黃海波, 李人憲, 黃曉蓉, 楊明亮, 丁渭平
(西南交通大學 機械工程學院,成都 610031)
基于樣本熵與ELM-Adaboost的懸架減振器異響聲品質預測
黃海波, 李人憲, 黃曉蓉, 楊明亮, 丁渭平
(西南交通大學 機械工程學院,成都610031)
車輛懸架減振器異響嚴重削弱了車內聲品質,針對該異響問題設計并開展了不同路況條件下的整車道路試驗,對采集到的車內噪聲信號分別計算A計權聲壓級與心理聲學客觀參量(響度、尖銳度、語音清晰度、抖動度和粗糙度)以提取減振器異響特征信息,并將其與主觀評價進行了相關分析。另一方面,再引入小波包分解與樣本熵的概念,對減振器異響特征信息進行了有效地提取,同時提出基于Adaboost的極限學習機(ELM)算法,建立了減振器異響聲品質預測改進模型,并將其與支持向量機(Support Vector Machine,SVM)、廣義神經網絡(Generalized Regression Neural Network,GRNN)進行對比。研究結果表明:傳統(tǒng)的A計權聲壓與心理聲學指標不能有效地用于減振器異響聲品質預測而結合小波包樣本熵提取的異響特征與ELM-Adaboost算法能有效地對減振器異響聲品質進行預測,并且效果優(yōu)于SVM與GRNN。
減振器異響;聲品質;小波包;樣本熵;Adaboost;極限學習機
近年來,隨著對發(fā)動機、傳動系等車輛主要噪聲源的有效治理,以及用戶對車輛NVH(Noise, Vibration and Harshness)要求的日漸苛刻,前期被忽視的其它子系統(tǒng)及零部件噪聲逐漸被暴露出來。懸架減振器作為車輛主要的傳力元件,其工作方式必然會導致沖擊振動,并向乘客傳遞一系列復雜的信息,當出現(xiàn)非正常噪聲即“異響”時,會給乘客帶來身心上的負面影響,嚴重時還會給車輛帶來安全隱患,因此,對懸架減振器異響進行研究具有重要的意義。
目前,國內外都已開展針對減振器異響的研究,張立軍等[1]通過減振器異響整車道路試驗記錄車內靠近減振器位置的噪聲信號,并以此幅值作為評價減振器噪聲大小的指標,具有一定的效果;宋睿等[2]通過主觀評價分析,認為減振器異響屬于固體傳遞聲,并通過收集乘員耳旁聲壓信號進行功率譜分析,發(fā)現(xiàn)減振器異響信號微弱并含有大量背景噪聲,難以將其分離;Roger等[3]通過整車在定制的掃頻路面上進行道路試驗以獲取減振器異響的特征信息,取得了一定的進展,但該方法對試驗路面要求十分嚴苛,較難推廣。因此,有必要建立能夠客觀衡量減振器異響聲品質的評價方法,從而能對其進行甄別、分析與治理。
就此開展了減振器異響整車道路試驗并分析比較了該異響在不同試驗路面上的表現(xiàn)特點。引入小波包分解與樣本熵的概念對減振器異響特征信息進行提取,并基于極限學習機與Adaboost算法建立了減振器異響聲品質預測模型,從而通過整車道路試驗對減振器異響聲品質進行預測,同時將其與傳統(tǒng)的支持向量機與廣義神經網絡模型進行對比,驗證了所提算法的優(yōu)越性,并在此基礎上提出了自己的改進模型。
1.1減振器異響整車道路試驗
減振器異響需要經過主觀評價將其量化,因此首先需進行減振器異響整車道路試驗。減振器異響具有隨機性,且常常在車輛低速行駛于不平路面時產生,為揭示其在不同路面上的異響特點,結合國內坑洼道路主要情況,設計并實施了五種路況(鵝卵石路-強隨機激勵路面,石塊路-弱隨機激勵路面,搓板路-低幅高頻正弦激勵路面,扭曲路-高幅低頻正弦激勵路面,井蓋路-中幅中頻偽隨機激勵路面,如圖1所示)下的減振器異響整車道路試驗,示意圖如圖2所示。為了獲取準確的減振器異響噪聲樣本,整車路試車速控制在15 km/h左右,試驗場周圍20 m范圍內無較大聲源與聲反射物,關閉門窗并采用西門子公司生產的LMS噪聲采集與回放系統(tǒng)進行聲信號的采集,采樣頻率40 960 Hz,頻率分辨率1 Hz,采樣時間為每種路面15 s。
圖1 試驗道路Fig.1 Test road surfaces
圖2 減振器異響整車道路試驗示意圖Fig.2 The schematic diagram of shock absorber in the automobile road test
