Um Estudo sobre Estruturas de Modelos Matemáticos Paramétricos Tridimensionais para a Modelagem Dinâmica de Sistemas Vibro-Acústicos Robson da Silva Magalhães TESE SUBMETIDA AO CORPO DOCENTE DO PROGRAMA DE PÓSGRADUAÇÃO EM ENGENHARIA INDUSTRIAL DA UNIVERSIDADE FEDERAL DA BAHIA COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE DOUTOR EM CIÊNCIAS EM ENGENHARIA INDUSTRIAL. Aprovada por: ________________________________________________ Prof. Luiz Alberto Luz de Almeida ________________________________________________ Prof. Cristiano Hora de Oliveira Fontes ________________________________________________ Prof. Antonio Cezar de Castro Lima ________________________________________________ Prof. José Maria Campos dos Santos ________________________________________________ Prof. Antonio Marcus Nogueira Lima ________________________________________________ Prof. Valder Steffen Junior ________________________________________________ Dr. Xisto Lucas Travassos Junior SALVADOR, BA - BRASIL DEZEMBRO DE 2009 MAGALHÃES, ROBSON S. Um Estudo Modelos sobre Estruturas Matemáticos Tridimensionais para de Paramétricos a Modelagem Dinâmica de Sistemas Vibro-Acústicos [Salvador] 2009. XIX, 195 p. 29,7 cm (EP/UFBA, D.Sc., Engenharia Industrial, 2009). Tese - Universidade Federal da Bahia, PEI/EP. 1. Som-intensidade, 2. Vibração, 3. Controle de ruído, 4. Controle ativo, 5. Ruído, 6. Intensidade sonora, 7 Sistema ANC feedback, 8. Sistema ANC feedforward, 9. Modelo vibro-acústico, 10. Modelo tridimensional, 11. Modelos dinâmicos, 12. Maquinas rotativas, 13. Modelos de sistemas acústicos, 14. Redes neurais, 15. Identificação I. EP/UFBA II. Título (série) Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Agradecimentos Em primeiro lugar agradeço a Deus que em sua infinita misericórdia me conduziu em todo esse processo, fazendo com que eu conhecesse e superasse os meus limites, me fazendo melhor do que fui ao inicio de tudo e fazendo com que eu reconhecesse que ainda tenho muito para caminhar. Com a mesma intensidade de gratidão, agradeço imensamente aos meus orientadores professores Marcelo Embiruçu, Cristiano Fontes e Luiz Alberto Luz de Almeida pela sempre presente orientação, imensa gama de conhecimento que compartilharam comigo, incentivo, ajuda, dedicação, atenção e amizade construída ao longo desse processo. Agradeço pela oportunidade e ajuda de transformar em realidade um desafio. Destaco a participação do meu orientador Marcelo Embiruçu que continuamente me incentivou, não deixando que eu me desanimasse diante dos grandes desafios. Ao SENAI e à CAPES (PROCAD), pelos apoios estratégico e financeiro. iii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Dedicatória Dedico esta tese a meu Deus, de quem provém toda a ciência, a minha amada esposa Luciene, companheira em todos os momentos, e a meus filhos Karilena e Robson Junior, por tudo o que representam para mim. iv Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Índice Capítulo I. Introdução I.1. Motivação e importância 3 I.2. Os objetivos e a organização do trabalho realizado 5 I.3. Nomenclatura 7 I.3.1. Abreviaturas I.4. Referências bibliográficas 7 8 Capítulo II. Sistemas e Modelos para Controle Ativo de Ruído II.1. Introdução 13 II.2. Revisão bibliográfica 16 II.2.1. Um breve histórico 16 II.2.2. Conceitos gerais 21 II.2.3. Aplicações 24 II.2.3.1. ANC e a propagação do ruído no ar 24 II.2.3.1.1. Propagação do ruído em um duto 25 II.2.3.1.2. Ruído em interiores 25 II.2.3.1.3. Ruído em espaço livre 26 II.2.3.1.4. Proteção auditiva pessoal 26 II.2.3.2. ANC e a propagação do ruído na água 26 II.2.3.3. Controle vibro-acústico de ruído 27 II.2.4. Sistemas de controle 27 II.2.4.1. Sistemas ANC feedforward banda larga 28 II.2.4.2. Sistemas ANC feedforward banda estreita 29 II.2.4.3. Sistemas ANC feedback 30 II.2.4.4. Sistemas ANC de canais múltiplos 31 II.3. Modelos para aplicações em sistemas de ANC 34 II.4. Conclusões 36 II.5. Nomenclatura 37 II.5.1. Lista de símbolos 37 II.5.2. Letras gregas 37 II.5.3. Abreviaturas 37 v Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 II.6. Referências bibliográficas Preliminares 39 Chapter III. A Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration III.1. Introduction 54 III.2. Modelling and methodology 57 III.2.1. Experimental setup 57 III.2.2. Model structure 58 III.2.3. Time delays modeling 60 III.2.4. Parameter estimation and interpolation procedures 61 III.2.5. Methodology for data gathering 62 III.3. Results 63 III.4. Conclusions 70 III.5. Nomenclature 71 III.5.1. Symbols 71 III.5.2. Greek letters 72 III.5.3. Subscripts 72 III.5.4. Abbreviations 72 III.6. References 74 Chapter IV. Identification of Hybrid ARX-Neural Network Models for ThreeDimensional Simulation of a Vibration-Acoustic System IV.1. Introduction 81 IV.2. Modelling and methodology 84 IV.2.1. Experimental setup 84 IV.2.2. Model structure 85 IV.3. Results 89 IV.4. Conclusions 95 IV.5. Nomenclature 96 IV.5.1. Symbols 96 IV.5.2. Subscripts 96 IV.5.3. Abbreviations 96 IV.6. References 98 vi Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Capítulo V. Identificação de Modelos Baseados em Redes Neurais Artificiais para Simulação Tridimensional de um Sistema Vibro-Acústico Dinâmico V.1. Introdução 105 V.2. Redes neurais artificiais 107 V.2.1. Estrutura das redes neurais artificiais 107 V.2.2. Treinamento de redes neurais artificiais 108 V.2.3. O algoritmo backpropagation e a rede feedforward 109 V.2.3.1. Introdução 110 V.2.3.2. Topologia de uma rede feedforward 111 V.3. Parte experimental 114 V.3.1. Metodologia para coleta de dados 114 V.3.2. Estrutura do modelo e procedimento de estimação dos parâmetros 116 V.3.3. Procedimento de otimização para rede recorrente 118 V.4. Resultados e discussão 121 V.5. Conclusões 125 V.6. Nomenclatura 126 V.6.1. Lista de símbolos 126 V.6.2. Letras gregas 127 V.6.3. Sobrescrito e subscritos 127 V.6.4. Abreviaturas 128 V.7. Referências bibliográficas 130 Capítulo VI. Diferentes Abordagens para a Construção de Modelos Empíricos pra Sistemas Acústicos Tridimensionais VI.1. Introdução 141 VI.2. Metodologia experimental e coleta de dados 144 VI.3. Estruturas de modelo e procedimentos de estimação de parâmetros 146 VI.3.1. Modelos ARX interpolados 146 VI.3.2. Modelos ARX híbridos 148 VI.3.3. Modelos FFANN dinâmicos 150 VI.4. Resultados e discussão VI.4.1. Modelos ARX interpolados 151 151 vii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares VI.4.2. Modelos ARX híbridos 161 VI.4.3. Modelos FFANN dinâmicos 168 VI.4.4. Comparação entre as estruturas de modelo utilizadas 170 VI.5. Conclusões 172 VI.6. Nomenclatura 174 VI.6.1. Lista de símbolos 174 VI.6.2. Letras gregas 175 VI.6.3. Sobrescrito e subscritos 175 VI.6.4. Abreviaturas 175 VI.7. Referências bibliográficas 177 Capítulo VII. Conclusões e Sugestões VII.1. Comentários finais 181 VII.2. Sugestões para trabalhos futuros 185 VII.3. Nomenclatura 186 VII.3.1. Abreviaturas 186 Apêndice A. Descrição da Plataforma Experimental A.1. Introdução 188 A.2. Local de ensaio 189 A.3. Ensaio com a fonte primária 191 A.4. Ensaio com a fonte secundária 192 A.5. Armazenamento dos dados 193 A.6. Conclusões 194 A.7. Nomenclatura 195 A.7.1. Abreviaturas 195 viii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Lista de figuras Figura II.1. Sistema ANC feedforward. 19 Figura II.2. Sistema ANC feedforward banda larga com um canal. 28 Figura II.3. Sistema ANC feedforward banda estreita com um canal. 30 Figura II.4. Sistema ANC feedback com um canal. 30 Figura II.5. Associação de um sistema ANC feedforward banda estreita com um 31 sistema ANC feedback. Figura II.6. Sistema ANC feedforward de canais múltiplos. 32 Figure III.1. Acoustic field mapping generated by a rotating machine operating in 57 a closed room identified by coordinates X, Y, Z: X=1, 2, …, 7 (0.44 m); Y=1, 2, …, 10 (0.44 m); and Z=1, 2, …, 5 (0.44 m). Microphone displacement (passive sensor): experimental setup (left); mesh of the 350 collected data (7x10x5 positions assumed by the passive sensor) (right). Figure III.2. Idealized system response to an idealized step input: phenomenon 59 depiction (top); gauge pressure (bottom-left); sound or dynamic pressure (bottom-right). Figure III.3. Worst (left) and best (right) adjustments for time response of 65 identified and interpolated models. Figure III.4. Average PSD for the output. 65 Figure III.5. Dynamic and three-dimensional prediction of system behavior in 69 response to input from a sine wave (the dark ellipsoid represents pump location): output signal as a function of X and t (left), Y and t (center) and Z and t (right). Figure IV.1. Acoustic field mapping generated by a rotating machine operating in 84 a closed room identified by coordinates X, Y, Z: X=1, 2, …, 7 (0.44 m); Y=1, 2, …, 10 (0.44 m); and Z=1, 2, …, 5 (0.44 m). Microphone displacement (passive sensor): experimental setup (a); mesh of the 350 collected data (7x10x5 positions assumed by the passive sensor) (b). Figure IV.2. MISO feedforward neural networks composing the global network 87 architecture. ix Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Figure IV.3. The simultaneous optimization procedure (hybrid ARX-neural 88 network). Figure IV.4. Effect of the hidden neurons number on Ji (summed over all 89 parameters). Figure IV.5. Best and worst adjustments for plane Z=1 (0.44 m): time response of 91 ARX interpolated and ARX-neural network (second-stage) models. Figure IV.6. Best and worst adjustments for plane Z=3 (0.44 m): time response of 92 ARX interpolated and ARX-neural network (second-stage) models. Figure IV.7. Best and worst adjustments for plane Z=5 (0.44 m): time response of 92 ARX interpolated and ARX-neural network (second-stage) models. Figure IV.8. Best and worst adjustments for plane Z=1 (0.44 m): time response of 92 ARX-neural network first-stage and second-stage (optimization procedure) models. Figure IV.9. Average PSD for the output. 93 Figure IV.10. Dynamic and three-dimensional prediction of system behavior 94 (second-stage neural network model) in response to input from a square wave: output signal as a function of X and t (the dark ellipsoid represents pump location). Figura V.1. Modelo de redes feedforward. 107 Figura V.2. Modelo de neurônio. 111 Figura V.3. Função de transferência logsig 111 Figura V.4. Função de transferência tansig. 112 Figura V.5. Função de transferência linear. 112 Figura V.6. Rede neural com uma única camada. 113 Figura V.7. Diagrama de uma rede neural com uma única camada. 113 Figura V.8. Estrutura de rede feedforward (aproximador universal de funções). 114 Figura V.9. Mapeamento de campo acústico gerado pela operação de uma bomba 115 em uma sala fechada identificadas por coordenadas X, Y, Z: X = 1, 2,..., 7 (0,44 m); Y = 1, 2, ..., 10 (0,44 m); e Z = 1, 2, ..., 5 (0,44 m): (a) Instalação experimental; (b) Deslocamento do microfone (sensor passivo) em malha de 350 pares padrões coletados (7x10x5 posições assumidas pelo sensor passivo). x Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Figura V.10. Aparato experimental. (a) entrada do sistema (sensor instalado na 115 fonte primária): acelerômetro da bomba (sensibilidade: 100 mV / g), (b) saída do sistema (sensor passivo): microfone (sensibilidade: 50 mV / PA). Figura V.11. Treinamento FFANN (predição um passo a frente). 118 Figura V.12. Estrutura FFANN (predição de longo alcance). 118 Figura V.13. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): 121 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura V.14. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): 121 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura V.15. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): 122 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura V.16. Média PSD para o sinal de saída do sistema (microfone). 122 Figura VI.1. Aparato experimental: (a) sinal de entrada do sistema: tensão 144 elétrica originada em um gerador de funções; (b) fonte secundária excitada pelo sinal proveniente do gerador de funções; (c) sinal de saída do sistema: microfone (50 mV / PA). Figura VI.2. Par de variáveis entrada/saída em um experimento com X=4, Y=7, 145 Z=3. Foram realizados outros 349 experimentos semelhantes. Figura VI.3. Mapeamento do campo acústico gerado por uma fonte secundária 146 em uma sala fechada identificada pelas coordenadas X, Y, Z: . = 1, 2, ..., 7 (0.44 m), Y = 1, 2, ..., 10 (0.44 m) e Z = 1, 2, ..., 5 (0.44 m): (a) deslocamentos horizontal e vertical do microfone (sensor passivo); (b) posicionamento da fonte secundária; (c) grade dos 350 dados coletados (7x10x5 posições assumidas pelo sensor passivo). Figura VI.4. Topologia das FFANNs-ARX. 149 Figura VI.5. O processo de otimização (uso simultâneo FFANNs-ARX). 149 Figura VI.6. Estrutura FFANN dinâmico (predição de longo alcance). 150 Figura VI.7. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): 155 resposta no tempo para os modelos ARX estimado e interpolado. xi Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Figura VI.8. Melhores e piores ajustes do modelo para o plano Z = 3 (0.44 m): 155 resposta no tempo para os modelos ARX estimado e interpolado. Figura VI.9. Melhores e piores ajustes do modelo para o plano Z = 5 (0.44 m): 156 resposta no tempo para os modelos ARX estimado e interpolado. Figura VI.10. Média do PSD para o experimento e para as saídas dos modelos 157 ARX identificado e interpolado. Figura VI.11. Sinal de entrada para simulação do modelo (onda senoidal de 5 157 Hz). Figura VI.12. Previsão em três dimensões do modelo ARX interpolado para o 159 comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de X e t (o elipsóide escuro representa a localização da fonte secundária). Figura VI.13. Previsão em três dimensões do modelo ARX interpolado para o 160 comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de Y e t (o elipsóide escuro representa a localização da fonte secundária). Figura VI.14. Previsão em três dimensões do modelo ARX interpolado para o 161 comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de Z e t (o elipsóide escuro representa a localização da fonte secundária). Figura VI.15. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): 166 resposta no tempo para os modelos ARX híbrido e ARX identificado. Figura VI.16. Melhores e piores ajustes do modelo para o plano Z = 3 (0.44 m): 166 resposta no tempo para os modelos ARX híbrido e ARX identificado. Figura VI.17. Melhores e piores ajustes do modelo para o plano Z = 5 (0.44 m): 167 resposta no tempo para os modelos ARX híbrido e ARX identificado. Figura VI.18. Melhores e piores ajustes para o plano Z = 1 (0.44 m): resposta no 167 tempo para o modelo ARX híbrido na primeira e segunda fase (procedimento de otimização). Figura VI.19. Média do PSD para o experimento (saídas medidas) e para as 168 saídas dos modelos ARX híbridos e ARX identificados. xii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Figura VI.20. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): 169 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura VI.21. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): 169 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura VI.22. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): 169 resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura VI.23. Média PSD para o experimento e para as saídas dos modelos ARX 170 identificados e FFANNs. xiii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Lista de tabelas Table III.1. Model parameter b0 spatial distribution. Plane Z=1 (0.44 m) 64 Table IV.1. Model parameter a1 spatial distribution. Plane Z = 3 (0.44 m) 91 Tabela V.1. Comparação da soma do quadrado dos erros 124 Tabela VI.1. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 1 152 (0.44 m) Tabela VI.2. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 3 153 (0.44 m) Tabela VI.3. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 5 154 (0.44 m) Tabela VI.4. Distribuição espacial dos parâmetros dos modelos ARX híbridos. 163 Plano Z = 1 (0.44 m) Tabela VI.5. Distribuição espacial dos parâmetros dos modelos ARX híbridos. 164 Plano Z = 3 (0.44 m) Tabela VI.6. Distribuição espacial dos parâmetros dos modelos ARX híbridos. 165 Plano Z = 5 (0.44 m) Tabela VI.7. Comparação da soma do quadrado dos erros 171 xiv Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Resumo da Tese apresentada ao PEI/UFBA como parte dos requisitos necessários para a obtenção do grau de Doutor em Ciências (D.Sc.) Um Estudo sobre Estruturas de Modelos Matemáticos Paramétricos Tridimensionais para a Modelagem Dinâmica de Sistemas Vibro-Acústicos Robson da Silva Magalhães Dezembro/2009 Orientadores: Marcelo Embiruçu Luiz Alberto Luz de Almeida Cristiano Hora de Oliveira Fontes Programa: Engenharia Industrial O ruído, entre todos os fatores ou agentes que se constituem em risco ocupacional, ocorre nos ambientes de trabalho como o mais frequente, provocando a perda auditiva em milhares de trabalhadores das mais variadas atividades produtivas. Portanto, a exposição ocupacional ao ruído é uma causa determinante de deficiência auditiva. Na indústria, o ruído gerado pelos equipamentos, como compressores, bombas de vácuo e muitos outros, pode ser atenuado com sucesso com o uso combinado de estratégias de controle passivo e controle ativo de ruído. Em uma área ruidosa onde é necessário o acesso do operador ao equipamento, uma solução prática para a atenuação de ruído pode incluir tanto o uso de controle passivo (isolamento acústico) como o uso de controle ativo (Active Noise Control - ANC). Para uma efetiva ação de controle sobre a emissão acústica proveniente de uma fonte primária, usa-se uma abordagem típica envolvendo a adição de uma fonte secundária (fonte de controle). O conhecimento a priori (através do uso de um modelo) do campo acústico gerado pela fonte secundária é fundamental para o projeto do sistema de ANC. Esse modelo deve ter a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica da propagação do som emitido pela fonte secundária (atuador), também com baixo custo computacional. xv Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares O objetivo último desta tese é o desenvolvimento de modelos tridimensionais a serem utilizados na construção de sistemas para Active Noise Control (ANC) que tenham a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas vibro-acústicos, com o menor custo computacional possível, possibilitando a implantação do ANC em tempo real. Em particular são desenvolvidas três abordagens de modelagem: uma abordagem de função de transferência máquinasala (Machine-Room Transfer Function - MRTF), um método baseado em modelos ARX (modelos Auto-Regressivos com entrada eXógena) acoplado a um procedimento de interpolação espacial dos parâmetros dos modelos; uma estrutura de modelo híbrida ARX com redes neurais, na qual as redes são utilizadas como ferramentas de interpolação espacial para estimar os parâmetros do modelo em qualquer ponto arbitrário do sistema, com coordenadas cartesianas X, Y e Z; e uma abordagem onde uma rede neural dinâmica recorrente é utilizada sozinha para modelar o sistema, tendo como entradas as coordenadas cartesianas e o sinal de entrada e como saída a pressão sonora em uma posição arbitrária do sistema. As três abordagens desenvolvidas foram aplicadas com sucesso tanto ao sinal primário quanto ao sinal secundário, sendo observado um melhor desempenho da estrutura híbrida em ambos os casos. xvi Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Abstract of Thesis presented to PEI/EP/UFBA as a partial fulfillment of the requirements for the degree of Doctor of Science (D.Sc.) A Study on Three-Dimensional Parametric Mathematical Model Structures for Modeling Dynamic Vibration-Acoustic Systems Robson da Silva Magalhães December/2009 Advisors: Marcelo Embiruçu Luiz Alberto Luz de Almeida Cristiano Hora de Oliveira Fontes Programme: Industrial Engineering The noise, amongst all the factors or agents that are occupational hazard, occurs in the workplace as the most frequent, causing hearing losses in thousands of workers in different productive activities. Therefore, the occupational exposure to noise is a determinant cause of the hearing impairment. Industrial noise generated by equipment such as compressors, vacuum pumps, and many others can be successfully mitigated with the combined use of passive and active noise control strategies. In a noisy area where equipment access for the human operator is necessary, a practical solution for noise attenuation may include both the use of baffles and Active Noise Control (ANC). For an effective control action of the acoustic emission originating from a primary source, it is used a typical approach that involves the addition of a secondary source (control source). The a priori knowledge (through the use of a model) of the acoustic field, which is generated by the secondary source, is fundamental to the ANC system project. This model should be able to simulate in an appropriate way (quantitatively and qualitatively) the dynamics of the propagation of the sound that is emitted by the secondary source (actuator), with the lowest computational cost. xvii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares The ultimate goal of this thesis is the development of three-dimensional models to be used in the building of systems to Active Noise Control (ANC) that get the ability to simulate properly (qualitatively and quantitatively) the dynamic of vibrate-acoustic systems, with lowest computational cost that is possible, enabling the deployment of the ANC in real time. In particular three modeling approaches are developed: a MachineRoom Transfer Function (MRTF) approach, a method based on ARX (Auto-Regressive with eXogenous input) models, coupled with a procedure for spatial interpolation of model parameters; a hybrid ARX-neural network model structure, where the neural networks are used as spatial interpolation tools in order to estimate model parameters at any arbitrary point of the system with Cartesian coordinates X, Y e Z; and an approach where a recurrent dynamic neural network is used alone to model the system, with Cartesian coordinates and the input signal as network entrances and sound pressure at an arbitrary point of the system as network output signal. The three approaches developed have been successfully applied to both primary and secondary signals, with a better performance for the hybrid structure in both cases. xviii Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Preliminares Lista de Publicações Artigos em periódicos indexados: • Magalhães, R.S.; Fontes, C.O.H.; Almeida, L.A.L.; Santos, J.M.C.; Embiruçu, M.; A Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, submitted, 2009. • Magalhães, R.S.; Fontes, C.O.H.; Almeida, L.A.L.; Embiruçu, M.; Identification of Hybrid ARX-Neural Network Models for ThreeDimensional Simulation of a Vibration-Acoustic System. JOURNAL OF SOUND AND VIBRATION, submitted, 2009. Artigos completos em anais de congresso: • Magalhães, R.S.; Fontes, C.O.H.; Almeida, L.A.L.; Santos, J.M.C.; Embiruçu, M.; A Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration. COMPOSITES2009, 2nd ECCOMAS THEMATIC CONFERENCE ON THE MECHANICAL RESPONSE OF COMPOSITES, London, UK, 2009. • Magalhães, R.S.; Fontes, C.O.H.; Almeida, L.A.L.; Embiruçu, M.; A Hybrid ARMAX-Neural Network Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration, COB09-1023. COBEM2009, THE 20th INTERNATIONAL CONGRESS OF MECHANICAL ENGINEERING, Gramado-RS, Brazil, 2009. xix Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução CHAPTER I Chapter I. Introduction Abstract The noise, amongst all the factors or agents that are occupational hazard, occurs in the workplace as the most frequent, causing hearing losses in thousands of workers in different productive activities. Therefore, the occupational exposure to noise is a determinant cause of the hearing impairment. The Active Noise Control (ANC), or Active Noise Reduction (ANR), is the destructive action of acoustic waves through the emission of an “anti-sound”. The technique allows good noise attenuation (reduction of up to 100 times), where the passive control (enclosure, acoustical covering, etc.) is not effective. The sound field that is produced within enclosed spaces depends on its volume, its geometric form, the coating materials, the frequency of the sound that spreads as well as its rate or form of occupation of these spaces. Because of so many leading variables, the acoustic of the room has been searched for many years in order to obtain models and experimental results that are useful in the project and acoustic control. The modeling of the involved phenomena is not simple, and different numerical methods of variable complexity have been developed. The purpose of this study is to fill that gap, seeking to provide simple solutions for the modeling of the complex acoustic arrangements, which are found in the industries, looking forward to future applications of Active Noise Control (ANC) in these arrangements. Keywords Sound-intensity, Vibration, Noise control, Active control, Noise, Sound intensity. 1 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução CAPÍTULO I Capítulo I. Introdução Resumo O ruído, entre todos os fatores ou agentes que se constituem em risco ocupacional, ocorre nos ambientes de trabalho como o mais frequente, provocando a perda auditiva em milhares de trabalhadores das mais variadas atividades produtivas. Portanto, a exposição ocupacional ao ruído é uma causa determinante de deficiência auditiva. O controle ativo de ruído (Active Noise Control - ANC) ou redução ativa de ruído (Active Noise Reduction - ANR) consiste na ação destrutiva de ondas acústicas, através da emissão de um “anti-som”. A técnica permite boa atenuação de ruídos (redução de até 100 vezes), onde o controle passivo (enclausuramento, revestimentos acústicos, etc.) não é eficiente. O campo sonoro produzido dentro de espaços fechados é dependente do seu volume, da sua forma geométrica, dos materiais de revestimento, da frequência do som que se propaga assim como da sua taxa ou da forma de ocupação desses espaços. Devido a tantas variáveis de influência, tem-se pesquisado a acústica de salas por muitos anos, visando a obtenção de modelos e resultados experimentais que sejam úteis no projeto e controle acústico. A modelagem dos fenômenos envolvidos não é simples e diferentes métodos numéricos de complexidade variável têm sido desenvolvidos. A proposta desse trabalho é contribuir no preenchimento dessa lacuna, buscando apresentar soluções simples para a modelagem dos complexos arranjos acústicos encontrados nas indústrias, visando futuras aplicações de cancelamento ativo de ruído (ANC) nesses arranjos. Palavras-chave Som-intensidade, Vibração, Controle de ruído, Controle ativo, Ruído, Intensidade sonora. 2 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução I.1. Motivação e importância A busca pela redução de ruído é uma necessidade cada vez mais emergente no ambiente onde o ser humano está inserido. O estudo da propagação e do controle de ruído em cavidades acústicas fechadas é um problema clássico em engenharia [1]. Controlar o ruído pode produzir ambientes mais silenciosos, os quais são mais seguros, produtivos e confortáveis do ponto de vista acústico. Nos ambientes de trabalho, nas indústrias e até mesmo nas residências, o controle de ruído vem sendo um requisito cada vez mais importante e necessário. O objetivo geral desse trabalho é propor, desenvolver e aplicar estruturas adequadas para modelos que simulem a resposta dinâmica de sistemas acústicos e vibro - acústicos em três dimensões. As estruturas de modelo propostas devem permitir determinar com segurança a distribuição da pressão acústica em diversos pontos de um campo acústico gerado em um sistema acústico. O sistema acústico estudado é constituído por uma fonte primária de ruído e uma fonte secundária de controle, ambos enclausurados em uma sala. Outro aspecto relevante e complementar está relacionado ao desenvolvimento de estruturas de modelo que permitam o seu uso em aplicações visando o controle ativo de ruído (Active Noise Control - ANC). As vantagens da redução dos níveis de ruído são tão aparentes que muitas comunidades atualmente têm imposto legislações severas com objetivo de reduzir cada vez mais o ruído excessivo nos ambientes. O campo sonoro produzido dentro de espaços fechados é dependente do seu volume, da sua forma geométrica, dos materiais de revestimento, da frequência do som que se propaga assim como da taxa ou da forma de ocupação desse ambientes. Devido a tantas variáveis influentes, há muitos anos temse pesquisado a acústica de salas visando à obtenção de modelos e resultados experimentais que sejam úteis no projeto e controle acústico. A modelagem dos fenômenos envolvidos não é simples, e diferentes métodos numéricos de complexidade variável têm sido desenvolvidos [2]. Quanto menor for a complexidade do método desenvolvido e da estrutura adotada para o modelo, maior será a sua aplicabilidade na representação dos fenômenos acústicos, já que, embora modelos mais “enxutos” tenham uma menor capacidade de generalização, eles possuem um baixo custo computacional em sua aplicação. O uso de técnicas de controle de ruído denominadas ativas (ANC), quando associadas a modelos computacionais de baixa complexidade, resultam em estruturas que podem ser aplicadas a ações de controle em tempo real. 3 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução A contribuição desse trabalho é a proposição e o desenvolvimento de uma estrutura de modelo com baixa complexidade que, de forma inovadora, simula a propagação tridimensional do ruído em um ambiente fechado, permitindo a sua aplicação em um sistema para ANC, visando o conforto e a segurança do trabalhador em seu posto de trabalho na indústria. 4 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução I.2. Os objetivos e a organização do trabalho realizado O objetivo último desta tese é o desenvolvimento de modelos tridimensionais que possam ser posteriormente utilizados na construção de sistemas para Active Noise Control (ANC), tendo, portanto, a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas vibro-acústicos, com o menor custo computacional possível, possibilitando a implantação do ANC em tempo real. Este trabalho encontra-se dividido em capítulos organizados de tal forma que os assuntos são apresentados com uma evolução gradativa no nível de complexidade em cada proposta de estrutura de modelo. Por outro lado, os capítulos são auto-consistentes, contendo os seus próprios resumos, objetivos específicos e referências bibliográficas, podendo, desta forma, serem lidos em separado. Não obstante, a fim de reforçar a continuidade do texto como um todo, um item de contextualização foi acrescido em cada capítulo, com o objetivo de ressaltar a inserção de cada capítulo no contexto da tese. Em consonância com a prática de uso intensivo e difundido da língua inglesa como meio de comunicação e divulgação, usual na comunidade científica das áreas de engenharia e tecnologia, e respeitadas as normas do PEI-UFBA, alguns dos capítulos que apresentam os principais resultados e novas contribuições são apresentados em língua inglesa, a fim de que se possa permitir um maior impacto e um acesso mais amplo à comunidade científica internacional. Por outro lado, a fim de garantir um entendimento mínimo em língua portuguesa, todos os itens chave de cada capítulo, quais sejam, contextualização, resumo e conclusões, são também apresentados em língua portuguesa. Procedimento análogo, em relação à língua inglesa, foi adotado nos capítulos cujos textos principais estão escritos em língua portuguesa. Além disso, também buscando aderência com as normas científicas internacionais, é adotada a convenção de utilização do ponto como separador decimal, ao invés da vírgula. O Capítulo II apresenta uma revisão bibliográfica sob a forma de um breve histórico comentado com os trabalhos que formalizaram o método de controle ativo de ruído. Ele também apresenta os conceitos gerais aplicados ao ANC. Por fim, este capítulo apresenta as estruturas básicas utilizadas no controle ativo de ruído. O Capítulo III apresenta o procedimento proposto para a modelagem da função de transferência vibro-acústica sala-máquina, usando um modelo ARX (Auto-Regressive with eXogenous input). Isso é feito em duas fases. Na primeira fase, os modelos ARX são utilizados para descrever um sistema SISO (Single-Input Single-Output), onde a 5 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto da sala. Um método de mínimos quadrados é utilizado para estimar os parâmetros do modelo ARX. Na segunda etapa, um método de interpolação espacial é proposto e desenvolvido capaz de reduzir substancialmente o número de parâmetros do modelo e estimá-los em qualquer posição (coordenadas X, Y, Z) da sala. No Capítulo IV é proposta a utilização de uma FeedForward Artificial Neural Networks (FFANN) para calcular os parâmetros do modelo ARX que simula o comportamento da pressão acústica em um determinado ponto no espaço. Esse ponto é definido pelas suas coordenadas cartesianas X, Y e Z (entradas da rede neural). As saídas da FFANN são os parâmetros do modelo ARX que define a função de transferência vibro-acústica sala-máquina para o ponto analisado. Esse procedimento é usado em lugar da interpolação espacial proposta no Capítulo III. Os resultados obtidos pelo modelo são comparados com os dados experimentais visando avaliar o potencial desse modelo para a sua aplicação em uma estratégia de ANC. No Capítulo V é proposta uma estrutura de modelo concebida unicamente com base em uma FFANN, com topologia fundamentada no comportamento fenomenológico descrito no Capítulo III. Diferentemente da estrutura apresentada no Capítulo IV, na entrada dessa nova rede é fornecida, além das coordenadas cartesianas X, Y e Z, a leitura de vibração u (n) feita pelo sensor instalado na fonte primária. A saída y (n) dessa rede é a pressão acústica estimada para um ponto qualquer da sala, dado pelas coordenadas cartesianas X, Y e Z. Os resultados obtidos são apresentados e comparados com os resultados dos outros modelos analisados nos Capítulos III e IV. No Capítulo VI, todas as estruturas de modelos abordadas nos Capítulos III ao V são aplicadas aos dados experimentais obtidos no ensaio realizado com a fonte secundária de ruído, em uma metodologia experimental similar à descrita no Capítulo III. O Capitulo VI avalia, com foco na fonte secundária, as diferentes estruturas de modelos desenvolvidas nos demais capítulos, comparando os resultados obtidos e chegando ao modelo mais adequado para o atuador (fonte secundária). Este trabalho é encerrado no Capítulo VII com a apresentação das conclusões finais e sugestões para o desenvolvimento de estudos posteriores. O Apêndice A apresenta detalhes acerca da plataforma experimental utilizada na geração e coleta dos dados experimentais. 6 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução I.3. Nomenclatura I.3.1. Abreviaturas ANC : Active Noise Control ANR : Active Noise Reduction ARX : Auto-Regressive with eXogenous input FFANN : FeedForward Artificial Neural Networks PEI : Programa e pós-graduação em Engenharia Industrial SISO : Single-Input Single-Output UFBA : Universidade Federal da Bahia 7 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. I - Introdução I.4. Referências bibliográficas [ 1 ] Nunes, R. F.; Um Estudo do Controle Ativo de Ruídos em Dutos Usando o Algoritmo do Mínimo Erro Médio Quadrado com Referência Filtrada, Tese de Mestrado. UNIVERSIDADE ESTADUAL DE CAMPINAS, Campinas-SP, 1999. [ 2 ] António, J.; Tadeu, A. and Godinho, L.; A three-dimensional acoustics model using the method of fundamental solutions. ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS, 32 (6): 525-531, 2008. 8 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído CHAPTER II Chapter II. Active Noise Control Systems and Models Contextualization in the thesis The ultimate goal of this thesis is the development of three-dimensional models to be used in the building of systems to Active Noise Control (ANC) that get the ability to simulate properly (qualitatively and quantitatively) the dynamic of vibrate-acoustic systems, with the lowest computational cost that is possible, enabling the deployment of the ANC in real time. The literature about models that are based on ANC is abundant. However, the number of jobs that are used in the development of models for the three-dimensional mapping out of an acoustic field, which is generated by a primary source, is restricted. Within the general context of this thesis, the goal of this chapter is to present a bibliographic review in the form of a brief commented history of the works that formalized the method of active noise control. A review of general concepts is made and the main applications that are developed in ANC systems as well as their basic types are also presented. Abstract The ANC, or active noise reduction (Active Noise Reduction - ANR), is the destructive action of acoustic waves through the emission of an "anti-sound". The technique provides good attenuation of unwanted noise. The active noise control had its beginning in the thirties. However, only from the eighties it got a wide application, mainly due to the development of techniques for signal processing and advances in the area of information technology and electronics. Several methods have been applied to the active control of the noise and vibration. The practical use of ANC technology and the active control of vibration have been diffusing a lot in applications such as noise control in air conditioning ducts and in the automobiles project. In this chapter the main applications of ANC techniques will be 9 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído shown, and the basic structures of systems applied to active noise control will also be presented. Keywords Feedback ANC system, Feedforward ANC system, noise control, Active control, Noise. Conclusions Several references about the works that formalized the method of active noise control were showed and discussed. Yet, a good part of them refers to the active noise control that is applied to one-dimensional acoustic systems (e.g.: the noise control in ducts), and these evaluations are restricted to a small range of frequencies. There are few references on the control that is applied to three-dimensional acoustic systems. The modeling of the phenomena, which are involved in three-dimensional sound propagation in enclosed environments, is not simple and different numerical methods with variable complexity have been developed [93]. Also there are not many developed applications for the active control of noise on the industrial rotary equipment (enclosed in engine rooms). This justifies this work, which in the industrial technologic environment proposes the development of a model structure with low complexity, in an innovative way, to simulate three-dimensional sound propagation in a closed environment, allowing its application on an ANC system, searching for comfort and safety of the worker in his job inside the industry. 