汽车通过噪声声源识别方法研究进展

张 鑫，沈林邦，王子龙，叶方标

（招商局检测车辆技术研究院有限公司 国家客车质量监督检验中心，重庆 401329）

汽车通过噪声具有频带宽、随车速变化快、来源众多、产生机理复杂等特点，严重干扰城市居住环境、影响汽车品质。汽车噪声限值及测量方法GB-1495新修订稿对汽车通过噪声限值、增加噪声质保期及一致性提出更严格的要求，改变测试方法使其更加适合汽车实际行驶工况，这使汽车制造商在开发过程中面临更严峻的挑战。因此，准确高效地通过噪声识别方法十分关键。

运用广泛的汽车通过噪声识别方法有：波束形成法、声全息法、传递路径分析（Transfer Path Analysis, TPA）三种方法。其中，基于麦克风阵列的波束形成法和声全息法布置简单，可实现声学可视化，适合中长距离的声源测试，方便直观识别汽车噪声源。TPA分析方法基于“源－路径－响应”的思路，将响应分解到各个激励源和传递路径，有利于对主要激励源进行控制，对敏感的路径进行优化。本文分别阐述上述三种方法在汽车通过噪声源识别领域的发展历程和应用情况，分析其特点，最后总结其发展方向，为准确高效地识别汽车通过噪声源提供参考。

1 波束形成方法

波束形成方法具有一次测量即可全面记录声场、适用于中长距离测量等优点，在移动噪声源识别领域应用广泛。该方法首先离散待识别的声学平面，对传声器阵列所接收到的声学信号进行反向延迟求和计算，在真实声源所在聚焦点位置附近加权增强形成“主瓣”，在非真实声源位置衰减形成“旁瓣”，从而有效识别声源。移动的声源导致静止的传声器阵列所接收到的声学信号存在多普勒效应。SIJTSMA等于2001年提出能够移除多普勒效应的波束形成声源识别方法，该方法将静止传声器阵列所接收到的声学信号和运动声源位置准确关联，同时将反向聚焦平面和运动声源位置进行同步，最后通过延时求和算法获得声源在聚焦平面的位置和幅值，并进行旋转声源和飞机过顶噪声源识别的试验验证。

汽车通过噪声源频率成分复杂，存在稳态和非稳态声源，波束形成方法则凭借测量分析频带宽、速度快、适用于非稳态声源等优势备受青睐。2009年，I&R声学咨询公司DONAVAN等使用波束形成方法识别多辆重型卡车55英里/小时的匀速通过噪声，结果表明重型卡车在高速运动时通过噪声主要来源是驱动轴所在的轮胎噪声，此外某些车辆动力传动系统的阶次噪声也是重要来源。同年DONAVAN等使用波束形成方法研究重型、中型、轻型三类卡车高速时的噪声特性，结果表明驱动轴胎噪是高速行驶时的主要噪声源。2011年，丹麦Bruel & Kjaer公司开发了用于ISO 362汽车通过噪声测试标准的波束形成声源识别系统，该系统可实现汽车通过噪声的贡献量分析及三维声学成像，为识别汽车通过噪声源提供了直接途径。同年，巴西金边大学和比利时LMS公司将广义逆波束形成方法运用于汽车通过噪声源识别中，特定条件下该方法相比于传统波束形成方法动态范围更大、峰值定位更加准确，能准确搜寻到某乘用车的噪声源。2012年，重庆大学褚志刚等构建一套基于波束形成方法的车外加速噪声识别系统，对某货车进行加速噪声源识别，获得了声源幅值及位置随转速和车速变化的结果，结果表明该货车动力系统是其主要噪声源。2014年，PALLAS等使用波束形成技术评估某混合动力货车在匀速、加速、制动等不同工况下的主要噪声源以及垂直指向性，结果表明：相比传统燃油货车，混合动力货车动力系统噪声贡献量及垂直噪声量明显减小，但高速工况下驱动轮所产生的胎噪、加速和制动工况下瞬时噪声依旧明显。2015年，BALLESTEROS等使用波束形成方法测试某轿车的在不同速度和档位下的通过噪声，在不同速度下前轮成像区域在1kHz附近均存在峰值，该噪声属于轮胎噪声，且噪声幅值随车速增加而增大；车辆挡位越低，噪声越大，驱动轮胎噪声贡献量越大。上述传统波束形成方法已指明动力系统噪声和轮胎噪声是通过噪声主要来源，为噪声源的治理指明方向；但是传统方法形成的主瓣宽度影响声源识别结果的空间分辨率，旁瓣造成虚假干扰，使得声源识别结果模糊而承受不确定性。

