中国飞机编队测量技术的应用与发展 董昊远、李成伟、周宇琦、马伟

《Acoustics》：Application and Development of Aircraft Flyover Measurements in China Haoyuan Dong, Cheng Wei Lee, Yuqi Zhou and Wei Ma

　　摘要
飞机飞越测量用于记录大型民用飞机飞越地面部署的大规模麦克风阵列时产生的声压信号，从而获得飞机机体噪声的空间分布，并为飞机降噪提供技术支持。自20世纪90年代以来，飞机飞越测量已在欧洲和北美的众多大型民用飞机的研发中得到广泛应用。近年来，随着中国商飞C919大型民用飞机的快速发展，这种测量方法在中国也得到了广泛采用。计算机视觉技术也被应用于麦克风位置校准和飞机轨迹确定，有效提高了测量效率和准确性。本文介绍了一种在中国进行的大型民用飞机飞越测量的综合程序，包括麦克风阵列设计、安装和校准、噪声采集系统设置与数据采集、飞机轨迹确定以及数据处理。

1. 引言
随着民用航空业的发展，飞机噪声对机场周边社区和公共健康的影响日益突出。为此，国际民用航空组织（ICAO）和国家民用航空当局通过适航规章成功确立了明确的噪声限制[1,2]。有效的飞机噪声控制通常需要清楚地了解机体噪声源的空间分布。飞机飞越测量利用地面部署的大规模麦克风阵列来记录大型民用飞机飞过时产生的声压信号，从而识别出机体噪声源的空间分布，并为飞机降噪提供技术支持。
飞机飞越测量在航空领域的广泛应用可以追溯到20世纪90年代德国航空航天中心（DLR）Michel团队的开创性工作[3,4,5]。他们是首次将大孔径麦克风阵列应用于户外飞机飞越测量的团队，在实际飞行条件下实现了主要噪声源的空间定位。此后，这种测量方法在欧洲和北美主流飞机类型的研发中得到了广泛应用，并逐渐为不同飞机配置开发了专门的测试框架和分析方法。2001年至2005年间，在“安静技术演示项目”（QTD）的支持下，美国国家航空航天局（NASA）和波音公司对B777飞机进行了多次飞越测量[6,7]。通过结合远场地面麦克风和大孔径相控麦克风阵列，他们识别并比较了起落架和高升力系统等关键组件的噪声贡献。2002年，DLR和法国航空航天实验室（ONERA）使用16米×16米的嵌套阵列对A340飞机进行了多次飞越测量[8]。结果显示，飞机飞越测量能够相对稳定地识别出主要噪声源的位置，但估计的噪声强度受测试条件影响较大，一致性较弱。2004年，DLR对A319飞机进行了专门飞越测量，以验证机体噪声预测方法并建立噪声数据库，为后续的降噪研究提供了基础数据支持[9]。2012年，庞巴迪宇航公司和舍布鲁克大学声学小组进行了为期五天的飞机飞越测量[10]。通过部署大孔径麦克风阵列和两台高清摄像机，他们记录了多架CRJ200飞机的噪声和轨迹数据，验证了在真实机场运行条件下同步噪声和轨迹采集方法的可重复性。2018年，NASA对B737MAX进行了研究，并系统描述了飞机飞越测量的实验程序，将其应用扩展到了降噪组件的全尺寸飞行验证[11]。2018年至2022年，DLR使用其研究飞机ATRA（空客A320-232）进行了一系列飞越测量[12,13]。在这些测量活动中，通过新的飞机轨迹确定方法和采用大型多臂螺旋阵列进一步优化了测量程序。2020年，NASA和波音公司对B787飞机进行了飞越测量，系统描述了工程方面的内容，包括阵列部署、麦克风位置校准以及声学测量和飞机轨迹数据的同步采集[14]。
在中国，飞机飞越测量始于C909区域飞机（前称ARJ21）的研发阶段，为后续研究奠定了重要的实践和技术基础。2012年至2013年间，陈涛等人对C909在各种飞行条件下进行了飞越测量，并分析了相应的麦克风阵列数据[15,16,17]。他们研究了不同运行条件下关键组件（尤其是起落架和高升力系统）的噪声贡献，为后续的降噪设计和工程飞行测试验证提供了重要支持。