10 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído CAPÍTULO II Capítulo II. Sistemas e Modelos para Controle Ativo de Ruído Contextualização na Tese O objetivo último desta tese é o desenvolvimento de modelos tridimensionais a serem utilizados na construção de sistemas para Active Noise Control (ANC) que tenham a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas vibro-acústicos, com o menor custo computacional possível, possibilitando a implantação do ANC em tempo real. A literatura sobre modelos baseados em ANC é abundante, entretanto o número de trabalhos aplicados no desenvolvimento de modelos para o mapeamento tridimensional de um campo acústico gerado por uma fonte primária é restrito. Dentro do contexto geral desta tese, o objetivo desse capítulo é apresentar uma revisão bibliográfica sob a forma de um breve histórico comentado dos trabalhos que formalizaram o método de controle ativo de ruído. É feita uma revisão dos conceitos gerais e são apresentada as principais aplicações desenvolvidas em ANC e os tipos básicos de sistemas ANC. Resumo O ANC, ou redução ativa de ruído (Active Noise Reduction - ANR), consiste na ação destrutiva de ondas acústicas, através da emissão de um “anti-som”. A técnica permite uma boa atenuação de ruídos indesejados. O controle ativo de ruído teve seu início nos anos trinta. No entanto, somente a partir da década de oitenta é que ele teve uma ampla aplicação, principalmente devido ao desenvolvimento das técnicas de processamento de sinais e aos avanços na área da tecnologia da informação e da eletrônica. Vários métodos têm sido aplicados para o controle ativo de ruído e de vibração. O uso prático da tecnologia de ANC e do controle ativo de vibração tem sido muito difundo em aplicações tais como o controle do ruído em dutos de ar condicionado e no projeto de automóveis. Nesse capítulo as principais aplicações das técnicas de ANC 11 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído serão mostradas, assim como serão também apresentadas as estruturas básicas dos sistemas aplicados para controle ativo de ruído. Palavras-chave Sistema ANC feedback, Sistema ANC feedforward , Controle de ruído, Controle ativo, Ruído. 12 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.1. Introdução O ruído, entre todos os fatores ou agentes que se constituem em risco ocupacional, ocorre nos ambientes de trabalho como o mais frequente, provocando a perda auditiva em milhares de trabalhadores das mais variadas atividades produtivas. Portanto, a exposição ocupacional ao ruído é uma causa determinante de deficiência auditiva. Segundo Palmer et al. [1], no final da década de 70 foi estimado que cerca de 600000 trabalhadores da indústria manufatureira britânica foram expostos a níveis substanciais de ruído, acima de 90 dB (A). Trabalhadores da indústria podem estar expostos a uma combinação de ruídos de fundo com altas e baixas frequências por longos períodos durante a jornada de trabalho [1]. O nível de ruído pode ser o suficiente para danificar o sistema auditivo de um trabalhador desprotegido [2, 3, 4]. Pesquisas indicam que a exposição excessiva ao ruído em um ambiente industrial resulta em perda da audição [2], que pode ser associada a problemas de saúde cardiovascular [5-10] ou psíquico-social [1, 5, 11, 12]. Muitas normas foram estabelecidas por diversas instituições governamentais com o objetivo de controlar a exposição do trabalhador ao ruído nocivo em seu ambiente de trabalho. No Brasil, a regulamentação [94] estabelece que “A aposentadoria especial, uma vez cumprida a carência exigida, será devida ao segurado empregado, trabalhador avulso e contribuinte individual, este somente quando cooperado filiado a cooperativa de trabalho ou de produção, que tenha trabalhado durante quinze, vinte ou vinte e cinco anos, conforme o caso, sujeito a condições especiais que prejudiquem a saúde ou a integridade física”. Esse decreto estabelece em seu ANEXO IV (Classificação dos agentes nocivos), no código 2.0.1, aposentadoria especial aos 25 anos (tempo de exposição) para os trabalhadores com “exposição a Níveis de Exposição Normalizados (NEN) superiores a 85 dB (A)”. Em condições específicas, sabe-se que um trabalhador em um ambiente industrial pode estar sujeito a níveis médios de exposição de 90 dB (A), por 8 horas, com desvio de ± 5 dB (SD) [17]. Além de causar a perda de audição induzida pela exposição ao ruído, os níveis de ruído excessivamente elevados podem degradar as comunicações, a segurança, e o desempenho de trabalho. O método mais comum utilizado no combate dos efeitos adversos do ruído em um ambiente industrial está relacionado ao uso de dispositivos para proteção auditiva (Equipamentos de Proteção Individual - EPI). Os EPIs são normalmente usados como parte de um programa de 13 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído preservação da audição. A adesão do trabalhador a esses programas é frequentemente baixa, o que muitas vezes pode ocasionar a perda auditiva. Muitos trabalhadores deixam de usar a proteção auditiva por concluírem que a mesma reduz a sua percepção aos sons de alerta [14]. A Perda Auditiva Induzida pelo Ruído (PAIR) é uma diminuição gradual da capacidade auditiva que se manifesta após longo tempo de exposição a elevados níveis de ruído, sem que haja uma proteção auditiva adequada. Para trabalhadores que estão expostos a níveis de ruído acima de 90 dB (A), a PAIR normalmente se manifesta após seis anos de exposição, ou mais cedo, dependendo da sensibilidade individual. Apesar de a legislação trabalhista brasileira ser considerada uma das mais rigorosas em matéria de saúde ocupacional, o simples cumprimento dos aspectos legais não é uma condição necessária e suficiente para a preservação da audição do trabalhador. Devido à fragilidade do ouvido humano, existem questões técnicas que devem ser levadas em consideração, cuja não observância se reflete na redução precoce da capacidade auditiva. Já que a adesão do trabalhador aos programas de preservação da audição, com o uso de EPI, é frequentemente baixa, a prevenção da perda funcional da audição pode ser realizada através do controle ativo do ruído (Active Noise Control - ANC). O ANC ou redução ativa de ruído (Active Noise Reduction - ANR) consiste na ação destrutiva de ondas acústicas [16], através da emissão de um “anti-som”. A técnica permite boa atenuação de ruídos (redução de até 100 vezes). Frequentemente, o ANC tem sido aplicado a emissões acústicas com característica periódicas e de baixas frequências, onde o controle passivo (enclausuramento, revestimentos acústicos, etc.) não é eficiente. Entre as técnicas passivas mais utilizadas, destacam-se: a aplicação de materiais de absorção; a aplicação de barreiras acústicas e o uso de sistemas de isolamento. As técnicas passivas são pouco eficientes sobre os ruídos em baixas frequências (0-500 Hz). Nessa faixa de frequência, o controle passivo de ruído exigiria maiores espessuras nos revestimentos. A espessura do revestimento é diretamente proporcional ao comprimento de onda ߣ que é inversamente proporcional às componentes em freqüências (݂) do ruído (ߣ = ܿ/݂, onde ܿ é a velocidade do som em m/s). A necessidade de maiores espessuras no revestimento eleva o custo da aplicação do controle passivo. Vários métodos têm sido aplicados para o controle ativo de ruído e vibração. O uso prático da tecnologia de ANC e do controle ativo de vibração tem sido muito difundo em aplicações tais como o controle do ruído em dutos de ar condicionado e no 14 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído projeto de automóveis. Seto [17] descreve as tendências sobre o estudo do controle ativo de vibração e do ANC, abordando as perspectivas e os desafios do futuro. As áreas de pesquisa do cancelamento ativo de ruído concentraram-se principalmente no controle de ruído em cabinas de aviões, sistemas de dutos industriais, estudo nas áreas automotivas e de transporte [18]. Como será visto mais adiante, algoritmos para implementação do mínimo erro quadrático (Least Mean Square - LMS) foram discutidos na literatura, e após sofrerem algumas modificações, como é o caso do algoritmo conhecido como FXLMS, representaram a primeira tentativa para controlar campos sonoros indesejáveis produzidos por máquinas rotativas, como é o caso dos ruídos em motores de veículos. Mas não são encontrados trabalhos conclusivos no estudo e aplicação do controle de ruído em motores e/ou equipamentos industriais (estacionários). O ANC está se desenvolvendo rapidamente porque permite contínuas melhorias no controle de ruído, muitas vezes potencializando os benefícios de redução do tamanho, peso, volume e custo do sistema de atenuação do ruído, principalmente quando comparado com o controle passivo de ruído. Além disso, aplicando-se as técnicas de ANC, o ruído pode ser reduzido na posição do ouvinte, sem que haja necessidade de modificação física ou rearranjo das fontes de ruído. Em particular, o livro de Nelson e Elliott [18] fornece informações detalhadas sobre ANC, com ênfase no ponto de vista acústico. 15 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.2. Revisão bibliográfica Em um sistema de controle ativo de ruído, dois subsistemas operando em conjunto são responsáveis pelo sucesso da sua implementação prática: o subsistema físico e o subsistema eletrônico. Uma interface liga esses dois subsistemas com um microcomputador. A parte física engloba a fonte de perturbação (primária), a fonte de controle (secundária) e os microfones (sensores) que monitoram o desempenho do sistema, medindo o ruído residual do campo sonoro a ser controlado. A parte eletrônica envolve a estrutura de processamento que é a responsável pela identificação e modelagem do sistema submetido ao ANC. O sistema de processamento é composto por um conjunto de componentes básicos para o tratamento de sinais: conversores AD (analógico-digital), conversores DA (digital-analógico), circuito eletrônico de processamento digital de sinais (Digital Signal Processing - DSP) e memória. Existem vários métodos para se fazer o ANC, mas a maioria deles é baseada na criação do “anti-ruído” (interferência destrutiva). Considerando uma função senoidal como um ruído indesejável, o seu “anti-ruído” será outra função senoidal de mesma frequência, mas defasada em 180 graus. Quando as amplitudes desses dois sinais são somadas, obtém-se uma amplitude resultante que estará próxima do zero. O somatório da amplitude do sinal indesejado proveniente da função senoidal e da amplitude do sinal defasado pelo DSP é realizado pelo próprio ouvido humano. Este sistema consiste em um ANC que aplica o princípio da interferência destrutiva. O controle ativo de ruído teve seu início nos anos trinta. No entanto, somente a partir da década de oitenta é que ele teve uma ampla aplicação, principalmente devido ao desenvolvimento das técnicas de processamento de sinais e aos avanços na área da tecnologia da informação e da eletrônica [19]. II.2.1. Um breve histórico O primeiro trabalho formalizando o método de controle ativo de ruído em baixa freqüência foi proposto na forma de patente por Lueg [20]. A idéia foi introduzir uma fonte de controle de mesma intensidade em um sistema visando produzir o cancelamento de um sinal de perturbação existente, resultando em uma atenuação do som original. Lueg [20] utilizou o princípio de que a velocidade do som no ar é muito 16 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído menor do que a velocidade dos impulsos elétricos. Com isso, o controle ativo tornou-se não somente possível, mas atrativo. Na época, a falta de recursos computacionais e tecnológicos limitou o desenvolvimento da técnica, levando a um esquecimento da sua proposta por quase duas décadas. Nos anos cinqüenta, a idéia foi retomada por Olson [21] que introduziu e investigou a possibilidade de cancelamento local usando técnicas de controle por realimentação. A idéia foi utilizar um amplificador projetado cuidadosamente, combinando a resposta obtida pelo sensor de erro e o sinal de excitação enviado para a fonte secundária. Neste esquema, em um primeiro instante, o sensor de erro mede o sinal do ruído primário, que em seguida é amplificado eletronicamente e invertido para chegar até a fonte secundária, que está localizada próxima ao sensor de erro. Nesta configuração, o sensor de erro e a fonte secundária encontram-se muito próximos, principalmente para evitar e minimizar o efeito do atraso acústico. Um fator limitador deste esquema é o fato de que a faixa de frequência que pode ser atenuada é muito restrita e está sujeita às instabilidades causadas pela realimentação em altas frequências, onde a resposta em fase não é facilmente controlada. Uma maior difusão do interesse nesta área se deu próximo ao início da década de 70, com a publicação de Jessel [30] que desenvolveu a teoria de atenuadores ativos, e de Kido [31] que tratou do controle ativo de ruído em transformadores. Posteriormente, foi publicada uma série de trabalhos abordando diferentes estruturas acústicas aplicadas a sistema de controle de ruído em dutos [23-26]. Poole [38] apresentou um estudo experimental do método de Swinbanks [24], com algumas vantagens em seu desempenho e na sua implementação. Resultados experimentais para um sinal de perturbação periódico (tonal) em 150 Hz foram alcançados com mais de 50 dB de atenuação. Outros sistemas foram descritos na literatura, como o Chelsea Dipole System, que usa um microfone ligado entre duas fontes secundárias em um duto [39, 40]. O tripolo acústico, ou sistema Jessel, é um outro exemplo de aplicação. Neste caso, são consideradas três fontes secundárias e um microfone de referência atuando em um duto [29]. Outro estudo de ANC em dutos pode ser encontrado no trabalho de Tichy [23] que trata do efeito da posição dos microfones. Para obter uma radiação direcional na ação de controle, foram utilizados os dipolos acústicos. A análise do campo sonoro em uma relação direta com a realimentação do microfone é discutida neste trabalho, com avaliação e otimização do posicionamento do sensor de referência e do sensor de erro no duto. 17 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído Desde a idéia original, o controle ativo de ruído passou por uma longa transição, saindo dos conceitos de laboratório para a realidade, com aplicações práticas, como é mostrado pelo trabalho de Aplin [22], onde são explorados e apresentados algoritmos para o controle de ruído no interior de cabinas de avião. Reduções significativas são alcançadas em determinadas regiões da cabina. O desenvolvimento das técnicas de processamento de sinais, o entendimento dos princípios e mecanismos físicos envolvidos em um sistema de controle ativo, os avanços em disciplinas como eletrônica, controle, acústica e vibrações contribuíram em grande parte para o interesse nesta área de pesquisa. Com o amadurecimento dessas técnicas, o ANC teve ampla expansão com diversas implementações e desenvolvimento de novos algoritmos [28]. O trabalho apresentado por Warnaka [29] apresenta uma revisão até os anos oitenta, evidenciando a contribuição dos principais textos científicos publicados, destacando-se os sistemas configurados com um monopolo acústico, proposto por Lueg [20], e os sistemas configurados com dois e três monopolos acústicos, propostos por Swinbanks [24]. Stevens e Ahuja [32] apresentaram os avanços do controle ativo de ruído e os principais campos de aplicação com as inovações ocorridas até os anos noventa. O trabalho de Elliott [16] descreve o controle ativo de ruído, apresentando as principais técnicas desenvolvidas para reduzir o ruído em baixa frequência. Os trabalhos de Warnaka [29], Elliott [16] e Eriksson [33] apresentam uma visão geral do ANC e suas principais aplicações. Eriksson [33, 53] mostrou o perfil geral dos anos noventa e os novos desafios a serem explorados na área de controle ativo de ruído e vibrações, com técnicas modernas e aplicações. De uma forma geral, as áreas de pesquisas concentram-se no controle de ruído em cabinas de aviões, sistemas de dutos industriais e em estudos nas áreas automotivas [18]. Em particular, o cancelamento de ruído em dutos foi muito estudado, principalmente devido ao seu potencial para solucionar problemas associados a altos níveis de ruído em equipamentos como aquecedores, ventiladores e sistemas de ar condicionado [27, 35, 36]. Várias razões estimularam esse tipo de abordagem, dentre as quais o fato de que apenas ondas planas se propagam abaixo da freqüência natural de um duto unidimensional, o que torna o controle de ruído em dutos bastante atrativo [34]. O controle de ruído em um espaço tridimensional pode ser visto em Shoureshi [37], onde algumas técnicas de controle, tais como a alocação de pólos e a variância mínima, são comparadas em simulações com um sinal de perturbação do tipo harmônico. 18 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído Uma importante propriedade dos sistemas modernos de controle ativo de ruído, particularmente os do tipo antecipativo (feedforward), é o fato de serem adaptativos. Esses sistemas podem adaptar-se a pequenas mudanças do campo acústico, mesmo depois de iniciado o controle [18]. Controladores não adaptativos são normalmente aplicados aos casos em que há uma realimentação (feedback) no sistema. Um sistema feedforward (Figura II.1) consiste de um sensor de referência, uma fonte de controle, um sensor de erro e um algoritmo de controle associado a um filtro adaptativo [34]. Algumas aplicações que usam a combinação feedforward e feedback são apresentadas por Kuo [36]. Figura II.1. Sistema ANC feedforward. Os controladores feedforward usam filtros digitais de resposta finita ao impulso (Finite Impulse Response - FIR), atuando como um modelo inverso do sistema a ser controlado. A medida do distúrbio inicial passa através do filtro e vai para a fonte secundária (atuador). Sistemas para aplicações práticas devem ser adaptativos, por isso podem operar compensando as mudanças ocorridas em parâmetros físicos, tais como temperatura do ambiente e velocidade do som. Aplicações de ANC com o uso de técnicas de controle feedback e de controle feedforward são encontradas em Nelson [18], Bies [28], Hansen [34] e Kuo [36]. Widrow et al. [41, 42] apresentaram aplicações usando sistemas adaptativos, introduzindo a utilização de diversos elementos: o algoritmo do mínimo erro quadrático médio, os mecanismos de filtragem, a avaliação do método e dos parâmetros do algoritmo, a convergência e as principais propriedades envolvidas na descrição do sistema. Abordagens mais sucintas podem ser verificadas em vários trabalhos da 19 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído literatura tais como Nelson e Elliott [18], Kuo [36] e Widrow [42], com exemplos e inúmeras aplicações. Kuo [36], através de seu livro, apresenta as implementações em DSP com discussões e análise do algoritmo LMS aplicado a sistemas de ANC. O uso do algoritmo LMS tem sido comparado com novas propostas de algoritmos para aplicações de ANC em dutos [27]. Algoritmos recursivos do tipo RLS (Recursive Least Square) estão descritos por Haykin [43], que apresenta algumas aplicações. Em sistemas de ANC adaptativos, o algoritmo LMS, quando usado sem modificação, fica suscetível a instabilidade, devido à realimentação acústica dos transdutores da saída para a entrada. O problema pode ser minimizado através do uso de transdutores direcionais ou através de um transdutor na entrada que não seja sensível à realimentação acústica [33]. Outro fator importante que causa instabilidade no algoritmo LMS está relacionado com o sinal que passa pelo filtro adaptativo: ele pode sofrer uma mudança de fase ao passar através da estimativa da planta (modelo do sistema físico). A solução para este problema é apresentada por Widrow [42] e é aplicada a problemas de ANC por Burgess [44]. Na literatura, inúmeras modificações no algoritmo LMS podem ser encontradas, como é o caso do algoritmo conhecido como FXLMS (Filtered-X LMS) [45]. O algoritmo para implementação de múltiplo erro do FXLMS foi discutido por Elliott [51], representando a primeira tentativa de controlar campos sonoros indesejáveis produzidos por rotação de máquinas, como é o caso dos ruídos em motores de veículos. Uma modificação denominada Leaky LMS surge em consequência da associação dos altos níveis de ruído com uma baixa frequência de ressonância do sistema físico, causando uma distorção não linear por sobrecarga da fonte secundária [46]. Outro exemplo é o algoritmo LMS que usa uma estimativa de correlação entre o sinal de entrada e o sinal de erro para ajustar o tamanho do passo ߤ do algoritmo adaptativo. Um algoritmo com o tamanho do passo ߤ variável também pode ser encontrado, o qual introduz um valor ߤ para cada peso do filtro em um filtro transversal. O valor de cada ߤ varia de acordo com a estimativa para a variação do mínimo erro quadrático médio (Mean Square Error MSE). Um estudo mais detalhado das possibilidades de modificações do LMS pode ser encontrado no livro de Kuo [36]. Alguns estudos apresentam o algoritmo LMS aplicado no domínio da freqüência, avaliando-se a sua eficiência computacional e complexidade na sua implementação [52]. Pela complexidade do campo acústico, muitas aplicações em ANC requerem o uso de um controle com múltiplos canais. O uso de múltiplas fontes secundárias e 20 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído múltiplos sensores de erro atuando nos sistemas de controle garante a obtenção de melhores resultados [47]. Existem situações em que o ruído não desejado é transmitido a vários locais, tornando o uso de um único canal ineficiente no efetivo controle desse ruído. O trabalho de Elliott [48] apresenta o uso do ANC com canais múltiplos em automóveis. Outras aplicações de ANC com canais múltiplos podem ser encontradas em Elliott [49], Hansen [34], Bies [28], Fuller [50] e Kim [46]. Nelson e Elliott [18] apresentaram em seu livro uma descrição mais detalhada da aplicação da abordagem de multicanal, com uma revisão do assunto e exposição de diversos exemplos. O sucesso na aplicação da técnica de ANC multicanal está restrito aos casos em que o ruído proveniente da fonte primária é periódico e com uma grande quantidade de harmônicos atuando no sistema. O desempenho do controlador para estes casos é limitado devido ao problema da causalidade, que está associado ao atraso no tempo de resposta do controlador [36]. II.2.2. Conceitos gerais Com o aumento no uso de equipamentos industriais de grande porte, como motores, ventiladores, transformadores, compressores, dentre outros, tornaram-se frequentes os problemas com altos níveis de ruído. Além disso, o crescimento das grandes cidades contribuiu para o aumento da exposição da população ao ruído de uma gama variada de fontes, o que foi agravado pelo fato de que a redução de custo na construção civil leva a uma tendência de uso de materiais mais leves, o que também resulta em um aumento do ruído no ambiente. A vibração mecânica é uma fonte comum de ruído presente em equipamentos de transporte, produção, e em diversos aparelhos domésticos. Para a atenuação de um ruído indesejado, a abordagem tradicional de controle de ruído usa técnicas passivas, tais como caixas, barreiras, silenciadores [54]. Os silenciadores passivos usam o conceito de mudança de impedância causada por uma combinação de defletores e tubos para silenciar o som indesejado (silenciadores reativos), ou usar a perda de energia causada pela propagação do som em um duto forrado com material absorvente de som (silenciadores resistivos). Estes silenciadores passivos são valorizados por sua alta atenuação sobre uma ampla gama de freqüências. Contudo, eles são relativamente grandes, caros e ineficientes em baixas freqüências. A atenuação de silenciadores passivos é baixa quando o comprimento da onda sonora é 21 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído grande em comparação com as dimensões do silenciador (comprimento do corpo ou espessura da parede). Além disso, esses silenciadores muitas vezes criam uma perda de carga indesejada no duto. Vale ressaltar que a atenuação de ruídos de baixa freqüência pode ser muito importante, já que eles são conhecidos por serem irritantes para o ser humano, principalmente durante períodos de longa exposição, assim como produzem fadiga e perda de concentração, resultando em uma diminuição de produtividade. As técnicas de controle passivo também possuem limitações na solução de problemas de vibração. O controle passivo de vibração é realizado pela associação do sistema a um conjunto massa-mola-amortecedor (atuador passivo), que é o análogo mecânico de um filtro passa baixa. A frequência de ressonância do atuador passivo, abaixo da qual o isolamento vibracional é ineficaz, é inversamente proporcional à raiz quadrada da relação massa/rigidez. Assim, para a redução da frequência de ressonância do atuador passivo, a relação massa/rigidez deverá aumentar, tornando-se inviável ou demasiadamente cara a sua implementação. Portanto, assim como no controle passivo de ruído, a eficácia das técnicas de controle passivo de vibração é ineficiente em baixas frequências. Em um esforço para superar essas limitações, bons resultados podem ser obtidos usando-se o ANC. O ANC envolve um sistema eletroacústico ou eletromecânico que cancela o ruído emitido por uma fonte primária, com base no princípio da superposição. Especificamente, um “anti-ruído” de igual amplitude e fase oposta é gerado e combinado com o ruído da fonte primária, resultando assim no cancelamento de ambos os ruídos. O nível de atenuação do ruído depende da qualidade da estimativa para a amplitude e fase do “anti-ruído” a ser gerado. Um sistema ANC eficiente atenua os sons de baixa freqüência, na faixa de freqüência em que os métodos passivos são ineficazes ou tendem a ser muito caro. Os principais desafios a serem considerados em sistemas ANC é a exigência de um controle de alta sensibilidade, de estabilidade temporal e de confiabilidade. A fim de produzir um elevado grau de atenuação, a amplitude e fase do som gerado por ambas fontes (primária e secundária) devem ter uma correspondência precisa, com menor erro possível. Por conseguinte, é desejável que o cancelamento do ruído seja processado em uma plataforma digital [55], onde os sinais de transdutores eletromecânicos ou eletroacústicos são coletados e processados através de DSP, sistemas com bastante velocidade e precisão para executar sofisticadas funções matemáticas em tempo real. 22 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído Em geral, as propriedades de um dado campo acústico não são estacionárias. Por exemplo, a velocidade e a carga de um motor ou ventilador estão mudando continuamente, o que resulta em amplitudes e frequências variáveis gerando o ruído indesejado. Outras condições não estacionárias são a temperatura ambiente e as mudanças no fluxo de um duto, que resultam em variações de velocidade do som. Da mesma forma, as propriedades das vibrações mecânicas podem mudar com a temperatura. A fim de acompanhar a resposta a tais mudanças (em tempo real), é necessário que o sistema ANC seja adaptativo. No campo do processamento digital de sinais há uma classe de sistemas adaptativos em que as propriedades de um filtro digital são ajustadas para minimizar a função objetivo. Um sistema ANC baseado na teoria de filtragem adaptativa foi desenvolvido por Burgess [44], Kuo [56, 59] e Kerkhof [57]. Na década de 1980, a investigação sobre ANC foi drasticamente afetada pelo desenvolvimento de poderosos DSPs e pelo desenvolvimento de algoritmos de processamento adaptativo de sinal. Chips especializados (DSP) foram projetados para altíssimas velocidades de processamento numérico de sinais (digitalizados em tempo real). Esses dispositivos permitem a implementação, com baixo custo, de poderosos algoritmos adaptativos [52, 58], incentivando o desenvolvimento e aplicação dessa técnica em sistemas de ANC. Muitos sistemas modernos de ANC dependem cada vez mais do processamento digital de sinais, e cada vez menos dos elementos eletroacústicos ou eletromecânicos (sensores), o que atribui uma importância crescente aos sistemas de filtragem adaptativa (modelos). No entanto, se o arranjo físico não for otimizado (distribuição adequada das fontes secundárias), o processamento digital de sinais pode não ser capaz de compensar as deficiências do arranjo, e o sistema pode falhar. Por isso, é necessário entender e projetar a distribuição acústica ou a mecânica das instalações, a fim de permitir que, de forma adaptativa, um controlador ativo de ruído opere adequadamente. Sob esse ponto de vista, o livro de Nelson e Elliott [18] fornece uma excelente abordagem do conteúdo. O conjunto de problemas de atenuação de ruído que podem ser resolvidos por meio de um sistema ativo ainda é bastante limitado, já que apenas o ruído em frequências relativamente baixas pode ser eficazmente atenuado por tais métodos. A combinação da absorção passiva com o cancelamento ativo pode produzir um melhor desempenho global. Por isso, em muitos aspectos, o ANC é uma técnica complementar ao controle passivo de ruído, principalmente quando se deseja a atenuação do som em bandas largas de frequência. 23 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.2.3. Aplicações O ANC é uma técnica adequada para se conseguir uma expressiva redução de ruído em um ambiente ou área restrita, principalmente em baixas frequências. Seu desempenho em altas frequências é limitado por diversos fatores, incluindo-se a necessidade do aumento da taxa de amostragem e a existência de várias frequências naturais (modos de ordem superior) no sistema, que resultam em um campo acústico complexo. Felizmente, as técnicas passivas tendem a ser eficazes em frequências mais altas e oferecem uma boa atenuação para a maioria dos problemas de ruído. Aplicações específicas em ANC estão sendo desenvolvidas em diversas áreas tendo como objeto de estudo o produto final destas áreas, como por exemplo: Automotiva: automóveis, camionetas, caminhões, máquinas de terraplanagem e veículos militares, etc.; Eletrodomésticos: aparelhos de ar condicionado, refrigeradores, máquinas de lavar, fornos, cortadores de grama, aspiradores, cabeceiras de cama, etc.; Industrial: ventiladores, dutos de ar, chaminés, transformadores, sopradores, compressores, bombas, motosserras, túneis de vento, sala de máquinas, protetores auriculares, fones de ouvido, etc.; Transporte: aviões, navios, barcos, lanchas de recreio, helicópteros, motos, motocicletas, locomotivas a diesel, etc. II.2.3.1. ANC e a propagação do ruído no ar Considerando-se a forma de propagação do som no ar, do ponto de vista espacial as aplicações de ANC podem ser classificadas em quatro categorias [36]: 1. Propagação do ruído em um duto: ocorre de forma unidimensional em dutos de aquecimento, ventilação, ar condicionado, exaustão, etc.; 2. Ruído em interiores: o ruído dentro de um espaço fechado; 3. Ruído em espaço livre: o ruído irradiado para o espaço aberto; 4. Proteção auditiva pessoal: um caso em escala reduzida de ruído em interiores. 24 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.2.3.1.1. Propagação do ruído em um duto Uma grande parte dos trabalhos de ANC tem sido direcionada para o controle ativo de ruído em dutos de aquecimento, ventilação e ar condicionado ou em dutos de exaustão. Isso decorre da ampla aplicação dos dutos nas indústrias e da viabilidade de construção de sistemas experimentais. Li et al. [60] apresentam a concepção e implementação de um sistema de controle ativo de ruído aplicado a um ruído tonal onde a frequência e amplitude variam significativamente e de forma rápida com o tempo, apresentando assim um desafio significativo para um sistema ANC. A vantagem do ANC sobre os silenciadores convencionais (controladores passivos) é a maior atenuação em baixas frequências com menor restrição de fluxo, o que produz uma economia significativa de energia. Além disso, os sistemas de ANC são mais leves. II.2.3.1.2. Ruído em interiores O ruído gerado dentro de um espaço fechado pode ser atenuado através de vários métodos. O método depende se a fonte primária de ruído está dentro ou fora do espaço. Quando a fonte primária de ruído está dentro, a fonte de cancelamento (fonte secundária) pode ser colocada próxima a ela. No entanto, um cuidado especial é necessário para minimizar o feedback acústico da fonte de cancelamento para o microfone de referência. Em aeronaves, a principal fonte de ruído dentro da cabine de passageiros é o som gerado pelo motor no exterior. Isso produz um ruído com componentes de frequência múltiplas da frequência de passagem de pás da hélice. Em um caso como esse, embora o campo acústico produzido possua poucas frequências dominantes, a distribuição espacial do ruído dentro da cabine pode ser complexa. Um sistema ANC pode reduzir o ruído das frequências dominantes ao nível do ruído de fundo [61, 62]. Sistemas semelhantes também estão sendo desenvolvidos para o interior dos automóveis de passageiros [63, 64]. Kuo [59] apresenta uma experiência em tempo real, usando ANC para reduzir um ronco, não-estacionário e intermitente. Três algoritmos ANC foram desenvolvidos e testados para avaliação de desempenho. O sistema utiliza tanto um modelo para ANC baseado na resposta finita ao impulso, como um modelo para ANC baseado na resposta infinita ao impulso (Infinite Impulse Response - IIR). Experimentos em tempo real foram realizados obtendo-se uma redução média de 15-20 dB. 25 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.2.3.1.3. Ruído em espaço livre Se o cancelamento de ruído é necessário apenas em certa área de um campo sonoro mais amplo, o controle local é viável, colocando os alto-falantes e microfones de erro perto do ponto de controle. Com base na análise de um sistema ANC com abordagem multi-canal e fontes secundárias monopolo posicionadas aos pares a uma distância menor que o comprimento de onda emitida pela fonte primária, Chen [15] verificou que, para o mesmo número de canais de controle, a nova configuração proposta pode proporcionar uma maior redução de ruído em um campo livre do que usando-se as fontes monopolo dissociadas. II.2.3.1.4. Proteção auditiva pessoal A situação mais simples para ANC é definida por um espaço cujas dimensões são pequenas em comparação com o comprimento de onda na faixa de frequência de interesse. Tal espaço é definido, por exemplo, pelo pequeno volume entre um fone de ouvido e o tímpano. A primeira proposta para cancelamento de ruído em um headset (fone de ouvido) foi apresentada por Olson [21]. O ANC em um headset pode ser utilizado em um ambiente muito barulhento para proteger a capacidade de audição humana ou melhorar a qualidade da comunicação. Outras propostas para o cancelamento de ruído em um headset também foram apresentadas por Wheeler [65] e Song [67]. O sistema ativo cancela ruídos de baixa frequência, e a concha do fone (sistema passivo), quando posta sobre a orelha, atenua ruídos de alta freqüência. O ANC também pode ser usado em combinação com sistemas de comunicação para melhorar a inteligibilidade em um ambiente barulhento. Neste caso, o ANC é combinado com cancelamento de eco acústico [66] e cancelamento adaptativo de ruído [41] aplicado ao sinal elétrico. II.2.3.2. ANC e a propagação do ruído na água Numerosas fontes de ruído subaquático interferem com os sistemas de vigilância militar, bem como com os sistemas comerciais para o monitoramento ambiental, controle de posição, e monitoramento de cardumes [68]. Assim, as técnicas de ANC podem desempenhar um papel útil também nessa área. Existem poucos trabalhos produzidos, portanto há muito território inexplorado. Ao contrário do ANC com a 26 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído propagação do som no ar, onde existe uma extensa pesquisa e desenvolvimento com uma infinidade de aplicações, as aplicações de ANC com a propagação do som na água ainda aguardam um número maior de pesquisas e descobertas. II.2.3.3. Controle vibro-acústico de ruído Não existe nenhum texto definitivo sobre o controle ativo de vibrações. No entanto, há muitas referências na literatura (ver, por exemplo, White e Cooper [69], Nelson et al. [70], Tichy [71], Elliott [72], Jenkins et al. [73], Vipperman et al. [74], Guigou [75] e Madkour et al. [76]). Em muitos casos, o controle ativo de vibração é combinado com o ANC, tratando-se os dois problemas como um único problema [77, 78, 79, 80, 81, 82, 83]. II.2.4. Sistemas de controle É possível classificar o ruído existente em um ambiente de acordo com a faixa de frequência que o compõe, ou seja, ruído em banda larga e ruído em banda estreita. O ruído em banda larga é causado, por exemplo, por uma turbulência, que é completamente aleatória e, portanto, distribui a sua energia de forma mais ou menos uniforme em uma faixa larga de freqüência. São exemplos de turbulência ou ruído de banda larga: os sons dos aviões a jato ou o ruído gerado por uma explosão. O ruído de banda estreita concentra a maior parte de sua energia em frequências específicas. Este tipo de ruído está relacionado com a rotação de máquinas, por isso ele é periódico ou quase periódico. São exemplos de ruído de banda estreita os ruídos gerados pelos motores de combustão interna, pelas turbinas, pelos compressores e pelas bombas [84]. Para o cancelamento de ruído em banda larga de frequências, o sinal de entrada (referência) deve dar uma indicação apropriada do ruído a ser cancelado. O ruído primário que se correlaciona com o sinal de entrada será cancelado a jusante da fonte secundária. Para redução de ruídos periódicos originados em máquinas rotativas, foram desenvolvidos técnicas de banda estreita de frequências que são muito eficazes e não dependem de causalidade. Em vez de usar um sensor de referência, os sistemas de ANC aplicados no controle e atenuação de ruídos periódicos podem empregar um sinal de um tacômetro para fornecer informações sobre o ruído. Uma vez que todos os ruídos são repetitivos e cadenciados pela rotação da máquina, o sistema de controle irá cancelar as 27 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído frequências sonoras previamente conhecidas. Este tipo de sistema de controle pode ser aplicado com sucesso na cabine de um veículo, uma vez que não irá afetar os sinais de alerta do veículo, ou a comunicação pelo rádio, ou mesmo a conversa entre passageiros, já que esses sons raramente estarão sincronizados com a rotação do motor. Em linhas gerais, o ANC pode estar baseado em um sistema de controle feedforward (Figura II.2) ou feedback (Figura II.4). O ANC estará baseado em controle feedforward [85] quando o sinal de entrada (sinal de referência) é coletado antes de chegar à fonte secundária. O ANC estará baseado em um sistema de controle feedback [21] quando a ação de controle ocorre sem o uso da entrada de referência “a montante”. Em um controle ativo de ruído feedback o cancelamento ocorrerá a partir da fonte secundária, levando-se em consideração a informação de um microfone de erro. As estruturas e os algoritmos desenvolvidos para ANC podem ser igualmente aplicados ao controle ativo de vibração, que é usado para isolar as vibrações em sistemas mecânicos. II.2.4.1. Sistemas ANC feedforward banda larga Um sistema ANC feedforward banda larga é exemplificado na Figura II.2. Neste diagrama, um sinal indesejado )݊(ݑé coletado antes que passe por um alto-falante (fonte secundária) no duto, através de um microfone de referência perto da fonte de ruído (fonte primária). Figura II.2. Sistema ANC feedforward banda larga com um canal. 