趙衛(wèi)東，徐鑫蔚，宋 睿，楊明亮

(1.江蘇大學 汽車與交通工程學院， 江蘇 鎮(zhèn)江 212013； 2.中國汽車技術(shù)研究中心， 天津 300300；3.西南交通大學 機械工程學院， 成都 610031)

0 引言

目前我國汽車工業(yè)的發(fā)展已經(jīng)進入內(nèi)涵式的穩(wěn)健增長期，汽車品質(zhì)的提升已取代產(chǎn)能的增長成為發(fā)展的主流，這對汽車噪聲、振動和聲振粗糙度(noise,vibration and harshness,NVH)提出更加嚴格的要求，使得汽車NVH性能越來越受到重視，并已經(jīng)成為衡量汽車品質(zhì)最重要的指標[1]。而汽車異響(buzz,squeak and rattle,BSR)作為NVH性能的重要組成部分，是影響消費者購買決定、使用滿意度的關(guān)鍵因素[2]，異響噪聲的控制成為NVH性能開發(fā)的重要一環(huán)。近年來，汽車輕量化使異響出現(xiàn)的概率大大增加[3]，在NVH控制技術(shù)進步及電動汽車普及使得車輛內(nèi)部NVH噪聲顯著降低的背景下，異響噪聲控制的迫切性更為凸顯。

汽車異響是指汽車運行過程中，由于材料缺陷、材料不相容以及不良的幾何匹配，所導致的非正常、沒有規(guī)律的聲音。Buzz，一般是指結(jié)構(gòu)自身共振而產(chǎn)生的聲音；Squeak，由摩擦粘滑效應(yīng)引起；Rattle，是一種由零部件間發(fā)生相對運動導致碰撞而引起的噪聲[3-4]。異響的特征和持續(xù)時間都沒有規(guī)律，其動態(tài)特征和聲學原理非常復(fù)雜，是一種非線性很強的物理現(xiàn)象，難以用成熟的理論和方法分析處理[4]。20世紀90年代末，隨著計算機技術(shù)的發(fā)展，CAE(computer aided engineering)技術(shù)逐漸成熟并開始應(yīng)用于汽車異響噪聲計算與分析，針對當時技術(shù)領(lǐng)域新的發(fā)展動態(tài)與趨勢，F(xiàn)arokh等[5]對汽車Squeak及Rattle異響問題進行了系統(tǒng)性研究，總結(jié)了汽車Squeak及Rattle噪聲產(chǎn)生的原因，并對2001年之前汽車異響噪聲控制的技術(shù)措施、技術(shù)流程進行了綜述。

CAE的應(yīng)用，使得新車型開發(fā)過程中，異響控制得以提前，極大降低了車輛異響噪聲出現(xiàn)的概率，但仍無法完全避免，需要實車測試并予以解決[4]。由于異響具有隨機發(fā)生、特征不明顯、能量低、問題源頭廣等特點，導致異響噪聲源在測試中難以準確定位。隨著聲學的發(fā)展，波束形成、聲全息陣列等新方法開始逐漸應(yīng)用于汽車異響噪聲源的定位中。在此背景下，Cook等[6]研究了汽車異響噪聲源定位技術(shù)領(lǐng)域的新動態(tài)，并對2012年之前汽車BSR異響噪聲的定位方法進行了系統(tǒng)性歸納總結(jié)，論述了心理聲學與波束形成法相結(jié)合定位汽車異響噪聲源的原理，并對心理聲學、聲成像技術(shù)在異響噪聲源識別定位方面做出了展望。

聲成像、陣列聲源定位技術(shù)在汽車異響噪聲源定位領(lǐng)域應(yīng)用仍有很多的局限性，如需要傳感器數(shù)量較多，測試耗時長、成本較高、定位精度不理想等，導致其在汽車異響噪聲源定位領(lǐng)域仍未獲得廣泛的應(yīng)用?，F(xiàn)階段在工程應(yīng)用中仍以主觀評價法為主[7]。但主觀評價法對工程師的經(jīng)驗要求較高，評價試驗工作量大，且對于難以判定的異響問題，容易引起爭議。發(fā)展新的異響噪聲源客觀定位技術(shù)仍是NVH領(lǐng)域的迫切需求。

