高速工況下乘員耳側(cè)噪聲信號重構(gòu)方法

楊東坡，王孝蘭，王巖松，郭輝，劉寧寧

?

高速工況下乘員耳側(cè)噪聲信號重構(gòu)方法

楊東坡，王孝蘭，王巖松，郭輝，劉寧寧

(上海工程技術(shù)大學(xué)汽車工程學(xué)院，上海 201620)

高速工況下，車內(nèi)噪聲信號具有隨機(jī)性和波動性的特征。將一種基于經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)和反向傳輸(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)的算法，用于重構(gòu)車內(nèi)乘員耳側(cè)噪聲信號。首先通過對車內(nèi)乘員耳側(cè)噪聲貢獻(xiàn)量分析，確定關(guān)鍵噪聲源信號；其次對選擇的噪聲源信號進(jìn)行EMD分解，得到有限個相對平穩(wěn)的固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量；然后采用極值點劃分法，按各個分量的波動情況進(jìn)行重新劃分，將信號分量重構(gòu)為高頻、中頻和低頻3個分量；最后對不同頻段的部分建立相應(yīng)BP神經(jīng)網(wǎng)絡(luò)模型，并將不同頻段分量的重構(gòu)結(jié)果疊加作為原信號的重構(gòu)結(jié)果。以在某轎車采集到的5個噪聲信號源為基礎(chǔ)，利用該方法進(jìn)行乘員耳側(cè)噪聲信號重構(gòu)，并對其進(jìn)行分析。結(jié)果表明：提出的噪聲重構(gòu)方法可以實現(xiàn)高速工況乘員耳側(cè)噪聲信號的重構(gòu)，并具有良好的性能。

高速工況；車內(nèi)噪聲；經(jīng)驗?zāi)B(tài)分解；BP神經(jīng)網(wǎng)絡(luò)；信號重構(gòu)

0 引 言

為了實現(xiàn)高速工況下車內(nèi)乘員耳側(cè)噪聲的主動控制(Active Noise Control, ANC)，首先要為控制系統(tǒng)提供初級參考信號。噪聲主動控制系統(tǒng)要求參考信號能夠盡可能地提供初級聲源的相關(guān)信息。對于初級參考信號的拾取，傳統(tǒng)方法是在乘員耳側(cè)附近安裝傳聲器以獲取初級參考信號，此方法不可避免地引入了次級聲源二次污染，不利于系統(tǒng)的快速收斂，因此研究車內(nèi)乘員耳側(cè)噪聲的重構(gòu)方法，獲取ANC的參考信號具有一定的意義。

目前，解決聲場重構(gòu)問題的主要方法包括近場聲全息(Near-field Acoustics Holography, NAH)和多傳感器數(shù)據(jù)融合(Multi-sensor Data Fusion, MSDF)等。NAH方法已經(jīng)從穩(wěn)態(tài)平面聲源聲場重構(gòu)發(fā)展到瞬態(tài)任意形狀聲源聲場重構(gòu)，主要包括：移動框架(Moving Frame Acoustic Holography, MFAH)[2]，統(tǒng)計最優(yōu)近場聲全息(Statistically Optimal NAH, SONAH)[3]，等效源法近場聲全息(Equivalent Source Method, ESM-based NAH)[4]等方法。此類方法主要用于聲源識別與故障診斷，對低頻信號的聲場重構(gòu)效果不佳。MSDF方法可通過多類同構(gòu)或異構(gòu)傳感器的數(shù)據(jù)融合，獲取對被觀測目標(biāo)的一致性的認(rèn)識。MSDF方法已經(jīng)從卡爾曼濾波法、貝葉斯估計法等傳統(tǒng)方法發(fā)展到智能方法。其中，常振臣[5-6]提出了基于神經(jīng)網(wǎng)絡(luò)的方法對車內(nèi)噪聲信號的預(yù)測，解決了次級聲源對初級聲場聲反饋的問題，但其未分析高速工況的問題，且非穩(wěn)態(tài)工況存在明顯誤差。蘇麗俐[7]采用粒子群優(yōu)化最小二乘支持向量機(jī)(Particle Swarm Optimization-Least Squares- Support Vector Machine, PSO-LS-SVM)算法，實現(xiàn)了對勻速工況下駕駛員耳側(cè)噪聲信號的仿真辨識，初步驗證了采用多傳感器數(shù)據(jù)融合(MSDF)方法進(jìn)行車內(nèi)噪聲信號重構(gòu)的可行性。汽車高速行駛(大于等于80 km·h-1)時，影響車內(nèi)乘員耳側(cè)噪聲的源信號眾多，車內(nèi)噪聲又具有時變性，而且噪聲的構(gòu)成和產(chǎn)生機(jī)理非常復(fù)雜，利用多源信號，基于智能融合算法，可以實現(xiàn)乘員耳側(cè)噪聲信號重構(gòu)。常用的智能算法包括反向傳輸(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)、模糊邏輯識別(Fuzzy Logic Identification, FLI)、支持向量機(jī)(Support Vector Machine, SVM)等，其中，BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合能力，單獨使用神經(jīng)網(wǎng)絡(luò)可以很好地處理信號的非線性，但非平穩(wěn)性帶來的誤差不可避免[8]。

