CN112179482B - 一种轨道车辆车内噪声源识别方法及*** - Google Patents
一种轨道车辆车内噪声源识别方法及*** Download PDFInfo
- Publication number
- CN112179482B CN112179482B CN202011033687.0A CN202011033687A CN112179482B CN 112179482 B CN112179482 B CN 112179482B CN 202011033687 A CN202011033687 A CN 202011033687A CN 112179482 B CN112179482 B CN 112179482B
- Authority
- CN
- China
- Prior art keywords
- sound source
- position information
- source position
- frequency
- sound
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种轨道车辆车内噪声源识别方法及***,在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内不同位置的声压数据;对声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次声源频率得到N组声源频率;将统计M次得到的M*N组声源频率作为神经网络模型的输入,输出M*N组声源位置信息;按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息所指示的声源为统计区间内的噪声源的位置。从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
Description
技术领域
本发明涉及噪声源识别技术领域,尤其涉及一种轨道车辆车内噪声源识别方法及***。
背景技术
目前针对表面噪声的识别存在多种多样的方式,具体包括声强法、近场声全息技术、平面相控阵列技术和球型相控阵列技术等。不同的表面噪声识别技术适用于不同的场合。
声强法即使用声强探头对测量面上网格点逐一进行测量,进而对噪声源进行准确定位。这不仅使得声强法测量复杂,测量时间较长,并且被测声源必须是稳态和非移动的,这也使得声强法有很大的局限性。
近场声全息技术通过测量声源近场全息面上的复声压或质点振速,利用空间声场变换算法重建出声源的表面声压、法向振速和整个三维声场中任意点处的声压、声强等声学量,进而对噪声源进行精确的识别和定位。该方法要求全息测量面必须很靠近声源表面,要小于最小声波波长的一半,当声源有很高频率成分时,会使测量变的十分复杂。
平面相控阵列技术将一定几何形状排列的多元基阵各阵元的输出进行加权、延时、求和等处理,增强特定方向上的有用信号,衰减其它方向上的干扰信号,形成一定的空间指向性,进而确定噪声源的位置。但是,平面相控阵列技术由于受到传声器布置的限制,仅能分析在平面传声器阵列前方的一个受限声场区域,不能定位其他方向的噪声源。
球型相控阵列技术基于声压球谐函数角度分解的球面波束形成声源识别技术,由于其特殊的球对称结构使其能够对三维空间所有方向进行声源定位,且测量速度高,能够同时识别入射噪声和反射噪声,可以用于任意的声场环境(消声室或非消声室),对于稳态和瞬态的声源都可以进行测量。但是,其识别过程比较负责,且计算量比较大。如果有大量的数据需要进行识别时,效率会明显降低。
由此可知,现有的表面噪声识别技术要么基于各自的特性适用于不同的场合,并不通用,要么虽然通用,但是在数据量大的情况下效率比较低。
发明内容
有鉴于此,本发明实施例提供一种轨道车辆车内噪声源识别方法及***,以实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
为实现上述目的,本发明实施例提供如下技术方案:
本发明第一方面公开了一种轨道车辆车内噪声源识别方法,所述方法包括:
在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内的声音,得到所述轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风;
对所述声压数据进行球傅里叶变换处理,得到对应的声源频率;
每隔预设区间统计一次所述声源频率,得到N组声源频率,每一所述球面麦克风对应一组声源频率,N为所述球面麦克风的个数,取值为大于等于1的正整数;
将统计M次得到的M*N组声源频率作为神经网络模型的输入,在所述神经网络模型中对所述M*N组声源频率进行处理,输出M*N组声源位置信息,所述神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到,M的取值为大于等于1正整数;
按照所述声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;
由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
优选的,还包括:
基于所述第一声源位置信息生成统计区间内的噪声源位置分布报告,所述噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图;
基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图。
优选的,所述得到M*N组新的声源位置信息之后,还包括:
集合位于同一测试区域的新的声源位置信息;
针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图;
针对每一声源位置报告,选取所述声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
优选的,所述由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置,包括:
集合位于同一测试区域的新的声源位置信息;
针对每一测试区域,在所集合的新的声源位置信息中,选取对应的声源频率超过预设声源频率的声源位置信息作为第一声源位置信息;
