基于CLEAN-SC清晰化波束形成的汽车前围板隔声薄弱部位识别

杨洋，褚志刚

基于CLEAN-SC清晰化波束形成的汽车前围板隔声薄弱部位识别

杨洋1，褚志刚2

(1. 重庆工业职业技术学院车辆工程学院，重庆401120；2. 重庆大学汽车工程学院，重庆400030)

为提高波束形成识别汽车前围板隔声薄弱部位的精度，开发了CLEAN-SC清晰化波束形成声源识别软件。对多种已知模拟声源的识别结果表明：该方法能够显著提高分辨率、衰减旁瓣，更准确地识别单声源及不相干声源，且随迭代次数的增加收敛快、受传声器及通道频响失配等因素的干扰小。某汽车前围板的隔声薄弱部位识别试验结果表明：空调进气口左上角位置是主要薄弱部位，空调进气口内外循环转换阀与阀口贴合不紧密是根本原因。为改善其隔声性能指明了方向，验证了CLEAN-SC清晰化波束形成方法在汽车前围板隔声薄弱部位识别中的有效性及所开发软件的正确性。

汽车前围板；隔声薄弱部位识别；波束形成；CLEAN-SC；算法设计；软件开发

0 引言

汽车前围板的隔声性能是决定驾驶员、乘客受发动机等噪声干扰程度的关键因素，准确识别其隔声薄弱部位是制定有效改进方案的前提，对改善车内声学性能具有重要意义。基于传声器阵列测量的波束形成技术[1-5]只需在距被测对象一定距离的位置进行单次测量便可对整个对象进行声学成像，测量速度快、计算效率高、测量工况稳定性易于保证，满足汽车前围板隔声薄弱部位的识别需求。

传统波束形成(Conventional Beamforming, CB)方法的输出结果是声源分布与阵列点传播函数的卷积，阵列传声器采样的有限性和离散性使其点传播函数无法等于理想的δ函数，不仅在真实声源位置输出具有一定宽度的“主瓣”，还在非声源位置输出“旁瓣”。主瓣的宽度影响声源识别的分辨率，旁瓣的出现污染声源成像图，使声源识别结果的分析具有不确定性[6-8]。近年来，提高分辨率、衰减旁瓣的清晰化波束形成方法备受关注。2004年，美国NASA的Thomas F. Brooks等[9]在传统波束形成输出结果、阵列点传播函数、声源声压强度分布之间建立线性方程组，反复迭代求解该方程组来重构声源声压强度分布，衰减主瓣宽度和旁瓣干扰的限制，给出反卷积声源成像(Deconvolution Approach for the Mapping of Acoustic Sources, DAMAS)方法。2005年，美国OptiNav的Robert P. Dougherty等[10]假设阵列点传播函数具有空间转移不变性，利用傅里叶变换将声源声压强度分布与阵列点传播函数间的卷积转化为波数域的乘积，基于FFT提高计算效率，给出DAMAS的扩展方法DAMAS2。2007年，德国DLR的Klaus Ehrenfried等[11]在传统波束形成输出结果、阵列点传播函数、声源声压强度分布之间建立差函数，最小化该差函数来重构声源声压强度分布，衰减主瓣宽度和旁瓣干扰的限制，给出非负最小二乘(Non-Negative Least Squares, NNLS)方法，进一步，假设空间转移不变阵列点传播函数和镜像空间转移不变阵列点传播函数，将空间域卷积转化为波数域乘积，给出FFT-NNLS方法。同年，荷兰NLR的P. Sijtsma[12]给出清除(CLEAN)方法，通过反复在传统波束形成结果中移除主瓣峰值对应的理论假设点声源的阵列点传播函数来清晰化声源识别结果。