近幾年，隨著人工智能技術(shù)的發(fā)展，基于人工智能的聲源定位方法，如壓縮感知和機器學習等技術(shù)也逐漸被應(yīng)用于噪聲源定位中。針對領(lǐng)域出現(xiàn)的研究新動態(tài)，本文擬對整車噪聲源定位方法進行總結(jié)，對比分析各噪聲源定位方法應(yīng)用于汽車異響噪聲源定位領(lǐng)域的優(yōu)缺點，并對汽車異響噪聲源定位技術(shù)發(fā)展趨勢做出展望，期望為汽車異響檢測定位的學術(shù)研究及工程應(yīng)用提供參考。

1 噪聲源定位方法分類

目前應(yīng)用于整車噪聲源定位的方法主要分為：傳統(tǒng)噪聲源識別方法，包括主觀評價法、分步運行法、表面測振及近場聲壓法等；工程信號處理方法，包括相關(guān)分析、頻譜分析、時頻分析、盲信號分析等；陣列信號處理方法，包括聲強識測量、波束形成、聲全息、時間反轉(zhuǎn)法等[8]。本文擬對整車噪聲源定位方法及基于人工智能的聲源定位方法進行分析。噪聲源定位方法分類如圖1所示。

2 傳統(tǒng)噪聲源定位方法

傳統(tǒng)噪聲源定位方法是指人耳主觀識別法，或是通過測試聲、振信號，并觀察信號分布趨勢來判別噪聲源位置。本章將對主觀評價法、分步運行法、表面測振法和近場聲壓法等幾種常見的傳統(tǒng)聲源定位方法展開介紹。

2.1 主觀評價法

目前汽車異響源識別在工程應(yīng)用中由專家主觀評估，通過人的主觀判斷進行定位。一般是在消音室中進行，將待測部件置于振動臺架，通過采集的實車道路譜激勵臺架，依靠人耳的雙耳效應(yīng)來識別異響源位置[9]。對于有爭議性的復(fù)雜部件異響位置判斷，則需要通過回放定位結(jié)合換件、隔離、潤滑等方法來判別?；胤哦ㄎ慌袛喾椒?，是通過測量人耳旁聲音信號，并進行濾波回放，確定異響主要頻率范圍及響度大小，然后根據(jù)測量部件主要振動頻率和響度，確定異響位置，一般應(yīng)用于復(fù)雜底盤件異響問題確認。

主觀定位法的優(yōu)點是可以快速找到異響部件，定位簡單，缺點是對工程師經(jīng)驗要求較高，存在貢獻量相近地眾多噪聲源，不能精準地識別各個噪聲源地貢獻量大小，且對于鈑金件內(nèi)部的聲源往往難以判別，對于難以判定的異響問題容易引發(fā)爭議[10]。

2.2 分步運行法

分步運行法測試時，首先要測試整體噪聲聲壓級，然后依次將某些部件停止運行，通過聲學的計算方法，得到各個部件運行時對整車噪聲的貢獻量[11]。分布運行法可以較為準確的判斷出異響發(fā)生的部件，缺點是實測中停止某一部件會影響其他部件運行的狀態(tài)，導致測量狀態(tài)不同，影響聲源識別的準確性且測試時間比較長[12]。

2.3 表面測振及近場聲壓法

振動表面的聲輻射與法向振動速度密切相關(guān)。根據(jù)測得的表面振動速度，通過計算可求得聲輻射。宋艷華等[13]研究了測點位置對聲源識別的影響，利用輻射模態(tài)對平板表面的振速分布進行重構(gòu)，從而達到識別噪聲源的目的。該方法測試的精度不高，可作為聲學測量環(huán)境很差時的備用方法。

近場聲壓法是利用聲級計測量噪聲源表面聲壓級，然后通過比較各噪聲源聲壓級貢獻大小來判斷噪聲源位置。測試時使聲級計傳聲器貼近被測部件表面，并沿其表面各點依次掃描，得到噪聲源表面聲壓分布信息[14]。該方法測試時無法避免鄰近表面聲輻射的影響，定位精度不高，且在混響聲場環(huán)境下測量時效果較差。