确定所述第一声源位置信息所指示的声源在所处测试区域的位置,得到每一测试区域统计区间内的噪声源的位置。
优选的,基于声源样本频率和球面麦克风阵列动力学性能的对应关系进行训练得到神经网络模型的过程,包括:
对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率;
将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对所述初始神经网络模型进行训练,得到最终的神经网络模型;
其中,所述声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定。
本发明第二方面公开了一种轨道车辆车内噪声源识别***,所述***包括:
球面麦克风,用于在轨道车辆运行的状态下,实时采集轨道车辆内的声音,得到所述轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风;
处理器,用于对所述声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次所述声源频率,得到N组声源频率,每一所述球面麦克风对应一组声源频率,N为所述球面麦克风的个数,取值为大于等于1的正整数;将统计M次得到的M*N组声源频率作为神经网络模型的输入,在所述神经网络模型中对所述M*N组声源频率进行处理,输出M*N组声源位置信息,所述神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到;按照所述声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
优选的,所述处理器,还用于:
基于所述第一声源位置信息生成统计区间内的噪声源位置分布报告,所述噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图;基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图。
优选的,所述处理器,还用于:
在得到M*N组新的声源位置信息,集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置报告;针对每一声源位置报告,选取所述声源位置报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
优选的,所述由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置的处理器,具体用于:
集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图;针对每一声源位置报告,选取所述声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
优选的,所述处理器,还用于:
对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率;将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对所述初始神经网络模型进行训练,得到最终的神经网络模型;其中,所述声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定。
经由上述技术方案可知,本发明公开的一种轨道车辆车内噪声源识别方法及***,在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内不同位置的声压数据;对声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次声源频率得到N组声源频率;将统计M次得到的M*N组声源频率作为神经网络模型的输入,输出M*N组声源位置信息;按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息所指示的声源为统计区间内的噪声源的位置。在本方案中,利用球面麦克风使噪声识别适用于多种不同的场合,通过预先基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到的神经网络模型对多组声源频率同时进行处理,可以在数据量大的情况下,有效的提高的处理效率,从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种轨道车辆车内噪声源识别方法的流程示意图;
图2为本发明实施例公开的动车的两节车厢上具体布置球面麦克风的位置布置图;
图3为本发明实施例公开的噪声源成像云图示意图;
图4为本发明实施例公开的另一种轨道车辆车内噪声源识别方法的流程示意图;
图5为本发明实施例公开的一种轨道车辆车内噪声源识别***的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,表面噪声识别技术包括声强法、近场声全息技术和平面相控阵列技术等。不同的表面噪声识别技术适用于不同的场合。
声强法测量复杂,测量时间较长,并且被测声源必须是稳态和非移动的,这也使得声强法有很大的局限性;近场声全息技术要求全息测量面必须很靠近声源表面,要小于最小声波波长的一半,当声源有很高频率成分时,会使测量变的十分复杂;平面相控阵列技术由于受到传声器布置的限制,仅能分析在平面传声器阵列前方的一个受限声场区域,不能定位其他方向的噪声源。
由此可知,现有的表面噪声识别技术存在不同的识别方式,基于特性适用于不同的场合,并不通用。
为了解决该问题,本发明公开了一种轨道车辆车内噪声源识别方法及***,利用球面麦克风使噪声识别适用于多种不同的场合,通过预先基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到的神经网络模型对多组声源频率同时进行处理,可以在数据量大的情况下,有效的提高的处理效率,从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
