Aktív zajcsökkentés Mérési segédlet Hangtechnikai Laboratórium 2. Budapesti Műszaki és Gazdaságtudományi Egyetem Híradástechnikai Tanszék

Átírás

1 Budapesti Műszaki és Gazdaságtudományi Egyetem Híradástechnikai Tanszék Aktív zajcsökkentés Mérési segédlet Hangtechnikai Laboratórium 2. Írta: Mócsai Tamás november 9.

2 Bevezető 1. Bevezető A különböző berendezések, létesítmények zajcsökkentésére számos régóta ismert, és bevált módszer létezik. A hagyományos megközelítés passzív technikákat alkalmaz a nemkívánatos zajok csillapítása érdekében. A reaktív csillapítók különböző gátak, terelő lemezek, üregek, és csövek kombinációjával a forrás sugárzási impedanciáját változtatják meg. A rezisztív csillapítók a hangenergiát más típusú energiává, általában hőenergiává alakítják, mely így energiaveszteségként jelentkezve a környezetbe jutó zajt csökkenti. A passzív zajcsökkentő módszerek viszonylag széles frekvencia sávban tudnak hatékony csillapítást biztosítani, hátrányuk az alkalmazásukkal járó tömeg, méret, és költségnövekedés, valamint a kisfrekvenciás tartományban csökkenő csillapításuk. A hangelnyelő, hanggátló anyagok csillapítása elenyészővé válik, amint a hang hullámhossza az anyag kiterjedésével (vastagság, méret) összemérhető. A passzív rezgéscsökkentési technikák esetében a zajlesugárzást létrehozó strukturális rezgést csillapító, vagy annak terjedését megakadályozó tömeg-rugó rendszer mechanikai aluláteresztő szűrőt valósít meg, mely rezonanciafrekvenciájáig képes hatékonyan csillapítani. Alacsony határfrekvencia igénye esetén a rugóengedékenység, illetve a tömeg növelése nehézségekbe ütközhet. A felsorolt problémák miatt izgalmas eljárás az aktív zajcsökkentés 1 (Active Noise Control - ANC), mely köztudottan elektroakusztikus eszközök által keltett másodlagos hang alkalmazásával, a szuperpozíció elvén igyekszik kioltani az elsődleges, zavaró hangjelenséget. A kioltás helyén tehát a két hanghullám amplitúdójának ideális esetben azonos nagyságúnak és ellentétes fázisúnak kell lennie. Így érthető, hogy az elérhető csillapítás mértéke attól függ, hogy mennyire tudunk előállítani pontosan azonos amplitúdójú és ellentétes fázisú hanghullámot a kívánt helyen (1. ábra). Az aktív zajcsökkentő rendszerek elsősorban a kisfrekvenciás tartományban működnek eredményesen, így jó kiegészítést jelenthetnek a passzív csillapító módszerek alkalmazása mellett. A módszer kecsegtető, attraktív volta ellenére számos problémát rejt magában. Az akusztikai zajforrások és a közeg karakterisztikája, így a csillapítani kívánt zaj spektrális tartalma is az időben változó. Ezért egy aktív zajcsökkentő rendszert vezérlő egységnek, és algoritmusnak adaptívnak kell lennie, valamint meg kell követelni az elérhető maximális precizitást, stabilitást és hosszú idejű megbízhatóságot. Ennek megvalósításához ideális a digitális jelfeldolgozó processzorok (DSP) alkalmazása, így az elektroakusztikus átalakítók jeleinek mintavételezésére, majd a valós időben meghatározott beavatkozó jelek analóggá alakítására van szükség. A jelfeldolgozási feladatok megoldása mellett nem szabad megfeledkezni a beavatkozó-, valamint érzékelő eszközök elhelyezésének akusztikai optimalizációjáról. Ehhez legtöbbször a zajforrás környezetének, illetve a csillapítani kívánt