因此，本文基于經(jīng)驗?zāi)B(tài)分解(EMD)和BP神經(jīng)網(wǎng)絡(luò)算法，重構(gòu)車內(nèi)乘員耳側(cè)噪聲時域信號。首先通過貢獻(xiàn)量分析選擇貢獻(xiàn)量大的點作為測量點，然后經(jīng)EMD分解將神經(jīng)網(wǎng)絡(luò)輸入信號變成一組相對平穩(wěn)的序列，再結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行乘員耳側(cè)噪聲時域信號重構(gòu)，并通過實車道路試驗驗證了算法的有效性。

1 基本理論與算法

1.1 EMD分解基本原理

經(jīng)驗?zāi)B(tài)分解(EMD)是一種具有自適應(yīng)性的信號處理方法，由HUANG N E等[1]于1998年提出。

從本質(zhì)上來講，EMD方法是基于信號自身時間尺度，將采集的信號進(jìn)行平穩(wěn)化處理，其結(jié)果是信號根據(jù)不同的波動程度被逐漸分解，得到有限個具有不同特征尺度的數(shù)據(jù)序列，即固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量。此方法與傅里葉變換和小波分解等方法有著本質(zhì)的差別，它不需要預(yù)先給定任何基函數(shù)，是一個有限次濾波的過程。這就使得EMD方法特別適用于非線性、非平穩(wěn)信號的處理。因此，本文利用EMD方法對高速工況非平穩(wěn)車內(nèi)噪聲信號進(jìn)行平穩(wěn)化處理。

采集信號經(jīng)過EMD分解處理，得到有限個相對穩(wěn)定的IMF分量，各個分量包含了原信號的不同時間尺度和特征信號，與原信號相比，具有更強(qiáng)的平穩(wěn)性和規(guī)律性。EMD分解得到的信號分量必須滿足以下兩個條件：

① 對于每一個IMF分量，必須滿足過零點和局部極值點的個數(shù)必須相等或最多相差一個；

② 在任意時刻點，局部極大值點形成的包絡(luò)(上包絡(luò)線)和局部極小值點形成的包絡(luò)(下包絡(luò)線)，均值必須為0。

EMD具體分解過程如下：

(1) 首先獲取()(待分析信號)中包含的所有局部極大值點和極小值點，然后利用三次樣條插值函數(shù)分別連接極大值點和極小值點，從而擬合出信號的上下包絡(luò)線。

經(jīng)過上述篩選處理，殘余分量代表著信號的平均趨勢，表現(xiàn)出單調(diào)性，此時循環(huán)停止，原信號可以表示為

1.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[4]，其拓?fù)浣Y(jié)構(gòu)圖如圖1所示。一般該網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，本文中輸入層有4個神經(jīng)元，隱層神經(jīng)元根據(jù)具體情況通過人為調(diào)節(jié)來確定最佳個數(shù)，輸出層有一個神經(jīng)元。網(wǎng)絡(luò)權(quán)值和閾值調(diào)整采用輸出層誤差反向傳播，使輸出不斷逼近期望值。

隱含層的輸出為

圖l 典型的三層BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

現(xiàn)有理論已經(jīng)證明，一個Sigmoid函數(shù)加上一個線性輸出層能夠逼近任意有理函數(shù)，但當(dāng)Sigmoid函數(shù)進(jìn)入飽和的目的區(qū)域時，會使網(wǎng)絡(luò)的訓(xùn)練陷入飽和狀態(tài)，大大降低了學(xué)習(xí)的效率。為解決這個問題，可選用雙曲線函數(shù)。本文隱藏層采用的激勵函數(shù)為雙曲正切S形函數(shù)，值域范圍為[-1,1]，表達(dá)式為