近年来，中国商用飞机股份有限公司（COMAC）的C919大型民用飞机发展迅速。该飞机于2017年5月5日完成了首飞，2022年9月29日获得了中国民用航空局（CAAC）的型证，2022年12月9日首次交付，并于2023年5月28日成功投入商业运营。C919的研发过程中广泛应用了飞机飞越测量技术。目前，中国尚未出台专门针对研究型飞机飞越测量的法规。
本研究的目的是建立并验证一种在中国进行的大型民用飞机飞越测量的综合程序。本工作的贡献在于将麦克风阵列设计、安装和校准；噪声采集系统设置与数据采集；飞机轨迹确定；以及数据处理的四个主要阶段整合为统一的户外飞机飞越测量工作流程。在此工作流程中，采用了最新的计算机视觉方法和移动源波束成形算法来提高测量效率和实际应用性。
本文的结构如下：第2节概述了飞机飞越测量的总体程序；第3节介绍了麦克风阵列的设计、安装和校准；第4节描述了噪声采集系统的设置和飞越噪声数据的采集；第5节介绍了飞机轨迹确定方法；第6节介绍了数据处理程序及其在声源定位中的应用；最后第8节给出了结论。

2. 飞机飞越测量的总体程序
在实际的全尺寸飞越测试中，国产大型民用飞机的飞越测量总体程序可分为四个主要阶段，如图1所示：麦克风阵列设计、安装和校准；噪声采集系统设置与数据采集；飞机轨迹确定；以及数据处理。图1展示了飞机飞越测量的总体程序。第一个阶段包括麦克风阵列设计、场外组装、现场部署、麦克风灵敏度校准和位置校准，为后续的声源定位提供可靠的阵列输入。阵列准备完成后，建立飞越噪声采集系统，在飞机飞越期间同步记录多通道阵列噪声数据。同时，利用双摄像头系统和先进的计算机视觉算法获取飞机轨迹信息。最后，将采集到的噪声数据、阵列坐标和轨迹信息整合起来进行数据处理和声源定位。各阶段的技术细节将在以下部分中详细介绍。

3. 麦克风阵列设计、安装和校准
3.1 麦克风阵列设计
用于飞机飞越测量的麦克风阵列必须支持宽带源定位。在低频范围内，空间分辨率主要取决于阵列孔径，因此需要较大的孔径。在中高频范围内，准确的源定位和可靠的波束成形要求更高的空间采样密度和更均匀的平面传感器分布[18]。实际上，可用的采集通道数量和现场部署的限制使得单一阵列几何结构难以在整个频率范围内满足这些相互竞争的要求。因此，本研究采用了由内嵌子阵列和外嵌子阵列组成的嵌套阵列[19]。整个阵列布局如图2所示。图2显示了麦克风阵列的设计。内嵌子阵列旨在提供中高频范围内源定位所需的空间采样密度，采用多臂螺旋几何结构[18]，有效孔径为2米。该子阵列包含七个螺旋臂，每个臂上装有16个麦克风，总共112个通道。外嵌子阵列用于增加有效孔径，从而在低频范围内提高源区分能力。为了简化大阵列的现场部署，外嵌子阵列采用直臂布局，每个臂沿着内嵌子阵列定义的方向向外延伸。根据最低频率的分辨率要求，外嵌子阵列的有效孔径设置为14.5米。每个臂上也装有16个麦克风，总共112个通道。
通过结合内嵌多臂螺旋子阵列和外嵌直臂子阵列，所提出的阵列实现了宽带源定位，同时适用于大规模的现场部署。

3.2 场外阵列组装
大麦克风阵列的准备工作分为两个阶段：场外组装和现场部署。这种方法提高了部署效率，并减少了复杂现场操作带来的安装误差。场外阶段包括设备安装、麦克风安装和布线，以及标记各个模块的位置。这使得可运输的阵列模块可以提前准备，并在测试现场快速部署，从而减少了飞越测量期间现场设置的难度。
内嵌子阵列作为一个整体单元构建在直径为2.2米的圆形平台上。平台由厚木板制成，上面覆盖相同大小的铝板，以提供足够的结构刚性，并减少地面条件变化对测量一致性的影响。确定原点和坐标轴后，在平台表面标记平面坐标系和麦克风位置，随后进行麦克风安装、布线和固定。组装好的内嵌子阵列如图3所示。这种一体化设计有助于在运输和现场部署过程中保持麦克风的位置稳定性。图3展示了内嵌子阵列的组装配置。外嵌子阵列采用模块化直臂布局，便于运输和快速现场部署。每个臂被划分为三个独立模块，每个模块由指定长度的木板制成，上面覆盖标准化的铝板作为反射面，以板中心为麦克风位置。安装好麦克风并完成布线和固定后，提前标记相应的部署位置。图4展示了组装好的外嵌子阵列。这种模块化设计简化了大麦克风阵列的现场部署。

