2019, Vol. 45文章信息
- 廖连莹, 左言言, 周翔, 孟浩东, 廖旭晖, 吴赛赛
- LIAO Lianying, ZUO Yanyan, ZHOU Xiang, MENG Haodong, LIAO Xuhui, WU Saisai
- 基于GA-BP的混合动力汽车匀速工况声品质预测模型
- Sound quality evaluation model of hybrid electric vehicle in constant speed working conditions based on GA-BP neural network
- 中国测试, 2019, 45(5): 128-133
- CHINA MEASUREMENT & TEST, 2019, 45(5): 128-133
- http://dx.doi.org/10.11857/j.issn.1674-5124.2017090008
-
文章历史
- 收稿日期: 2017-09-03
- 收到修改稿日期: 2017-11-16
2. 江苏大学振动噪声研究所，江苏 镇江 212013
2. Institute of Noise and Vibration, Jiangsu University, Zhenjiang 212013, China
混合动力汽车虽然在振动与噪声整体控制体现了一定的优势，但由于结构的改变和工作方式的多样性，在某些混合动力汽车上，车内声品质反而有所下降，从而影响了乘坐的舒适性[1-2]。因此研究混合动力汽车车内声品质的评价方法，改善混合动力汽车车内声品质显得尤为重要。在对车内声品质的评价中，大多学者均采用主、客观评价相结合的方式进行研究。如YOON J H等[3-4]运用多元统计分析方法，结合心理声学参数，提出车内声品质的马氏距离算法，大幅提高了声品质客观量化模型的预测结果精度。Jaime A. Mosquera-Sánchez等[5]提出自适应控制方法处理多谐波干扰来提高汽车声品质，此方法通过用Zwicker响度和听觉粗糙度模型验证，很好地评价和改善了汽车声品质。王岩松等[6-7]基于人的听觉感知和人工神经网络建立汽车声品质评价模型，该模型对分析和解决稳态和非稳态的汽车噪声信号有较好的应用。徐中明等[8-9]运用成对比较法对发动机启动时的声样本进行主观评价实验，引入烦恼度模型对主观偏好性进行预测，并利用相关分析和回归分析得到了双耳响度和粗糙度是影响汽车发动机起动声主观偏好性评价的主要客观参量的结论。黄海波等[10]利用Adaboost算法对内燃机汽车匀速工况下车内声品质进行预测，提升了声品质预测的准确度。对于新能源汽车车内声品质的研究，胡腾等[11]利用回归方法建立电动汽车声品质评价模型并对声品质进行了评价。
而对于混合动力汽车车内声品质鲜有学者进行研究。本文就针对混合动力汽车匀速工况的车内声品质进行了主、客观评价研究。利用成对比较法进行主观评价试验，计算客观参数，并进行相关分析。建立了利用遗传算法（GA）优化的BP神经网络声品质预测模型，通过误差对比，证明了GA-BP模型在评价混合动力汽车匀速工况车内声品质具有较好的精确性。
1 匀速工况噪声样本采集与处理 1.1 噪声信号采集本次试验依据GB/T18697-2002进行，选择丰田普锐斯混合动力汽车作为试验车辆。驾驶员、副驾驶及后排座椅分别安装Head Acoustics 双耳麦克风和PCB麦克风，利用SQuadriga I便携式声音分析仪进行声音样本采集，如图1所示。
|
| 图 1 麦克风车内布置位置图 |
采样频率为44.1 kHz，噪声样本信号长度为10 s。试验路段选择开阔地，周边直径30 m范围内无声音反射物。分别选择混合动力汽车在市区常用的行驶车速：20，40，60 km/h作为测试速度。每种速度工况又分别测试电机单独驱动、发动机单独驱动和混合驱动3种工况车内噪声。每个测试点测试3组数据，通过声音回放，从3组数据中选择其中一组最优数据作为噪声样本，最终共得到27个噪声样本。
1.2 噪声样本预处理为了尽可能使所测的噪声样本不受背景噪声的影响，对所测的27个噪声样本用离散小波变换方法进行去噪处理。通过降噪处理后的噪声样本，利用ArtemiS中的Merge Editor把原每个10 s的噪声样本，截取为长度为5 s的噪声新样本，作为最终进行声品质分析的噪声样本。为方便对噪声样本的识别，对其进行编号，编号规则为前两位数字代表车速，第3位字母代表噪声位置：D为主驾驶，A为副驾驶，R为后排，第4位字母代表驱动工况：E为发动机单独驱动，M为电机单独驱动，H为混合驱动，噪声样本编号如表1所示。
| 序号 | 噪声样本 | 序号 | 噪声样本 | 序号 | 噪声样本 | ||
| 1 | 20DE | 10 | 20AE | 19 | 20RE | ||