在減振器整車道路試驗中,試驗車自帶4支正常減振器,每次只更換一支減振器樣件,其余三處保持自帶的正常減振器,試驗共記錄了減振器廠家量產的12支新減振器(無異響)與106支由于異響原因返退的減振器(具有不同程度異響)在以上五種路面上駕駛員耳旁位置處的噪聲信號樣本。將收集到的各路面車內噪聲信號按照發(fā)動機基頻進行帶阻濾波,即得到包含一定背景噪聲的減振器異響噪聲信號,對其計算A計權聲壓級曲線,并且對于每一種路面將該路面下所有減振器噪聲信號的A計權聲壓曲線進行線性平均,所得結果如圖3所示,可知,車輛行駛在搓板路面時,減振器噪聲相對最大;行駛在扭曲路面時,減振器噪聲相對最小;在鵝卵石路面,石塊路面以及井蓋路面時減振器噪聲適中,并且依次減小。
1.2減振器異響主觀評價
減振器異響程度來自人的主觀感受,因此需組織評審團進行減振器異響主觀評價。減振器異響按傳播途徑主要分為兩類:① “Rattling Noise”,即所謂的“咔嗒”聲,該類型異響主要為減振器將衰減后的路面激勵作用于車身,激發(fā)車身結構從而產生的結構輻射聲,此噪聲屬于較為嚴重的減振器異響;② “Swish Noise”,即所謂的“嗖嗖”聲,該類型異響主要是減振器工作換向時發(fā)出的噪聲,由于人耳的掩蔽效應,此噪聲在一般情況下不易為乘員所感知。常用的噪聲主觀評價方法主要有等級評分法、成對比較法、錨定評分法(Anchor Scaled Scoring Method,ASM)等[4],考慮到減振器異響的特殊性,這里將減振器異響程度劃分為5個等級,如表1所示,并采用錨定評分法作為主觀評價方法,錨定評分法的實施過程可參考文獻[5],圖4所示為一主觀評價樣本。主觀評審團由16位經過專業(yè)聽力訓練的人員組成,其中男性12人,女性4人,年齡均在20~50歲之間。評審團分別對5種路面下的減振器噪聲進行評價,在剔除計權一致性系數小于0.7的6支減振器噪聲主觀評分后,剩余的112支減振器主觀評價結果如圖5所示,可知,當車輛行駛在鵝卵石路面、石塊路面與井蓋路面上時,評審團主觀評分相對較高,表明減振器在這三種路面上容易產生異響;而當車輛行駛在搓板路面與扭曲路面上時,主觀評分相對較低,表明減振器異響在這兩種路面上表現(xiàn)較為微弱。
圖3 減振器在不同試驗路面上的噪聲對比Fig.3 Comparison of shock absorber noise on different road surfaces
圖4 錨定評分法主觀評價樣本Fig.4 Noise sample for anchor scaled scoring method
分析圖3與圖5可知,① 減振器整車路試車內噪聲聲壓值大小不能真實反映減振器異響強弱程度;② 進行減振器異響整車道路試驗研究需對試驗路面進行合理的選擇,即在鵝卵石路面上減振器異響主觀評價整體較強,在石塊路面、井蓋路面和搓板路面時異響主觀評價相對適中,而在扭曲路面時異響主觀評價整體較弱。因此,為對減振器異響進行有針對性的研究,這里選取整車道路試驗中減振器異響比例相對最大與最小的鵝卵石路面和扭曲路面上的車內噪聲進行分析,后續(xù)主觀評分取評審團主觀評價的平均值。
表1 減振器異響主觀評價等級劃分表
心理聲學參量可在某種程度上較好地反映人對聲音的主觀感受[6],因此,對整車道路試驗在鵝卵石路面與扭曲路面上收集到的減振器噪聲進行心理聲學參量(響度、尖銳度、語音清晰度、抖動度與粗糙度)計算,得到的結果如表2所示。為進一步研究心理聲學聲品質與減振器異響主觀評價的關系,對錨定評分法得到的主觀評價結果與心理聲學客觀參量進行了spearman相關分析[7],為了直觀的反映主觀與客觀的相關關系,這里繪出了減振器異響主觀評價與響度、尖銳度、語音清晰度、抖動度和粗糙度之間的相關散點圖,如圖6~圖7所示。
由圖6~圖7可知,在鵝卵石路面,減振器異響主觀評價與響度的相關系數為0.628,具有一定的線性關系,表明響度能在一定程度上反映出整車道路試驗中減振器異響的特征信息;主觀評價與粗糙度的相關系數為0.465,線性關系微弱,因此粗糙度不宜作為評價減振器異響的客觀參量;而主觀評價與尖銳度、語音清晰度和抖動度的相關系數都低于0.4,幾乎沒有線性關系,這說明該三種心理聲學聲品質參量不能作為衡量減振器異響程度的指標。對于減振器在扭曲路面上的噪聲信號分析也有類似的結果,在扭曲路面上減振器異響主觀評價與響度和粗糙度的相關系數要略高于其在鵝卵石路面上,但該相關系數仍然較低。由此可知,心理聲學客觀參量(響度、尖銳度、語音清晰度、抖動度和粗糙度)不能有效地用于整車道路試驗減振器異響聲品質的評價。
