|
The Challenge:
開發一個自動、分布式無線監控系統，用來測量飛機噪音水平并將數據傳回控制中心進行分析。
The Solution:
使用NI LabVIEW軟件、NI聲音與振動工具包和NI USB-9234動態信號采集模塊（DSA），從各架飛機上采集和分析可靠且高質量的數據。
在早晨和傍晚的交通擁堵時間，墨西哥城的大型車輛和飛機都會發出噪音，這可能導致人們聽力受損。 航空運輸委員會由此提出一個新的飛機分類系統，今后航空公司可能根據飛機發出的噪音量來支付費用而不是根據重量或類型。因此，我們提出了一種新的計算模型，該模型不僅可以測量噪音量，還能根據飛機發出的噪音辨別飛機。
無線監控系統中的每個節點包含一個半英寸預極化麥克風、一張測量噪音水平的數據采集卡、一臺工業計算機和Wi-Fi或3G無線連接互聯網。 麥克風安裝在離地4米的防水箱內。 節點每30秒測量一次噪音水平，每5分鐘將數據傳回至控制中心。
圖1.分布式無線監控系統圖
現實世界中根據飛機產生的噪聲頻譜特性來辨別飛機十分復雜，因為背景噪音、天氣、起飛速度和飛機的負載都可能會干擾分析。 近期，采用神經網絡辨別噪音的測量設備已經上市，但這個設備只能用來分辨噴氣飛機、螺旋槳飛機、直升機和背景噪音。 因此 我們決定創建一個計算模型來測量和分析噪音。 我們的系統只需采集飛機起飛24秒內產生的噪音，就能夠正確識別飛機。
系統開發
在設定監測系統時采用無線拓撲可降低成本，并提高靈活性。 每個監控節點都建立在無須人工干預的Windows XP系統的工業PC上，它還配備有Wi-Fi適配器和NI USB-9234。 在硬件評估過程中，我們決定使用NI產品，因為相比那些低成本的聲級儀表，NI的產品測量質量好、堅固耐用，且十分可靠。
盡管每個節點都連接著城市的電力系統，我們仍可使用不間斷的電源供應防止數據丟失。 節點每30秒測量一次噪音水平，系統最多可在本地保存14天的數據。 政府計劃使用我們的數據來識別墨西哥城中產生最高噪音水平的時間和地點，并創建噪音地圖、實施監管行動控制噪音，為公民創建更健康的生活環境。
我們的系統可記錄用于道路交通噪音的傳統統計信息，如連續等效聲級（LEQ），而且還可以記錄分數倍頻程分析并測量明顯的噪音。 此外，該系統可以將WAV文件傳至一個中央服務器，用于研究可能觸發警報的瞬態信號，這有助于辨別干擾準確測量的獨立聲源。
圖2. 墨西哥城城市廣場兩周時間的噪音情況
我們原先計劃使用政府在2008年安裝的公共Wi - Fi，但一些節點必須轉換成由無線運營商提供的較慢的3G系統。 雖然我們可以同步使用3G網絡的語音和數據服務，但它的數據傳輸速率相當緩慢。
通過TCP/IP進行通信
我們的控制中心有一個靜態的IP地址。 每個節點都有一個DHCP服務器分配的動態地址。 簡單的說，控制中心就是一個服務器，而節點則是客戶端。 節點會嘗試打開TCP連接，如果控制中心收到了連接請求和節點的確認，連接便會成功。
圖3. 控制中心中央服務器界面
圖4. 超過閾值的音頻信號分析
圖5. 噪音級別、時間、日期和dBA振幅
圖6. 3D噪音地圖顯示噪音級別、時間、日期和幅度
下面是我們用于模式生成和識別的系統框圖。 由于飛機起飛噪聲的起點和止點都為零且時間長度有限，我們因此認為它屬于非平穩瞬態信號。 如圖8所示，大部分的信號能量低于2kHz。 在這種情況下，我們注意到背景噪音在信號兩端更為強烈，因為飛機產生的噪聲覆蓋了背景噪音的中間部分。
圖7.模式生成和識別系統框圖
圖8.波音747飛機起飛時典型的噪音信號和頻譜
我們觀察發現，對于所有的飛機噪音，典型的幅度譜值為0到5000Hz。 我們選擇使用11025Hz的采樣頻率，將24秒內采集的樣本數量減少至264600個。 對于其他飛機噪音分析，建議選擇25kS/s的采樣頻率和D-、C-和A-加權濾波器。
降低頻譜分辨率
由于幅度譜有132300次諧波，這會導致處理過程非常復雜，因此我們決定降低頻譜分辨率。 此外，我們只對收集有關頻譜形式的數據感興趣。
我們提出了以下假設：
- 任何降低頻譜分辨率的方法都會在測量飛機噪音的最初和最后時間段內引入一個容忍度。 例如，在飛機起飛后開始采集為時24秒的數據，然后將前饋神經網絡訓練為一個噪音模式。 在運行時，如果采集到的起飛噪聲為第5秒至24秒，并且降低頻譜分辨率的話，那么前5秒鐘的位移對于頻譜形式的影響就會非常小。
- 中值濾波器（移動平均濾波器）創建了一個飛機起飛噪聲頻譜的典型形式。
- 在保留X率的基礎上對平均頻譜進行降頻，保留了飛機起飛噪音的頻譜形式。
結論
我們的10節點系統成功地測量了墨西哥國際機場飛機起飛時產生的噪音。 該系統創造了許多不同類型的頻譜分析，并獲得了最常用的dB(A)或dB(C)表示形式的統計指標，用于噪聲測量。 我們可以存儲系統收集到的數據，隨后再執行更深入的分析，通過噪音來確定潛在的健康危險，并知曉噪音水平在全天的波動情況。
在未來，我們想要在分割原始信號后運用這項技術，測量所得結果的差異。 我們還計劃測試新的參數來創建神經網絡。
|