| 2 | 20DM | 11 | 20AM | 20 | 20RM | ||
| 3 | 20DH | 12 | 20AH | 21 | 20RH | ||
| 4 | 40DE | 13 | 40AE | 22 | 40RE | ||
| 5 | 40DM | 14 | 40AM | 23 | 40RM | ||
| 6 | 40DH | 15 | 40AH | 24 | 40RH | ||
| 7 | 60DE | 16 | 60AE | 25 | 60RE | ||
| 8 | 60DM | 17 | 60AM | 26 | 60RM | ||
| 9 | 60DH | 18 | 60AH | 27 | 60RH |
2 主观评价 2.1 评价实验实施
声品质主观评价方法有排序法、成对比较法、等级打分法、语义细分法等[12]。这些评价方法各有优缺点，其中成对比较法评价简单，便于操作，较适用于无经验的评价者进行评价试验。本次主观评价试验即采用成对比较法进行。试验选择24名听力无障碍的在校研究生作为听审团，其中男女比例为2∶1。试验时将表1的声音样本成对播放，对两组声音分别标记为A和B进行比较打分，当A比B好时A记2分，B记0分；当A和B差不多时，A和B各记1分；当A比B差时，A记0分，B记2分。
2.2 实验数据可靠性分析为保证主观试验结果的准确性和可靠性，以及相关一致性，采用Spearman等级相关系数进行评价结果的可靠性分析。通过Matlab软件进行相关分析，得到24位评审团相关系数如表2所示。
| 评价者 | 相关系数 | 评价者 | 相关系数 | 评价者 | 相关系数 | ||
| 1 | 0.81 | 9 | 0.87 | 17 | 0.90 | ||
| 2 | 0.77 | 10 | 0.77 | 18 | 0.78 | ||
| 3 | 0.85 | 11 | 0.85 | 19 | 0.65 | ||
| 4 | 0.68 | 12 | 0.64 | 20 | 0.83 | ||
| 5 | 0.93 | 13 | 0.83 | 21 | 0.79 | ||
| 6 | 0.78 | 14 | 0.79 | 22 | 0.78 | ||
| 7 | 0.75 | 15 | 0.66 | 23 | 0.85 | ||
| 8 | 0.89 | 16 | 0.76 | 24 | 0.96 |
为使评价结果一致性相对较高，相关系数应达到0.7~0.8以上[13]。由表2可知，有4位评价者的相关系数小于0.7，剔除，剩余20位评价者。
2.3 评价结果分析将相关系数符合要求的20位评价者主观评价结果进行计算，得到各声音样本分值，同时利用下式对其进行归一化处理：
| ${X^*} = \frac{{{X_i} - {X_{\min}}}}{{{X_{\max}} - {X_{\min}}}}$ | (1) |
其中X *为归一化后的各声音样本分值，Xi为各声音样本主观评价分值，Xmin为所有声音样本主观评价最小分值，Xmax为所有声音样本主观评价最大分值。各声音样本主观评价分值如表3所示。
| 噪声样本 | 评价得分 | 归一化 | 噪声样本 | 评价得分 | 归一化 | 噪声样本 | 评价得分 | 归一化 | ||
| 1 | 26 | 0.82 | 10 | 23 | 0.55 | 19 | 25 | 0.73 | ||
| 2 | 27 | 0.91 | 11 | 27 | 0.91 | 20 | 26 | 0.82 | ||
| 3 | 21 | 0.36 | 12 | 28 | 1.00 | 21 | 19 | 0.18 | ||
| 4 | 24 | 0.64 | 13 | 24 | 0.64 | 22 | 23 | 0.55 | ||
| 5 | 27 | 0.91 | 14 | 26 | 0.82 | 23 | 24 | 0.64 | ||
| 6 | 17 | 0.00 | 15 | 22 | 0.45 | 24 | 25 | 0.73 | ||
| 7 | 23 | 0.55 | 16 | 25 | 0.73 | 25 | 25 | 0.73 | ||
| 8 | 26 | 0.82 | 17 | 24 | 0.64 | 26 | 24 | 0.64 | ||
| 9 | 23 | 0.55 | 18 | 26 | 0.82 | 27 | 25 | 0.73 |
3 客观参数计算及相关性分析 3.1 客观参数计算
声品质评价中的客观参数即描述人们对噪声主观感受的客观物理量，主要有：A计权声压级、响度、粗糙度、尖锐度、抖动度、AI指数、音调度和愉悦度等。结合混合动力汽车噪声特性，利用HEAD软件的ArtemiS12.0进行了A计权声压级、响度、粗糙度、尖锐度、抖动度、AI指数和音调度7个客观参数的计算，计算结果见表4。
