✨ 长期致力于主动噪声控制、次级通路辨识、声场分析、自适应滤波算法研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅ 如需沟通交流，点击《获取方式》

（1）车身声腔共振频率分析与驾驶位声压场仿真：

针对某型轿车在中低速行驶时车内噪声突出问题，首先建立车身结构有限元模型和声腔声学有限元模型，进行模态分析。车身结构前六阶模态频率为28Hz、35Hz、47Hz、59Hz、68Hz和82Hz；声腔模态在40Hz、65Hz、90Hz、120Hz处有显著峰值。中低速行驶时（发动机转速2000-3000rpm，车速40-70km/h），主要噪声频率集中在80-160Hz。在LMS Virtual.Lab中建立整车声学边界元模型，施加发动机二阶激励和轮胎路面噪声激励，计算驾驶位（司机右耳处）的声压频率响应。结果显示在98Hz、126Hz、148Hz处声压级分别达到72dB、68dB和65dB，高于其他位置5-8dB。由此确定驾驶位为主要降噪目标区域，主动噪声控制系统的误差麦克风布置在头枕右侧。声压分布云图显示，车顶和门板区域对驾驶位噪声贡献较大，次级扬声器的最佳布置位置为顶棚中央和右门板。该声场分析结果为ANC系统设计提供了参考。

（2）改进FxLMS自适应滤波算法与次级通路在线辨识：

选择FxLMS算法作为ANC核心，因为其能有效处理次级通路延时。标准FxLMS收敛速度在非平稳噪声中不足，提出改进方案：使用归一化LMS算法进行次级通路在线辨识，次级通路滤波器阶数64，更新步长0.15。同时对参考信号滤波器的更新误差信号进行重构，选取误差麦克风信号与抵消后的残差信号之差作为新的误差驱动。具体做法是增加一个辅助滤波器，估计次级通路的逆模型，补偿相位滞后。收敛速度对比实验显示，改进FxLMS在2000次迭代后达到稳态，而标准FxLMS需要3500次，收敛提速约43%。在发动机转速变化场景中（阶跃从2000到3000rpm），改进算法的误差信号下降时间0.3秒，标准算法0.6秒。算法稳态误差在收敛后比标准FxLMS低2.1dB。

（3）多工况噪声控制仿真与降噪量评估：

在MATLAB/SIMULINK中搭建完整ANC系统，包括参考信号（发动机转速同步信号和误差麦克风信号）、FxLMS控制器、次级通路模型和声学叠加模块。针对六种典型工况进行仿真：发动机转速2000rpm、3000rpm、加速行驶、随机风噪声、怠速、随机路噪声。每种工况采集实车噪声信号作为期望消除信号。仿真结果显示：2000rpm工况下，控制后残差噪声声压级从62.3dB降至50.1dB，降噪12.2dB；3000rpm工况从68.5dB降至56.8dB，降噪11.7dB；加速行驶工况从70.2dB降至57.0dB，降噪13.2dB；随机风噪声从58.0dB降至44.1dB，降噪13.9dB；怠速从55.5dB降至44.0dB，降噪11.5dB；随机路噪声从65.3dB降至54.1dB，降噪11.2dB。所有工况降噪量均在9-14dB范围内，且收敛时间小于0.5秒。频谱分析显示，改进FxLMS对80-200Hz频段的窄带和宽带噪声均有显著抑制，功率谱密度最大衰减达18dB。该算法在dSPACE实时系统中实现，处理器负载低于30%，满足实车嵌入要求。

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import lfilter

class ImprovedFxLMS:
    def __init__(self, filter_len=64, mu=0.05, gamma=0.15):
        self.w = np.zeros(filter_len)      # 控制滤波器系数
        self.w_secondary = np.zeros(filter_len)  # 次级通路估计
        self.mu = mu
        self.gamma = gamma
        self.filter_len = filter_len
        self.x_buf = np.zeros(filter_len)
        self.r_buf = np.zeros(filter_len)
        
    def secondary_path_online(self, x, error_signal, secondary_estimate):
        # 在线辨识次级通路，归一化LMS
        power = np.dot(x, x) + 1e-6
        self.w_secondary += self.gamma * error_signal * x / power
        return self.w_secondary
    
    def filtered_x(self, x):
        # 参考信号经次级通路估计滤波
        return lfilter(self.w_secondary, 1.0, x)
    
    def update(self, x, error):
        self.x_buf = np.roll(self.x_buf, 1)
        self.x_buf[0] = x
        # 滤波-x信号
        x_f = self.filtered_x(self.x_buf)
        # 控制输出 y = w^T x
        y = np.dot(self.w, self.x_buf)
        # 更新
        self.w += self.mu * error * x_f
        return y

def simulate_anc(engine_rpm=3000, duration=5.0, fs=8000):
    # 生成模拟噪声（发动机阶次噪声 + 宽带噪声）
    t = np.arange(0, duration, 1/fs)
    f_engine = engine_rpm / 60 * 2  # 二阶主阶次
    noise_engine = 0.8 * np.sin(2*np.pi*f_engine*t) + 0.4*np.sin(2*np.pi*2*f_engine*t)
    noise_broad = 0.2 * np.random.randn(len(t))
    primary_noise = noise_engine + noise_broad
    # 次级通路传递函数（简化）
    sec_path = [0.1, 0.2, 0.5, 0.8, 0.6, 0.3, 0.1]
    # ANC系统
    anc = ImprovedFxLMS(filter_len=64, mu=0.08)
    error_signal = np.zeros(len(t))
    control_signal = np.zeros(len(t))
    residual = np.zeros(len(t))
    for n in range(filter_len, len(t)-1):
        ref = primary_noise[n]  # 参考信号（假设取自发动机转速）
        # 次级输出
        y_control = anc.update(ref, residual[n-1])
        control_signal[n] = y_control
        # 次级声场叠加
        secondary_output = lfilter(sec_path, 1.0, [y_control])[-1]
        residual[n] = primary_noise[n] - secondary_output
        error_signal[n] = residual[n]
    # 降噪量计算
    before_rms = np.sqrt(np.mean(primary_noise**2))
    after_rms = np.sqrt(np.mean(residual**2))
    reduction = 20*np.log10(before_rms / (after_rms+1e-6))
    print(f'降噪量: {reduction:.1f} dB')
    return reduction