上述清晰化方法都需要基于单极子点声源假设计算理论的阵列点传播函数，然而，实际应用中，声源并非简单的点声源，实际阵列点传播函数与理论阵列点传播函数间存在偏差，必然降低这些清晰化方法的准确度。为克服单极子点声源假设所带来的理论问题，2007年，荷兰NLR的P. Sijtsma[12]给出了基于同一声源产生的主瓣与旁瓣相干的清除(Clean based Spatial Source Coherence, CLEAN-SC)方法，通过反复在传统波束形成结果中移除与主瓣相干的旁瓣来清晰化声源识别结果，不需要计算阵列点传播函数。该方法由于计算效率高、收敛快、旁瓣衰减能力及抗干扰能力强等优点成为国内外学者近年来研究的焦点[13-16]，英国剑桥大学的Alexander R. Quayle等[15]、中国航天空气动力技术研究院的赵小见等[16]都成功运用该方法识别了飞机气动声源。目前，关于CLEAN-SC清晰化波束形成方法识别汽车声源的报道还很鲜见，这是因为CLEAN-SC只对不相干声源有效，而汽车声源多存在相干成分。本文在混响室-消声室中进行汽车前围板隔声薄弱部位识别试验，混响室中各方向传播声波的相位是无规的，声信号从混响室通过前围板隔声薄弱部位透射至消声室时形成的声源亦互不相干，非常适合采用CLEAN-SC清晰化波束形成方法。

本文基于CLEAN-SC清晰化波束形成理论，设计声源识别算法，开发相应软件，基于模拟计算的已知单声源、不相干双声源、相干双声源的声学成像图验证设计算法及开发软件的正确性，分析CLEAN-SC的声源识别性能，探讨传声器及通道频响失配、背景噪声等实际测量因素的影响。在此基础上，进行某汽车前围板隔声薄弱部位的识别试验，准确识别其薄弱部位，为制定有效改进方案指明方向，并验证了CLEAN-SC清晰化波束形成方法在汽车前围板隔声薄弱部位识别中的有效性。

1 CLEAN-SC清晰化波束形成理论

波束形成声源识别技术利用传声器阵列接收声信号，离散声源平面形成聚焦网格点，基于特定算法采用聚焦转向向量反向聚焦各网格点，使真实声源所在聚焦点的输出量被加强，其他聚焦点的输出量被衰减，从而有效识别声源[1-3, 7-8]。图1(a)为波束形成声源识别布局示意图，黑色“u”表示阵列传声器，为号传声器坐标向量，为传声器数目，灰色“«”表示声源平面聚焦点，为其坐标向量。设为聚焦点的聚焦转向列向量，则该聚焦点的波束形成输出量可表达为

其中：为阵列各传声器接收声信号的互谱矩阵，上标T和分别表示向量的转置与共轭。依据传统互谱成像函数波束形成算法[2]，的表达式为

(2)

(4)

CLEAN-SC是提高分辨率、衰减旁瓣的有效方法，其基于同一声源产生的主瓣与旁瓣完全相干的事实，通过反复在传统波束形成结果中移除与主瓣相干的旁瓣、限定声源波束宽度来衰减旁瓣干扰和主瓣宽度的限制，清晰化声源识别结果[12]。初始化阵列传声器接收声信号的互谱矩阵，声源强度分布，由第次迭代计算到第+1次迭代计算的具体步骤为：

(1) 计算完成次迭代后的传统波束形成输出量：

(7)

即式(8)成立：

联立式(6)、式(8)，可得

(9)

2 算法设计与模拟计算

基于CLEAN-SC清晰化波束形成理论，设计声源识别算法，开发相应软件，模拟计算声源平面上已知声源的声学成像。图2为设计算法的流程图，包括正向声场模拟、传统波束形成反向声源识别、CLEAN-SC清晰化波束形成后处理三部分。首先，在尺寸1 m×1 m的声源平面上建立51×51的聚焦点模型并假设声源分布，在距离声源平面1 m的位置建立直径0.65 m的36通道传声器阵列测点模型，根据声学原理正向计算阵列各传声器接收的声信号，得到互谱矩阵；然后，反向聚焦各网格点，根据式(2)、式(3)，计算其聚焦转向向量，根据式(1)所示的传统波束形成理论，计算其输出量并进行声学成像；最后，根据式(5)~式(9)所示的CLEAN-SC清晰化理论，迭代计算声源强度分布并成像，迭代过程中，设定波束宽度为0.04 m，循环因子。