3.3 现场阵列部署
在确定测试窗口后，进行阵列的现场部署，包括模块放置、电缆连接和通道验证。首先放置内嵌平台，其几何中心与测量区域中心对齐。然后按预定义顺序排列外嵌模块，使其沿着内嵌子阵列的臂方向向外延伸，形成完整的嵌套阵列。最后进行通道检查，以确保所有麦克风通道的正常采集、正确的通道编号和映射以及可靠的电缆连接。部署好的阵列如图5所示。图5展示了阵列的现场部署情况。

3.4 麦克风灵敏度校准
每个麦克风通道均使用标准声学校准器进行单独校准，以确保整个阵列的振幅响应一致。在相同的激励条件下记录通道响应，并利用得到的灵敏度校正因子进行后续的振幅校正。

3.5 麦克风位置校准
麦克风位置校准中的误差会降低阵列的相位相干性，从而影响源定位的准确性。使用高精度测量设备直接测量单个麦克风位置可以获得准确的坐标，但该过程劳动强度高、耗时较长，在现场条件下难以高效实施。这使得大规模户外阵列的快速部署变得不切实际。为了解决这一限制，开发了一种基于计算机视觉的麦克风位置校准方法。该程序包括阵列图像采集、畸变校正和透视校正、反射器检测与图像定位以及麦克风坐标估计。内部子阵列被构建为一个集成单元，因此其几何形状相对稳定。因此，位置校准仅应用于外部子阵列中的麦克风。整个程序如图6所示。首先使用高分辨率相机拍摄整个阵列的图像，然后对图像进行镜头畸变校正，并通过透视变换进行校正，以获得统一缩放的平面视图。根据反射板的颜色和形状识别它们，并以它们的中心作为麦克风的图像坐标。这些图像坐标随后被映射到平面阵列坐标系中，以确定外部子阵列中所有麦克风的校准位置。图6显示了外部子阵列麦克风位置校准的程序。所提出的校准方法通过与对外部子阵列中麦克风进行高精度测量的参考坐标进行比较来评估。测量坐标与基于视觉的校准结果之间的平均误差为0.076米，大约是阵列孔径的0.52%。根据先前的研究[20]，这种级别的位置误差预计不会显著影响飞机飞越测量中的声源定位性能。考虑到直接测量所需的操作复杂性和时间通常比所提出的方法多几倍到几十倍，基于计算机视觉的方法更适合大规模现场应用。

4. 噪声采集系统设置和数据采集
4.1 噪声采集系统设置
声学测量系统包括麦克风、数据采集单元和主机计算机。该阵列配备了224个PCB 130F22麦克风，用于多通道压力记录。这些麦克风在感兴趣的频率范围内提供了足够的频率响应。数据采集是在National Instruments (NI) PXIe平台上实现的，该平台由PXIe-8880控制器、十四个PXIe-4497模块和一个18槽的PXIe-1085机箱组成。这些组件共同提供了224通道的同步采集，并支持高速数据传输。
4.2 飞越噪声数据采集
噪声采集系统在飞机接近阵列前启动，并持续同步记录所有麦克风通道。使用全球定位系统(GPS)脉冲信号来触发，并同时记录绝对时间戳，使得噪声数据在通道之间保持时间对齐，并能与重建的轨迹直接时间对齐。飞越噪声数据采集过程如图7所示。

5. 飞机轨迹确定
飞机在飞越过程中的位置和速度是飞机飞越测量中声源定位的关键输入，它们的准确性直接影响最终声学图像的可靠性。早期研究提出了一种基于双摄像机的方法来确定飞机轨迹，并证明了其可行性[10]。然而，由于当时可用的算法有限，大多数这些研究依赖于传统的目标检测方法。随着计算机视觉的最新进展，现在可以将更复杂的视觉技术纳入轨迹确定中。基于这些早期的工作，本研究提出了一种基于双摄像机系统和实例分割的轨迹确定方法。整个程序包括图像采集系统设置、摄像机校准和图像校正、使用实例分割的图像驱动飞机定位、三维坐标估计以及轨迹重建。
