|
The Challenge:
开发一个自动、分布式无线监控系统，用来测量飞机噪音水平并将数据传回控制中心进行分析。
The Solution:
使用NI LabVIEW软件、NI声音与振动工具包和NI USB-9234动态信号采集模块（DSA），从各架飞机上采集和分析可靠且高质量的数据。
在早晨和傍晚的交通拥堵时间，墨西哥城的大型车辆和飞机都会发出噪音，这可能导致人们听力受损。 航空运输委员会由此提出一个新的飞机分类系统，今后航空公司可能根据飞机发出的噪音量来支付费用而不是根据重量或类型。因此，我们提出了一种新的计算模型，该模型不仅可以测量噪音量，还能根据飞机发出的噪音辨别飞机。
无线监控系统中的每个节点包含一个半英寸预极化麦克风、一张测量噪音水平的数据采集卡、一台工业计算机和Wi-Fi或3G无线连接互联网。 麦克风安装在离地4米的防水箱内。 节点每30秒测量一次噪音水平，每5分钟将数据传回至控制中心。
图1.分布式无线监控系统图
现实世界中根据飞机产生的噪声频谱特性来辨别飞机十分复杂，因为背景噪音、天气、起飞速度和飞机的负载都可能会干扰分析。 近期，采用神经网络辨别噪音的测量设备已经上市，但这个设备只能用来分辨喷气飞机、螺旋桨飞机、直升机和背景噪音。 因此 我们决定创建一个计算模型来测量和分析噪音。 我们的系统只需采集飞机起飞24秒内产生的噪音，就能够正确识别飞机。
系统开发
在设定监测系统时采用无线拓扑可降低成本，并提高灵活性。 每个监控节点都建立在无须人工干预的Windows XP系统的工业PC上，它还配备有Wi-Fi适配器和NI USB-9234。 在硬件评估过程中，我们决定使用NI产品，因为相比那些低成本的声级仪表，NI的产品测量质量好、坚固耐用，且十分可靠。
尽管每个节点都连接着城市的电力系统，我们仍可使用不间断的电源供应防止数据丢失。 节点每30秒测量一次噪音水平，系统最多可在本地保存14天的数据。 政府计划使用我们的数据来识别墨西哥城中产生最高噪音水平的时间和地点，并创建噪音地图、实施监管行动控制噪音，为公民创建更健康的生活环境。
我们的系统可记录用于道路交通噪音的传统统计信息，如连续等效声级（LEQ），而且还可以记录分数倍频程分析并测量明显的噪音。 此外，该系统可以将WAV文件传至一个中央服务器，用于研究可能触发警报的瞬态信号，这有助于辨别干扰准确测量的独立声源。
图2. 墨西哥城城市广场两周时间的噪音情况
我们原先计划使用政府在2008年安装的公共Wi - Fi，但一些节点必须转换成由无线运营商提供的较慢的3G系统。 虽然我们可以同步使用3G网络的语音和数据服务，但它的数据传输速率相当缓慢。
通过TCP/IP进行通信
我们的控制中心有一个静态的IP地址。 每个节点都有一个DHCP服务器分配的动态地址。 简单的说，控制中心就是一个服务器，而节点则是客户端。 节点会尝试打开TCP连接，如果控制中心收到了连接请求和节点的确认，连接便会成功。
图3. 控制中心中央服务器界面
图4. 超过阈值的音频信号分析
图5. 噪音级别、时间、日期和dBA振幅
图6. 3D噪音地图显示噪音级别、时间、日期和幅度
下面是我们用于模式生成和识别的系统框图。 由于飞机起飞噪声的起点和止点都为零且时间长度有限，我们因此认为它属于非平稳瞬态信号。 如图8所示，大部分的信号能量低于2kHz。 在这种情况下，我们注意到背景噪音在信号两端更为强烈，因为飞机产生的噪声覆盖了背景噪音的中间部分。
图7.模式生成和识别系统框图
图8.波音747飞机起飞时典型的噪音信号和频谱
我们观察发现，对于所有的飞机噪音，典型的幅度谱值为0到5000Hz。 我们选择使用11025Hz的采样频率，将24秒内采集的样本数量减少至264600个。 对于其他飞机噪音分析，建议选择25kS/s的采样频率和D-、C-和A-加权滤波器。
降低频谱分辨率
由于幅度谱有132300次谐波，这会导致处理过程非常复杂，因此我们决定降低频谱分辨率。 此外，我们只对收集有关频谱形式的数据感兴趣。
我们提出了以下假设：
- 任何降低频谱分辨率的方法都会在测量飞机噪音的最初和最后时间段内引入一个容忍度。 例如，在飞机起飞后开始采集为时24秒的数据，然后将前馈神经网络训练为一个噪音模式。 在运行时，如果采集到的起飞噪声为第5秒至24秒，并且降低频谱分辨率的话，那么前5秒钟的位移对于频谱形式的影响就会非常小。
- 中值滤波器（移动平均滤波器）创建了一个飞机起飞噪声频谱的典型形式。
- 在保留X率的基础上对平均频谱进行降频，保留了飞机起飞噪音的频谱形式。
结论
我们的10节点系统成功地测量了墨西哥国际机场飞机起飞时产生的噪音。 该系统创造了许多不同类型的频谱分析，并获得了最常用的dB(A)或dB(C)表示形式的统计指标，用于噪声测量。 我们可以存储系统收集到的数据，随后再执行更深入的分析，通过噪音来确定潜在的健康危险，并知晓噪音水平在全天的波动情况。
在未来，我们想要在分割原始信号后运用这项技术，测量所得结果的差异。 我们还计划测试新的参数来创建神经网络。
|
