车辆噪声源识别方法综述

胡伊贤，李舜酩，张袁元，孟浩东

（南京航空航天大学能源与动力学院，南京210016）

车辆噪声源识别是指在有许多噪声源或包含许多振动发声部件的复杂声源情况下，为了确定各个声源或振动部件的声辐射的性能，区分噪声源，并加以分等而进行的测量与分析。车辆的噪声主要分为发动机噪声、进排气噪声、传动噪声、轮胎噪声以及其他机械噪声[1，2]。

车辆噪声产生机理不同，针对不同噪声源有不同的识别方法[3]。本文将车辆噪声源识别方法分为三类：一类是传统噪声源识别方法，包括主观识别法、铅覆盖法、分部运行法、表面振速法和近场声压测试法等。这些方法可以简单的对车辆噪声源进行识别。第二类是以信号处理为基础的噪声源识别方法，典型的有时域平均法、相关分析法、相干分析法、倒谱分析法、阶次分析法、小波分析法以及盲源分离法等。其中时域平均与相关分析是描述幅值随时间变化的时域分析方法。相干分析、倒谱分析在频域内对噪声信号进行分析，主要针对平稳噪声信号；阶次分析、小波分析、盲源分离识别方法在时频域内对信号进行分析，一般用于非平稳噪声信号。第三类是以声阵列技术为基础的噪声源识别方法，主要包括声强测试、波束成形以及声全息测试技术，它们主要特征是以全息面来直观全面反映各声源对整车噪声贡献的大小。本文在对各种声源识别方法总结基础上，分析声源识别方法的使用特点、优点与不足，对车辆噪声源识别方法进行总结与展望。

1 传统声源识别方法

1.1 主观识别法

主观识别法是个人主观区别噪声来自于哪一噪声源。它要求识别者对于车辆的主要噪声源有一定的了解，同时要有足够的经验，才能有效对噪声源进行辨识。主观识别法的不足在于它没有能够定量的给出噪声源的贡献大小，对于噪声贡献相当的多个噪声源，主观识别法不能有效的辨识。

1.2 铅覆盖法

铅覆盖法是用内部加上吸声材料（减少内部混响）的铅板把所有的噪声源覆盖住，测试时针对某一噪声源所在的位置在铅板上打开一定大小的“窗口”，使所测量的声源或声源表面暴露在外，测量声源的声压级，这样依次打开各个声源的“窗口”分别测量各声源的声压级以判断噪声源的贡献主次。这种方法主要针对中、高频段噪声效果较好，对于低频噪声效果较差[4]。

1.3 近场测试法

近场测试方法是利用声级计测量噪声源表面声压级，通过声压级大小比较各噪声源贡献大小的一种方法。这种方法比较简单，但是对于噪声环境的要求比较高，且在发生混响的声场环境下测量时，效果比较差。

1.4 分部运行法

分部运行法在测试时，首先要测量整体的噪声声压级，然后依次将某些运行部件停止运行，通过声学的计算方法，得到各个部件对整车的噪声贡献[5]。由于实际运行中某一部分停止运行，会影响到其他部件的运行状态，因此测量状态常常不一致。同时分部运行法的测量时间比较长，需要进行系统的试验设计。

1.5 表面振速法

结构表面振动往往是产生噪声的主要原因，其振动强弱程度可以反映结构辐射噪声大小。测试时，用加速度传感器拾取各零部件振动表面的加速度值，通过表面法向振动速度比较各部件的振动强弱。

由于振动点对振动表面的声场重构至关重要，近年来对于振动测点的优化进行了大量的研究。天津大学以及江苏大学利用近场声全息理论和标准Tikhonov正则化方法来控制场点声压测量误差对表面振速重构解的扭曲影响得到了“测量点位置分布不均匀时，声源识别效果较好”的结论[6，7]。

2 基于信号处理的噪声源识别方法

2.1 时域法

2.1.1 时域平均法

时域平均法主要针对噪声信号中的周期信号，对噪声信号进行整周期的截取与迭加，可以将信号中非周期成分或随机成分消除，以突出噪声信号中的周期成分。

时域平均识别方法存在一些缺陷。一些非周期性噪声容易被剔除，因此不能完整有效的识别噪声源。

2.1.2 相关分析法

相关分析法，是噪声信号在时域相关性的数学描述。相关分析一般要求分析原信号中的特征信号为周期信号，对于非周期信号则无能为力。

在车辆噪声源识别过程中，利用相关分析对整车噪声信号与某噪声源信号进行分析，确定两者之间的相关程度，从而确定噪声源对整车噪声的贡献大小。浙江大学利用相关分析法，分析了车内驾驶员右耳旁噪声，结果发现右前车顶车身结构板块的振动是引起驾驶员耳旁噪声的主要噪声源，通过对右前车顶的振动控制，获得了明显的降噪效果[8，9]。

