身特点。首先，对测试结果的时效性要求高，完成测量后短时间内需得到有效结果；其次，目的性强，在找出声源问题时，需提供相应的解决方案，对无法解决或对整体提升效果不明显的声源关注程度较低，例如，虽然前轮腔是车外最大的气动声源，但A柱、后视镜附近的声源受关注程度明显更高。2 硬件技术发展2.1 传声器阵列2.1.1 阵列形式选择平面传声器阵列对远场定位综合性能较好，但对测试环境要求更高，而整车声学风洞半消声室能很好地满足此要求。因此，整车风洞外场测量使用的均为平面型阵列。近年来，随着声源识别向三维发展[8]，开始使用包含2～3平面阵列形式的组合阵列。进行车内测量时，球形阵列能一次识别各个方向的声源[9]，由于车内空间的不规则性，需配合车内空间的三维数模使?阵列形状优化优化阵列上的传感器相对位置分布能有效提高系统性能。关于阵列形状的研究一直是学术界的热点[10-12]。图3为4种常用优化阵列形状。其中，（a）为螺旋形阵列，（b）伪随机阵列，（c）为全轮辐阵列，（d）为半轮辐阵列。这4种阵列的传感器间距均经过优化，能达到较优的动态范围与空间性能的平衡。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?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] 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 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。由表1可知，原始的波束成形算法得到的声源声压级最大，而高精度算法在提高声源空间分辨率的同时，多次消除相干旁瓣的过程也削弱了实际声源的幅值，尤其是定位精度最好的CLEAN-SC算法，在高空间分辨率的设置下，声源幅值比原始算法有明显的下降。综上，不同的波束成形算法及设置得到的幅值差异较大，在进行声源幅值横向比较时，应严格保证数据的采样率、采样时间、选用算法及设置完全保持一致。表1 不同算法得到声源声压级?3.2 剪切层修正波束成形算法基于准确的声源点到每个传声器的时延，在风洞外场进行测量时，声波因剪切层发生折射，时延随之变化，产生声漂移现象，基本原理[22]如图4所示。图4 声漂移现象产生原理其中，S表示实际声源；R’表示声静止空气中传播经过的路径；R表示声实际传播经过的路径：流场内R1在波对流作用下，声的传播方向会向流动下游偏转一定的角度，经过剪切层时因速度场变化折射，流场外R2继续传播到达阵列Ar；So表示未经修正观测到的虚假声源；S至So的距离即为声漂移量d。几何声学法是声漂移修正最常用的方法，又称Amiet方法[23]。此类方法假设流动特性各向同性，将剪切层简化成一个无限薄涡面或均匀区域，通过剪切层的边界上压力和粒子速度连续性、声线几何关系和斯奈尔声折射定律，最终可解得声线经过剪切层后的传播方向。此类方法修正值不随声源类型、频率变化，适用范围广且计算效率极高，整车风洞所使用的声源识别系统均采用此方法。但此方法也有局限性，如对声幅值的修正仅考虑声扩散，忽略了更为重要的湍流散射，以及声源区域较为复杂时定位失效的可能。射线追踪法将阵列接收到的声波通过一系列的声线（波失）表示，结合速度场反推声线经过的路线，数值积分路径计算传播时间再进行波束成形的延时求和计算[24]。此方法介于几何声学与计算气动声学（CAA）之间，精度比几何声学高且能适应各种声源形状及复杂的速度场。但声线网格较密时计算量大，尤其对整车风洞大尺寸、高精度要求的场合并不适应，此外，与其它高精度算法也存在融合性的问题。此方法也在不断更新以提高计算效率与精度，在高精度要求层面具有一定的应用前?工程应用技术3.3.1 心理声学参数整车风洞进行声源识别的最终目的是为了改善车辆的噪声性能。响度、语音清晰度等心理声学参数可更好地反映乘客的主观感受，将波束成形后的声信号进行心理声学参数计算，形成可视化成像谱图能更好地帮助工程开发。现阶段一些商用声源识别系统已开发并集成此类功能，并在风洞试验中取得了?内外相干分析在整车风洞测试中，进行声源识别的主要目的是降低车内噪声，提高车内噪声水平，通过分析车内外噪声的相干性，可有效分辨车外噪声源对车内的贡献量。具体的方法是在车内驾驶员人耳处布置参考麦克风，对波束成形识别到的外场声源进行相关分析，按相关性大小记权后生成云图[6,25]。此类方法能有效识别对车内作用明显的车外声源，找到一般波束成形中容易被忽视的声源点，如雨刮、门把手位置等。4 总结波束成形声源识别技术经过多年发展已较为成熟，十余年来在整车风洞的工程应用也日渐普及，所取得的进展归纳如下：（1）随着计算机并行计算能力的进步，阵列向高通道数、大尺寸、更高采样率发展，声源识别设备的可测空间范围和频率范围进一步提高，更能适应整车风洞使用。（2）较为完善的阵列形状设计配合各种仍在不断进步的高精度波束成形算法，大幅提高了声源识别的动态范围和空间精度，使整车风洞中弱气动声源识别更为容易实现，拓宽了工程应用的目标场景。（3）以工程应用为目的开发的系列算法与软件模块数量不断增加、功能不断完善，声源识别设备在整车风洞中的使用便利性大幅提高，可解决的问题种类也在不断拓展。波束成形声源识别在整车风洞中的使用发展趋势主要有：（1）硬件技术方面，阵列继续向着大型化、3D化发展，阵型优化将结合算法进行，系统处理能力也仍在快速发展，硬件层面对声源识别的性能限制将成为较为次要的因素。