艦船噪聲傳遞路徑建模方法分析

王海玲*

?

艦船噪聲傳遞路徑建模方法分析

王海玲*

(廈門大學(xué)嘉庚學(xué)院，信息科學(xué)與技術(shù)學(xué)院，福建，廈門，363105）

本文以船艇為例，從船舶艙室噪聲源及傳遞路徑角度考慮，建立一種應(yīng)用性廣且可變的艦船噪聲模型。采用模型識別的方法來提取艦船噪聲有用信息。根據(jù)噪聲貢獻的大小，把船舶艙室分為若干個板塊及子板塊，基于Dijkstra算法，尋找船舶艙室噪聲的主要傳遞路徑，并給出相應(yīng)的降噪措施，為船舶艙室噪聲設(shè)計提供科學(xué)依據(jù)。

艦船噪聲；傳遞路徑；噪聲模型；Dijkstra算法

引言

近年來，船舶設(shè)計出現(xiàn)了大型化、重載、高功率趨勢，導(dǎo)致船上噪聲幅值越來越高。艦船噪聲作為艦船隱蔽性的主要指標(biāo)，對艦船的生存能力有著重大影響。為改善艦船噪聲水平及聲隱身性，其首要任務(wù)是解決噪聲源的識別問題[1]。鑒于此，開展基于噪聲源和噪聲傳遞路徑的識別、建模具有十分重要意義。

噪聲源的識別與定位，是降低艦船輻射噪聲強度的基礎(chǔ)，已成為人們關(guān)注的焦點問題之一。可艦船噪聲成為各種被動聲探測裝置的“信息源”，具有一定的時域和頻域特性[2]，傳統(tǒng)的噪聲源識別方法在時域上主要有分部運轉(zhuǎn)、時歷分析、輻射效率測定和相關(guān)分析等，而在頻域上主要有譜分析、偏/重相干法、聲強測量法、聲場空間變換、通過特性法等[3]。

長期以來，識別研究以大量實測目標(biāo)樣本為基礎(chǔ)，采用統(tǒng)計決策、神經(jīng)網(wǎng)絡(luò)、線性譜等進行[4-11]。但這種方法受軍事目標(biāo)樣本采集困難（尤其是國外軍事目標(biāo)）的制約，且識別率受樣本庫影響很大[12]。而“基于模型的識別”是國際上正在迅速發(fā)展的目標(biāo)識別研究新方法，那么能否采用“基于模型的識別”方法來提取艦船噪聲識別信息，提高識別率呢？國內(nèi)對艦船噪聲的建模研究較少，且對模型的有效性驗證沒有系統(tǒng)的認(rèn)識，缺乏對模型的可信性分析[13]，高處等[14]結(jié)合聲振熵賦權(quán)圖對船舶傳遞路徑分析，從而將噪聲傳遞路徑轉(zhuǎn)化為求解聲振熵賦權(quán)圖的最短路問題。由于傳遞路徑分析(TPA)在實際應(yīng)用中需要把原有的噪聲振動源拆除，而且尚需大量的測試，其過程相當(dāng)繁瑣，尤其對于艦船這類比較復(fù)雜的結(jié)構(gòu)，試驗難度大，成本高。

基于上述考慮，本文力求尋找一種更為簡單和快捷的方法，從艦船噪聲源及傳遞路徑角度考慮建立應(yīng)用性廣且可變的艦船噪聲模型。根據(jù)噪聲源和噪聲傳播路徑的識別，將不同船板對船內(nèi)噪聲貢獻大小，分為若干個板塊及子板塊，從而將復(fù)雜的系統(tǒng)結(jié)構(gòu)分為不同的便于分析的獨立的子系統(tǒng)，使得模型在模擬艦船噪聲成為可能，并可以克服海上試驗所具有的環(huán)境復(fù)雜以及花費過高等各種不利因素，是研究各種水下聲探測器性能的有效手段[12]，為振動和噪聲生源的識別提供一種直觀的分析方法。

1 預(yù)備內(nèi)容

1.1 狄克斯屈拉算

Dijkstra(狄克斯屈拉)算法，又稱標(biāo)號法，是典型的單源最短路徑算法，用于計算一個節(jié)點到其他所有節(jié)點的最短路徑。主要特點是以起始點為中心向外層層擴展，直到擴展到終點為止。

Dijkstra 算法假設(shè)：

1.2 前K條最短路徑算法

Dijkstra算法是圖論中求最短路徑問題的優(yōu)秀算法，但它只能求取第１條最短路徑或者最短路徑中的某一條（系統(tǒng)同時擁有多條最短路徑），在此基礎(chǔ)上擴展出各種各樣的前Ｋ條最短路徑算法。

基本思想是：先用Dijkstra算法求解起終點間的最短路徑，然后把這條路徑中的一條邊設(shè)置為禁行，再用Dijkstra算法求解起終點間的次短路徑，以此類推，得到起終點間的前Ｋ條最短路徑。