近年来反卷积方法被扩展至移动噪声源识别中以克服上述不足。反卷积方法通常在频域执行，并且需要使用阵列和聚焦平面间的固定点传播函数。为将反卷积方法用于移动噪声源识别中，需将整个运动过程分为多个微元段，把独立的微元段视为准稳态过程，将信号从时域变换到频域，最终使用反卷积方法。2017年，PADOIS等在雪地摩托车通过噪声测试中对传统波束形成识别结果使用 CLEAN-SC（CLEAN based on Source Coherent）方法反复移除与主瓣相干的旁瓣，准确定位了雪地摩托车的噪声源，该方法尤其适合发动机噪声、胎噪、排气多个不相干声源的情况。2018年，COUSSON等在频域反卷积方法的启发下，在时域内建立了移动噪声源CLEAN-T（CLEAN- Time Domain）反卷积声源识别模型，该方法完全在时域执行，并反复移除来自信号中的声源时间贡献量，相比于频域反卷积方法声源识别结果更加清晰，在低信噪比时声源识别结果鲁棒性更好。

基于波束形成的汽车通过噪声源识别方法具有几个优点：①方便快捷，声源识别结果直观可视化，直接获得声源辐射位置；②声源成像结果可随车速变化的实时呈现；③可以选择特定频率的声源进行成像。该方法也存在以下不足：贡献量分析仅能按照主要成像区域进行，不能完全精确到部件级，对于噪声真实来源通常需要根据识别结果和各个部件特性进行综合分析。

2 声全息方法

声全息方法最初指近场声全息方法，近场声全息能够准确重建全息面声压、质点速度、声强等关键声学参数，广泛用于近场静态声源识别中。1998年，WILLIANMS等将近场声全息技术扩展至远场，形成远场声全息技术，为后续远场移动声全息技术发展提供理论依据。

SAKAMOTO等将基于球面波假设的远场声全息技术拓展至移动源识别中，首次实现了基于声全息技术的移动源可视化识别，并对轮胎噪声等进行了分离；然该方法依赖于噪声源特性，不适用于频率变化的声源和白噪声，且该方法未考虑多普勒效应，声源识别精度欠佳。KIM等提出移动框架声全息技术，在一维麦克风阵列和声源面之间构成运动框架，通过时域与空间域傅里叶变换移除多普勒效应影响准确构造全息面声压，然而该方法只适用于单频和离散声源。为扩宽移动框架技术的适用范围，KIM提出改进的移动框架声全息技术，结果表明改进后的方法不仅适用于单频声源还适用于窄带声源。清华大学杨殿阁等提出基于基尔霍夫衍射理论的移动声全息重建算法，直接利用基尔霍夫衍射积分重建全息面声压，无需空间傅里叶变换，避免卷积问题，提高效率，高速移动声源试验表明该方法能够有效识别声源位置和幅值。吉林大学高印寒等提出基于小波分析的移动声全息方法，通过小波变换移除信号中的多普勒效应，然后进行全息面声学重建，该方法无须预知声源真实频率即可准确消除多普勒效应，80 km/h高速试验结果证明该方法能准确识别移动源。

上述声全息方法均在频域内处理多普勒效应，计算量大，计算效率亟待提高。2011年，清华大学YANG为了提高识别效率，通过建立运动声源和测量信号间的非线性时间映射关系以消除多普勒效应的影响，然后基于全息理论获得被测物体表面声压分布，并将该方法用于某轿车通过噪声源识别中，结果表明发动机噪声及其谐波成分是最主要噪声，轮胎噪声随车速增加而明显增大且主要集中在1 kHz附近，车辆高速行驶时风噪和排气噪声凸显。同年，YANG为提高测试效率，将上述声全息理论和双目视觉图像处理算法融合成功研发声学照相机系统，实现了高速车辆噪声源准确测量和声场可视化。现有声全息算法都基于简化的Morse理论，能够处理的最高车速仅约100 km/h，当车速更高时基于简化Morse理论的全息技术将产生明显误差。2015年，YANG等为了克服基于简化Morse理论的声全息方法不足，构建基于完整Morse声学理论的声全息方法，结果表明所提出的方法能够有效避免声源湮灭现象，准确重建速度为278 km/h的高速列车产生的通过噪声源。

