1.本发明属于自动控制的技术领域，具体涉及一种用于民航客机客舱噪声的主动控制方法。
背景技术：
2.国民经济的高速发展带动了民航业的快速发展，越来越多的人选择飞机作为出行交通工具。除了速度外，人们出行越来越注重舒适性，然而客舱的噪声直接影响了舱内乘客的舒适性，也是困扰着民航业发展的问题之一。客舱具有良好的噪声主动控制，将极大提高竞争力，如何有效控制舱内噪声仍是飞机设计过程中需要解决的问题。
3.客舱内噪声主要包括发动机噪声、湍流边界层噪声和客舱内部空调噪声等，发动机噪声主要有风扇噪声、燃烧室噪声、涡轮噪声、喷流噪声。当前飞机主要采用被动噪声控制方法：客舱内壁采用隔声吸音的结构和材料；优化飞机气动外形；空调管道加消声器等，被动噪声控制方法对高频噪声有一定的作用，但是对发动机等产生的中低频噪声控制效果不明显，客舱内噪声依旧强烈。同时飞机在不同的工况下，产生的噪声特征变化大，被动噪声控制方法的作用效果十分有限。在现有技术水平下，若要继续控制客舱内噪声，将会产生巨额成本，且噪声控制效果有限。
4.虽有部分飞机设计院开始进行客舱主动噪声控制，普遍采用前馈anc系统，存在次级路径效应，即次级声源发出的抵消声波会经由空气传播到参考麦克风，导致参考麦克风接收到的信号不仅含有噪声源信号也含有次级声源信号。虽然基于fx
‑
lms算法实现了次级路径的识别，但是该算法是假设客舱内环境近似为线性声学环境，然而实际客舱内噪声环境并非线性，直接影响了噪声控制效果。
技术实现要素：
5.本发明提供了一种用于民航客机客舱噪声的主动控制方法，采用bp神经网络模型代替传统fxlms算法中次级声源路径的自适应滤波器，可以较为准确预估次级声源传递到客舱座椅处的实际噪声情况，更加符合实际噪声的非线性状态，预测的准确性更高，降噪效果更好。
6.本发明可通过以下技术方案实现：
7.一种用于民航客机客舱噪声的主动控制方法，包括：
8.通过设置于客舱内不同位置的拾音器采集客舱内的初级声源；
9.以飞机本身产生的噪声作为输入、对应客舱位置的噪声作为输出对bp神经网络进行训练，获取bp神经网络模型；
10.以民航客机的噪声控制方法产生的次级声源作为训练好的bp神经网络模型的输入，产生补偿噪声信号；
11.以所述初级声源和补偿噪声信号的差值作为噪声控制方法的输入，对客舱内人员所在位置进行主动降噪。
12.进一步，所述噪声控制方法设置为采用fxlms算法的主动噪声控制方法。
13.进一步，记所述初级声源为x(n)，其经过训练好的bp神经网络滤波得到输入信号为x
′
(n)，误差信号采集器采集得到误差信号为e(n)；
14.将第n时刻调整函数w(z)的权值和输入信号表示为向量的形式，即
15.w(n)＝[w1(n)，w2(n)，，w
l
(n)]
t
[0016]
x
′
(n)＝[x(n)，x(n
‑
1)，...，x(n
‑
l
‑
1)]
t
[0017]
权值的调整：
[0018]
w(n+1)＝w(n)+μe(n)x(n)
[0019]
其中，μ是fxlms算法的步长因子，a表示常数，b表示增益系数，μ0表示步长因子的直流分量。
[0020]
进一步，所述飞机本身产生的噪声包括发动机噪声、湍流边界层噪声和客舱内部空调噪声。
[0021]
本发明有益的技术效果在于：
[0022]
基于bp神经网络的fxlms自适应算法相比传统的基于线性预测器的fxlms自适应算法，对次级声源的预测更精准，降噪效果更好，可以更好地完成发动机噪声、湍流边界层噪声和客舱内部空调噪声的控制，不影响人员交流，同时，引入sigmoid函数改进lms算法，抗干扰能力更强，更容易收敛。
附图说明
[0023]
图1是本发明的总体流程示意图。
具体实施方式
[0024]
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
[0025]
随着生活水平和工业化水平的提高，噪声问题逐渐成为人们日常生活中关注的重点问题。噪声的控制主要分为传统噪声控制和有源噪声控制，常用的传统噪声控制方法在低频噪声环境下效果明显下降，有源噪声控制方法的出现使这个问题得到了更好的解决。
[0026]
在待控制的声场区域建立一个与待消除的声音强度相同、相位相反的声场(即次级声场—secondary sound field)，利用波的干涉原理，人为造成声场的相消干涉，从而消除噪声。70年代以后，随着声学理论和控制理论的迅速发展，人们逐渐对有源消声控制的机理有了更深刻的理解。鉴于常见的噪声源大都具有强烈的时变特性，因此，在自适应理论日渐成熟后，人们开始探索自适应有源消声控制aanc这一极具应用价值的新课题，而aanc以恰当的自适应算法自动调整次级声信号，确保次级声信号能有效地跟踪并抵消噪声信号，达到消除噪声目的。
[0027]
在实际应用场景下，由于次级声源信号会通过次级路径传播回来，污染噪声源信号无法直接被参考输入麦克风获取，这意味着lms算法无法直接应用到anc系统中。当前通常采用滤波x
‑
lms算法即fx
‑
lms，对次级声源产生的声波传播到噪声采集处的传播过程进行建模，来消除次级路径效应带来的影响。该方法实现的基础是将舱内噪声环境近似的看作线性声学环境，然而实际舱内噪声环境为非线性，因此，本发明使用bp神经网络来替代实
现次级路径辨识功能的自适应算法，对次级声源的预测更精准，降噪效果更好。
[0028]
如图1所示，本发明提供了一种用于民航客机客舱噪声的主动控制方法，包括以下步骤：
[0029]
步骤一、通过设置于客舱内不同位置的拾音器采集客舱内的初级声源；
[0030]
根据实际需要，在客舱的各个位置安放噪声源拾音器、误差拾音器，其中，噪声源拾音器用于采集飞机客舱内的初级声源x(n)，包括人的声音和飞机噪声，其中飞机噪声主要包括在不同工况下的发动机噪声、湍流边界层噪声和客舱内部空调噪声等等，x(n)为n个离散时间对主噪声的采样所组成的矩阵，其声学属性包括振幅、相位和频率；误差拾音器用于采集初级声源和次级声源抵消后的噪声残留信号e(n)，即经过客舱噪声控制之后所残余的噪声，也就是乘客在座位能感受到的噪声，其中e(n)为n个离散时间对残余噪声的采样所组成的矩阵，其声学属性包括振幅、相位和频率。本发明的降噪方法中，拾音器安装在飞机座舱内需要控制舱内噪声水平的区域，用于监测飞机客舱内的声源特性，并将结果反馈给主动降噪控制器。
[0031]
步骤二、以飞机本身产生的噪声作为输入、对应客舱位置的噪声作为输出对bp神经网络进行训练，获取bp神经网络模型；
[0032]
由于次级声源是根据飞机本身产生的噪声来计算的，其作用是用于抵消飞机本身产生的噪声，因此，理想状态是两者等同，但是实际情况很难达到，所以我们在建立bp神经网络时，可以通过参考传声器采集不同工况下发动机噪声、湍流边界层噪声和客舱内部空调噪声等飞机本身产生的噪声信号通过数模转换器处理作为输入，采集客舱座位处的噪声信号通过数模转换器处理作为输出，以此作为训练数据集对bp神经网络进行训练，具体如下：
[0033]
(1)初始化神经网络参数w0，b0；
[0034]
(2)将采集的发动机噪声、湍流边界层噪声和客舱内部空调噪声组成训练集输入矩阵，将采集的客舱座位处噪声组成训练期望输出矩阵y0；
[0035]
(3)进行前向传播过程计算出预测输出矩阵y；
[0036]
(4)根据损失函数计算损失值l，判断损失值是否满足收敛；
[0037]
(5)若结果收敛结束训练，若结果不收敛，进行反向传播调整神经网络参数w、b，重复执行步骤(3)(4)(5)。
[0038]
步骤三、以民航客机的噪声控制方法产生的次级声源作为训练好的bp神经网络模型的输入，产生补偿噪声信号；
[0039]
步骤四、以初级声源和补偿噪声信号的差值作为噪声控制方法的输入，对客舱内人员所在位置进行主动降噪。
[0040]
本发明采用fxlms算法作为主动噪声控制方法，其中，常规的lms算法抗干扰能力弱，收敛难，而sigmoid函数具有对较大输入的不敏感性，所以，本发明引入sigmoid函数并进行一定的变换，来控制lms算法中的步长因子，具体如下：
[0041]
记初级声源为x(n)，其经过训练好的bp神经网络滤波得到输入信号为x
′
(n)，误差信号采集器如误差拾音器采集得到误差信号为e(n)；
[0042]
将第n时刻调整函数w(z)的权值和输入信号表示为向量的形式，即
[0043]
w(n)＝[w1(n)，w2(n)，...，w
l
(n)]
t
[0044]
x
′
(n)＝[x(n)，x(n
‑
1)，...，x(n
‑
l
‑
1)]
t
[0045]
权值的调整：
[0046]
w(n+1)＝w(n)+μe(n)x(n)
[0047]
其中，μ是fxlms算法的步长因子，a表示常数，b表示增益系数，μ0表示步长因子的直流分量。
[0048]
引入了参数a、b、μ0，通过这些参数控制步长因子，提升抗干扰能力促进收敛，其中，参数a作用是是减少稳态失调，系统失调剧烈时适当调小a；参数b作用是缩放误差e(n)，出现步长因子对误差e(n)的变化不够敏感，可以适当的调大b；μ0是步长因子的直流分量，作用是防止误差e(n)接近0时，步长因子无限接近0而失去调节效用，即主动噪声控制系统的输出信号y(n)经过次级声源向客舱座位处发出抵消信号，与传播到座位处的噪声相抵消，从而完成降噪处理。
[0049]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。