基于远程麦克风技术且考虑头部移动的自适应主动道路噪声控制头枕的规范化策略

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Regularization strategies of an adaptive active road noise control headrest with the remote microphone technique under head translation

　　

• •
  本文对比了两种用于自适应远程麦克风道路噪声控制的正则化策略。
• •
  利用真实道路测试数据分析了在头部移动情况下的降噪性能。
• •
  观测滤波器正则化方法的性能优于控制滤波器正则化方法。

引言

在大多数行驶速度下，轮胎与路面相互作用产生的道路噪声是新能源电动汽车车内噪声的主要来源[1]。当车速超过30公里/小时时，乘客耳部周围的A计权声压级通常会超过60分贝[2]、[3]、[4]，长期处于这样的高噪声环境中会显著降低乘员的舒适度。自20世纪90年代以来，由于主动噪声控制具有降低低频噪声的潜力，因此得到了广泛研究[5]。由于受次要声源数量的限制，整个车内噪声控制的最高频率通常低于300赫兹[6]。主动式道路噪声控制头枕因仅需两个次要声源即可实现更高频率范围的降噪效果而备受关注。然而，主动式道路噪声控制头枕的性能，包括收敛稳定性和降噪效果，会受到头部运动引起的次级路径变化的影响。

解决这一问题的一个简单有效方法就是采用鲁棒性优化技术。例如，有研究提出了改进的成本函数，用于最小化头部旋转后所有目标位置的均方误差之和[7]。通过优化无耦合效应的虚拟系统响应，有效延长了头部的横向移动距离[8]。基于这些研究，又有研究提出了约束多目标优化方法，旨在通过虚拟麦克风提升头部旋转时ANC头枕的鲁棒性[9]。虽然通过上述方法可以提高ANC头枕的鲁棒性以应对头部运动，但代价是耳部处的最佳降噪效果会下降。

另一种解决方法是集成头部/耳朵追踪技术，以便更新与头部/耳朵位置相匹配的预存储滤波器。例如，有研究使用红外热成像传感器来追踪乘员的头部运动[10]，还有研究使用深度相机来持续定位乘员的耳朵位置[11]。由于上述研究采用了固定系数的控制滤波器来进行噪声消除，因此在非静态声场中其降噪性能可能会下降。为在头部运动时保持降噪性能，最近的研究通过自适应控制中的头部追踪技术，动态选择预存储的观测滤波器[12]和次级路径[13]、[14]。当人工耳部在200毫米范围内移动时，道路噪声的最高降噪效果可达14分贝，频率为150赫兹[14]。不过，在实际ANC头枕中，较高的降噪性能与高分辨率头部追踪所需的巨大存储容量之间也存在权衡关系[15]。为在保持控制性能的同时降低网格密度，人们将多种插值方法集成到基于头部追踪的头枕中，用于估算测量点之间的系统响应[16]。此外，还有研究提出通过虚拟感测进行在线次级路径建模，以提高麦克风位置变化时的控制性能[17]。然而，对于道路噪声ANC头枕而言，如何在头部运动情况下应用插值技术和在线系统响应建模，目前仍鲜有研究。

在最新的研究中，人们开始运用数据驱动方法来建模相应的次级路径。有研究提出了基于深度学习的次级路径更新技术[18]，并训练了深度神经网络模型[19]、[20]，以便在不同空间条件和非静态加速度条件下持续估算次级路径。当误差传感器移动8厘米或旋转30度时，该技术可实现高达10.2分贝的稳定道路噪声降噪效果[20]。为了实现稳健的反馈控制，还有研究从实验数据中识别并构建了次级路径模型[21]、[22]。然而，要实现具备泛化能力的神经网络模型的大规模多条件训练，需要大量的数据集和强大的计算能力，而且目前关于针对头部运动的次级路径数据驱动建模的研究在ANC头枕领域还十分匮乏。

通过正则化来放宽渐近收敛的条件，是另一种提升自适应ANC系统性能的方法[23]。这种方法的优点是不需要进行头部追踪，但代价是降噪效果会下降。有一些研究探讨了利用耳部处的真实信号来判断头枕稳定性的充分条件[24]，以及采用远程麦克风技术的头枕的相关问题[25]。在前者中，通过在调谐噪声自适应控制系统中适当应用正则化，提升了控制稳定性[16]。在采用远程麦克风技术的头枕中，也通过正则化对观测滤波器进行建模，以提高估计性能的鲁棒性[25]、[26]。不过，关于通过正则化优化观测滤波器模型来提升稳定性的研究报道较少，而且两种正则化策略对道路噪声ANC头枕性能的影响也尚不清楚。

本文针对采用远程麦克风技术的自适应主动式道路噪声控制头枕，分析了两种正则化策略——一种用于观测滤波器建模，另一种用于自适应控制实现——并对其进行了比较。首先介绍了采用远程麦克风技术的自适应控制算法，以及运用正则化提升稳定性的原理。其次，基于一辆以50公里/小时速度行驶的电动汽车的测量数据，从频率域和时间域两方面分析了不进行头部追踪时头枕的收敛稳定性。接着，研究了观测滤波器建模中的正则化作用以及在自适应控制实现中的正则化作用对提升稳定性的影响，并对其进行了比较。最后，探讨了在观测滤波器建模中使用正则化的适用条件。

章节摘要

理论基础

为便于理解，本节中的理论推导是在频率域内针对每个单一频率进行的，属于频率域形式的推导。标量用斜体表示，向量用粗斜体表示，矩阵用粗体罗马数字表示。图1展示了采用远程麦克风技术的前馈式主动控制算法的示意图[27]。在该图中，K个参考信号构成的向量为x =?[x₁ x₂… x_K]^T，I个物理位置处的原始信号则构成一个I×?1向量

测量装置

测量是在一辆以50公里/小时速度在城市道路上行驶的5座电动汽车上进行的。如图2(a)所示，乘客座椅的ANC头枕上布置了两个辅助扬声器（S₁和S₂）、两个误差传感器（E₁和E₂）以及4个物理麦克风（M₁?～?M₄）。此外，还使用了12个三轴加速度计（引擎盖下2个，底盘悬挂装置上8个，后轮轮毂附近2个）以及12个单轴加速度计（10

性能提升

本节基于测量数据，分析了两种正则化策略——一种用于观测滤波器建模，另一种用于自适应控制实现——在采用远程麦克风技术的自适应主动式道路噪声控制头枕中的应用情况。需要注意的是，频率域和时间域中的正则化系数数值并不相同。在纯音原始噪声控制的情况下，时间域中的正则化

结论

本文研究了在乘员头部移动情况下，采用远程麦克风技术的自适应主动控制头枕的降噪性能。在一款典型的电动汽车中，比较了两种用于提升收敛稳定性的正则化策略。无论是从频率域还是时间域的仿真结果来看，当头部从初始位置移动超过一定距离时，该自适应ANC头枕的稳定性往往会下降

作者贡献说明

康佳琪：论文撰写——初稿编写、可视化处理、验证工作、方法设计、实验研究、形式分析、数据整理。杨子毅：可视化处理、方法设计、实验研究、形式分析、数据整理。陶建成：论文撰写——审稿与编辑、项目监督、资源协调、项目管理、资金筹措。邱晓军：论文撰写——审稿与编辑、方法设计、概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

本研究得到了中国国家自然科学基金的支持（项目编号：11874218）。

Jiaqi Kuang|Ziyi Yang|Jiancheng Tao|Xiaojun Qiu