5.1 图像采集系统设置
在所提出的方法中，使用两个地面工业摄像机形成一个双视图观测系统，以便在飞机飞越期间进行同步图像采集。图像采集系统包括两个摄像机、一个网络交换机和一个主机计算机。两个摄像机通过以太网连接到同一个交换机，而交换机连接到主机计算机，以实现同步图像采集和数据存储。在图像采集系统中使用了配备了C23-0824-5M-P镜头的Basler acA1300-60gc工业摄像机。这种配置满足在飞越场景中对高速目标进行成像的基本要求，原因有三点：首先，摄像机提供了高达60 fps的最大帧率，满足飞越期间轨迹重建的时间分辨率要求；其次，全局快门有效地消除了滚动畸变并减少了与高速目标运动相关的运动模糊；第三，每个图像帧都被赋予了一个硬件时间戳，使得图像序列、GPS时间参考和噪声采集系统之间能够统一时间对齐。主机计算机还配备了GPS时间模块，以获取绝对时间信息和触发信号，从而为同步轨迹和声学数据提供一个共同的时间参考。
为了保持重建的飞机轨迹与基于阵列的声源定位结果之间的空间一致性，轨迹确定是在用于麦克风阵列的同一平面坐标系中进行的。然后通过定义内部子阵列的平面作为参考平面来建立一个三维坐标系，如图8所示。在本研究中，摄像机1和摄像机2分别位于大致的位置。它们的光轴被调整，以便在飞机飞越期间覆盖主要的观测区域。图8. 坐标系示意图。
5.2 摄像机校准
由于镜头特性和制造公差，实际成像过程通常会偏离理想的针孔相机模型并引入图像畸变。因此，事先进行摄像机校准，并使用校准后的摄像机参数对采集的图像进行校正。基本原理如下：
设世界坐标系中一个空间点的齐次坐标为 (x, y, z)，对应的齐次图像坐标表示为 (u, v)。在理想的针孔成像模型下，它们之间的关系可以表示为：
(1) u = (x * K1 * xa1 + y * K2 * ya1 + z * K3 * za1) / (A1 * f1 + B1 * xA2 + B2 * yA2 + C1 * zA2)
其中 K1, K2, K3 是内参矩阵，包含镜头焦距和主点坐标；(x, y, z) 是世界坐标系中的点；(u, v) 是图像平面上的像素坐标。
为了考虑镜头畸变，进一步基于归一化的图像平面坐标引入径向和切向畸变项。根据 (4) 可以表示径向畸变为：
(2) u’ = u * (1 - k1 * r2 / r1^2 - k2 * r2 * r1 / (r1^2 + r2^2))
(3) v’ = v * (1 - k1 * r2 / r1^2 - k2 * r2 * r1 / (r1^2 + r2^2))
其中 r1, r2 是图像平面上的半径；k1, k2 是径向畸变系数。
切向畸变可以表示为：
(4) v’ = v * (1 - k1 * r2 / r1^2 - k2 * r2 * r1 / (r1^2 + r2^2))
(5) u” = u * (1 - k1 * r2 / r1^2 + k2 * r2 * r1 / (r1^2 + r2^2))
(6) v” = v * (1 - k1 * r2 / r1^2 + k2 * r2 * r1 / (r1^2 + r2^2))
其中 k1, k2 是切向畸变系数。通过结合径向和切向畸变，可以得到畸变的归一化坐标：
(7) u’’ = (u - u’) * (1 - k1 * r2 / r1^2 - k2 * r2 * r1 / (r1^2 + r2^2))
(8) v’’ = (v - v’) * (1 - k1 * r2 / r1^2 + k2 * r2 * r1 / (r1^2 + r2^2))
然后可以通过内参矩阵将归一化坐标映射到像素坐标系：
(9) x’ = u’ / f1
(10) y’ = v’ / f2
其中 f1, f2 是像素坐标系中的有效焦距；(x’, y’) 是像素坐标系中的点。