綜上所述，傳統(tǒng)的聲源識別方法有著方法簡單的優(yōu)點，但同時存在識別精度不高等缺點。為了更加精確、高效、便捷地實現(xiàn)異響源的定位，探索新的定位方法是十分必要的。以下將對整車噪聲源常用定位方法的原理及應(yīng)用進行介紹，期望為汽車異響檢測定位提供參考。

3 基于工程信號處理的聲源定位

工程信號的處理方法很多，其中相關(guān)分析、頻譜分析等方法一般處理對象為平穩(wěn)信號；小波分析、希爾伯特-黃變換等方法對非平穩(wěn)信號分析有很好效果。下文將對相關(guān)分析、頻譜分析、時頻分析、盲源分離在聲源定位中的應(yīng)用展開綜述。

3.1 相關(guān)分析

相關(guān)分析是指研究2個或2個以上處于同等地位的隨機變量間的相關(guān)關(guān)系的統(tǒng)計方法[15]。在聲源定位時，對整體噪聲信號與某噪聲信號進行相關(guān)分析，根據(jù)相關(guān)程度判定某噪聲信號對整體噪聲貢獻量的大小，來識別聲源區(qū)域[16-17]。不足是對于兩同頻率信號，相關(guān)分析結(jié)果將出現(xiàn)“偽相關(guān)”，對識別帶來干擾，而且相關(guān)分析一般需要信號為周期性的，對于隨機性較強的異響信號，相關(guān)分析往往難以發(fā)揮作用。

3.2 頻譜分析法

頻譜分析是指通過傅里葉變換將時域信號轉(zhuǎn)換為頻域進行分析，其原理是把復(fù)雜的時間歷程波形，經(jīng)傅里葉變換轉(zhuǎn)換為若干單一的諧波分量來研究，以獲得信號的頻率結(jié)構(gòu)以及各諧波幅值、相位、功率及能量與頻率的關(guān)系[18]。Santana等[19]通過測試信號頻譜分析對內(nèi)燃機振動與噪聲進行分析，確定內(nèi)燃機振動和噪聲的主要來源。陳江艷等[20]針對汽車空調(diào)管路異響，采用主觀評級、橫向?qū)Ρ?、頻譜等方法進行分析，并通過空調(diào)系統(tǒng)臺架模擬及脈動數(shù)據(jù)分析確定了“水擊”是引起管路異響的原因。頻譜分析對于平穩(wěn)噪聲源定位是有效的，但是對于時變非平穩(wěn)信號分析，往往不能判斷出某頻率成分發(fā)生的具體時刻，無法對信號做局部分析。一般噪聲由不同頻率的源共同組成時，由于頻率混疊，頻譜分析方法難以區(qū)分。在實際中信號常是時變的，往往需要結(jié)合主觀評價方法來確定異響位置。

3.3 時頻分析

頻譜分析只能提供能量分布與時間或者頻率的變換關(guān)系，但不能同時考慮兩個域的整體和局部特征，在時空域中沒有分辨率[21]。而異響信號是一種時變的非平穩(wěn)信號，需要利用時間和頻率的聯(lián)合函數(shù)來體現(xiàn)信號的全部信息，頻譜分析不能準確表達異響信號的時-頻信息。以下將以小波分析為例介紹時頻分析的原理和應(yīng)用。

Morlet提出的小波分析，能成功克服Fourier的缺陷，是Fourier分析發(fā)展史上的一個里程碑[22]。小波變換的原理類似傅里葉變換，與Fourier不同的只是把三角函數(shù)基換成了小波基。小波變換有2個變量：尺度因子和平移因子。尺度因子可以調(diào)控小波函數(shù)的帶寬，平移因子控制小波函數(shù)的平移，平移量對應(yīng)時間。通過信號的伸縮平移，可以得到某種重合情況，這樣積分也會得到一個極大值，小波分析得到頻率成分的同時，還可以確定該頻率的時間信息。