圖5 不同路面下減振器異響主觀評分圖(其中“*”代表單個評價人員打分,“-”代表主觀評分均值)Fig.5 Shock absorber noise subjective evaluation for different road surfaces(“*”: each reviewer’s subjective evaluation, “-”: mean value of all subjective evaluation)
減振器編號鵝卵石路面響度/sone尖銳度/acum清晰度/%抖動度/vacil粗糙度/asper主觀評分扭曲路面響度/sone尖銳度/acum清晰度/%抖動度/vacil粗糙度/asper主觀評分114.900.7479.351.633.240.147.220.7276.191.340.380.1128.940.8766.841.321.890.276.951.0570.911.470.240.1039.670.6957.121.742.540.355.650.8075.451.450.610.08……………………………………………………………………11122.751.5277.131.395.394.8013.921.1890.311.581.533.3511220.891.0984.671.676.074.6816.470.6489.291.721.654.15
圖6 減振器異響聲品質與主觀評價散點圖(鵝卵石路面)Fig.6 Scatterplot of shock absorber noise sound metrics and subjective evaluation (cobblestone road surface)
圖7 減振器異響聲品質與主觀評價散點圖(扭曲路面)Fig.7 Scatterplot of shock absorber noise sound metrics and subjective evaluation (body twist road surface)
為了對減振器異響聲品質進行準確地預測,需對其異響特征信息進行有效提取,由于小波變換具有多分辨率的特性,所以特別適合工程噪聲、振動信號的分析。并且整車道路試驗車內噪聲信號與減振器異響聲品質之間屬于非線性映射關系,因此有必要引入神經網絡分析方法?;诖?,進行整車道路試驗減振器異響聲品質預測模型的建立。
3.1小波包分解
小波包是在小波分析的基礎上提出的,目的是為了克服小波分解在高頻段頻率分辨率較差的問題。目前最常用的Mallat小波包快速分解算法為:
(1)
式中:x(n)為原始信號,dlj,i為分解在第j層上的第i個小波包,i=0, 1, …, 2j-1;l=1, 2, …,N/2j;h為低通小波濾波器系數,g為高通小波濾波器系數;L為濾波器長度。小波包分解的過程實質即為頻帶線性對折劃分的過程,分解層數的增加可使信號的低頻和高頻成分達到很精細的程度。值得注意的是,在Mallat小波包快速算法中,小波包子頻帶并不是按頻率大小依次遞增的,這是因為在分解過程中,算法會對同一層低頻與高頻信號進一步對折劃分,但是高頻信號經過隔點采樣之后,劃分的低頻信號會轉換為高頻部分,而高頻信號則轉換為低頻部分,這就會導致小波包子頻帶排序錯亂。為了解決該問題,采用文獻[8]所述的方法對小波包子頻帶進行重新排序,從而得到按頻率順序遞增的子頻帶序列。
3.2小波包樣本熵
樣本熵是一種量化時間序列復雜性的度量方法,計算給定時間序列條件概率的自然對數,與近似熵相比,樣本熵算法中沒有包含統(tǒng)計矢量自匹配,因此計算效率要高于近似熵,并且抗噪能力強,適合工程噪聲、振動信號的分析。
對于時間序列{x(n)|n=1, 2, …,N},樣本熵的計算步驟如下:
(1) 給定維數m,則原始數據可劃分為一組m維的矢量:X(i)=[x(i),x(i+1), …,x(i+m-1)],i=1, 2, …,N-m+1;
(2) 定義矢量X(i)與X(j)之間的距離為
k=0,1,…,m-1
(2)
i,j=1~N-m且i≠j
(3)
(4)
(6) 樣本熵的定義為:
(5)
可以看出,在時間序列長度一定的條件下,樣本熵的值與維數m和相容極限r有關,根據文獻[9-10]的研究結果,取m=2,r=0.2*原始數據標準差時,樣本熵具有較好的統(tǒng)計特性。值得注意的是,樣本熵從物理意義上講是度量序列產生新信息的量,樣本熵值越大,產生新信息的幾率也越大,反之亦然,并且樣本熵值的大小還與序列的長度有關,序列越長則樣本熵值越穩(wěn)定,但計算量也會隨之劇增。因此,考慮到計算結果合理性與計算復雜度的影響,需對減振器噪聲信號長度進行截取。圖8所示為減振器噪聲信號長度與其對應的樣本熵值關系曲線,可見,信號長度在16 000個數據點以內時樣本熵值不穩(wěn)定,呈現(xiàn)逐漸減小的趨勢,當數據點長度超過16 000時,樣本熵值趨于穩(wěn)定。據此,為了增加結果的穩(wěn)健性,這里選取長度為24 000個數據點的減振器噪聲信號作為后續(xù)分析數據。
圖8 樣本熵值與信號數據點長度關系曲線Fig.8 Relationship between sample entropy and signal data points
針對減振器在鵝卵石路面與扭曲路面上的整車路試聲信號進行分析, 選取典型的5種不同異響程度下的主觀評價噪聲樣本進行小波包樣本熵計算。為了對噪聲信號進行較為精細的劃分,這里使用5層小波包分解,根據能量和波形相似性原則,選擇dB6作為小波包基函數,對得到的第5層小波包子頻帶分別進行樣本熵計算,結果如圖9~圖10所示。
分析圖9、圖10可知,① 對于鵝卵石路面,信號的小波包樣本熵值隨著減振器異響程度的增加而增大,表明小波包樣本熵值能有效地反映減振器異響特征信息,對于扭曲路面也有類似的特點;② 車內噪聲信號在鵝卵石路面上的小波包樣本熵值明顯大于其在扭曲路面上的小波包樣本熵值,表明減振器在鵝卵石路面上更容易發(fā)生異響,這與整車道路試驗主觀評價相符;③ 隨著減振器異響程度增加,信號在鵝卵石路面上的小波包樣本熵增幅相對較低,而在扭曲路面上的小波包樣本熵增幅相對較高,這可能是由于減振器異響對正弦激勵(扭曲路面)的敏感度要高于隨機激勵(鵝卵石路面),該性質可為減振器臺架試驗激勵信號的選取提供參考。獲得減振器異響特征信息后,選擇合適的算法建立該特性信息與其主觀評價的非線性映射關系就成為減振器異響聲品質預測的關鍵。
圖9 不同異響等級減振器的小波包樣本熵(鵝卵石路面)Fig.9 Wavelet packet-sample entropy for different grade of shock absorber noise (cobblestone road surface)
圖10 不同異響等級減振器的小波包樣本熵(扭曲路面)Fig.10 Wavelet packet-sample entropy for different grade of shock absorber noise (body twist road surface)
3.3極限學習機
針對傳統(tǒng)的單隱含層前饋神經網絡(SLFN)存在的訓練速度慢,易陷入局部最小值和對學習率選擇敏感等缺點,Huang等提出了一種新SLFN算法——極限學習機(Extreme Learning Machine, ELM),其拓撲結構如圖11所示。
圖11 極限學習機拓撲結構Fig.11 The topology of extreme learning machine
設樣本輸入向量和輸出向量分別為{Xi|i=1, 2, …,n}與{Yj|j=1, 2, …,m},隱含層神經元個數和激活函數分別為l和g(x),則由圖11可知,網絡的輸出矩陣T可表示為
T=[t1,t2,…,tj]n×m=
(6)
式中:H稱為隱含層輸出矩陣,該算法的優(yōu)勢在于當激活函數g(x)無限可微時,網絡隨機產生輸入連接權值w和隱含層神經元閾值b,且在訓練過程中無需進行調整,只需要確定隱含層神經元個數,便可獲得唯一全局最優(yōu)解。而隱含層與輸出層間的連接權值β可通過求解如下方程獲得:
(7)
其最小二乘解為
(8)
其中,H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。
具體的,ELM算法過程可分為如下3個步驟:
(1) 確定隱含層神經元個數,算法隨機產生輸入層與隱含層之間的連接權值w和隱含層神經元的閾值b;
(2) 確定無限可微的激活函數g(x),進而計算隱含層輸出矩陣H;
3.4基于Adaboost的ELM算法
Adaboost算法是在boosting算法的基礎上提出的一種改進算法,其思想是將多個“弱”學習算法組合為一個“強”學習算法,從而提高辨識率的目的。為了達到此效果,Adaboost算法首先對原始樣本空間賦予相同的權值,然后根據每個弱學習算法的錯誤率提高預測失敗樣本的權重,使得下一次訓練時更加關注這些樣本個體,通過反復迭代,最終的結果由弱預測函數加權得到。基于Adaboost的ELM算法步驟如下:
(1) 初始化訓練數據分布權值:Dt(i)=1/N,i=1, 2, …,N;
(3) 計算預測序列系數。根據預測序列的誤差et計算預測序列系數at=0.5[ln(1-et)/et];
(4) 訓練數據權值更新。更新公式為:
i=1,2,…,N
(9)
式中,Bt為歸一化因子,gt(x)預測結果,y為期望結果。
(5) 強學習算法合成。迭代步驟(2)~(4)T次后得到T個ELM預測函數f(gt,at),由此可得最終的強預測函數Q(x):
(10)
這里將ELM算法作為“弱”學習算法,一方面因為ELM學習速度非???,甚至超過傳統(tǒng)的SLFN學習算法一百倍以上[11];另一方面由于模型的權值與閾值是隨機初始化的,算法的輸出雖然為全局最優(yōu)解,但不穩(wěn)定。若將Adaboost算法與ELM融合,不僅能夠提升算法的效率,而且還能利用多模型綜合的性質來克服ELM算法不穩(wěn)定的特點。
3.5減振器異響聲品質預測
樣本空間分別為在鵝卵石路面與扭曲路面上進行過整車道路試驗的減振器噪聲信號小波包樣本熵歸一化的值,將減振器噪聲在以上兩種路面的主觀評價分別作為聲品質預測輸出。為了使結果具有一般性,從樣本空間中隨機抽取62組小波包樣本熵歸一化值和與其對應的主觀評分作為訓練樣本集,隨機選取20組作為驗證集,剩下的30組作為測試集。為了體現(xiàn)ELM-Adaboost算法的預測效果,這里減少了ELM隱含層神經元的個數以降低學習算法的學習能力,取隱含層節(jié)點數目分別為5,10,20(經驗值應為88),算法迭代次數分別為10次,20次,30次,根據式(6)~式(10)建立基于小波包樣本熵的ELM-Adaboost減振器異響聲品質預測模型,并通過MATLAB2014a 計算,預測結果如表3 所示,可知模型預測結果與實際主觀評分的相關系數均高于0.8,線性相關性較強,因此這里使用預測結果與主觀評分的均方根誤差(MSE)作為精細化評價標準。由此可知,隨著隱含層神經元數目與迭代次數的增加,算法的性能越來越好,且隱含層節(jié)點數較迭代次數對預測結果的貢獻更大,但節(jié)點數與迭代次數的增加會帶來運行時間的增加,不過相比于性能的提升,增加的運行時間是可以接受的。
表3 測試集預測結果與模型隱含層節(jié)點數、迭代次數關系
注:mse表示均方根誤差,corr表示預測結果與實際主觀評價的相關系數,sec表示運行時間/秒。
為了對比ELM-Adaboost算法的性能,這里選取泛化能力較好的廣義回歸神經網絡(GRNN)與支持向量機(SVM)在同樣的輸入樣本下對減振器異響聲品質進行預測,所得結果如圖12所示,其中ELM-Adaboost算法的隱含層節(jié)點數為20,迭代次數為30次;GRNN隱含層節(jié)點數目為88(經驗最優(yōu)值);SVM算法選擇徑向基核函數,并通過交叉驗證算法取懲罰因子c=1,核函數方差g=2。由圖12可知,測試數據預測均方誤差以ELM-Adaboost算法最低,分別為1.730 5(鵝卵石路面)與1.558 4(扭曲路面),并且隨著隱含層節(jié)點數與迭代次數的增加還有提升的空間,運行時間以SVM算法最短,但是ELM-Adaboost的運行時間也僅為3s左右,GRNN相對于其他兩種方法效果較差。因此用ELM-Adaboost算法對減振器異響聲品質進行預測具有較大的優(yōu)勢。
圖12 三種算法對減振器異響聲品質的預測結果(左圖為鵝卵石路面,右圖為扭曲路面)Fig.12 Sound metric prediction of shock absorber noise for three algorithms (left: cobblestone road surface, right: body twist road surface)
小波包樣本熵能較好地提取出減振器異響特征信息,但前期研究表明[12]減振器異響信息多出現(xiàn)在中低頻,即高頻的小波包樣本熵不能準確地反映減振器異響程度,因此需要對其進行進一步分析。為找出合適的小波包子頻帶,將各小波包子頻帶樣本熵值與整車道路試驗主觀評價分別進行相關分析,得到的結果如圖13所示,可知,對于鵝卵石路面,小波包樣本熵值在子頻帶1~14范圍內與主觀評價的相關系數較高,均高于0.6,表明整車道路試驗減振器異響的特征信息主要集中在該子頻帶范圍內;而對于扭曲路面,小波包樣本熵值在子頻帶1~10范圍內與主觀評價具有較高的相關系數。因此,需對模型的樣本空間進行調整,將小波包樣本熵與主觀評分相關系數高于0.6的子頻帶熵值作為新的樣本空間,并對其進行基于ELM-Adaboost算法的減振器異響聲品質訓練與預測,其中選取的訓練集、驗證集與測試集減振器編號與3.5節(jié)相同,得到的預測結果如圖14所示。
由圖14可知,改進的模型不僅平均預測均方誤差降低了22.5%(鵝卵石路面降低30.3%,扭曲路面降低15.0%),而且運行速度提高了2.5倍左右(鵝卵石路面提高2.4倍,扭曲路面提高2.7倍)。這是由于改進后的小波包樣本熵所組成的樣本空間集中了主要的減振器異響特征信息,同時剔除了與減振器異響相關性較低的干擾信息,提高了預測準確度,并且隨著樣本空間維數的降低,算法的訓練與預測時間也隨之減少,運行時間與SVM算法幾乎相當,提升了該模型的優(yōu)勢。
圖13 小波包子頻帶樣本熵與主觀評價相關系數Fig.13 Correlation coefficient between wavelet packet sub band sample entropy and subjective evaluation
圖14 改進模型對減振器異響聲品質的預測結果(左圖為鵝卵石路面,右圖為扭曲路面)Fig.14 Sound metric prediction of shock absorber noise for the developed algorithm(left:cobblestone road surface, right: body twist road surface)
(1) 通過減振器整車道路試驗,揭示了減振器車內噪聲聲壓級在五種路面上(鵝卵石路面、石塊路面、搓板路面、扭曲路面和井蓋路面)的特點。
(2) 減振器異響信息比較特殊,傳統(tǒng)的A計權聲壓級與心理聲學客觀參量(響度、尖銳度、語音清晰度、抖動度和粗糙度)不能有效地衡量其異響程度。
(3) 通過小波包樣本熵提取了減振器異響的特征信息,并基于提出的ELM-Adaboost算法對減振器異響聲品質進行了預測,該模型與傳統(tǒng)的SVM與GRNN相比具有一定的優(yōu)勢。
(4) 減振器異響特征信息主要集中在中、低頻,通過對小波包樣本熵與主觀評價進行相關分析并對子頻帶進行篩選,獲得了更為精細的樣本空間,同時提升了減振器異響聲品質預測的效率與準確度。
[1] 張立軍,余卓平,靳曉雄,等. 減振器異常噪聲的試驗研究與分析[J]. 振動與沖擊,2002,21(1):33-38.
ZHANG Li-jun,YU Zhuo-ping,JIN Xiao-xiong,et al. Experimental research on the abnormal noise ofhydraulic suspension shock absorber[J]. Journal of Vibration and Shock, 2002,21(1):33-38.