| 噪声样本 | A计权声压级/dB(A) | 响度/sone | 粗糙度/asper | 尖锐度/acum | 抖动度/vacil | AI指数/% | 音调度/tu |
| 1 | 64.5 | 16.2 | 1.44 | 1.09 | 0.37 | 93.6 | 0.06 |
| 2 | 63.9 | 16.0 | 1.69 | 1.17 | 0.44 | 89.7 | 0.01 |
| 3 | 64.6 | 16.3 | 1.93 | 1.07 | 0.48 | 89.9 | 0.01 |
|
|
|
|
|
|
|
|
|
| 25 | 65.2 | 17.2 | 1.88 | 0.89 | 0.52 | 82.2 | 0.02 |
| 26 | 64.3 | 17.3 | 1.88 | 1.00 | 0.50 | 81.5 | 0.02 |
| 27 | 67.0 | 17.5 | 1.95 | 1.02 | 0.58 | 84.9 | 0.02 |
3.2 相关分析
为确定客观参数与主观评价结果之间的关系，利用Matlab软件对两者之间进行相关分析，分析结果如表5所示。
| 客观参数 | A计权声压级 | 响度 | 粗糙度 | 尖锐度 | 抖动度 | AI指数 | 音调度 |
| 相关系数 | 0.856 | 0.903 | 0.737 | 0.832 | 0.212 | 0.758 | 0.168 |
由表可知，响度、A计权声压级和尖锐度3个客观参数与主观评价相关性最高，特别是响度与主观评价的相关系数达到了0.903。粗糙度和AI指数与主观评价具有一定的相关性。抖动度和音调度与主观评价几乎没有相关性。
4 GA-BP预测模型通过评价者对混合动力汽车车内声品质进行评价，过程非常复杂，费时费力，评价结果受多种因素影响，因此建立一种声品质评价模型对声品质进行评价是一种不错的选择。考虑人耳对声音感受呈非线性，因此本文采用神经网络对声品质进行预测。为提高预测精度，采用遗传算法对神经网络模型进行优化。
4.1 BP神经网络BP神经网络是一种按照误差逆向传播算法训练的多层前馈网络[14]，此网络可实现给定的输入输出映射关系。BP神经网络的主要特征就是通过输入输出样本集对网络的权值和阈值进行修正和学习。BP神经网络包含输入层、隐含层和输出层，其中隐含层可以为一层或多层。图2为只包含一个隐含层的BP神经网络拓扑图。
|
| 图 2 BP神经网络拓扑结构图 |
对于3层BP神经网络，设输入节点为xi，隐含层节点为yj，输出节点为zk。输入节点与隐含层节点间的网络权值为wij，阈值为bj，隐含层节点与输出节点间的网络权值为wjk，阈值为bk。当输出节点的期望输出为tk时，可用式（2）~式（6）进行BP神经网络模型计算。
隐含层节点的输出为
| ${y_j} = f\left( {\mathop \sum \nolimits_i {x_i}{w_{ij}} + {b_j}} \right) = f\left( {{\rm net}_i} \right)$ | (2) |
式中：
| ${\rm net}_i = \mathop \sum \nolimits_i {x_i}{w_{ij}} + {b_j}$ | (3) |
输出节点的计算输出为
| ${z_k} = f\left( {\mathop \sum \nolimits_j {y_j}{w_{jk}} + {b_k}} \right) = f\left( {{\rm net}_k} \right)$ | (4) |
式中：
| ${\rm net}_k= \mathop \sum \nolimits_j {y_j}{w_{jk}} + {b_k}$ | (5) |
输出节点的误差为
| $\begin{split}E =& \frac{1}{2}\mathop \sum \nolimits_k {\left( {{t_k} - {z_k}} \right)^2} =\\ & \frac{1}{2}\mathop \sum \nolimits_k {\left( {{t_k} - f\left( {\mathop \sum \nolimits_j f\left( {\mathop \sum \nolimits_i {x_i}{w_{ij}} + {b_j}} \right) + {b_k}} \right)} \right)^2}\end{split}$ | (6) |
由于BP神经网络自身收敛速度较慢，且在训练过程中容易陷入局部较小值，为提高模型预测精度，本文利用遗传算法对BP神经网络权值和阈值进行优化。