小波分析方法在噪聲分析方面有很多應(yīng)用，如提取特征信號[23]、對Lamb波傳播過程的頻散效應(yīng)進行分析[24]、確定信號到達時刻[25]等。在聲源定位方面，陳書明等[26]利用小波分析，得到各信號的特征向量，并據(jù)此得到車內(nèi)噪聲與各部件振動、噪聲信號的相關(guān)系數(shù)，從而判斷了噪聲源位置。黃海波等[27]提出了一種基于小波偏相干分析的噪聲源識別方法，經(jīng)試驗驗證可以快速準確地識別汽車車內(nèi)噪聲源。

小波分析具有實現(xiàn)對非平穩(wěn)信號的時頻分析、對淹沒在噪聲中的異響信號提取、確定信號到達時刻等優(yōu)點，可作為時變、非平穩(wěn)、微弱的異響信號提取和特征分析的工具。

3.4 盲信號分離

盲信號分離是指在未知源信號和傳遞函數(shù)參數(shù)的條件下，根據(jù)輸入源信號的統(tǒng)計特性，僅由觀測信號來恢復(fù)源信號的各個獨立成分的方法[28]。典型情況下，觀測數(shù)據(jù)向量是一組傳感器的輸出，每個傳感器接收到的是源信號的不同組合，其核心問題是分離矩陣的學習算法，基本思想是抽取統(tǒng)計獨立的特征作為輸入的表示，同時不丟失信息[29]。時頻盲信號分離是盲信號分離中的一種，適用于非平穩(wěn)信號的分析，具有較強的抗噪聲性能。在實際測量中，將多路測試信號記為矩陣形式，則觀測信號可以表示為[30]：

X(t)=AS(t)+n(t)

(1)

式中：X(t)為M維觀測信號矢量；S(t)為N維未知源信號矢量；n(t)引入噪聲；A為未知混合矩陣；每個觀測信號都是N個未知源信號Si(t)的瞬時線性組合。

盲信號分離問題就是求出分離矩陣W，使得通過該矩陣僅從觀測信號X(t)來恢復(fù)出源信號S(t)，設(shè)y(t)為源信號的估計矢量，則分離系統(tǒng)輸出可通過以下數(shù)學模型表示：

y(t)=WX(t)

(2)

近年來，盲信號分離方法已經(jīng)在機械故障診斷[31]，強噪音環(huán)境下盲信號的分離[32]等方面取得一定的成果。在對車輛運行過程中產(chǎn)生的異響信號特征有一定認識后，基于盲信號分離方法來分離其中的異響信號，是十分具有參考意義的。

4 基于陣列技術(shù)的噪聲源定位

基于陣列技術(shù)的噪聲源定位方法、聲場可視化是目前聲學領(lǐng)域研究的前沿問題。陣列技術(shù)主要包括聲強測量技術(shù)、波束形成、聲全息、時間反轉(zhuǎn)法等，本章將對這幾種主要陣列技術(shù)定位方法的特點和應(yīng)用進行分析。

4.1 聲強測量法

聲強定義為單位時間內(nèi)通過垂直于聲波傳播方向上單位面積的聲能[33]。聲強測量技術(shù)的發(fā)展基礎(chǔ)是聲強的互譜關(guān)系，即聲場中某點在某方向的聲強，在頻域與沿該方向2個相鄰聲壓信號的互功率譜函數(shù)之間的關(guān)系[34]。傳統(tǒng)的聲強定位測試有兩種方法，即掃描法和離散法[35]。孫嵩松等[36]利用聲強與頻譜分析相結(jié)合的方法，最終確定某款發(fā)動機的主要噪聲源及各個部分噪聲源的主要頻率，進而確定了各部分噪聲產(chǎn)生的機理。舒歌群等[37]研究了在汽車內(nèi)燃機噪聲測量中，雙傳聲器聲強測試技術(shù)及其在混響條件下的應(yīng)用，探討了應(yīng)用聲強測試方法在測試技術(shù)及處理中的一些有益經(jīng)驗。

聲強測量技術(shù)同時適用于遠場、近場噪聲測量，且對環(huán)境要求低，不需要消音室等較嚴格的聲學環(huán)境，對于單一聲源來說識別效果很好，缺點是對于復(fù)雜的復(fù)合聲源無法識別，且只適用于穩(wěn)態(tài)聲源，對于非穩(wěn)態(tài)的異響聲源，難以定位。