csendzónának kimerítő, (sokszor numerikus) akusztikai analízise szükséges Alkalmazási lehetőségek Aktív zajcsökkentő rendszerek az alkalmazási területek széles skáláján működhet(né)nek eredményesen, a módszer elvi korlátait szem előtt tartva: Általánosságban, magasabb frekvenciákon a nagy mintavételi frekvencia igény, és a nagyszámú magasabb rendű akusztikai módus jelenléte miatt az aktív zajcsökkentés kevésbé eredményes. A zajforrás karakterisztikája szempontjából a periodikus, keskenysávú, jól prediktálható zajjelenségek eredményesebben kezelhetők, mint a szélessávú zajforrások. Egyes tipikus alkalmazási területeken a passzív technikáknál eredményesebb csillapítás érhető el: Csövekben áramló levegő okozta zajok 2 Belső téri zajok: Hatásos zajcsökkentés érhető el kisméretű zárt terekben, pl. kabinokban, utasterekben, ha a zajforrás a zárt tér határoló falain kívül helyezkedik el. A zárt terekben kialakuló hangtér a 1 Az első aktív zajcsökkentő elrendezés alapötlete és szabadalma Lueg-től (1936) származik. A szabadalom egy mikrofont és egy elektronikusan táplált hangszórót tartalmazó rendszerterv (egy magic-box ) volt, de kivitelezése az akkori technikai színvonalon nem volt eredményes, így az ötlet valós alkalmazására nem került sor. A digitális jelfeldolgozási technika fejlődésével a téma újra előtérbe került, és az egyre gyorsabb és pontosabb áramkörök és processzorok megjelenésével talán alkalmazásának elterjedésére számíthatunk. 2 A korai aktív zajcsökkentési kutatások nagy csővezetékekben terjedő, a kisfrekvenciás tartományban síkhullámként kezelhető zajjelenségek csillapítására irányultak. 1

3 Bevezető Amplitúdó csökkenés (db) Amplitúdó csökkenés (db) Amplitúdó hiba (db) Fázishiba (fok) 1. ábra. Az elérhető elvi amplitúdó csökkenés mértéke az amplitúdó hiba, és a fázishiba függvényében belső térfogattól és annak alakjától függően meglehetősen bonyolult lehet, elsősorban ha a kérdéses hullámhossz tartomány a tér méreteinél jelentősen kisebb, ezért ilyen esetben általában többcsatornás rendszerre van szükség. Szabadtéri zajok: A szabadtéri zajok aktív csökkentésnek - talán egyetlen - megoldási módja egy olyan csendes-zóna létrehozása, amelyben lokális csillapítás valósítható meg a zóna másodlagos hangszórókkal - ideális esetben zárt másodlagos forrásfelülettel - és hibamikrofonokkal való körbevételével. Hallásvédelem, kommunikáció: Az aktív zajcsökkentés legegyszerűbb, és manapság a kereskedelemben leginkább hozzáférhető változata, melynél a kioltó hangot közvetlenül a fülre helyezett fejhallgatóval hozzák létre, így az akusztikai környezet hatása, és egyéb másodlagos hatás nem jelentkezik. A személyi hallásvédelem hatékonysága fokozható, ha a fülhallgató egyúttal passzív fültokként is szolgál a nagyfrekvenciás komponensek ellen A mérés áttekintése Az elméleti háttér átbeszélése, és némi számonkérés után a mérés alapvetően két részből fog állni: Egyszerű adaptív szűrős identifikációs hurok szimulációja MATLAB-al - az előrecsatolt ANC rendszerekben gyakran használt LMS algoritmus működésének, jelfeldolgozási lépéseinek megismerése Többcsatornás, kísérleti rendszeren végzett mérések valós akusztikai környezetben 2

