نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد نجف‌آباد اصفهان

2 دانشیار دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده

نویز صوتی حاصل از موتورخانه یک کشتی می‌تواند باعث ایجاد مزاحمت و ناراحتی برای خدمه کشتی در حین استراحت یا کارگران درون موتورخانه باشد. هم‌چنین نویز حاصل می‌تواند عوارض و آسیب‌های فراوانی را برای خدمه و مسافران کشتی ایجاد کند. کنترل فعال نویز بر پایه‌ی تولیدیک سیگنال نویز دیگر از یک منبع ثانویه و تداخل آن با نویز تولید‌شده از منبع اصلی استوار است.در اینمقاله، قصد بر آن است که کنترل فعال نویز صوتی با استفاده از شبکه‌های عصبی استاتیکی و دینامیکی و براساس ساختار فیدبک مورد بررسی و شبیه‌سازی قرار گیرد. برای این منظور، کنترل فعال نویز صوتی با استفاده از یک شبکه‌ی عصبی دینامیکی و شبکه‌های عصبیMLP و RBF که جزء شبکه‌های عصبی استاتیک هستند انجام شده و عملکرد این شبکه‌ها در کاهش نویز مورد بررسی و مقایسه قرار می‌گیرد. بنابر مطالعات انجام‌شده، تاکنون مقایسه‌ی دقیقی بین عملکرد شبکه‌های فوق در کنترل فعال نویز صوتی، تحت شرایط مشابه انجام نشده است. در این مقاله، با در نظر‌گرفتن شرایطی مشابه برای ساختار شبکه‌ها (تعداد لایه‌ها و تعداد نورون‌های برابر) و نیز استفاده از نویزهای صوتی مشابه، عملکرد شبکه‌ها در کاهش نویزمورد بررسی قرار می‌گیرد. نویزهای صوتی موجود در پایگاه داده‌یSPIBجهت انجام شبیه‌سازی‌ها مورد استفاده قرار می‌گیرند. نتایج شبیه‌سازی‌ها نشان می‌دهد کهبه دلیل آموزش شبکه‌های عصبی براساس نمونه‌های آموزشی و نمونه‌های تعیین اعتبار (توقف آموزش براساس overfitting)، شبکه‌های عصبی آموزش‌دیده عملکرد بسیار خوبی را در کاهش نویز صوتی نشان می‌دهند. علاوه‌برآن مشاهده می‌شود که شبکه‌ی دینامیکی استفاده‌شده و شبکه‌ی RBFعملکرد بهتری را در کاهش نویز صوتی نسبت به شبکه‌یMLPدارند و حدود dB 1 نویز صوتی را بیشتر از شبکه‌ی MLP کاهش می‌دهند.

کلیدواژه‌ها

عنوان مقاله [English]

Active Cancellation of Engine Room Noise using Static and Dynamic Neural Networks

نویسندگان [English]

  • mehrshad salmasi 1
  • ramazanali sadeghzade 2

چکیده [English]

Ship interior noise produced by engine room disturbs the crews and the workers. Also, it causes lots of complications for the crews and the passengers in the ship. Active noise cancellation (ANC) is based on the destructive interference between the primary noise and generated noise from the secondary source. In this research, performance of the static and dynamic neural networks is evaluated in active cancellation of sound noise. For this reason, MLP and RBF are designed and trained as static neural networks. After training, performance of static and dynamic networks in noise attenuation are compared. In order to compare the networks appropriately, training and test samples are similar. Moreover, equal number of layers and neurons are considered for the networks. Noise signals from a SPIB database are used in simulation procedures. The simulation results show that designed neural networks present proper performance in ANC because of using training and validation samples in training process. As it is seen, the trained dynamic network and  RBF neural network show better performance in noise attenuation than MLP network and achieve 1 dB noise attenuation more than MLP network.  

کلیدواژه‌ها [English]

  • Active noise cancellation
  • feedback active noise control system
  • engine room noise
  • dynamic neural network
  • static neural network

 

     [1]  Kuo S. M. and Morgan, D. R., “Active Noise Control Systems, Algorithms and DSP Implementations”, Telecommunications and Signal Processing, Wiley-Interscience, 1st  Edition, Feb. 1996.

     [2]  Kuo, S. M. and Morgan, D. R., “Active Noise Control: a Tutorial Review”, Proceedings of the IEEE, Vol. 87, No. 6,  pp. 943-973, June 1999.

     [3]  George, N. V. and Panda, G., “Advances in Active Noise Control: A Survey, With Emphasis on Recent Nonlinear Techniques”, Signal Processing Journal, Vol. 93, No. 2, pp. 363-377, 2013.

     [4]  Sano, H., Yamashita, T. and Nakamura, M., “Recent Application of Active Noise and Vibration Control to Automobiles”, International Symposium on Active Control of Sound and Vibration,  pp. 29-42, July 2002.