28 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído O sistema ANC usa o sinal do microfone de referência para gerar um sinal )݊(ݕ que excita um alto-falante (fonte secundária), produzindo um ruído secundário no duto que é defasado em 180 com o distúrbio proveniente da fonte primária, cancelando o ruído indesejado. O posicionamento adequado do alto-falante (fonte secundária) em relação à fonte primária irá resultar em uma maior eficiência na redução global da energia de radiação acústica emitida por ambas as fontes [86]. A ação recíproca entre as fontes primária e secundária afeta a impedância de radiação, reduzindo assim a potência sonora irradiada [16, 87]. O microfone de erro mede o erro residual ݁(݊), que é minimizado pela variação dos coeficientes de um filtro adaptativo. Uma característica básica da abordagem feedforward banda larga é que o tempo de atraso pela propagação do som entre o sensor de referência (microfone de referência) a montante e a fonte de controle ativo (fonte secundária) permite que o “anti-som” gerado em uma posição especifica do campo sonoro controlado cause o cancelamento. O uso de um sinal de erro a jusante é utilizado para ajustar os coeficientes do filtro adaptativo, e não constitui um feedback pois o sinal de erro não retorna à fonte secundária através do sinal de referência. Em frequências muito baixas, o som se propaga como uma onda plana ao longo de um duto, e será efetivamente cancelado pelo controlador mostrado na Figura II.2. Como mostra a Figura II.2, a posição adotada para o microfone de referência introduz a possibilidade de retorno indesejado do som gerado pela fonte secundária para o sinal de referência coletado. Assim, o sistema global forma um ciclo fechado, dificultando a ação do filtro adaptativo, podendo tornar o sistema instável. Este problema pode ser resolvido se o microfone de referência (a montante) e a fonte secundária (a jusante) forem direcionais. No entanto, o mais comum é que esse feedback indesejado seja eliminado por meios eletrônicos/digitais através da modelagem da função de transferência do sistema [88, 89]. II.2.4.2. Sistemas ANC feedforward banda estreita Para muitas aplicações, o ruído primário é periódico (ou quase periódico) e é produzido pela operação de máquinas. Neste caso, o sensor de referência pode ser substituído por um outro tipo de sensor (não acústico), como um tacômetro ou um sensor ótico. Um diagrama de blocos para um sistemas ANC feedforward banda estreita 29 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído em um duto é ilustrado na Figura II.3. A grande vantagem de sensores não acústicos de referência é que eles são insensíveis ao som gerado pela fonte secundária, eliminando assim o problema de feedback. Figura II.3. Sistema ANC feedforward banda estreita com um canal. II.2.4.3. Sistemas ANC feedback Um sistema ANC feedback foi proposto por Olson [21]. Este conceito é ilustrado na Figura II.4 para um problema de cancelamento de ruído em um duto. O sinal do sensor de erro retorna através do ANC com a sua amplitude e fase alterada excitando a fonte secundária que emitirá o som necessário para produzir o cancelamento do ruído na região em que está instalado o sensor de erro. Este tipo de sistema em geral é muito problemático, já que a resposta em fase dada pelo ANC geralmente é oscilante, pois a fase do sinal de erro pode mudar em função da própria ação de controle do ANC. Figura II.4. Sistema ANC feedback com um canal. 30 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído Uma associação de um Sistema ANC feedforward banda estreita (Figura II.3) com um Sistema ANC feedback (Figura II.4) faz com que o sistema ANC feedback seja mais robusto. Nesse caso, o sinal do sensor de erro será interpretado pelo ANC como parte integrante do sinal de referência. Um diagrama de blocos para essa associação esta ilustrado na Figura II.5. Figura II.5. Associação de um sistema ANC feedforward banda estreita com um sistema ANC feedback. II.2.4.4. Sistemas ANC de canais múltiplos Muitas aplicações de ANC envolvem um comportamento complexo, por exemplo: dutos de grandes dimensões, a propagação do som em salas fechadas ou a propagação da vibração em estruturas com múltiplos graus de liberdade. Quando a forma do campo acústico gerado pela fonte primária é mais complexa, não será suficiente o uso e ajuste de uma única fonte secundária ou de um único sensor de erro para cancelar o ruído primário. O controle de campos acústicos mais complexos exige o desenvolvimento de estratégias adequadas para construção de um controlador com múltiplos canais. Estes problemas requerem o uso de um algoritmo com múltiplas entrada e múltiplas saídas (Multi-Input Multi–Output - MIMO). O sistema ANC de canais múltiplos envolve um conjunto de sensores e um conjunto de fontes secundárias. Um diagrama de blocos de um sistema de múltiplos canais para uma aplicação tridimensional é ilustrado na Figura II.6. 31 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído Figura II.6. Sistema ANC feedforward de canais múltiplos. Se um ruído primário e periódico (ou quase periódico) produzido pela operação de máquinas propaga-se em um ambiente tridimensional enclausurado, muitas frequências naturais (modos acústicos) do recinto podem ser excitadas. Em princípio, o número de fontes secundárias necessárias para obter o melhor cancelamento do som nesse recinto será o mesmo número de modos acústicos excitados [90]. Na prática, é muito difícil conseguir o controle independente sobre qualquer modo acústico, sem afetar os outros modos, alguns dos quais podem não ter sido excitados com o sinal emitido pela fonte primária. Como a densidade modal acústica em recintos (número de frequências naturais existentes em uma determinada faixa de freqüência) aumenta rapidamente com a frequência, o ANC em altas frequências é particularmente difícil. No entanto, os métodos passivos de controle acústico tendem a trabalhar melhor em frequências mais altas e, assim, complementam o ANC, que é mais eficaz em baixas frequências. Ruídos em baixa frequência estão sendo reconhecidos como um perigo para a saúde, além de causar desconforto e fadiga aos trabalhadores que permanecem muito tempo em compartimentos fechados, como as cabines dos veículos pesados utilizados na construção [91]. Várias fontes primárias são responsáveis pelo ruído na cabine, estando a fonte predominante relacionada com o conjunto de propulsão (motor, tubo de escape, ventilador, etc.). As componentes de baixa frequência são diretamente relacionadas à rotação do motor. Embora as fontes de ruído na cabine sejam periódicas, os seus comprimentos de onda são pequenos em relação à dimensão da cabine, e a complexidade geométrica da cabine é tal que não é possível instalar muitas fontes 32 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído secundárias para realizar o cancelamento. Há duas soluções possíveis para este problema: (1) colocar a fonte secundária próxima à região de cancelamento ou próxima ao ouvido (cancelamento ativo por headset) [67], ou (2) criar uma região espacial de cancelamento de ruído utilizando-se vários alto-falantes [92]. Com o objetivo de criar uma zona “calma” no recinto, os microfones de erro têm de ser cuidadosamente posicionado, a fim de adquirir uma estimativa aceitável da zona “calma” e para quê a função objetivo seja minimizada adequadamente. As fontes secundárias também devem ser localizadas de modo a facilitar o acoplamento em cada modo acústico. 33 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.3. Modelos Matemáticos para aplicações em sistemas de ANC Segundo Antônio et al. [93], o campo sonoro produzido dentro de espaços fechados é dependente do seu volume, da sua geometria, dos materiais de revestimento, da frequência de som e da ocupação. Por esta razão, a acústica de salas tem sido pesquisada por muitos anos visando obter modelos e resultados experimentais que sejam úteis ao projeto acústico. Esta modelagem é também essencial a todas as etapas de um projeto de ANC. A modelagem dos fenômenos envolvidos na propagação do som em um ambiente enclausurado não é simples, e diferentes métodos numéricos de complexidade variada têm sido desenvolvidos. Existem modelos estatísticos, que aplicam as teorias da distribuição da densidade de energia. Nessa linha Cotana [95] propõe um modelo que pode ser usado em aplicações de projeto acústico de salas, permitindo a escolha correta dos materiais de revestimento assim como o seu posicionamento na sala. Muitos estudos teóricos e experimentais têm sido realizados para identificar o modelo adequado para a simulação de emissões acústicas em sistemas acústicos em três dimensões. Alguns métodos exigem a definição das fronteiras ou a divisão do domínio em um grande número de elementos ou seções onde malhas muito finas são necessárias para simular os fenômenos ocorridos em altas frequências, como, por exemplo, o método do elemento infinito (Infinite Element Method - IEM) [96] e o método dos elementos de contorno (Boundary Element Method - BEM) [97, 98, 99]. Estes métodos não têm sido amplamente utilizados para calcular a propagação do som, devido ao elevado esforço computacional envolvido, o que dificulta aplicações em tempo real, tornando inviável sua utilização para a ANC. Métodos de modelagem acústica baseados na geometria também são amplamente utilizados na predição da distribuição da pressão acústica em salas. Entre esses métodos, o método ISM (Image Source Method) [100, 101, 102] requer uma grande quantidade de fontes virtuais, limitando a sua aplicação. A técnica de tracejado do raio (Ray Tracing Technique - RTT) [103] é apropriada para faixas em alta freqüência, mas inclui um certo grau de incerteza, uma vez que não é garantido que todos os raios necessários estarão inclusos na resposta no sinal de saída. O método da solução fundamental (Method of Fundamental Solutions - MFS) pode ser aplicado quando uma solução fundamental da equação diferencial que descreve a propagação do som no arranjo acústico analisado é conhecida [93]. 34 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído O método que usa a função de transferência da sala (Transfer Function Room RTF) modela a transmissão do som entre uma fonte primária e um receptor em uma sala, usando uma estrutura com modelos paramétricos [104]. Essa estrutura desempenha um papel muito importante no processamento do sinal acústico e no controle do campo sonoro, especialmente quando uma aplicação de ANC usa filtros com base em RTFs na modelagem da propagação do som visando à atenuação do ruído [105]. Um sistema de controle ativo de ruído com múltiplas entradas e múltiplas saídas foi recentemente investigado usando esse método [106]. Nesse sistema foram utilizadas múltiplas RTFs para simulação da propagação do som entre as fontes e os receptores utilizados. Dada a vantagem de modelos empíricos sobre os modelos teóricos, quando se trata da sua utilização para a aplicação de ANC em tempo real, este trabalho de tese propõe o método que usa a função de transferência máquina-sala (Machine-Room Transfer Function - MRTF), um método baseado na teoria da resposta ao impulso que inclui a vibração da máquina (fonte primária) na modelagem dinâmica das RTFs. O método MRTF modela a transmissão vibro-acústica entre a fonte primária e um receptor em uma sala. Com o objetivo de reduzir o número total de parâmetros necessários para a modelagem de um sistema através do uso das MRTFs, inicialmente é proposto um método de interpolação espacial para estimar os parâmetros do modelo em qualquer ponto arbitrário de um sistema, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, calculados para cada ponto, podem ser usados para mapear o comportamento do nível de ruído em todo o sistema. Posteriormente é proposto o uso de redes neurais como ferramentas de interpolação espacial para calcular os parâmetros do modelo que simula o comportamento da pressão acústica em um determinado ponto no espaço. Os resultados obtidos são comparados levando-se em consideração o erro de simulação e o custo computacional (relativizado pelo número total de parâmetros utilizado em cada método de interpolação). 35 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.4. Conclusões Foram apresentadas e discutidas várias referências sobre os trabalhos que formalizaram o método de controle ativo de ruído. Porém, uma boa parte delas se refere ao controle ativo de ruído aplicado a sistemas acústicos unidimensionais (p.e.: o controle de ruído em dutos) e essas avaliações são restritas a uma pequena faixa de frequência. São poucas as referências sobre o controle aplicado a sistemas acústicos tridimensionais. A modelagem dos fenômenos envolvidos na propagação tridimensional do som em ambientes enclausurados não é simples, e diferentes métodos numéricos de complexidade variável têm sido desenvolvidos [93]. Também não existem muitas aplicações desenvolvidas para o controle ativo de ruído sobre os equipamentos rotativos industriais (enclausurados em salas de máquinas). Isso justifica esse trabalho de tese, que no âmbito tecnológico industrial propõe o desenvolvimento de uma estrutura de modelo com baixa complexidade que, de forma inovadora, simule a propagação tridimensional do ruído em um ambiente fechado, permitindo a sua aplicação em um sistema para ANC, visando o conforto e a segurança do trabalhador em seu posto de trabalho na indústria. 36 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.5. Nomenclatura II.5.1. Lista de símbolos f : freqüência c : velocidade do som II.5.2. Letras gregas λ : comprimento de onda ߤ : passo do algoritmo adaptativo II.5.3. Abreviaturas ANC : Active Noise Control ANR : Active Noise Reduction AD : Analógico-Digital DA : Digital-Analógico DSP : Digital Signal Processing EPI : Equipamentos de Proteção Individual FIR : Finite Impulse Response FXLMS : Filtered-X LMS IIR : Infinite Impulse Response LMS : Least Mean Square MSE : Mean Square Error NEN : Níveis de Exposição Normalizados 37 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 MIMO : Multi-Input Multi -Output PAIR : Perda Auditiva Induzida pelo Ruído RLS : Recursive Least Square C. II – Sistemas... para ... Controle... Ruído 38 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído II.6. Referências bibliográficas [ 1 ] Palmer, K.T.; Griffin, M.J.; Syddall, H.E.; Davis, A.; Pannett, B.; Coggon, D.; Occupational exposure to noise and the attributable burden of hearing difficulties in Great Britain. OCCUPATIONAL AND ENVIRONMENTAL MEDICINE, 59 (9): 634-639, 2002. [ 2 ] McBride, D.I.; Williams, S.; Audiometric notch as a sign of noise induced hearing loss. OCCUPATIONAL AND ENVIRONMENTAL MEDICINE, 58 (1): 46-51, 2001. [ 3 ] Rabinowitz, P.M.; Noise-induced hearing loss. AMERICAN FAMILY PHYSICIAN, 61(9): 2749-2756, 2000. [ 4 ] Mizoue, T.; Miyamoto, T.; Shimizu, T.; Combined effect of smoking and occupational exposure to noise on hearing loss in steel factory workers. OCCUPATIONAL AND ENVIRONMENTAL MEDICINE, 60(1): 56-59, 2003. [ 5 ] Dalton, D.S.; Nondahl, D.M.; Cruickshanks, K.J.; Impact of hearing loss on quality of life. AMERICAN JOURNAL OF EPIDEMIOLOGY, 153(11): 9, 2001. [ 6 ] Toppila, E.; Pyykko, I.; Starck, J; Age and noise-induced hearing loss. SCANDINAVIAN AUDIOLOGY, 30 (4): 236-244, 2001. [ 7 ] Tomei, F.; Fantini, S.; Tomao, E.; Baccolo, T.P.; Rosati, M.V.; Hypertension and chronic exposure to noise. ARCHIVES OF ENVIRONMENTAL HEALTH, 55 (5): 319-325, 2000. [ 8 ] Rosenlund, M.; Berglind, N.; Pershagen, G.; Jarup, L.; Bluhm, G.; Increased prevalence of hypertension in a population exposed to aircraft noise. OCCUPATIONAL AND ENVIRONMENTAL MEDICINE, 58(12): 769-773, 2001. [ 9 ] Hessel, P.A.; Sluiscremer, G.K.; Occupational Noise Exposure and BloodPressure - Longitudinal and Cross-Sectional Observations in a Group of Underground Miners. ARCHIVES OF ENVIRONMENTAL HEALTH, 49 (2): 128-134, 1994. [ 10 ] van Kempen, E.E.M.M.; Kruize, H.; Boshuizen, H.C.; Ameling, C.B.; Staatsen, B.A.M.; de Hollander, A.E.M.; The association between noise exposure and blood pressure and ischemic heart disease: A meta-analysis. 39 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído ENVIRONMENTAL HEALTH PERSPECTIVES, 110 (3): 307-317, 2002. [ 11 ] Hetu, R.; Getty, L.; Quoc, H.T.; Impact of Occupational Hearing-Loss on the Lives of Workers. OCCUPATIONAL MEDICINE-STATE OF THE ART REVIEWS, 10 (3): 495-512, 1995. [ 12 ] Guralnik, J.M.; The impact of vision and hearing impairments on health in old age. JOURNAL OF THE AMERICAN GERIATRICS SOCIETY, 47 (8): 10291031, 1999. [ 13 ] Hetu, R.; Quoc, H.T.; Duguay, P.; The Likelihood of Detecting a Significant Hearing Threshold Shift Among Noise-Exposed Workers Subjected to Annual Audiometric Testing. ANNALS OF OCCUPATIONAL HYGIENE, 34 (4): 361370, 1990. [ 14 ] Wilkins, P.; Martin, A.M; Hearing Protection and Warning Sounds in Industry A Review. APPLIED ACOUSTICS, 21 (4): 267-293, 1987. [ 15 ] Chen, W.; Pu, H.; Qiu, X.; A compound secondary source for active noise radiation control. APPLIED ACOUSTICS, 71 (2): 101 - 106, 2010. [ 16 ] Elliott, S.J.; Nelson, P.A.; Active noise control. SIGNAL PROCESSING MAGAZINE, IEEE, 10 (4): 12-35, 1993. [ 17 ] Seto, K.; Trends on active vibration and noise control. INTERNATIONAL JOURNAL OF THE JAPAN SOCIETY FOR PRECISION ENGINEERING, 32 (3): 155-159, 1998. [ 18 ] Nelson P.A.; Elliott S.J.; Active control of sound. PUBLISHER: ACADEMIC PRESS, 436p, 1992. [ 19 ] Nunes, R. F.; Um Estudo do Controle Ativo de Ruídos em Dutos Usando o Algoritmo do Mínimo Erro Médio Quadrado com Referência Filtrada, Tese de Mestrado. UNIVERSIDADE ESTADUAL DE CAMPINAS, Campinas-SP, 1999. [ 20 ] Lueg, P; Process of silencing sound oscillations. U. S. Patent 2.043.416, June 9, 1936. [ 21 ] Olson, H.F.; May, E.G.; Electronic Sound Absorber. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 6 (25): 1130-1136, 1953. [ 22 ] Aplin, J.; Active noise control-from research to reality. DIGITAL AVIONICS SYSTEMS CONFERENCE, 13th DASC., AIAA/IEEE, 444-449, 1994. [ 23 ] Tichy, J.; Warnaka, G. E.; Poole, L.A.; A study of active control of noise in 40 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 ducts. JOURNAL OF C. II – Sistemas... para ... Controle... Ruído VIBRATION, ACOUSTIC, STRESS AND RELIABILITY IN DESIGN - TRANSACTIONS OF THE ASME, 106 (3): 399404, 1984. [ 24 ] Swinbanks, M.A.; Active control of sound propagation in long ducts. JOURNAL OF SOUND AND VIBRATION, 27 (3): 411-436, 1973. [ 25 ] Trinder, M. C. J.; Nelson, P. A.; Active noise control in finite length ducts. JOURNAL OF SOUND AND VIBRATION, 89 (1): 95-105, 1983. [ 26 ] Canevet, G.; Active sound absorption in an air conditioning duct. JOURNAL OF SOUND AND VIBRATION, 58 (3): 333-345, 1978. [ 27 ] Yuan, J.; Fung, K.Y.; A traveling wave approach to active noise control in ducts. JOURNAL OF SOUND AND VIBRATION, 219 (2): 307-321, 1999. [ 28 ] Bies, S.A.; Hansen, C.H.; Engineering noise control: Theory and practice. London: E & FN SPON, 615p, 1996. [ 29 ] Warnaka, G.E.; Active attenuation of noise - The state of the art. NOISE CONTROL ENGINEERING JOURNAL, 18 (3): 100-110, 1982. [ 30 ] Jessel, M.J.M.; Mangiant.G.A.; Active Sound Absorbers in an Air Duct. JOURNAL OF SOUND AND VIBRATION, 23 (3): 383-390, 1972. [ 31 ] Kido, K.I.; Automatic-Control of Transformer Noise by Synthesizing Directivity. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 52 (1): 156-156, 1972. [ 32 ] Stevens, J.C.; Ahuja, K.K.; Recent advances in active noise control. AIAA JOURNAL, 29 (7): 1058-1067, 1991. [ 33 ] Eriksson, L.J.; Active sound and vibration control: A technology in transition. NOISE CONTROL ENGINEERING JOURNAL, 44 (1): 1-9, 1996. [ 34 ] Hansen, C.H.; Snyder, S.D.; Active control of noise and vibration. London: E & FN SPON, 1267p, 1997. [ 35 ] Lin J.Y.; Ke, J.H.; Application of damped-oscillation control signals for wideband feedback active noise control in acoustic ducts. JSME INTERNATIONAL JOURNAL SERIES C MECHANICAL SYSTEMS, MACHINE ELEMENTS AND MANUFACTURING, 46 (1): 168-175, 2003. [ 36 ] Kuo, S.M.; Morgan, D.R.; Active noise control systems: Algorithms and DSP implementations. New York: JOHN WILEY & SONS, INC., 389p, 1995. [ 37 ] Shoureshi, R.; Brackney, L.; Kubota, N.; Batta, G.; A modern control approach 41 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 to active noise control. C. II – Sistemas... para ... Controle... Ruído JOURNAL OF DYNAMIC SYSTEM, MEASUREMENT AND CONTROL - TRANSACTIONS OF THE ASME, 115 (4): 673-678}, 1993. [ 38 ] Poole, J. H. B.; Leventhall, H. G.; An experimental study of swinbanks' method of active attenuation of sound in ducts. JOURNAL OF SOUND AND VIBRATION, 49 (2): 257-266, 1976. [ 39 ] Eghtesadi, K.; Leventhall, H.G.; Active attenuation of noise - The chelsea dipole. JOURNAL OF SOUND AND VIBRATION, 75 (1): 127-134, 1981. [ 40 ] Eghtesadi, K.; Leventhall, H.G.; Active attenuation of noise - The monopole system. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 71 (3): 608-611, 1982. [ 41 ] Widrow, B.; Glover, J.R.; McCool, J.M.; Kaunitz, J.; Williams, C.S.; Hearn, R.H.; Zeidler, J.R.; Eugene Dong, Jr.; Goodlin, R.C.; Adaptive noise cancelling: Principles and applications. PROCEEDINGS OF THE IEEE, 63 (12): 16921716, 1975. [ 42 ] Widrow, B.; Stearns, S.; Adaptive Signal Processing. Englewood Cliffs : PRENTICE-HALL, 474p, 1985. [ 43 ] Haykin, S.; Adaptive filter theory. Englewood Cliffs, N. J.: PRENTICE-HALL, 989 p, 1996. [ 44 ] Burgess, J.C.; Active adaptive sound control in a duct: A computer simulation. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 70 (3): 715-726, 1981. [ 45 ] Zhang, Q.Z.; Gan, W.S.; Active noise control using a simplified fuzzy neural network. JOURNAL OF SOUND AND VIBRATION, 272 (1-2): 437-449, 2004. [ 46 ] Kim, Y. W.; Lee, Y.H.; Kim, K. D.; Chang, S. Y.; The performance analysis of LMS and RLS Algorithm for active noise control of vehicle engine booming noise. PROCEEDINGS INTER-NOISE, 2: 525-528, 1997. [ 47 ] Hansen, C. H.; Snyder, S. D; The influence of source size, location, and number upon power flow attenuation achieved with duct active noise control systems. PROCEEDING OF THE AUSTRALIAN VIBRATION AND NOISE CONFERENCE, 179-182, 1992. [ 48 ] Elliott, S.J.; Active control of Structure - Borne noise. JOURNAL OF SOUND 42 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído AND VIBRATION, 177 (5): 651-673, 1994. [ 49 ] Elliott, S.J.; Nelson, P.A.; Active noise control. SIGNAL PROCESSING MAGAZINE, IEEE, 10 (4): 12-35, 1993. [ 50 ] Füller, C. R.; Von Flotow, A.H.; Active control of sound and vibration. CONTROL SYSTEMS MAGAZINE, IEEE, 15 (6): 9-19, 1995. [ 51 ] Elliott, S. J.; Nelson, P. A.; Sthothers, I. M.; A Multiple Error LMS Algorithm and its application to the active control of sound and vibration. TRANSACTIONS ON ACOUSTICS SPEECH AND SIGNAL PROCESSING, 35 (10): 1423-1434, 1987. [ 52 ] Shen, Q.; Spanias, A.S.; Time - and frequency - domain X - block least-meansquare algorithms for active noise control. NOISE CONTROL ENGINEERING JOURNAL, 44 (6): 281-293, 1996. [ 53 ] Eriksson, L.J.; A brief social history of active sound control. SOUND AND VIBRATION, 33 (7): 14-17, 1999. [ 54 ] Marburg, S; Developments in structural-acoustic optimization for passive noise control. ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING, 9 (4): 291-370, 2002. [ 55 ] Ross, C.F.; A Demonstration of Active Control of Broad-Band Sound. JOURNAL OF SOUND AND VIBRATION, 74 (3): 411-417, 1981. [ 56 ] Kuo, S.M.; Chen, J.; New Adaptive IIR Notch Filter and its Application to Howling Control in Speakerphone System. ELECTRONICS LETTERS, 28 (8): 764-766, 1992. [ 57 ] van de Kerkhof, L.M.; Kitzen, W.J.W.; Tracking of a time-varying acoustic impulse response by an adaptive filter. SIGNAL PROCESSING, IEEE TRANSACTIONS ON [SEE ALSO ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, IEEE TRANSACTIONS ON, 40 (6): 1285-1294, 1992. [ 58 ] Kuo, S.M.; Morgan, D.R.; Active noise control: a tutorial review. PROCEEDINGS OF THE IEEE, 87 (6): 943-973, 1999. [ 59 ] Kuo, S.M.; Gireddy, R.; Real-Time Experiment of Snore Active Noise Control. CONTROL APPLICATIONS, 2007. CCA 2007. IEEE INTERNATIONAL CONFERENCE ON, 1342-1346, 2007. [ 60 ] Li, X.; Qiu, X.; Leclercq, D.L.L.; Zander, A.C.; Hansen, C.H.; Implementation of active noise control in a multi-modal spray dryer exhaust stack. APPLIED 43 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído ACOUSTICS, 67 (1): 155-159, 2006. [ 61 ] Dorling, C.M.; Eatwell, G.P.; Hutchins, S.M.; Ross, C.F.; Sutcliffe, S.G.E.; A demonstration of active noise-reduction in an aircraft cabin. JOURNAL OF SOUND AND VIBRATION, 128 (2): 358-360, 1989. [ 62 ] Wilby J.F.; Aircraft interior noise. JOURNAL OF SOUND AND VIBRATION, 190 (3): 545 - 564, 1996. [ 63 ] Oswald, L.J.; Reduction of diesel-engine noise inside passenger compartments using active, adaptive noise-control. NOISE CONTROL ENGINEERING JOURNAL, 23 (3): 110, 1984. [ 64 ] Mohammad, J.I.; Elliott, S.J.; Mackay, A.; The performance of active control of random noise in cars (L). JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 123 (4): 1838-1841, 2008. [ 65 ] Wheeler, P.D.; Smeatham, D; On spatial variability in the attenuation performance of active hearing protectors. APPLIED ACOUSTICS, 36 (2): 159165, 1992. [ 66 ] Kuo, S.M.; Pan, Z.B.; Adaptive acoustic echo cancellation microphone. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 93 (3): 16291636, 1993. [ 67 ] Song, Y.; Gong, Y.; Kuo, S.M.; A robust hybrid feedback active noise cancellation headset. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 13 (4): 607-617, 2005. [ 68 ] Mitson, R.B.; Knudsen, H.P.; Causes and effects of underwater noise on fish abundance estimation. AQUATIC LIVING RESOURCES, 16 (3): 255-263, 2003. [ 69 ] White, A.D.; Cooper, D.D.; An adaptive controller for multivariable active noise-control. APPLIED ACOUSTICS, 17 (2): 99-109, 1984. [ 70 ] Nelson, P.A.; Curtis, A.R.D.; Elliott, S.J.; Bullmore, A.J.; The active minimization of harmonic enclosed sound fields .1. Theory. JOURNAL OF SOUND AND VIBRATION, 117 (1): 1-13, 1987. [ 71 ] Tichy, J; Active noise and vibration control. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 85 (5): 2226, 1989. [ 72 ] Elliott, S.J.; Billet, L.; Adaptive Control of Flexural Waves Propagating in a Beam. JOURNAL OF SOUND AND VIBRATION, 163 (2): 295 - 310, 1993. 44 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 [ 73 ] C. II – Sistemas... para ... Controle... Ruído Jenkins, M.D.; Nelson, P.A.; Pinnington, R.J.; Elliott, S.J.; Active isolation of periodic machinery vibrations. JOURNAL OF SOUND AND VIBRATION, 166 (1): 117-140, 1993. [ 74 ] Vipperman, J.S.; Burdisso, R.A.; Fuller, C.R.; Active control of broad-band structural vibration using the lms adaptive algorithm. JOURNAL OF SOUND AND VIBRATION, 166 (2): 283-299, 1993. [ 75 ] Guigou, C.; Fuller, C.R.; Wagstaff, P.R.; Active isolation of vibration with adaptive structures. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 96 (1): 294-299, 1994. [ 76 ] Madkour, A.; Hossain, M.A.; Dahal, K.P.; Yu, H.; Intelligent learning algorithms for active vibration control. IEEE TRANSACTIONS ON SYSTEMS MAN AND CYBERNETICS PART C-APPLICATIONS AND REVIEWS, 37 (5): 1022-1033, 2007. [ 77 ] Deffayet, C.; Nelson, P.A.; Active control of low-frequency harmonic sound radiated by a finite panel. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 84 (6): 2192-2199, 1988. [ 78 ] Elliott, S.J.; Rex, J.; Adaptive algorithms for underdetermined active control problems. ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, 1992. ICASSP-92., 1992 IEEE INTERNATIONAL CONFERENCE ON, 2, 237-240, 1992. [ 79 ] Wang, B.T.; Fuller, C.R.; Near-field pressure, intensity, and wave-number distributions for active structural acoustic control of plate radiation - theoreticalanalysis. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 92 (3): 1489-1498, 1992. [ 80 ] Burdisso; R.A.; Fuller, C.R.; Dynamic behavior of structural-acoustic systems in feedforward control of sound radiation. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 92 (1): 277-286, 1992. [ 81 ] Clark, R.L.; Fuller, C.R.; Experiments on active control of structurally radiated sound using multiple piezoceramic actuators. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 91 (6): 3313-3320, 1992. [ 82 ] Pan, J.; Snyder, S.D.; Hansen; C.H.; Fuller, C.R.; Active control of far-field sound radiated by a rectangular panel---A general analysis. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 91 (4): 2056-2066, 1992. 45 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 [ 83 ] C. II – Sistemas... para ... Controle... Ruído Kobayashi, K.; Tanaka, N; Minimization of acoustic potential energy in enclosure using both active noise control and active vibration control. JSME INTERNATIONAL JOURNAL SERIES C-MECHANICAL SYSTEMS MACHINE ELEMENTS AND MANUFACTURING, 47 (4): 1133-1139, 2004. [ 84 ] Denenberg, J.N.; Anti-noise. POTENTIALS, IEEE, 11 (2): 36-40, 1992. [ 85 ] Elliott, S. J.; Nelson, P. A.; The Active Control of Sound. ELECTRONICS & COMMUNICATION ENGINEERING JOURNAL, 2 (4): 127-136, 1990. [ 86 ] Tichy, J.; Active systems for sound attenuation in ducts. ACOUSTICS, SPEECH, AND SIGNAL PROCESSING. ICASSP-88, INTERNATIONAL CONFERENCE ON, 2602-2605 vol.5, 1988. [ 87 ] Nelson, P.A.; Curtis, A.R.D.; Elliott, S.J.; Bullmore, A.J.; The minimum power output of free field point sources and the active control of sound. JOURNAL OF SOUND AND VIBRATION, 116 (3): 397-414, 1987. [ 88 ] Eriksson, L.; Allie, M.; Greiner, R.; The selection and application of an IIR adaptive filter for use in active sound attenuation. ACOUSTICS, SPEECH AND SIGNAL PROCESSING, IEEE TRANSACTIONS ON, 35 (4): 433-437, 1987. [ 89 ] Eriksson, L.J.; Allie, M.C.; Bremigan, C.D.; Greiner, R.A.; Active noise control using adaptive digital signal processing. ACOUSTICS, SPEECH, AND SIGNAL PROCESSING. ICASSP-88., 1988 INTERNATIONAL CONFERENCE ON, 2594-2597 vol.5, 1988. [ 90 ] Elliott, S.J.; Boucher, C.C.; Nelson, P.A.; The behavior of a multiple channel active control system. SIGNAL PROCESSING, IEEE TRANSACTIONS ON, 40 (5): 1041-1052, 1992. [ 91 ] Berge, T.S.; A Feasibility Study of Active Noise Cancellation of LowFrequency Sound Inside Vehicle Cabs. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 73 (2): 699-699, 1983. [ 92 ] Bravo, T.; Cobo, P.; A demonstration of active noise reduction in a cabin van. ACTA ACUSTICA UNITED WITH ACUSTICA, 88 (4): 493-499, 2002. [ 93 ] António, J.; Tadeu, A. and Godinho, L.; A three-dimensional acoustics model using the method of fundamental solutions. ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS, 32 (6): 525-531, 2008. [ 94 ] Artigo 64; Decreto Nº 3048 do Regulamento da Previdência Social Brasileira. [ 95 ] Cotana, F.; An improved room acoustic model. APPLIED ACOUSTICS, 61 (1): 46 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. II – Sistemas... para ... Controle... Ruído 1-25, 2000. [ 96 ] Autrique, J.; Magouls, F.; Studies of an infinite element method for acoustical radiation. APPLIED MATHEMATICAL MODELLING, 30 (7): 641-655, 2006/7. [ 97 ] Kim, B.K.; Ih, J.G.; On the reconstruction of the vibro-acoustic field over the surface enclosing an interior space using the boundary element method. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 100 (5): 30033016, 1996. [ 98 ] Soares; J. D.; Mansur, W.J.; Dynamic analysis of fluid-soil-structure interaction problems by the boundary element method. JOURNAL OF COMPUTATIONAL PHYSICS, 219 (2): 498-512, 2006. [ 99 ] Ozer, M.B.; Acikgoz, S.; Royston, T.J.; Mansy, H.A.; Sandler, R.H.; Boundary element model for simulating sound propagation and source localization within the lungs. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 122 (1): 657-671, 2007. [100 ] Allen, J.B.; Berkley, D. A.; Image method for efficiently simulating small-room acoustics. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 65 (4): 943-950, 1979. [101 ] Dance, S.M.; Shield, B.M.; The complete image-source method for the prediction of sound distribution in non-diffuse enclosed spaces. JOURNAL OF SOUND AND VIBRATION, 201 (4): 473-489, 1997. [102 ] António, J.; Godinho, L.; Tadeu, A.; Reverberation times obtained using a numerical model versus those given by simplified formulas and measurements. ACTA ACUSTICA UNITED WITH ACUSTICA, 88 (2): 252-261, 2008. [103 ] Kulowski, A.; Algorithmic representation of the ray tracing technique. APPLIED ACOUSTICS, 18 (6): 449-469, 1985. [104 ] Haneda, Y.; Kaneda, Y.; Kitawaki, N.; Common-acoustical-pole and residue model and its application to spatial interpolation and extrapolation of a room transfer function. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 7 (6): 709-717, 1999. [105 ] Miyoshi, M.; Kaneda, Y.; Inverse filtering of room acoustics. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 36 (2): 145152, 1988. 47 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 [106 ] C. II – Sistemas... para ... Controle... Ruído Wen, Y.; Yang, J.; Gan, W.S.; Target-oriented acoustic radiation generation technique for sound FUNDAMENTALS OF field control. IEICE ELECTRONICS TRANSACTIONS COMMUNICATIONS ON AND COMPUTER SCIENCES, E89A (12): 3671-3677, 2006. 