如图1所示,为本发明实施例公开的一种轨道车辆车内噪声源识别方法的流程示意图,该轨道车辆车内噪声源识别方法主要包括如下步骤:
S101:在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内的声音,得到轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风。
在S101中,球面麦克风可以是36通道的球形阵列的麦克风,也可以是50通道的球形阵列的麦克风等,具体球面麦克风的类型根据实际情况进行选取,本发明不做具体限定。
声压数据是指大气压受到声波扰动后产生的变化的数据,本方案中通过球面麦克风采集轨道车辆内的声音,从而得到轨道车辆内不同位置声场的声压数据。
在S101中,球面麦克风通过利用分布在球表面的一组麦克风对声场进行空间采样。与时域采样相似,空间采样也通过限制带宽(即限制球谐函数的阶次)来避免频谱混叠。所采集到的声压数据指时域上的声压数据。
需要说明的是,球面麦克风可以设置于在轨道车辆的车头、车厢、贯通道等1.2米高的位置。
如图2示出的动车的两节车厢上具体布置球面麦克风的位置布置图,主要为:该球面麦克风主要设置在车头、车厢的前、中、后以及贯通道1.2米高的位置。
图2中,圆形黑点为球面麦克风,球面麦克风的数量可以为多个,本发明中球面麦克风的数量根据实际情况进行设置,本发明不做具体限定。
设置球面麦克风距离动车车厢内地板高度为1.2米。
S102:对声压数据进行球傅里叶变换处理,得到对应的声源频率。
在S102中,通过球傅里叶变换处理将时域上的声压数据转换为频域上的声压数据,也就是声源频率。
S103:每隔预设区间统计一次所述声源频率,得到N组声源频率,每一球面麦克风对应一组声源频率,N为球面麦克风的个数,取值为大于等于1的正整数。
在S103中,预设区间可以是时间区间,也可是车站站点区间。
为了方便理解每隔预设区间统计一次声压频率的过程,这里举例进行说明:
例一,轨道车辆在行驶过程中,将各个站点设置为站点区间的采集点,站点之间的区间为车站站点区间。车辆从A站起始时,统计一次声源频率,从A站行驶到B站,统计一次声源频率。
例二,轨道车辆的车速为80km/h,该轨道车辆行驶30分钟,将10分钟设定为预设区间,每隔10分钟统计一次声源频率。
S104:将统计M次得到的M*N组声源频率作为神经网络模型的输入,在神经网络模型中对M*N组声源频率进行处理,输出M*N组声源位置信息。
在S104中,神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到,M的取值为大于等于1正整数。
具体的,基于声源样本频率和球面麦克风阵列动力学性能的对应关系进行训练得到神经网络模型的过程,如A1-A2所示。
A1:对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率。
A2:将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对初始神经网络模型进行训练,得到最终的神经网络模型。
其中,声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定。
首先对同频率声源不同阶次N的情况下进行声学成像,找到阵列在该频率点对应的最优次N,在对最优次N下不同声源位置的MSL分布进行统计计算,找到该频率点对应的动力学性能参数,最后分析不同频率下阵列的动力学性能,由此可得到球麦克风阵列的动力学性能曲线。
为了方便理解声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定的过程,这里举例进行说明。
例如,利用50个麦克风的球型阵列,对频率为2000Hz位于(90°,180°)位置的声源在不同截断长度N下的动力学性能进行分析。对频率为2000Hz的声源进行仿真成像,当截断长度N取5时,MSL=-16.67dB,阵列响应的最大旁瓣水平最小,阵列动力学性能最好。即当采用50个麦克风的球形相控阵列时,对频率为2000Hz的声源阵列响应对应的最优次为N=5。
不同声源位置对应的成像结果可以得到,最大旁瓣水平是声源位置的函数,随声源位置的改变而改变。对声源位于所有位置的最大旁瓣水平进行统计计算,可以得到对所有位置的MSL分布。
对所有位置对应的MSL分布求最大值,即为该球型阵列在截断长度取最优次N时的动力学性能参数。对不同频率的声源进行上述仿真,可得到球型阵列动力学性能参数与频率的关系曲线。
S105:按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息。
在S105中,可以按照声源位置信息对应的声源频率由大至小的排列每一组声源位置信息中的各个声源位置信息,得到M*N组新的声源位置信息。
也可以,按照声源位置信息对应的声源频率由小至大的排列每一组声源位置信息中的各个声源位置信息,得到M*N组新的声源位置信息。
S106:由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
在执行S106中,涉及到由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置的过程,如B1-B3所示。
B1:集合位于同一测试区域的新的声源位置信息。
B2:针对每一测试区域,在所集合的新的声源位置信息中,选取对应的声源频率超过预设声源频率的声源位置信息作为第一声源位置信息。
B3:确定第一声源位置信息所指示的声源在所处测试区域的位置,得到每一测试区域统计区间内的噪声源的位置。
S107:基于第一声源位置信息生成统计区间内的噪声源位置分布报告,噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图。
在S107中,噪声源成像云图指以图像的方式显示声源在空间的分布,噪声源成像云图的动态范围以分贝指示。
如图3所示,为一个噪声源成像云图示意图,分别给出了第一节车厢左侧、车底板、右侧、车顶板和前方司机室的噪声源成像云图中声源的分布,该云图的动态范围为3分贝,图3中给出了由低到高的分贝指示。
在S107中,噪声源波速指向性图用于指示在固定频率下,声源在不同方向上的声压级。