由于選用式(3)中的函數(shù)作為激勵函數(shù)，所以訓(xùn)練數(shù)據(jù)必須進(jìn)行歸一化處理，采用線性轉(zhuǎn)換算法將數(shù)據(jù)歸一化到[-1,1]，公式為

BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為

由此可計算網(wǎng)絡(luò)的輸出誤差：

目前BP網(wǎng)絡(luò)的應(yīng)用十分廣泛，發(fā)展也相對成熟，同時對時域信號具有良好的辨識與擬合能力。本文BP網(wǎng)絡(luò)采用“有監(jiān)督”的離線學(xué)習(xí)方式，為了準(zhǔn)確地擬合噪聲源信號與車內(nèi)乘員耳側(cè)噪聲時域信號的規(guī)律，需要使用大量且全面的原始數(shù)據(jù)對其進(jìn)行訓(xùn)練。

1.3 基于EMD和BP神經(jīng)網(wǎng)絡(luò)的重構(gòu)算法

汽車高速行駛時，車內(nèi)噪聲信號聲壓變化具有隨機(jī)性，采集的信號呈現(xiàn)非穩(wěn)態(tài)、非線性的特點，從而導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)對一些數(shù)據(jù)點的學(xué)習(xí)和訓(xùn)練存在混淆現(xiàn)象?；诂F(xiàn)有的大多數(shù)方法在進(jìn)行信號重構(gòu)時，對于相對平穩(wěn)的數(shù)據(jù)序列的重構(gòu)精度很高，但是對于具有明顯非平穩(wěn)性的數(shù)據(jù)序列，由于其自身變化規(guī)律很難掌握，所以在進(jìn)行重構(gòu)時，重構(gòu)精度一般比較低。因此，為了滿足信號的重構(gòu)精度要求，需要對信號進(jìn)行平穩(wěn)化處理。因為EMD分解方法可將非平穩(wěn)數(shù)據(jù)序列分解成相對平穩(wěn)的數(shù)據(jù)序列，因此，本文基于EMD和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對車內(nèi)乘員耳側(cè)噪聲的時域信號進(jìn)行重構(gòu)。

在本文中，應(yīng)用EMD分解，對各原始噪聲時域信號進(jìn)行分解，得到有限個固有模態(tài)分量(IMF)和趨勢項。然而由于每個源信號數(shù)據(jù)非平穩(wěn)程度不同，導(dǎo)致信號IMF分量的個數(shù)也不盡相同，如果利用各個信號的分解分量建立重構(gòu)模型，勢必會增大重構(gòu)模型的建立難度，并且每個分量重構(gòu)結(jié)果都會產(chǎn)生誤差，誤差的累加會增大重構(gòu)結(jié)果的總誤差。因此，按照信號分量自身不同的波動程度對其進(jìn)行重新劃分，得到重構(gòu)后的分量，使其不僅包含原信號的所有特征信息，而且排除各分量之間的影響，這樣即降低了建模難度，又提高了重構(gòu)精度。

由于信號分量自身是以0為軸上下波動的時間數(shù)據(jù)序列，整體未呈現(xiàn)明顯上升或下降的趨勢，它的局部極大值和極小值點，在很大程度上反映了一個IMF分量的波動程度。因此，本文采用極值劃分法對EMD分解得到的信號分量按波動程度進(jìn)行重新分類，完成對所有噪聲原信號分量的極值點個數(shù)的獲取。

利用所獲取的極值點個數(shù)，按頻率對每一個原信號的IMF分量進(jìn)行重新劃分，進(jìn)而獲得高頻、中頻、低頻3個分量。以這3個分量數(shù)據(jù)作為輸入數(shù)據(jù)，乘員耳側(cè)信號的3個分量數(shù)據(jù)作為期望輸出值，對BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過調(diào)整隱層神經(jīng)元的神經(jīng)元數(shù)和訓(xùn)練次數(shù)，使網(wǎng)絡(luò)誤差滿足工作要求，確定輸入層、隱層和輸出層的權(quán)系數(shù)以及各個節(jié)點的閾值，建立乘員耳側(cè)的噪聲信號相應(yīng)頻段的重構(gòu)模型，將信號各頻段的重構(gòu)結(jié)果進(jìn)行疊加，進(jìn)而獲得乘員耳側(cè)噪聲重構(gòu)信號。算法流程如圖2所示。