48 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration CAPÍTULO III Capítulo III. Um Modelo para Simulação Tri-Dimensional da Emissão Acústica da Vibração de uma Máquina Rotativa Contextualização na tese O objetivo último desta tese é a modelagem do comportamento dinâmico espacial de um campo acústico gerado por um sistema vibro – acústico, utilizando um modelo dinâmico que possa ser aplicado ao controle ativo de ruído (Active Noise Control – ANC). Para alcançar este objetivo, é importante estabelecer a melhor estrutura para o modelo que irá simular o comportamento da pressão acústica em cada ponto do sistema. A literatura que estuda os modelos para sistemas dinâmicos é abundante, propondo diversas estruturas de modelos. Portanto, dentro do contexto geral desta tese, este capítulo se insere fazendo uma rápida revisão dos trabalhos relacionados com a modelagem de sistemas acústicos; propondo uma estrutura de modelo adequada à fenomenologia do sistema; aplicando essa estrutura de modelo aos dados experimentais obtidos em um ensaio e analisando os resultados comparando os valores obtidos pelo modelo com os valores dos dados experimentais. Resumo Na indústria, o ruído gerado pelos equipamentos, como compressores, bombas de vácuo e muitos outros, pode ser atenuado com sucesso com o uso combinado de estratégias de controle passivo e controle ativo de ruído. Em uma área ruidosa onde é necessário o acesso do operador ao equipamento, uma solução prática para a atenuação de ruído pode incluir tanto o uso de controle passivo (isolamento acústico) como o uso de controle ativo (Active Noise Control - ANC). Quando o operador é requisitado a permanecer em movimento em uma área restrita, técnicas convencionais de ANC não são suficientes para cancelar o ruído em toda a área de interesse. Novas estratégias de controle precisam ser adotadas para que seja alcançada uma atenuação espacial do ruído 49 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration a níveis aceitáveis. Com o propósito de alcançar esse objetivo, esse capítulo propõe uma estrutura de modelo para simulação tri-dimensional da emissão acústica proveniente da vibração de uma máquina rotativa. O sinal de um acelerômetro instalado no corpo de uma bomba centrífuga enclausurada em uma sala vazia é usado como entrada (u) deste modelo. O sinal de um microfone que muda a sua posição conforme uma grade espacial pré-definida dentro desta sala é usado como saída (y). Usando-se modelos ARX (autoregressivo com entrada exógena), o procedimento proposto inclui o desenvolvimento da função de transferência máquina-sala (Machine-Room Transfer Function - MRTF) que simula a transmissão acústica entre a fonte primária e um receptor na sala. Na primeira fase, os modelos ARX foram utilizados para descrever um modelo com uma única entrada e uma única saída (Single-Input Single-Output - SISO), onde a entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto. Um método dos mínimos quadrados foi utilizado para estimar os parâmetros do modelo ARX. Na segunda etapa, uma interpolação espacial foi utilizada para estimar os parâmetros do modelo para qualquer ponto da sala, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, calculados por interpolação para cada ponto, são usados pelos modelos interpolados para mapear o nível de ruído (y) em um ponto arbitrário da sala. Palavras-chave Modelo vibro-acústico, Modelo tridimensional, Modelos dinâmicos, Maquinas rotativas. Conclusões Este capítulo apresentou o desenvolvimento da função de transferência máquinasala (Machine-Room Transfer Function - MRTF) que simula a transmissão acústica entre a fonte primária e um receptor em uma sala. Os modelos identificados simularam de forma satisfatória o comportamento do sistema. Além disso, a fim de proporcionar a redução do número total de parâmetros dos modelos utilizados para descrição do comportamento espacial do sistema acústico, foi aplicado um processo de interpolação sobre uma parte dos modelos identificados. Esse procedimento resultou em uma redução significativa (em cerca de 93%) do número total de parâmetros dos modelos, mantendo 50 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration uma boa descrição da dinâmica dominante do sistema, sem que houvesse uma degradação do sinal de saída, permitindo uma futura implementação dessa estrutura de modelo em sistemas de controle em tempo real (real time). A consistência dos modelos foi testada através de uma simulação realizada com a aplicação de um sinal arbitrário (onda senoidal) nas entradas (u) dos modelos e analisando-se o sinal de saída (y) em um ponto de coordenadas cartesianas X, Y, Z. O conjunto de saídas (y) descreve o comportamento dinâmico e espacial da pressão sonora no ambiente analisado. A inclusão de atrasos de tempo, derivada de uma abordagem teórica, melhorou o desempenho do modelo, assim como a sua coerência. Os resultados mostram uma boa concordância entre os dados experimentais e as previsões do modelo, indicando o potencial da utilização do modelo desenvolvido para um projeto de ANC. 51 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration CHAPTER III Chapter III. A Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration Contextualization in the thesis The final purpose of this thesis is the modeling of the spatial dynamic behavior of a sound field, generated by a vibrate-acoustic system, using a dynamic model that can be applied to noise active control (Active Noise Control - ANC). To achieve this goal, it is important to establish the best structure for the model that will simulate the behavior of the acoustic pressure at each point of the system. The literature that studies models for dynamic systems is abundant, offering various structures of models. Therefore, within the general context of this thesis, this chapter is part, making a quick review on the related work to the modeling of acoustic systems, proposing a structure of model, which is appropriated to the phenomenology of the system, applying this model structure to the experimental data that was obtained in a test and analyzing the results through the comparison between the obtained values by the model with the values of the experimental data. Abstract Industrial noise generated by equipment such as compressors, vacuum pumps, and many others can be successfully mitigated with the combined use of passive and active noise control strategies. In a noisy area where equipment access for the human operator is necessary, a practical solution for noise attenuation may include both the use of baffles and Active Noise Control (ANC). When the operator is required to stay in movement in a delimited spatial area, conventional ANC is usually not able to adequately cancel the noise over the whole area. New control strategies need to be devised to achieve acceptable spatial coverage. In the pursuit of this goal, a threedimensional vibration-acoustic model is proposed in this paper. The signal of an 52 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration accelerometer attached to the bulk of a centrifugal pump installed in an empty room was used as the input of this model. The signal of a microphone that changes its position in a spatial grid inside this room is the output. The procedure proposed comprises the vibration-acoustic modeling of the machine-room transfer function using ARX (AutoRegressive with eXogenous input) models. In the first stage, the ARX models were used to describe a SISO (Single-Input Single-Output) system where the input is the machine vibration and the output is the noise level measured at a certain point. A least square method was used to estimate the ARX model parameters. In the second stage, spatial interpolation was used to estimate the model parameters for any given point of the room with Cartesian coordinates X, Y and Z. These new parameters, calculated for each point, may be used to map noise level in the system output over the whole room. Results show good agreement between experimental data and model predictions, indicating the potential of using the developed model for the design of ANC. Keywords Vibration-acoustic model, Three-dimensional model, Dynamic model, Rotating machine. 53 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.1. Introduction In an industrial environment, the noise emitted by rotating equipment housed in rooms is very noxious and especially harmful to operational personnel. Appropriate attenuation for this noise may be obtained by associating a simulation model for the acoustic emission caused by machine vibrations to an Active Noise Control (ANC) system. ANC requires the introduction, in an acoustic arrangement, of a controlled secondary acoustic source driven in such way that the acoustic field generated by this source interferes destructively over the field caused by the original primary acoustic source [1]. The waveform found in the acoustic field produced by a rotating machine is almost periodic and the fundamental frequency and noise level can be estimated by an appropriate model. Therefore, previous knowledge of the acoustic field behavior of the primary source in a vibrate-acoustic system is very useful for effective noise level control. Through the adjustment of the amplitude and phase of the output signal predicted by a model, the secondary source must be driven so that the field originated by the primary acoustic source is cancelled out. Information about the pressure and the acoustic power of the vibrate-acoustic system is therefore very useful in the early stage of effective noise control, either by passive or active means. The modeling of the phenomenon involved is not simple and different numerical methods of varying complexity have been developed. Many theoretical and experimental studies have been performed to identify the appropriate model for simulation of acoustic emissions in vibrate-acoustic systems in three dimensions. Some methods require boundaries or domain division in a large number of elements or sections where very fine meshes are needed to solve excitations at high frequencies, such as the Infinite Element Method (IEM [2]) and the Boundary Element Method (BEM [3][4][5]). These methods have not been widely used to compute the propagation of sound due to the high computation effort involved, hampering real-time applications and making their use unfeasible for ANC. Excessive calculation efforts and computer memory requirements are the main limitations imposed on the shape of the room to be modeled. Methods based on geometric acoustics are also widely used in room acoustic prediction. Among these methods, the Image Source Method (ISM [6][7][8][9]) requires a large amount of virtual sources which can limit its application. Jeffrey Bodsh [10] 54 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration proposed the extended image method to arbitrary polyhedra with any number of sides. This generalization makes it possible to model real concert halls more accurately. The only constraint on the degree of complexity is the amount of time required for the computations. The Ray Tracing Technique (RTT [11]) is valid in high frequency ranges and includes a certain degree of uncertainty, since it is not assured that all the necessary rays will be included in the output signal response. The Method of Fundamental Solutions (MFS) is applicable when a fundamental solution of the differential equation that describes the sound propagation in the acoustic arrangement analyzed is available [12]. The Room Transfer Function (RTF) method, which describes the sound transmission characteristics between a source primary and a receiver in a room [13], plays a very important role in acoustic signal processing and sound field control, especially when an ANC uses inverse filters based on RTFs to reduce noise [14]. A multi-input multi-output sound control system has recently been investigated using this method [15]. In such a system, multiple RTFs between the sources and receivers were used. An efficient modeling method called Common-Acoustical-Pole-Zero (CAPZ) was proposed for multiple RTFs [13]. The common acoustical poles correspond to the resonance frequencies (eigen-frequencies) of the room. The zeros correspond to the time delay and anti-resonances. This model requires fewer variable parameters (zeros) than the conventional all-zero and pole-zero models to express the RTFs because the common acoustical poles are common to all RTFs in the room. However, even when the CAPZ model is used, the RTF has to be measured for every source-receiver due to the dependence on the zeros from the source and receiver positions. This paper proposes the Machine-Room Transfer Function (MRTF), a method based on the theory of the impulse response that includes the machine vibration (primary source) in the dynamic modeling of RTFs. The MRTF method models the vibrate-acoustic transmission between a primary source and a receiver in a room. The prediction of the acoustic field inside the enclosed space is the main objective. As well as the RTF in the CAPZ model, the MRTF has to be measured for every source-receiver setting. Given the difficulty and feasibility of this task, this work also proposes an interpolation procedure to estimate an unknown MRTF at an arbitrary position between known MRTFs. The interpolations are applied over the model parameters of the known 55 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration MRTFs and can provide intermediary models (or intermediary parameters) for each one of the arbitrary source-receiver positions. 56 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.2. Modelling and methodology III.2.1. Experimental setup Consider a vibrate-acoustic system that comprises a centrifugal pump housed in a room (Figure III.1). The centrifugal pump is the primary noise source in this system. Figure III.1. Acoustic field mapping generated by a rotating machine operating in a closed room identified by coordinates X, Y, Z: X=1, 2, …, 7 (0.44 m); Y=1, 2, …, 10 (0.44 m); and Z=1, 2, …, 5 (0.44 m). Microphone displacement (passive sensor): experimental setup (top); mesh of the 350 collected data (7x10x5 positions assumed by the passive sensor) (bottom). 57 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration Placing the accelerometer in the pump and a microphone at any given point in the room (identified by its coordinates X, Y, Z), the Machine-Room Transfer Function of the vibrate-acoustic signal-transmission channel between the accelerometer signal u(t) and the microphone signal y(t), denoted by H(s), can be identified. This model represents the vibrate-acoustic system between the pump and any given point in the room. III.2.2. Model structure A key feature for identifying parsimonious and reliable empirical models is to establish representative model structures. Theoretically driven model structures are the best way to establish such structures. If we applied an idealized unitary step in the accelerometer, one of the simplest idealized responses the system could bring out would present a profile that resembles the one depicted in Figure III.2 (bottom-right). Since the mass of the pump shell is constant, a step signal measured by the accelerometer is equivalent to a step function force applied on the pump shell itself. Let us consider air transportation across a square cross section duct, in which one of the faces (face A) is adjacent to the pump shell and the sound pressure is measured on the other face (face B). A step change in the force applied to the shell will cause a motion of face A according to Figure III.2 (top). Assume that the sides of the box are completely frictionless, i.e. any viscous drag between gas particles inside the box and those outside are negligible. Thus the only forces acting on the enclosed gas are due to the pressures at the faces of the box. The difference between the forces acting on the two sides (A and B) of our tiny box of gas is equal to the rate at which the force changes with distance multiplied by the incremental length of the box (∆X). Considering the equilibrium conditions, with null gauge pressure in the inner box, a step change in the force applied on the face A produces a behavior in the gauge pressure inside the box according to Figure III.2 (bottom-left). The sound pressure, i.e. the dynamic pressure, will behave as described by Figure III.2 (bottom-right) with a static gain equal to zero. If the duct is not hermetically sealed, not only would the sound pressure but also the gauge pressure (static pressure) have a null static gain. 58 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration Figure III.2. Idealized system response to an idealized step input: phenomenon depiction (top); gauge pressure (bottom-left); sound or dynamic pressure (bottom-right). This idealized behavior is reasonable and can be parsimoniously represented by an under-damped second order system. This is the lowest order or the simplest model structure capable to describe the dynamic behavior of the system presented in Figure III.1 and in agreement with what has been proposed by Fang [16]. Therefore, the starting transfer function, H(s), considered to describe the experimental data is the following second order one: H (s ) = k ⋅ ω2 ⋅s ⋅ e −t 2 2 s + 2 ⋅ζ ⋅ω ⋅ s + ω d ⋅s (III.1) where k, ω , ζ , and td are model gain, characteristic frequency, damping factor and time delay, respectively. A discrete-time model equivalent to Equation (III.1) is: 59 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration y (n ) = −a1 ⋅ y (n − 1) − a2 ⋅ y (n − 2 ) + b0 ⋅ [u (n − d ) − u (n − d − 1)], d ≥ 0 (III.2) where u(n) is the system input signal sample at instant n, y(n) is the system output signal sample at instant n, d is the delay (dead time) of the system output with regard to input u, q is the forward shift operator and nb ≤ na . Or, using Equation (III.3): A(q ) ⋅ y (n ) = q − d ⋅ B(q ) ⋅ u (n ) + e(n ) (III.3) A(q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 ( B(q ) = b0 ⋅ 1 − q −1 (III.4) ) where e(n) is white noise. In this work, the ARX model is applied to predict the output in a simulation fashion (or long step ahead prediction), and a least square recursive procedure was used to estimate the parameters. Although the structure defined by Equation (III.4) is enough to cope with the identification problem (a reasonable identification was obtained with such a structure), the real phenomenon behavior is quite more complex and a slightly increased order model was assumed in order to improve model predictions. Moreover, Equation (III.1) is a minimum-order model capable of describing the behavior depicted in Figure III.2, but not the only one. Therefore, the use of Equation (III.5) is fully justified. A(q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 ( )( B(q ) = b0 + b1 ⋅ q −1 + b2 ⋅ q − 2 ⋅ 1 − q −1 ) (III.5) III.2.3. Time delays modeling As well as model structure, time delays were derived on a theoretical basis. The time delay of each estimated model considers sound velocity (340 m/s) and longitudinal distance (distance along Y axis, since contributions of X and Z coordinates are quite negligible) between primary source and the grid measurement point (Figure III.1) where the model is being estimated, that is: 60 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 d= C. III – A Model for… Machine Vibration t d d l vs = Ts Ts (III.6) where dl is the longitudinal distance, vs is sound velocity and Ts is sample time. The nearest X-Z-plane is 1.32 m distant from primary source, and the sound emitted by the primary source reaches this point with a 3.9 ms delay. Similarly, the furthest X-Z-plane is 5.30 m distant from primary source, with a 15.6 ms delay. Time delays of intermediary points are determined in an analogous fashion. Considering time delays provides much better results than when they are neglected, as will be shown later. Moreover, determining their values using a theoretical approach furnishes much more consistent models than using parameter estimation procedures. III.2.4. Parameter estimation and interpolation procedures Apart from time delays, the remaining model parameters were determined using a standard least square algorithm, resulting in 1750 parameters defining 350 MRTFs which describe the dynamics and spatial behavior of the acoustic pressure in the room. As will be discussed later, in order to allow model reduction and to enable the location of the MRTF at arbitrary positions, an interpolation procedure was employed. When choosing an interpolation method, it is worth remembering that some techniques require more memory or longer computation time than others. However, it may be necessary to trade this off to achieve the desired smoothness in the result. Nearest neighbor interpolation is the fastest method. However, it provides the worst results in terms of smoothness, although this did not pose a problem here. Nearest neighbor interpolation (also known as proximal interpolation or, in some contexts, point sampling interpolation) is a simple method of multivariate interpolation in 1 or more dimensions. The nearest neighbor algorithm simply selects the value of the nearest point and does not consider the values of other neighboring points at all, yielding a piecewise-constant or zero-order interpolation. In a squared-grid, an interior point (0) will have eight possible nearest neighbors (a point located at a face will have four possible nearest neighbor and a point located at an edge will have two). Therefore, the following equation applies: 61 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration p0 = pmin_ dist (III.7) where pmin_dist is the parameter value of the point with the minimum distance from point 0 among the eight vertex that surround point 0, and the distance between point 0 and vertex i (d0,i) is given by: d 0 ,i = ( X 0 − X i )2 + (Y0 − Yi )2 + (Z 0 − Z i )2 (III.8) The interpolation procedure follows a given direction from the origin toward the last point. If the point to be interpolated falls at an equal-spaced position regarding two or more vertex the first one is chosen, considering the interpolation path. III.2.5. Methodology for data gathering The environment in which the experiment was carried out is a room 7.5x3.5 meters and 3.2 meters high, composing the acoustic mesh presented in Figure III.1. The room houses a centrifugal pump powered by an electrical asynchronous motor, two ICP sensors, an accelerometer which receives the dynamic generated by the primary source and a microphone that receives the sound pressure at each point in the mesh previously defined. A piezoelectric accelerometer of 100 mV/g was adopted. During each measurement the passive sensor was positioned with its axis parallel to the wall (length of the room) and to the floor’s plane in front of the primary source. The data was collected by a CMXA50 Microlog collector (SKF) which relies upon a compact collecting data device. The signal treatment is composed of an ICP integrated font linked with a pass-band filter (10-1000 Hz), adjusted to a sample frequency of 2560 Hz with a collect span time of 1.6 seconds. A collection of 4096 points per channel in each mesh of sampling was carried out for each variable data. The nominal rotation of the centrifugal pump (primary source) is 29 Hz. Because the highest level of power is below the 200 Hz band, the collected signal underwent a tenth power reduction prior to the identification of each MRTF. 62 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.3. Results By applying the least square algorithm using the data mesh, 350 MRTFs were identified describing the dynamics and spatial behavior of the acoustic pressure in the room through its relationship with the vibration signal from the pump. Each machineroom transfer function (MRTF) comprised an ARX model according to Equations (III.3) and (III.5). Considering the 350 models and 5 parameters (a1, a2, b0, b1 and b2) for each one, the acoustic pressure mapping in the entire room uses a total of 1750 parameters. This number of parameters is too high for real-time applications and a reduction in the data mesh was made by interpolating model parameters which also enabled the location of the MRTF at arbitrary positions among known (measured) MRTFs. In the interpolation procedure, the measurements at the following coordinates were considered: X=1, 4, 7 (·0.44 m), Y=1, 5, 10 (·0.44 m) and Z=1, 3, 5 (·0.44 m). Therefore, the reduced data mesh comprises only 27 MRTFs and the acoustic pressure mapping in this case comprises a total of 135 parameters (a reduction of 93% in the measured mesh), which represents a notable reduction in computational cost facilitating its implementation in real-time control systems. The spatial distribution of the estimated parameters can be represented through surfaces, which are presented in Table III.1. This table presents the spatial behavior of model parameter (b0) in a specific Z plane (Z=1). Therefore, each surface shows parameter variations in both X and Y directions. The parameter values at a specific point are related to the physical-acoustic features of this point, such as the distance from the primary acoustic source or the wave sound reflection measured from the point. The first column of Table III.1 presents an example of the surface obtained using the parameter values of the identified models using all input-output data (350 in the whole space considered and 70 for each Z plane) according to Figure III.1. The second column presents the surface obtained through the grid reduction procedure that considers only 9 input-output pairs for each Z plane. Finally, the third column presents the results obtained by the spatial interpolation procedure, applied on the reduced grid (second column), providing 350 interpolated models. Considering also the similar spatial distribution of other parameters, likewise the parameter b0 shown in Table III.1, two main conclusions can be drawn regarding the spatial distribution of model parameters. First, in all cases the interpolated models (third 63 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration column) present good agreement with respect to the original identified models (first column), attesting the potential and efficiency of the interpolation procedure proposed in this work. Second, a supposed symmetric behavior expected with respect to the central point of X axis was not found. This is associated to the physical features of the room that does not assure uniform conditions in the whole space and mainly due to the pump displacement as its driving shaft is not aligned with Y direction, but with X direction. Table III.1. Model parameter b0 spatial distribution. Plane Z=1 (0.44 m) The resulting models were used to predict the dynamic and spatial behavior of the microphone output signal. Figure III.3 shows the worst and best mean square error models for the measurements at the following coordinates: X=2 (·0.44 m), Y=7 (·0.44 m), Z=5 (·0.44 m) (worst); X=2 (·0.44 m), Y=1 (·0.44 m), Z=4 (·0.44 m) (best). It can be seen that even the worst model results provide a suitable description of the experimental data, capturing the main trends of system behavior, when using either identified or interpolated models. 64 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration Figure III.3. Worst (left) and best (right) adjustments for time response of identified and interpolated models. Figure III.4 presents the average PSD (Power Spectral Density) of the 350 mesh points. The interpolated model provides a good description of the system dominant dynamic (PSD peaks, where most of the energy signal is concentrated) without degradation of output prediction (both amplitude and frequency features of the interpolated model fit those of the identified models well). Further reductions in the interpolated mesh led to significant degradation in the output prediction of the interpolated model, as shown in Table III 2. Figure III.4. Average PSD for the output. 65 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration As commented earlier, when considering sound propagation time delays in model identification better results are achieved, as shown by Figure III.4. When using time delays the summed square error is 2491, however, this rises to 2571 (3% greater) when identifications are carried out without time delays, as shown in Table III 2. As a matter of fact, the differences between the three ARX models (identified with and without delays, 350 MRTFs, and interpolated with delays, 27 MRTFs) are not too significant, mainly because there are no significant discrepancies around principal frequencies and amplitudes prediction, although a more accurate analysis depends on the tightness required for the particular control application. Therefore, the usage of the interpolated model is justifiable in terms of reduced memory and computational effort for real-time model implementation in control systems, in view of the reduced number of MRTFs and parameters and also because interpolation is a very simple procedure, according to Equations (III.7) and (III.8). Moreover, the interpolation procedure enables a generalization of the spatial description. On the other hand, although the improvement is only 3%, using a model with time delays justifies twofold. First, the increasing in memory and calculation requirements is almost null, since this is also a very simple procedure, according to Equation (III.6). Second, the consideration of this feature may be critical when considering greater distances. Table III 2 also shows a comparison of ARX core models with ISM (ImageSource Model). ISM is a well-known technique that can be used in order to generate a synthetic Room Impulse Response (RIR), i.e., a transfer function between a sound source and an acoustic sensor, in a given environment. Once such a RIR is available, a sample of audio data can be obtained by convolving the RIR with a given source signal. This provides a realistic sample of the sound signal that would effectively be recorded at the sensor in the considered environment. Allen & Berkley were the first to propose a full implementation of the ISM technique in a landmark paper in 1979 [6]. Since then, this specific implementation has been used by many researchers. This approach is of considerable importance as it provides a quick and easy way to generate a number of RIRs with varying environmental characteristics, such as different reverberation times, for instance. Consequently, the ISM technique has been used intensively in many application domains of room acoustics and signal processing. The details of our implementation can be found in [17]. To enable the best possible performance for the ISM method, the parameters T60 (scalar value in seconds, desired reverberation time), w 66 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration (vector with six element of absorption coefficients weights) and c (sound velocity in m/s) were estimated by minimizing the modeling error for each of the spatial coordinates, as the grid of the Figure III.1, thus resulting in 2800 estimated parameters. Despite this adjustment, as shown in Table III 2, the ARX models performed better, either in the identified models, interpolated models is chosen. Furthermore, the computational cost of the ISM is higher, even when considering only the simulation. Table III 2. Models squared errors comparison Errors Vector Norm (Euclidean length): Average Minimum Maximum Number of Estimated Models: Parameters ARX identified with delays (350 MRTFs) 7.1193 4.0629 13.3405 1750 ARX interpolated with delays (27 MRTFs) 9.3117 4.5731 20.7915 135 ARX interpolated with delays (18 MRTFs) 9.7545 4.5731 22.0488 90 ARX identified without delays (350 MRTFs) 7.3453 3.6004 15.7918 1750 ISM 9.7260 4.5822 17.2889 2800 Output Signal Norm (Euclidean length) 11.8102 4.8759 21.5581 As stated earlier, one of the benefits of the interpolating procedure is the ability to locate the MRTF at arbitrary positions. Figure III.5 shows this to predict the transient behavior of the system over the whole spatial domain, in response to an arbitrary input (in this specific case a 2 amplitude and 5 Hz frequency sine wave). It must be pointed out that this modeling approach allows predicting system behavior with any desired detail, with uniform or non-uniform grids. Figure III.5 exemplifies a 700 uniform grid point simulation. Figure III.5-top shows an expected symmetry of the picture regarding the middle X coordinate. In Figure III.5-middle coordinates X and Z are kept constant in the graph and Y varies along room length, and so this coordinate is responsible for determining the 67 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration distance between the pump and a given point. One can observe an expected phase variation of wave y(t) along Y axis. This is physically meaningful since the response delay of output y(t) is directly proportional to the distance between the pump and the analyzed X-Y-Z point. Figure III.5-bottom shows a central position regarding room width (X coordinate) at the nearest position regarding pump location (Y coordinate), and one can see that the greatest wave amplitude falls near the floor. 68 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration Figure III.5. Dynamic and three-dimensional prediction of system behavior in response to input from a sine wave (the dark ellipsoid represents pump location): output signal as a function of X and t (top), Y and t (middle) and Z and t (bottom). 69 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.4. Conclusions This chapter presents the development of a Machine-Room Transfer Function (MRTF) to describe the vibrate-acoustic transmission between a primary source and a receiver in a room. Identified models perform satisfactorily in describing system behavior. Furthermore, in order to provide model reduction and to describe the whole spatial behavior, an interpolation procedure was applied to the identified models. This procedure resulted in a significant model reduction of up to 93%, maintaining a good description of system dominant dynamics without degradation of output prediction and allowing for real-time model implementation in control systems. Model consistency and usefulness for analysis purposes were demonstrated through simulations that describe the dynamic and full-spatial behavior of sound pressure. The inclusion of time delays derived from a theoretical approach have improved model performance and also its consistency. 70 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.5. Nomenclature III.5.1. Symbols a, b, d : discrete model parameters A, B, D : discrete model polynomials c : sound velocity (in m/s) d : time delay (time instants) d : distance e : white noise H : machine-room transfer function k : model gain n : time instant na, nb, nd : model orders p : parameter q : forward shift operator s : Laplace operator t, T : time T60 : scalar value in seconds, desired reverberation time w : vector with six element of absorption coefficients weights u : system input signal v : model prediction error v : velocity 71 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 X, Y, Z : Cartesian coordinates y : system output signal C. III – A Model for… Machine Vibration III.5.2. Greek letters ∆ : difference operator ω : model characteristic frequency ζ : model damping factor III.5.3. Subscripts 0 : interpolated d : time delay (time) F : filtered i : vertex l : longitudinal min_dist : minimum distance p : estimated s : sample time III.5.4. Abbreviations ANC : Active Noise Control ARX : Auto-Regressive with eXogenous input BEM : Boundary Element Method 72 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 CAPZ : Common-Acoustical-Pole-Zero IEM : Infinite Element Method ISM : Image Source Method MFS : Method of Fundamental Solutions MRTF : Machine-Room Transfer Function PSD : Power Spectral Density RIR : Room Impulse Response RTF : Room Transfer Function RTT : Ray Tracing Technique SISO : Single-Input Single-Output C. III – A Model for… Machine Vibration 73 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration III.6. References [ 1 ] Elliott, S. J. ; Nelson, P. A. ; Sthothers, I. M.; A multiple error LMS algorithm and its application to the active control of sound and vibration. TRANSACTIONS ON ACOUSTICS SPEECH AND SIGNAL PROCESSING, 35 (10): 1423-1434, 1987. [ 2 ] Autrique, J.; Magouls, F.; Studies of an infinite element method for acoustical radiation. APPLIED MATHEMATICAL MODELLING, 30 (7): 641-655, 2006/7. [ 3 ] Kim, B.K.; Ih, J.G.; On the reconstruction of the vibro-acoustic field over the surface enclosing an interior space using the boundary element method. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 100 (5): 30033016, 1996. [ 4 ] Soares; J. D.; Mansur, W.J.; Dynamic analysis of fluid-soil-structure interaction problems by the boundary element method. JOURNAL OF COMPUTATIONAL PHYSICS, 219 (2): 498-512, 2006. [ 5 ] Ozer, M.B.; Acikgoz, S.; Royston, T.J.; Mansy, H.A.; Sandler, R.H.; Boundary element model for simulating sound propagation and source localization within the lungs. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 122 (1): 657-671, 2007. [ 6 ] Allen, J.B.; Berkley, D. A.; Image method for efficiently simulating small-room acoustics. THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 65 (4): 943-950, 1979. [ 7 ] Dance, S.M.; Shield, B.M.; The complete image-source method for the prediction of sound distribution in non-diffuse enclosed spaces. JOURNAL OF SOUND AND VIBRATION, 201 (4): 473-489, 1997. [ 8 ] António, J.; Godinho, L.; Tadeu, A.; Reverberation times obtained using a numerical model versus those given by simplified formulas and measurements. ACTA ACUSTICA UNITED WITH ACUSTICA, 88 (2): 252-261, 2008. [ 9 ] Peterson, P.M.; Simulating the Response of Multiple Microphones to a Single Acoustic Source in a Reverberant Room. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 80: 1527-1529, 1986. [ 10 ] Borish, J.; Extension of the Image Model to Arbitrary Polyhedra. JOURNAL OF 74 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. III – A Model for… Machine Vibration THE ACOUSTICAL SOCIETY OF AMERICA, 75(6): 1827-1836, 1984. [ 11 ] Kulowski, A.; Algorithmic representation of the ray tracing technique. APPLIED ACOUSTICS, 18 (6): 449-469, 1985. [ 12 ] António, J.; Tadeu, A.; Godinho, L.; A three-dimensional acoustics model using the method of fundamental solutions. ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS, 32 (6): 525-531, 2008. [ 13 ] Haneda, Y.; Kaneda, Y.; Kitawaki, N.; Common-acoustical-pole and residue model and its application to spatial interpolation and extrapolation of a room transfer function. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 7 (6): 709-717, 1999. [ 14 ] Miyoshi, M.; Kaneda, Y.; Inverse filtering of room acoustics. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 36 (2): 145152, 1988. [ 15 ] Wen, Y.; Yang, J.; Gan, W.S.; Target-oriented acoustic radiation generation technique for sound FUNDAMENTALS OF field control. IEICE ELECTRONICS TRANSACTIONS COMMUNICATIONS ON AND COMPUTER SCIENCES, E89A (12): 3671-3677, 2006. [ 16 ] Fang, B.; Kelkar, A.G.; Joshi, S.M.; Pota, H.R.; Modelling, system identification, and control of acoustic-structure dynamics in 3-D enclosures. CONTROL ENGINEERING PRACTICE, 12 (8): 989-1004, 2004. [ 17 ] Lehmann, E.A.; Johansson, A.M.; Prediction of energy decay in room impulse responses simulated with an image-source model. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 124: 269-277, 2008. 