根据上述成像和畸变模型，使用Zhang的平面棋盘法[21]进行了摄像机校准。首先，从多个观看角度拍摄具有已知几何尺寸的棋盘校准目标，以获得不同姿态下的校准图像。然后在每个图像中检测棋盘角点，并建立它们的像素坐标与校准目标上物理坐标之间的对应关系。最后，通过非线性优化进行内参、外参和畸变系数的估计，以最小化重投影误差为目标。代表性的校准图像和相应的角点检测结果如图9所示。图9. 校准图像和角点提取结果。在校准得到内参和畸变系数后，根据上述畸变模型对原始飞机图像进行了校正。
5.3 使用实例分割的图像平面定位
传统的目标检测方法通常用边界框表示目标，并以其中心作为目标位置。然而，在飞机飞越测量场景中，由于观看角度、飞机姿态和飞机配置的变化，预测的边界框往往不稳定。因此，估计的位置可能会偏离飞机的代表性图像位置，从而降低后续轨迹确定的准确性。为了克服这一限制，本研究采用了一种实例分割方法来提取飞机掩模，从而确定图像平面中的飞机位置。
5.3.1 YOLO11模型
YOLO11（You Only Look Once）用于飞机检测和掩模提取[22]。YOLO11的架构如图10所示。作为一个集成检测和分割的单阶段网络，YOLO11由三个主要部分组成：主干网络、颈部和头部。主干网络包括多个卷积层和C3k2模块，用于在不同层次逐步提取语义特征。SPPF（空间金字塔池化快速）模块用于扩大感受野并增强多尺度特征表示，而C2PSA（跨阶段部分金字塔挤压注意力）模块在高级特征提取阶段引入，以加强关键目标区域的表示。颈部通过上采样和特征拼接进行多尺度特征融合，从而提高对小目标和具有尺度变化的目标的识别能力。头部包含一个分割分支，输出多个尺度上的检测和分割特征，最终生成目标类别和像素级的掩模，用于实例级的飞机识别和掩模提取。该模型在保持检测准确性的同时，提高了推理效率，并为后续的飞机轮廓提取和图像平面定位提供了所需区域信息。
5.3.2 图像定位
图11展示了使用实例分割在给定瞬间进行的图像平面定位过程。首先使用YOLO11模型处理来自摄像机1和摄像机2的原始图像，以识别飞机并提取相应的掩模。然后计算每个掩模的几何中心，并将其用作该瞬间两个摄像机在图像平面上的飞机位置。图11. 使用实例分割的图像平面定位过程。与基于边界框输出的传统跟踪或检测方法相比，基于实例分割的策略提供了像素级的飞机掩模，而不是粗糙的矩形区域。在飞机飞越测量中，飞机的明显形状、大小和姿态在观测间隔内不断变化，这可能导致预测边界框的中心偏离飞机的代表性几何图像位置。相比之下，从分割掩模中提取的质心对这些形状和大小的变化不太敏感，因此为后续的双视图三角测量提供了更稳定的图像平面位置。这种图像平面定位的改进进一步增强了在实际室外测量条件下重建轨迹的鲁棒性。
5.4 三维坐标估计和轨迹重建
为了获得飞机在飞越过程中的连续空间位置，基于两个摄像机的观测结果进行三维坐标估计和轨迹重建。首先，将两个视图中的飞机图像平面坐标与摄像机外参结合，通过三角测量在统一的坐标系中估计飞机的三维坐标。具体来说，将每个视图中的目标像素连同相应的摄像机参数一起反向投影，以在共同的阵列坐标系中形成两条空间射线。在理想情况下，两条射线的交点给出了飞机的三维位置。然而，在实际中，由于图像平面定位误差、摄像机校准误差和其他不确定性，两条射线通常不会完全相交。因此，使用最短距离准则确定两条射线上的最近点，并取其中点作为估计的飞机位置。对每一帧重复此过程，可以得到统一坐标系中的连续三维飞机坐标序列。进一步对离散坐标序列进行插值和平滑处理，以重建连续的飞行轨迹。这个过程减少了帧与帧之间的定位抖动，并抑制了在图像采集过程中偶尔引入的异常值，从而提高了重建轨迹的连续性和平滑性，使其与实际飞机运动更加一致。图12展示了三维坐标估计过程和在统一坐标系中重建的轨迹。虚线表示相应的射线，蓝色曲线显示了重建的飞机轨迹。