4 Elméleti áttekintés - tudnivalók 2. Elméleti áttekintés - tudnivalók Az aktív zajcsökkentő rendszert megvalósító digitális (vagy bizonyos esetekben analóg) kontroller szabályozástechnikai szempontból alapvetően kétféle lehet: Visszacsatolt szabályzás - az aktív zajcsökkentő rendszerek első megvalósítási formája a visszacsatolt megoldás volt, mivel analóg elektronikus áramkörökkel is könnyen megvalósítható egy visszacsatolt kontroller. A 2. ábrán egy visszacsatolt rendszer modellje látható csőben terjedő zajjelenség esetére. A visszacsatolt rendszer hurokerősítésének frekvenciafüggése miatt a rendszer könnyen instabillá válhat, nem megfelelő szabályozási kör, vagy modellezési hiba esetén kézben tarthatatlan pozitív visszacsatolás alakulhat ki. 2. ábra. Csőben alkalmazott egycsatornás visszacsatolt ANC rendszer Előrecsatolt szabályzás - a mérés során megismerendő működési elv az előrecsatolt adaptív rendszeridentifikáció. A 3. és a 4. ábrán látható módon egy ismeretlen tulajdonságú átviteli rendszer (amely jelen esetben maga az akusztikai tér) kimeneti és bemeneti jeleinek (a mikrofonok és szenzorok jelei) vizsgálatával felépítünk egy modellezett átviteli függvényt. Az aktív zajcsökkentés esetében e modellezett átviteli függvény alkalmazásával a primer hangjelenséget kioltani képes másodlagos hangjelenséget állítunk elő. 3. ábra. Csőben alkalmazott egycsatornás előrecsatolt ANC rendszer 2.1. Adaptív szűrés Az adaptív szűrés olyan lineáris jelfeldolgozási módszert jelent, mely során a bemenő jel spektrális tulajdonságait egy adaptív algoritmus által folyamatosan hangolt szűrőegyüttható-készlettel egy megadott optimum elérése érdekében változtatjuk. Digitális megvalósítás esetén a szűrő lehet FIR, vagy IIR típusú. A mérés során a széles körben használt FIR (transzverzális), szűrőre épülő adaptív szabályzó elvét fogjuk megismerni. Az 5. ábrán látható módon a szűrő a bemenet L mintájának w(n) együtthatóival súlyozott összegét állítja elő a kimenetén. A szűrő kimeneti mintája tehát a következőképpen számítható: y(n) = L w i (n)x(n i) (1) i=1 3

5 Elméleti áttekintés - tudnivalók 4. ábra. Rendszer-identifikációs modell 5. ábra. Digitális FIR szűrő elvi blokkdiagramja Az aktív zajcsökkentő rendszerek alapjául szolgáló szabályzó algoritmus leggyakrabban az LMS algoritmusra 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 minimumpontjánakának - tehát az optimális szűrőegyüttható-készletnek - meghatározására létezik ideális, elvi megoldás (Wiener-szűrő), ennek alkalmazásához azonban az autokorrelációs mátrix és a keresztkorrelációs mátrix ismeretére vagy folyamatos becslésére, valamint mátrix-invertálásra van szükség 3. A gyors optimumkeresési módszerek a hibafelület esése mentén ereszkedve jutnak el a minimum pontba, ezért ezeket gradiens módszernek hívják. Az LMS algoritmus a négyzetes hiba várható értékének gradiensét a hibajel pillanatnyi értékének felhasználásával becsüli. Így az együtthatók frissítésére, tehát a következő mintavételi ciklusban felvett értékükre egy egyszerű, kis számítási erőforrást igénylő kifejezés adódik: w(n + 1) = w(n) + µx(n)e(n). (2) A 2 kifejezésben szereplő µ az algoritmus lépésközét jelenti, melynek megválasztása megfontolásokat, gyakorlati tapasztalatokat és méréseket igénylő folyamat, és alapvetően befolyásolja az adaptív szűrő konvergenciáját Adaptív, előrecsatolt rendszer-identifikáció