既有地铁轨道噪声过大的原因分析及对策

在城市轨道交通发展的过程中,地铁制式是最为重要的交通形式之一,通过地铁的普及和应用,为城市人民出行提供了非常大的便利。但是,地铁在实际运行中受各种因素影响会产生较大的噪声,如此在地铁沿线居住和工作的民众,会明显受到噪声所带来的不良影响。而产生地铁轨道噪音过大的因素有很多,基于此,文章结合笔者自身相关工作经验,分析地铁线路噪声因素,以及剖析噪声危害及限值要求,提出既有地铁轨道噪声过大的原因和对策,以期可以为提升我国整体地铁轨道事业的发展提供些许参考。

重症监护病房中的噪声过大:对工作人员有害,对患者更有害

众所周知，重症监护病房（ICU）中噪声水平较高。世界卫生组织（WHO）相关指南建议医院平均日间噪声为35dBA，平均夜间噪声为30dBA。我们在5个本地ICU进行的研究发现，日间噪声水平略低于60dBA（相当于一个忙碌的餐厅），而且每小时均出现22～28次高于100dBA的峰值。尽管夜间噪声水平有相应降低，我们仍然记录到每小时16次高于85dBA的噪声峰值。

风机入口噪声过大原因分析

某电厂试运期间出现一次风机入口噪声超标问题,通过对风机不同负荷下综合噪声和最大负荷噪声频谱分析,找出风机入口噪声过大的原因,并提出相应的技术改造方案。

录音机电机噪声过大的原因及降低噪声的措施

分析了录音机电机噪声产生的原因 。

录音机电机噪声过大的原因及措施

分析了录音机电机噪声产生的原因。详细介绍了为降低噪声采取的主要措施及实施后的结果。

数控车床主轴噪声过大的故障诊断

数控机床主轴噪声过大在数控机床中是一类很常见的故障。文章以沈阳机床厂生产的CAK3665SJ数控车床为例,对数控机床主轴噪声过大常见故障进行分析,并提出解决方案。

受试者测试状态对卡尔曼加权平均ABR测试残余噪声的影响

目的探讨采用卡尔曼加权平均(Kalman-weighted averaging,KWA)的听性脑干反应(ABR)测试中,受试者不同测试状态对残余噪声及ABR波V振幅的影响。方法选取21例(42耳)18~34岁听力正常成年人,分别在安静诊室内三种不同的状态下(安静平卧、坐位、写字)使用卡尔曼加权平均的新型ABR系统(vivosonic integrity system)进行ABR测试,同时使用传统ABR测试系统(interacoustics,IA)在隔声屏蔽室内进行ABR测试,记录各状态下受试者ABR反应的残余噪声水平和波V幅值并进行比较。结果①传统ABR和卡尔曼加权平均ABR三种不同测试状态(平卧、坐位、写字)下波V振幅没有显著差异(P>0.05);②卡尔曼加权平均ABR安静平卧和坐位两种状态下的残余噪声水平较传统ABR低,但无统计学差异(P>0.05);卡尔曼加权平均ABR在写字状态下的残余噪声水平显著高于其他三种状态(P<0.05);③写字状态下卡尔曼加权平均ABR的残余噪声、波V振幅在左右耳之间没有显著差异(P>0.05)。结论与传统ABR相比,卡尔曼加权平均ABR在写字状态下的残余噪声显著升高,但安静平卧和坐位状态下的残余噪声水平与传统ABR无显著差异,受试者的不同测试状态对残余噪声水平有一定影响。

定转速车内噪声过大问题研究

某车型的PT样车行驶过程中在特定转速出现车内轰鸣声的现象,针对该噪声现象进行了主观评价和声压、阶次、传递函数、模态等客观测试,找出了产生该问题的根源,并采取相应改进措施进行了效果验证。

双能量CT非线性融合和噪声优化的虚拟单能量图像技术在喉鳞状细胞癌中的应用

目的:探讨双能量CT线性融合图像(linear blending imaging,LBI)、非线性融合图像(nonlinear blending image,NBI)和噪声优化的虚拟单能量图像(noise-optimized virtual monoenergetic image,VMI+)技术在喉鳞状细胞癌中的应用价值。方法:回顾性分析2019年6月至2022年3月61例经病理证实为喉鳞状细胞癌患者的双能量CT资料。双能量图像采用LBI[融合系数为1(80 kV)和0.6(M0.6)]、NBI和VMI+(40 keV、55 keV)技术重建。比较5组图像的客观图像质量[对比噪声比(contrast-tonoise ratio,CNR)、肿瘤CT值、噪声]和主观图像质量(肿瘤边界评分和整体图像质量评分)。结果:40 keV的CNR、肿瘤CT值和肿瘤边界评分均明显高于80 kV、M0.6、NBI和55 keV,差异均有统计学意义(均P<0.05)。NBI的整体图像质量评分明显高于80 kV、M0.6、40 keV和55 keV,差异均有统计学意义(均P<0.05)。NBI的噪声明显低于80 kV、40 keV和55 keV,差异均有统计学意义(均P<0.05)。结论:在喉鳞状细胞癌的双能量CT中,采用VMI+技术(40 keV)能提供更好的CNR、肿瘤CT值和肿瘤边界,采用NBI技术能提供更低的噪声和更好的整体图像质量。