75 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System CAPÍTULO IV Capítulo IV. Identificação do Modelo Híbrido ARX-Redes Neurais para Simulação Tri-Dimensional de um Sistema Vibro-Acústico Contextualização na tese O objetivo último desta tese é a modelagem do comportamento dinâmico espacial de um campo acústico gerado por um sistema vibro – acústico, utilizando um modelo dinâmico que possa ser aplicado ao controle ativo de ruído (Active Noise Control – ANC). No Capítulo III estabelecemos a estrutura para um modelo paramétrico ARX adequada à fenomenologia do sistema visando à simulação do comportamento da pressão acústica em cada ponto do sistema. O procedimento proposto inclui a modelagem da função de transferência vibro - acústica sala-máquina, usando um modelo ARX (Auto-Regressive with eXogenous input). Isso foi feito em duas fases. Na primeira fase, os modelos ARX foram utilizados para descrever um sistema SISO (Single-Input Single-Output), onde a entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto da sala. Um método de mínimos quadrados foi utilizado para estimar os parâmetros do modelo ARX. Na segunda etapa, uma interpolação espacial foi utilizada para estimar os parâmetros do modelo em qualquer ponto da sala, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, calculados para cada ponto, podem ser usados para mapear o comportamento do nível de ruído em toda a sala. Embora tenhamos obtido modelos que descrevem adequadamente a principal dinâmica do sistema, outras estruturas devem ser testadas. Portanto, dentro do contexto geral da tese e de seus objetivos, este capítulo se insere propondo uma nova estrutura de modelo que compreende uma aplicação híbrida de redes neurais e modelos paramétricos ARX. Usamos as redes neurais como ferramentas de interpolação espacial para estimar os parâmetros do modelo em qualquer ponto arbitrário da sala, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, 76 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System calculados para cada ponto, podem ser usados para mapear o comportamento do nível de ruído em toda a sala. Aplicamos essa estrutura de modelo aos dados experimentais e analisamos os resultados comparando os valores obtidos pelos modelos híbridos com os valores dos dados experimentais. Resumo Na indústria, o ruído, normalmente gerado por equipamentos, pode ser atenuado com o uso combinado de estratégias de controle passivo e ativo de ruído. As aplicações típicas da técnica de controle ativo de ruído (Active Noise Control - ANC) são eficazes apenas quando aplicadas para atenuação do ruído em uma pequena área delimitada em uma região do espaço. Em uma área ruidosa onde é necessário o acesso do operador ao equipamento, sendo essa área de acesso relativamente grande, é necessário a concepção de estratégias de cancelamento de ruído visando atingir a atenuação aceitável na região espacial controlada. Com o propósito de alcançar esse objetivo, o presente capítulo propõe um modelo de previsão dos níveis de pressão acústica em uma grade espacial a partir da medição do nível de vibração em uma máquina rotativa. Nessa montagem experimental, foi usada uma bomba centrífuga com um acelerômetro montado em sua carcaça e um microfone que muda a sua posição conforme uma grade espacial prédefinida dentro dessa sala. O procedimento proposto inclui o desenvolvimento da função de transferência máquina-sala (Machine-Room Transfer Function - MRTF) usando uma estrutura de modelo auto-regressivo com entrada externa (Auto-Regressive with eXogenous input - ARX). Para cada coordenada espacial de uma determinada posição do microfone é identificado um modelo com única entrada e única saída (Single-Input Single-Output - SISO), onde a entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto. Esse procedimento gera conjunto de modelos que descrevem a distribuição espacial do nível de ruído. Para acomodar os vários conjuntos de parâmetros determinados para cada modelo ARX em uma única estrutura é utilizada uma estrutura de redes neurais (FeedForward Artificial Neural Networks - FFANN). Após o treinamento, a FFANN é utilizada para calcular os parâmetros do modelo ARX que simula o comportamento da pressão acústica em um determinado ponto no espaço. Esse ponto é definido pelas suas coordenadas cartesianas X, Y e Z (entradas da rede neural). As saídas da FFANN são os parâmetros do modelo ARX que define a função de transferência vibro-acústica sala-máquina para o ponto 77 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System analisado. Nas simulações realizadas utilizando-se essa estrutura de modelo, os resultados mostram uma boa concordância com os dados experimentais, atestando o potencial dessa estrutura para o seu uso em sistemas de ANC. Palavras-chave Modelos de sistemas acústicos, Modelos tridimensionais, Redes neurais, Identificação. Conclusões Este capítulo apresenta o desenvolvimento da função de transferência máquinasala (Machine-Room Transfer Function - MRTF) com base em uma estrutura de modelo híbrida ARX- rede neural. O resultado é um modelo híbrido que simula a transmissão acústica entre a fonte primária e um receptor em uma sala. O procedimento de estimativa dos parâmetros do modelo compreendeu um processo com duas etapas. Primeiro cada parâmetro do modelo ARX foi estimado por uma rede FFANN-MISO, cada uma delas com três entradas (coordenadas cartesianas – X, Y e Z) e uma camada oculta. Na segunda etapa, a estrutura híbrida de modelo (estrutura de redes neurais acoplada a uma estrutura ARX) foi aplicada em um processo de otimização simultânea, a fim de gerar o modelo final. O modelo final obtido foi capaz de predizer o comportamento dinâmico da pressão acústica para cada ponto do espaço. O procedimento de identificação, incluindo a seleção do número ótimo de neurônios na camada oculta, foi eficaz e proporcionou resultados consistentes fornecendo uma boa descrição da dinâmica dominante do sistema, sem que houvesse a degradação do sinal de saída. Além disso, quando comparado ao trabalho de Magalhães et al. [14], esta metodologia proposta resultou em uma redução significativa do número de parâmetros do modelo, permitindo a sua futura aplicação em sistemas de controle em tempo real (real-time). 78 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System CHAPTER IV Chapter IV. Identification of Hybrid ARX-Neural Network Models for Three-Dimensional Simulation of a VibrationAcoustic System Contextualization in the thesis The ultimate objective of this thesis is the modeling of the spatial dynamic behavior in an acoustic field, generated by a vibrate-acoustic system, using a dynamic model that can be applied to the active control of the noise (Active Noise Control ANC). In Chapter III, the framework for an ARX parametric model that is suitable for the phenomenology of the system was established, looking forward to simulate the behavior of the acoustic pressure at each point of the system. The proposed procedure includes the modeling of the transfer function of vibrate-acoustic room-machine, using an ARX model (Auto-Regressive with Exogenous input). This was made in two phases. In the first phase, the ARX models were used to describe a SISO system (Single-Input SingleOutput), where the system’s input is the vibration of the machine and the output is the noise’s level that is measured at a certain point of the room. A least squares method was used to estimate the parameters of the ARX model. In the second step, a spatial interpolation was used to estimate the parameters of the model anywhere in the room, with X, Y and Z Cartesian coordinates. These new parameters that were calculated for each point can be used to map out the behavior of the noise’s level in all the room. Although we have obtained models that adequately describe the main dynamic of the system, other structures must be tested. Therefore, within the general context of this thesis, this chapter proposes a structure that is based on a hybrid application of neural networks and ARX parametric models. We used neural networks as tools for spatial interpolation to estimate the parameters of the model at any arbitrary point of the room, with X, Y and Z Cartesian coordinates. These new parameters, which are calculated for each point, can be used to map the behavior of the noise’s level in all the room. We 79 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System apply this model structure to the experimental data and we analyzed the results by comparing the values, which were obtained by hybrid models with the values of the experimental data. Abstract Acoustic noise in industrial areas, typically generated by compressors and vacuum pumps, may be mitigated with the combined use of passive and active noise control strategies. Despite its widespread use, the traditional Active Noise Control (ANC) technique has been proven to be effective only within a small delimited spatial area. When the movement of human operators in a relatively large area around the noisy equipment is required, new canceling strategies have to be devised to achieve acceptable spatial coverage. In the pursuit of this goal, this Chapter proposes a model for predicting acoustic pressure levels in a spatial grid from the measurement of the vibration level in noisy equipment. In our experimental set-up a centrifugal pump with an accelerometer attached to its casing and a microphone to cover many pre-defined positions in a spatial grid was used. The proposed procedure comprises the vibration-acoustic modeling of the machine-room transfer function using a time invariant ARX (Auto-Regressive with eXogenous input) model. For each spatial coordinate of the microphone a SISO (SingleInput Single-Output) model where the input is the machine vibration and the output is the noise level is identified, generating a corresponding set of estimated parameters. To accommodate the many sets of parameters into a single ARX model the use of a multilayer feed-forward neural network is used to calculate the model parameters for any given point in the room defined by its Cartesian coordinates X, Y and Z (neural network inputs). The results show good agreement between experimental data and model predictions, attesting the potential of the developed model in the design of model based ANC strategies. Keywords Acoustic model; three-dimensional model, neural networks, identification. 80 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.1. Introduction In an industrial environment, the level of noise emitted by rotating equipment housed in rooms can be disturbing and even harmful to operators if too high. Appropriate attenuation for this noise may be obtained by associating a simulation model for the acoustic radiation caused by machine vibrations to an Active Noise Control (ANC) system. ANC requires the introduction of a controlled secondary acoustic source, in an acoustic arrangement, driven in such way that the acoustic field generated by this source interferes destructively over the field caused by the original primary acoustic source [1]. Active control of sound has been the subject of much research in recent years [2, 3, 4]. However, few implementations of nonlinear active controllers have been carried out [5, 6]. Nonlinear active controllers may be required in cases where the actuators or the system to be controlled exhibit nonlinear behavior. Neural networks (NN) have been suggested as a choice for a model structure to control nonlinear plants [6]. The multilayer perceptron neural network is a global approach for a neural network and the major problem in the NN-based ANC is its relatively slow learning (or convergence) process. To solve the problem mentioned above, several strategies can be adopted. A fast NN learning algorithm has been proposed for ANC systems [7], but it is too complex to develop in practice. Bouchard et al. [6] proposed a nonlinear active controller based on a multilayer perceptron neural network adopting an extended backpropagation (BP) scheme as training algorithm. The authors used a control structure with two multilayer feedforward neural networks, one to represent the controller model and the other to represent the nonlinear plant model, and a steepest descent algorithm based on two distinct gradient approaches [5]. A heuristic procedure was applied for the development of a new recursive-least-square algorithm, based on the filtered-X and the adjoint gradient approaches, for the training of the controller neural network in the two network structure. Most of the conventional ANCs using the standard filtered-X least-mean-square (FXLMS) algorithm are linear in nature [8], therefore most FXLMS algorithms are not capable of training a nonlinear controller. Active control of nonlinear plants is hard to achieve. Some papers have investigated this problem. Chang and Luoh [3] proposed the neural-based filtered-X least-mean-square (NFXLMS) algorithm. The capability of 81 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System nonlinear processing of this neural network improves the noise cancellation performance in an ANC system. A DSP (Digital Signal Processing) real-time implementation of nonlinear active noise control using an adjoint extended Kalman filter based on recurrent neural networks is presented by Bambang [2]. A new algorithm which generalizes the filteredX BP learning algorithm for the recurrent case was developed for ANC application. Results of a real-time experiment showed that a 15–30 dB global attenuation level was obtained at the desired quiet zones. Alekseev and Komashinskay [9] proposed an algorithm based on an exhaustive search for coordinates of the desired sources over a curvilinear mesh and on the regularized quadratic algorithm for minimization with respect to their intensities. The approach comprised a general nonlinear problem for the active minimization of the potential energy considering an acoustic field in a two-dimensional waveguide. The problem solution provides the coordinates, the complex intensities, and the number of the compensating antenna elements from the condition of minimal potential energy of the total acoustic field inserted in a certain region of the waveguide. To solve this nonlinear problem formulation, Alekseev and Komashinskay [9] changed the numerical algorithm developed initially for the active sound control problem, introducing a multimode waveguide where hundreds of modes can be propagated. The use of this algorithm for a deep-water waveguide that describes the propagation of several hundreds to several thousands of normal modes requires a great deal of computational effort. A simplified fuzzy neural network (SFNN) is proposed by Zhang and Gan [10] to solve the nonlinear effect in the primary acoustic path of the ANC system. Using the SFNN, only one input is required and few parameters are used. Because the SFNN is a local approach for a neural network, the convergence rate of the SFNN is faster than the global approach. Recurrent fuzzy neural networks (RFNNs) were proposed for solving the nonlinear effect in the primary acoustic path of an ANC system [4]. An on-line backpropagation learning algorithm based on the gradient method is presented and the local convergence of the closed-loop system is shown using the discrete Lyapunov function. The Room Transfer Function (RTF) method, which describes the sound transmission characteristics between a source primary and a receiver in a room [11], 82 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System plays a very important role in acoustic signal processing and sound field control, especially when an ANC uses inverse filters based on RTFs to reduce the noise [12]. Recently, a multi-input multi-output sound control system has been investigated using this method [13]. In such a system, multiple RTFs between the sources and receivers were used. An efficient modeling method called common-acoustical-pole-zero (CAPZ) has been proposed for multiple RTFs [11]. However, even when the CAPZ model is used, the RTF has to be measured for every source-receiver due to the dependence on the zeros of the source and the receiver positions. Magalhães et al. [14] propose the machine-room transfer function (MRTF), a method that includes the machine vibration (primary source) in the dynamic modeling of RTFs. The work of Magalhães et al. [14] also proposes a successful interpolation procedure to estimate an unknown MRTF at an arbitrary position between known MRTFs. The interpolations are applied over the model parameters of the known MRTFs and can provide intermediary models (or intermediary parameters) for each of the arbitrary source-receiver positions. This chapter proposes a hybrid approach (ARX-neural network model) that combines the machine-room transfer function (MRTF), a method that includes the machine vibration (primary source) in the dynamic modeling of RTFs, together with a multilayer neural network to estimate the model parameters over the space. The MRTF method models the vibrating and acoustic radiating environment between a primary source and a receiver in a room. The prediction of the acoustic field inside the enclosed space is the main objective. As well as the RTF in the CAPZ model, the MRTF has to be measured for every source-receiver setting. Given the difficulty and infeasibility of this task, this work also proposes a neural network structure to estimate an unknown MRTF at an arbitrary position between known MRTFs. The neural network is applied to cope with the model parameters, mapping the relationship between these and the Cartesian coordinates X, Y and Z, providing model predictions at any given spatial position. 83 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.2. Modelling and methodology IV.2.1. Experimental setup The environment in which the experiment was carried out is a room 7.5 x 3.5 meters and 3.2 meters high. The room houses a centrifugal pump powered by an electrical asynchronous motor, two ICP sensors, an accelerometer which receives the dynamic generated by the primary source and a microphone that receives the sound pressure at each point in the mesh previously defined (Figure IV.1a). A piezoelectric accelerometer of 100 mV/g was used and the acoustic mesh considered is presented in Figure IV.1b. Figure IV.1. Acoustic field mapping generated by a rotating machine operating in a closed room identified by coordinates X, Y, Z: X=1, 2, …, 7 (0.44 m); Y=1, 2, …, 10 (0.44 m); and Z=1, 2, …, 5 (0.44 m). Microphone displacement (passive sensor): experimental setup (a); mesh of the 350 collected data (7x10x5 positions assumed by the passive sensor) (b). During each measurement the passive sensor was positioned with its axis parallel to the wall (length of the room) and to the floor’s plane in front of the primary source. The data was collected by a CMXA50 Microlog collector (SKF) which relies upon a compact collecting data device. The signal treatment is composed of an ICP integrated font linked with a pass-band filter (10-1000 Hz), adjusted to a sample frequency of 2560 Hz with a collect span time of 1.6 seconds. A collection of 4096 points per channel in each mesh of sampling was carried out for each variable data. The nominal rotation of the centrifugal pump (primary source) is 29 Hz. As the highest level of power is below 200 Hz band, the collected signal underwent a tenth power reduction prior to the identification of each MRTF. 84 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.2.2. Model structure Consider the vibrating and acoustic radiating system shown in Figure IV.1, where the centrifugal pump is the primary noise source in this system. Placing the accelerometer in the pump and a microphone at any given point in the room (identified by its coordinates X, Y, Z), the Machine-Room Transfer Function of the vibrating and acoustic radiating signal-transmission channel between the accelerometer signal u(n) and the microphone signal y(n), denoted by H(q-1), can be identified, where n is a given time instant and q is the forward shift operator. This model represents the vibrating and acoustic radiating system between the pump and any given point in the room. As shown by Magalhães et al. [14] and Fang et al. [15], the minimum-order ARX model capable of describing the dynamic behavior of the system presented in Figure IV.1 is A(q ) ⋅ y (n ) = q − d ⋅ B(q ) ⋅ u (n ) + e(n ) (IV.1) A ( q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 ( B ( q ) = b0 ⋅ 1 − q −1 (IV.2) ) where e(n) is white noise at instant n and d is the delay (dead time) of the system output with regard to input. Although the structure defined by Equation (IV.1) may be enough to cope with the identification problem in some situations, the real phenomenon behavior may be considerably more complex, requiring a more complex model in order to accommodate a variety of different harmonics [15]. Therefore, a slightly increased order model was assumed here in order to improve model predictions: A(q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 ( )( B(q ) = b0 + b1 ⋅ q −1 + b2 ⋅ q − 2 ⋅ 1 − q −1 ) (IV.3) In this work, the ARX model is applied to predict the output in a simulation fashion (or long step ahead prediction), and a least square recursive procedure is used to estimate the parameters. Considering the proposed mesh, 350 models and 5 parameters 85 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System (a1, a2, b0, b1 and b2) for each must be identified. Therefore, the acoustic pressure mapping in the entire room would use a total of 1750 parameters. This number of parameters is too high for real-time applications and a neural network was used in order to calculate the model parameters for any given point in the room with respect to Cartesian coordinates X, Y and Z (neural network inputs), which also enables the location of the MRTF at arbitrary positions. The neural network modeling approach was developed in two-stages. First, the ARX model parameters were modeled by five MISO (Multi-Input Single-Output) feedforward networks each with three inputs (Cartesian coordinates) and one hiddenlayer (Figure IV.2). The number of neurons of each hidden-layer was determined through a dynamic cross-validation procedure [16, 17, 18]. In this procedure, experimental data were divided in two data sets, A and B. For each number of hidden neurons (or topology) i, the network is trained with data set A and then simulated with data set B, generating the loss function (or performance criterion) Ji,A,B (the sum of the square of prediction errors from simulation of data set B with a network i trained with data set A). Likewise, the loss function Ji,B,A is also obtained. The total loss function of topology i is the sum of each simulation test results (Ji = Ji,A,B + Ji,B,A). The topologies with different numbers of hidden neurons were evaluated and compared using their total loss functions, and the topology with the minimum total loss function is selected. This selected topology is then trained with the whole set of data, i.e. simultaneously with data sets A and B. With this procedure, the whole experimental data set is used both for training as well as for the model validation. 86 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System Figure IV.2. MISO feedforward neural networks composing the global network architecture. In the second stage, both ARX and neural network structures are used together in a simultaneous optimization procedure in order to generate the final model (Figure IV.3). For each spatial position, the neural network and ARX structures are used together, generating the loss function J(Weights,Bias). The parameter estimation procedure comprised the minimization of the global loss function defined according to the Equation (IV.4). In this second stage the topology selected in the first is used as NN model structure, and its estimated parameters (bias and weights) are used as initial guesses for this new estimation procedure. SP TP min J (Weights, Bias ) = ∑∑ ( y Mod ( s , n ) − y Exp ( s , n ) ) Weights , Bias 2 (IV.4) s =1 n =1 87 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System where SP, TP, yMod, and yExp are the number of spatial points, number of time points, output model and experimental output, respectively. The output model is obtained using the model structure described by Equations (IV.1) and (IV.3) Figure IV.3. The simultaneous optimization procedure (hybrid ARX-neural network). 88 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.3. Results Applying the least square algorithm using the data mesh, 350 MRTFs were identified describing the dynamics and spatial behavior of the acoustic pressure in the room through its relationship with the vibration signal from the pump. As explained earlier, each machine-room transfer function (MRTF) comprised an ARX model according to Equations (IV.1) and (IV.3). The estimated parameters were adjusted according to the neural network modeling first-stage procedure (Figure IV.2). Figure IV.4 shows the value of the total loss functions (Ji), obtained for each number of hidden neurons tested, summed over all parameters. The behavior of the total loss function for each parameter in particular follow the same pattern. 350,00 Sum of square erros 300,00 250,00 200,00 150,00 100,00 50,00 0,00 2 3 4 5 6 7 8 9 10 The number of neurons Figure IV.4. Effect of the hidden neurons number on Ji (summed over all parameters). The architecture with the lowest total loss function (tree hidden-neurons for each parameter) was then selected and trained again with the whole experimental data set. This procedure resulted in an optimal architecture comprising three hidden neurons for each neural network (Figure IV.2). Therefore, the final model was obtained with parameters estimated through Equation (IV.4) and adopting the simultaneous optimization procedure described in Figure IV.3. This final model comprises only 80 parameters (synaptic weights and biases of the RN-system). This represents a significant reduction of 95% in relation to the pure-ARX structure that comprises the spatial distribution of 350 MRTFs, which also implies a reduction in computational effort enabling model implementation in real-time control systems. This new approach also provides a reduction in model parameters when 89 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System compared with the interpolation procedure used by Magalhães et al. [14], which reached a minimum of 180 parameters before causing a substantial degradation in model prediction capability. The spatial distribution of the estimated parameters can be represented through surfaces, which are exemplified in Table IV.1. This table presents the spatial behavior of model parameter a1 in a specific Z plane, which is indicated in the table (the behavior of other parameters and other Z-planes follows a similar pattern). Therefore, each surface shows parameter variations in both X and Y directions. The parameter value at a specific point is related to the physical-acoustic features of this point such as the distance from the primary acoustic source or the wave sound reflection measured from the point. The first column of Table IV.1 presents the surface obtained using the parameter values of the interpolated pure-ARX models [14]. The second column presents the parameters estimated in the neural network first-stage procedure (five MISO feed-forward networks each one with three inputs and one hidden-layer, Figure IV.2). Finally, the third column presents parameters estimated in the second-stage of the neural network modeling procedure (spatial neural network with simultaneous optimization applied to the same 350 points, Figure IV.3). Three main conclusions are worth highlighting as regards the spatial distribution of model parameters shown in Table IV.1. First, in all cases the neural network models (second column) agree with the general trends of the original identified models (first column), demonstrating the consistency and efficiency of the modeling procedure proposed in this work. Second, a supposed symmetric behavior expected with respect to the central point of X axis was not found. This is associated with the physical features of the room that fail to assure uniform conditions in the whole space and mainly due to pump displacement, as the driving shaft is not aligned with Y direction, but with X direction. Third, the spatial distribution of the model parameters resulting from the simultaneous optimization procedure (hybrid ARX-neural network) (third column) presents a smooth surface and the models obtained by these surfaces demonstrated the best agreement with the measured output signal, as will be seen later. Therefore, when compared to the other models, the final model acts as a better filter regardingirrelevant and/or noisy modeled dynamic information. 90 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System Table IV.1. Model parameter a1 spatial distribution. Plane Z = 3 (0.44 m) Interpolated First-stage Neural Network Second-stage Neural Network The final models were used to simulate the dynamic behavior of the microphone output signal. Figure IV.5 to Figure IV.7 show the best and worst mean square error models for planes Z=1, 3 and 5. It can be seen that even the worst model results provide a suitable description of the experimental data, capturing the main trends of the system behavior. Furthermore, when using the parameter values of the interpolated models [14], the sum of the square errors is equal to 3529. This was reduced to 2793 through the identification carried out by the hybrid ARX-neural network structure (Figure IV.3). Figure IV.8 illustrates the improvement obtained from the first-stage to the second-stage in neural network modeling. Figure IV.5. Best and worst adjustments for plane Z=1 (0.44 m): time response of ARX interpolated and ARX-neural network (second-stage) models. 91 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System Figure IV.6. Best and worst adjustments for plane Z=3 (0.44 m): time response of ARX interpolated and ARX-neural network (second-stage) models. Figure IV.7. Best and worst adjustments for plane Z=5 (0.44 m): time response of ARX interpolated and ARX-neural network (second-stage) models. Figure IV.8. Best and worst adjustments for plane Z=1 (0.44 m): time response of ARXneural network first-stage and second-stage (optimization procedure) models. Figure IV.9 presents the average PSD (Power Spectral Density) of the 350 mesh points. The ARX-neural network model provides a good description of system dominant dynamics (PSD peaks, where most of the energy signal is concentrated) without degradation of output prediction (both amplitude and frequency features of the ARX- 92 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System neural network model fit those of the identified models well). One of the benefits of the neural network procedure is the ability to locate the MRTF at arbitrary positions. Figure IV.10 exemplifies this to predict the transient behavior of the system over the whole spatial domain with a 700 uniform grid point simulation, in response to an arbitrary input (in this specific case a 2 amplitude and 2Hz frequency square wave), showing the wealth of information that the model can bring out. It must also be highlighted that system behavior prediction can be done with any desired detail, with uniform or nonuniform grids. Figure IV.9. Average PSD for the output. 93 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System Figure IV.10. Dynamic and three-dimensional prediction of system behavior (secondstage neural network model) in response to input from a square wave: output signal as a function of X and t (the dark ellipsoid represents pump location). 94 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.4. Conclusions This chapter presents the development of a Machine-Room Transfer Function (MRTF) based on a hybrid ARX-neural network structure to describe the vibrating and acoustic radiating environment between a primary source and a receiver in a room. The parameter estimation procedure comprised a two-stage procedure and the final model was obtained through a simultaneous optimization strategy that enables the identification of a neural network with feedforward topology which is capable of predicting the dynamic behavior of the dynamic pressure for each point in the space. The identification procedure, including the selection of the optimal number of hidden neurons, is efficient and provides consistent results providing a good description of system dominant dynamics without degradation of output prediction. Furthermore, when compared to the work of Magalhães et al. [14], this proposed methodology resulted in a significant model reduction (expressive reduction in the number of model parameters) enabling real-time model implementation in control systems. 95 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.5. Nomenclature IV.5.1. Symbols a, b : discrete model parameters A, B : discrete model polynomials d : time delay (time instants) e : white noise H : machine-room transfer function n : time instant na, nb : model orders q : forward shift operator t : time u : system input signal X, Y, Z : Cartesian coordinates y : system output signal IV.5.2. Subscripts Mod : Model Exp : Experiment i,A,B : Data set B with a network i trained with data set A i,B,A : Data set A with a network i trained with data set B IV.5.3. Abbreviations ANC : Active Noise Control ARX : Auto-Regressive with eXogenous input BP : BackPropagation CAPZ : Common-Acoustical-Pole-Zero DSP : Digital Signal Processor FXLMS : Filtered-X Least-Mean-Square ICP : Integrated Circuit Piezoelectric MRTF : Machine-Room Transfer Function NFXLMS : Neural-based Filtered-X Least-Mean-Square 96 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System NN : Neural Network PSD : Power Spectral Density RTF : Room Transfer Function SFNN : Simpli¯ ed Fuzzy Neural Network SISO : Single-Input Single-Output SKF : Svenska Kugellager Fabriken 97 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System IV.6. References [ 1 ] Elliott, S. J.; Nelson, P. A.; Sthothers, I. M.; A Multiple Error LMS Algorithm and its application to the active control of sound and vibration. TRANSACTIONS ON ACOUSTICS SPEECH AND SIGNAL PROCESSING, 35 (10): 1423-1434, 1987. [ 2 ] Bambang, R.T.; Adjoint EKF learning in recurrent neural networks for nonlinear active noise control. APPLIED SOFT COMPUTING, 8 (4): 1498-1504, 2008. [ 3 ] Chang, C.Y.; Luoh, F.B.; Enhancement of active noise control using neuralbased filtered-X algorithm. JOURNAL OF SOUND AND VIBRATION, 305(12): 348-356, 2007. [ 4 ] Zhang, Q.Z.; Gan, W.S.; Zhou, Y.; Adaptive recurrent fuzzy neural networks for active noise control. JOURNAL OF SOUND AND VIBRATION, 296(4-5): 935-948, 2006. [ 5 ] Bouchard, M.; New recursive-least-squares algorithms for nonlinear active control of sound and vibration using neural networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12(1): 135-147, 2001. [ 6 ] Bouchard, M.; Paillard, B.; Le Dinh, C.T.; Improved training of neural networks for the nonlinear active control of sound and vibration. IEEE TRANSACTIONS ON NEURAL NETWORKS, 10 (2): 391-401, 1999. [ 7 ] Zhang, Q.Z.; Jia, Y.L.; Active noise hybrid feedforward/feedback control using neural network compensation. JOURNAL OF VIBRATION AND ACOUSTICS-TRANSACTIONS OF THE ASME, 124 (1): 100-104, 2002. [ 8 ] Reddy, E.P.; Das, D.P.; Prabhu, K.M.M.; Fast exact multichannel FSLMS algorithm for active noise control. SIGNAL PROCESSING, 89 (5): 952-956, 2009. [ 9 ] Alekseev, G.V.; Komashinskaya, T.S.; Active minimization of acoustic potential energy in a two-dimensional multimode waveguide. ACOUSTICAL PHYSICS, 49 (2): 119-124, 2003. [ 10 ] Zhang, Q.Z.; Gan, W.S.; Active noise control using a simplified fuzzy neural network. JOURNAL OF SOUND AND VIBRATION}, 272 (1-2): 437-449, 2004. [ 11 ] Haneda, Y.; Kaneda, Y.; Kitawaki, N.; Common-acoustical-pole and residue 98 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA,2009 C. IV – Identification of Hybrid … Acoustic System model and its application to spatial interpolation and extrapolation of a room transfer function. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 7 (6): 709-717, 1999. [ 12 ] Miyoshi, M.; Kaneda, Y.; Inverse filtering of room acoustics. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 36 (2): 145 152, 1988. [ 13 ] Wen, Y.; Yang, J.; Gan, W.S.; Target-oriented acoustic radiation generation technique for sound FUNDAMENTALS OF field control. IEICE ELECTRONICS TRANSACTIONS COMMUNICATIONS ON AND COMPUTER SCIENCES, E89A (12): 3671-3677, 2006. [ 14 ] Magalhaes, R.S.; Fontes, C.O.H.;Almeida, L.A.L.; Santos, J.M.C.; Embiruçu, M.; A Model for Three-Dimensional Simulation of Acoustic Emissions from Rotating Machine Vibration. COMPOSITES2009, 2ND ECCOMAS THEMATIC CONFERENCE ON THE MECHANICAL RESPONSE OF COMPOSITES, Imperial College London, UK, 2009. [ 15 ] Fang, B.; Kelkar. A.G.; Joshi, S.M.; Pota, H.R.; Modelling, system identification, and control of acoustic-structure dynamics in 3-D enclosures. CONTROL ENGINEERING PRACTICE, 12 (8): 989 - 1004 , 2004. [ 16 ] Embiruçu, M.; Modelagem, Estimação e Controle em Reatores Industriais de Polimerização de Eteno com Catálise Ziegler-Natta Solúvel (in portughese), D. Sc. Thesis. UNIVERSIDADE FEDERAL DO RIO DE JANEIRO, Rio de Janeiro-RJ, Brazil, 1998. [ 17 ] Embiruçu, M.; Pinto, J. C.; Lima, E. L.; Modelagem Empírica de Reatores Industriais de Polimerização com Redes Neuronais. REVISTA PETRO QUÍMICA, 260: 33-42, 2004. [ 18 ] Vieira, R.A.M.; Embiruçu, M.; Sayer, C.; Pinto, J.C.; Lima, E.L.; Control strategies for complex chemical processes. Applications in polymerization processes. COMPUTERS & CHEMICAL ENGINEERING, 27(8-9): 1307 1327, 2003. 