Az eddigiekből látható, hogy az előrecsatolt aktív zajcsökkentő rendszer modellje nem más, mint egyfajta rendszer-identifikációs modell, melyet adaptív szűrőkkel valósíthatunk meg. Az x(n) jel a forráshoz közel elhelyezett referencia mikrofon jele, vagy egy más módon előállított, a zajjelenséggel koherens jel, mely a forrást megfelelően 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 függvényű akusztikai rendszer tehát az x(n) bemeneti jelekből előállítja a d(n) elsődleges jeleket. Az adaptív algoritmus a digitális szűrő együtthatóit hangolva az elsődleges jel és a szűrő y(n) kimeneti jeléből képzett különbséget minimalizálja. A e(n) jelek minimális értékei esetén megkapjuk az optimális szűrő együttható vektort, amellyel ekvivalens átviteli függvény e(n) = 0 esetben az identifikálandó átviteli függvénnyel egyezik meg. Ebben 3 w opt = R 1 p 4 A probléma megoldására az LMS algoritmusnak számtalan változata létezik 4

6 Elméleti áttekintés - tudnivalók az esetben azt mondhatjuk, hogy a kérdéses rendszert identifikáltuk. A kioltó jel létrehozása tehát tulajdonképpen a másodlagos forrást tápláló y(n) jel előjelének, illetve polaritásának megfordításával történik, és a modellben szereplő összegzés a hangtérben szuperpozíció révén valósul meg Másodlagos átviteli utak Az előrecsatolt elvű rendszer-identifikációs modell bonyolultabbá válik, ha figyelembe vesszük azt, hogy a kioltási (vagy másodlagos) átviteli útban alkalmazott átalakítóink (hangszórók, mikrofonok, erősítők) amplitúdó- és fáziskarakterisztikái nem ideálisak. A jelfeldolgozási művelet első- és utolsó lépéseként jelenlévő A/D-D/A átalakítás is meredek vágású aluláteresztő jellegű átviteli függvényeket visz a rendszerbe, 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 mikrofonhoz visszajutva visszacsatolást létesíthet a rendszerben A másodlagos átviteli út jelenségének kompenzálása érdekében egy, a másodlagos út átviteli függvényével megegyező átviteli függvényű digitális szűrőt helyezünk az LMS algoritmus referenciajelének jelútjába. Ez a megoldás a széles körben használt FXLMS algoritmus 5. A visszacsatolási út hatásának megszüntetésére itt ismertetett módszer hasonló: előállítjuk a visszacsatoló út átviteli függvényét közelítő digitális szűrőt, így egy mesterséges visszacsatolást létrehozva a becsült visszacsatoló jelet kivonjuk a referenciajelből. A 6. ábrán a járulékos utakkal, a 7. ábrán azok kompenzációjával kiegészített rendszer-vázlat látható: S(z) a másodlagos átviteli utat reprezentáló átviteli függvény, Ŝ(z) a digitális szűrővel közelített megfelelője, míg F (z) a visszacsatolási utat reprezentáló átviteli függvény, ˆF (z) annak digitális szűrővel közelített megfelelője. 6. ábra. Az akusztikai visszacsatolást és a másodlagos átviteli utakat figyelembe vevő ANC modell Az ábrák alapján jól megérthető az előrecsatolt szabályzás megvalósítása esetén elsődleges fontosságú kauzalitási kritérium is: az adott x(n) bemeneti minta alapján előállított y(n) kimeneti minta kiszámításához szükséges teljes műveleti ciklusidőnek kevesebbnek kell lennie, mint a referenciaérzékelő és a hibamikrofon közötti hangterjedésből származó késleltetés Offline identifikáció Mind az FXLMS algoritmus alkalmazásához, mind a visszacsatolási út hatásainak megszüntetéséhez