综述:声学驱动的水下航行器性能增强:从部件创新到智能驱动

《Actuators》:Acoustics-Driven Performance Enhancement in Underwater Vehicles: From Component Innovation to Intelligent Actuation Xuehao Wang, Zihao Wang, Linzhi Chen, Yaqiang Zhu, Dongyang Xue, Shuai Li, Shiquan Lan, Danlu Wang and Cheng Chen

【字体: 大 中 小 】 时间:2026年04月15日 来源:Actuators 2.3

编辑推荐:

  本综述聚焦声学性能对水下航行器(UVs)的制约,系统梳理了从仿生降噪材料、主动噪声控制(ANC)、自适应信号处理(如提升SNR≈20 dB),到抗噪导航(SINS/DVL/USBL)、深度学习声学感知及系统级智能控制(AUVs协同)的全链路进展,旨在为下一代UVs的声-机集成设计提供路径。

  

引言:声学——水下性能的“隐形瓶颈”

在海洋探索中,水下航行器(UVs)的效能并非仅由机械动力决定,声学性能往往是更深层的制约。海洋背景噪声与平台自噪声(self-noise)不仅 degrade 声呐探测与通信,更会通过“传感–导航–控制”链路,级联影响推进效率与任务可靠性。本文从系统性能视角出发,梳理了从材料、信号处理到智能控制的声学增强路径,并引入了统一的性能度量(如 SNR、定位误差)以量化声学增益对闭环操控的实际影响。

噪声源与传播:从“皮”到“芯”的挑战

UVs 的声学特征源于三大物理机制:
  • •
    水动力噪声:由艇体与附件的湍流边界层及涡脱落产生,受流速与几何外形强烈影响;
  • •
    机械噪声:源自电机、泵等旋转机械及轴承摩擦引起的结构振动,高负载工况下尤为显著;
  • •
    推进噪声:主要由螺旋桨空化(cavitation)与叶片通过频率(blade-rate)贡献,且易引发结构共振。
这些噪声不仅抬高声呐本底噪声(noise floor),掩蔽目标信号,更会暴露平台位置,危及隐身性(stealth)与生存能力。

降噪技术:从“被动抑制”到“主动消除”

1. 仿生与智能材料
受生物表面启发设计的仿生结构(如沟槽、柔顺表面)可有效抑制湍流脉动,数据显示其可降低流噪声约 ≈5 dB。此外,智能材料(如压电、形状记忆合金)结合声学超材料(metamaterials)结构,可实现振动与声辐射的被动与半主动控制。
2. 主动噪声控制(ANC)与信号处理
针对机械与推进噪声,自适应滤波(如 FxLMS 算法)技术可在线辨识噪声通道并生成反相声波,在实测中可将信噪比 SNR 提升高达 20 dB。结合波数谱分析(wavenumber spectrum analysis)的结构-声学优化(如对称推力轴承设计),进一步从源头削减了振动传递。

抗噪导航:在“嘈杂”中精准定位

高精度导航系统(如 SINS/DVL/USBL 组合)是 UVs 自主性的核心,但 DVL 底跟踪失效与 USBL 信噪比下降常导致误差无界累积(unbounded error accumulation)。为此,研究者开发了:
  • •
    分布式鲁棒滤波:基于最大熵准则或变分贝叶斯滤波(Variational Bayesian filters),有效应对非高斯噪声与模型失配;
  • •
    协同定位:在多 AUV 系统中利用相对测距与通信,即使存在野值(outliers)与延迟,仍能维持一致性(consistency)与定位精度。

智能声学感知:从“听清”到“看懂”

水下目标检测面临低 SNR、多径传播(multipath)与混响(reverberation)的严峻挑战。传统匹配滤波与能量检测在非平稳环境中性能急剧下降。深度学习(DL)技术正改变这一局面:
  • •
    CNN 用于推进器健康监测与辐射噪声分类,提升诊断精度;
  • •
    基于注意力机制的时序模型(如 Transformer)开始用于弱目标回波提取,显著降低虚警率。

系统级集成:声-机-控的“闭环交响”

未来的突破在于系统级耦合。这要求将降噪材料、抗噪导航、智能感知与推进/执行机构(propulsion/actuation)进行一体化设计。挑战包括:
  • •
    实时性:深度学习模型在边缘设备上的部署与推理速度;
  • •
    权衡:在隐身(stealth)、能耗与机动性之间动态寻优;
  • •
    耐久性:考虑深水压力循环、生物污损(biofouling)与腐蚀的长期性能漂移。

结论与展望

声学性能已从“辅助指标”转变为 UVs 推进–执行–控制(propulsion-actuation-control stack)堆栈的关键瓶颈与赋能器。未来的高绩效 UVs 必然是声学、机械与控制深度耦合的智能体,而可重现的深度学习管道(reproducible DL pipelines)与场相关报告(field-relevant reporting)将是推动实验室技术走向真实海洋的关键。
相关新闻
生物通微信公众号
微信
新浪微博

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