基于自调整量化因子模糊控制器的有源噪声控制

　　引　言

　　有源噪声控制(ANC)是通过人工产生的声源(次级声源)与噪声进行干扰,在期望的位置得到降低的噪声级[1]。目前有关ANC的报道都集中在传统的自适应控制器上。虽然传统的自适应控制算法结构简单、实现方便,但对复杂的时变非线性过程达到收敛的迭代步数较多、容易产生振荡、算法的性能受初值影响较大,并且为提高性能而进行的算法改善往往增大计算量,不利于实时控制,故消声效果有限。基于神经网络的智能控制系统[2][3]虽然有很强的非线性处理能力,可以随时根据环境变化进行实时控制,但基于神经网络的有源噪声控制需要首先训练网络,而在训练网络时需要事先知道网络的理想输出,而网络的理想输出往往不易获得,即使得到也与实际理想值有一定的出入;另外网络的初值、节点个数等都对网络输出有影响,且有些参数的选取还比较敏感。用模糊控制器实现有源噪声控制只需从噪声室提取白噪声做参考信号,根据实际情况与经验来调节模糊控制器参数,并且模糊控制鲁棒性较强,结构和控制算法简单易于应用。故本文提出基于自调整量化因子模糊控制器的有源噪声控制,以便有效地实现有源噪声控制。

　　1　有源噪声控制次级声源确定及模型

　　有源噪声控制是针对某一个确定的噪声源进行控制的,要实现有效的噪声控制首先应有合适的次级声源。本文根据空调噪声的特点(噪声频谱、噪声高低等)选取合适的次级声源,根据具体情况,作者经过反复实验(PVDF压电薄膜、扬声器等),通过频谱分析等发现,利用YDG66-1a扬声器作为次级声源比较合适。

　　对空调噪声进行基于模糊控制器的有源控制,需要确定次级声源(扬声器)的模型。扬声器的实际模型很难确定,本文中作者根据实验测定的频谱进行分析、简化并用Matlab进行参数建模得到传递函数如下

式中:ωc为截止频率,取ωc=500Hz。有源噪声控制是在时域进行的,因此应把(1)式转换到时域,得到微分方程为:

　　2　基于自调整量化因子模糊控制器的有源噪声控制^[4][5][6]

　　基于自调整量化因子模糊控制器的有源噪声控制系统如图1所示,其中控制器由模糊控制器和模糊调节器组成。图1中r(k)为白噪声信号,e(k)是误差信号, Y(t)为经过控制器降噪后的噪声信号。

　　2.1　模糊控制器

　　2.1.1　模糊量化

　　本文采用二维模糊控制器,即选择输入变量为误差E及误差的变化Ec,输出变量为控制变量U。Ec和U的模糊集均定义为:{NB,NM,NS,0,PS,PM,PB};E的模糊集定义为:{NB,NM,NS,N0,P0,PS,PM,PB};E和Ec的论域为:{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}; U的论域为:{-7,-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6,7};在上述误差模糊集中选取八个元素是为了提高系统的精度。