[2] 宋睿,丁渭平,楊明亮,等. 汽車懸架減振器結構傳遞異響的試驗研究[J]. 汽車技術,2011:39-42.
SONG Rui,DING Wei-ping,YANG Ming-liang,et al.Experimental research on structure transfer sound of Automobile suspension shock absorber [J]. Automobile Technology,2011:39-42.
[3] Roger J, Johan O, Matti R. A new test track for automotive squeak and rattle (S&R)detection[J]. AppliedAcoustics,2014,80: 79-85.
[4] Li Y, Jiang W K. Research on the procedure for analyzing the sound quality contributionof sound sources and its application[J]. Applied Acoustics,2014, 79:75-80.
[5] Wang Y S, Shen G Q, Guo H, et.al. Roughness modelling based on human auditory perceptionfor sound quality evaluation of vehicle interior noise[J]. Journal of Sound and Vibration,2013, 332: 3893-3904.
[6] Zwicker E, Fastl H. Psychoacoustics: Facts and Models, third edition, Springer-VerlagBerlin, 2006.
[7] Vapnik V.The nature of statistical learning theory[M].New York:Springer-Verlag,1995.
[8] 姚昌榮. 基于小波與分形理論的斜拉橋健康監(jiān)測系統(tǒng)研究 [D]. 成都:西南交通大學,2007.
[9] Pincus S M. Assessing serial irregularity and its im-plications for health [J] . Ann. N. Y. Acad. Sci, 2002, 954: 245-267.
[10] 趙曉華,許士麗,榮建,等.基于Roc曲線的駕駛疲勞腦電樣本熵判定閾值研究[J].西南交通大學學報,2013,48(1):178-183.
ZHAO Xiao-hua, XU Shi-li, RONG Jian, et al. Discriminating threshold of driving fatigue based on the electroencephalography sample entropy by receiver operating characteristics curve analysis[J]. Journal of SouthwestJiaotong University, 2013, 48(1): 178-183.
[11] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: a new learning scheme of feedforward neural networks [C]//Proceedings of 2004 IEEE International Joint Conference on Neural Networks. Budapest, 2004, 2: 985-990.
[12] 黃海波,李人憲,丁渭平,等. 基于臺架試驗的懸架減振器異響辨識研究[J]. 振動與沖擊,2015,34(2): 191-196.
HUANG Hai-bo, LI Ren-xian, DING Wei-ping, et al. Rig test for identifying abnormal noise of suspension shock absorber[J]. Journal of Vibration and Shock, 2015, 34(2): 191-196.
Prediction of a suspension shock absorber’s sound metric based on sample entropy and ELM-adaboost
HUANG Hai-bo, LI Ren-xian, HUANG Xiao-rong, YANG Ming-liang, DING Wei-ping
(School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China)
The abnormal noise from an automobile suspension shock absorber weakens its interior sound metric seriously. Aiming at this problem, a complete automobile road test was conducted on different road surfaces to collect shock absorber noises and calculate the A-weighted sound pressure level and the psycho-acoustic sound metrics of the interior noise, such as, loudness, sharpness, articulation index, fluctuation strength and roughness in order to investigate the correlation between these objective parameters and subjective evaluation. On the other hand, the concepts of wavelet packet decomposition and sample entropy were introduced to extract the characteristics of the abnormal noise of the shock absorber. An improved model of ELM-Adaboost was built to predict the sound metric of the shock absorber’s abnormal noise. This algorithm was compared with the support vector machine (SVM) and the generalized regression neural network (GRNN). The results showed that the traditional A-weighted sound pressure level and the psychoacoustic indices cannot be used to evaluate the shock absorber’s abnormal noise sound metric effectively, but the proposed model combining wavelet packet, sample entropy and ELM-Adaboost algorithm can predict the sound metric of shock absorber noise efficiently, its root-mean-square error is lower than those of SVM and GRNN.
shock absorber abnormal noise; sound metric; wavelet packet; sample entropy; Adaboost; extreme learning machine
10.13465/j.cnki.jvs.2016.13.021
國家自然科學基金(51475387);中央高?;究蒲袠I(yè)務費專項資金——科技創(chuàng)新項目(SWJTU12CX036)
2015-03-26修改稿收到日期:2015-06-27
黃海波 男,博士生,1989年生
丁渭平 男,博士,教授,1968年生
U463.1;U467.1+1
A