2.2 频域法

频域法对平稳噪声信号进行Fourier分析，获得噪声信号幅值与相位特性，根据噪声频谱特性定位主要噪声源。

2.2.1 频谱分析法

频谱分析法是以Fourier变换为理论基础发展起来的一种分析方法。在频域内，对噪声信号进行分析，能够获得比时域分析更多、更丰富信号特征信息。车辆噪声源识别中，频谱分析法广泛使用[10，11]。

频谱噪声识别法主要包括自功率谱与互功率谱分析。噪声自功率谱描述了噪声信号的平均功率在各个频率上的分布。由于自身的缺陷，它并没有解决同频成分的问题，需借助其他识别方法进行分析[12]。互功率谱描述了两个噪声信号互相依赖的程度，可以用来计算系统的频响函数，进行传递路径的分析与识别，因此对产生噪声的激励源识别有一定的优势。在此基础上新的识别技术不断出现[13]。

2.2.2相干分析法

相干分析与相关分析类似，两者的主要区别在于前者针对频域分析而后者是时域分析。相干分析是在信号的互功率谱的基础上发展起来的，在分析信号频率上相互依赖性或某种响应产生机制具有重要意义。

应用相干分析，可以探寻噪声谱中峰值的来由。现阶段相干分析主要应用在多输入—单输出系统中，并且输入源比较少，因此对于多输入—多输出系统需要做进一步研究[14]。

2.2.3 倒谱分析法

倒频谱简称倒谱，它是对功率谱取对数后进行Fourier逆变换。倒谱分析法在车辆容易发生混响的声腔内有很大的应用。它能够将信号时域卷积的复杂关系转化为时延域的简单相加关系。

驾驶室中，由于有各种噪声在其内部进行声波的反射与衍射，容易形成大量的反射声，它们的存在使噪声频率产生失真，会影响声源识别的结果。倒谱处理对功率谱的等距频率成分有很强的辨别能力，它能够有效地识别和删除噪声信号中的反射声。重庆大学通过比较基于互相关分析的时延估计法、最小均方自适应滤波(LMS)时延估计法以及强混响条件下倒谱时延估计算法，得出倒谱时延估计的优越性。

2.3 时频域法

2.3.1 阶次分析法

阶次分析是针对周期性信号的倍频特性所提出的一种基于时频分析识别方法。由于旋转机械（如齿轮等）振动的周期性，因此它在振动信号处理分析中运用比较广泛。在车辆噪声源识别中它的应用也在慢慢体现[15]。

在初步确定车辆排气噪声的频谱特性时，可以进行阶次分析。阶次分析针对非平稳信号，可以对不同转速的下噪声信号进行分析，通过对比分析声压图确定排气噪声在车辆运行的全部工况下的噪声情况[16]。

2.3.2 小波分析法

小波分析方法是一种时间窗和频率窗都可改变的时频局域化分析方法，这种特性使小波变换具有对信号的自适应性，克服了Fourier变换不能在时域和频域上局域化的缺点。

小波分析利用不同尺度（时延尺度—调节时延位置，扩展尺度—调节小波频率）的小波基函数对信号进行小波变换，一方面通过小波变换将噪声信号分解成不同频带的小波细节，使信号中不易察觉的特征在不同分辨率的子空间中显露出来；另一方面，采用小波逆变换可以根据需要对各级小波细节中的某一时刻的子波进行选择重构，提取噪声信号中的特征信息。

吉林大学通过噪声与振动信号的6级小波分解，得到了车内噪声与振动噪声源的相关系数，识别了主要噪声源，证明了小波变换是一种有效的噪声源识别方法[17]。合肥理工大学利用小波包分解与重构，对噪声信号进行分解，并计算了各个小波包能量，识别了风扇、油底壳、排气为某客车的主要噪声源[18]。