4.2 波束形成技術(shù)

波束形成又名相控陣，是一種基于遠場麥克風陣列測量的信號處理技術(shù)。當陣列完成聲場的空間采樣后，波束形成算法執(zhí)行空間濾波操作，使得有可能在距離陣列一定距離處繪制源的分布，定位最強的源[38]。

波束形成最早在20世紀40年代被提出，用于軍用無線電開發(fā)[39]。1987年，Brooks等[40]設(shè)計了一種特殊的陣列系統(tǒng)，將時域信號轉(zhuǎn)換到頻域后，通過延時求和方法進行計算，成功識別出了直升機旋翼上的噪聲源分布。1996年，Barsikow[41]使用多維陣列，對高速列車上的噪聲源進行了準確定位。波束形成作為一種適用于遠場中、高頻聲源識別的技術(shù)，被廣泛應(yīng)用于聲源定位[42]、語音增強[43]等領(lǐng)域。

延遲求和波束形成法作為最基礎(chǔ)的算法，可以使用以下公式計算[38]：

(3)

圖2 波束形成示意圖

在汽車噪聲源定位方面，Lee[45]使用波束形成法開發(fā)了BSR可視化系統(tǒng)。Zhang等[46]通過波束形成方法進行聲源定位，以便于確定影響汽車關(guān)門聲品質(zhì)的關(guān)鍵區(qū)域。施全等[47]利用波束形成技術(shù)基本確定輻射聲源位置。波束形成法可以實現(xiàn)異響信號的定位，不過由于波束形成的空間分辨率與陣列和聲源之間的距離、波長成正比，與陣列的尺寸成反比，這樣導致分辨率被限制在一個波長左右，在對于低頻(低于1 kHz)的信號處理時沒有優(yōu)勢可言[48-50]。且對于鈑金內(nèi)部異響問題，波束形成技術(shù)往往無法準確定位異響噪聲源位置。根據(jù)中汽中心零部件異響實驗室報告，使用波束形成技術(shù)對汽車車門、儀表板等零部件進行異響測試時，可以定位到大概區(qū)域，對于底盤異響等復(fù)雜部件異響問題，波束形成技術(shù)不能很好的識別其所在位置。

波束形成技術(shù)適用于遠場的中高頻聲源定位，對于低頻目標分辨率低、聚焦效果差。針對中低頻的聲源在近場成像問題，較常用的方法是近場聲全息技術(shù)[51]。

4.3 近場聲全息技術(shù)

聲全息是利用干涉原理獲得被觀察聲場幅值和相位分布信息的聲成像技術(shù)，通過包圍聲源的全息測量面做聲壓全息測量，然后根據(jù)測量表面和全息面之間空間場變換關(guān)系，由全息面聲壓重建源面的聲場[49]。近場聲全息技術(shù)是指反演聲源的一種聲學逆問題求解算法，典型的有基于邊界元法的近場聲全息、基于等效源法的近場聲全息、基于Helmholtz方程最小二乘法近場聲全息等[50]。

近場聲全息技術(shù)于80年代初由Williams提出，是一種有效的噪聲源識別、定位以及聲場可視化的技術(shù)[52]。在國內(nèi)相關(guān)研究中，哈爾濱工程大學自1989年起開展了水下近場聲全息研究，在消聲水槽中完成薄板被激振動平面全息場重建[49]。1991年中科院的張德俊等[53]針對聲源重建問題的不適定性，提出一種新的空間頻率域濾波方法，改善了重建結(jié)果的穩(wěn)定性。自此，近場聲全息技術(shù)開始廣泛應(yīng)用于聲場重建噪聲源定位與識別領(lǐng)域[54-56]。由于聲全息技術(shù)利用了聲壓和相位信息，因而具有一些其他噪聲識別技術(shù)不具備的特點，且近場聲全息測試時不僅測試傳播波成分，還保留了倏逝波的成分，可以真實的還原聲場信息。理論不受波長的限制，適用于近場的低頻聲源識別定位。

