基于实地测量的多旋翼无人机噪声集成学习预测方法

《Measurement》：Field measurement based prediction of multi-rotor drone noise using ensemble learning

　　•利用11种不同型号的无人机，构建包含11,000个样本的高保真声学数据集。•开发一种堆叠集成框架，以实现准确且稳健的噪声预测。•相较于基准方法，该模型具备更出色的泛化能力（R2=0.966）。•通过SHAP分析量化旋翼半径和起飞质量对噪声的影响。

引言
近年来，由于无人飞行器产生的噪声会对周边社区造成影响，相关研究受到了广泛关注[1]。根据美国联邦航空管理局[2]、欧盟航空安全局[3]以及英国民航局[4]的定义，无人机是指最大起飞重量为25公斤的无人飞行器。由于其在航空航天、物流、交通和环境监测等领域的创新应用，无人机已引起工业界的极大兴趣[5]。然而，随着这类无人机部署数量的增加，其产生的声学影响以及由此带来的公众困扰问题也日益凸显，尤其是在低空和近距离作业时。

因此，准确描述无人机噪声对于评估其环境影响以及为城市环境中的低噪声空域设计提供依据至关重要[6]。越来越多的基于实测的研究致力于在典型运行条件下分析多旋翼飞机的噪声特性。户外研究表明，在飞行和悬停过程中，声压级会因高度、横向距离以及飞行器结构的不同而出现显著变化[7][8]。多麦克风阵列测量进一步揭示了噪声的明显角度依赖性和频率依赖性辐射特征，从而能够为小型多旋翼飞行器精确重建噪声分布范围[9][10]。在无回声室和半无回声室中进行的室内实验则有助于了解旋翼与机身的相互作用机制、音调成分以及与推力相关的声学行为[11][12]。对于多旋翼无人机而言，其主要噪声源通常与螺旋桨的气动声学效应有关。以往基于噪声源成像、室内特性分析、无回声室测量以及实地飞行测量的研究表明，无人机噪声受旋翼与机身的相互作用、叶片经过时的音调成分、宽频段气动噪声、推力需求以及飞行状态等因素的强烈影响[9][10][11][12][21]。这些研究结果表明，多旋翼无人机噪声并非由单一因素决定，而是由飞行器配置、旋翼几何形状、气动载荷以及运行条件等多种因素共同作用的结果。

反向传播方法还表明，通过同步获取飞行状态、GPS数据以及声学数据，可以推断出无人机的飞行轨迹，并在真实操作环境下构建三维噪声地图[13][14]。不过，现有的大多数测量研究仅涉及有限类型的无人机、简化的飞行轨迹或短时间任务，因此缺乏大规模、高分辨率的数据集，难以用于构建通用的噪声源模型。这一局限性促使人们越来越关注数据驱动的预测方法，这类方法能够利用详细的实验测量数据，更高效且更具可解释性地推断出无人机的声学排放特性。

近年来，航空声学领域逐渐开始探索基于机器学习的方法，用于预测传统飞机以及新兴的多旋翼无人机的噪声。例如，有一种简单而高效的数据驱动模型被提出用于预测飞机噪声的影响，证明了这类方法相比传统方法在计算效率上的优势[15]。对于固定翼飞机，基于基本配置和发动机参数训练的模型已经显示出无需复杂的动力学或几何描述即可估算整体声压级的可行性[16]。在此基础上，最近又有研究提出了结合卷积神经网络和Transformer的混合深度学习模型，用于预测商用飞机的噪声[17]。在旋翼飞行器以及先进空中交通系统的相关研究中也出现了类似的发展。在物理建模领域，高保真仿真被用来生成噪声-功率-距离数据，从而为城市空中交通车辆建立基于预测的模型框架。尤其是，NASA针对四旋翼飞行器以及升力+巡航型飞行器进行了相关研究[18]。基于机器学习的模型也被应用于宽频段旋翼飞行器噪声的预测[19]，以及在不同运行条件下悬停旋翼的气动声学特性分析[20]。另有研究指出，旋翼转速、飞行器姿态以及气动载荷的变化都会显著影响其产生的噪声强度[21]。