2.3.3 盲源分离法

盲源分离是一种较新的信号分析方法，在振动信号中运用比较广泛[19]，目前在噪声信号中还处在初步阶段。盲源分离法是指在输入信号未知时，只由观测到的输出信号来辨识系统，以达到对多个信号分离的目的，从而恢复原始信号或信号源。盲源分离信号混合过程的数学模型可以表示为

其中s(t)=[s1(t)，s2(t)，…，sn(t)]，T是n×1的源信号列矢量。类似的，x(t)为m×1的混合信号矢量，n(t)为m×1的噪声矢量，而矩阵A为m×n的混合矩阵，其各元素为混合系数aij。

盲源分离问题也可以描述为：在混合矩阵A和源信号矢量s(t)均未知的条件下，求一个n×m的矩阵W，使得W对混合信号矢量x(t)的线性变换

y(t)为对源信号矢量s(t)或其某些分量的一个可靠估计，通常将矩阵W称为分离矩阵。

盲源分离法需要一定的先验知识，即能够初步了解声场中存在噪声源，同时对于传感器个数以及测试距离也需要测试人员进行系统的设计。盲源分离的求解结果中存在幅度的不确定性和源信号顺序的不确定性，但由于源信号大部分的信息存在于波形中，而非信号幅度和排列顺序中，因此与幅度和排列顺序相关的不确定性是可以接受的，在实际应用中不影响源信号的识别。

盲源分离法在车辆噪声识别工程应用中比较少。广东农工商职业技术学院以柴油机为研究对象，基于盲源分离技术对混叠噪声信号进行了分离，虽然分离出了混叠在发动机噪声中的噪声信号，但对于发动机多噪声源的特性并没有提及[20]。

3 基于阵列技术噪声源识别方法

声阵列测试技术主要运用于声强、声全息和波束成形分析中，利用网格面对噪声源的辐射面进行重构，通过声压、声强测试各测量点声压、声强、相位等一系列与声场有关的信息，分析测量面上的声场分布，达到识别噪声源的目的[21]。通过对各个传声器时域采集信号进行频谱分析，计算各个频率或频率段的能量分布，将各声源能量细化到各个频段，可以有效对噪声源进行识别，达到降噪目的[22]。

3.1 声强测试技术

声强法是80年代发展起来的新技术，不论国内还是国外普遍采用这种方法。这种方法对试验条件要求相对其他试验方法较低。通过使用网格将整个声源面划分为许多小块，运用声强探头分别测量各个网格节点上的声强值，经过插值运算，就可以得到整个声源辐射面的声强云图，可以清楚的了解那一部分的声源对整车的噪声贡献大。再者也可以通过频段划分，得到各个频段的声强云图并计算出频段的能量分布，为噪声源的频段分析提供依据。

声强测试方法不仅能够得到某一测点的能量大小，同时还可以清楚的了解能量流动方向，可以更加全面了解声场中的能量分布[23]。声强法通过分析整个声源面的声强云图，了解声源面上各噪声源对整车的噪声贡献大小[24―26]。

3.2 声全息测试技术

声全息主要是指声波振幅和相位信息。声全息测试技术在测试过程中虚拟两个平面，一个平面称为重建面，它距离被测试的噪声源平面比较近，另一个面称为全息面或是采样面，在测试现场两个平面相隔一定的距离。声全息测量原理是首先运用传声器记录在全息面上有关声波的幅值与相位的信息，然后利用声全息声场重建公式对重建面上的声场分布进行重建，由于重建面距离被测表面比较近，可以近似的得到被测发声体的表面声场分布。按声场测量的原理可分为常规声全息、近场声全息(NAH)和远场声全息三种。

常规声全息，全息数据是在被测物体的辐射或散射场的菲涅尔区和弗朗和费区(即全息接收面与物体的距离d远大于波长λ的条件下)采用光学照相或数字记录设备记录的，因为受到自身实用条件的限制，根据全息测量面重建的图像受制于声波的波长。

远场声全息，其特点是全息记录平面与全息重建平面的距离d远远大于声波的波长λ，即其全息数据是在被测声源产生声场的辐射或散射声场的菲涅尔区和弗朗和费区获得的。这种方法通过测量离声源很远的声压场来重建表面声压及振速场，由此可预报辐射源外任意一点的声压场、振速场、声强矢量场。由于进行全息数据记录的表面距离被测声源面较远，而全息记录的表面的面积是有限的。