假设单极子点声源位于声源平面上(-0.2, 0) m位置，声源强度为100 dB，辐射声波频率为3000 Hz，图3为模拟计算的识别成像图，显示动态范围为20 dB。图3(a)为理论准确值的成像图，其仅在(-0.2, 0) m声源位置出现100 dB的峰值，其余各聚焦点的幅值均为0。图3(b)为传统波束形成的成像图，虽然其在(-0.2, 0) m声源位置出现峰值等于声源强度的主瓣声学中心，但该声学中心宽度高达0.4 m，若其覆盖区域内存在其他声源，各声源的主瓣声学中心将因具有较大的宽度而相互融合，无法被有效分辨；显示动态范围内，声源平面上出现了大面积旁瓣，严重污染声源识别成像图。图3(c)~3(h)为CLEAN-SC清晰化波束形成的成像图，迭代次数依次为5、10、20、30、50、100，各成像图都在(-0.2, 0) m声源位置出现峰值等于声源强度的主瓣声学中心，且从图3(c)到图3(h)，声学中心宽度依次为0.38、0.38、0.32、0.26、0.08、0.08 m，分别比图3(b)所示的传统波束形成声学中心窄0.02、0.02、0.08、0.14、0.32、0.32 m，表明CLEAN-SC清晰化波束形成方法能够有效缩减主瓣宽度、提高声源识别分辨率；同样显示动态范围内，相比于图3(b)，图3(c)消除了大部分旁瓣，图3(d)仅在右上角出现极少量的旁瓣，图3(e)~3(h)中未见任何旁瓣，表明CLEAN-SC清晰化波束形成方法能够显著衰减旁瓣干扰。此外，对比图3(c)、3(d)、3(e)、3(f)、3(g)所示的5次、10次、20次、30次、50次迭代的成像图，显见，迭代次数越多，CLEAN-SC构建的主瓣声学中心越窄，声源识别分辨率越好，旁瓣也越少，图3(g)所示的50次迭代成像图中，主瓣声学中心半径已达到设定的0.04 m波束宽度，旁瓣已完全被消除，图3(h)所示的100次迭代成像图与图3(g)完全一致，继续增大迭代次数获得的成像图也是如此，说明50次迭代时，CLEAN-SC的清晰化效果已完全收敛到最佳。综上所述，CLEAN-SC清晰化波束形成方法不仅能够显著提高声源识别分辨率、消除旁瓣干扰，而且收敛快，仅需数十次迭代便可达到最佳清晰化效果。收敛快是CLEAN-SC方法相比于DAMAS、DAMAS2、NNLS、FFT-NNLS方法的一大优势，这些方法需要数千次迭代才能达到较好的收敛效果[7-11]。上述模拟计算也验证了设计算法及开发软件的正确性。