对于电动起降无人机以及其他多旋翼飞行器，以数据为中心的预测框架正在向能够捕捉噪声排放与动态飞行状态之间非线性关系的时序深度学习架构发展。一种模块化的两阶段方法表明，利用CNN-BiLSTM-Attention架构，可以将机身速度、欧拉角、角速度以及电机转速等特征有效地映射为A计权声压级[22]。早期的分析已经指出了传统的分组件噪声模型在处理多旋翼飞行器时的局限性，因为这些飞行器的旋翼几何形状各异，相互作用复杂，且飞行轨迹变化很大[23][24]。此外，相关研究还将飞行程序以及与轨迹相关的声波传播因素纳入考量，以评估地面处的噪声暴露水平[25]。更广泛的声学研究也强调了机器学习在模拟复杂系统中非线性声音生成过程方面的应用价值[26][27]。

除了无人机和飞机的噪声预测之外，最近的研究还进一步展示了机器学习在声学建模、噪声预测以及与测量相关的预测任务中的重要作用。在工程声学领域，机器学习方法已被用于声场预测、缺陷检测以及管道声学问题分析[28][29]。在环境声学和航空声学领域，人们开发了集成回归模型、人工智能方法以及数据驱动的螺旋桨噪声模型，用于城市噪声预测、噪声分布绘制以及复杂运行条件下的螺旋桨噪声估算[30][31]。以测量为导向的研究还将机器学习应用于直升机的主动结构声学控制，以及发动机噪声和振动的预测[32][33]。这些研究表明，机器学习方法为描述声学排放、源特性以及运行条件之间的非线性关系提供了一种有效手段。

在声学领域之外，机器学习还被广泛应用于故障诊断、状态监测以及剩余使用寿命预测等方面[34][35][36][37]。最近的研究利用深度强化学习、物理信息深度学习、深度迁移学习以及数据驱动的预测建模技术，从复杂的测量数据中提取有价值的模式[34][35][36][37]。这些进展为利用数据驱动模型从异构测量数据中学习非线性关系提供了更有力的方法支持。

在车辆交通噪声预测领域也出现了类似的进展，数据驱动方法正在逐步取代传统的经验模型[38]。具体而言，自适应神经模糊推理系统已被证明在处理环境噪声数据中固有的高不确定性和非线性问题时，比传统的回归方法更具优势[39]。鉴于其在类似任务中的出色表现，自适应神经模糊推理系统可作为评估新型无人机噪声预测框架的优质对比基准。然而，尽管在这些方法上取得了进步，但目前仍缺乏一种能够利用集成学习技术，将多旋翼飞行器的飞行状态与声学排放精准关联起来，同时保持良好可解释性的稳健框架。

集成学习是一类机器学习方法，通过结合多个基础模型，从而实现比单个模型更好的预测性能[40]。根据学习策略的不同，集成方法通常可分为装袋法、提升法和堆叠法。其中，堆叠法与装袋法和提升法的区别在于，它通常整合多种不同的基础模型，从而能够充分利用不同算法的优势[41]。正是由于这种灵活性，堆叠框架在模拟那些难以用单一模型捕捉的复杂非线性关系方面展现出巨大潜力。近年来，集成学习已被广泛应用于各种预测任务，包括软件缺陷预测[42]、风能预测[43]、锂离子电池容量估算[44]，以及智能交通系统中的数据重建[45]。

在气动声学领域，随机森林模型已成功用于预测跨音速颤振噪声，这验证了集成方法在捕捉复杂频谱特征方面的能力[46]。这些研究一致表明，基于集成方法的策略能够提升模型的稳健性和泛化能力，尤其是在面对数据来源多样且特征之间存在非线性交互的场景时。受这些研究结果的启发，本研究采用集成学习方法，以提高不同类型无人机噪声模型的预测可靠性。此外，本研究还利用SHAP分析来提升模型的可解释性，该分析方法为解释各个输入特征对模型预测的贡献提供了统一的框架[47]。

