用于燃气轮机扭曲数据集的相位恢复非同步测量方法

《Mechanical Systems and Signal Processing》:Phase retrieval non-synchronous measurements for gas turbine distorted dataset

【字体: 大 中 小 】 时间:2026年01月14日 来源:Mechanical Systems and Signal Processing 8.9

编辑推荐:

  非同步测量(NSM)通过高密度麦克风阵列提升声场重构精度,但传统方法依赖理想数据假设,无法处理失效麦克风引入的失真。本文提出基于相位恢复(PR)的NSM改进方法,结合等效声源模型(ESM)和层次贝叶斯框架,利用高斯-威沙特分布作为超先验,有效分离数据中的噪声和失真成分。仿真表明该方法在低信噪比、多测量序列条件下均能显著提升重构精度,并在燃气轮机实测数据中验证了其有效性和工程适用性。

  
魏成|王燕|宋超|哈桑·艾哈迈德|薄碧成|杨明瑞|乔白洁|闫立奇|陈雪峰
中国陕西省西安市710049,西安交通大学航空航天动力系统与等离子体技术国家重点实验室

摘要

非同步测量(NSM)旨在提高阵列的孔径和密度,但未能解决由故障麦克风引起的数据失真问题,因为传统的NSM理论假设麦克风正常工作且数据具有较高的信噪比(SNR)。本文指出了传统NSM在实际应用中的不足,并提出了一种基于相位恢复(PR)的新NSM方法来恢复失真的全息数据。在高层次先验模型中使用了高斯分布和Wishart分布作为超先验。与传统NSM相比,该方法直接整合了数据失真处理,无需额外的空间插值技术。仿真结果表明,PR在不同的序列测量次数、频率和SNR下均表现出更优越的性能。最后,该方法被应用于恢复燃气轮机数据集中的全息声压相位。结果表明,PR显著提高了燃气轮机的声场测量精度,为声场重建(如近场声学全息术)的进一步研究奠定了基础。