在汽車噪聲源定位領(lǐng)域，Li等[57]通過近場聲全息技術(shù)確定了主觀傾聽和更換零件都無法判斷的發(fā)動機異響問題。Shin等[58]對汽車儀表板異響源定位進行研究，應(yīng)用近場可視化設(shè)備獲得了近場聲全息圖，確定了定位BSR的潛在源區(qū)域。

盡管聲全息技術(shù)可以真實的還原聲場信息，但是基于對測量陣列進行空間變換，然后在波數(shù)域中處理數(shù)據(jù)，這一過程需要非常大的麥克風陣列來避免空間截斷效應(yīng)[59]。大量的傳感器布置以及傳感器標定工作，無疑在一定程度上限制了其工程應(yīng)用。

4.4 時間反轉(zhuǎn)法

為了解決聚焦成像技術(shù)中常用的波束形成技術(shù)和聲全息技術(shù)所遇到的問題，如對測量陣布置要求嚴格，測量工作復(fù)雜等，有學者提出基于相位共軛法對聲源進行聚焦成像[60-61]。時間反轉(zhuǎn)法首先在光學中提出，信號在頻域中的相位共軛反映在時域就是時間的反轉(zhuǎn)，根據(jù)聲波方程的時間反轉(zhuǎn)不變性和介質(zhì)的空間互易性，在信號接收處發(fā)射時間反轉(zhuǎn)信號，能夠克服多徑效應(yīng)，在發(fā)射源位置實現(xiàn)信號在時間和空間上的聚焦[62-64]。聚焦過程不需要介質(zhì)不均勻性的先驗知識和陣列的細節(jié)信息，具有抗多途干擾的作用，研究表明相位共軛法聚焦成像具有測點少，算法簡單，對陣列偏移不敏感等優(yōu)點[61]。

自時間反轉(zhuǎn)法提出以來，在水聲通訊、結(jié)構(gòu)健康檢測等領(lǐng)域大放異彩。國內(nèi)也有許多學者針對時間反轉(zhuǎn)法的應(yīng)用展開研究，吳昊等[65]研究了固體板中橫波和縱波傳播的多徑效應(yīng)，并將時間反轉(zhuǎn)法應(yīng)用于固體板中聲波的傳播研究。時潔等[66]采用虛擬時間反轉(zhuǎn)技術(shù)，通過估計的水聲傳播信道，可以實現(xiàn)多目標進行定位。王強等[67-68]在復(fù)合材料和板材Lamb波檢測中應(yīng)用了時間反轉(zhuǎn)處理，提出了直接時反成像和合成時反成像，并分析了波包重建技術(shù)。夏夢璐[69]研究了被動時反通訊在時變環(huán)境中實現(xiàn)高速穩(wěn)定的上行通訊的作用。表明時間反轉(zhuǎn)聚焦法，在流體、固體、復(fù)合材料以及時變環(huán)境中，均有良好的適用性。

時間反轉(zhuǎn)信號聚焦原理如下。設(shè)待區(qū)域P某處存在聲源S，激發(fā)頻譜為s(ω)的信號。在待區(qū)域P表面布置n個信號傳感器，從聲源S到i傳感器處，兩者之間的傳遞函數(shù)為h(ri,ω)，ri表示聲源S到i傳感器之間的距離。時間反轉(zhuǎn)信號聚焦示意圖如圖3所示。i傳感器接收到的振動信號為：

圖3 時間反轉(zhuǎn)信號聚焦示意圖

yi(ω)=s(ω)·h(ri,ω)

(4)

(5)

式(5)中，h(ri,ω)·h*(ri,ω)表現(xiàn)自相關(guān)，此時在異響源處信號疊加增強。

(6)

在汽車噪聲源定位方面，Kwak等[70]首次將時間反轉(zhuǎn)法應(yīng)用到汽車異響源定位中，用譜元法建立了振動傳播傳遞函數(shù)，將汽車車身采集的振動信號與傳遞函數(shù)進行卷積，使用多節(jié)點的時間反轉(zhuǎn)，有效地定位車輛中的沖擊異響聲源，給汽車異響源定位提供了新的思路。時間反轉(zhuǎn)聲源定位方法，能夠克服不同傳播路徑對定位結(jié)果的影響，可以有效提高異響信號的信噪比和定位精度，為汽車異響源準確定位提供了參考。