（2）软件技术方面，继续提高改进算法的空间精度与动态范围仍是技术发展的重中之重，算法的效率也需进一步提高，声源识别获得声幅值大小的准确度也值得关注。（3）使用方面，测试与数据分析处理应逐渐规范化、流程化，避免使用过程的差异带来的误差。综上所述，随着汽车行业对气动噪声开发的深入，波束成形声源识别作为一类较为新型且不断完善的测试技术，在整车风洞试验中拥有广阔的使用前景。参考文献（References）[1]HUDSON R E，YAO K，CHEN J C. Acoustic Source Localization and Beamforming：Theory and Practice[J].Eurasip Journal on Advances in Signal Processing，2003(4)：359-370.[2]SODERMAN P T，NOBLE S C. Directional Microphone Array for Acoustic Studies of Wind Tunnel Models[J].Journal of Aircraft，1975，12(3)：168-173.[3]MICHEL U. History of Acoustic Beamforming [C]//1st. Berlin Beamforming Conference，DLR，2006，[4]GADE S，HALD J.Noise Source Identification with Increased Spatial Resolution Used in Automotive Industry[J]. The Journal of the Acoustical Society of America，2012，131(4)：3220.[5]NEUGEBAUER S，R?SEL R，D?BLER D. Correlation of Parallel Car Interior and Exterior Beamforming Measurements in a Wind Tunnel[C]// INTER-NOISE and NOISE-CON Congress and Conference Proceedings，2014：189-258.[6]D?BLER D， PUHLE C， HEILMANN G. Correlation of High Channel Count Beamforming Measurement of a Car in a Wind Tunnel Using CLEAN-SC[C]// INTER-NOISE and NOISE-CON Congress and Conference Proceeding，2015，Aug. 9-12，San Francisco，California，USA.[7]贺银芝，董国旭，张涛，等. 汽车车内噪声与车外气动声源的相关性研究[J]. 汽车工程，2017，39(10)： Yinzhi，DONG Guoxu，ZHANG Tao，et al. A Study on the Correlation Between Vehicles Interior Noise and Exterior Aerodynamic Noise Sources [J]. Automotive Engineering，2017，39(10)：96-101.(in Chinese)[8]D?BLER D，OCKER J，PUHLE C.On 3D-Beamforming in the Wind Tunnel[C]// 6th Berlin Beamforming Conference，BeBeC-2016-S10，2016.[9]MASSAROTTI M，RIBEIRO Y，CAL?ADA M. Using Spherical Beamforming to Evaluate Wind Noise Paths[C]//SAE Technical Papers，2014-36-0791，2014.[10]HALD J. Combined NAH and Beamforming Using The Same Array[J]. B&K Technical Review， 2005， 1(1)：11-39.[11]NORDBORG A，WEDEMANN J，WILLENBRINK Array Microphone Configuration[C]// INTERNOISE and NOISE-CON Congress and Conference Proceedings，2000，August 27–30，Nice， VA：Institute of Noise Control Engineering，c2000：2318-2323.[12]褚志刚，杨洋，蒋忠翰. 波束形成传声器阵列性能研究[J]. 传感技术学报，2011，24(5)： Zhigang，YANG Yang，JIANG Zhonghan. Study on the Beamforming Performance of Microphones Array[J].Chinese Journal of Sensors and Actuators， 2011，24(5)：665-670. (in Chinese)[13]CHRISTENSEN J，HALD J. Improvement of Cross Spectral Beamforming[C]//INTER-NOISE and NOISECON Congress and Conference Proceedings，2003，Seogwipo，Korea. Reston VA：Institute of Noise Control Engineering，c2003：2652-2659.