     [5]  Hansen, C. H., “Current and Future Industrial Applications of Active Noise Control”, Noise Control Engineering Journal, Vol. 53, pp. 181-196, 2005.

     [6]  Habib T., and Kepesi, M., “Open Issues of Active Noise Control Applications”, 17thInternational Conference Radioelektronika, pp. 1-4, April 2007.

     [7]  Johansson, S. and Claesson, I., “Active Noise Control in Propeller Aircraft’, Conference for the Promotion of Research in IT, pp. 111–120, 2001.

     [8]  Oliveira, D., Leopoldo, P. R., Janssens, K., Gajdatsy, P., Auweraer, H. V., Varoto, P. S., Sas, P. and Desmet, W., “Active Sound Quality Control of Engine Induced Cavity Noise”, Mechanical Systems and Signal Processing Journal, Vol. 23, No. 2, pp. 476-488, Feb. 2009.

     [9]  Ishimitsu, S. and Shibatani, N., “Comparison with Adaptive Controllers for Feed-Forward Control and its Application to the Active Control of Ship Interior Noise”, 2nd International Conference on Innovative Computing, Information and Control, pp. 124-127, 2007.

 [10]  Zhou, Y. L., Zhang, Q. Z., Li, X. D. and Gan, W. S., “Analysis and DSP Implementation of an ANC System Using a Filtered–Error Neural Network”, Journal of Sound and Vibration,  Vol. 285, No. 1-2, pp. 1-25, Aug. 2004.

 [11]  Bouchard, M., Paillard, B. and Dinh, C. T. L., “Improved Training of Neural Networks for the Nonlinear Active Control of Sound and Vibration”, IEEE Transactions on Neural Networks, Vol. 10, No. 2, pp. 391-401, March 1999.

 [12]  Yazdi, H. S., Haddadnia, J., and Lotfizad, M., “Duct Modeling Using the Generalized RBF Neural Network For Active Cancellation of Variable Frequency Narrow Band Noise”, Journal on Applied Signal Processing, pp. 1-7, Jan. 2007.

 [13]  Bambang, R. T., Yacoub R. R. and Uchida, K., “Identification of Secondary Path in ANC Using Diagonal Recurrent Neural Networks with EKF Algorithm”, 5th Asian  Control Conference, Vol. 1, pp. 665-673, July 2004.

 [14]  Zhou, Y. L., Zhang, Q. Z., Li, X. D. and Gan, W. S., “On the use of an SPSA-Based Model-Free Feedback Controller in Active Noise Control for Periodic Disturbances in a Duct”, Journal of Sound and Vibration, Vol. 317, No. 3-4, pp. 456-472, Nov. 2008.

 [15]  Gan, W. S., Mitra, S. and Kuo, S. M., “Adaptive Feedback Active Noise Control Headset: Implementation, Evaluation and its Extensions”, IEEE Transactions on Consumer Electronics, Vol. 51, No. 3, pp. 975-982, Aug. 2005.

 [16]  Haykin, S., Neural Networks : A Comprehensive Foundation, 2nd Edition, Prentice Hall Incorporation, 1999.

 [17]  Elman, J. L., “Finding Structure in Time”, Cognitive Science, Vol. 14, pp. 179-211, 1990.

 [18]  Johnson, D. H., and Shami, P. N., “Signal Processing Information Base”, IEEE Signal Processing Magazine, pp. 36-43, Oct. 1993.

 [19]  Milani, A. A., Kannan, G. and Panahi, I. M. S., “On Maximum Achievable Noise Reduction in ANC Systems”, IEEE International Conference Acoustics Speech & Signal Processing, pp. 349-352, Mar. 2010.

 [20]  Chen, C. K.and Chiueh, T. D., “Multilayer Perceptron Neural Networks for Active Noise Cancellation”, IEEE International Symposium Circits and Systems, Vol. 3, pp. 523-526, May 1996.

 [21]  Kannan, G., Milani, A. A., Kannan, G., Panahi, I. M. S. and Kehtarnavaz, N., “Performance Enhancement of Adaptive Active Noise Control Systems for FMRI Machines”, IEEE International Conference Engineering in Medicine and Biology Societym, pp. 4327-4330, Sept. 2010.

 [22]  Chen, S., Cowan, C. F. N. and Grant, P. M.,, “Orthogonal Least Squares Learning Algorithm for Radial Basis Function Networks”, IEEE Transactions on Neural Networks, Vol. 2, No. 2, pp. 302-309, Mar. 1991.

 [23]  Montazeri, A., Poshtan, J. and Motlagh, M. J., “Evaluating the Performance of a Nonlinear Active Noise Control System in Enclosure”, IEEE Conference Industrial Electronics Society, pp. 2484-2488, Nov. 2007.

 [24]  Bambang, R. T., Uchida, K. and Yacoub, R. R. “Active Noise Control in Free Space Using Recurrent Neural Networks With EKF Algorithm”, Journal on Applied Soft Computing, Vol. 8, No. 4, pp. 1498-1504, Sep. 2008.