az ismertetett járulékos átviteli függvények identifikációja szükséges. Az offline identifikáció egy olyan módszer, amellyel az elsődleges átviteli út P (z) valós idejű, online identifikációját - tehát az ANC rendszer éles, üzemszerű működését megelőzően, a 8. ábrán látható módon a másodlagos forrásból egy alkalmas tesztjelet a hangtérbe sugárzunk. Ezt bemenőjelnek tekintve egy, a már megismert elven működő rendszer-identifikációt hajtunk végre mind a másodlagos utak, mind a visszacsatolási út átviteli függvényeinek becslésére. 5 A 7. ábra alapján E(z) = 0 feltételezéssel az optimális szűrőegyüttható vektor a következő lenne: W o (z) = P (z), vagyis az S(z) adaptív szűrőnek meg kellene valósítania a másodlagos átviteli út inverz függvényét. Az út okozta időkésést azonban ilyen módon nem lehet kompenzálni (kauzalitási kritérium), valamint a hangszóró átviteli függvényében szereplő zérusok irányíthatatlan frekvencia komponenseket visznek a rendszerbe - ezek inverziója esetén a rendszer instabillá válna. 5

7 Házi feladat 7. ábra. Az akusztikai visszacsatolást, és másodlagos utak hatását megszüntető ANC modell 8. ábra. Az offline identifikáció blokkdiagramja A kisugárzott tesztjel jellemzően egy nagy intenzitású, a rendszert a kérdéses frekvencia tartományban megfelelő módon gerjesztő zajjel, alkalmasint fehérzaj, melynek előnye, hogy az identifikációs folyamat F (z) és S(z) becslő szűrőinek adaptációja rövid ideig tart Többcsatornás rendszerek Többcsatornás rendszerek esetében általában egy referencia jel segítségével több elsődleges átviteli utat identifikálunk, és a másodlagos források számával megegyező számú hibamikrofont helyezünk el a hangtérben. (1 N N-es ANC rendszer) Az egycsatornás esethez képest a következő eltérések jelentkeznek: minden egyes másodlagos forrásból származó minden kioltó hanghullám egy-egy összetevőt jelent minden hibamikrofon jelében. Minden egyes elsődleges átviteli út minden elsődleges jele megjelenik minden hibamikrofon jelében. A hibamikrofonok bemenetére érkező jel tehát az elsődleges utak, és a megfelelő kioltó jelek különbségeiből képzett hibajelek összege, a minimalizálni kívánt költségfüggvény pedig ezen egyes 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, majd kompenzációjára van szükség. Akusztikus referencia jel alkalmazása esetén visszacsatolás lép fel minden másodlagos 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 működését (ehhez segítséget nyújt a alatt található MATLAB segédlet, áttekintése ajánlott): 6

8 Mérési feladatok MATLAB N = 512 m = 0.01; load u; % Mért jelek betöltése load d; % Mért jelek betöltése hossz = 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 szimuláció A házi feladatként megadott MATLAB programot kiegészítve mért jelek felhasználásával meg fogjuk vizsgálni az adaptív LMS-FIR szűrőalgoritmus működését: egy hangszórót és mikrofont tartalmazó ismeretlen akusztikai rendszer bemeneti és kimeneti jeleinek felhasználásával adaptív rendszeridentifikációt fogunk végrehajtani. Nyissuk meg az E:/ANCmeres könyvtárban az identifikacio.m filet. A script tartalmát néhány pillantás erejéig vessük össze a házi feladat lévő kódjával. A script első soraiban szereplő szűrőhossz paraméter (N) és lépésköz (S) különböző értékeinek hatását fogjuk vizsgálni a szimuláció során. 