基于声全息的汽车通过噪声源识别方法同波束形成方法一样均是基于声阵列，其优缺点和波束形成方法类似。主要差别为①声全息方法更加适合低频声源，难以识别高频声源如高速行驶时的高频风噪；②声全息方法对识别结果不能进行清晰化处理。

3 TPA方法

TPA方法通过建立“激励源-传递路径-系统响应”的传递模型，可以实现激励源的查找、传递路径的特性分析及系统响应预测，广泛用于机械系统振动和噪声诊断及预测中。近年来，TPA方法被用于汽车通过噪声源识别中。

EDUARDO等将传统TPA方法中的互易法分别用于汽车和列车通过噪声中。该方法假设通过噪声源和响应点之间的传递路径固定，未考虑声源和响应点间的相对运动；而实际汽车通过噪声测试中，汽车位置实时变化，声源和响应点之间的传递函数也实时变化。因此，传统的TPA方法未准确考虑传递路径实时性，所以也未能准确获得运动声源特性。2010年，鉴于传统频域方法不能准确获得汽车通过噪声源的特性，清华大学郑四发等提出基于行驶工况的频域传递路径方法，基于微元思想将加速过程分为若干准稳态过程，然后识别准稳态声源与静止响应点之间的传递函数，并有效分离了主要噪声源，分离结果表明重型商用车的发动机噪声是其主要噪声源，其次为传动系统噪声；对于响应点的贡献而言空气声多于结构声。相比频域方法而言，时域方法无须将加速过程处理为若干准稳态过程，更适合处理非稳态工况。2012年，清华大学郝鹏等直接在时域内构建运动声源的传递路径模型，用脉冲响应函数代替传递函数，采用非线性时间变换消除多普勒效应的影响，时域方法相比于频域方法速度更快、精度更高，结果表明汽车加速过程中发动机和进排气系统是试验样车的主要噪声源。

上述室外TPA分析方法符合真实情况，在汽车加速噪声源识别中已被逐步推广使用。然而室外TPA分析方法在运用逆方法求解传递函数时易受到干扰，因此，室内TPA方法逐步受到重视。2011年，JANSSENS等在半消声室内基于时域TPA方法识别通过噪声源，该方法依据车速判断汽车位置，将在消声室内的固定线性麦克风阵列所接受的声学信号分段截取并合成，模拟一组完整的加速噪声结果，贡献量分析结果表明该方法高效准确。2017年，CHU等提出自适应截断奇异值分解正则化方法抑制室内TPA方法中频响函数矩阵病态问题，并用于实际室内通过噪声测试，试验结果显示某乘用车无论加速还是匀速工况动力总成贡献量占比均超过50%，胎噪均占比接近40%。

基于TPA方法的汽车通过噪声源识别方法具有如下优点：①能够准确获得各个总成对总通过噪声的贡献量大小；②能够识别关键传递路径；③分析频率范围较波束形成法和声全息更宽。该方法也存在以下不足：①不能直观可视化声源辐射位置，难以确认声源辐射位置；②声源的随速度变化特性难以直观展现。

4 发展方向

汽车通过噪声源识别技术经过数年发展，形成波束形成、声全息、TPA三种方法为主的技术路线，三种方法在汽车通过噪声源识别中都取得丰富的研究成果。在综述各个方法特点和进展后，指出汽车通过噪声源识别方法的发展方向。

（1）对于基于传声器阵列的波束形成和声全息方法而言，需要综合考虑两者识别通过噪声的优点，实现整个分析频率范围内声源的准确识别，实现低频声源识别结果空间分辨率高、高频无虚假声源的目的。

（2）波束形成和声全息方法所识别的声源以平面结果显示，噪声来源需要根据成像结果和各个部件特性综合分析。因此考虑将TPA方法与基于阵列的波束形成或声全息方法集成，一次试验既能获得声源成像结果方便查找声源辐射位置，也能获得每一个总成对通过噪声的贡献，并识别待优化的传递路径，提高汽车通过噪声源识别的准确度和效率。