2 船舶艙室結(jié)構(gòu)

2.1 船艇機艙幾何模型的建立

本文以文獻[4]中的船艇為例，其機艙結(jié)構(gòu)如圖1所示。其主要幾何尺寸如表1所示。由機艙俯視圖簡化得船艇機艙幾何模型如圖1所示。

圖1 船艇機艙結(jié)構(gòu)圖

表1 船艇機艙幾何尺寸

船艇機艙主要有以下特征:1)整個艙室主要由上下甲板、左右舷、前后隔板,2個主發(fā)動機組和2個發(fā)電機組組成。上下甲板與左右舷靠鉚釘連接在一起,前后隔板和左右舷焊接在一起,4塊板相圍組成了艙室的整個空腔;2)2個發(fā)動機組和2個發(fā)電機組由鉚釘固定在下甲板上;3)前后隔板和左右舷壁上有鉗工臺、主配電板、液壓油箱、蓄電池等附件。

圖2 船艇機艙幾何模型

由圖2可以看出，艙室內(nèi)多為板結(jié)構(gòu)，板結(jié)構(gòu)與聲輻射密切相關(guān)的是結(jié)構(gòu)的彎曲振動，因而根據(jù)相似準(zhǔn)則，將其具有相同彎曲模態(tài)性質(zhì)的劃分為一個子系統(tǒng)，而對于非彎曲模態(tài)（如扭轉(zhuǎn)模態(tài)），由于對輻射聲場影響較小，予以忽略。此外，鉗工臺、蓄電池等附件相對較小，不將這些附件單獨作為子系統(tǒng)考慮。為此將主甲板、艙底板、前后隔板和左右船舷簡化為彎曲板，可得艙室結(jié)構(gòu)網(wǎng)絡(luò)圖-3。

圖3 艙室結(jié)構(gòu)網(wǎng)絡(luò)圖

將左右船舷、上下甲板、前后隔板以及主配電板看為二維平板,則其彎曲振動的模態(tài)密度為，板的損耗因子為0.004，由此可用模態(tài)密度函數(shù)進行噪聲賦權(quán)值。得表-2.其中，為板面積，為縱波速度，為板厚，為楊氏能量，為泊松比，為材料密度。

表2 每個節(jié)點的噪聲值

噪聲的傳遞方向規(guī)定有高噪聲向低噪聲傳遞，且取兩個相互耦合后的數(shù)值為權(quán)值，得噪聲傳遞路徑圖-4。

圖4 艙室結(jié)構(gòu)傳遞路徑圖

用前K條路徑的最短路徑Dijkstra算法即可求出從主機出發(fā)到各個部門的最小噪聲傳遞路徑：9主發(fā)動機-5右舷-6前隔板-7主配電板-8后隔板-4左舷-3上甲板-1內(nèi)聲空腔。具體算法可采用見圖5流程。

2.2．船艇機艙噪聲傳遞的數(shù)學(xué)模型

為了進一步研究艙底布置的優(yōu)化問題，將機艙根據(jù)各個部門劃分為16個子系統(tǒng)（1-16），后艙壁、左舷、前艙壁和右舷分別為17、18、19和20子系統(tǒng)，如圖6.相鄰的點之間可以連邊，從而可以得到艙室內(nèi)的子系統(tǒng)之間傳遞的網(wǎng)絡(luò)圖-7。其中子系統(tǒng)6和子系統(tǒng)10為主機作用處。采用如圖4相似的方法，對子系統(tǒng)用對應(yīng)的各個部門對應(yīng)的噪聲值進行賦權(quán)，即得到船艇機艙的賦權(quán)網(wǎng)絡(luò)圖，然后對噪聲傳遞比較大的路徑，如主機和螺旋槳處，可通過安裝彈性支承架的方式有效地降低艦船艙室噪聲。采取什么樣的彈性支承在以后的工作中會做進一步地研究。其次，為降低噪聲，也可以采用吸聲材料玻璃棉、增加鋼板的厚度等等。

圖5 前K條路徑的Dijkstra算法求源點到目標(biāo)點最短路算法

圖6 艙室結(jié)構(gòu)子系統(tǒng)劃分圖

注3 定理5的1)式表明目標(biāo)概念與組合多粒度粗糙集的下、上近似之間的包含關(guān)系;2)-3)式表明組合多粒度粗糙集的下近似、上近似具有同一運算律；4)式表明組合多粒度粗糙集的下近似、上近似具有單調(diào)性；5)式表明組合多粒度粗糙集的下近似、上近似具有互補運算律。