近场声全息 NAH(Near-field Acoustical Holography)，是一种新的成像技术，是全息成像理论的推广和突破。近场声全息是在紧靠被测声源物理表面的测量面(d＜＜λ)记录全息数据，然后通过变换技术重建三维空间声压场、振速场、声强矢量场，并能预报远场指向性。由于是近场测量，所以除了记录传播波成分外，还能记录空间频率高于且随传播距离按指数规律衰减的倏逝波成分。由于它含有振动体细节信息，所以理论上可获得不受波长限制的高分辨率图像，测量覆盖了从声源出来的一个大的方位角，有指向性的声源能够被不失信息地检测出来。

比较三种声全息技术，NAH实用面最广，分辨率最高，可操作性最强，所以近些年来，国内外对NAH研究相当活跃[27]。经过很长时间的发展已经日趋成熟，广泛应用于近距离测量和对中低频噪声源的识别。

80年代初E.G.William和J.D.Maynard提出基于空间声场变换的近场声全息方法。清华大学汽车工程系对近场声全息确定噪声源进行了研究[28]。合肥理工大学对声全息各类重建计算方法及适用范围、声全息数据的各类采集方法、特点及声全息成像的分辨率、各类声场全息图像的表达方法等问题的研究现状进行了详尽的分析[29]。

3.3 波束形成技术

波束形成技术(Beamforming)是一种信号处理技术，适合中高频率的声源识别和中长距离的测量[30]，可以用于稳态声源、非稳态声源以及缓慢运动声源的识别，这项技术可以增强特定方向上的有用信号，衰减其它方向上的干扰信号，从而形成空间指向性，有效弥补了近场声全息法(NAH)在高频识别的不足，测量速度快，可在中远距离测量，能识别大结构的噪声源，由其对汽车整车的噪声源识别。与NAH不同波束成形方法除了可以应用规则阵列外,还可以应用不规则阵列,对于不能紧靠声源表面进行测量的情况,以及高频的大尺寸声源,波束成形可以利用少量的传声器获得较高的分辨率。

基于麦克风阵列的声源定位问题，按照定位原理大体上可分为三大类：(1)基于最大输出功率的可控波束形成技术；(2)基于到达时间差TDOA技术；(3)基于高分辨率谱估计的定位技术。

近年来波束成形技术得到不断的发展。合肥理工大学通过对传统平面阵列网格的改进，提出了一种基于三层立体阵列，并与传统的阵列进行比较，验证了波束成形技术的有效性[31]。

4 结语与展望

4.1 总语

通过以上分析，可以得到以下结论：

(1)传统噪声源识别方法比较简单，不能够对噪声进行定量的描述，对噪声源的特征信息分析也不够全面。

(2)基于信号处理的噪声源识别方法中，时域方法可以直观的识别出噪声信号的幅值与周期信息；基于Fourier变换的频域识别方法对平稳噪声信号的频域特征信息进行了识别，方法比较实用；针对非平稳噪声信号的时频分析方法，综合时域与频域分析优点，给出了噪声源的时频域特征信息，可以有效的对复杂噪声源进行识别。

(3)基于声振列噪声源识别方法具有可视化、信息化、智能化等特点，可以实时、准确的对噪声源进行描述，在工程理论研究中得到了大量的使用。

4.2 展望

国家标准对车辆噪声的控制日趋严格，越来越多的厂家对噪声控制投入了大量的人力物力，这使得噪声源的识别方法得到了长足的进步。以下是车辆噪声源识别中值得关注的方面：

(1)多声源识别方法的综合运用。对于车辆复杂噪声源，一种方法并不能有效的进行噪声源识别，综合运用多种噪声源识别法进行优势互补，能够快速有效的对车辆噪声源进行识别。

(2)随着计算机技术的快速发展，以计算机为核心的测试噪声源系统将面向可视化、信息化、智能化方向发展。由于噪声多发生于车辆行驶过程中，如何在使用中动态测试车辆的噪声是非常必要的。

(3)车辆噪声源识别将面向跨学科、多专业发展。车辆噪声产生的机理不同决定了采取不同的方法进行识别。在众多工程实践中流体、模态技术(声振耦合)、光学等研究方法和实验手段都将不断被噪声识别技术所吸取。

[1]何渝生.汽车噪声控制[M].北京：机械工业出版社，1999：20-95.