2 噪聲源關(guān)鍵點選取

通過查閱相關(guān)文獻(xiàn)[9-11]，初步確定車內(nèi)噪聲的主要貢獻(xiàn)量在以下位置：輪胎，左、右A柱底端，左右A柱頂端，左、右后視鏡，進(jìn)、排氣口。利用實車試驗，采集以上位置測點的噪聲時域信號，并在車外噪聲源測點的麥克風(fēng)上加裝風(fēng)球，麥克風(fēng)采用逆風(fēng)向布置，來減弱高速氣流對測量過程的影響，如圖3所示。

圖2 基于EMD-BP的信號重構(gòu)流程圖

圖3 右側(cè)后視鏡布點位置

在半消聲室內(nèi)，基于互易法[12]獲取各傳遞路徑的聲-聲傳遞函數(shù)，利用聲學(xué)傳遞函數(shù)(Transfer Path Analysis, TPA)貢獻(xiàn)量分析方法，選擇最具有相關(guān)性的關(guān)鍵測點信號來重構(gòu)車內(nèi)噪聲，重構(gòu)公式如式(7)所示：

基于所測得的各測點位置到駕駛員右耳位置路徑的傳遞函數(shù)，利用實際工況下測得的各測點位置的近場聲壓向量，由式(7)即可求得各測點對目標(biāo)點的聲壓貢獻(xiàn)量。以某轎車為例，其聲壓貢獻(xiàn)量結(jié)果如圖4所示，通過分析可知，源信號具有很強(qiáng)的對稱性，進(jìn)、排氣口的貢獻(xiàn)量明顯低于其他位置，因此最終確定左A柱底端、左側(cè)A柱頂端、左前輪、左后視鏡以及乘員耳側(cè)噪聲信號作為噪聲信號重構(gòu)的關(guān)鍵點位置。

圖4 各關(guān)鍵測點在高速下的噪聲貢獻(xiàn)量分析

3 試驗驗證

3.1 試驗數(shù)據(jù)獲取

根據(jù)國標(biāo)GB/T18697-2002[14]制定噪聲信號采集方案，測試麥克風(fēng)布置在駕駛員耳側(cè)位置、左右A柱、左右后視鏡、前后左右輪胎、車頂棚處，采集噪聲信號，如圖5所示，麥克風(fēng)安裝時盡量避免車輛震動。測試工況：勻速工況(車速80 km·h-1)、勻加速工況(車輛以80～120 km·h-1車速行駛)。測試車型：某轎車。測試儀器采用西門子公司的LMS數(shù)據(jù)采集器，采樣頻率為51 200 Hz，測試路面符合標(biāo)準(zhǔn)。測得兩種工況下的數(shù)據(jù)，考慮到人耳聽覺范圍在20～20 000 Hz，需進(jìn)行濾波處理。獲取的乘員耳側(cè)信號的頻譜，如圖6和圖7所示。

圖5 路試布點位置圖

圖6 勻速工況乘員耳側(cè)噪聲信號頻譜

圖7 勻加速工況乘員耳側(cè)噪聲信號頻譜

從圖6、7可以看出，車輛處于高速工況時，車內(nèi)乘員耳側(cè)噪聲能量主要集中在中低頻600Hz以下，在勻速工況下60 Hz左右頻率段對耳側(cè)噪聲貢獻(xiàn)最大，占主導(dǎo)地位，在200～500 Hz頻率段有明顯的小波峰；在勻加速工況下30～60 Hz頻率段對車內(nèi)噪聲貢獻(xiàn)最大，占主導(dǎo)地位，在200～500 Hz頻率段有明顯的小波峰。因此，對各原信號進(jìn)行重新采樣，只對頻率在512 Hz以下的信號進(jìn)行有效分析，采樣頻率為1 024 Hz，進(jìn)行濾波預(yù)處理。預(yù)處理結(jié)果如圖8、圖9所示。

圖8 勻速工況噪聲信號及頻譜

3.2 乘員耳側(cè)噪聲信號重構(gòu)結(jié)果分析

為了驗證本文提出的重構(gòu)算法的有效性，選用勻速工況和勻加速工況進(jìn)行案例分析，試驗數(shù)據(jù)按照3.1節(jié)的方法進(jìn)行數(shù)據(jù)預(yù)處理。利用重構(gòu)模型根據(jù)實際測得的輸入信號，分別對勻速工況及勻加速工況下車內(nèi)乘員耳側(cè)噪聲的時域信號進(jìn)行重構(gòu)，結(jié)果如圖10、11所示。