4.2 遗传算法遗传算法通过模拟生物进化和遗传寻求最优解，该算法在神经网络的优化上体现了较强的作用。遗传算法主要通过种群的初始化、个体评价、选择运算、交叉运算和变异运算得到下一代新种群，当计算达到设定代数时，系统将输出最大适应度个体，系统优化结束。具体过程如下：
1）进行种群选择和初始化，包括设置种群大小和最大进化代数。
2）进行个体适应度计算，个体遗传下来的概率可以用适应度函数来表示，它决定着遗传算法的优化方向。本文选择的适应度函数f(i)为
| $f\left( i \right) = \frac{1}{{E\left( i \right)}} = \frac{1}{{\displaystyle\mathop \sum \nolimits_{j = 1}^n {{\left( {{y_j} - {a_j}} \right)}^2}}}$ | (7) |
其中E(i)为网络输出值和期望值的误差平方和，n为输出节点数，yj为输出值，aj为期望值。
3）在种群中选择生命力较强的个体进行遗传。
4）从种群中选择两个个体进行交配重组，从而产生新的优秀个体，此步关键参数为交叉概率。
5）选择种群中个体基因，通过基因突变，产生新的更好个体，变异概率决定了变异运算结果。
本文利用遗传算法对BP神经网络的权值和阈值进行优化，优化所选用的运行参数如表6所示。
4.3 客观评价模型建立
建立GA-BP模型对混合动力汽车匀速工况车内声品质进行预测，其流程如图3所示。
|
| 图 3 GA-BP预测模型建立流程 |
由图可见，GA-BP模型是在传统BP神经网络的基础上，利用遗传算法对神经网络的权值和阈值进行优化，利用优化后的权值和阈值进行BP网络训练，从而提高模型预测的精确性和准确度。具体建模过程为，BP神经网络确定网络后，随机选取一个权值和阈值，GA对所选取的权值和阈值进行编码，产生40个个体作为初始种群。种群确定后，选择适应度函数计算个体适应度，之后按照表6设置的参数通过选择运算、交叉运算和变异运算后产生新的种群。遗传算法对新种群再次重复之前的运算过程，当循环次数达到设定的200次后，GA把优化后产生的新权值和阈值输出给BP神经网络。BP神经网络按BP算法，利用1~18号噪声样本，实现对网络的训练。当训练达到e-4准确度要求后，即得到了预期的GA-BP神经网络模型。
4.4 声品质评价将19~24号声样本的响度、A计权声压级、尖锐度、粗糙度和AI指数5种客观参量输入到建立的GA-BP神经网络评价模型中，得到声品质预测值，如表7所示。可以看出，GA-BP声品质预测模型的预测结果与主观测试结果较为吻合，说明GA-BP预测模型可较精确地对混合动力汽车车内声品质进行预测。
| 预测模型 | 样本19 | 样本20 | 样本21 | 样本22 | 样本23 | 样本24 |
| 主观值 | 0.55 | 0.64 | 0.73 | 0.73 | 0.64 | 0.73 |
| 多元线性
回归 |
0.35 | 0.55 | 0.52 | 0.57 | 0.61 | 0.86 |
| BP神经网络 | 0.46 | 0.56 | 0.61 | 0.68 | 0.59 | 0.71 |
| GA-BP | 0.56 | 0.62 | 0.69 | 0.72 | 0.59 | 0.75 |
5 声品质预测结果精度对比分析
为了验证GA-BP声品质预测模型的效果，建立了多元线性回归模型和BP神经网络模型，并与之进行比较。3种声品质预测模型预测结果与主观测试结果对比如表7所示，各模型预测误差绝对值对比如表8所示。
| 预测模型 | 均方根误差 | 平均相对误差/% | 最大相对误差/% |
| 多元线性回归 | 0.37 | 20.6 | 36.3 |
| BP神经网络 | 0.18 | 10.5 | 16.3 |
| GA-BP | 0.07 | 3.7 | 7.8 |
由表7和表8可以看出，利用多元线性回归模型对混合动力汽车匀速工况车内声品质的预测误差较大，最大达到36.3%，说明多元线性回归方法不太适合混合动力汽车车内声品质预测。而GA-BP模型对声品质预测结果的平均相对误差仅有3.7%，比传统BP神经网络模型的平均误差10.5%小得多，说明通过遗传算法优化后得BP神经网络有效地提高了声品质预测结果的精确度。
6 结束语1）对混合动力汽车城市工况常用车速进行了匀速工况车内声品质主观和客观评价试验。通过相关分析，得到响度、A计权声压级、尖锐度、粗糙度和AI指数是影响主观评价的客观参数。
2）建立了基于GA算法优化的BP神经网络混合动力汽车车内声品质预测模型，并将预测结果与多元线性回归预测模型及未优化的BP神经网络预测模型预测结果进行比较，GA-BP预测结果准确度最高，说明GA-BP模型较适合用于混合动力汽车车内声品质预测。
| [1] |
赵彤航, 卢炳武, 曹蕴涛. 混合动力轿车振动噪声控制技术[J].