1. A load zaj utasítással töltsük be az első feladathoz tartozó jelpárost (u, d jelek), ahol az u jel egy sávkorlátozott fehérzaj jel. 2. Állítsunk be N = 16 hosszúságú szűrőt, és µ = 1 értékű lépésközt. Futtasuk le a kódot. Az 1.ábrán figyeljük meg a hibajelet az időtartományban, vonjunk le következetést annak figyelembevételével, 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 időtartományban A 3. ábrán az adaptálódott FIR szűrő impulzusválasza látható. Figyelembe véve az impulzusválasz definícióját - és gyakorlati jelentését is egyben - milyen, az ismeretlen rendszerre jellemző fontos tulajdonság határozható meg az ábra alapján? A 4. ábrán a szűrő átviteli karakterisztikájának adaptációja látható. Figyeljük meg a karakterisztika stablizálódását/változását az idő függvényében. A 5. ábrán hasonlítsuk össze az ismeretlen rendszer kimeneti jelének (d), az adaptálódott FIR szűrő kimeneti jelének (y) és a hibajel (e) spektrumát. Mit várunk az ábrától, eredményes identifikáció esetén? A 6. ábrán az adaptálódott FIR szűrő átviteli karakterisztikája és fázismenete látható. Az alkalmazott szűrőhossz figyelembevételével mit mondhatunk erről a karakterisztikáról? A 7. ábrán a MATLAB TFESTIMATE függvényével 6 számolt amplitúdó-karakterisztika látható. Hasonlítsuk ezt össze az 5. ábrán látható d jel spektrumával. Mi a hasonlóság oka? 6 H xy(f) = Sxy(f) alapján számolt S xx(f) 7

9 Mérési feladatok A 8. ábrán az ismeretlen rendszer kimeneti és bemeneti jele közötti koherencia 7 látható. Mi okozhatja az ideálistól eltérő koherenciát jelen esetben? A 7.ábra segítségével próbáljuk meg eldönteni, hogy milyen frekvenciákon romlik a koherencia, miért? 4. Állítsunk be N = 512 hosszúságú szűrőt, és adjuk meg hozzá a megfelelő µ értéket. Tekintsuk át az ábrákat, különös figyelemmel a hibajelre. Mi okozhatja a kiugró, nagy amplitúdójú hibákat a hibajelben? Figyeljük meg a hibajel spektrumának szintjét a d és y jelek szintjéhez, és d és y spektrumának egymáshoz való viszonyához képest. Ennek figyelembevételével mi a viszonylag kis szintkülönbség oka? 5. A load periodikus utasítással töltsük be a következő jelpárost, mely az előbbivel megegyező ismeretlen rendszer kimeneti és bemeneti jeleit tartalmazza, de jelen esetben impulzus-sorozat jel (f 0 50Hz) gerjesztés esetén. Állítsunk be N = 16 hosszúságú szűrőt és µ = 0.1 értéket. Futtassuk le a kódot. Figyeljük meg a hibajelet az időtartományban. Milyen következtetés vonható le ez alapján az algoritmussal kapcsolatban, a periodikus jelekre vonatkozóan? Nézzünk meg 1-2 periódust az ismeretlen rendszer d kimeneti jeléből Tekintsük meg a szűrő impulzusválaszát, vegyük észre ismét a korábban már megállapított rendszer-tulajdonságot. Tekintsük meg a többi ábrát, különös figyelemmel a 7. és 8. ábrára. 