时间反转OFDM系统中增强安全性能的功率分配与人工噪声设计

时间反转技术特有的时空聚焦特性使其具有抗窃听能力.本文对提高时间反转正交频分复用系统安全性能的优化方案进行研究.首先,通过应用时间反转预滤波的时空聚焦特性来提高合法接收端相对于窃听端的信号强度;然后,以最大化保密速率为目标对子载波的功率分配进行优化.为进一步提升系统保密传输能力,利用循环前缀提供的自由度实现零空间人工噪声,在对窃听端形成有效干扰的同时,不对合法接收端造成影响.通过对子载波功率分配和人工噪声协方差阵进行联合优化,最大化系统的保密传输速率.仿真结果表明,所提优化方案能显著提高系统的保密速率.

基于声学FEM-BEM的户内变电站噪声场计算

准确计算户内变电站大型、复杂的噪声场分布,进而评价可采用降噪措施的减噪效果,是解决户内变电站噪声污染的关键问题。为此,综合声学有限元法(finite element method,FEM)求解复杂声场收敛性好及精度高的优点,及声学边界元法(boundary element method,BEM)降维求解大型声场的优势,提出了一种基于声学FEM-BEM的户内变电站噪声场求解算法。首先,建立变电站内部声源声固耦合模型,采用声学FEM求解混响噪声作用下的声固耦合响应;然后,基于声学FEM-BEM耦合理论,求解内、外耦合边界处结构单元受声固耦合激励产生的位移及应力载荷;最后,根据声压及应力载荷激发的外场声波扩散模型,基于常规Gauss数值积分法,建立外部空间声域2维BEM声学积分方程,求解外部声场。该算法在湖南某110 kV户内变电站噪声场的求解分析中得到了成功应用,与实测值的相对误差为3.61%~4.87%。

特高压并联电抗器铁芯振动及噪声特征研究

特高压并联电抗器因其铁芯是以铁芯饼与气隙垫块交替堆叠而成的结构特点,导致其运行过程中振动强度远超同电压等级的变压器,易出现振动超标等问题,现有计算方法对特高压并联电抗器铁芯振动特征还无法准确表征。鉴于此,该文针对1台特高压并联电抗器的铁芯振动机理及产生的噪声进行研究,结合磁-结构-声多场耦合分析,对铁芯所受麦克斯韦力及磁致伸缩力进行仿真计算,将结构场计算结果进行快速傅里叶变换后作为载荷激励进而计算由电抗器振动产生的噪声,并单独分析磁致伸缩力和麦克斯韦力对电抗器铁芯振动造成的影响。结果表明:电抗器运行过程中电抗器铁芯旁轭中部产生的振动最剧烈,电抗器周围产生的噪声最大。对比麦克斯韦力与磁致伸缩力对电抗器铁芯振动的影响发现,同时考虑两个力时铁芯振动小于未考虑磁致伸缩力的情况,证明影响电抗器铁芯振动的两个力存在相互衰减作用。

汽车冷却风扇噪声主动控制仿真及声品质评价

以汽车冷却风扇噪声为研究对象,基于采集的噪声生成具有不同音调特性的模拟噪声,利用改进的音调度模型计算音调度,使用等级评分法对生成的模拟噪声进行主观评价实验。根据音调特性十分明显的旋转噪声频率与风扇转速密切相关的特点,提出以风扇转速信号来构造次级声源参考信号进行主动噪声控制。最后建立并联型灰色神经网络模型并检验降噪效果。结果表明,冷却风扇噪声的音调特性是影响感知烦恼的重要因素之一,通过有源噪声控制能有效降低窄带噪声峰值从而降低音调度。引入并联型灰色神经网络进行预测的平均相对误差为2.86%,降噪后烦恼度有较好的改善。

基于ICEEMDAN和分布熵的SS-Y伸缩仪信号随机噪声压制方法

结合改进的自适应噪声完备集合经验模态分解(ICEEMDAN)与分布熵(DistEn),提出一种无需自定义算法参数、去噪效果较好的伸缩仪信号随机噪声压制方法。首先将伸缩仪信号进行ICEEMDAN处理,得到若干个本征模态函数(IMF);然后计算各IMF分量的分布熵值,根据不同分布熵值的大小和表征的分量信号混乱程度,有针对性地对各IMF进行取舍;最后进行线性重构。设计仿真信号去噪实验和SS-Y伸缩仪信号去噪实验,结果表明,基于ICEEMDAN-DistEn去噪模型的伸缩仪信号重构还原度较好,去噪效果显著,明显优于CEEMDAN-DistEn、小波去噪和卡尔曼滤波等去噪模型。

