Robust performance of virtual sensing methods for active noise control 翻译

---

用于主动降噪的虚拟传感方法的鲁棒性能

本文研究了环境变化对两种广泛使用的主动降噪虚拟传感方法性能的影响：远程麦克风(remotemicrophone)方法和附加滤波器(additional-filter)方法。当控制环境中存在不确定性时，采用此类虚拟传感技术的自适应前馈控制算法的鲁棒性能对于在实际指定位置实现噪声衰减(attenuation)至关重要。首先(initially conducted)，在行驶的汽车中使用头枕(headrest)ANC系统测量的数据进行离线模拟，以评估两种虚拟传感方法在实际条件下的性能。通过对头枕ANC系统的分析模型(analytical model)和数值模拟(numeriacl simulation)，进一步研究了两种方法之间的差异。结果表明，通常情况下，附加滤波器方法对前馈控制所用参考信号特性的不确定性敏感(sensitive to)，而远程麦克风方法对与监控麦克风(monitoring microphones)相关的响应(responses)变化敏感。因此，本研究可用于指导不同应用中虚拟传感方法的选择。

---

1. 引言

主动噪声控制（ANC）系统与虚拟传感技术相结合，可以在物理传感器无法放置的位置实现降噪[1,2]。一个流行的实用例子是头枕ANC系统，其目的是衰减车辆中听者耳朵处的噪音[3-5]。虚拟传感技术最初是通过使用离线建模来实现指定位置的降噪，尽管此类系统的性能不可避免地(inevitably)受到建模精度(accuracy)的限制(restricted)[6]。通过引入初步(preliminary)识别阶段进行了改进，在此阶段，物理麦克风被放置在虚拟错误麦克风的位置[2]。本程序旨在获得包含系统相关信息的设计，该设计将用于获得控制滤波器，以在移除物理麦克风时实现对虚拟麦克风噪声干扰的控制。虚拟传感器的位置也可以调整(adapted)，例如使用头部跟踪参考。[2,7]。

ANC系统中虚拟传感有两种主要方法。其中一种被称为远程麦克风（RM）方法[2,6–8]，该方法通过观察(observation)滤波器从监控麦克风的干扰中估计虚拟错误麦克风处的噪声干扰。为了研究RM方法，已经进行了数值模拟和实际实验方面的分析[9-11]。这些研究的结果表明，RM方法可以在较宽的频率范围内实现降噪，在实验室可达到约1 kHz。随后使用行驶车辆的测量数据进行的测试也证明(demonstrate)了该方法的实际噪声消除能力[9]。

另一种方法在本文中称为附加滤波器（AF,additional-filter）方法，基本上(fundamentally)是一种参考自适应控制策略(adaptive control strategy)的模型[1,12]。这种方法是通过最初(initially)将误差麦克风放置在虚拟传感器位置时的噪声降至最低来实现的。然后，当虚拟传感器位置的信号最小化时，对额外的滤波器进行训练，以模拟参考信号对监控麦克风的响应。在控制阶段，自适应控制器将监控麦克风和附加滤波器输出之间的差异降至最低。采用AF方法进行的最新测量在虚拟麦克风的噪声衰减方面提供了希望的结果[13]。

由于这两种方法的本质不同，它们的性能将有所不同，尤其是当环境中存在扰动(perturbation)时。对这一点的理解可能会指导虚拟传感技术的未来实现，以实现最佳的降噪效果。本文第二节介绍了两种虚拟传感方法的构想(formulation)。在第三节中，记录在行驶车辆座舱(cabin)中的测量数据用于(utilised to)模拟虚拟传感方法在降低假人头部耳朵处噪声方面的性能。通过操纵(manipulate)测量数据，模拟了两种虚拟传感方法在不同条件下的鲁棒性能。第4节介绍了头枕ANC系统的简单数值模型，其中可以系统地引入扰动。结合分析公式和数值模拟来解释测量结果之间的差异。结论见第5节，其中给出了虚拟传感方法未来实施的指南。

2. 引言虚拟传感方法

在这一章节，将展现两种虚拟传感方法，远程麦克风法(remote microphone, RM)和辅助滤波器法(additional filter)，实现方法是使用一个多通道频域框架(multichannel frequency-domain formulation)。所有的信号均假设为平稳随机信号，以确保其频谱密度(spectral densities)是时不变的。为了符号(notational)的简单性，他们的频率依赖性(dependence)被抑制(suppressed)。RM和AF方法均假定在同一ANC系统上实施，该系统由Nx参考传感器，Nu次级声源，Nm监控麦克风和Ne虚拟误差传感器组成，这些传感器放在指定位置以降低噪声。多通道信号表示为小写粗体向量(lower case blod vectors)，例如 m 和 e 表示监测和误差传感器的信号，频率响应矩阵表示为大写粗体矩阵(upper case bold matrices)，例如 Gm 和 Ge 表示监测和误差传感器的二次声源响应。这两种虚拟传感方法都可以分为两个阶段：识别(identification/tuning/training)阶段和控制阶段。在第一阶段，物理麦克风暂时放在虚拟误差传感器的位置。通过使用这些物理误差传感器获得两个滤波器，RM方法的观测(observation)滤波器 $\hat{O}$ ，AF方法的附加(additional)滤波器 $\hat{H}$。$(\widehat{.})$ 表示识别阶段获得的估计值，在控制阶段，临时放置的传感器被移除，然后应用这些滤波器去优化前馈控制滤波器$W$，实现在原理物理监测传感器的虚拟传感器位置的降噪。

2.2 辅助滤波器方法

Fig.2(a) 展示了AF方法识别阶段的结构框图(block diagram)，这个阶段包括训练两个滤波器，一个初始控制滤波器 ${\hat{W}}_{AF}$，用来最小化均方误差(mean square error)信号。另一个是附加滤波器 $\hat{H}$，用于在误差信号得到控制后，对参考信号到监控信号的响应进行建模。控制滤波器 ${\hat{W}}_{AF}$ 仅用于在识别阶段驱动次级声源，他的响应随后会隐含(implicit)在附加滤波器 $\hat{H}$，可以通过最小化误差传感器 $\hat{e}$ 的信号来获得 $W_{AF,Out}$，这对应于最小化损失函数(minimises the function)

3. 基于实测数据的虚拟传感方法的应用

在本节中，前一节中介绍的两种虚拟传感方法适用于Jung等人测量和讨论的大型SUV座舱中记录的数据[9]。SUV在参考文献[8]中称为“光滑”和“粗糙”的两个不同路面上进行试验，并以30 mph和50 mph的两种不同速度进行试验，其中道路噪声是车辆内部噪声的主要成分。机舱内总共安装了(mounted)14个监控麦克风，用胶带固定在装饰板上(trim panel)，两个误差麦克风位于假人头部的耳朵中，如图3所示。两个扬声器被用作次级声源，放置在头枕两侧，彼此相距35厘米。在以下模拟中，图3中的1号、2号、13号和14号麦克风用作监控麦克风[9]，并从靠近车辆悬架(suspension)的传感器获得8个参考，以测量构成本例中要控制的主要场的道路噪声分量。在车辆稳定(stationary)的初始识别阶段，测量了二次声源对误差和监控麦克风的二次(plant)响应。通过牢固安装仿真头和扬声器，假设在驾驶测量期间，二次路径的设备响应保持不变。本节中使用的干扰和二次(plant)响应的详细信息见参考