5 基于人工智能的聲源識別技術(shù)

5.1 基于壓縮感知技術(shù)的聲源定位

傳統(tǒng)的陣列信號處理方法在聲源定位應(yīng)用時，為了獲得足夠的聲場信息，聲學傳感器陣列需要一定數(shù)量陣元，且為了保證定位精度，必須滿足空間采樣定理。因此聲學傳感器陣列的整體尺寸比較龐大，系統(tǒng)也較為復(fù)雜，以上缺點無疑一定程度上限制了其應(yīng)用[71]。

壓縮感知理論2004年由Candes等從數(shù)學角度給出理論推導，作為一種對稀疏信號進行采樣與重構(gòu)的理論，打破了Nyquist采樣定理的限制，迅速成為各個學科的研究熱點[72]。張陽等[73]基于壓縮感知技術(shù)建立了基于壓縮感知和快速波疊加譜的等效源近場聲全息方法，結(jié)果表明，識別低頻聲源精度與傳統(tǒng)算法相當，高頻聲源的識別精度優(yōu)于傳統(tǒng)算法。代超藍等[74]提出一種結(jié)合時間反演壓縮感知的目標信號檢測方案，利用時間反演能夠在抗噪聲、降低多徑環(huán)境影響上具有優(yōu)勢，同時應(yīng)用壓縮感知技術(shù)，有效減輕信號處理壓力。

壓縮感知技術(shù)的提出，使得復(fù)雜的采樣過程一定程度上得到了簡化，在波束形成、聲全息定位等領(lǐng)域均有應(yīng)用。在汽車異響噪聲源識別定位領(lǐng)域，通過壓縮感知技術(shù)，可以在一定程度上減少傳感器數(shù)量的布置。尤其是適用于低頻異響聲信號定位的近場聲全息技術(shù)，其在使用中往往需要大量麥克風陣列來避免空間截斷問題。可以使用壓縮感知技術(shù)來改善這一問題[75]。缺點在于壓縮感知算法在實際場景應(yīng)用時，由于場景復(fù)雜，單一稀疏矩陣往往無法準確表達全部信息，而混合稀疏表示比較復(fù)雜問題尚待探索。

5.2 基于機器學習的聲源定位

通過機器學習來識別聲特征，在噪聲源識別中應(yīng)用越來越廣泛，為聲源識別定位提供了新的思路。目前機器學習在聲源定位中的應(yīng)用主要分為以下兩大類：① 基于模式分類的陣列信號處理聲源定位算法。張歲歲等[76]研究了通過相位變換加權(quán)的互相關(guān)函數(shù)來計算搜索區(qū)域離散位置的特征向量，利用Fisher加權(quán)樸素貝葉斯分類器估計聲源位置。Chen等[77]提出了使用最小二乘法支持向量機算法進行聲源定位。比起傳統(tǒng)聲源定位算法，機器學習方法在低信噪比、高混響等聲學條件下，具有更強的魯棒性。缺點是識別特征所需樣本量較大，尤其是在復(fù)雜的汽車異響噪聲源定位方面，需要積累大量的試驗數(shù)據(jù)才能滿足定位條件。② 基于計算場景分析的雙耳聲源定位。人的雙耳能夠同時定位和分離多個聲源，這種現(xiàn)象被稱為“雞尾酒效應(yīng)”。通過這個效應(yīng)，模擬人耳聽覺的空間感知特性，通過兩個麥克風就可以實現(xiàn)復(fù)雜聲學環(huán)境下的聲源定位[78]。雙工理論表明耳間時間差可用于低頻的聲源定位，耳間強度可用于高頻聲源定位[79]。錢偉杰[78]基于雙耳定位原理，提出一種基于電路耦合的仿生麥克風陣列設(shè)計，試驗表明該方法能夠?qū)崿F(xiàn)低頻聲源(500 Hz)的聲源定位。Liu等[80]提出一種新的基于特征和頻率加權(quán)的雙耳聲源定位方法，訓練階段在無噪聲條件下計算每個頻帶中方向相關(guān)的耳間互相關(guān)函數(shù)和耳間強度差作為樣本，在測試階段，首先在所有特征和頻帶中，計算測試信號和樣本的耳間互相關(guān)函數(shù)和耳間強度差之間的余弦相似性，然后可以通過加權(quán)相似性來獲得聲源方向似然性，最大似然方向被認定為聲源方向。