实际声源识别不可避免地受传声器及通道频响失配、背景噪声等因素的干扰，为对比分析CLEAN-SC清晰化波束形成在存在干扰时的声源识别性能，同样假设图3(a)所示的单极子点声源并在正向声场模拟计算时添加干扰到阵列各传声器接收的声信号中。图4为模拟计算的识别成像图，显示动态范围为20 dB。图4(a)为传统波束形成的成像图，其重构的主瓣峰值为100.1 dB，位于(-0.18, 0.02) m位置，与图3(b)所示的不存在干扰时的传统波束形成成像图相比，该图中不仅主瓣声学中心发生了变形，而且出现了覆盖面积更大水平更高的旁瓣，最大旁瓣水平仅低于主瓣峰值约6 dB，严重影响声源识别的准确度。图4(b)为CLEAN-SC清晰化波束形成在100次迭代时的成像图，同时，为了与其他清晰化波束形成方法进行对比，本文还模拟计算了DAMAS、DAMAS2、NNLS、FFT-NNLS、CLEAN方法在100次迭代时的成像图，分别如图4(c)~4(g)所示，计算原理分别参考文献[9]、[7, 10]、[8, 11]、[8, 11]、[12]。各图中均在(-0.18, 0.02) m位置出现宽度较窄的主瓣声学中心，声源识别分辨率被提高，CLEAN-SC、CLEAN方法重构的主瓣峰值均为100.1 dB，与100 dB的真实声源强度仅偏差0.1 dB；DAMAS、DAMAS2、NNLS、FFT-NNLS方法重构的主瓣峰值分别为97.1、87.4、90.6、90.4 dB，远小于100 dB的真实声源强度，这主要是因为这些清晰化方法重构的峰值需要数千次迭代才能收敛到声源强度，100次迭代时其尚未收敛的缘故，此时，主瓣声学中心内各聚焦点输出量的线性叠加为其重构的声源强度值[9-11]，依次为100.5、100.7、100.2、100.3 dB，相比于CLEAN-SC、CLEAN方法，偏离100 dB的真实声源强度较多。此外，图4(b)所示的CLEAN-SC方法消除了所有旁瓣，旁瓣衰减能力最强；图4(c)~4(f)所示的DAMAS、DAMAS2、NNLS、FFT-NNLS方法仅消除了部分旁瓣，且最大旁瓣水平与主瓣峰值间的差值依次仅为7、4、5、5 dB，旁瓣衰减能力较弱；图4(g)所示的CLEAN方法承受最多的旁瓣，旁瓣衰减能力最弱。究其原因，主要是因为存在干扰时，实际阵列点传播函数并不等于理论阵列点传播函数，而DAMAS、DAMAS2、NNLS、FFT-NNLS、CLEAN方法通过移除由单极子点声源假设计算的理论阵列点传播函数来消除旁瓣，该系统误差使这些方法的旁瓣衰减能力低于基于主瓣与旁瓣的相干性来消除旁瓣的CLEAN-SC方法。综上所述，当存在传声器及通道频响失配、背景噪声等干扰因素时，CLEAN-SC清晰化波束形成方法能够显著提高分辨率，较准确地重构声源强度，完全消除旁瓣干扰，声源识别性能优于传统波束形成方法及DAMAS、DAMAS2、NNLS、FFT-NNLS、CLEAN清晰化波束形成方法。

为进一步验证设计算法及开发软件的正确性，并分析CLEAN-SC清晰化波束形成方法对多声源的识别性能，首先假设不相干双声源分别位于声源平面上(-0.2, 0) m、(0, 0.2) m位置，声源强度均为100 dB，图5为模拟计算的1200 Hz、3000 Hz时的识别成像图，显示动态范围为20 dB，图5(a)、图5(c)为传统波束形成的成像图，图5(b)、图5(d)为CLEAN-SC清晰化波束形成的成像图，迭代次数为100。对比图5(a)与图5(b)，1200 Hz时，图5(a)中两声源的主瓣声学中心因“传统波束形成的低频宽主瓣”特性相互融合，仅在两声源连线的中心位置形成长轴沿方向峰值等于100.6 dB的椭圆形声学中心，两声源无法被准确分辨识别，图5(b)在两声源位置均形成宽度很窄的主瓣声学中心，虽然两声学中心之间仍残存些许干扰，但两声源已能被准确分辨，且重构的两主瓣声学中心峰值均等于100 dB的真实声源强度；3000 Hz时，图5(c)与图5(d)均在(-0.2, 0) m、(0, 0.2) m声源位置出现峰值等于100 dB主瓣声学中心，图5(d)的主瓣声学中心不仅显著窄于图5(c)，而且显示动态范围内，图5(c)中出现了大面积旁瓣，而图5(d)消除了所有旁瓣。表明：相比于传统波束形成，CLEAN-SC清晰化波束形成方法在识别不相干多声源时也能够显著提高分辨率、衰减旁瓣。其次假设相干双声源分别位于声源平面上(-0.2, 0) m、(0, 0.2) m位置，声源强度均为100 dB，图6为模拟计算的3000 Hz频率的识别成像图，图6(a)所示的传统波束形成成像图在(-0.2, 0) m、(0, 0.2) m声源位置均出现幅值较高的主瓣声学中心，且左侧声学中心峰值为100.8 dB，右侧声学中心峰值为100.7 dB；图6(b)所示的CLEAN-SC清晰化波束形成方法在100次迭代时的成像图仅在(-0.2, 0) m声源位置出现主瓣声学中心，丢失了(0, 0.2) m位置的声源，这主要是因为CLEAN-SC方法在传统波束形成输出结果中移除与主瓣相干的旁瓣，(-0.2, 0) m位置声源与(0, 0.2) m位置声源相干且前者对应的主瓣峰值略高于后者，从而造成后者对应的主瓣声学中心被当成前者的旁瓣被移除的缘故。尽管CLEAN-SC清晰化波束形成方法无法准确识别相干声源，但后续混响室-消声室内的汽车前围板隔声薄弱部位识别试验中，声信号从混响室通过前围板传播至消声室时各隔声薄弱部位形成的明显声源互不相干，仍适合采用该方法。上述模拟计算再次验证了设计算法及开发软件的正确性。