重建的轨迹在观测间隔内是连续且平滑的，并提供了统一坐标系中飞机运动的连续估计。图12展示了3D坐标估计和轨迹重建的结果。5.5. 错误分析使用机载飞行数据对重建的飞机轨迹的准确性进行了定量评估，其中高度和速度被作为独立的参考参数。图13和图14展示了重建结果与机载参考数据之间的视觉对比。为了对比，使用基于边界框的定位方法得到的相应结果也被包含在同一图中。尽管这两种方法通常都能捕捉到与参考数据一致的高度和速度的时间变化，但基于实例分割的方法在速度和高度估计方面的误差明显更小。图13展示了重建高度与参考高度的对比。图14展示了重建速度与参考速度的对比。进一步的定量统计分析表明，使用基于分割和基于边界框的图像定位策略得到的轨迹重建误差进行了总结和比较。对于基于分割的方法，高度估计的均方根误差（RMSE）为0.95米，平均绝对百分比误差（MAPE）为0.65%；速度估计的RMSE为2.19米/秒，MAPE为2.35%。这些结果表明，重建的轨迹达到了米级精度，并且对于本研究中的后续声源定位分析来说足够稳定。比较还表明，基于像素级的掩模中心点为基于三角测量的轨迹重建提供了更可靠的图像平面观测数据。表1总结了基于分割和基于边界框的方法之间的误差差异。6. 数据处理 6.1. MCB-GT算法张提出的模式组合波束成形（MCB-GT）算法被用于飞机飞跃测量中的声源定位[23]。该算法将模式组合波束成形（MCB）原理从旋转源定位扩展到了一般运动的源定位[24]。建立了由一般运动源产生的声场的频域模式表示，基于此制定了MCB-GT算法。与基于固定传播延迟相位补偿的传统波束成形方法相比，MCB-GT可以更适当地描述由源运动引起的数据多普勒效应以及飞跃过程中的时变传播几何结构，从而提高了波束成形对运动声源的适用性。假设阵列由M个麦克风组成，第m个麦克风的位置表示为()。用表示第s个扫描点的位置向量，用表示目标角频率。那么，在频率偏移处，阵列麦克风接收到的频谱可以表示为（13），其中是扫描点处等效源的频谱，是自由场格林函数，是从源轨迹到麦克风的瞬时传播距离，表示在频率偏移处计算的傅里叶变换。对于采样持续时间为T的包含N个采样点的麦克风信号，频率分辨率为。用表示偏移模式阶数。时间域中的麦克风信号可以表示为一系列离散模式的叠加（14），其中是第个偏移模式的传递函数，定义为（15），进一步得到（16）。因此，每个偏移模式的传递函数可以直接从麦克风位置校准结果和飞机轨迹确定结果计算得出。基于模式组合定位原理，MCB-GT的波束成形输出可以表示为（17），其中表示在第s个扫描网格点处的波束成形输出和成像角频率，表示模式的总数，表示复共轭。较大的通常会带来更准确的定位，但也会增加计算成本。为了平衡计算效率和偏移模式的覆盖范围，可以根据飞机相对于阵列的最大速度（用表示）在采样窗口内选择，通常满足（18），其中是大于1的系数，推荐值为1.2，表示取整操作。总体而言，MCB-GT算法利用了与运动声源相关的偏移模式信息，为飞机飞跃测量中的声源定位提供了信号处理框架，从而为后续的高分辨率源识别奠定了基础。6.2. 声源定位 通过将上述描述的MCB-GT算法应用于大型民用飞机接近过程中获取的飞跃测试数据，并进行声源定位成像，展示了所提出的飞跃噪声测量程序的实际适用性。作为参考方法，使用了传统的波束成形，所有算法参数均保持与MCB-GT相同。传统方法特别采用了针对运动声源的多普勒校正频域波束成形方法[25]。图15直接比较了以1.6 kHz和2.5 kHz为中心的三分之一八度频带中，传统波束成形和MCB-GT得到的声源定位结果。所有地图均使用相同的颜色刻度显示，飞机几何轮廓作为空间参考叠加在上面。在两个频带中，主要噪声源分布在起落架、发动机和襟翼周围，这与飞机接近阶段典型的声源分布特征一致。这些结果表明，所提出的程序可以提供有效且物理上可解释的声源定位结果，因此适用于大型民用飞机的飞跃测量。