[14]BROOKS T F，HUMPHREYS W M. A Deconvolution Approach for the Mapping of Acoustic Sources (DAMAS)Determined from Phased Microphone Arrays[J]. Journal of Sound and Vibration，2004，294(4-5)：856-879.[15]EHRENFRIED K，KOOP of Iterative Deconvolution Algorithms for the Mapping of Acoustic Sources[J]. AIAA Journal，2007，45(7)：1584-1595.[16]DOUGHERTY R P. Extensions of DAMAS and Benefits and Limitations of Deconvolution in Beamforming[C]//11th AIAA/CEAS Aeroacoustics Conference，2005，May 23-25，Monterey，California. AIAA-2005-2961，c2005：2036-2048.[17]BROOKS T F，HUMPHREYS W M. Extension of DAMAS Phased Array Processing for Spatial Coherence Determination(DAMAS-C)[C]//12th AIAA/CEAS Aeroacoustics Conference，2006，May 8-10，Cambridge，Massachusetts. AIAA-2006-2654，c2006：3337-3354.[18]SCHWARZ U J. Mathematical-statistical Description of the Iterative Beam Removing Technique (Method CLEAN)[J]. Astronomy and Astrophysics，1978，65：345-356.[19]SIJTSMA P. CLEAN Based on Spatial Source Coherence[J]. International Journal of Aeroacoustics，2007，6(4)：357-374.[20]DOUGHERTY R P. Functional Beamforming[C]// 5th Berlin Beamforming Conference，Bellevue，USA，2014.[21]YARDIBI T，LI Jian，STOICA P，et al. Sparsity Constrained Deconvolution Approaches for Acoustic Source Mapping [J]. Journal of the Acoustical Society of America，2008，123(5)：2631-42.[22]沈哲，王毅刚，杨志刚，等. 基于剪切层扇形分层模型的射流声传播分析[J]. 同济大学学报(自然科学版)，2017，45(4)： Zhe，WANG Yigang，YANG Zhigang，et Propagation Analysis of Jet Flow Based on Stratified Fan-Shaped Shear Layer Model[J]. Journal of Tongji University(Natural Science)，2017，45(4)：596-601.(in Chinese)[23]AMIET R of Open Jet Wind Tunnel Measurements for Shear Layer Refraction[C]//AIAA Conference on the Exploration of the Outer Planets， 1975.[24]SARRADJ E. A Fast Ray Casting Method for Sound Refraction at Shear Layers[C]// 22nd AIAA/CEAS Aeroacoustics Conference， Lyon， France，2016.[25]HE Yinzhi，WANG Bin，SHEN Zhe，et al. Correlation Analysis of Interior and Exterior Wind Noise Sources of a Production Car Using Beamforming Techniques[C]// SAE Technical Papers，2017-01-0449，2017.

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