综上所述，这些研究似乎形成了一种共识，即数据驱动的方法为无人机噪声预测提供了一种高效且可扩展的途径，尤其适用于那些噪声特性受运行条件显著影响的多旋翼无人机。目前的预测方法大多依赖于仿真以及规模有限的数据库，因此，为了满足各种实际应用的需求，亟需采用具有可解释性的、基于实测的数据方法。表1总结了这些研究的内容。现有研究的不足之处从四个方面体现：飞机类型、数据来源、预测方法以及可解释性。最后一行说明了本研究如何解决这些问题。

本研究提出了一种基于数据驱动的多旋翼无人机噪声预测模型，该模型以可解释的机器学习方法为基础，并通过大量的实验测量数据进行训练。该框架的完整工作流程如图1所示，共分为四个关键阶段：通过户外实验建立高保真的数据基础，构建用于精确预测的堆叠集成模型，通过SHAP分析实现物理层面的可解释性，以及为环境噪声评估提供可行的建议。

本研究的主要贡献如下：
1. 提出了一种数据驱动的框架，利用可解释的机器学习方法，预测多旋翼无人机在真实飞行条件下的A计权噪声水平。
2. 构建了一种基于随机森林和XGBoost的集成堆叠模型，相比单个基础模型，该模型具有更高的预测精度和稳定性。
3. 本研究提出的堆叠模型性能优于其他基准模型。同时，通过SHAP分析确定了与噪声相关的关键特征，为无人机噪声评估提供了具有物理意义的解释。

本文的其余部分结构如下：第2节介绍了实验方案及数据处理流程，重点阐述了噪声测量、反向传播以及数据归一化处理方法。第3节详细介绍了整体方法论，包括候选基础模型的选择、超参数调整以及堆叠集成框架的构建过程。第4节全面分析了模型的预测性能以及基于SHAP的可解释性。最后，第5节对全文进行总结，并提出了未来研究的方向。

实验测量与数据预处理
实验设计旨在为多旋翼无人机在水平飞行过程中的噪声测量创建标准化的源级噪声数据集。在接收器高度为1.5米的位置，使用安装在三脚架上的线性声级计阵列，从多个横向观测角度测量声压级。在整个测量过程中，还会持续监测气象条件以及背景噪声情况。测量与数据预处理的全流程如下：

方法论
本研究的目标是开发一种数据驱动的噪声预测模型，用于预测在真实飞行条件下运行的多旋翼无人机所产生的噪声。所提出的模型旨在根据无人机的飞行状态和几何特性，估算其产生的A计权声压级，从而为噪声评估和管理提供有效的工具。

输入特征的选取是基于引言中提到的多旋翼无人机产生噪声的主要机制。

模型性能评估
为评估所提出的堆叠模型的预测不确定性，分析了预测误差的分布情况，并将其展示在图9中。误差分布呈现以零为中心的对称单峰形态，说明模型预测不存在系统性偏差。虽然在误差分布的尾部可以观察到轻微的高斯分布偏差，但整体统计特性仍然十分集中。大约77%的预测误差落在……

结论
随着低空多旋翼无人机作业规模的迅速扩大，迫切需要准确且具有可解释性的工具来进行环境噪声评估。为克服现有基于仿真的或范围有限的框架的局限性，本研究提出了一种基于实测数据的机器学习方法，该方法能够根据飞行状态以及无人机的规格参数来估算A计权声压级。本研究使用了涵盖11种不同类型多旋翼无人机的一系列标准化数据集，对声学数据进行了……

CRediT作者贡献声明
卢兆杰：撰写——初稿、方法论、正式分析、数据整理、概念构思。马传奇：数据整理、方法论、撰写——审阅与编辑。朱华莎：撰写——审阅与编辑、正式分析、数据整理。王子润：调研、数据整理。王立民：撰写——审阅与编辑。杨伟军：撰写——审阅与编辑、资源协调、资金获取。蔡明：撰写——审阅与编辑、监督、项目管理、资金获取。

利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了深圳市科技计划项目（项目编号：KJZD20240903104106009）以及中国国家自然科学基金（项目编号：52302448）的支持。

卢兆杰|马传奇|朱华莎|王子润|王立民|杨伟军|蔡明