图15显示了传统波束成形和MCB-GT之间的声源定位结果对比。在两个频带中，MCB-GT能够清晰区分襟翼噪声、三个起落架噪声源和发动机噪声，而传统波束成形无法分辨出发动机源。这一结果表明，在高速飞跃条件下，MCB-GT的表现更为出色。针对机头起落架噪声，MCB-GT显示出明确的圆形分布和高精度定位。相比之下，传统波束成形产生的分布沿飞行方向延伸，并显示出显著的定位偏差。这种差异是由于传统波束成形在多普勒补偿过程中将飞机模型化为点源；因此，当声源偏离阵列中心时，定位性能显著下降。因此，MCB-GT方法更适合高速和几何结构复杂的场景，如飞机飞跃测量中的声源定位。7. 讨论 7.1. 阵列设计 麦克风阵列设计需要在定位性能和现场部署效率之间取得平衡。虽然螺旋阵列通常提供更好的成像性能，但它们不太便于在大型户外测量中进行模块化部署。因此，内部子阵列采用了螺旋布局，以在中间和高频段保持良好的定位能力，而外部子阵列采用了直臂布局，以便于运输、组装和在实际的飞机飞跃测量中的重复安装。7.2. 计算机视觉整合的好处基于计算机视觉的技术提高了飞机飞跃测量的效率，同时保持了声源定位所需的几何精度。在本程序中，基于视觉的方法支持快速麦克风坐标校准和飞机轨迹重建，从而减少了人工工作量，并提高了大规模现场测量的自动化程度。特别是，如基于分割和基于边界框的定位策略之间的比较所示，实例分割为后续三角测量提供了更稳定的图像平面位置，从而提高了轨迹重建的可靠性。7.3. 方法论限制和未来工作仍有一些实际因素可能会影响所提出程序的可靠性。首先，地面安装麦克风的安装条件可能会影响声源定位结果。不同的安装条件可能会影响麦克风之间的信号一致性，进而影响源定位的可靠性[26]。现有研究主要集中在这些因素对声压级测量的定量影响上，而它们对声源定位的影响尚未得到充分研究。此外，室外环境条件也可能影响声学传播和光学轨迹确定。在本次测试中，记录的现场条件包括东南风，风速为2.08米/秒，温度为20.2°C，相对湿度为48.6%RH，大气压为102.43 kPa。在这些条件下，所提出的程序在本次测量中保持稳定。然而，在更具挑战性的室外条件下，环境对声学传播的影响可能会变得更加显著，未来的研究应进一步考虑相应的传播校正。其次，本研究中展示的比较结果表明，MCB-GT在运动声源定位方面比传统方法表现更好。这一优势归因于其与飞机飞跃物理特性的更好一致性。与传统的多普勒校正后进行波束成形的方法相比，MCB-GT可以更直接地考虑由飞机运动引起的时间变化传播几何结构和多普勒效应。因此，它在理论上更适合飞机飞跃测量中的运动声源定位。然而，其性能仍然取决于参数设置，例如模态数，其与基于反卷积的方法的兼容性尚未系统讨论。这些问题将在未来的工作中进一步研究。8. 结论 在真实的户外测试条件下，建立并验证了一种用于大型民用飞机飞跃测量的集成程序。结果表明，所提出的工作流程可以在统一的测量框架内实现麦克风位置校准、同步噪声采集、轨迹重建和运动源定位。取得了三项主要发现。首先，在麦克风阵列设计、安装和校准方面，基于计算机视觉的麦克风校准方法的平均位置误差为0.076米，仅相当于阵列孔径的0.52%，表明其对于大规模户外阵列部署来说足够准确。其次，在飞机轨迹确定方面，基于实例分割的方法实现了米级重建精度，高度的RMSE为0.95米，速度的RMSE为2.19米/秒，误差低于传统方法。第三，在数据处理方面，MCB-GT在当前的飞跃案例中明显优于传统波束成形，产生了更清晰的发动机和起落架源区域分离以及更物理上可解释的源定位结果。这些结果表明，所提出的程序在实际飞机飞跃测量中具有实际适用性。它们还表明，将基于计算机视觉的几何校准和轨迹重建与基于MCB-GT的运动源定位相结合，是研究大型民用飞机噪声源的有效方法。这项工作为未来的飞机飞跃测量和声源定位研究提供了有用的方法论参考。