6. Állítsunk be N = 512 hosszúságú szűrőt, és a hozzá tartozó megfelelő µ értéket. Futtasuk le a kódot. Figyeljük meg a hibajelet az időtartományban. Nagyítsunk rá a hibajelre egy olyan tartományban, ahol a hibajel már megfelelően kicsi értékű. Milyen jellegű itt a hibajel, miért? Tekintsük meg a szűrő impulzusválaszát. Mi okozza a látottakat, mi okozza az eltérést a zajjel esetén látott impulzusválaszhoz képest, hiszen ugyanarról a rendszerről van szó? (segítség a 6. ábra, és a gerjesztőjel jellege)? Tekintsük meg a többi ábrát, különös figyelemmel a 7. és 8. ábrára. Értelmezzük a 7. ábrán látottakat. Segítségképpen a 6. ábrán látható amplítúdókarakterisztika csúcsait (mind amplitúdóban, mind frekvenciában) próbáljuk megkeresni a 7. ábrán, valamint gondoljunk a gerjesztőjel spektrumára is. Értelmezzük a koherencia függvényt Real-time mérés A mérési környezet ismertetése A mérés során használt környezet egy es kísérleti rendszer, melynek lelke, a jelfeldolgozó modul: az RTD USA Inc. által kifejlesztett nagyteljesítményű DSP kártya. Ezen a Texas Instruments TMS320C Mhz-es fixpontos processzora található. A DSP kártya 2 analóg interface modullal együtt egy beágyazott alkalmazások fejlesztésére tervezett, kisméretű stack-be szerelt ún. host PC-ben helyezkedik el. Az analóg interface modulok felbontása 12 bit, maximális mintavételi frekvenciájuk 1.25 Mhz, maximális kimeneti frekvenciájuk 200 khz. Egy interface modul két-két analóg ki- és bemenettel rendelkezik. A jelutakban egy-egy programozható aluláteresztő szűrő helyezkedik el, így mind a kimeneti mind a bemeneti analóg jelek aluláteresztő szűrése (anti-aliasing szűrés) lehetséges. 7 A koherencia 0 < C xy < 1 között értelmezett valós függvény, mely azt jellemzi, hogy az x bemeneti jel frekvenciakomponensei mennyire feleltethetők meg az y kimeneti jel frekvenciakomponenseivel. C xy(f) = Sxy(f) 2 Ideálistól eltérő (Cxy(f) < S xx(f)s yy(f) 1) a koherencia, ha a kimenet és/vagy a bemenet zajjal terhelt, illetve a rendszer nemlinearitásai is nem-koherens komponenseket okozhatnak a kimenetben. 8

10 Mérési feladatok A DSP program a host PC felől egy egyszerű kezelőfelülettel (9.ábra) vezérelhető. Itt megadhatók a fontosabb paraméterek, a használni kívánt programkonfiguráció. A mérési eredmények kiértékelése offline módon, a DSP munkaállomáshoz hálózaton kapcsolodó MATLAB-ot futtató PC-vel történik. A kiértékelést segítő, rendelkezésre álló MATLAB rutin megjeleníti: Az offline identifikáció hibajeleinek időbeli változását (4 hibajel a 4 átviteli útra) Az offline identifikáció során mért, és az adaptív szűrőkkel előállított jelek spektrumát A felhasznált referencia-jel időmintáit, és spektrumát A tényleges zajcsökkentés során mért mikrofonjeleket, és azok keskeny- és tercsávos spektrumait 9. ábra. A mérés során használt program képernyőképe (v1.2) A mérés menete, feladatok 1. Az analóg interface-ek vezetékeit csatlakoztassuk a megfelelő helyekre: A felső interface UAIN1, UAIN2 bemeneti vezetékeit csatlakoztassuk a mikrofon-előerősítő csatornáira. Két mikrofont csatlakoztassunk a mikrofon előerősítőhöz, állítsuk a mikrofon erősítést 10 értékre 9

11 Mérési feladatok A felső interface FAOUT1, FAOUT2 kimeneti vezetékeit csatlakoztassuk a hangszóró-erősítő két 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 előállított generátorjelet az algoritmus referenciajelként is használja 2. Indítsuk el az ANC-mérés programot (ANCgui.exe) Válasszuk ki az LMS offline identification modult, és az FX-LMS feedforward online modult. Nyomjunk mindkét választásra Apply-t. A kezelőfelület további alapértelmezett beállításai a mérés megkezdéséhez megfelelőek, a mérés alatt a µ értékeknek 8, illetve a mikrofon-erősítés értékének állítására szükség lehet 3. A