引言

随着燃气轮机在能源、交通、工业和军事领域的广泛应用,噪声污染已成为一个日益严重的问题。为了支持有效的降噪策略的发展,准确描述运行中燃气轮机的空间声场分布至关重要。非同步测量(NSM)技术作为一种提高阵列孔径和麦克风密度的新方法应运而生。与传统多参考方法[1]不同,NSM无需在声源附近放置额外的麦克风来获取干净的参考信号。这在实际工程应用中往往不切实际,因为如此接近地放置麦克风既复杂又具有挑战性。
NSM已在声学成像技术中得到广泛应用,例如近场声学全息术[2]、波束成形[4]和到达方向(DOA)[5]。NSM最初由Antoni[2]提出,它通过消除对参考信号的需求,在声学测量方面取得了突破,从而提供了比传统方法更灵活的方法。Yu[3]和Hu[6]系统地探讨了NSM的实现方法,提出了构建空间基函数的最优方案。他们将NSM归类为一个与交叉谱矩阵(CSM)完成相关的逆问题,为NSM建立了理论基础。后续的NSM方法主要在空间基函数的构建和用于CSM完成的算法上进行了改进。
随着声学阵列技术的发展,NSM也被开发用于多种阵列配置。例如,Chu[5]通过将阵列排列在互质位置来改进NSM,而Yu[7]将框架扩展到基于球形麦克风阵列的3D NSM方法,从而提高了计算效率并促进了解的稀疏性。NSM算法也随着时间的推移而不断改进和优化,包括基于块厄米矩阵完成(BHMC)[8]、加速近端梯度线搜索(APGL)[9]、带有学生t-先验的贝叶斯算法[10]以及基于随机化的加速策略[11]等方法。
尽管取得了这些进展,NSM仍面临挑战,尤其是在处理来自故障麦克风的失真数据时。传统NSM依赖于CSM的完成。然而,当阵列中的麦克风发生故障时,失真数据不仅会扭曲自谱,还会扭曲相应的交叉谱行和列。这种失真阻碍了使用传统NSM直接同步测量数据的相位。
为了解决这些挑战,将相位恢复(PR)技术整合到NSM框架中进行了研究。PR最初是在光学领域提出的[12],旨在仅从强度测量中恢复未知信号。此后,它被应用于多个领域,包括声学[13]、量子力学[14]和量子信息[15]。近年来,PR算法不断发展,引入了非凸PR算法,通过直接在原始信号空间内优化来提高计算效率[16]、[17]、[18]、[19]、[20]。然而,这些方法通常需要高度准确的初始估计以确保收敛到全局最优解,这与NAH中的声学逆问题类似[21]。此外,大多数现有的PR方法基于数学原理,未能充分利用声场的特性,导致在直接应用于NSM时性能不佳。
值得注意的是,已经提出了低秩相位恢复(low-rank PR)方法[22]、[23],这些方法通过将未知信号表示为测量向量和低秩系数矩阵的乘积来利用其低秩结构。受这些方法的启发,PR首次与等效源方法(ESM)结合,并应用于声学测试中的NSM问题。首先,基于ESM的声场被离散表示为声学传递矩阵和一组稀疏等效源强度系数的乘积。由于我们的研究假设是在自由场环境中进行的,因此使用自由空间格林函数构建声学传递矩阵,这在ESM-NAH[24]中是有效的。其次,提出了一个分层贝叶斯先验模型来解决NSM中的等效源模型,选择高斯分布和Wishart分布作为超先验,因为它们已被证明能够促进解的低秩结构[25]。最后,采用变分贝叶斯学习算法来估计分层模型中的潜在变量,从而实现NSM中测量数据的相位恢复。与低秩PR相比,所提出的PR-NSM框架在计算上更简单,并且收敛性更好,因为它只需要估计在不同位置获得的测量数据之间的相位差,而不需要计算所有未知信号的相位差,这是低秩PR所必需的。
与传统的NSM方法相比,本文的主要贡献如下:首先,提出了一种新的贝叶斯相位恢复框架,有效利用了ESM中等效源的稀疏性,从而更高效地从合成阵列中恢复麦克风数据。其次,研究了数据失真情况下NSM的实现,并通过数值仿真进行了验证。通过在迭代过程中利用噪声的概率分布范围,该方法能够识别并排除失真数据。最后,在带有失真数据的气轮机声压数据集上进行了实际验证。所提出的方法成功解决了带有失真数据的NSM问题,有效扩展了大规模设备的声场测量孔径和分辨率。它为工程实践中大型设备的噪声监测和分析提供了技术指导,并为未来声场重建的研究(如复杂机械系统如燃气轮机上的NAH)奠定了基础。
本文的其余部分组织如下。第2节讨论了传统NSM的理论和局限性,并详细介绍了所提出的方法。第3节展示了仿真结果,第4节展示了实验结果,第5节总结了这项工作。
本文中使用了以下符号。斜体字母表示变量;粗斜体小写字母表示向量;粗斜体大写字母表示矩阵;虚数表示为j;‖a‖ 和 ‖A‖ 分别表示向量a的2-范数和矩阵A的弗罗贝尼乌斯范数;AT 和 AH 表示矩阵A的转置和厄米转置;符号^over a quantity表示该量是一个估计值,例如,θ? 是θ的估计值。

提出方法

本节涵盖了初步内容和提出的方法。第2.1节描述了传统NSM在NAH中的初步内容和局限性,而第2.2节介绍了基于相位恢复的NSM的详细信息,第2.3节介绍了带有失真全息数据的NSM。为了清晰起见,本文采用了以下索引约定。上标(i)表示第个序列测量位置(i = 1,…, P),下标m表示

数值仿真

以下小节描述了仿真设置和各种参数的效果。

工业应用

本节首先介绍了用于验证所提出方法的工业燃气轮机测量系统,然后展示了相应的结果。

结论

由于传统NSM依赖于CSM的完成,当CSM中的元素分布不均匀或需要过多的序列测量时,其性能较差。为了解决这些局限性,提出了一种基于PR的新NSM框架。所提出的方法使用格林函数作为PR的字典矩阵来构建声学传递矩阵。引入了一个分层高斯先验模型,并为

CRediT作者贡献声明

魏成:写作 – 审稿与编辑,撰写原始草稿,可视化,验证,监督,软件,资源,项目管理,调查,资金获取,正式分析,概念化。王燕:写作 – 审稿与编辑,撰写原始草稿,可视化,验证,软件,方法论,正式分析,数据管理,概念化。宋超:写作 – 审稿与编辑,可视化,验证,项目管理,方法论,

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:魏成报告获得了国家自然科学基金的支持。魏成报告获得了中华人民共和国工业和信息化部的支持。魏成报告获得了陕西省关键技术研发计划的支持。

致谢

本工作得到了国家自然科学基金(编号52175118)、国家重大科技项目(编号J2019-II-0013-0033)、中央高校基本科研业务费以及陕西省关键科技计划(编号2023-ZDLNY70)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号