99 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... CHAPTER V Chapter V. Identification of Artificial Neural Network Models for Three-Dimensional Simulation of a Vibration-Acoustic Dynamic System Contextualization in the Thesis The ultimate purpose of this thesis is the development of three-dimensional models, which are going to be used in the construction of systems to Active Noise Control (ANC) that have the ability to simulate properly (qualitatively and quantitatively) the dynamics of vibrate-acoustic systems, with the lowest possible computational cost, enabling the implantation of the ANC in real time. To achieve this goal, transfer function based parametric models were proposed in the previous chapters. In Chapter III the proposed procedure includes the modeling transfer function of vibrate-acoustic room-machine, using an ARX (Auto-Regressive with Exogenous input) model. This was done in two phases. In the first phase, the ARX models were used to describe a SISO (Single-Input Single-Output) system, where the input system is the vibration of the machine and the output is the level of the noise, which is measured at a certain point of the room. A least squares method was used to estimate the parameters of the ARX model. In the second step, a spatial interpolation was used to estimate the parameters of the model anywhere in the room, with X, Y and Z Cartesian coordinates. These new parameters, calculated for each point, can be used to map out the behavior of the noise level in all the room. In Chapter IV the use of a FeedForward Artificial Neural Networks (FFANN) was proposed to calculate the parameters of the ARX model for a certain point in the space that was defined by its X, Y and Z Cartesian coordinates (the neural network inputs). This procedure was used in the place of the spatial interpolation, which is proposed in Chapter III. The results showed a good agreement between experimental 100 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... data and the model predictions, confirming the potential of this model for its application in an ANC strategy. The literature related to models that are based on Artificial Neural Networks (ANN), which are applied to the mapping out of an acoustic field that was generated by a primary source is restricted. Therefore, within the general context of this thesis, the first step of this chapter is to demonstrate a structure for an ANN model, basing on the phenomenological behavior that was described in Chapter III. In this chapter the obtained results with this model are also presented and compared with the obtained results with the other models, which were showed in Chapters III and IV. Abstract This chapter proposes a model structure based on a FeedForward Artificial Neural Networks (FFANN) for the dynamic modeling of the acoustic transmission between a primary source that is closed in a room and a positioned receiver at any point within this room. This model is based on feedforward neural networks that are trained by a BackPropagation (BP) algorithm and it should describe the behavior of the investigated process; so it should be a model for the three-dimensional simulation of acoustic emissions, which were originated from the vibration of a machine. In the identification of the system’s dynamic a MISO (Multi-Input SingleOutput) model structure is used. The results show that the obtained model is consistent and adequately describes the main dynamics of the studied phenomenon, showing that the MISO approach, using a FFANN, is appropriate for the simulation of the investigated process and the proposed structure of the dynamic model is promising, considering its future application in systems for Active Noise Control (ANC). Keywords Neural networks, Nonlinear identification, Dynamic models, Distributed parameter systems , Vibrate-acoustic systems. Conclusions This chapter presented the development of a FeedForward Artificial Neural Networks (FFANN) to describe the vibrate-acoustic transmission between the primary 101 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... source of noise and a receiver in a room. Although the obtained dynamic FFANN model captured the main dynamic of the system, it showed a performance lower than the performance presented by hybrid ARX model (Chapter IV). Considering that these two model structures have the same total number of parameters, the hybrid ARX model demonstrated a better adherence to the experimental data, obtaining the smallest errors in an estimate output of the system. It is possible to improve the performance of the dynamic FFANN model, yet it requires a change in the proposed structure for this model, as, for example, increasing the number of neurons in the hidden layer. Actions like this, however, would increase the number of model parameters, requiring a higher computational effort to simulate the outputs of the system. As the ultimate goal of this thesis is the development of three-dimensional models for use in the construction of systems to Active Noise Control (ANC), which have the ability to simulate properly (qualitatively and quantitatively) the dynamics of vibrate-acoustic systems, with the lowest computational cost, this new structure would lose this requirement when compared with the structure of hybrid ARX model that is proposed in Chapter IV. 102 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... CAPÍTULO V Capítulo V. Identificação de Modelos Baseados em Redes Neurais Artificiais para Simulação Tridimensional de um Sistema Vibro-Acústico Dinâmico Contextualização na tese O objetivo último desta tese é o desenvolvimento de modelos tridimensionais a serem utilizados na construção de sistemas para Active Noise Control (ANC) que tenham a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas vibro-acústicos, com o menor custo computacional possível, possibilitando a implantação do ANC em tempo real. Para alcançar este objetivo, nos capítulos anteriores foram propostos modelos paramétricos baseados em funções de transferência. No Capítulo III o procedimento proposto incluiu a modelagem da função de transferência vibro-acústica sala-máquina, usando um modelo ARX (Auto-Regressive with eXogenous input). Isso foi feito em duas fases. Na primeira fase, os modelos ARX foram utilizados para descrever um sistema SISO (Single-Input Single-Output), onde a entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto. Um método dos mínimos quadrados foi utilizado para estimar os parâmetros do modelo ARX. Na segunda etapa, uma interpolação espacial foi utilizada para estimar os parâmetros do modelo em qualquer ponto da sala, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, calculados para cada ponto, podem ser usados para mapear o comportamento do nível de ruído em toda a sala. No Capítulo IV foi proposta a utilização de uma FeedForward Artificial Neural Networks (FFANN) para calcular os parâmetros do modelo ARX para um determinado ponto no espaço definido pelas suas coordenadas cartesianas X, Y e Z (entradas da rede neural). Esse procedimento foi usado em lugar da interpolação espacial proposta no Capítulo III. Os resultados mostraram uma boa concordância entre os dados 103 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... experimentais e as previsões do modelo, atestando o potencial desse modelo na sua aplicação em estratégias ANC. A literatura sobre modelos baseados em Redes Neurais Artificiais (RNAs) aplicados para o mapeamento de um campo acústico gerado por uma fonte primária é restrita. Portanto, dentro do contexto geral desta tese, o primeiro passo desse capítulo é apresentar uma estrutura para um modelo em FFANN, com base no comportamento fenomenológico descrito no Capítulo III. Neste capítulo os resultados obtidos com este modelo são apresentados e também comparados com os resultados obtidos com os outros modelos apresentados nos Capítulos III e IV. Resumo Este trabalho propõe uma estrutura de modelo baseada em uma FeedForward Artificial Neural Networks (FFANN) para a modelagem dinâmica da transmissão acústica entre uma fonte primária enclausurada em uma sala e um receptor posicionado em um ponto qualquer no interior dessa sala. Esse modelo está baseado em redes neurais feedforward treinadas por um algoritmo BackPropagation (BP) e deve descrever o comportamento do processo investigado, ou seja, deve se constituir em um modelo para a simulação tridimensional de emissões acústicas originadas da vibração de uma máquina. Na identificação da dinâmica do sistema, é usada uma estrutura de modelo MISO (Multi-Input Single-Output). Os resultados mostram que o modelo obtido é consistente e descreve adequadamente as principais dinâmicas do fenômeno estudado, evidenciando que a abordagem MISO, usando-se uma FFANN, é adequada à simulação do processo investigado e que a estrutura proposta para o modelo dinâmico é promissora, considerando-se a sua futura aplicação em sistemas para Active Noise Control (ANC). Palavras-chave Redes Neuronais, Identificação Não Linear, Modelos Dinâmicos, Sistemas de Parâmetros Distribuídos, Sistemas Vibro-Acústicos. 104 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.1. Introdução O comportamento da maioria dos fenômenos físicos pode ser representado por sistemas lineares. Os procedimentos de identificação paramétrica para sistemas lineares são bem consolidados e apresentam inúmeros resultados teóricos e práticos [1, 2]. Alguns sistemas deixam de ter o seu comportamento bem descrito por modelos lineares se suas fronteiras ou as faixas de valores em que são excitados são estendidas. A identificação de sistemas não lineares usando redes neurais vem despertando interesse e tem sido aplicada com sucesso já há algum tempo [3, 4, 5]. A tecnologia da Artificial Neural Networks (ANN) tem sido fortemente pesquisada e aplicada em problemas de controle e identificação a cerca de vinte anos. Especificamente em sistemas vibro-acústicos, as RNAs têm sido utilizadas em reconhecimento de voz [9], na avaliação da qualidade sonora em espaços urbanos [10], na identificação de formas geométricas através da identificação das frequências naturais em uma resposta acústica [11] e no diagnóstico de falhas [12]. Sua grande vantagem é trabalhar como uma “caixa-preta” adequando-se às não linearidades existentes em exemplos de comportamentos (já conhecidos) de um sistema. Atualmente as RNAs têm sido bastante exploradas na identificação de sistemas dinâmicos não lineares [8], devido às mesmas serem inerentemente modelos caixa-preta não lineares e também por terem a habilidade de aproximar complexos mapeamentos não lineares. Este mapeamento não linear, realizado pelas ANN, é baseado em medidas de entrada e de saída do processo a ser modelado. As RNAs utilizadas na identificação não linear preservam esta relação entrada/saída, mas normalmente não preservam a estrutura interna do processo identificado. Bambang [39] desenvolveu uma aplicação em ANC utilizando redes neurais recorrentes. Em seu trabalho ele apresenta um algoritmo de aprendizado para redes neurais recorrentes com base no filtro de Kalman. A estrutura global para ANC proposta por ele foi construída utilizando duas redes neurais recorrentes: a primeira rede neural é usada para modelar o caminho secundário para o ANC, enquanto a segunda rede é empregada para gerar o sinal de controle. Chang [40] propõe uma estrutura em redes neurais baseadas no algoritmo LMS filtrado (NFXLMS) associado a um método para evitar a saturação prematura do algoritmo de treinamento backpropagation, utilizando a melhor taxa de ajustagem. 105 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Zhang [41] estuda um sistema ANC com não linearidades e propõe estruturas específicas em redes neurais para modelar a não-linearidade da propagação acústica da fonte primária no sistema. Bouchard [42] apresenta em seu trabalho um procedimento para o desenvolvimento de um algoritmo baseado em LMS para a construção de um controlador usando rede neural. Ele comprova um melhor desempenho do seu algoritmo proposto do que dos algoritmos anteriormente publicados. O principal critério de avaliação utilizado foi a carga computacional dos algoritmos visando a sua aplicação em sistemas multicanal de ANC. A representação da dinâmica é caracterizada através do conjunto de sinais u e y (entrada e saída do processo), atrasados no tempo na entrada da ANN, se necessário, para expressar o tempo morto e o feedback associados à fenomenologia do sistema, acarretando em uma representação entrada/saída para um modelo feedforward [6, 7]. Este capítulo apresenta uma metodologia para a construção de uma RNA apta a ser executada em modo on-line na fase de operação de um sistema de ANC aplicado no controle da potência sonora em determinada região de um ambiente sujeito a uma fonte primária geradora de ruído por vibração (sistema vibro-acústico). A rede neural é treinada para fornecer a potência acústica em um ponto qualquer do espaço contido nesse sistema acústico, tendo como variáveis de entradas as coordenadas do ponto de interesse e o sinal de vibração coletado na fonte primária. Em um futuro projeto de ANC, a rede influenciará nas ações de controle realizadas através de uma fonte secundária (modelada no Capítulo VI) e destinadas a minimizar a potência acústica no ponto de interesse. A função objetivo usada no treinamento da rede é a soma ponderada dos quadrados dos erros de predição (mesma métrica utilizada nos Capítulos III e IV). O método é testado e analisado em simulações feitas utilizando dados obtidos através da plataforma experimental (sistema vibro-acústico descrito no Capítulo III). 106 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.2. Redes neurais artificiais V.2.1. Estrutura das redes neurais artificiais As Redes Neurais Artificiais (RNAs) propõem-se a simular não linearidades de sistemas de natureza diversa em computadores digitais ou em placas de hardware. Neste trabalho foi utilizado o modelo feedforward em uma ANN, introduzido por Rosenblatt [13] em 1958. A representação da dinâmica de um sistema é caracterizada através do conjunto de sinais u e y (entrada e saída do processo), atrasados no tempo na entrada da ANN, se necessário, para expressar o tempo morto e o feedback associados à fenomenologia do sistema, acarretando em um modelo feedforward para a representação entrada/saída do sistema [27, 30]. Uma rede neural simples feedforward com uma única saída é mostrada na Figura V.1, onde φ (.) é a função de ativação não linear para cada neurônio. Os sinais que chegam a cada neurônio são ponderados por coeficientes, denominados pesos sinápticos ( Wi ), e somados, juntamente com um valor de tendência ( bi ). Portanto, a rede é parametrizada em termos de pesos e tendências, que podem ser representados pelos vetores de pesos W ∈ R pr e de tendências (bias) b ∈ R nr . Figura V.1. Modelo de redes feedforward. Para um problema específico de aproximação de uma função por uma rede neural, os dados de treinamento consistem em padrões {u p , y p }, p = 1, 2,..., N . Para um padrão específico p , se o vetor de entrada é u p , então a saída da rede é dada por 107 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 ⌢ y p = f ( W, b, u p ), C. V – Identificação ... Redes Neurais ... p = 1, 2,..., N . (V.1) V.2.2. Treinamento de redes neurais artificiais As aplicações de RNAs tornaram-se efetivas depois da introdução do algoritmo de treinamento (estimação de parâmetros), denominado BackPropagation (BP) [14, 15, 20, 21], e após o grande desenvolvimento computacional. As RNAs com diferentes arquiteturas e regras de aprendizagem têm sido uma ferramenta frequentemente utilizada para resolver grande variedade de problemas como a classificação, associação, controle e reconhecimento de padrões [14, 15, 16, 17, 18, 19, 20, 21]. Normalmente, o algoritmo convencional BP aplicado no aprendizado de uma Feedforward Neural Network (FNN) tem sua aprendizagem baseada no método de gradiente descendente [20, 22]. Mas esse algoritmo é muito lento e pode convergir para mínimos locais. Muitos algoritmos de rápida aprendizagem foram propostos com base na aplicação de diferentes técnicas de otimização, adaptando-se o algoritmo convencional BP [23, 24, 25]. Algumas dessas adaptações incluem a adição de um termo de momentum para o algoritmo BP convencional ou técnicas de otimização numérica utilizando métodos como Newton, gradiente conjugado, etc., melhorando a taxa de convergência do algoritmo BP [26, 27, 28]. O treinamento ou aprendizagem de uma RNA é feito por exemplos de comportamento (padrões de treinamento) constituídos por pares entrada/saída que são apresentados nessa fase. No processo de aprendizagem, a RNA se adapta aos estímulos, ajustando numericamente o vetor de pesos sinápticos ( W ) e o vetor de tendências ( b ), para produzir um desempenho para o qual foi projetada. O conjunto de padrões é definido por { } ψ = {u , y dp } p N p =1 , (V.2) onde N é o número total de padrões. Cada padrão é igual ao par {u p , y dp } , sendo u p o vetor de entrada (estímulo de entrada) e y dp o vetor desejado na saída. Para que a RNA seja treinada, um sinal é aplicado e uma saída é obtida; se essa saída não coincidir com a 108 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... saída desejada existirá um vetor de erro e , e portanto os pesos e tendências devem ser ajustados objetivando a minimização desse erro. O algoritmo Error BackPropagation (EBP) trata o treinamento como um problema de otimização global sem restrições [27], onde a função erro quadrático, a ser minimizada, é definida por E= 1 N ∑ 2 p =1 SL ∑( yi dp − ɵy i i =1 p 2 ), (V.3) sendo N o número de conjuntos entrada-saída a serem utilizados no treinamento da ANN, SL o número de neurônios da camada de saída da rede, yi dp a saída desejada em um neurônio i estimulado por um padrão específico p , e yi p a saída estimada em um neurônio i estimulado por um padrão específico p . A função erro quadrático pode ser definida para apenas um par de padrões {u p , y p } como SL ( E p = ∑ yi dp − ɵy i i =1 p 2 ). (V.4) Existem duas principais alternativas de treinamento do algoritmo EBP, “apresentação instantânea” e “apresentação em batelada”. No algoritmo EBP “apresentação instantânea” os pesos são atualizados para minimizar o erro correspondente a cada par de padrões de treinamento. Este método usa a função de erro quadrático definido pela Equação (V.4). Já no algoritmo “apresentação em batelada” os pesos são atualizados após acumular os erros correspondentes a todos os pares de padrões, fazendo uso portanto da função erro quadrático definida pela Equação (V.3). V.2.3. O algoritmo backpropagation e a rede feedforward O algoritmo backpropagation foi criado para generalizar as regras de treinamento de Widrow-Hoff [29] para aplicação a redes de múltiplas camadas e a funções de transferência não lineares. Os vetores de entrada e os vetores desejados de saída (alvo) correspondentes são usados para treinar uma rede até que ela aproxime uma função, associando vetores de entradas com vetores de saídas específicos, ou 109 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... classificando vetores de entrada de uma forma adequada, tal como estabelecido no objetivo da rede. V.2.3.1. Introdução O algoritmo padrão backpropagation é um algoritmo de gradiente descendente, assim como nas regras de treinamento Widrow-Hoff, onde os pesos da rede são movidos ao longo do gradiente descendente da função de desempenho. O termo backpropagation refere-se à maneira pela qual o gradiente é calculado para redes não lineares de multicamadas. Existem outras alternativas para treinamento de uma RNA feedforward. Estas são baseadas em outras técnicas clássicas de otimização, tais como gradiente conjugado e os métodos de Newton [23, 24, 25, 26, 27, 28]. Redes backpropagation devidamente treinadas tendem a fornecer respostas razoáveis quando alimentadas com entradas desconhecidas. Normalmente, uma nova entrada conduz a uma saída semelhante à saída correta, considerando-se que os vetores de entrada usados no treinamento representam bem a dinâmica do sistema. A generalização dessa propriedade torna possível treinar uma rede com um conjunto de padrões ψ , dado pela Equação (V.2), e obter bons resultados sem que seja necessário o treinamento da rede em todos os possíveis pares de entradas / saída. Um algoritmo de extrapolação de dados com base em uma RNA com backpropagation foi proposto por Smith [37]. Esse algoritmo pôde extrapolar o conjunto de dados experimentais utilizados, em virtude da capacidade de generalização da complexa rede neural treinada. Mas nem sempre uma extrapolação usando-se RNA pode ser aplicada com sucesso. Klemenc [38] concluiu que a rede fornece bons resultados nas interpolações, mas prevê resultados ruins nas extrapolações feitas fora do domínio das condições estabelecidas para o treinamento. Na construção de redes neurais feedforward para solução de problemas específicos, há geralmente quatro etapas básicas do processo de formação: 1. Coletar os dados de treinamento; 2. Definir a topologia da rede; 3. Treinar a rede; 4. Simular a resposta da rede para novas entradas, a fim de validar o modelo. 110 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.2.3.2. Topologia de uma rede feedforward Esta seção apresenta a topologia da rede que é mais comumente usada com o algoritmo backpropagation, ou seja, a rede feedforward multicamada. Um neurônio elementar com R entradas é mostrado na Figura V.2. Cada entrada é ponderada por um peso w . A soma das entradas ponderadas e da tendência b (bias) é a entrada n para a função de ativação f . Figura V.2. Modelo de neurônio. Redes multicamadas costumam usar a função de transferência log-sigmóide (Figura V.3). Esta função é uma função contínua diferenciável cujo domínio é ℜ e o conjunto imagem é [0;1]. Figura V.3. Função de transferência logsig Como alternativa, as redes multicamadas podem usar a função de transferência tangente hiperbólica cujo conjunto imagem é [-1;1] (Figura V.4). 111 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.4. Função de transferência tansig. Em algumas aplicações a função de ativação linear (Figura V.5) é utilizada nos neurônios da camada de saída. Figura V.5. Função de transferência linear. Uma rede com uma única camada possuindo S neurônios com função de ativação sigmóide e com R entradas é mostrada em detalhes na Figura V.6. A Figura V.7 apresenta um diagrama para essa rede. Figura V.6. Rede neural com uma única camada. 112 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.7. Diagrama de uma rede neural com uma única camada. Redes feedforward frequentemente possuem uma ou mais camadas ocultas de neurônios sigmóides seguidas por uma camada de saída de neurônios lineares. Redes com duas camadas: • uma camada oculta com SI neurônios sigmóide com tendências b1 (biases) associadas a cada neurônio; • uma camada com SL neurônios de saída ativada por uma função linear e com tendências b 2 (biases) associadas a cada neurônio; são capazes de aproximar qualquer função com um número finito de descontinuidades [30, 31]. Essa estrutura é mostrada na Figura V.8 e pode ser usada como um aproximador universal de funções. Ela pode aproximar qualquer função com um número finito de descontinuidades usando-se o número suficiente de neurônios ( SI ) na camada oculta. 113 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.8. Estrutura de rede feedforward (aproximador universal de funções). V.3. Parte experimental Nesse capítulo a inspiração fenomenológica adotada para a estrutura dos modelos construídos nos capítulos anteriores foi conservada. Os dados experimentais utilizados na estimação dos modelos propostos nesse capítulo também são os mesmos dos Capítulos III e IV. A descrição detalhada do experimento encontra-se no Capítulo III. V.3.1. Metodologia para coleta de dados O sistema vibro-acústico em estudo é composto por uma bomba centrífuga instalada em uma sala (Figura V.9). A bomba centrífuga é acionada por um motor elétrico assíncrono e este conjunto é chamado de fonte primária de ruído. Nesse sistema são montados dois sensores ICP, um acelerômetro que mede a dinâmica gerada pela fonte primária e um microfone que mede a pressão sonora no interior da sala, em cada ponto de uma malha previamente definida. A Figura V.10 mostra detalhes da instalação do acelerômetro e do microfone. Como colocado anteriormente, esse é o mesmo sistema descrito nos Capítulos III e IV, cujas informações básicas são repetidas aqui apenas para fins de completude do presente capítulo. 114 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.9. Mapeamento de campo acústico gerado pela operação de uma bomba em uma sala fechada identificadas por coordenadas X, Y, Z: X = 1, 2,..., 7 (0,44 m); Y = 1, 2, ..., 10 (0,44 m); e Z = 1, 2, ..., 5 (0,44 m): (a) Instalação experimental; (b) Deslocamento do microfone (sensor passivo) em malha de 350 pares padrões {u p , y p } coletados (7x10x5 posições assumidas pelo sensor passivo). (a) (b) Figura V.10. Aparato experimental. (a) entrada do sistema (sensor instalado na fonte primária): acelerômetro da bomba (sensibilidade: 100 mV / g), (b) saída do sistema (sensor passivo): microfone (sensibilidade: 50 mV / PA). Considerando-se os dados coletados pelo acelerômetro instalado na bomba e variando-se a posição de um microfone por 350 pontos predefinidos na sala (identificados pelas suas coordenadas X, Y, Z: X = 1, 2,..., 7 × 0,44 m; Y = 1, 2, ..., 10 × 0,44 m; e Z = 1, 2, ..., 5 × 0,44 m), foram coletados 350 pares padrões {u p , y p } que representam a dinâmica da transmissão vibro-acústica entre o sinal de entrada proveniente do acelerômetro u e do sinal de saída proveniente do microfone y . Conforme estabelecido na Equação (V.2), o conjunto de pares coletados ( {u p , y p }, p = 1, 2,...,350 ) define o conjunto de padrões ψ . O conjunto ψ será usado para treinamento de uma rede FFANN que melhor possa descrever a dinâmica da transmissão vibro-acústica na plataforma experimental proposta. 115 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.3.2. Estrutura do modelo e procedimento de estimação dos parâmetros No Capítulo IV uma estrutura ARX e uma RNA foram utilizadas juntas em um processo de otimização simultânea, a fim de gerar o modelo final. Para cada posição espacial, a RNA e a estrutura ARX são utilizadas em conjunto, gerando a saída do modelo (pressão acústica para cada posição espacial). No processo de avaliação da estrutura de modelo mais adequada a esse arranjo proposto, as topologias com diferentes números de neurônios ocultos foram testadas e comparadas utilizando suas funções de perda total, e a topologia com a função de perda total mínima foi adotada. A RNA final adotada é constituída por apenas 80 parâmetros (pesos sinápticos e tendências). Isto representa uma redução significativa (em 95%) no número de parâmetros, quando comparado à estrutura de modelo ARX puro que compreende a distribuição espacial de 350 MRTFs. O modelo proposto na Figura V.8 (aproximador geral de funções) é utilizado, e portanto essa RNA pode aproximar qualquer função com um número finito de descontinuidades usando-se um número suficiente de neurônios ( SI ) na camada oculta. Para efeito de uma avaliação qualitativa entre os resultados obtidos com a estrutura aqui proposta e os resultados obtidos no Capítulo IV, foi estabelecido que o número máximo de parâmetros a serem utilizados nessa rede deve estar o mais próximo possível de 80 (número de parâmetros adotado na estrutura proposta no Capítulo IV), ou seja, N p ≈ 80 . O número total de parâmetros em uma RNA (Figura V.8) com uma camada oculta (intermediária) e um neurônio na camada de saída é dado por: N p = RSI + 2 SΙ + 1, (V.5) onde R é o número de entradas da rede e SI é o número de neurônios da camada oculta. Conforme visto no Capítulo III, o modelo discreto que descreve a fenomenologia do sistema é dado por A ( q ) ⋅ y ( n) = q−d ⋅ B ( q ) ⋅ u ( n ) + e ( n) , (V.6) 116 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... onde u (n) é a amostragem do sinal de entrada no instante n , y (n) é a amostragem do sinal de saída no instante n , d é o atraso (tempo morto) da saída do sistema no que diz respeito à entrada u e q é o operador de deslocamento no tempo. Os polinômios A(q ) e B(q ) são definidos por A ( q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 , (V.7) B ( q ) = ( b0 + b1 ⋅ q −1 + b2 ⋅ q −2 ) ⋅ (1 − q −1 ) . Considerando-se as Equações (V.6) e (V.7) e as coordenadas X, Y e Z de um ponto qualquer da sala, pode-se concluir que a FFANN dinâmica a ser configurada para estimar a pressão acústica ( ɵy ) em uma posição espacial com coordenada X, Y e Z (ilustrada na Figura V.12) terá oito entradas (Equação (V.8). Aplicando-se as condições específicas previamente estabelecidas ( R = 8 e N p ≈ 80 ) na Equação (V.5), chega-se ao valor SI = 8 (número de neurônios da camada oculta). Portanto, definida a topologia, a rede estará pronta para o treinamento; procedimento ilustrado na Figura V.11, com o conjunto de padrões ψ formado pelos pares coletados no experimento ( {u p , y p }, p = 1, 2,...,350 ). 350 [u p (n - d ) - u p (n - d -1)] p p [u (n - d -1) - u (n - d - 2)] [u p (n - d - 2) - u p (n - d - 3)] X p Entrada (n) = p Y p Z y p (n - 2) p y (n -1) p =1 (V.8) 117 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.11. Treinamento FFANN (predição um passo a frente). O resultado desse treinamento é uma rede capacitada para “predição um passo a frente”. Essa não é a rede final de interesse, pois é desejada (assim como nos Capítulos anteriores) uma rede com “predição de longo alcance” (Figura V.12). V.3.3. Procedimento de otimização para rede recorrente A rede treinada segundo o procedimento ilustrado na Figura V.11 foi usada como estimativa inicial para o procedimento de otimização ilustrado na Figura V.12. Figura V.12. Estrutura FFANN (predição de longo alcance). 118 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Desta forma, o treinamento da rede foi transformado em problema genérico de otimização não linear com restrições, sendo necessário para a isso um método adequado. Métodos de otimização que se baseiam no atendimento às condições de Kuhn-Tucker (KT) [32] são mais eficientes do que métodos que transformam um problema com restrições em um problema sem restrições, usando uma função de penalidade para soluções próximas às restrições ou além de seus limites. As equações KT expressam as condições necessárias para solução de um problema de otimização restrita. Se o problema é o chamado problema de programação convexa, com e f ( x) Gi ( x ), i = 1,..., m sendo funções convexas, então as equações KT são necessárias e suficientes para obtenção de uma solução global. A descrição de um problema geral de otimização (PGO) é dada por min f ( x) x Sujeito a (V.9) Gi ( x) = 0, i = 1,..., me Gi ( x) ≤ 0, i = me + 1,..., m onde x é o vetor de parâmetros de comprimento n , f ( x) é a função objetivo, que retorna um valor escalar, e a função do vetor G ( x) retorna um vetor de comprimento m contendo os valores das igualdades e das desigualdades (restrições) avaliadas em x . Referindo-se ao PGO, Equação (V.9), as condições de Kuhn-Tucker (KT) são estabelecidas como m ∇f ( x* ) + ∑ λi* ⋅∇Gi ( x* ) = 0 i =1 λi* ⋅ Gi ( x* ) = 0 i = 1,..., m (V.10) λi* ≥ 0 i = me + 1,..., m além das restrições estabelecidas na Equação (V.9). Na Equação (V.9), a primeira linha é uma equação que expressa o cancelamento entre os gradientes da função objetivo e dos gradientes das restrições ativas no ponto de solução. Para que ocorra o cancelamento dos gradientes, são inseridos multiplicadores 119 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... de Lagrange ( λi , i = 1,..., m ) balanceando os desvios no valor do gradiente da função objetivo e dos gradientes das restrições ativas. Como apenas as restrições ativas devem ser incluídas nesta operação de cancelamento, as restrições que não estão ativas terão os multiplicadores de Lagrange iguais a zero. Isso está implícito nas duas últimas equações de Kuhn-Tucker, Equação (V.9). As soluções das equações de KT constituem a base para muitos algoritmos de programação não linear. Estes algoritmos visam calcular os multiplicadores de Lagrange diretamente. Os métodos que usam esses algoritmos são comumente referidos como métodos Sequential Quadratic Programming (SQP). Os métodos SQP descritos nos trabalhos de Biggs [33], Han [34] e Ge e Powell [35], apresentam uma metodologia adequada para a solução do problema de otimização da FFANN dinâmica. A SQP permite simular o método de Newton para otimização com restrições, justamente como seria feito para otimização sem restrições. Em cada iteração principal, uma aproximação é feita para a Hessiana da função Lagrangiana usando um método quase-Newton. Essa é então utilizada para gerar um subproblema de Quadratic Programming (QP), cuja solução é usada para definir a direção de busca do melhor valor. Uma visão geral do SQP pode ser encontrada em Hock e Schittkowski [36]. A função “fmincon” (MATLAB®) usa o método SQP e foi aplicada para a otimização do modelo proposto (mostrado na Figura V.12), tendo como chute inicial o modelo treinado conforme o esquema mostrado na Figura V.11. Os resultados obtidos são discutidos na próxima seção. 120 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.4. Resultados e discussão O modelo resultante foi usado para prever o comportamento dinâmico e espacial do sinal de saída do sistema (microfone). Da Figura V.13 até a Figura V.15 podem ser vistos o melhor e o pior resultado do modelo na estimativa do sinal de saída para os planos Z=1, 3 e 5, assim como uma comparação qualitativa com os resultados estimados com os modelos obtidos no Capítulo IV. É possível observar que mesmo os piores resultados com os modelos FFANN fornecem uma representação adequada da dinâmica dos dados experimentais, capturando as principais tendências de comportamento do sistema, embora com uma forte atenuação das amplitudes em freqüências superiores, como pode ser visto na Figura V.16. Figura V.13. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura V.14. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. 121 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Figura V.15. Melhores e piores ajustes do modelo para o plano Z = 1 (0,44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. A Figura V.16 apresenta a média da PSD (Power Spectral Density) para os 350 pontos de malha. O modelo FFANN fornece uma boa descrição da dinâmica dominante do sistema (picos do PSD, onde a maioria da energia do sinal está concentrada). Figura V.16. Média PSD para o sinal de saída do sistema (microfone). 122 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... A Tabela V.1 compara o resultado obtido com a aplicação das diversas estruturas de modelo propostas nesse trabalho, incluindo os resultados obtidos nos Capítulos III e IV. Observando os resultados é fácil concluir que: • Modelos com menores erros são obtidos quando se considera os atrasos em cada plano XZ na identificação dos modelos da grade coletada; • A maior redução da malha para aplicação da interpolação foi a redução para 27 MRTFs. Como podemos ver na Tabela V.1, qualquer redução superior a essa levou os valores médio, mínimo ou máximo da norma do erro para valores superiores aos respectivos valores da norma euclidiana do sinal experimental; • O melhor dentre todos os modelos reduzidos, com o menor erro médio quadrático na estimativa do sinal de saída, foi o modelo com a estrutura ARX híbrido. • O modelo FFANN não apresentou desempenho satisfatório e, na média, seu desempenho foi inferior ao modelo ARX (27 MRTFs). 123 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Tabela V.1. Comparação da norma euclidiana dos erros Norma Euclidiana do Erro: Média Mínimo Máximo Número de Parâmetros Modelos: Capítulo III Norma Euclidiana do Sinal de Saída 11.8102 4.8759 21.5581 ARX identificado sem atraso (350 MRTFs) 7.3886 4.2166 13.8451 1750 ARX identificado com atraso (350 MRTFs) 7.1193 4.0629 13.3405 1750 ARX interpolado com atraso (27 MRTFs) 9.3117 4.5731 20.7915 135 ARX interpolado com atraso (18 MRTFs) 9.7545 4.5731 22.0488 90 ARX interpolado com atraso (9 MRTFs) 10.8508 5.0404 19.9618 35 ARX interpolado com atraso (4 MRTFs) 11.0208 5.0404 19.9618 20 7.9804 4.2770 14.1858 80 9.3160 4.9762 16.7475 80 Capítulo IV ARX Híbrido Capítulo V FFANN 124 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.5. Conclusões Este capítulo apresentou o desenvolvimento de um modelo FeedForward Artificial Neural Networks (FFANN) para descrever a transmissão vibro-acústica entre a fonte primária de ruído e um receptor em uma sala. O modelo FFANN dinâmico obtido, embora tenha captado a principal dinâmica do sistema, apresentou um desempenho aquém do desempenho apresentado pelo modelo ARX híbrido (Capítulo IV). Considerando que essas duas estruturas de modelo possuem o mesmo número total de parâmetros, o modelo ARX híbrido apresentou uma melhor aderência aos dados experimentais, obtendo os menores erros na estimativa da saída do sistema. É possível melhorar o desempenho do modelo FFANN dinâmico, mas para isso é necessária uma mudança na estrutura proposta para esse modelo, como, por exemplo, o aumento do número de neurônios na camada oculta. Ações como essa, porém, levariam ao aumento do número de parâmetros do modelo, exigindo um maior esforço computacional para simulação das saídas do sistema. Como o objetivo último desta tese é o desenvolvimento de modelos tridimensionais que possam ser utilizados na construção de sistemas para Active Noise Control (ANC), que tenham a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas vibroacústicos, com baixo custo computacional, esta nova estrutura perderia nesse requisito, quando comparada com a estrutura de modelo ARX híbrido proposta no Capítulo IV. 125 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.6. Nomenclatura V.6.1. Lista de símbolos A, B : polinômios dos modelos discretos b : vetor de tendências (bias) de uma rede neral bi : i-ésimo elemento do vetor de tendências (bias) E : função erro quadrático Ep : função erro quadrático para apenas um par de padrões p f : função de transferência de um neurônio gk : gradiente atual da função padrão de desempenho N : número de pares de padrões para treinamento de uma rede n : instante de um modelo discreto n : entrada para a função de transferência f de um neurônio q : operador de deslocamento temporal R : número de entradas em uma rede neural S : número total de neurônios em uma camada SI : número total de neurônios da camada oculta SL : número total de neurônios da camada de saída u (.) : conjunto de sinais de entrada em uma rede neural up : vetor sinal de entrada (estímulo de entrada) para um padrão específico p W : vetor de pesos sinápticos de uma rede neral 126 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Wi : i-ésimo elemento do vetor de pesos sinápticos xk : vetor atual dos pesos e tendências y (.) : conjunto de sinais de saída em uma rede neural ɵy : sinal de saída estimado no modelo y dp : vetor desejado na saída de uma rede neural para um padrão específico p ɵy i p yi dp : saída estimada em um neurônio i estimulado por um padrão específico p : saída desejada em um neurônio i estimulado por um padrão específico p V.6.2. Letras gregas αk : taxa de aprendizagem ε : tolerância do erro φ (.) : função de ativação não linear para cada neurônio λ : multiplicadores de Lagrange θ : limiar do neurônio ψ : conjunto de padrões para treinamento de uma rede V.6.3. Sobrescrito e subscritos d : atraso no tempo d : entrada ou saída desejada nr : número total de neurônios utilizado na configuração da rede neural 127 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... p : p-esimo par de um padrão específico para treinamento de uma rede pr : número total de pesos ( Wi ) da rede neural i : i-ésimo termo de uma série ou vetor k : k-ésima iteração do processo de otimização V.6.4. Abreviaturas ANC : Active Noise Control ANN : Artificial Neural Networks ARX : Auto-Regressive with eXogenous input BP : BackPropagation DNN : Dynamic Neural Network EBP : Error BackPropagation FFANN : FeedForward Artificial Neural Networks FNN : Feedforward Neural Network KT : equações de Kuhn-Tucker MATLAB® : MATrix LABoratory (the language of technical computing) MISO : Multi-Input Single-Output MRTF : Machine-Room Transfer Function NNT : Neural Network Toolbox PGO : Problema Geral de Otimização PSD : Power Spectral Density 128 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 RNA : Rede Neural Artificial SISO : Single-Input Single-Output SQP : Sequential Quadratic Programming C. V – Identificação ... Redes Neurais ... 129 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... V.7. Referências bibliográficas [ 1 ] Kachanov, B.O.; Symmetric Laplace transform and its application to parametric identification of linear systems. AUTOMATION AND REMOTE CONTROL, 70(8):1309-1316, 2009. [ 2 ] Hines, E.L.; Llobet, E.; Gardner, J.W.; Electronic noises: a review of signal processing techniques. IEE PROCEEDINGS-CIRCUITS DEVICES AND SYSTEMS, 146(6): 297-310, 1999. [ 3 ] Becerra V.M.; Garces F.R.; Nasuto S.J.; Holderbaum W.; An efficient parameterization of dynamic neural networks for nonlinear system identification. IEEE TRANSACTIONSON NEURAL NETWORKS, 16: 983–988, 2005. [ 4 ] Madár J.; Abonyi J.; Szeifert F.; Genetic programming for the identification of nonlinear input–output models. INDUSTRIAL AND ENGINEERING CHEMISTRY RESEARCH, 44: 3178–3186, 2005. [ 5 ] Prasad V.; Bequette B.W.; Non linear system identification and model reduction using artificial neural networks. COMPUTERS AND CHEMICAL ENGINEERING, 27: 1741–1754, 2003. [ 6 ] Levin U.; Narendra K. S.; Control of nonlinear dynamic systems using neural networks-controllability and stabilization. IEEE TRANS. ON NEURAL NETWORKS, 4(2): 192-206, 1993. [ 7 ] Levin U.; Narendra K.S.; Control of nonlinear dynamical systems using neural networks - observability, identification and control. IEEE TRANSACTIONS ON NEURAL NETWORKS, 7(1):30-42, 1996. [ 8 ] Tsoi, A.C.; Back, A.D.; Locally recurrent globally feedforward networks: A critical review of architectures. IEEE TRANSACTIONS ON NEURAL NETWORKS, 5(2):229-239, 1994. [ 9 ] Siniscalchi, S.M.; Lee, C.; A study on integrating acoustic-phonetic information into lattice rescoring for automatic speech recognition. SPEECH COMMUNICATION, 51(11):1139-1153, 2009. [ 10 ] Yu, L.; Kang, J.; Modeling subjective evaluation of soundscape quality in urban open spaces: An artificial neural network approach. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 126(3):1163-1174, 2009. [ 11 ] Dariouchy, A.; Aassif, E.; Maze, G.; Decultot, D.; Moudden, A.; Prediction of 130 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... the acoustic form function by neural network techniques for immersed tubes. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 124 (2): 10181025, 2008. [ 12 ] Saxena, A.; Saad, A.; Evolving an artificial neural network classifier for condition monitoring of rotating mechanical systems. APPLIED SOFT COMPUTING, 7 (1): 441-454, 2007. [ 13 ] Rosenblatt, F.; THE PERCEPTRON - A Probabilistic Model for InformationStorage and Organization in the Brain. PSYCHOLOGICAL REVIEW, 65 (6): 386-408, 1958. [ 14 ] Abid, S.; Fnaiech, F.; Najim, M.; A fast feedforward training algorithm using a modified form of the standard backpropagation algorithm. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12 (2): 424-430, 2001. [ 15 ] Asari, V.K.; Training of a FeedForward multiple-valued neural network by error backpropagation with a multilevel threshold function. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12 (6): 1519-1521, 2001. [ 16 ] Hagan, M.T.; Menhaj, M.B.; Training feedforward networks with the Marquardt algorithm. IEEE TRANSACTIONS ON NEURAL NETWORKS, 5 (6): 989993, 1994. [ 17 ] Lera, G.; Pinzolas, M.; Neighborhood based Levenberg-Marquardt algorithm for neural network training. IEEE TRANSACTIONS ON NEURAL NETWORKS, 13 (5): 1200-1203, 2002. [ 18 ] Ma, L.; Khorasani, K.; A new strategy for adaptively constructing multilayer feedforward neural networks. NEUROCOMPUTING, 51: 361-385, 2003. [ 19 ] Tan, K.C.; Tang, H.J.; New dynamical optimal learning for linear multilayer FNN. IEEE TRANSACTIONS ON NEURAL NETWORKS, 15(6): 1562-1568, 2004. [ 20 ] Yu, X.H.; Efe, M.O.; Kaynak, O.; A general backpropagation algorithm for feedforward neural networks learning. IEEE TRANSACTIONS ON NEURAL NETWORKS, 13 (1): 251-254, 2002. [ 21 ] Zweiri, Y.H.; Whidborne, J.F.; Seneviratne, L.D.; A three-term backpropagation algorithm. NEUROCOMPUTING, 50: 305-318, 2003. [ 22 ] Wu, W,; Feng, G.R.; Li, Z.X.; Xu, Y.S.; Deterministic convergence of an online 131 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... gradient method for BP neural networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 16 (3): 533-540, 2005. [ 23 ] Magoulas, G.D.; Plagianakos, V.P.; Vrahatis, M.N.; Globally convergent algorithms with local learning rates. IEEE TRANSACTIONS ON NEURAL NETWORKS, 13 (3): 774-779, 2002. [ 24 ] Wang, X.G.; Tang, Z.; Tamura, H.; Ishii, M.; Sun, W.D.; An improved backpropagation algorithm to avoid the local minima problem. NEUROCOMPUTING, 56: 455-460, 2004. [ 25 ] Yam, J.Y.F.; Chow, T.W.S.; Feedforward networks training speed enhancement by optimal initialization of the synaptic coefficients. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12 (2): 430-434, 2001. [ 26 ] Behera, L.; Kumar, S.; Patnaik, A.; On adaptive learning rate that guarantees convergence in Feedforward networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 17 (5): 1116-1125, 2006. [ 27 ] Sarkar, D.; Methods to speed up error back-propagation learning algorithm. ACM COMPUTING SURVEYS, 27 (4): 519-542, 1995. [ 28 ] Charalambous, C.; Conjugate-Gradient Algorithm for Efficient Training of Artificial Neural Networks. IEE PROCEEDINGS-G CIRCUITS DEVICES AND SYSTEMS, 139 (3): 301-310, 1992. [ 29 ] Abdi, H,; Valentin, D.; Edelman, B.; OToole, A.J.; A Widrow-Hoff learning rule for a generalization of the linear auto-associator. JOURNAL OF MATHEMATICAL PSYCHOLOGY, 40 (2): 175-182, 1996. [ 30 ] Meade, A.J.; Sonneborn, H.C.; Numerical solution of a calculus of variations problem using the feedforward neural network architecture. ADVANCES IN ENGINEERING SOFTWARE, 27 (3): 213-225, 1996. [ 31 ] Selmic, R.R.; Lewis, F.L.; Neural-network approximation of piecewise continuous functions: Application to friction compensation. IEEE TRANSACTIONS ON NEURAL NETWORKS, 13 (3): 745-751, 2002. [ 32 ] Brezhneva, O.A.; Tret'yakov, A.A.; Wright, S.E.; A simple and elementary proof of the Karush-Kuhn-Tucker theorem for inequality-constrained optimization. OPTIMIZATION LETTERS, 3 (1): 7-10, 2009. [ 33 ] Biggs, M.C.; Convergence of Some Constrained Minimization Algorithms 132 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. V – Identificação ... Redes Neurais ... Based on Recursive Quadratic Programming. JOURNAL OF THE INSTITUTE OF MATHEMATICS AND ITS APPLICATIONS, 21 (1): 67-81, 1978. [ 34 ] Han, S.P.; Globally Convergent Method for Nonlinear-Programming. JOURNAL OF OPTIMIZATION THEORY AND APPLICATIONS, 22 (3): 297-309, 1977. [ 35 ] Ge, R.P.; Powell, M.J.D.; The Convergence of Variable-Metric Matrices in Unconstrained Optimization. MATHEMATICAL PROGRAMMING, 27 (2): 123-143, 1983. [ 36 ] Hock, W.; Schittkowski, K.; A Comparative Performance Evaluation of 27 NonLinear Programming Codes. COMPUTING, 30 (4): 335-358, 1983. [ 37 ] Smith, M.R.; Hui, Y.; A data extrapolation algorithm using a complex domain neural network. IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS IIANALOG AND DIGITAL SIGNAL PROCESSING, 44 (2): 143-147, 1997. [ 38 ] Klemenc,J.; Fajdiga,M.; Prediction of loading spectra under diverse operating conditions by a localised basis function neural network. INTERNATIONAL JOURNAL OF FATIGUE, 27 (5): 555 - 568, 2005. [ 39 ] Bambang, R.T.; Adjoint EKF learning in recurrent neural networks for nonlinear active noise control. APPLIED SOFT COMPUTING, 8 (4): 1498-1504, 2008. [ 40 ] Chang, C.Y. and Luoh, F.B.; Enhancement of active noise control using neuralbased filtered-X algorithm. JOURNAL OF SOUND AND VIBRATION, 305 (12): 348-356, 2007. [ 41 ] Zhang, Q.Z.; Gan, W.S. and Zhou, Y.; Adaptive recurrent fuzzy neural networks for active noise control. JOURNAL OF SOUND AND VIBRATION, 296 (4-5): 935-948, 2006. [ 42 ] Bouchard, M.; New recursive-least-squares algorithms for nonlinear active control of sound and vibration using neural networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12 (1): 135-147, 2001. 133 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais CHAPTER VI Chapter VI. Different Approaches for Building Empirical Models of Three-Dimensional Acoustic Systems Contextualization in the thesis The ultimate goal of this thesis is the development of three-dimensional models to be used in the construction of systems for Active Noise Control (ANC) that have the ability to simulate in a proper way (qualitatively and quantitatively) the dynamics of acoustic and / or vibrate-acoustic systems, with the lowest computational cost, allowing the insertion of ANC in real time. In the previous chapters, various structures of models to achieve this goal were proposed. In Chapter III the proposed procedure includes the modeling of the transfer function of vibrate-acoustic room-machine, using an ARX (Auto-Regressive with Exogenous input) model. This was done in two phases. In the first phase, the ARX models were used to describe a SISO (Single-Input Single-Output) system, where the input system is the vibration of the machine and the output is the level of noise, which is measured at a certain point of the room. A least squares method was used to estimate the parameters of the ARX model. In the second step, a spatial interpolation was used to estimate the parameters of the model anywhere in the room, with X, Y and Z Cartesian coordinates. These new parameters, calculated for each point, can be used to map out the noise level in the whole room. In Chapter IV the use of a FeedForward Artificial Neural Networks (FFANN) was proposed to calculate the parameters of the ARX model that simulates the acoustic pressure behavior at a certain point in space. This point is defined by its X, Y and Z Cartesian coordinates (the neural network inputs). The FFANN outputs are the parameters of the ARX model that defines the transfer function of vibrate-acoustic roommachine to the analyzed point. This procedure was used in the place of spatial interpolation, which is proposed in Chapter III. The results showed a good agreement 134 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais between experimental data and the model predictions, confirming the potential of this model for application in a strategy of ANC. In Chapter V a model structure that was solely designed based on a FFANN was proposed, with topology based on the phenomenological behavior that is described in Chapter III. Different from the structure that was seen in Chapter IV, besides the X, Y and Z Cartesian coordinates, the u(n) vibration reading, which was made by the sensor that is installed in the primary source, is provided at the entrance of this network. The y(n) output of this network is the estimated acoustic pressure for any point of the room, given by X, Y and Z Cartesian coordinates. The obtained results were presented by comparing them with results from other models, which were discussed in Chapters III and IV. For an effective control action of the acoustic emission originating from a primary source, it is used a typical approach that involves the addition of a secondary source (control source). The a priori knowledge (through the use of a model) of the acoustic field, which is generated by the secondary source, is fundamental to the ANC system project. This model should be able to simulate in an appropriate way (quantitatively and qualitatively) the dynamics of the propagation of the sound that is emitted by the secondary source (actuator), with the lowest computational cost. In this chapter, all the models structures, which were discussed in Chapters III to V, were applied to the experimental data that was obtained from the study that was done with the secondary source of noise, with an experimental methodology similar to that one described in Chapter III. Therefore, within the general context of this thesis, the objective of this chapter is to evaluate, focusing on the secondary source, the different models structures that were developed in the previous chapters, comparing the results, and getting the most appropriate model for the actuator (secondary source). Abstract This chapter is divided, besides the introduction and the conclusions, in three main sections and another one where the results that were obtained in the main sections are compared. In each of these three sections a structure of model is applied to the experimental data, which were obtained from the studies performed with the secondary source. 135 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Section VI.3.1 proposes the method of Machine-Room Transfer Function (MRTF), based on transfer functions for the modeling of the secondary source. To enable the reduction of the total number of parameters of the models and to allow the expression of MRTF in arbitrary positions, an interpolation procedure, which is detailed in Chapter III, is used. Section VI.3.2 proposes a hybrid approach (ARX-FFANN), where the parameters of ARX models that describe the transfer functions (MRTFs) are estimated by a multilayer neural network. The neural network is applied to obtain the model parameters by mapping the relationship between them and the X, Y and Z Cartesian coordinates, providing predictions of the model in any spatial position. Section VI.3.3 proposes the feedforward model in an ANN with the same structure that is adopted in Chapter V. The representation of the system dynamics is characterized by the set of u and y signals (inputs and outputs of the system). According to the position of the analyzed point, the input signal is delayed in time before it is supplied on the input of ANN, causing a new representation of input / output that is applied to the FeedForward Artificial Neural Networks (FFANN) model. Keywords ARX, Neural networks, Nonlinear identification, Dynamic models, Threedimensional models, Acoustic systems. Conclusions This chapter presented the development of MRTFs that describe the acoustic transmission between the secondary source and a receiver in a room. The ARX identified models described satisfactorily the behavior of the system, yet they have 350 MRTFs with a total of 1750 parameters. In order to provide a reduction in the number of the needed parameters to describe the behavior of the three-dimensional system, an interpolation process was applied to the identified models. This procedure resulted in a reduction of 93% in the number of parameters (which moved down to 135). The ARX interpolated models, which were obtained, did not describe adequately the dominant dynamic of the system. These models were able to identify the main natural frequency of the system; however they amplified the answer in amplitude of the estimated signal to 136 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais output, reaching an average value of the standard error greater than the average of the standard signal. The structure of the hybrid ARX model allowed the identification of the FFANNs-ARX networks that are able to predict the dynamic behavior of the acoustic pressure at each point in space. Adopting the same structure, which is proposed in Chapter IV, the obtained models were effective, giving consistent results that provided a fine description of the dominant dynamics of the system, without degradation of the output signal. Among all the structures which were evaluated, the hybrid ARX models were the ones that presented the best performance, capturing the main frequencies and amplitudes of the dynamic response of the system. Moreover, when they were compared to the interpolated ARX Models, this structure resulted in a significant reduction in the number of the model parameters (from 135 to 80 parameters), which increases their potential for application to control systems in real time. The inclusion of time delay on the input signal was derived from a theoretical approach that was presented in Chapter III and it improved the performance of the model maintaining its physical coherence. Using the same amount of parameters that were established for the hybrid ARX models (80 parameters), the dynamic FFANN model did not show good results. It would be necessary an alteration in its topology (increasing the number of parameters, which is not attractive for a real-time control application) to improve its performance. Therefore, the model structure that best fits the experimental data that were collected from the secondary source is the hybrid ARX structure. This conclusion is in accordance with the results that were obtained in Chapter V. 137 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais CAPÍTULO VI Capítulo VI. Diferentes Abordagens para a Construção de Modelos Empíricos pra Sistemas Acústicos Tridimensionais Contextualização na tese O objetivo último desta tese é o desenvolvimento de modelos tridimensionais a serem utilizados na construção de sistemas para o controle ativo de ruído (ANC, Active Noise Control) que tenham a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica de sistemas acústicos e/ou vibro-acústicos, com baixo custo computacional, possibilitando a implantação do ANC em tempo real. Para alcançar este objetivo, nos capítulos anteriores foram propostas diversas estruturas de modelos. No Capítulo III o procedimento proposto inclui a modelagem da função de transferência vibro-acústica sala-máquina, usando um modelo ARX (Auto-Regressive with eXogenous input). Isso foi feito em duas fases. Na primeira fase, os modelos ARX foram utilizados para descrever um sistema SISO (Single-Input Single-Output), onde a entrada do sistema é a vibração da máquina e a saída é o nível de ruído medido em um determinado ponto da sala. Um método de mínimos quadrados foi utilizado para estimar os parâmetros do modelo ARX. Na segunda etapa, uma interpolação espacial foi utilizada para estimar os parâmetros do modelo em qualquer ponto da sala, com coordenadas cartesianas X, Y e Z. Estes novos parâmetros, calculados para cada ponto, podem ser usados para mapear o comportamento do nível de ruído em toda a sala. No Capítulo IV foi proposta a utilização de uma FeedForward Artificial Neural Networks (FFANN) para calcular os parâmetros do modelo ARX que simula o comportamento da pressão acústica em um determinado ponto no espaço. Esse ponto é definido pelas suas coordenadas cartesianas X, Y e Z (entradas da rede neural). As saídas da FFANN são os parâmetros do modelo ARX que define a função de transferência vibro-acústica sala-máquina para o ponto analisado. Esse procedimento foi usado em lugar da interpolação espacial proposta no Capítulo III. Os resultados mostraram uma 138 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais boa concordância entre os dados experimentais e as previsões do modelo, atestando o potencial desse modelo para a sua aplicação em uma estratégia de ANC. No Capítulo V foi proposta uma estrutura de modelo concebida unicamente com base em uma FFANN, com topologia fundamentada no comportamento fenomenológico descrito no Capítulo III. Diferente da estrutura vista no Capítulo IV, na entrada dessa rede é fornecida, além das coordenadas cartesianas X, Y e Z, a leitura de vibração u (n) feita pelo sensor instalado na fonte primária. A saída y (n) dessa rede é a pressão acústica estimada para um ponto qualquer da sala, dado pelas coordenadas cartesianas X, Y e Z. Os resultados obtidos foram apresentados comparando-os com os resultados dos outros modelos analisados nos Capítulos III e IV. Para uma efetiva ação de controle sobre a emissão acústica proveniente de uma fonte primária, usa-se uma abordagem típica envolvendo a adição de uma fonte secundária (fonte de controle). O conhecimento a priori (através do uso de um modelo) do campo acústico gerado pela fonte secundária é fundamental para o projeto do sistema de ANC. Esse modelo deve ter a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica da propagação do som emitido pela fonte secundária (atuador), também com baixo custo computacional. Neste capítulo, todas as estruturas de modelos abordadas nos Capítulos III ao V foram aplicadas aos dados experimentais obtidos no ensaio realizado com a fonte secundária de ruído, em uma metodologia experimental similar à descrita no Capítulo III. Portanto, dentro do contexto geral desta tese, o objetivo desse capítulo é avaliar, com foco na fonte secundária, as diferentes estruturas de modelos desenvolvidas nos capítulos anteriores, comparando os resultados obtidos e chegando ao modelo mais apropriado para o atuador (fonte secundária). Resumo Esse capítulo divide-se, além da introdução e das conclusões, em três seções principais, nas quais são feitas breves descrições dos experimentos e das estruturas de modelo e onde os resultados obtidos são comparados, através da aplicação de cada uma destas três estruturas de modelo aos dados experimentais obtidos com os ensaios realizados com a fonte secundária. 139 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais A seção VI.4.1 aplica o método da Machine-Room Transfer Function (MRTF), baseado em funções de transferência, para a modelagem da fonte secundária. A fim de permitir a redução do número total de parâmetros dos modelos e permitir a expressão da MRTF em posições arbitrárias, é empregado o procedimento de interpolação que está detalhado no Capítulo III. A seção VI.4.2. aplica a abordagem híbrida (ARX-FFANN), onde os parâmetros dos modelos ARX que descrevem as funções de transferência (MRTFs) são estimados através uma rede neural multicamadas. A rede neural é aplicada para obter os parâmetros do modelo, mapeando a relação entre estes e as coordenadas cartesianas X, Y e Z, fornecendo previsões do modelo em qualquer posição espacial. A seção VI.4.3 aplica o modelo feedforward em uma ANN com a mesma estrutura adotada no Capítulo V. A representação da dinâmica do sistema é caracterizada através do conjunto de sinais u e y (entradas e saídas do sistema). De acordo com a posição do ponto analisado, o sinal de entrada u é atrasado no tempo antes de ser fornecido na entrada da ANN, acarretando em uma nova representação entrada/saída aplicada ao modelo FeedForward Artificial Neural Networks (FFANN). Palavras-chave ARX, Redes neuronais, Identificação não linear, Modelos dinâmicos, Modelos tridimensionais, Sistemas acústicos. 140 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.1. Introdução Em um ambiente industrial, o ruído emitido pelos equipamentos rotativos enclausurados em salas de máquinas é nocivo e especialmente prejudicial para o pessoal da operação. Uma atenuação desse ruído pode ser obtida pela aplicação de um sistema de Active Noise Control (ANC). Para o efetivo controle da emissão acústica proveniente de uma fonte primária, ou para o controle da transmissão de vibração através de estruturas, usa-se uma abordagem típica envolvendo a adição de uma fonte secundária (fonte de controle). Essa fonte secundária deve ser aplicada diretamente sobre a estrutura ou sobre a fonte primária. Essa técnica é denominada Active Structural Acoustic Control (ASAC). Vários estudos [2, 3, 4] mostraram que a técnica ASAC é capaz de reduzir o ruído transmitido por uma estrutura. No entanto, segundo Chen [1], a abordagem ASAC tem um inconveniente em potencial, pois a redução da potência sonora irradiada pela fonte primária está intimamente relacionada • A uma configuração adequada dos atuadores (fontes secundárias) e dos sensores de erro; • Às condições de contorno das estruturas radiantes; • Ao ambiente acústico (campo livre, sistema enclausurado, etc.). Portanto, em sistemas com estruturas complexas (com muitos graus de liberdade) não se chegaria a uma configuração adequada para os atuadores secundários e para os sensores de erro que viabilizasse a utilização da abordagem ASAC no controle do som irradiado por essas estruturas. Além disso, em estruturas pesadas a força aplicada visando uma ação de controle exigiria grandes quantidades de energia, e isso poderia causar uma fadiga estrutural. Dessa forma, a abordagem proposta pelo Active Noise Control (ANC) [5], que introduz uma fonte acústica secundária (atuador acústico) para suprimir os ruídos indesejáveis, torna-se especialmente atraente. Visando o controle do nível de pressão sonora (ruído) em um sistema, o procedimento proposto pelo ANC inclui a identificação de um modelo aplicado na simulação da propagação acústica tridimensional a partir de uma fonte secundária. Esse modelo deve ter a capacidade de simular de forma apropriada (qualitativa e quantitativamente) a dinâmica 141 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais da propagação do som emitido pela fonte secundaria (atuador), com o menor custo computacional. A diferença fundamental entre o ASAC e o ANC é que na estrutura proposta pelo ASAC o atuador ou fonte secundária é instalado diretamente sobre a fonte primária (geradora do ruído que se deseja controlar). Nesse caso, a ação de controle para atenuação do ruído em determinado ponto se dá pela ação mecânica do atuador sobre a fonte primária, visando à redução do seu nível de vibração mecânica (origem do ruído). Na estrutura ANC a fonte secundária emite um ruído que quando somado ao ruído emitido pela fonte primária tem como resultado a atenuação da potência acústica em um determinado ponto. Portanto, no ASAC a fonte secundária age diretamente sobre a fonte primária, já no ANC a ação é indireta. A forma de onda encontrada no campo acústico produzido por uma máquina rotativa é quase periódica e a sua frequência fundamental, assim como o nível de ruído, pode ser estimada por um modelo adequado. Portanto, o conhecimento prévio do comportamento do campo acústico formado pela emissão acústica originada em uma fonte é muito útil para o controlo efetivo do nível de ruído. Através do ajuste da amplitude e da fase do sinal de saída previsto por um modelo, uma fonte acústica secundária (fonte de controle) pode ser ajustada de modo que o campo originado pela fonte acústica primária seja anulado. Portanto, em um arranjo acústico, o ANC exige a introdução de uma fonte acústica secundária (atuador) a ser conduzida de tal forma que o campo acústico gerado por esta fonte interfira destrutivamente sobre o campo causado pela fonte primária [5]. Segundo Gonzalez et al. [6], os sistemas de ANC propõem-se a minimizar a potência sonora em um determinado ponto ou região do espaço, mas, normalmente, sem levar em conta outros parâmetros acústicos, como a pressão acústica em outros pontos ou regiões não controladas, o que significa que o seu efeito sobre a qualidade final do som é de difícil previsão. Um ou vários sensores de erro (normalmente microfones ou outros dispositivos que forneçam informações sobre o campo acústico primário) estão localizados em um espaço onde se deseja a atenuação sonora. Diferentes fontes secundárias (geralmente alto-falantes) podem ser usadas para gerar o cancelamento de ruídos. As informações sobre a distribuição da pressão sonora em um sistema acústico são muito úteis na fase inicial de controle de ruído, seja por meios passivos ou ativos. O conhecimento a priori do comportamento do campo acústico gerado pelas fontes 142 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais secundárias permite uma ação de controle eficiente, minimizando a necessidade de instalação de sensores de erro. Portando, um sistema ANC associa: • Um modelo de simulação para a emissão acústica causada pelas vibrações da máquina (fonte primária); • Um modelo de simulação para a fonte de controle ou atuador (fonte secundária). A modelagem do fenômeno em questão não é simples e diferentes métodos numéricos de complexidade variável têm sido desenvolvidos. Muitos estudos teóricos e experimentais têm sido realizados para identificar o modelo adequado para a simulação de emissões acústicas em três dimensões [8, 9, 10, 11]. A seguir os três métodos já discutidos nos Capítulos III a V são aplicados para a modelagem da fonte secundária, sendo comparados os resultados obtidos em cada um deles. 143 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.2. Metodologia experimental e coleta de dados O experimento foi realizado em uma sala de 7.5x3.5 metros e 3.2 metros de altura, onde foi definida a grade acústica apresentada na Figura VI.3. A sala dispõe de uma fonte secundária excitada por um gerador de sinais e um microfone (ICP) que recebe a pressão sonora em cada ponto da grade previamente definida. A Figura VI.1 mostra alguns detalhes da montagem do experimento. (a) (b) (c) Figura VI.1. Aparato experimental: (a) sinal de entrada do sistema: tensão elétrica originada em um gerador de funções; (b) fonte secundária excitada pelo sinal proveniente do gerador de funções; (c) sinal de saída do sistema: microfone (50 mV / PA). Em cada medida realizada o sensor passivo foi posicionado com seu eixo paralelo à parede (comprimento da sala) e ao plano do chão, em frente à fonte primária. Os dados foram coletados por um coletor Microlog CMXA50 (SKF), que consiste em uma plataforma compacta para coleta de dados (dois canais em tempo real). O condicionamento do sinal coletado é feito por uma fonte ICP integrada a um filtro passa-banda (10-1000 Hz), com o ADC ajustado para uma taxa de amostragem de 2560 Hz. O tempo de coleta para cada par entrada/saída foi estabelecido em 1.6 s. Como resultado dessas configurações, duas variáveis em forma de vetor (entrada u e saída y ), cada uma composta de um conjunto de 4096 valores, foram coletadas, em tempo real, em cada ponto da grade de amostragem. A Figura VI.2 mostra a variável de entrada ( u ) e a variável de saída ( y ) em um dos 350 experimentos realizados. Para todos os 144 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais experimentos, a entrada ( u ) foi um sinal de tensão (ruído branco) produzido pelo gerador de sinais (Figura VI.1.a) sobre o qual foi aplicado um filtro passa-banda (101000 Hz). Portanto, esse sinal foi usado para excitação da fonte secundária (Figura VI.1.b). Seguindo o mesmo procedimento adotado no Capítulo III, antes da identificação de cada MRTF, os sinais coletados passaram por uma decimação digital, reduzindo-se em dez vezes a taxa de amostragem experimental inicialmente utilizada. Figura VI.2. Par de variáveis entrada/saída em um experimento com X=4, Y=7, Z=3. Foram realizados outros 349 experimentos semelhantes. 145 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.3. Estruturas de modelo e procedimentos de estimação de parâmetros Nesta seção, com objetivo de fornecer completude na leitura deste capítulo, as estruturas de modelos abordadas nos Capítulos III ao V são descritas brevemente. VI.3.1. Modelos ARX interpolados Os modelos baseados no método MRTF (Capítulo III), que descrevem a transmissão do som entre uma fonte primária e um receptor em uma sala, também podem ser aplicados à fonte secundária, desempenhando um papel muito importante no processamento do sinal acústico no controle de um campo sonoro. Os modelos baseados no método MRTF são inspirados na estrutura proposta pelo método Room Transfer Function (RTF) [7], e são modelos paramétricos ARX, cujo principal objetivo é a simulação do campo acústico no interior do espaço fechado. Na modelagem da fonte secundária, esta seção propõe a aplicação do método Machine- Transfer Function Room (MRTF), que considera também as interações da sala com os equipamentos envolvidos. Considere um sistema acústico composto por uma fonte secundária (atuador) e um microfone montados em uma sala (Figura VI.3). A fonte secundária é a única fonte de ruído atuando neste sistema. (a) (b) (c) Figura VI.3. Mapeamento do campo acústico gerado por uma fonte secundária em uma sala fechada identificada pelas coordenadas X, Y, Z: . = 1, 2, ..., 7 (0.44 m), Y = 1, 2, ..., 10 (0.44 m) e Z = 1, 2, ..., 5 (0.44 m): (a) deslocamentos horizontal e vertical do microfone (sensor passivo); (b) posicionamento da fonte secundária; (c) grade dos 350 dados coletados (7x10x5 posições assumidas pelo sensor passivo). 146 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Excitando a fonte secundária com um sinal proveniente de um gerador de funções (Figura VI.1a) e instalando um microfone em qualquer ponto na sala (identificado pelas suas coordenadas X , Y , Z ), a função de transferência (modelo do canal de transmissão) entre o sinal do gerador de funções u (t ) e o sinal do microfone y (t ) , denotada por H ( s ) , pode ser identificada usando-se o procedimento descrito no Capítulo III. Este modelo representa o sistema eletro-acústico entre o sinal que excita a fonte secundária e qualquer ponto na sala. Usando argumento similar àquele utilizado no Capítulo III, este comportamento pode ser parcimoniosa e minimamente representado por um sistema sub-amortecido de segunda ordem. Portanto, considerando um modelo discreto (no domínio do tempo), e assumindo um pequeno aumento na ordem do modelo, a fim de melhorar as suas previsões, a seguinte estrutura de modelo é utilizada: A(q ) ⋅ y (n ) = q − d ⋅ B(q ) ⋅ u (n ) + e(n ) (VI.1) A(q ) = 1 + a1 ⋅ q −1 + a2 ⋅ q −2 ( )( B(q ) = b0 + b1 ⋅ q −1 + b2 ⋅ q − 2 ⋅ 1 − q −1 ) (VI.2) onde u (n) é a amostra do sinal de entrada do sistema no instante n , y (n) é a amostra do sinal de saída do sistema no instante n , d é o atraso (tempo morto) da saída do sistema no que diz respeito à entrada u , q é o operador de deslocamento temporal e e(n) é o ruído branco. Assim como no Capítulo III, o tempo de atraso estimado em cada modelo considera apenas a distância longitudinal entre a fonte secundária e o ponto de medição da grade (Figura VI.3) onde o modelo está sendo estimado, e o método dos mínimos quadrados do erro [12, 13] foi usado para estimar os parâmetros das Equações (VI.1) e (VI.2). d= t d d l vs = Ts Ts (VI.3) 147 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais onde d l é a distância longitudinal, vs é a velocidade do som e Ts é o período de amostragem. A fim de permitir a redução do número total de parâmetros dos modelos e permitir a expressão da MRTF em posições arbitrárias, é empregado o mesmo procedimento de interpolação que está detalhado no Capítulo III. VI.3.2. Modelos ARX híbridos A aplicação de modelos não lineares no controle ativo de ruído tem sido objeto de muitas pesquisas nos últimos anos [14, 15, 16, 17, 18]. A aplicação de um controlador não linear é necessária nos casos em que os atuadores ou os sistemas a serem controlados apresentam um comportamento não linear. As ANNs foram sugeridas como uma estrutura de modelo adequada para o controle de plantas não-lineares [17]. Uma rede neural “perceptron” em multicamadas pode ser usada como uma solução geral na modelagem de sistemas não lineares. O principal problema do uso de ANN em sistemas dinâmicos para ANC é o alto custo computacional para o seu treinamento. Para resolver esse problema podem ser adotadas várias estratégias. Por exemplo, Zhang e Jia [19] propuseram um algoritmo de aprendizagem acelerada, mas esse algoritmo é demasiadamente complexo para aplicações práticas, e Bouchard et al. [17] propuseram um controlador não-linear com base em uma rede neural “perceptron” multicamadas, que adota um procedimento de treinamento aplicando-se o algoritmo denominado BackPropagation (BP) estendido. Assim como no Capítulo IV, a modelagem usando esta estrutura híbrida foi realizada em duas etapas. Primeiro cada parâmetro do modelo ARX foi estimado por uma FFANN-MISO, cada uma delas com três entradas (coordenadas cartesianas – X, Y e Z) e uma camada oculta (Figura VI.4) que possui a mesma topologia definida no Capítulo IV e obtida através de um procedimento de validação cruzada [20]. Na segunda etapa, a estrutura híbrida de modelo (estrutura ARX acoplada à estrutura de redes neurais) foi aplicada em um processo de otimização simultânea, a fim de gerar o modelo final (Figura VI.5). Portanto, o procedimento final para estimativa dos parâmetros decorre da minimização da função de erro global definida de acordo com a Equação (VI.4). 148 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 SP TP min Pesos ,Tendências ( C. VI - Diferentes Abordagens...Tridimensionais J ( Pesos, Tendências ) = ∑∑ yMod ( s ,n ) − yExp ( s ,n ) s =1 n =1 ) 2 (VI.4) onde SP , TP , yMod e yExp são respectivamente o número de pontos espaciais, o número de instantes de tempo, a saída estimada pelo modelo e a saída experimental medida. Figura VI.4. Topologia das FFANNs-ARX. Figura VI.5. O processo de otimização (uso simultâneo FFANNs-ARX). 149 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.3.3. Modelos FFANN dinâmicos Nessa seção é feita uma breve descrição da estrutura proposta no Capítulo V, na qual a estrutura de ordens da estrutura ARX é associada a uma FFANN, e ambas são utilizadas em conjunto para estimar a saída do modelo (pressão acústica para cada posição espacial). Usando-se o mesmo critério estabelecido no Capítulo V, adotou-se que o número máximo de parâmetros a serem utilizados nessa rede deve estar o mais próximo possível de 80 (número de parâmetros adotado na estrutura descrita na seção VI.3.2 e proposta no Capítulo IV). A rede também foi treinada segundo o mesmo procedimento descrito no Capítulo V e novamente ilustrado na Figura VI.6. Figura VI.6. Estrutura FFANN dinâmico (predição de longo alcance). 150 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.4. Resultados e discussão VI.4.1. Modelos ARX interpolados Foram identificadas 350 MRTFs que descrevem o comportamento dinâmico espacial da pressão acústica gerada pela fonte secundária, com cada MRTF composta por um modelo ARX definido pelas Equações (VI.1) e (VI.2). Levando-se em consideração os estudos realizados no Capítulo III e usando-se os mesmos critérios de interpolação aplicados aos modelos identificados para fonte primaria, passou-se a representar a dinâmica de propagação do som (a partir da fonte secundária) com apenas 27 MRTFs, com as quais foram obtidas as superfícies que representam a distribuição espacial dos parâmetros interpolados (Tabela VI.1 a Tabela VI.3). Analisando-se a distribuição espacial dos parâmetros do modelo mostrada nas Tabela VI.1 a Tabela VI.3, é possível concluir que: • Em primeiro lugar, comparando-se as superfícies com aquelas que foram obtidas no Capítulo III, é possível concluir que as superfícies obtidas com os parâmetros dos modelos interpolados (terceira coluna) não apresentam o mesmo nível de concordância com as superfícies obtidas com os parâmetros dos modelos identificados (primeira coluna). Como foi conservada a mesma ordem de modelo para esse conjunto de dados, Equação (VI.2), o procedimento de interpolação não foi capaz de descrever o comportamento espacial dos parâmetros dos modelos identificados, já que, ao ser aplicado um sinal de entrada ( u ) em banda larga (ruído branco filtrado de 10-1000 Hz), vários modos (freqüências naturais) do sistema foram excitados; • Em segundo lugar, embora as condições físicas da sala sejam as mesmas adotadas no procedimento de ensaio da fonte primária (Capítulo III), um suposto comportamento esperado de simetria em relação ao ponto central do eixo X já pode ser percebido, em função do posicionamento adotado para a fonte secundária. 151 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.1. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 1 (0.44 m) Parâmetros Grade Grade Grade Identificada Reduzida Interpolada a1 a2 b0 b1 b2 152 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.2. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 3 (0.44 m) Parâmetros Grade Grade Grade Identificada Reduzida Interpolada a1 a2 b0 b1 b2 153 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.3. Distribuição espacial dos parâmetros dos modelos ARX. Plano Z = 5 (0.44 m) Plano Z = 2.2 m Parâmetros Grade Grade Grade Identificada Reduzida Interpolada a1 a2 b0 b1 b2 Os modelos interpolados foram usados para prever o comportamento dinâmico e espacial do sinal de saída captado pelo microfone. As Figura VI.7 a Figura VI.9 154 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais mostram o melhor e o pior ajuste do modelo com o mínimo erro médio quadrático (Least Mean Square - LMS), para os planos Z = 1, 3 e 5. Pode-se observar que, mesmo com uma menor concordância com as superfícies obtidas com os parâmetros dos modelos identificados, usando-se os modelos interpolados, até mesmo os piores resultados captam a frequência da dinâmica predominante dos dados experimentais, embora os modelos interpolados tenham dificuldades de captar a amplitude dessa dinâmica. Figura VI.7. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): resposta no tempo para os modelos ARX estimado e interpolado. Figura VI.8. Melhores e piores ajustes do modelo para o plano Z = 3 (0.44 m): resposta no tempo para os modelos ARX estimado e interpolado. 155 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Figura VI.9. Melhores e piores ajustes do modelo para o plano Z = 5 (0.44 m): resposta no tempo para os modelos ARX estimado e interpolado. A Figura VI.10 apresenta a média do PSD (Power Spectral Density) para os 350 pontos da grade. Os modelos interpolados descrevem adequadamente a dinâmica dominante do sistema, identificando a principal frequência natural do sistema (banda de frequência entre 80 e 120 Hz, faixa em que se concentra a maior parte da energia do sinal). Nessa mesma faixa de frequência, as amplitudes dos modelos interpolados excederam as amplitudes dos modelos identificados e dos valores experimenteis medidos. Para corrigir o ajuste da amplitude e permitir a identificação das outras frequências naturais do sistema, seria necessário aumentar a ordem do modelo, o que não foi feito para que fossem mantidos os mesmos critérios de comparação entre os resultados para as diversas estruturas de modelos testadas. 156 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Figura VI.10. Média do PSD para o experimento e para as saídas dos modelos ARX identificado e interpolado. Com o objetivo de observar o comportamento dinâmico dos modelos interpolados em suas estimativas para a resposta do sistema sujeito a uma excitação arbitrária, foi aplicado na entrada desses modelos uma excitação com a forma de onda ilustrada na Figura VI.11 (onda senoidal). Como já mencionado no Capítulo III, deve-se salientar que esta abordagem de modelagem permite predizer o comportamento do sistema com qualquer detalhe pretendido, com grades uniformes ou não-uniformes. As Figura VI.12 a Figura VI.14 exemplificam uma simulação com uma grade uniforme com 700 pontos. Figura VI.11. Sinal de entrada para simulação do modelo (onda senoidal de 5 Hz). 157 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais A Figura VI.12 mostra uma simetria ao se considerar simultaneamente a diagonal principal formada pelos gráficos (a), (e) e (i) e a vertical formada pelos gráficos (b), (e) e (h). Essa simetria pode ser comprovada pela observação dos pares (b)-(h), (d)(c), (g)-(f) e (a)-(i), sendo sugestiva à forma de propagação esférica (considerando-se a fonte primária como uma fonte pontual) associada às reflexões nas paredes da sala. Na Figura VI.13 as coordenadas X e Z são mantidas constantes em cada gráfico e a coordenada Y varia ao longo do comprimento da sala. Esta é a coordenada que melhor expressa a distância entre a fonte secundária e um ponto qualquer da sala. Em alguns dos gráficos da Figura VI.13, principalmente nos gráficos (a) e (d), é possível observar a esperada variação de fase da onda y (t ) ao longo do eixo Y. Isso é fisicamente significativo, já que o atraso de resposta na saída y (t ) é diretamente proporcional à distância entre a fonte secundária e o ponto analisado com coordenada XYZ. Os gráficos contidos na primeira linha da Figura VI.14, gráficos (a), (b) e (c), representam os pontos que estão mais próximos da fonte secundária em relação ao comprimento da sala. Observe que nesses pontos as amplitudes da onda (sinal de saída) são maiores para os menores valores da coordenada Z. Isso ocorre devido à esperada reflexão do som no piso. Os gráficos contidos na última linha da Figura VI.14, principalmente os gráficos (g) e (i), representam os pontos que estão mais distantes da fonte secundária em relação ao comprimento da sala, próximos à parede que limita o comprimento da sala. Nesses pontos, observe que há um aumento dos valores das amplitudes da onda (sinal de saída) para os maiores valores da coordenada Z. Isso ocorre devido à esperada reflexão do som na parede da sala. 158 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais (a) (b) (c) (d) (e) (f) (g) (h) (i) Figura VI.12. Previsão em três dimensões do modelo ARX interpolado para o comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de X e t (o elipsóide escuro representa a localização da fonte secundária). 159 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais (a) (b) (c) (d) (e) (f) (g) (h) (i) Figura VI.13. Previsão em três dimensões do modelo ARX interpolado para o comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de Y e t (o elipsóide escuro representa a localização da fonte secundária). 160 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais (a) (b) (c) (d) (e) (f) (g) (h) (i) Figura VI.14. Previsão em três dimensões do modelo ARX interpolado para o comportamento dinâmico do sistema em resposta ao sinal de entrada da Figura VI.11: sinal de saída como uma função de Z e t (o elipsóide escuro representa a localização da fonte secundária). VI.4.2. Modelos ARX híbridos Os parâmetros identificados para as 350 MRTFs (ver seção VI.4.1) foram ajustados por FFANNs-ARX de acordo com o procedimento de treinamento proposto para a primeira fase (Figura VI.4). As FFANNs-ARX treinadas na primeira fase foram utilizados como chute inicial para o processo de otimização simultânea. Portanto, a estrutura final (modelo do sistema) foi obtida com o ajuste dos parâmetros das FFANNs- ARX através do procedimento de otimização simultânea (Figura VI.5) aplicado à Equação (VI.4). A estrutura final é formada por apenas 80 parâmetros (pesos sinápticos e desvios das FFANNs-ARX descritas no Capítulo IV). Isto representa uma redução 161 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais significativa de 95% no número total de parâmetros, quando comparado ao número de parâmetros da estrutura ARX identificada (distribuição espacial de 350 MRTFs). Assim como na seção anterior, a distribuição espacial dos parâmetros estimados utilizando-se a estrutura ARX híbrida (FFANNs-ARX) pode ser representada através de superfícies. Essas superfícies são mostradas nas Tabela VI.4 a Tabela VI.6. A primeira coluna de cada tabela apresenta as superfícies obtidas com os parâmetros dos modelos identificados (seção VI.4.1). A segunda coluna apresenta as superfícies obtidas com os parâmetros dos modelos FFANNs-ARX calculados com as redes treinadas na primeira fase. Finalmente, a terceira coluna apresenta as superfícies formadas pelos parâmetros dos modelos ajustados na segunda fase do processo de modelagem das redes neurais (FFANNs-ARX com a otimização simultânea aplicada aos 350 pontos). Em todas as tabelas, as superfícies obtidas com os parâmetros dos modelos FFANNs-ARX calculados com as redes treinadas na primeira fase (segunda coluna) estão de acordo com a tendência geral das superfícies obtidas com os parâmetros dos modelos ARX identificados (primeira coluna), demonstrando a coerência e a eficácia do processo de modelagem proposto. Como pode ser visto no resumo apresentado na Tabela VI.7, alguns dos modelos híbridos FFANNs-ARX são instáveis (os pólos estão fora do circulo unitário), aumentando muito o valor LMS na estimativa dos parâmetros. Isso foi corrigido na segunda fase do processo de modelagem da rede neural com a imposição de uma restrição no procedimento de otimização simultânea, garantindo-se a estabilidade dos modelos. Daí as superfícies obtidas com os parâmetros dos modelos ajustados na segunda fase terem uma maior conformidade com o perfil geral das superfícies obtidas com os parâmetros dos modelos ARX identificados (primeira coluna). 162 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.4. Distribuição espacial dos parâmetros dos modelos ARX híbridos. Plano Z = 1 (0.44 m) Parâmetros Grade Grade Grade Identificada Rede Neural 10 Estagio Rede Neural 20 Estagio a1 a2 b0 b1 b2 163 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.5. Distribuição espacial dos parâmetros dos modelos ARX híbridos. Plano Z = 3 (0.44 m) Parâmetros Grade Grade Grade Identificada Rede Neural 10 Estagio Rede Neural 20 Estagio a1 a2 b0 b1 b2 164 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Tabela VI.6. Distribuição espacial dos parâmetros dos modelos ARX híbridos. Plano Z = 5 (0.44 m) Parâmetros Grade Grade Grade Identificada Rede Neural 10 Estagio Rede Neural 20 Estagio a1 a2 b0 b1 b2 Foram aplicados aos modelos FFANNs-ARX obtidos através do procedimento de otimização simultânea todos os sinais de entrada experimentais disponíveis. As Figura 165 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.15 a Figura VI.17 mostram o melhor e o pior ajuste do modelo (LMS) para os planos Z = 1, 3 e 5. Pode-se observar que mesmo os piores resultados obtidos pelos modelos fornecem uma descrição adequada para os dados experimentais, captando as principais tendências do comportamento do sistema. Nesse caso, não só as freqüências dominantes da dinâmica, mas também as amplitudes são bem expressas pelas respostas dos modelos. A Figura VI.18 ilustra a melhora obtida na segunda fase a partir da primeira fase no ajuste dos parâmetros das FFANNs-ARX através do procedimento de otimização simultânea. Figura VI.15. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): resposta no tempo para os modelos ARX híbrido e ARX identificado. Figura VI.16. Melhores e piores ajustes do modelo para o plano Z = 3 (0.44 m): resposta no tempo para os modelos ARX híbrido e ARX identificado. 166 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Figura VI.17. Melhores e piores ajustes do modelo para o plano Z = 5 (0.44 m): resposta no tempo para os modelos ARX híbrido e ARX identificado. Figura VI.18. Melhores e piores ajustes para o plano Z = 1 (0.44 m): resposta no tempo para o modelo ARX híbrido na primeira e segunda fase (procedimento de otimização). A Figura VI.19 apresenta a média do PSD para os 350 pontos da grade. Assim como a estrutura apresentada na seção anterior, os modelos ARX híbridos descrevem adequadamente a dinâmica dominante do sistema (frequência natural entre 80 e 120 Hz). Embora apenas uma das frequências naturais do sistema tenha sido identificada pelos modelos ARX híbridos, as amplitudes identificadas por essa estrutura apresentaram uma menor norma do erro de estimação (Tabela VI.7). 167 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Figura VI.19. Média do PSD para o experimento (saídas medidas) e para as saídas dos modelos ARX híbridos e ARX identificados. VI.4.3. Modelos FFANN dinâmicos Um modelos FFANN dinâmico também foi utilizado para modelar os dados experimentais da fonte secundária, e o modelo resultante foi usado para prever o comportamento dinâmico e espacial do sinal de saída do sistema (microfone). Nas Figura VI.7 a Figura VI.9 são mostrados o melhor e o pior resultado do modelo na estimativa do sinal de saída para os planos Z=1, 3 e 5, comparando-os com o resultado obtido com os modelos ARX. É possível observar que os resultados com os modelos FFANN dinâmico não fornecem uma boa representação da dinâmica dos dados experimentais. 168 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Figura VI.20. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura VI.21. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. Figura VI.22. Melhores e piores ajustes do modelo para o plano Z = 1 (0.44 m): resposta no tempo para o modelo ARX identificado e para o modelo FFANN. 169 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais A Figura VI.23 apresenta a média da PSD para os 350 pontos de malha. O modelo FFANN dinâmico não capta nenhum das freqüências naturais do sistema, não fornecendo portanto uma boa descrição da dinâmica do sistema. Figura VI.23. Média PSD para o experimento e para as saídas dos modelos ARX identificados e FFANNs. VI.4.4. Comparação entre as estruturas de modelo utilizadas A Tabela VI.7 apresenta um resumo dos resultados obtidos para cada uma das estruturas estudadas. Os modelos ARX interpolados identificaram a principal frequência da dinâmica do sistema. Porém, nessas frequências, eles amplificaram as resposta em amplitude do sinal estimado para a saída, alcançando um valor da média da soma do quadrado do erro superior à média da norma do sinal experimental. Dentre todas as estruturas avaliadas, os modelos ARX híbridos foram os que apresentaram o melhor desempenho, permitindo uma grande redução do número total de parâmetros (95%) e ainda capturando as principais frequências e amplitudes da resposta dinâmica do sistema. O modelo FFANN dinâmico não identificou a dinâmica principal do sistema, mas não amplificou as resposta em amplitude do sinal estimado para saída. Como já discutido no Capítulo V, é possível melhorar o desempenho qualitativo do modelo FFANN dinâmico, sendo necessária para isso uma mudança na sua estrutura, como, por exemplo, aumentar o número de neurônios na camada oculta. Isto, por outro lado, 170 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais conduziria a um aumento do número de parâmetros do modelo, exigindo um maior esforço computacional para a simulação das saídas do sistema. Na Tabela VI.7, a instabilidade destacada para os modelos ARX hibrido – primeiro estágio refere-se ao fato de que esses modelos amplificaram as resposta em amplitude do sinal estimado para a saída, alcançando um valor muito alto para a norma euclidiana do erro de estimação. Tabela VI.7. Comparação da norma euclidiana dos erros Norma Euclidiana do Erro: Média Mínimo Máximo Número de Parâmetros Modelos: Seção VI.2 ARX identificado sem atraso (350 MRTFs) 2.3084 0.3435 5.2039 1750 ARX identificado com atraso (350 MRTFs) 2.1373 1.2109 9.9906 1750 ARX interpolado com atraso (27 MRTFs) 2.9446 1.4219 11.4324 135 ARX hibrido – Primeiro estágio Instável 1.2867 Instável 80 ARX hibrido – Segundo estágio 2.7136 1.2834 10.1108 80 2.8789 1.2720 10.1179 80 Seção VI.3 Seção VI.4 FFANN dinâmico 171 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.5. Conclusões Esse capítulo apresentou o desenvolvimento de MRTFs que descrevem a transmissão acústica entre a fonte secundária e um receptor em uma sala. Os modelos ARX identificados descrevem de forma satisfatória o comportamento do sistema, mas possuem 350 MRTFs com um total de 1750 parâmetros. A fim de proporcionar uma redução do número de parâmetros necessários para descrever o comportamento tridimensional do sistema, um processo de interpolação foi aplicado a uma parte dos modelos identificados. Este procedimento resultou em uma redução em 93% do número total de parâmetros (que passou para 135). Os modelos ARX interpolados obtidos não descreveram adequadamente a dinâmica dominante do sistema. Esses modelos conseguiram identificar a principal frequência natural do sistema, mas amplificaram as respostas em amplitude do sinal estimado para a saída, alcançando um valor médio da norma do vetor erro superior à média da norma do sinal. A estrutura de modelo ARX híbrida permitiu a identificação de redes FFANNs- ARX capazes de predizer o comportamento dinâmico da pressão acústica em cada ponto do espaço. Adotando-se a mesma estrutura proposta no Capítulo IV, os modelos obtidos foram eficazes, proporcionando resultados consistentes que forneceram uma boa descrição da dinâmica dominante do sistema, sem que houvesse a degradação do sinal de saída. Dentre todas as estruturas avaliadas os modelos ARX híbridos foram os que apresentaram o melhor desempenho, capturando as principais frequências e amplitudes da resposta dinâmica do sistema. Além disso, quando comparada ao modelo ARX interpolado, esta estrutura resultou em uma redução significativa do número total de parâmetros do modelo (de 135 para 80 parâmetros), o que aumenta o potencial para sua aplicação em sistemas de controle em tempo real. A inclusão do atraso de tempo no sinal de entrada foi derivada de uma abordagem teórica apresentada no Capítulo III e melhorou o desempenho do modelo, mantendo a sua coerência física. Usando a mesma quantidade de parâmetros estabelecia para os modelos ARX híbridos (80 parâmetros), o modelo FFANN dinâmico não apresentou bons resultados. Para melhorar o seu desempenho seria necessária uma alteração em sua topologia (por exemplo, aumentando o número de parâmetros, o que não é atrativo para uma aplicação para controle em tempo real). 172 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais Portanto, a estrutura de modelo que melhor ajusta os dados experimentais coletados a partir da fonte secundária é a estrutura ARX híbrida. Essa conclusão está em conformidade com os resultados obtidos nos Capítulos III a V. 173 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.6. Nomenclatura VI.6.1. Lista de símbolos a, b, d : parâmetros do modelo discreto A, B, D : polinômios do modelo discreto d : atraso temporal (instantes de tempo) d : distância e : ruído branco H : função de transferência sistema eletro-acústico k : ganho do modelo n : instante de tempo na, nb, nd : ordens do modelo p : número de parâmetros q : operador de deslocamento temporal s : operator de Laplace SP : número de pontos geométricos TP : número de pontos no tempo t, T : tempo, período u, u : sinal de entrada do sistema v : erro de predição do modelo v : velocidade X, Y , Z : coordenadas cartesianas 174 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 y, y C. VI - Diferentes Abordagens...Tridimensionais : sinal de saída do sistema VI.6.2. Letras gregas ∆ : operador de diferenças ω : frequência característica do modelo ζ : fator de amortecimento do modelo VI.6.3. Sobrescrito e subscritos 0 : interpolado d : atraso no tempo (instante de tempo) Exp : experimento F : filtrado l : longitudinal Mod : modelo p : estimado s : amostragem s : som VI.6.4. Abreviaturas ADC : Analog-to-Digital Converter ANC : Active Noise Control ANN : Artificial Neural Networks 175 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais ARX : Auto-Regressive with eXogenous input ASAC : Active Structural Acoustic Control BP : BackPropagation FFANN : FeedForward Artificial Neural Networks ICP : Integrated Circuit Piezoelectric MISO : Multi-Input Single-Output LMS : Least Mean Square MRTF : Machine-Room Transfer Function PSD : Power Spectral Density RTF : Room Transfer Function SISO : Single-Input Single-Output SKF : Svenska Kugellager Fabriken 176 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VI - Diferentes Abordagens...Tridimensionais VI.7. Referências bibliográficas [ 1 ] Chen, K.; Chen, G.; Pan, H. and Li, S.; Secondary actuation and error sensing for active acoustic structure. JOURNAL OF SOUND AND VIBRATION, 309 (1-2): 40-51, 2008. [ 2 ] Clark, R.L. and Fuller, C.R.; A Model-Reference Approach for Implementing Active Structural Acoustic Control. JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, 92 (3): 1534-1544, 1992. [ 3 ] Pinte, G.; Boonen, R.; Desmet, W. and Sas, P.; Active structural acoustic control of repetitive impact noise. JOURNAL OF SOUND AND VIBRATION, 319 (35): 768-794, 2009. [ 4 ] Gardonio, P. and Elliott, S.J.; Smart panels for active structural acoustic control. SMART MATERIALS & STRUCTURES, 13 (6): 1314-1336, 2004. [ 5 ] Elliott, S. J.; and Nelson, P. A.; and Sthothers, I. M.; A Multiple Error LMS Algorithm and its application to the active control of sound and vibration. TRANSACTIONS ON ACOUSTICS SPEECH AND SIGNAL PROCESSING, 35 (10): 1423-1434, 1987. [ 6 ] Gonzalez, A.; Ferrer, M.; de Diego, M.; Pinero, G. and Garcia-Bonito, J.J.; Sound quality of low-frequency and car engine noises after active noise control. JOURNAL OF SOUND AND VIBRATION, 265 (3): 663-679, 2003. [ 7 ] Haneda, Y.; Kaneda, Y. and Kitawaki, N.; Common-acoustical-pole and residue model and its application to spatial interpolation and extrapolation of a room transfer function. IEEE TRANSACTIONS ON SPEECH AND AUDIO PROCESSING, 7 (6): 709-717, 1999. [ 8 ] António, J.; Tadeu, A. and Godinho, L.; A three-dimensional acoustics model using the method of fundamental solutions. ENGINEERING ANALYSIS WITH BOUNDARY ELEMENTS, 32 (6): 525-531, 2008. [ 9 ] Elliott, S.J. and Nelson, P.A.; Active noise control. IEEE SIGNAL PROCESSING MAGAZINE, 10 (4): 12-35, 1993. [ 10 ] Shoureshi, R.; Brackney, L.; Kubota, N. and Batta, G.; A modern control approach to active noise control. JOURNAL OF DYNAMIC SYSTEM, MEASUREMENT AND CONTROL - TRANSACTIONS OF THE ASME, 115 (4): 673-678, 1993. 177 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 [ 11 ] C. VI - Diferentes Abordagens...Tridimensionais Warnaka, G. E.; Active attenuation of noise - The state of the art. NOISE CONTROL ENGINEERING JOURNAL, 18 (3): 100-110, 1982. [ 12 ] Kuo, S.M. and Morgan, D.R.; Active noise control: a tutorial review. PROCEEDINGS OF THE IEEE, 87 (6): 943-973, 1999. [ 13 ] Haneda, Y.; Makino, S. and Kaneda, Y.; Common acoustical pole and zero modeling of room transfer functions. SPEECH AND AUDIO PROCESSING, IEEE TRANSACTIONS ON, 2(2): 320-328, 1994. [ 14 ] Bambang, R.T.; Adjoint EKF learning in recurrent neural networks for nonlinear active noise control. APPLIED SOFT COMPUTING, 8 (4): 1498-1504, 2008. [ 15 ] Chang, C.Y. and Luoh, F.B.; Enhancement of active noise control using neuralbased filtered-X algorithm. JOURNAL OF SOUND AND VIBRATION, 305 (12): 348-356, 2007. [ 16 ] Zhang, Q.Z.; Gan, W.S. and Zhou, Y.; Adaptive recurrent fuzzy neural networks for active noise control. JOURNAL OF SOUND AND VIBRATION, 296 (4-5): 935-948, 2006. [ 17 ] Bouchard, M.; Paillard, B. and Le Dinh, C.T.; Improved training of neural networks for the nonlinear active control of sound and vibration. IEEE TRANSACTIONS ON NEURAL NETWORKS, 10 (2): 391-401, 1999. [ 18 ] Bouchard, M.; New recursive-least-squares algorithms for nonlinear active control of sound and vibration using neural networks. IEEE TRANSACTIONS ON NEURAL NETWORKS, 12 (1): 135-147, 2001. [ 19 ] Zhang, Q.Z. and Jia, Y.L.; Active noise hybrid feedforward/feedback control using neural network compensation. JOURNAL OF VIBRATION AND ACOUSTICS-TRANSACTIONS OF THE ASME, 124 (1): 100-104, 2002. [ 20 ] Embiruçu, M.; Modelagem, Estimação e Controle em Reatores Industriais de Polimerização de Eteno com Catálise Ziegler-Natta Solúvel (in portughese), D. Sc. Thesis. UNIVERSIDADE FEDERAL DO RIO DE JANEIRO, Rio de Janeiro, Brazil, 1998. 178 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões CHAPTER VII Chapter VII. Conclusions and Suggestions Abstract In this chapter some final comments are rendered, providing an overview of the whole work. Moreover, a number of suggestions are devised for further studies and researches continuing the developments made throughout this work. These suggestions cover exploiting new approaches regarding Active Noise Control (ANC) and related issues. Keywords Vibration-acoustic model, Three-dimensional model, Dynamic model, Rotating machine. 179 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões CAPÍTULO VII Capítulo VII. Conclusões e Sugestões Resumo Neste capítulo são feitos alguns comentários finais, fornecendo uma visão geral de todo o trabalho realizado. Além disso, é feita uma lista de sugestões para a continuação dos estudos e pesquisas desenvolvidos ao longo do trabalho, envolvendo a exploração de novas abordagens relacionadas ao controle ativo de ruído (Active Noise Control - ANC) e temas correlatos. Palavras-chave Modelos vibro-acústicos, Modelos tridimensionais, Modelos dinâmicos, Máquinas rotativas. 180 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões VII.1. Comentários finais Embora o Controle Ativo de Ruído (Active Noise Control - ANC), ou Redução Ativa de Ruído (Active Noise Reduction - ANR), seja utilizado em uma diversidade de aplicações, a modelagem de um sistema acústico ainda permanece uma tarefa desafiadora. A complexidade do campo sonoro produzido pelo enclausuramento das fontes de ruído agrava esta situação. O sucesso da simulação da resposta dinâmica de um sistema acústico depende da escolha correta para a estrutura do modelo. Esse modelo será aplicado na predição do comportamento da pressão sonora em qualquer ponto arbitrário do ambiente estudado. Neste trabalho procurou-se atingir basicamente dois objetivos principais: • Propor uma estrutura adequada para o modelo que simule a resposta dinâmica de um sistema acústico, sendo conhecida, por medidas experimentais, a distribuição da pressão acústica nos diversos pontos de um campo acústico gerado em um sistema acústico; • Propor um método para redução do número de parâmetros dos modelos identificados, permitindo a sua aplicação em estratégias de ANC em tempo real. As conclusões finais deste trabalho são apresentadas seguindo a mesma lógica de seu desenvolvimento ao longo do texto. O Capítulo II apresentou e discutiu várias referências sobre os trabalhos que formalizaram o método de controle ativo de ruído, situando o conhecimento e a tecnologia desenvolvida para as aplicações em ANC. Conclui-se que uma boa parte delas se refere ao controle ativo de ruído aplicado a sistemas acústicos unidimensionais e que são restritas a uma pequena faixa de frequência. Isto justificou o desenvolvimento desse trabalho, que no âmbito tecnológico industrial propôs uma estrutura de modelo com baixa complexidade e que, de forma inovadora, simulou a propagação tridimensional do ruído em um ambiente fechado, permitindo a sua aplicação em um sistema para ANC. O Capítulo III apresentou o desenvolvimento da função de transferência máquina-sala (Machine-Room Transfer Function - MRTF) que simula a transmissão acústica entre a fonte primária e um receptor em uma sala. Os modelos identificados em uma estrutura ARX simularam de forma satisfatória o comportamento do sistema. Além 181 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões disso, a fim de proporcionar a redução do número total de parâmetros dos modelos utilizados para a descrição do comportamento espacial do sistema acústico, foi aplicado um processo de interpolação sobre uma parte dos modelos identificados. Esse procedimento resultou em uma redução significativa (em cerca de 93%) do número total de parâmetros dos modelos, mantendo uma boa descrição da dinâmica dominante do sistema, sem que houvesse uma degradação do sinal de saída, permitindo uma futura implementação dessa estrutura de modelo em sistemas de controle em tempo real (realtime). A consistência dos modelos foi testada através de uma simulação realizada com a aplicação de um sinal arbitrário (onda senoidal) nas entradas (u) dos modelos e analisando-se o sinal de saída (y) em um ponto de coordenadas cartesianas X, Y, Z. O conjunto de saídas (y) descreve o comportamento dinâmico e espacial da pressão sonora no ambiente analisado. A inclusão de atrasos de tempo derivada de uma abordagem teórica melhorou o desempenho do modelo, assim como a sua coerência. Os resultados mostram uma boa concordância entre os dados experimentais e as previsões do modelo, indicando o potencial da utilização do modelo desenvolvido para um projeto de ANC. O Capítulo IV apresentou o desenvolvimento da função de transferência máquina-sala (Machine-Room Transfer Function - MRTF) com base em uma estrutura de modelo híbrida ARX-rede neural. O resultado é um modelo híbrido que simula a transmissão acústica entre a fonte primária e um receptor em uma sala. O procedimento de estimativa dos parâmetros do modelo compreendeu um processo com duas etapas. Primeiro, cada parâmetro do modelo ARX foi estimado por uma rede FFANN-MISO, cada uma delas com três entradas (coordenadas cartesianas – X, Y e Z) e uma camada oculta. Na segunda etapa, a estrutura híbrida de modelo (estrutura de redes neurais acoplada a uma estrutura ARX) foi aplicada em um processo de otimização simultânea, a fim de gerar o modelo final. O modelo final obtido foi capaz de predizer o comportamento dinâmico da pressão acústica para cada ponto do espaço. O procedimento de identificação, incluindo a seleção do número ótimo de neurônios na camada oculta, foi eficaz e proporcionou resultados consistentes, fornecendo uma boa descrição da dinâmica dominante do sistema, sem que houvesse degradação do sinal de saída. Além disso, quando comparado aos modelos obtidos pelo procedimento de interpolação (Capítulo III), esta metodologia proposta resultou em uma redução significativa do número de parâmetros do modelo, permitindo a sua futura aplicação em sistemas de controle em tempo real (real-time). 182 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões O Capítulo V apresentou o desenvolvimento de um modelo FeedForward Artificial Neural Networks (FFANN) dinâmico para descrever a transmissão vibroacústica entre a fonte primária de ruído e um receptor em uma sala. O modelo FFANN dinâmico obtido, embora tenha captado a principal dinâmica do sistema, apresentou um desempenho aquém do desempenho apresentado pelo modelo ARX híbrido apresentado no Capítulo IV. Considerando que essas duas estruturas de modelo possuem o mesmo número total de parâmetros, o modelo ARX híbrido apresentou uma melhor aderência aos dados experimentais, obtendo os menores erros na estimativa da saída do sistema. Todas as estruturas de modelos desenvolvidas nos Capítulos III ao V foram aplicadas aos dados obtidos com o experimento realizado com a fonte primária (conjunto motor-bomba). No Capítulo VI foram desenvolvidas MRTFs que descreveram a transmissão acústica entre a fonte secundária e um receptor em uma sala. Para esse caso, os modelos ARX identificados descreveram de forma satisfatória o comportamento do sistema, mas o conjunto de modelos identificados possuía 350 MRTFs com um total de 1750 parâmetros. A fim de proporcionar uma redução do número de parâmetros necessários para descrever o comportamento tridimensional do sistema, o processo de interpolação descrito no Capítulo III foi aplicado a uma parte dos modelos identificados. Este procedimento resultou também aqui em uma redução de 93% do número total de parâmetros (que passou para 135). Os modelos ARX interpolados obtidos não descreveram adequadamente a dinâmica dominante do sistema. Esses modelos conseguiram identificar a principal frequência natural do sistema, mas amplificaram as respostas em amplitude do sinal estimado para a saída, alcançando um valor médio da norma do vetor erro superior à média da norma do sinal. A aplicação da estrutura de modelo ARX híbrida aos dados coletados para fonte secundária permitiu a identificação de redes FFANNs-ARX capazes de predizer o comportamento dinâmico da pressão acústica em cada ponto do espaço. Os modelos obtidos foram eficazes, proporcionando resultados consistentes que forneceram uma boa descrição da dinâmica dominante do sistema, sem que houvesse degradação do sinal de saída. Usando a mesma quantidade de parâmetros estabelecia para os modelos ARX híbridos (80 parâmetros), o modelo FFANN dinâmico não apresentou bons resultados. Portanto, dentre todas as estruturas avaliadas, tanto no processamento dos dados coletados com o experimento realizado com a fonte primária como no processamento dos dados coletados com o experimento realizado com a fonte secundária, conclui-se 183 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões que os modelos ARX híbridos foram os que apresentaram o melhor desempenho, capturando as principais frequências e amplitudes da resposta dinâmica do sistema. Além disso, quando comparada ao modelo ARX interpolado, esta estrutura resultou em uma redução significativa do número total de parâmetros do modelo (de 135 para 80 parâmetros), o que aumenta o potencial para sua aplicação em sistemas de controle em tempo real. 184 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões VII.2. Sugestões para trabalhos futuros A despeito da investigação feita sobre o processo em estudo, e até por este motivo, várias frentes de trabalho se abrem para a continuação das pesquisas, dentre elas: • Avaliar a estrutura de modelo ARX híbrida com outros conjuntos de dados experimentais, confirmando, ou não, a sua eficácia (qualitativa e quantitativamente) na simulação da dinâmica de sistemas acústicos e/ou vibroacústicos; • Projetar e simular um sistema ANC tridimensional baseado em uma estrutura de modelo ARX híbrida, visando uma ação de controle sobre o nível de ruído em uma região no espaço de um ambiente enclausurado; • Desenvolver hardware dedicado e embarcado com o algoritmo do modelo ARX híbrido para a construção de um protótipo para um sistema ANC destinado a aplicações nas indústrias. 185 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 C. VII - Conclusões e Sugestões VII.3. Nomenclatura VII.3.1. Abreviaturas ANC : Active Noise Control ANR : Active Noise Reduction ARX : Auto-Regressive with eXogenous input FFANN : FeedForward Artificial Neural Networks MISO : Multi-Input Single-Output MRTF : Machine-Room Transfer Function SISO : Single-Input Single-Output 186 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. APÊNDICE A Descrição da Plataforma Experimental Resumo Neste apêndice será apresentada uma visão geral da plataforma experimental utilizada na geração e coleta dos dados experimentais utilizados na identificação dos modelos propostos ao longo desse trabalho. São descritos os principais componentes dessa plataforma assim como a função básica de cada um desses componentes. Palavras-chave plataforma experimental, coleta de dados. 187 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. A.1. Introdução Esse trabalho apresenta a metodologia aplicada na coleta de dados realizada no experimento para o estudo, modelagem e análise da propagação do som em um arranjo acústico espacial composto por uma fonte primaria monitorada. 188 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. A.2. Local de ensaio Os ensaios foram realizados em uma Sala de Ensaios localizada no núcleo de preditiva do SENAI – CIMATEC (Salvador – BA). A sala (Figura A.1) tem volume de 88,1 m3, paredes paralelas, área de piso 27,8 m2 e área total 126,5 m2, e tempo médio de reverberação estimado em 0,06 segundos. (a) (b) Figura A.1. Ambiente experimental. Como fonte primária de ruído, foi utilizada uma bomba centrífuga acionada por um motor elétrico assíncrono (Figura A.2). 189 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. Figura A.2. Fonte primária. Foram usados dois sensores pizoelétricos (Figura A.3), um acelerômetro captando a dinâmica gerada na fonte primária e um microfone coletando a pressão sonora em cada ponto da malha previamente definida (Figura A.1 b). Microfone Acelerômetro Figura A.3. Sensores pizoelétricos A definição da malha de coleta teve como referência a malha formada pelo piso de cerâmica da sala (Figura A.4). A cerâmica é quadrada com lado medindo 44 cm. Figura A.4. Malha de coleta 190 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. A.3. Ensaio com a fonte primária O objetivo do experimento realizado com a fonte primária (Figura A.2) foi a geração e coleta dos dados experimentais utilizados na identificação dos modelos propostos para simulação do campo acústico gerado pela fonte primária. O sensor de captação da dinâmica da fonte primária, é um acelerômetro pizoelétrico (100 mV/g) que permaneceu fixo em uma única posição durante todo o procedimento de coleta de dados (Figura A.5). Figura A.5. Acelerômetro pizoelétrico. A captação do campo acústico gerado pela dinâmica da fonte primária foi feita com o uso de um sensor passivo (microfone), que a cada medida, foi posicionado com o seu eixo paralelo à parede (relativa ao comprimento da sala) e ao plano do piso, apontando para a fonte primária (Figura A.6). Figura A.6. Sensor passivo (microfone). Os dados foram coletados por um coletor Microlog CMXA50 (Figura A.7), que consiste em uma plataforma compacta para coleta de dados (dois canais em tempo real). O condicionamento do sinal coletado é feito por uma fonte ICP integrada a um filtro 191 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. passa-banda (10-1000 Hz), com o ADC ajustado para uma taxa de amostragem de 2560 Hz. O tempo de coleta para cada par entrada/saída foi estabelecido em 1.6 s. Como resultado dessas configurações, duas variáveis em forma de vetor (entrada e saída), cada uma composta de um conjunto de 4096 valores, foram coletadas, em tempo real, em cada ponto da grade de amostragem. Figura A.7. Coletor CMXA50. A.4. Ensaio com a fonte secundária O objetivo do experimento realizado com a fonte secundária (Figura A.8) foi a geração e coleta dos dados experimentais utilizados na identificação dos modelos propostos para a fonte de controle (futura aplicação em ANC). Como fonte secundária de ruído, foi utilizada uma caixa acústica préamplificada (Figura A.8). Figura A.8. Fonte secundária. 192 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. Como gerador do sinal enviado à fonte secundária, foi utilizado um computador (Note Book) com software específico (Figura A.9). Antes de ser enviado ao amplificador e a fonte secundária, o sinal gerado no computador (ruído branco) foi submetido a um filtro digital (FIR), passa banda (10-1000 Hz). Figura A.9. Note Book com software específico para geração de sinal. A.5. Armazenamento dos dados Os dados foram armazenados em variáveis (vetores), considerando-se que: • foi gerado um par de variáveis para cada coleta, • essas variáveis são o sinal de entrada, e o sinal de saída dos modelos a serem estimados, • os nomes das variáveis fazem referência à posição (discreta) do ponto coletado na malha. As variáveis foram nomeadas em função do sensor de origem e da posição do sensor passivo. O prefixo do nome da variável: • ACE - Sinal originado no acelerômetro ou sinal enviado à fonte secundária. • MIC - Sinal originado no sensor passivo (microfone). O sufixo do nome da variável: • XXYYZZ - Advindo da posição espacial e discreta da coleta realizada.. 193 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. A Figura A.10 ilustra a posição do sensor para um par de variáveis medidas com o microfone posicionado no ponto X=07, Y=06 e Z=03. Os dados coletados para esse ponto em especifico foram armazenados da seguinte forma: • Variável com o sinal do Acelerômetro: ACE070603. • Variável com o sinal do Microfine: MIC070603. Figura A.10. Medição experimental para o ponto X=07, Y=06 e Z=03. A.6. Conclusões A plataforma experimental foi adequada ao propósito estabelecido no projeto, permitindo a geração, coleta e arquivamento dos dados experimentais utilizados na identificação dos modelos propostos. 194 Magalhães, R.S. - Tese de D.Sc., PEI/EP/UFBA, 2009 Ap. A – Descrição Plataforma Experimental. A.7. Nomenclatura A.7.1. Abreviaturas ANC : Active Noise Control ICP : Integrated Circuit Piezoelectric 195