mérés során az elsődleges zajforrás, a zavaró jelenség egy hangszóró hangja lesz. Végezzünk méréseket: (a) külső jelgenerátorból származó kb Hz frekvenciájú szinuszos zavaró jel esetén: a függvénygenerátor jelét kössük közvetlenül a zajforrásként szolgáló hangszóróhoz tartozó erősítő-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 elsődleges zajforrás mérési idejét 20 mp-re. (Timing / Measurement) Indítsuk el az offline identifikációt az 1. csatornára (Offline identification Ch.1), majd annak befejeződése után a 2. csatornára (Offline identification Ch.2) Nyomjuk meg a Flush gombot, majd a kiértékeléshez indítsuk el a e:/ancmeres/ancmat könyvtárban lévő ancmat MATLAB programot. Az ábrákon a mikorofonok mért jelei, hibajelei (D ij és E ij jelek, ahol i a mikrofon indexe, j a hagszóró indexe), valamint az indentifikációra jellemző spektrumok (S ij az i indexű mikrofon és j indexű hangszóró közötti másodlagos átviteli út) láthatók A mikrofon előerősítő 10, 100 állásának kapcsolásával, valamint a párbeszédpanel Mic gain ±6dB-s csúszkáival állítsuk úgy az erősítést, hogy D 11 és D 22 jelek ±2047 amplitúdótartományba essenek. Ha változtattunk az erősítésen, indítsuk újra az offline identifikációt a két csatornára (ez esetben 20 mp is elég) Kapcsoljuk be a szinuszgenerátort a szinusz hullámforma kapcsolóval, és mérjük meg a zajt (Primary noise measurement) A zajmérés után, a generátor bekapcsolt állapotában indítsuk el az aktív zajcsökkentést (ANC start) mp elteltével állítsuk le (STOP), kapcsoljuk ki a generátort Nyomjuk meg a Flush gombot, és a MATLAB kód futtatásával értékeljük a mérési eredményeket (Mikrofon jelek az időtartományban, keskeny-és tercsávos spektrumok az ANC ki-, illetve bekapcsolt állapotában). (b) belső jelgenerátorból származó impulzussorozat-jel esetén: A DSP jelgenerátor kimenetét kössük a zajforrásként szolgáló hangszóróhoz tartozó erősítőcsatornára Az offline identifikáció lépéseinek kihagyásával (annak beállításai megmaradnak) mérjük meg a zajforrást, majd indítsuk el az aktív zajcsökkentést (a belső jelgenerátor a Primary noise measurement, ANC start valamint a Start source gombok hatására kapcsol be). Szükség esetén állítsuk úgy az erősítéseket, hogy a hibajel-mikrofonok az ANC kikapcsolt állapotában ±2047 között legyenek (Ebben az esetben, ha állítunk az erősítésen, az ismételt offline identifikáció nem szükséges, miért?). 8 A párbeszédpanel µ értéke a fixpontos egész számábrázolás miatt µ/32768 float értéknek felel meg 10

12 Mérési feladatok Értékeljük az elért zajcsökkentést a mért értékek alapján objektíven, valamint érzeti alapon, szubjektíven. Milyen kapcsolatot/különbséget találunk a kettő között, mi lehet ennek az oka? Fül alapján vizsgáljuk meg az eredeti, illetve az ANC hatására kialakuló hangteret a terem különböző pontjain. (c) belső jelgenerátorból származó fehérzaj esetére. 11

13 Tartalomjegyzék Tartalomjegyzék 1. Bevezető Alkalmazási lehetőségek A mérés áttekintése Elméleti áttekintés - tudnivalók Adaptív szűrés Adaptív, előrecsatolt rendszer-identifikáció Másodlagos átviteli utak Offline identifikáció Többcsatornás rendszerek Házi feladat 6 4. Mérési feladatok MATLAB szimuláció Real-time mérés A mérési környezet ismertetése A mérés menete, feladatok Tartalomjegyzék 12 12