S108:基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,声源位置分布报告至少包括声源成像云图和声源波速指向性图。
本发明实施例中,在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内不同位置的声压数据;对声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次声源频率得到N组声源频率;将统计M次得到的M*N组声源频率作为神经网络模型的输入,输出M*N组声源位置信息;按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息所指示的声源为统计区间内的噪声源的位置。在本方案中,利用球面麦克风使噪声识别适用于多种不同的场合,通过预先基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到的神经网络模型对多组声源频率同时进行处理,可以在数据量大的情况下,有效的提高的处理效率,从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
如图4所示,为本发明实施例公开的另一种轨道车辆车内噪声源识别方法的流程示意图,该轨道车辆车内噪声源识别方法主要包括如下步骤:
S401:在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内的声音,得到轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风。
S402:对声压数据进行球傅里叶变换处理,得到对应的声源频率。
S403:每隔预设区间统计一次所述声源频率,得到N组声源频率,每一所述球面麦克风对应一组声源频率,N为球面麦克风的个数,取值为大于等于1的正整数。
S404:将统计M次得到的M*N组声源频率作为神经网络模型的输入,在神经网络模型中对M*N组声源频率进行处理,输出M*N组声源位置信息。
S405:按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息。
S401-S405的执行过程和执行原理,与上述S101-S105的执行过程和执行原理相同,可参考,此处不再进行赘述。
S406:集合位于同一测试区域的新的声源位置信息。
在S406中,按照声源位置信息的不同,将多次预设区间内统计的位于同一测试区域的新的声源位置信息进行集合。
例如,执行了3次统计,将每次采集到的第一车厢中部的声源位置信息集合在一起。
S407:针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,声源位置分布报告至少包括声源成像云图和声源波速指向性图。
S408:针对每一声源位置报告,选取声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
本发明实施例中,利用球面麦克风使噪声识别适用于多种不同的场合,通过预先基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到的神经网络模型对多组声源频率同时进行处理,可以在数据量大的情况下,有效的提高的处理效率,从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
基于上述实施例图1公开的一种轨道车辆车内噪声源识别方法,本发明实施例还对应公开了一种轨道车辆车内噪声源识别***的结构示意图,如图5所示,该轨道车辆车内噪声源识别***主要包括:
球面麦克风501,用于在轨道车辆运行的状态下,实时采集轨道车辆内的声音,得到轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风。
处理器502,用于对声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次声源频率,得到N组声源频率,每一球面麦克风对应一组声源频率,N为球面麦克风的个数,取值为大于等于1的正整数;将统计M次得到的M*N组声源频率作为神经网络模型的输入,在神经网络模型中对M*N组声源频率进行处理,输出M*N组声源位置信息,神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到;按照声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
进一步的,由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定第一声源位置信息所指示的声源为统计区间内的噪声源的位置的处理器502,具体用于集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,声源位置分布报告至少包括声源成像云图和声源波速指向性图;针对每一声源位置报告,选取声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
进一步的,处理器502,还用于基于第一声源位置信息生成统计区间内的噪声源位置分布报告,噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图;基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,声源位置分布报告至少包括声源成像云图和声源波速指向性图。
进一步的,处理器502,还用于在得到M*N组新的声源位置信息,集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置报告;针对每一声源位置报告,选取声源位置报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
进一步的,处理器502,还用于对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率;将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对初始神经网络模型进行训练,得到最终的神经网络模型。