在汽車異響噪聲源定位方面，Ahn等[81]將在汽車內(nèi)部采集的時域聲信號預(yù)處理為2D圖像數(shù)據(jù)，然后基于深度機器學習來檢測異響信號，該方法為異響定位提供了新的方向。黃海波等[82]針對人工經(jīng)驗提取特征進行減振器異響鑒別的復(fù)雜性與不可擴展性的問題，分析了深度信念網(wǎng)絡(luò)在減振器異響鑒別中的應(yīng)用，提供了機器學習方法在異響信號分離方面應(yīng)用的方案。

基于機器學習的聲源定位方法，可以很大程度上降低傳統(tǒng)聲源定位技術(shù)的復(fù)雜性，且在低信噪比的環(huán)境下具有一定的魯棒性，是聲源定位領(lǐng)域的前沿問題。缺點是訓練所需樣本數(shù)量要求多，定位精度取決于所選參數(shù)的特征是否合適。

綜上所述，將人工智能與傳統(tǒng)聲源定位方法相結(jié)合，可降低測試系統(tǒng)的復(fù)雜性，減少測試成本、提高在低信噪比條件下的定位精度和魯棒性，因此在汽車異響噪聲源定位方面有著廣闊的應(yīng)用前景。

6 異響噪聲源定位方法對比

對比上述各類聲源定位方法，其中適用于異響噪聲源定位的方法及其應(yīng)用優(yōu)缺點如表1所示。在異響噪聲源定位中，可根據(jù)實際測試條件，選擇合適的定位方法。

7 結(jié)論

目前在解決汽車異響噪聲方面已經(jīng)積累了大量的經(jīng)驗。但是對于異響噪聲源的識別定位方面，開展的研究較少。一是因為異響信號的能量比較低，容易淹沒在噪聲信號中，不易分離；二是因為異響的特征和持續(xù)時間沒有規(guī)律，要對短暫、隨機的異響信號進行數(shù)據(jù)處理比較困難。本文對聲源識別定位技術(shù)近年來國內(nèi)外研究現(xiàn)狀進行綜述，在汽車異響聲源的定位方面，有以下結(jié)論：

1) 傳統(tǒng)異響源識別方法比較簡單、可靠，是目前工程應(yīng)用的首選。不過該方法對工程師的經(jīng)驗要求較高，對異響源的特征信息分析不夠全面，對于難以判別的異響容易引起爭議；

2) 信號處理過程中，由于異響聲源容易被噪聲掩蓋，傳統(tǒng)的分析方法很難定位異響源位置，通過時頻分析、盲信號分離、基于機器學習的特征信號提取優(yōu)化等方法，獲得異響信號特征，是異響噪聲信號提取及源準確定位的重要前提；

3) 波束形成技術(shù)適用于遠場、中高頻異響信號的定位，對低頻異響信號分辨率較低；聲全息技術(shù)適用于低頻異響信號定位，但需要布置大量傳感器，測試過程較為復(fù)雜，一定程度上限制了其在異響噪聲源定位方面的應(yīng)用；

4) 時間反轉(zhuǎn)方法具有自適應(yīng)聚焦的特性，不需要布置大量傳感器即可實現(xiàn)時間反轉(zhuǎn)自適應(yīng)聚焦成像。可以根據(jù)這一特性，對汽車異響信號進行時間反轉(zhuǎn)處理，實現(xiàn)自適應(yīng)聚焦定位異響源。目前在汽車噪聲源定位方面研究較少，有必要進一步探索和研究；

5) 基于人工智能的聲源定位方法，包括壓縮感知算法、基于機器學習的模式分類算法，雙耳聲源定位方法等，是目前聲源識別定位領(lǐng)域的研究前沿熱點。