[2]马大猷.噪声控制学[M].北京：科学技术出版社，1987：406-423.

[3]任武超，罗浩锋，潘虹，等.结合多种方法进行六缸柴油机噪声源识别研究[J].内燃机工程，2008，2(29)：66-70.

[4]仪垂杰，黄协清，吴成军，等.装甲运兵车车内噪声控制研究[J].兵工学报，1995，3：73-77.

[5]周涌麟，李树珉.汽车噪声原理检测与控制[M].北京：中国环境科学出版社，1992：141-147.

[6]宋艳华，姜哲.测量点位置对声源识别的影响[J].振动与冲击，2008，3(27)：35-37.

[7]陈达亮，舒歌群，卫海桥，等.基于边界元法的近场声全息实验研究[J].中国机械工程学报，2009，2：159-162.

[8]丁渭平.一种用于车内结构声源辨识的方法[J].汽车工程，2002，2(24)：154-148.

[9]丁渭平.车辆乘坐室内地平噪声声源识别研究[J].中国机械工程，2003，3(14)：262-265.

[10]金岩，常志权.频谱分析技术在车辆NVH故障诊断中的应用[J].噪声与振动控制，2010，1：110-113.

[11]尹可，宋向荣.客车异常振动噪声的分析和控制[J].噪声与振动控制，2011，4：102-105.

[12]闫立平.用相干功率谱识别主噪声源.[J].合肥工业大学学报，2002，3(25)：468-471.

[13]蒋维铭，余新木，乔秀娟.用相干分析法识别车辆噪声源[J].武汉工学院学报，1987，3：30-39.

[14]安木金，李舜酩，张袁元，等.多相关子系统输入中输入的相干性分析[J].中国机械工程，2010，21：2609-2613.

[15]K.，R.，Fyfe and E.D.S.Munck.Analysis of computed order tracking[J].Mechanical Systems and Signal Proces sing,1997，11(2)：187-205.

[16]龙月泉，石晓辉，施全.基于阶次跟踪的变速箱噪声源识别[J].噪声与振动控制，2008，28(6)：77-81.

[17]陈书明，王登峰，陈鑫.小波变换在轿车车内噪声源识别中的应用研究[J].噪声与振动控制，2009，4(02)：88-92.

[18]贾继德，陈剑，邱峰.基于时频分析的客车加速通过噪声声源识别[J].汽车工程，2007，7(29)：620-622.

[19]李舜酩.机械振动信号盲源分离的时域方法[J].应用力学学报，2005，22(4)：579-584.

[20]高俊文，李法春，管卫华.盲分离技术识别发动机的噪声源[J].广东农工商职业技术学院学报，2007，2(23)：32-35.

[21]Brtihl S,Rmer A.Acoustic noise source modeling based on microphone array measurement[J].Journal of Sound and Vibration,2000.231(3):611-617.

[22]Dan Li,Yu Hen Hu.Energy-based collaborative source localization using acoustic microsensor array [J].EURASIP Journal on Applied Signal Processing,2003:321-337.

[23]张袁元，李舜酩，贺岩松，等.摩托车整车噪声分析与消声器改进[J].振动与冲击，2011，30(2)：263-266.

[24]周广林，陈剑，毕传兴，等.基于扫描声强法的声功率测量扫描路径误差研究[J].振动工程学报，2003，1：23-28.

[25]金岩，郝志勇，刘永.摩托车噪声源的识别与控制[J].汽车工程，2007，29(6)：520-523.

[26]舒歌群，郝志勇，谭从民.内燃机噪声测量中的声强测试技术[J].内燃机学报，1998：(01).

[27]罗禹贡，杨殿阁，郑四发，等.基于近场声全息理论的运动声源动态识别方法[J].声学学报，2004，29(3)：226-230.

[28]孙玉.基于声全息技术的噪声源识别方法研究[D].哈尔滨：哈尔滨工程大学硕士学位论文，2007，3.

[29]周广林,陈心昭,陈剑，等.声全息技术的研究现状与展望[J].声学技术,2003.22(2):120-125.

[30]邓江华，顾灿松，刘献栋，等.基于声阵列技术的汽车噪声源识别及贡献量分析[J].振动工程学报，2010，12，6(23)，630-635.

[31]张金圈，毕传兴，陈心昭.Beamforming方法的阵列研究及其在噪声源识别中的应用[J].噪声与振动控制，2009，6(3)：54-58.