3 汽车前围板隔声薄弱部位识别

某汽车前围板的隔声性能比较薄弱，为准确识别其薄弱部位，在混响室-消声室内进行识别试验。图7为试验布局示意图，前围板安装在混响室和消声室之间的金属板上，图7(a)所示的混响室中放置Brüel&Kjær公司的4292型无指向性声源，测量时，Brüel&Kjær公司的3560B型PULSETM振动噪声测量分析系统的信号发生器发出2000~3000 Hz的宽带随机噪声信号，该信号经Brüel&Kjær公司的2716型功率放大器放大后驱动无指向性声源发声，发出的声信号从混响室通过前围板传播至消声室时，各隔声薄弱部位形成互不相干的明显声源；在图7(b)所示的消声室中利用Brüel&Kjær公司、直径0.65 m、集成4958型传声器的36通道扇形轮阵列在距离声源平面1.2 m位置进行测量。阵列各传声器接收的声信号经41通道PULSE 3560D型数据采集系统同时采集并传输到PULSE LABSHOP软件中进行FFT分析，得各传声器接收声信号的互谱矩阵。进一步，基于传统波束形成理论和CLEAN-SC清晰化波束形成理论，采用设计算法及开发软件反向计算声源平面上各聚焦网格点的输出量，并进行声源表面的声学成像，CLEAN-SC方法设定波束宽度为0.04 m，循环因子，采用的迭代次数为100。

首先，为验证所设计的声源识别算法及开发的相应软件在实际应用中的正确性及有效性，并对比分析传统波束形成方法与CLEAN-SC清晰化波束形成方法的实际声源识别性能，在前围板上各零件尚未安装的情况下进行测量，此时，空调进气口、蒸发器总成、转向柱等部件的安装孔仍存在，这些安装孔应是主要的声泄漏位置。图8(a)为2000~ 3000 Hz传统波束形成的成像图，其出现了两个明显的声学中心：第二声学中心出现在转向柱安装孔位置，与实际声泄漏位置相吻合；第一声学中心呈椭圆形，长轴沿空调进气口左侧安装孔与蒸发器总成安装孔的连线方向，且58 dB的声学中心峰值位于两者连线的中点，由此极易形成“空调进气口左侧安装孔与蒸发器总成安装孔之间的位置存在声泄漏”的误导结论，事实上，空调进气口安装孔与蒸发器总成安装孔才是真正的主要声泄漏位置，之所以造成上述现象，主要是因为传统波束形成分辨率差，无法准确分辨近距离声源的缘故。此外，10 dB的显示动态范围内，声源平面上出现了大面积旁瓣，干扰识别结果。图8(b)为2000~3000 Hz CLEAN-SC清晰化波束形成的成像图，其在空调进气口左侧安装孔、蒸发器总成安装孔、转向柱安装孔、空调进气口右侧安装孔位置按强度从高到低的顺序依次形成清晰明辨的4个声学中心，同样10 dB的显示动态范围内，声源平面上未见任何旁瓣，表明：相比于传统波束形成，CLEAN-SC清晰化波束形成方法能够显著提高分辨率、衰减旁瓣，更准确地识别实际声源。识别的声泄漏位置与实际的声泄漏位置间的一致性验证了设计算法及开发软件在实际应用中的正确性及有效性。