Moho反射波噪声干涉方法及其在青藏高原东北缘地壳结构成像的应用初探

基于南北地震带北段布设的密集流动地震台阵的连续波形记录,采用台阵噪声干涉技术获得了青藏高原东北缘Moho面PmP反射波,利用已有的区域三维地壳速度模型,采用沉积层校正方法建立研究区域的三维地壳初始模型,进而对噪声互相关函数进行基准面校正,然后采用共中心点叠加方法获得了研究区的地壳厚度分布.结果显示,青藏高原东北缘及周边不同块体地壳厚度差异显著,沿青藏高原北东向的扩展方向,地壳厚度逐渐变薄.祁连造山带中、西段地壳厚度约55~65 km,西秦岭造山带地壳厚度从西至东从53 km左右减小至42 km上下,阿拉善块体地壳厚度约50 km,鄂尔多斯块体西缘地壳厚度约40~45 km.六盘山断裂、海原断裂与天景山断裂附近呈现局部的地壳增厚,并且出现脉冲状Moho面反射震相,表明断裂带附近可能存在速度跃变较大的Moho面结构.祁连山北缘断裂出现叠置的反射震相,推测下地壳的逆冲形成了此类Moho结构.

混合可重构智能表面和人工噪声辅助的物理层安全通信

针对可重构智能表面(Reconfigurable Intelligent Reflecting Surface,RIS)辅助的物理层安全通信,该文设计了基于混合有源-无源RIS和人工噪声(Artificial Noise,AN)辅助的安全传输方案。考虑基站和RIS的功率约束以及RIS无源反射元件的反射系数恒模约束,以最大化系统安全传输速率为目标,构建基站发射波束成形、AN波束向量、RIS反射系数矩阵联合优化问题。使用交替优化(Alternating Optimization,AO)、权值最小均方误差(Weighted Minimum Mean Square Error,WMMSE)和半定松弛(Semi-definite Relaxation,SDR)算法,求解所构建的变量高度耦合的非凸优化问题。仿真结果表明,混合RIS辅助安全传输方案,能够有效提高系统的安全速率,与无源RIS相比,能够有效克服“双衰落”效应导致的安全速率降低,与有源RIS相比,具有更高的能量效率。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

有序标签噪声的鲁棒估计与过滤方法

较大规模的标注数据集中难免会存在标签噪声,这在一定程度上限制了模型的泛化性能。有序回归数据集的标签是离散值,但不同标签之间又有一定次序关系。虽然有序回归的标签兼有分类和回归标签的特征,但面向分类和回归任务的标签噪声过滤算法对有序标签噪声并不完全适用。针对此问题,提出了标签含噪时回归模型的Akaike泛化误差估计,在此基础上设计了面向有序回归任务的标签噪声过滤框架。此外,提出了一种鲁棒的有序标签噪声估计方法,其采用基于中位数的融合策略以降低异常估计分量的干扰。最后,该方法与所提框架结合形成了噪声鲁棒融合过滤(Robust Fusion Filtering,RFF)算法。在标准数据集和真实年龄估计数据集上均验证了算法的有效性。实验结果表明,在有序回归任务中,RFF算法性能优于其他分类和回归过滤算法,能够适应不同类型的噪声数据,并有效提升数据质量和模型泛化性能。

采用生理响度感知机制的车内噪声声品质预测

现有车内噪声声品质预测的响度计算中没有考虑真实人耳生理解剖结构的传声特性,因此提出了一种基于生理响度感知模型的车内噪声声品质预估方法。首先,采集两款轿车的车内噪声样本,并通过主观评价试验得到车内噪声的主观评价烦恼度。之后,整合中耳集总参数模型与耳蜗传输线模型,构建生理响度模型。然后,以生理响度模型的响度计算值为主要参数,结合尖锐度、粗糙度与车内噪声的主观评价值,通过TabNet模型构建了车辆声品质预测模型。最终,对比分析了所构建声品质模型与基于现有标准响度模型所构建的声品质模型的预测效果。结果表明,采用生理响度模型的声品质预测平均误差百分比仅有4.73%,优于采用Moore响度(6.13%)与Zwicker响度(6.94%)的声品质预测结果。此外,所构建的TabNet声品质预测模型的平均误差百分比也低于基于BP神经网络模型的平均误差百分比(7.60%)。采用生理响度模型的TabNet声品质预测能够提高车内噪声声品质客观评价的准确率。