其中,声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定。
本发明实施例中,利用球面麦克风使噪声识别适用于多种不同的场合,通过预先基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到的神经网络模型对多组声源频率同时进行处理,可以在数据量大的情况下,有效的提高的处理效率,从而实现在确保噪声识别适用于各个场合的情况下,高效率的完成噪声识别的目的。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于***类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种轨道车辆车内噪声源识别方法,其特征在于,所述方法包括:
在轨道车辆运行的状态下,实时利用球面麦克风采集轨道车辆内的声音,得到所述轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风;
对所述声压数据进行球傅里叶变换处理,得到对应的声源频率;
每隔预设区间统计一次所述声源频率,得到N组声源频率,每一所述球面麦克风对应一组声源频率,N为所述球面麦克风的个数,取值为大于等于1的正整数;
将统计M次得到的M*N组声源频率作为神经网络模型的输入,在所述神经网络模型中对所述M*N组声源频率进行处理,输出M*N组声源位置信息,所述神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到,M的取值为大于等于1正整数;其中,所述声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定;
按照所述声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;
由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于所述第一声源位置信息生成统计区间内的噪声源位置分布报告,所述噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图;
基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图。
3.根据权利要求1所述的方法,其特征在于,所述得到M*N组新的声源位置信息之后,还包括:
集合位于同一测试区域的新的声源位置信息;
针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图;
针对每一声源位置报告,选取所述声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
4.根据权利要求1所述的方法,其特征在于,所述由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置,包括:
集合位于同一测试区域的新的声源位置信息;
针对每一测试区域,在所集合的新的声源位置信息中,选取对应的声源频率超过预设声源频率的声源位置信息作为第一声源位置信息;
确定所述第一声源位置信息所指示的声源在所处测试区域的位置,得到每一测试区域统计区间内的噪声源的位置。
5.根据权利要求1所述的方法,其特征在于,基于声源样本频率和球面麦克风阵列动力学性能的对应关系进行训练得到神经网络模型的过程,包括:
对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率;
将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对所述初始神经网络模型进行训练,得到最终的神经网络模型。
6.一种轨道车辆车内噪声源识别***,其特征在于,所述***包括:
球面麦克风,用于在轨道车辆运行的状态下,实时采集轨道车辆内的声音,得到所述轨道车辆内不同位置的声压数据,每一车厢至少设置有一球面麦克风;
处理器,用于对所述声压数据进行球傅里叶变换处理,得到对应的声源频率;每隔预设区间统计一次所述声源频率,得到N组声源频率,每一所述球面麦克风对应一组声源频率,N为所述球面麦克风的个数,取值为大于等于1的正整数;将统计M次得到的M*N组声源频率作为神经网络模型的输入,在所述神经网络模型中对所述M*N组声源频率进行处理,输出M*N组声源位置信息,所述神经网络模型基于声源样本频率,以及声源频率和球面麦克风阵列动力学性能的对应关系进行训练得到;其中,所述声源频率与球面麦克风阵列动力学性能的对应关系基于对不同声源频率在球面麦克风的不同截断长度下的动力学性能分析确定;按照所述声源位置信息对应的声源频率的大小排列每一组声源位置信息,得到M*N组新的声源位置信息;由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置。
7.根据权利要求6所述的***,其特征在于,所述处理器,还用于:
基于所述第一声源位置信息生成统计区间内的噪声源位置分布报告,所述噪声源位置分布报告至少包括噪声源成像云图和噪声源波速指向性图;基于每一组新的声源位置信息中剩余声源位置信息所指示的声源,生成对应统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图。
8.根据权利要求6所述的***,其特征在于,所述处理器,还用于:
在得到M*N组新的声源位置信息,集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置报告;针对每一声源位置报告,选取所述声源位置报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
9.根据权利要求6所述的***,其特征在于,所述由每一组新的声源位置信息中,选取对应的声源频率超过预设声源频率的第一声源位置信息,确定所述第一声源位置信息所指示的声源为统计区间内的噪声源的位置的处理器,具体用于:
集合位于同一测试区域的新的声源位置信息;针对每一测试区域,根据所集合的新的声源位置信息所指示的声源,生成每一测试区域统计区间内的声源位置分布报告,所述声源位置分布报告至少包括声源成像云图和声源波速指向性图;针对每一声源位置报告,选取所述声源位置分布报告中声源位置信息对应的声源频率超过预设声源频率的第二声源位置信息,确定所述第二声源位置信息所指示的声源为当前测试区域统计区间内的噪声源的位置。
10.根据权利要求6所述的***,其特征在于,所述处理器,还用于:
对获取到的声源样本频率进行预处理,得到预处理后的声源样本频率;将预处理后的声源样本频率输入至初始神经网络模型,基于声源频率与球面麦克风阵列动力学性能的对应关系对所述初始神经网络模型进行训练,得到最终的神经网络模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033687.0A CN112179482B (zh) | 2020-09-27 | 2020-09-27 | 一种轨道车辆车内噪声源识别方法及*** |
PCT/CN2021/117363 WO2022062907A1 (zh) | 2020-09-27 | 2021-09-09 | 一种轨道车辆车内噪声源识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011033687.0A CN112179482B (zh) | 2020-09-27 | 2020-09-27 | 一种轨道车辆车内噪声源识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112179482A CN112179482A (zh) | 2021-01-05 |
CN112179482B true CN112179482B (zh) | 2022-08-16 |
Family
ID=73943733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011033687.0A Active CN112179482B (zh) | 2020-09-27 | 2020-09-27 | 一种轨道车辆车内噪声源识别方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112179482B (zh) |
WO (1) | WO2022062907A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179482B (zh) * | 2020-09-27 | 2022-08-16 | 中车长春轨道客车股份有限公司 | 一种轨道车辆车内噪声源识别方法及*** |
CN112857560B (zh) * | 2021-02-06 | 2022-07-22 | 河海大学 | 一种基于声音频率的声学成像方法 |
CN113405814A (zh) * | 2021-06-24 | 2021-09-17 | 中国第一汽车股份有限公司 | 一种车辆风噪声密封弱点的识别方法、装置、设备及介质 |
CN114624652B (zh) * | 2022-03-16 | 2022-09-30 | 浙江浙能技术研究院有限公司 | 一种强多径干扰条件下的声源定位方法 |
CN116405863B (zh) * | 2023-06-08 | 2023-08-29 | 深圳东原电子有限公司 | 基于数据挖掘的舞台音响设备故障检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175699A (zh) * | 2011-12-23 | 2013-06-26 | 南车青岛四方机车车辆股份有限公司 | 轨道车辆噪声传播途径测试方法 |
CN106052848A (zh) * | 2016-05-17 | 2016-10-26 | 南京航空航天大学 | 双测量面近场声全息噪声源识别*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102007020878B4 (de) * | 2007-05-04 | 2020-06-18 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zur Prüfung von Umströmungsgeräuschen |
KR101282673B1 (ko) * | 2011-12-09 | 2013-07-05 | 현대자동차주식회사 | 음원 위치 추정 방법 |
CN103630232B (zh) * | 2013-10-29 | 2017-10-31 | 中车青岛四方机车车辆股份有限公司 | 一种高速动车组噪声源识别测试方法 |
CN107179201A (zh) * | 2017-05-27 | 2017-09-19 | 北京交通大学 | 高速列车内噪声源的识别方法与*** |
CN108254066A (zh) * | 2018-01-03 | 2018-07-06 | 上海工程技术大学 | 基于神经网络的汽车三维动态噪音检测识别***及方法 |
CN109238456A (zh) * | 2018-11-27 | 2019-01-18 | 中车长春轨道客车股份有限公司 | 列车环境噪声检测方法、装置及*** |
CN112179482B (zh) * | 2020-09-27 | 2022-08-16 | 中车长春轨道客车股份有限公司 | 一种轨道车辆车内噪声源识别方法及*** |
-
2020
- 2020-09-27 CN CN202011033687.0A patent/CN112179482B/zh active Active
-
2021
- 2021-09-09 WO PCT/CN2021/117363 patent/WO2022062907A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103175699A (zh) * | 2011-12-23 | 2013-06-26 | 南车青岛四方机车车辆股份有限公司 | 轨道车辆噪声传播途径测试方法 |
CN106052848A (zh) * | 2016-05-17 | 2016-10-26 | 南京航空航天大学 | 双测量面近场声全息噪声源识别*** |