在此基础上，为识别前围板的主要隔声薄弱部位，在各零件已安装的情况下进行测量，测量时空调进气口内外循环转换阀关闭。图9为2000~3000 Hz CLEAN-SC清晰化波束形成的成像图，其在空调进气口左上角位置形成明显的声学中心，表明该位置是主要的隔声薄弱部位。检测其原因，主要是由于空调进气口内外循环转换阀与阀口在该位置贴合不紧密的缘故。进一步在与阀口相贴合的阀体部位粘贴密封材料后再次测量，此时，同样在38~48 dB的显示范围内，测得的声学成像图已无声学中心出现，验证了隔声薄弱部位识别结果的正确性。

4 结论

基于CLEAN-SC清晰化波束形成理论，设计了声源识别算法，开发了相应软件，模拟计算了已知声源的声学成像，进行了某汽车前围板隔声薄弱部位识别试验，主要结论如下：

(1) 针对已知声源的仿真模拟表明：相比于传统波束形成，CLEAN-SC清晰化波束形成方法能够显著提高分辨率、衰减旁瓣，更准确地识别不相干声源，适用于混响室-消声室内汽车前围板隔声薄弱部位识别；相比于DAMAS、DAMAS2、NNLS、FFT-NNLS、CLEAN清晰化方法，CLEAN-SC方法随迭代次数的增加收敛最快，受传声器及通道频响失配、背景噪声等因素的干扰最小。

(2) 设计的声源识别算法及开发的相应软件在已知声源的仿真模拟及汽车前围板隔声薄弱部位识别中的应用均表明：所设计的算法及开发的软件能够准确识别声源，满足汽车前围板隔声薄弱部位识别的实际要求。

(3) 某汽车前围板的隔声薄弱部位识别试验结果表明：空调进气口左上角位置是主要的隔声薄弱部位，内外循环转换阀与阀口贴合不紧密是其隔声薄弱的根本原因，为改善其隔声性能指明方向。

[1] 褚志刚, 杨洋, 王卫东, 等. 基于波束形成方法的货车车外加速噪声声源识别[J]. 振动与冲击, 2012, 31(7): 66-70.

CHU Zhigang, YANG Yang, WANG Weidong, et al. Identification of truck noise sources under passby condition based on wave beamforming method[J]. Journal of Vibration and Shock, 2012, 31(7): 66-70.

[2] 杨洋, 倪计民, 褚志刚, 等. 基于互谱成像函数波束形成的发动机噪声源识别[J]. 内燃机工程, 2012, 33(3): 82-87.

YANG Yang, NI Jimin, CHU Zhigang, et al. Engine noise source identification based on cross-spectra imaging function beam-forming[J]. Chinese Internal Combustion Engine Engineering, 2012, 33(3): 82-87.

[3] 杨洋, 褚志刚, 沈林邦, 等. 基于波束形成的汽车前围板隔声测量方法[J]. 农业工程学报, 2014, 30(5): 42-49.

YANG Yang, CHU Zhigang, SHEN Linbang, et al. Transmission loss measurement method for car dash panel based on beamforming[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(5): 42-49.

[4] 杨洋, 褚志刚, 江洪, 等.波束形成三维传声器阵列声源识别的改进方法[J]. 声学技术, 2013, 32(4): 336-341.

YANG Yang, CHU Zhigang, JIANG Hong, et al. Improvement of the sound source identification method based on beamforming of three-dimensional array[J]. Technical Acoustics, 2013, 32(4): 336-341.

[5] 褚志刚, 杨洋, 倪计民, 等. 波束形成声源识别技术研究进展[J]. 声学技术, 2013, 32(5): 430-435.

CHU Zhigang, YANG Yang, NI Bing, et al. Review of beamforming based sound source identification techniques[J]. Technical Acoustics, 2013, 32(5): 430-435.

[6] Yardibi T, Bahr C, Zawodny N, et al. Uncertainty analysis of the standard delay-and-sum beamformer and array calibration[J]. Journal of Sound and Vibration, 2010, 329(13): 2654-2682.

[7] 杨洋, 褚志刚, 江洪, 等. 反卷积DAMAS2波束形成声源识别研究[J]. 仪器仪表学报, 2013, 34(8): 1779-1786.

YANG Yang, CHU Zhigang, JIANG Hong, et al. Research on DAMAS2 beamforming sound source identification[J]. Chinese Journal of Scientific Instrument, 2013, 34(8): 1779-1786.

