论文部分内容阅读
随着人们对汽车乘坐舒适性要求的不断提高，车内噪声已经成为评价汽车乘坐舒适性的重要指标之一。传统的车内噪声控制主要采用优化汽车悬置隔振、隔声、吸声等被动降噪措施，这些降噪方法对降低车内中高频段噪声作用显著，可是，被动降噪方法不仅因车型不同而方法各异，而且降噪成本高、低频降噪效果差。相对被动降噪方法而言，主动消声方法具有低频降噪效果好、体积小、重量轻、易于控制等优点。随着现代控制技术的发展和电子芯片成本的下降，有源消声逐渐显示了被动降噪无法比拟的优越性。本文对车内低频噪声多次级声源有源消声系统进行了研究，提出了可在线训练动态神经网络模型的车内多次级声源自适应有源消声方法，构建了车内多次级声源有源消声系统，开发了车内自适应有源消声控制器和控制软件，并对某轻型客车车内噪声进行了有源消声试验。本项研究为车内噪声有源控制系统的实用化提供了基础，论文主要完成了以下研究工作：提出了利用动态神经网络方法作为有源消声系统的核心算法，根据最速下降原理对动态神经网络方法的权值修正进行了详细的推导，建立了反馈层输出到隐层权值之间的数字表达式，提高了运算精度。以实测的 5 路振动加速度信号为动态神经网络的输入信号，以正副驾驶员耳旁噪声信号作为待辨识信号，应用 Matlab/Simulink 工具箱对动态神经网络的各个参数进行了优化选择。并利用优化好的神经网络结构对不同转速下的车内噪声进行了辨识，结果表明所优化的网络结构简单、参数匹配合理，能够满足车内噪声主动控制的要求。建立了车内多次级声源有源消声系统模型并研究了车内有源消声的控制策略。提出了适合车内多次级声源有源消声系统的多通道动态神经网络模型算法（Multi-channel Dynamic Neural Network，简称 MDNN）。并在此基础上对多次级声源有源消声系统中的声学路径问题进行了研究，提出了用抵消路径网络对声学路径进行拟合的方法。由于动态神经网络具有实时性强的特点，该算 －1－<WP=130>摘要法可实时辨识车内初级噪声信号和抵消路径, 并可进行动态神经网络的实时在线训练，提高了系统适应汽车行驶中工况变化的能力，增强了系统的适应性和实用性。 利用 Matlab/Simulink 工具箱，应用所提出的 MDNN 算法，构建了车内双次级声源有源消声系统仿真模型，以实测的各点振动加速度信号和车内 2 通道的噪声信号为基础数据对有源消声系统进行了仿真分析。结果表明，该系统有良好的消声效果和稳定性。在不同发动机转速情况下，本文所构建的车内多次级声源有源消声系统运行稳定、降噪效果显著，最大消声量可达到17.8dB(Lin)。 对双次级声源有源消声系统进行了设计。对构成双次级声源有源消声系统的主要部件：加速度传感器、电荷放大器、误差传声器、误差传声器前置放大器、DSP 集成系统、功率放大板、次级声源扬声器等硬件进行了特性分析及选取。以 DSP 作为核心硬件研制了可实现双次级声源有源消声功能的自适应噪声主动控制器。开发了系统的控制软件，给出了系统控制流程。以某轻型客车为试验对象构造了车内双次级声源有源消声系统。 为了克服理论分析方法难以对车内复杂空间声场进行准确描述的缺点，提出了用试验的方法来分析次级声源和误差传声器的布放问题。着重分析研究了车内双次级声源布放、次级声源与误差传声器的相对位置对车内消声区域和消声效果的影响。结果表明：当误差传声器与次级声源的数目相同、误差传声器位于次级扬声器的中心线上且与次级声源相距 0.2 米左右、两个次级声源相对布置时消声效果最好。受次级声源本身特性和声波传播特性的限制，车内有源消声系统的消声空间具有局域性，当需要对多个司乘人员所在的局域空间进行消声时，应采用多次级声源系统。考虑到车内次级声源和误差传声器布置的可行性，给出了客车、货车和轿车中次级声源和误差传声器的可行布置方案。 结合国标 GB1496－79 的有关规定，对本文所提出的 6 种次级声源和误差传声器布放方案的消声效果进行了评价，为局域空间有源消声效果的评价提供了一种尝试。 利用车内双次级声源有源消声系统，对车内低频噪声进行了有源消声试验，对两组最佳次级声源布置方案的有源消声区域进行了深入的研究和探讨。结果表明：在发动机转速为 1920r/min 时，有源消声系统能够在一定区域内都达到较为明显的消声效果；在正副驾驶员双耳经常能够到达的区域内，消声量 －2－<WP=131>吉林大学博士学位论文超过了 10dB(Lin)。 为了考察在不同发动机转速，以及不同车速道路行驶条件下的消声效果，在不同发动机转速以及不同被试车行驶速度下，在某轻型客车内进行了有源消声试验。结果表明，本文开发研制的有源消声系统能够在各种稳态工况下都实现良好的消声效果。在不同发动机转速下，各误差传声器处的总消声量在 11.6dB(Lin)～16.4dB(Lin)之间。在以不同车速行驶的工况下各误差传声器处的总消声量也达到了 8.6