吉林大学学报(工学版), 2012, 42(6): 1373-1377.
|
| [2] |
LIAO L Y, ZUO Y Y, LIAO X H. Study on hybrid electric vehicle noise and vibration reduction technology[J].
Advanced Materials Research, 2013, 764: 141-148.
DOI:10.4028/www.scientific.net/AMR.764 |
| [3] |
JEONG J E, YANG I H, ABU A B, et al. Development of a new sound quality metric for evaluation of the interior noise in a passenger car using the logarithmic mahalanobis distance[C]//Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2013, 227(10): 1363-1376.
|
| [4] |
YOON J H, YANG I H, JEONG J E, et al. Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network model[J].
Applied Acoustics, 2012, 73: 1099-1103.
DOI:10.1016/j.apacoust.2012.02.018 |
| [5] |
MOSQUERA-SÁNCHEZ J A, OLIVEIRA D, LEOPOLDO P R. A multi-harmonic amplitude and relative-phase controller for active sound quality control[J].
Mechanical Systems and Signal Processin g, 2013, 45(2): 542-562.
|
| [6] |
WANG Y S , SHEN G Q, GUO H, et al. Roughness modelling based on human auditory perception for sound quality evaluation of vehicle interior noise[J].
Journal of Sound and Vibration, 2013, 332: 3893-3904.
DOI:10.1016/j.jsv.2013.02.030 |
| [7] |
WANG Y S , SHEN G Q, XING Y F. A sound quality model for objective synthesis evaluation of vehicle interior noise based on artificial neural network[J].
Mechanical Systems and Signal Processing, 2013, 45(1): 255-266.
|
| [8] |
徐中明, 周小林, 张芳, 等. Moore响度在车内噪声分析中的应用[J].
振动与冲击, 2013, 32(1): 169-173.
DOI:10.3969/j.issn.1000-3835.2013.01.035 |
| [9] |
徐中明, 夏小均, 贺岩松, 等. 汽车发动机启动声品质评价与分析[J].
振动与冲击, 2014, 33(11): 142-147.
|
| [10] |
黄海波, 李人宪, 黄晓蓉, 等. 基于Adaboost算法的车内噪声声品质预测[J].
汽车工程, 2016, 38(9): 1120-1125.
DOI:10.3969/j.issn.1000-680X.2016.09.013 |
| [11] |
胡腾, 陆益民. 电动汽车声品质的评价分析及建模[J].
汽车技术, 2016(3): 26-30.
DOI:10.3969/j.issn.1000-3703.2016.03.006 |
| [12] |
钟秤平, 陈剑, 汪念平. 车内噪声声品质偏好性评价与分析实验研究[J].
汽车工程, 2008, 30(1): 40-43.
DOI:10.3321/j.issn:1000-680X.2008.01.009 |
| [13] |
毛东兴. 车内声品质主观评价与分析方法的研究[D]. 上海: 同济大学, 2003.
|
| [14] |
付晓明, 王福林, 尚家杰. 基于多子代遗传算法优化BP神经网络[J].
计算机仿真, 2016, 33(3): 258-263.
DOI:10.3969/j.issn.1006-9348.2016.03.057 |