Non-Patent Citations (4)
Title |
---|
基于声压球谐函数分解的球面波束形成噪声源识别;褚志刚等;《农业工程学报》;20120525;第28卷(第增刊1期);第146-149页 * |
时速250公里动车组车内声源特性及其贡献量分析;张骏 等;《噪声与振动控制》;20170618;第37卷(第03期);第96-98页 * |
球谐函数波束形成声源识别扩展方法;褚志刚等;《机械工程学报》;20151031;第51卷(第20期);全文 * |
隧道内高速列车车内噪声特性及声源识别试验分析;柳明 等;《机械工程学报》;20200831;第56卷(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022062907A1 (zh) | 2022-03-31 |
CN112179482A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112179482B (zh) | 一种轨道车辆车内噪声源识别方法及*** | |
Chiariotti et al. | Acoustic beamforming for noise source localization–Reviews, methodology and applications | |
CN101556187B (zh) | 空调器噪声源可视化识别的统计最优近场声全息法及其操作方法 | |
Ballesteros et al. | Noise source identification with beamforming in the pass-by of a car | |
Park et al. | Visualization of pass-by noise by means of moving frame acoustic holography | |
Kook et al. | An efficient procedure for visualizing the sound field radiated by vehicles during standardized passby tests | |
Ginn et al. | Noise source identification techniques: simple to advanced applications | |
Lay-Ekuakille et al. | Optimizing and post processing of a smart beamformer for obstacle retrieval | |
CN107478325B (zh) | 一种非稳态平面声源的自由场还原方法 | |
US20110106486A1 (en) | Acoustic Energy Measurement Device, and Acoustic Performance Evaluation Device and Acoustic Information Measurement Device Using the Same | |
CN113868583B (zh) | 一种子阵波束聚焦的声源距离计算方法及*** | |
CN105556260A (zh) | 宽带声全息 | |
CN111243283A (zh) | 一种基于声阵列的鸣笛车辆自动识别装置及方法 | |
CN103616071A (zh) | Patch近场声全息-声品质客观参量三维分布可视化方法 | |
CN114114153A (zh) | 一种多声源定位方法、***、传声器阵列以及终端装置 | |
CN108122560A (zh) | 一种提取发动机噪声音调度的***及方法 | |
Meng et al. | Signal reconstruction of fast moving sound sources using compressive beamforming | |
Theyssen et al. | On the efficient simulation of pass-by noise signals from railway wheels | |
Meng et al. | A synthesis model for a moving sound source based on beamforming | |
Ballesteros et al. | Identification and analysis of the noise sources of an engine settled in a car using array-based techniques | |
Noh et al. | Identification of low-frequency noise sources in high-speed train via resolution improvement | |
Yang et al. | A fast deconvolution method for multiple sound source localization based on Hilbert curve | |
Zechel et al. | Time-domain beamforming on moving objects with known trajectories | |
Puhle et al. | Estimation of partial sound sources with non-spherical directivity for analysis of pass-by noise in hemi-anechoic indoor test benches | |
Cousson et al. | Identification of acoustic moving sources in the context of a road vehicle at pass-by |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |