Aktív zajcsökkentés - Hangtechnikai Laboratórium 2.last.hit.bme.hu/download/Hangtechnika_Labor_2/6.meres_Aktiv... · • Egyszeru˝ adaptív szur˝os „identiﬁkációs hurok”

Budapesti Muszaki és Gazdaságtudományi EgyetemHíradástechnikai Tanszék

Aktív zajcsökkentésMérési segédlet – Hangtechnikai Laboratórium 2.

Írta: Mócsai Tamás

2006. november 9.

Bevezeto

1. BevezetoA különbözo berendezések, létesítmények zajcsökkentésére számos régóta ismert, és bevált módszer

létezik. A hagyományos megközelítés passzív technikákat alkalmaz a nemkívánatos zajok csillapításaérdekében. A reaktív csillapítók különbözo gátak, terelo lemezek, üregek, és csövek kombinációjával aforrás sugárzási impedanciáját változtatják meg. A rezisztív csillapítók a hangenergiát más típusú ener-giává, általában hoenergiává alakítják, mely így energiaveszteségként jelentkezve a környezetbe jutó zajtcsökkenti.

A passzív zajcsökkento módszerek viszonylag széles frekvencia sávban tudnak hatékony csillapítástbiztosítani, hátrányuk az alkalmazásukkal járó tömeg, méret, és költségnövekedés, valamint a kisfrekvenci-ás tartományban csökkeno csillapításuk. A hangelnyelo, hanggátló anyagok csillapítása elenyészové válik,amint a hang hullámhossza az anyag kiterjedésével (vastagság, méret) összemérheto. A passzív rezgéscsök-kentési technikák esetében a zajlesugárzást létrehozó strukturális rezgést csillapító, vagy annak terjedésétmegakadályozó tömeg-rugó rendszer mechanikai alulátereszto szurot valósít meg, mely rezonanciafrek-venciájáig képes hatékonyan csillapítani. Alacsony határfrekvencia igénye esetén a rugóengedékenység,illetve a tömeg növelése nehézségekbe ütközhet.

A felsorolt problémák miatt izgalmas eljárás az aktív zajcsökkentés1 (Active Noise Control - ANC),mely köztudottan elektroakusztikus eszközök által keltett másodlagos hang alkalmazásával, a szuperpozí-ció elvén igyekszik kioltani az elsodleges, zavaró hangjelenséget. A kioltás helyén tehát a két hanghullámamplitúdójának ideális esetben azonos nagyságúnak és ellentétes fázisúnak kell lennie. Így értheto, hogyaz elérheto csillapítás mértéke attól függ, hogy mennyire tudunk eloállítani pontosan azonos amplitúdójúés ellentétes fázisú hanghullámot a kívánt helyen (1. ábra).

Az aktív zajcsökkento rendszerek elsosorban a kisfrekvenciás tartományban muködnek eredményesen,így jó kiegészítést jelenthetnek a passzív csillapító módszerek alkalmazása mellett.

A módszer kecsegteto, attraktív volta ellenére számos problémát rejt magában. Az akusztikai zajfor-rások és a közeg karakterisztikája, így a csillapítani kívánt zaj spektrális tartalma is az idoben változó.Ezért egy aktív zajcsökkento rendszert vezérlo egységnek, és algoritmusnak adaptívnak kell lennie, va-lamint meg kell követelni az elérheto maximális precizitást, stabilitást és hosszú ideju megbízhatóságot.Ennek megvalósításához ideális a digitális jelfeldolgozó processzorok (DSP) alkalmazása, így az elektroa-kusztikus átalakítók jeleinek mintavételezésére, majd a valós idoben meghatározott beavatkozó jelek ana-lóggá alakítására van szükség. A jelfeldolgozási feladatok megoldása mellett nem szabad megfeledkeznia beavatkozó-, valamint érzékelo eszközök elhelyezésének akusztikai optimalizációjáról. Ehhez legtöbb-ször a zajforrás környezetének, illetve a csillapítani kívánt „csendzónának” kimeríto, (sokszor numerikus)akusztikai analízise szükséges.

1.1. Alkalmazási lehetoségekAktív zajcsökkento rendszerek az alkalmazási területek széles skáláján muködhet(né)nek eredménye-

sen, a módszer elvi korlátait szem elott tartva: Általánosságban, magasabb frekvenciákon a nagy minta-vételi frekvencia igény, és a nagyszámú magasabb rendu akusztikai módus jelenléte miatt az aktív zaj-csökkentés kevésbé eredményes. A zajforrás karakterisztikája szempontjából a periodikus, keskenysávú,jól prediktálható zajjelenségek eredményesebben kezelhetok, mint a szélessávú zajforrások. Egyes tipikusalkalmazási területeken a passzív technikáknál eredményesebb csillapítás érheto el:

• Csövekben áramló levego okozta zajok2

• Belso téri zajok: Hatásos zajcsökkentés érheto el kisméretu zárt terekben, pl. kabinokban, utasterek-ben, ha a zajforrás a zárt tér határoló falain kívül helyezkedik el. A zárt terekben kialakuló hangtér a

1Az elso aktív zajcsökkento elrendezés alapötlete és szabadalma Lueg-tol (1936) származik. A szabadalom egy mikrofont és egyelektronikusan táplált hangszórót tartalmazó rendszerterv (egy „magic-box”) volt, de kivitelezése az akkori technikai színvonalonnem volt eredményes, így az ötlet valós alkalmazására nem került sor. A digitális jelfeldolgozási technika fejlodésével a téma újraelotérbe került, és az egyre gyorsabb és pontosabb áramkörök és processzorok megjelenésével talán alkalmazásának elterjedéséreszámíthatunk.

2A korai aktív zajcsökkentési kutatások nagy csovezetékekben terjedo, a kisfrekvenciás tartományban síkhullámként kezelhetozajjelenségek csillapítására irányultak.

Budapesti Muszaki Egyetem, Híradástechnikai TanszékRezgésakusztikai és Audio Laboratórium

URL: http://www.vibac.hit.bme.hu

1

Bevezeto

−6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6−35

−30

−25

−20

−15

−10

−5

0

Amplitúdó hiba (dB)

Am

plitú

dó c

sökk

enés

(dB

)

−100 −80 −60 −40 −20 0 20 40 60 80 100−40

−35

−30

−25

−20

−15

−10

−5

0

5

Fázishiba (fok)

Am

plitú

dó c

sökk

enés

(dB

)

1. ábra. Az elérheto elvi amplitúdó csökkenés mértéke az amplitúdó hiba, és a fázishiba függvényében

belso térfogattól és annak alakjától függoen meglehetosen bonyolult lehet, elsosorban ha a kérdéseshullámhossz tartomány a tér méreteinél jelentosen kisebb, ezért ilyen esetben általában többcsatornásrendszerre van szükség.

• Szabadtéri zajok: A szabadtéri zajok aktív csökkentésnek - talán egyetlen - megoldási módja egyolyan „csendes-zóna” létrehozása, amelyben lokális csillapítás valósítható meg a zóna másodlagoshangszórókkal - ideális esetben zárt másodlagos forrásfelülettel - és hibamikrofonokkal való körbe-vételével.

• Hallásvédelem, kommunikáció: Az aktív zajcsökkentés legegyszerubb, és manapság a kereskede-lemben leginkább hozzáférheto változata, melynél a kioltó hangot közvetlenül a fülre helyezett fej-hallgatóval hozzák létre, így az akusztikai környezet hatása, és egyéb másodlagos hatás nem jelentke-zik. A személyi hallásvédelem hatékonysága fokozható, ha a fülhallgató egyúttal passzív fültokkéntis szolgál a nagyfrekvenciás komponensek ellen.

1.2. A mérés áttekintéseAz elméleti háttér átbeszélése, és némi számonkérés után a mérés alapvetoen két részbol fog állni:

• Egyszeru adaptív szuros „identifikációs hurok” szimulációja MATLAB-al - az elorecsatolt ANCrendszerekben gyakran használt LMS algoritmus muködésének, jelfeldolgozási lépéseinek megis-merése

• Többcsatornás, kísérleti rendszeren végzett mérések valós akusztikai környezetben



2

Elméleti áttekintés - tudnivalók

2. Elméleti áttekintés - tudnivalókAz aktív zajcsökkento rendszert megvalósító digitális (vagy bizonyos esetekben analóg) kontroller sza-

bályozástechnikai szempontból alapvetoen kétféle lehet:

• Visszacsatolt szabályzás - az aktív zajcsökkento rendszerek elso megvalósítási formája a visszacsa-tolt megoldás volt, mivel analóg elektronikus áramkörökkel is könnyen megvalósítható egy vissza-csatolt kontroller. A 2. ábrán egy visszacsatolt rendszer modellje látható csoben terjedo zajjelenségesetére. A visszacsatolt rendszer hurokerosítésének frekvenciafüggése miatt a rendszer könnyen in-stabillá válhat, nem megfelelo szabályozási kör, vagy modellezési hiba esetén kézben tarthatatlanpozitív visszacsatolás alakulhat ki.

2. ábra. Csoben alkalmazott egycsatornás visszacsatolt ANC rendszer

• Elorecsatolt szabályzás - a mérés során megismerendo muködési elv az elorecsatolt „adaptív rendszer-identifikáció”. A 3. és a 4. ábrán látható módon egy ismeretlen tulajdonságú átviteli rendszer (amelyjelen esetben maga az akusztikai tér) kimeneti és bemeneti jeleinek (a mikrofonok és szenzorokjelei) vizsgálatával felépítünk egy modellezett átviteli függvényt. Az aktív zajcsökkentés esetébene modellezett átviteli függvény alkalmazásával a primer hangjelenséget kioltani képes másodlagoshangjelenséget állítunk elo.

3. ábra. Csoben alkalmazott egycsatornás elorecsatolt ANC rendszer

2.1. Adaptív szurésAz adaptív szurés olyan lineáris jelfeldolgozási módszert jelent, mely során a bemeno jel spektrális

tulajdonságait egy adaptív algoritmus által folyamatosan hangolt szuroegyüttható-készlettel egy megadottoptimum elérése érdekében változtatjuk. Digitális megvalósítás esetén a szuro lehet FIR, vagy IIR típusú.A mérés során a széles körben használt FIR (transzverzális), szurore épülo adaptív szabályzó elvét fogjukmegismerni. Az 5. ábrán látható módon a szuro a bemenet L mintájának w(n) együtthatóival súlyozottösszegét állítja elo a kimenetén. A szuro kimeneti mintája tehát a következoképpen számítható:

y(n) =L∑

i=1

wi(n)x(n− i) (1)



3


4. ábra. Rendszer-identifikációs modell

5. ábra. Digitális FIR szuro elvi blokkdiagramja

Az aktív zajcsökkento rendszerek alapjául szolgáló szabályzó algoritmus leggyakrabban az LMS algo-ritmusra épül. Az LMS algoritmus esetében a minimalizálandó ún. költségfüggvény a négyzetes középhiba(MSE - Mean Squared Error). Az MSE által reprezentált L+1 dimenziós ún. jósági felület minimumpont-jánakának - tehát az optimális szuroegyüttható-készletnek - meghatározására létezik ideális, elvi megoldás(Wiener-szuro), ennek alkalmazásához azonban az autokorrelációs mátrix és a keresztkorrelációs mátrixismeretére vagy folyamatos becslésére, valamint mátrix-invertálásra van szükség3.

A gyors optimumkeresési módszerek a hibafelület „esése” mentén „ereszkedve” jutnak el a minimumpontba, ezért ezeket gradiens módszernek hívják. Az LMS algoritmus a négyzetes hiba várható értékénekgradiensét a hibajel pillanatnyi értékének felhasználásával becsüli. Így az együtthatók frissítésére, tehát akövetkezo mintavételi ciklusban felvett értékükre egy egyszeru, kis számítási eroforrást igénylo kifejezésadódik:

w(n + 1) = w(n) + µx(n)e(n). (2)

A 2 kifejezésben szereplo µ az algoritmus lépésközét jelenti, melynek megválasztása megfontolásokat,gyakorlati tapasztalatokat és méréseket igénylo folyamat, és alapvetoen befolyásolja az adaptív szuro kon-vergenciáját4.

2.2. Adaptív, elorecsatolt rendszer-identifikációAz eddigiekbol látható, hogy az elorecsatolt aktív zajcsökkento rendszer modellje nem más, mint egy-

fajta rendszer-identifikációs modell, melyet adaptív szurokkel valósíthatunk meg. Az x(n) jel a forráshozközel elhelyezett referencia mikrofon jele, vagy egy más módon eloállított, a zajjelenséggel koherens jel,mely a forrást megfeleloen reprezentálja. A d(n) a megszüntetni kívánt primer zajjelenség, e(n) az y(n)másodlagos kioltó jel mellett fennmaradó hibajel. Az ismeretlen P (z) átviteli függvényu akusztikai rend-szer tehát az x(n) bemeneti jelekbol eloállítja a d(n) elsodleges jeleket. Az adaptív algoritmus a digitálisszuro együtthatóit hangolva az elsodleges jel és a szuro y(n) kimeneti jelébol képzett különbséget minima-lizálja. A e(n) jelek minimális értékei esetén megkapjuk az optimális szuro együttható vektort, amellyelekvivalens átviteli függvény e(n) = 0 esetben az identifikálandó átviteli függvénnyel egyezik meg. Ebben

3wopt = R−1p4A probléma megoldására az LMS algoritmusnak számtalan változata létezik



4


az esetben azt mondhatjuk, hogy a kérdéses rendszert identifikáltuk. A kioltó jel létrehozása tehát tulaj-donképpen a másodlagos forrást tápláló y(n) jel elojelének, illetve polaritásának megfordításával történik,és a modellben szereplo összegzés a hangtérben szuperpozíció révén valósul meg.

2.2.1. Másodlagos átviteli utak

Az elorecsatolt elvu rendszer-identifikációs modell bonyolultabbá válik, ha figyelembe vesszük azt,hogy a kioltási (vagy másodlagos) átviteli útban alkalmazott átalakítóink (hangszórók, mikrofonok, erosí-tok) amplitúdó- és fáziskarakterisztikái nem ideálisak. A jelfeldolgozási muvelet elso- és utolsó lépésekéntjelenlévo A/D-D/A átalakítás is meredek vágású alulátereszto jellegu átviteli függvényeket visz a rendszer-be, ezek hatásától sem szabad eltekinteni. Valamint nem szabad figyelmen kívül hagyni azt a tényt sem,hogy a másodlagos forrás által kibocsátott kioltó hang a forráshoz közel helyezett referencia mikrofonhozvisszajutva visszacsatolást létesíthet a rendszerben

A másodlagos átviteli út jelenségének kompenzálása érdekében egy, a másodlagos út átviteli függ-vényével megegyezo átviteli függvényu digitális szurot helyezünk az LMS algoritmus referenciajelénekjelútjába. Ez a megoldás a széles körben használt FXLMS algoritmus5.

A visszacsatolási út hatásának megszüntetésére itt ismertetett módszer hasonló: eloállítjuk a vissza-csatoló út átviteli függvényét közelíto digitális szurot, így egy mesterséges visszacsatolást létrehozva abecsült visszacsatoló jelet kivonjuk a referenciajelbol. A 6. ábrán a járulékos utakkal, a 7. ábrán azokkompenzációjával kiegészített rendszer-vázlat látható: S(z) a másodlagos átviteli utat reprezentáló átvite-li függvény, S(z) a digitális szurovel közelített megfeleloje, míg F (z) a visszacsatolási utat reprezentálóátviteli függvény, F (z) annak digitális szurovel közelített megfeleloje.

6. ábra. Az akusztikai visszacsatolást és a másodlagos átviteli utakat figyelembe vevo ANC modell

Az ábrák alapján jól megértheto az elorecsatolt szabályzás megvalósítása esetén elsodleges fontosságúkauzalitási kritérium is: az adott x(n) bemeneti minta alapján eloállított y(n) kimeneti minta kiszámí-tásához szükséges teljes muveleti ciklusidonek kevesebbnek kell lennie, mint a referenciaérzékelo és ahibamikrofon közötti hangterjedésbol származó késleltetés.

2.2.2. Offline identifikáció

Mind az FXLMS algoritmus alkalmazásához, mind a visszacsatolási út hatásainak megszüntetéséhezaz ismertetett járulékos átviteli függvények identifikációja szükséges. Az offline identifikáció egy olyanmódszer, amellyel az elsodleges átviteli út P (z) valós ideju, online identifikációját - tehát az ANC rend-szer éles, üzemszeru muködését megelozoen, a 8. ábrán látható módon a másodlagos forrásból egy al-kalmas tesztjelet a hangtérbe sugárzunk. Ezt bemenojelnek tekintve egy, a már megismert elven muködorendszer-identifikációt hajtunk végre mind a másodlagos utak, mind a visszacsatolási út átviteli függvé-nyeinek becslésére.

5 A 7. ábra alapján E(z) = 0 feltételezéssel az optimális szuroegyüttható vektor a következo lenne: W o(z) =P (z)S(z)

, vagyis azadaptív szuronek meg kellene valósítania a másodlagos átviteli út inverz függvényét. Az út okozta idokésést azonban ilyen módon nemlehet kompenzálni (kauzalitási kritérium), valamint a hangszóró átviteli függvényében szereplo zérusok irányíthatatlan frekvenciakomponenseket visznek a rendszerbe - ezek inverziója esetén a rendszer instabillá válna.



5

„Házi feladat”

7. ábra. Az akusztikai visszacsatolást, és másodlagos utak hatását megszünteto ANC modell

8. ábra. Az offline identifikáció blokkdiagramja

A kisugárzott tesztjel jellemzoen egy nagy intenzitású, a rendszert a kérdéses frekvencia tartománybanmegfelelo módon gerjeszto zajjel, alkalmasint fehérzaj, melynek elonye, hogy az identifikációs folyamatF (z) és S(z) becslo szuroinek adaptációja rövid ideig tart.

2.3. Többcsatornás rendszerekTöbbcsatornás rendszerek esetében általában egy referencia jel segítségével több elsodleges átviteli utat

identifikálunk, és a másodlagos források számával megegyezo számú hibamikrofont helyezünk el a hang-térben. (1×N ×N -es ANC rendszer) Az egycsatornás esethez képest a következo eltérések jelentkeznek:minden egyes másodlagos forrásból származó minden kioltó hanghullám egy-egy összetevot jelent min-den hibamikrofon jelében. Minden egyes elsodleges átviteli út minden elsodleges jele megjelenik mindenhibamikrofon jelében. A hibamikrofonok bemenetére érkezo jel tehát az elsodleges utak, és a megfelelokioltó jelek különbségeibol képzett hibajelek összege, a minimalizálni kívánt költségfüggvény pedig ezenegyes hibajelek négyzetes várhatóértékeinek összege.

A másodlagos átviteli utak jelensége fellép minden másodlagos forrás és minden hibamikrofon között,tehát N × N -es rendszer esetén N × N db. másodlagos átviteli függvény offline identifikációjára, majdkompenzációjára van szükség. Akusztikus referencia jel alkalmazása esetén visszacsatolás lép fel mindenmásodlagos forrás és a referencia mikrofon között, így N db. visszacsatoló ág offline identifikációjára,majd semlegesítésére van szükség.

3. „Házi feladat”A mérésre való felkészülés során elemezzük, értsük meg az alábbi rövid MATLAB rutin muködését

(ehhez segítséget nyújt a http://vibac.hit.bme.hu/download/hangtechnika_labor_2alatt található MATLAB segédlet, áttekintése ajánlott):



6

http://vibac.hit.bme.hu/download/hangtechnika_labor_2

Mérési feladatok

MATLAB

N = 512m = 0.01;load u; % Mért jelek betöltéseload d; % Mért jelek betöltésehossz = length(d);

W = zeros(N,1);x = zeros(N,1);

for i=1:hossz,x = [u(i); x(1:N-1)];y = x’*W;e = d(i) - y;W = W + m*x*e;

end

4. Mérési feladatok

4.1. MATLAB szimulációA „házi feladatként” megadott MATLAB programot kiegészítve mért jelek felhasználásával meg fog-

juk vizsgálni az adaptív LMS-FIR szuroalgoritmus muködését: egy hangszórót és mikrofont tartalmazóismeretlen akusztikai rendszer bemeneti és kimeneti jeleinek felhasználásával adaptív rendszeridentifiká-ciót fogunk végrehajtani.

Nyissuk meg az E:/ANCmeres könyvtárban az identifikacio.m filet. A script tartalmát néhánypillantás erejéig vessük össze a „házi feladat” lévo kódjával. A script elso soraiban szereplo szurohosszparaméter (N ) és lépésköz (S) különbözo értékeinek hatását fogjuk vizsgálni a szimuláció során.

1. A load zaj utasítással töltsük be az elso feladathoz tartozó jelpárost (u, d jelek), ahol az u jel egysávkorlátozott fehérzaj jel.

2. Állítsunk be N = 16 hosszúságú szurot, és µ = 1 értéku lépésközt. Futtasuk le a kódot.

• Az 1.ábrán figyeljük meg a hibajelet az idotartományban, vonjunk le következetést annak fi-gyelembevételével, hogy a rendszer kimeneti és bemeneti jelei ±1 közé esnek.

3. A levont következetés alapján korrigáljuk a paraméterek értékét és futtasuk újra a kódot.

• Az 1. ábrán tekintsük meg a hibajelet

• A 2. ábrán az ismeretlen rendszer kimeneti jele (d) látható az idotartományban

• A 3. ábrán az adaptálódott FIR szuro impulzusválasza látható. Figyelembe véve az impul-zusválasz definícióját - és gyakorlati jelentését is egyben - milyen, az ismeretlen rendszerrejellemzo fontos tulajdonság határozható meg az ábra alapján ?

• A 4. ábrán a szuro átviteli karakterisztikájának adaptációja látható. Figyeljük meg a karakte-risztika stablizálódását/változását az ido függvényében.

• A 5. ábrán hasonlítsuk össze az ismeretlen rendszer kimeneti jelének (d), az adaptálódott FIRszuro kimeneti jelének (y) és a hibajel (e) spektrumát. Mit várunk az ábrától, eredményesidentifikáció esetén ?

• A 6. ábrán az adaptálódott FIR szuro átviteli karakterisztikája és fázismenete látható. Azalkalmazott szurohossz figyelembevételével mit mondhatunk errol a karakterisztikáról ?

• A 7. ábrán a MATLAB TFESTIMATE függvényével6 számolt amplitúdó-karakterisztika lát-ható. Hasonlítsuk ezt össze az 5. ábrán látható d jel spektrumával. Mi a hasonlóság oka ?

6Hxy(f) =Sxy(f)

Sxx(f)alapján számolt



7

Mérési feladatok

• A 8. ábrán az ismeretlen rendszer kimeneti és bemeneti jele közötti koherencia7 látható. Miokozhatja az ideálistól eltéro koherenciát jelen esetben? A 7.ábra segítségével próbáljuk megeldönteni, hogy milyen frekvenciákon romlik a koherencia, miért ?

4. Állítsunk be N = 512 hosszúságú szurot, és adjuk meg hozzá a megfelelo µ értéket.

• Tekintsuk át az ábrákat, különös figyelemmel a hibajelre. Mi okozhatja a kiugró, nagy ampli-túdójú hibákat a hibajelben ?

• Figyeljük meg a hibajel spektrumának szintjét a d és y jelek szintjéhez, és d és y spektrumánakegymáshoz való viszonyához képest. Ennek figyelembevételével mi a viszonylag kis szintkü-lönbség oka ?

5. A load periodikus utasítással töltsük be a következo jelpárost, mely az elobbivel megegyezoismeretlen rendszer kimeneti és bemeneti jeleit tartalmazza, de jelen esetben impulzus-sorozat jel(f0 ≈ 50Hz) gerjesztés esetén. Állítsunk be N = 16 hosszúságú szurot és µ = 0.1 értéket.Futtassuk le a kódot.

• Figyeljük meg a hibajelet az idotartományban. Milyen következtetés vonható le ez alapján azalgoritmussal kapcsolatban, a periodikus jelekre vonatkozóan ?

• Nézzünk meg 1-2 periódust az ismeretlen rendszer d kimeneti jelébol

• Tekintsük meg a szuro impulzusválaszát, vegyük észre ismét a korábban már megállapítottrendszer-tulajdonságot.

• Tekintsük meg a többi ábrát, különös figyelemmel a 7. és 8. ábrára.

6. Állítsunk be N = 512 hosszúságú szurot, és a hozzá tartozó megfelelo µ értéket. Futtasuk le a kódot.

• Figyeljük meg a hibajelet az idotartományban. Nagyítsunk rá a hibajelre egy olyan tartomány-ban, ahol a hibajel már megfeleloen kicsi értéku. Milyen jellegu itt a hibajel, miért ?

• Tekintsük meg a szuro impulzusválaszát. Mi okozza a látottakat, mi okozza az eltérést a zajjelesetén látott impulzusválaszhoz képest, hiszen ugyanarról a rendszerrol van szó ? (segítség a6. ábra, és a gerjesztojel jellege) ?

• Tekintsük meg a többi ábrát, különös figyelemmel a 7. és 8. ábrára.

• Értelmezzük a 7. ábrán látottakat. Segítségképpen a 6. ábrán látható amplítúdókarakterisztikacsúcsait (mind amplitúdóban, mind frekvenciában) próbáljuk megkeresni a 7. ábrán, valamintgondoljunk a gerjesztojel spektrumára is.

• Értelmezzük a koherencia függvényt.

4.2. Real-time mérés

4.2.1. A mérési környezet ismertetése

A mérés során használt környezet egy 1× 2× 2-es kísérleti rendszer, melynek „lelke”, a jelfeldolgozómodul: az RTD USA Inc. által kifejlesztett nagyteljesítményu DSP kártya. Ezen a Texas InstrumentsTMS320C6202 233 Mhz-es fixpontos processzora található. A DSP kártya 2 analóg interface modullalegyütt egy beágyazott alkalmazások fejlesztésére tervezett, kisméretu stack-be szerelt ún. host PC-benhelyezkedik el.

Az analóg interface modulok felbontása 12 bit, maximális mintavételi frekvenciájuk 1.25 Mhz, maxi-mális kimeneti frekvenciájuk 200 kHz. Egy interface modul két-két analóg ki- és bemenettel rendelkezik.A jelutakban egy-egy programozható alulátereszto szuro helyezkedik el, így mind a kimeneti mind a be-meneti analóg jelek alulátereszto szurése (anti-aliasing szurés) lehetséges.

7A koherencia 0 < Cxy < 1 között értelmezett valós függvény, mely azt jellemzi, hogy az x bemeneti jel frekvenciakomponensei

mennyire feleltethetok meg az y kimeneti jel frekvenciakomponenseivel. Cxy(f) =|Sxy(f)|2

Sxx(f)Syy(f)Ideálistól eltéro (Cxy(f) <

1) a koherencia, ha a kimenet és/vagy a bemenet zajjal terhelt, illetve a rendszer nemlinearitásai is nem-koherens komponenseketokozhatnak a kimenetben.



8

Mérési feladatok

A DSP program a host PC felol egy egyszeru kezelofelülettel (9.ábra) vezérelheto. Itt megadhatók afontosabb paraméterek, a használni kívánt programkonfiguráció.

A mérési eredmények kiértékelése offline módon, a DSP munkaállomáshoz hálózaton kapcsolodóMATLAB-ot futtató PC-vel történik.

A kiértékelést segíto, rendelkezésre álló MATLAB rutin megjeleníti:

• Az offline identifikáció hibajeleinek idobeli változását (4 hibajel a 4 átviteli útra)

• Az offline identifikáció során mért, és az adaptív szurokkel eloállított jelek spektrumát

• A felhasznált referencia-jel idomintáit, és spektrumát

• A tényleges zajcsökkentés során mért mikrofonjeleket, és azok keskeny- és tercsávos spektrumait

9. ábra. A mérés során használt program képernyoképe (v1.2)

4.2.2. A mérés menete, feladatok

1. Az analóg interface-ek vezetékeit csatlakoztassuk a megfelelo helyekre:

• A „felso” interface UAIN1, UAIN2 bemeneti vezetékeit csatlakoztassuk a mikrofon-eloerosítocsatornáira. Két mikrofont csatlakoztassunk a mikrofon eloerosítohöz, állítsuk a mikrofon ero-sítést 10× értékre



9

Mérési feladatok

• A „felso” interface FAOUT1, FAOUT2 kimeneti vezetékeit csatlakoztassuk a hangszóró-erosítokét csatornájára, és ezeket kössük össze a hangszórókkal

• Az „alsó” interface UAIN1 bemenete szolgál a referenciajel csatlakoztatására

• Az „alsó” interface FAOUT1 kimenete jelgenerátorként használható, ekkor a DSP által eloállí-tott generátorjelet az algoritmus referenciajelként is használja

2. Indítsuk el az „ANC-mérés” programot (ANCgui.exe) Válasszuk ki az LMS offline identificationmodult, és az FX-LMS feedforward online modult. Nyomjunk mindkét választásra Apply-t. A keze-lofelület további alapértelmezett beállításai a mérés megkezdéséhez megfeleloek, a mérés alatt a µértékeknek8, illetve a mikrofon-erosítés értékének állítására szükség lehet

3. A mérés során az elsodleges zajforrás, a „zavaró jelenség” egy hangszóró hangja lesz. Végezzünkméréseket:

(a) külso jelgenerátorból származó kb. 80-85 Hz frekvenciájú szinuszos zavaró jel esetén:

• a függvénygenerátor jelét kössük közvetlenül a zajforrásként szolgáló hangszóróhoz tar-tozó erosíto-csatornára, valamint egy BNC elosztóval az DSP referenciajel-bemenetére).Oszcilloszkóp segítségével állítsuk be, hogy a generátor jele ±2.5V közé essen.

• Az offline identifikáció idejét állítsuk 40 mp-re (Timing / Offline id.), míg az elsodlegeszajforrás mérési idejét 20 mp-re. (Timing / Measurement)

• Indítsuk el az offline identifikációt az 1. csatornára (Offline identification Ch.1), majdannak befejezodése után a 2. csatornára (Offline identification Ch.2)

• Nyomjuk meg a Flush gombot, majd a kiértékeléshez indítsuk el a e:/ANCmeres/ANCmatkönyvtárban lévo ancmat MATLAB programot.

• Az ábrákon a mikorofonok mért jelei, hibajelei (Dij és Eij jelek, ahol i a mikrofon indexe,j a hagszóró indexe), valamint az indentifikációra jellemzo spektrumok (Sij az i indexumikrofon és j indexu hangszóró közötti másodlagos átviteli út) láthatók

• A mikrofon eloerosíto 10×, 100× állásának kapcsolásával, valamint a párbeszédpanelMic gain ±6dB-s csúszkáival állítsuk úgy az erosítést, hogy D11 és D22 jelek ±2047amplitúdótartományba essenek. Ha változtattunk az erosítésen, indítsuk újra az offlineidentifikációt a két csatornára (ez esetben 20 mp is elég)

• Kapcsoljuk be a szinuszgenerátort a szinusz hullámforma kapcsolóval, és mérjük meg azajt (Primary noise measurement)

• A zajmérés után, a generátor bekapcsolt állapotában indítsuk el az aktív zajcsökkentést(ANC start)

• 20-30 mp elteltével állítsuk le (STOP), kapcsoljuk ki a generátort• Nyomjuk meg a Flush gombot, és a MATLAB kód futtatásával értékeljük a mérési ered-

ményeket (Mikrofon jelek az idotartományban, keskeny-és tercsávos spektrumok az ANCki-, illetve bekapcsolt állapotában).

(b) belso jelgenerátorból származó impulzussorozat-jel esetén:

• A DSP jelgenerátor kimenetét kössük a zajforrásként szolgáló hangszóróhoz tartozó erosíto-csatornára

• Az offline identifikáció lépéseinek kihagyásával (annak beállításai megmaradnak) mérjükmeg a zajforrást, majd indítsuk el az aktív zajcsökkentést (a belso jelgenerátor a Primarynoise measurement, ANC start valamint a Start source gombok hatására kapcsol be).

• Szükség esetén állítsuk úgy az erosítéseket, hogy a hibajel-mikrofonok az ANC kikap-csolt állapotában ±2047 között legyenek (Ebben az esetben, ha állítunk az erosítésen, azismételt offline identifikáció nem szükséges, miért ?).

8A párbeszédpanel µ értéke a fixpontos egész számábrázolás miatt µ/32768 float értéknek felel meg



10

Mérési feladatok

• Értékeljük az elért zajcsökkentést a mért értékek alapján objektíven, valamint érzeti ala-pon, szubjektíven. Milyen kapcsolatot/különbséget találunk a ketto között, mi lehet ennekaz oka ? Fül alapján vizsgáljuk meg az eredeti, illetve az ANC hatására kialakuló hangtereta terem különbözo pontjain.

(c) belso jelgenerátorból származó fehérzaj esetére.



11

Tartalomjegyzék

Tartalomjegyzék

1. Bevezeto 11.1. Alkalmazási lehetoségek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11.2. A mérés áttekintése . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2. Elméleti áttekintés - tudnivalók 32.1. Adaptív szurés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32.2. Adaptív, elorecsatolt rendszer-identifikáció . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.2.1. Másodlagos átviteli utak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52.2.2. Offline identifikáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.3. Többcsatornás rendszerek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

3. „Házi feladat” 6

4. Mérési feladatok 74.1. MATLAB szimuláció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74.2. Real-time mérés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

4.2.1. A mérési környezet ismertetése . . . . . . . . . . . . . . . . . . . . . . . . . . . 84.2.2. A mérés menete, feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Tartalomjegyzék 12



12

Documents

Aktív zajcsökkentés - Hangtechnikai Laboratórium 2.last.hit.bme.hu/download/Hangtechnika_Labor_2/6.meres_Aktiv... · • Egyszeru˝ adaptív szur˝os „identiﬁkációs hurok”