딥러닝 기반 실시간 제어필터 생성형 노면소음 능동제어

키워드

확장요약문

노면소음 능동제어(Active Road Noise Control) 탑승자의 머리 움직임은 음향 경로를 변화시켜 제어 성능을 저하시킨다. 기존 filtered-x least mean square(FxLMS) 기반 방법은 변화된 조건에 맞춰 제어필터를 재적응시키는 과정이 필요하므로 성능 회복에 시간이 소요된다. 본 연구에서는 이러한 지연을 줄이기 위해 참조신호와 탑승자의 머리 위치로부터 제어필터를 직접 생성하는 딥러닝 기반 노면소음 능동제어 방법(DFG- HARNC)을 제안한다.

제안 모델은 다채널 가속도 참조신호와 운전자 및 동승자의 머리 위치를 입력 받아, 현재 조건에 적합한 다채널 제어필터를 생성한다. 제어필터는 학습 가능한 기준필터와 기저필터들의 가중합으로 구성되며, 기저필터와 조합 계수를 예측하는 신경망을 함께 학습한다. 학습에는 미분 가능한 물리 기반 능동제어 모델을 사용하여 가상 마이크 위치의 잔류 소음을 최소화한다. 따라서 사전에 계산한 목표 제어필터 없이 학습할 수 있으며, 운용 중에는 가상 센싱, 온라인 2 차 경로 예측 및 반복적인 제어필터 적응이 필요하지 않다. 또한 실시간 적용을 고려하여 이전 참조신호 블록에서 생성한 필터를 다음 제어 블록에 적용하도록 구성하였다.

총 140,000개의 머리위치에 대한 고정 위치 시뮬레이션에서 FxLMS의 초기 수렴 구간을 포함한 약 10초 동안의 평균 소음 저감량은 제안 방법이 7.55 dBA, FxLMS가 2.04 dBA였다. 운전자와 동승자의 머리 위치가 동시에 변하는 조건에서도 제안 방법은 더 빠른 성능 회복을 보였다. 이러한 결과는 제어필터의 직접 생성을 통해 머리 위치 변화에 따른 재적응 지연을 줄이고 노면소음 능동제어 성능을 개선할 수 있음을 보여준다.