圖 7 艙室結(jié)構(gòu)子系統(tǒng)噪聲傳遞網(wǎng)絡(luò)圖

3 結(jié)語

本文的噪聲模型主要從噪聲源的識別角度出發(fā)，除螺旋槳、主發(fā)動機等主要振源外，艦船殼體結(jié)構(gòu)在聲源及聲傳遞路徑中也占據(jù)重要地位，模型的應(yīng)用考慮了應(yīng)用性廣且可變的艦船噪聲模型，通過尋求最短傳遞路徑入手，用dijkstra算法可找到艙室噪聲的主導(dǎo)傳遞路徑，以此可給出相應(yīng)的降噪措施，為艙室噪聲設(shè)計提供了可靠的依據(jù)。除此之外，該方法避免了傳統(tǒng)的繁瑣的傳遞函數(shù)測量及繁重的艦船目標(biāo)樣本采集工作，并能有效提高識別率和識別效率，具有良好的發(fā)展前景。

[1] 肖斌, 劉文帥, 高超, 劉志剛. 艦船中低頻結(jié)構(gòu)噪聲源識別方法研究[J]. 哈爾濱工程大學(xué)學(xué)報, 2015, 36(12): 1596-1602.

[2] 王之程. 陳宗岐. 于沨.等. 艦船噪聲測量與分析[M]. 北京:國防工業(yè)出版社. 2004:3-35.

[3] 張洋, 李訓(xùn)誥, 林一品. 基于艦船噪聲小波包重構(gòu)子帶權(quán)重系數(shù)的確定方法[J]. 艦船電子工程2012, 12()(32):139-141.

[4] 王憲成, 張晶, 張更云. 基于統(tǒng)計能量分析法的船艇機艙噪聲建模計算[J]. 兵工學(xué)報. 2007. 28(11):13677-1372.

[5] 張成, 鄭超凡, 張大海, 陳雯. 船舶艙室噪聲綜合預(yù)報及聲學(xué)優(yōu)化設(shè)計[J]. 航海工程, 2014, 43(3):17-21.

[6] Le Bot A., Antonio Carcaterra.Denis Mazuyer. Statistical vibroacoustics and entropy concept [J]. Entropy. 2010, 12:2418-2435.

[7] 戴衛(wèi)國, 張寶華, 程玉勝. 隱馬爾科夫模型在艦船噪聲目標(biāo)識別中的應(yīng)用[J]. 聲學(xué)技術(shù). 2008. 27(2):187-191.

[8] 吳國清等. 艦船噪聲識別(I)-- 總體框架、線譜分析和提取[J].聲學(xué)學(xué)報. 1998. 23(5):394-400.

[9] 吳國清等. 艦船噪聲識別(II)-- 線譜穩(wěn)定性和唯一性[J]. 聲學(xué)學(xué)報. 1999. 24(1):6-11.

[10] 冉磊, 李慶民, 申志偉, 毛德軍. 艦船噪聲模型可信度評估方法[J]. 海軍工程大學(xué). 2011. 23(1):94-99.

[11] 肖斌. 艦船殼體結(jié)構(gòu)噪聲分離技術(shù)研究——非線性頻譜特征及特征譜分離策略[J]. 聲學(xué)學(xué)報. 2013. 38( 3) :346-353.

[12] 史廣智, 胡均川. 基于艦船噪聲仿真模型的目標(biāo)識別研究[J].系統(tǒng)仿真學(xué)報. 2006. 18(5):1398-1401.

[13] 申志偉, 李榮, 李志華. 特征相似的艦船噪聲模型可信性分析[J]. 振動與噪聲控制. 2012. 2:159-162.

[14] 高處, 楊德慶. 船舶艙室噪聲傳遞路徑分析的聲振熵賦權(quán)圖法[J]. 上海交通大學(xué)學(xué)報, 2014, 48(4): 469-474.

The Modeling Analysis of Ship Noise Transfer Path

WANG Hailing*

(Xiamen University Tan Kah Kee Colledge, College of Information Science and Technology, Xiamen, 363105, Fujian)

From the ship cabin noise source and transmission path, we set up a variable model with wide applicability of the ship noise based on the boat. By using model identification method, we extract the ship noise useful information.According to the size of the noise contribution, the ship's cabin is divided into several plates and sub-plates,and thenwe find themain flow path of the ship cabin noise via Dijkstra algorithm, and give the corresponding noise reduction measures, provide the scientific basis for the ship cabin noise design.

ship noise; transfer path; noise model; Dijkstra algorithm

10.19551/j.cnki.issn1672-9129.2017.02.03

TB533

A

1672-9129(2017)02-00017-04

2016-11-05；

2016-12-23。

國家自然科學(xué)基金(10871163)、校級孵化項目（2015L02）、校級教改項目資助。

王海玲（1982-）女，副教授。

E-mail:whling@xujc.com；19099428@qq.com

引用：王海玲. 艦船噪聲傳遞路徑建模方法分析[J]. 數(shù)碼設(shè)計, 2017, 6(2): 17-20.

Cite：Wang Hailing. The Modeling Analysis of Ship Noise Transfer Path[J]. Peak Data Science, 2017, 6(2): 17-20.