[8] 褚志刚, 杨洋. 基于非负最小二乘反卷积波束形成的发动机噪声源识别[J]. 振动与冲击, 2013, 32(23): 75-81.

CHU Zhigang, YANG Yang. Noise source identification for an engine based on FFT-non-negative least square (NNLS) deconvolution beamforming[J]. Journal of Vibration and Shock, 2013, 32(23): 75-81.

[9] Thomas F Brooks, William M. Humphreys. A deconvolution approach for the mapping of acoustic sources (DAMAS) determined from phased microphone arrays[C]// AIAA Paper 2004-2954, 10th AIAA/CEAS Aeroacoustics Conference, Manchester, UK, May 10-12, 2004.

[10] Robert P Dougherty. Extensions of DAMAS and benefits and limitations of deconvolution in beamforming[C]// AIAA-2005-2961, 11th AIAA/CEAS Aeroacoustics Conference, Monterey, CA, United States, March 23-25, 2005.

[11] Klaus Ehrenfried, Lars Koop. Comparison of Iterative Deconvolution Algorithms for the Mapping of Acoustic Sources[J]. AIAA Journal, 2007, 45(7): 1584-1595.

[12] Sijtsma P. CLEAN based on spatial source coherence[J]. International Journal of Aeroacoustics, 2007, 6(4): 357-374.

[13] Vincent Fleury, Jean Bulté. Extension of deconvolution algorithms for the mapping of moving acoustic sources[J]. J Acoust Soc Am, 2011, 129(3): 1417-1428.

[14] Mathew Legg, Stuart Bradley. Automatic 3D scanning surface generation for microphone array acoustic imaging[J]. Applied Acoustics, 2014, 76: 230-237.

[15] Alexander R Quayle, Ann P Dowling, Graham W R, et al. Obtaining absolute acoustic spectra in an aerodynamic wind tunnel[J]. Journal of Sound and Vibration, 2011, 330(10): 2249-2264.

[16] 赵小见, 赵磊, 陈农. 基于相干声源CLEAN算法的常规风洞声源辨识研究[J]. 空气动力学学报, 2013, 31(2): 239-243.

ZHAO Xiaojian, ZHAO Lei, CHEN Nong. The study of noise source identifying in wind tunnel with clean arithmetic based on spatial source coherence[J]. Acta Aerodynamica Sinica, 2013, 31(2): 239-243.

Weak position identification of sound insulation for car dash panel based on CLEAN-SC clearness beamforming

YANG Yang1, CHU Zhi-gang2

(1. Faculty of Vehicle Engineering, Chongqing Industry Polytechnic College, Chongqing 401120, China;2. College of Automotive Engineering, Chongqing University, Chongqing 400030, China)

In order to improve the positioning accuracy of sound insulation weak position identification for car dash panel with beamforming method, the sound source identification software is developed based on CLEAN-SC clearness beamforming principle. Simulations and calculations for various kinds of given sources are conducted. The results show that this method can identify single source and incoherent sources more precisely, it can improve resolution and suppress sidelobes dramatically; besides, it not only converges fast with the increase of iterative times, but also is robust to some disturbing factors such as frequency response mismatch of microphones and measurement channels. Experimental results of the sound insulation weak position identification for car dash panel indicate that the top left corner of the air conditioner’s air inlet is the dominant weak position and the root cause is that the change-over valve for the inside cycle and the outside cycle is poorly fitted on the valve port. All the results provide a guide for the improvement of the dash panel’s sound insulation performance, and validate the effectiveness of the CLEAN-SC clearness beamforming method in the sound insulation weak position identification of car dash panel and the correctness of the developed software.

car dash panel; sound insulation weak position identification; beamforming; CLEAN-SC; algorithm design; software development

TB556

A

1000-3630(2015)-05-0449-08

10.16300/j.cnki.1000-3630.2015.05.013

2015-04-15;

2015-08-15

重庆工业职业技术学院校级科研项目(GZY201414-YK)、国家自然科学基金资助项目(51275540)

杨洋(1988－), 女, 河南南阳人, 硕士, 研究方向为噪声源识别技术及其应用研究。