從圖10(a)和11(a)中重構(gòu)信號和實測信號的時域曲線對比可以看出，所提出模型的乘員耳側(cè)噪聲重構(gòu)信號與實測信號在幅值和相位上有相同的變化趨勢和較好的對應(yīng)關(guān)系。結(jié)合圖10(b)和11(b)中不同工況下的200 Hz以下的重構(gòu)信號和實測信號的頻譜對比分析可知，在整個頻帶范圍內(nèi)，重構(gòu)信號和實測信號的波峰、波谷具有一致性，其幅值和相位有相同的變化趨勢，其中在噪聲的主要能量30～60 Hz范圍內(nèi)，其幅值和相位具有很好的對應(yīng)關(guān)系，在頻帶60～200 Hz范圍內(nèi)，依然保持著較好的對應(yīng)關(guān)系。因此，可以表明本文所提出的的EMD-BP神經(jīng)網(wǎng)絡(luò)重構(gòu)算法在時域和頻域上均具有較高的信號重構(gòu)性能。

為了進(jìn)一步分析重構(gòu)信號的精度，本文采用平均相對誤差來對其進(jìn)行定量評價，如式(8)所示：

圖10 勻速工況下重構(gòu)信號與原始信號對比

將歸一化結(jié)果代入式(8)中，得到不同工況下重構(gòu)信號的平均相對誤差，如表1所示。

表1 不同工況下的誤差分析

從表1中可以看出，本文提出的算法，在勻速工況下的車內(nèi)乘員耳側(cè)噪聲重構(gòu)信號與原噪聲信號的平均相對誤差為0.222%，而在勻加速工況下重構(gòu)結(jié)果的平均相對誤差為0.324%，稍有下降。下降的原因主要是由于汽車在非穩(wěn)態(tài)工況下運行時，車內(nèi)噪聲遠(yuǎn)比在穩(wěn)態(tài)工況下復(fù)雜得多。但本文提出算法的重構(gòu)結(jié)果的平均相對誤差，均未超過1%[13]，這說明依據(jù)本文提出的模型對車內(nèi)乘員耳側(cè)噪聲的信號重構(gòu)的精度得到了很大提高。

綜上分析可以看出，本文提出的EMD-BP神經(jīng)網(wǎng)絡(luò)重構(gòu)算法，無論是重構(gòu)信號的幅值和相位，還是重構(gòu)信號的精度，均表現(xiàn)出了較好的性能。

4 結(jié)論

根據(jù)高速工況下，噪聲信號具有非平穩(wěn)性、非線性的特點，且風(fēng)噪聲、輪胎噪聲是車內(nèi)噪聲主要的影響因素。因此，本文提出了一種基于EMD分解和BP神經(jīng)網(wǎng)絡(luò)算法的乘員耳側(cè)噪聲信號重構(gòu)模型，并通過實車試驗對算法的有效性進(jìn)行了驗證，結(jié)果表明：

(1) 對原信號進(jìn)行貢獻(xiàn)量分析、選取關(guān)鍵點信號，進(jìn)行EMD分解，得到相對平穩(wěn)的IMF分量，再對分量進(jìn)行重構(gòu)，這樣不僅可以在很大程度上減少采樣數(shù)據(jù)量，而且降低了信號的波動性對重構(gòu)精度的影響。

(2) 利用極值點劃分法，對IMF分量進(jìn)行重新劃分，得到3個特征信息比較集中且相對平穩(wěn)的分量，然后對這3個分量進(jìn)行神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合，最后得到重構(gòu)信號，這樣不僅降低了建模的難度，而且減小了重構(gòu)的誤差。

(3) 本文提出的乘員耳側(cè)噪聲重構(gòu)模型，可以實現(xiàn)高速工況下乘員耳側(cè)噪聲的信號重構(gòu)，同時可以達(dá)到較好的重構(gòu)精度。

[1] HUANG N E, SHEN Z, LONG S, et al. The empirical mode de- comosition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A, 1998, 454(3): 903-995.

[2] HALD J. Patch near-field acoustical holography using a new statistically optimal method[C]//Inter-Noise 03, Jeju (Korea), 2003: 2203-2210.

[3] NICOLAS P V, WILLIAMS E G, PETER C H. Equivalent sources method for supersonic intensity of arbitrarily shaped geometries[J]. Journal of Sound and Vibration, 2015, 347(5): 46-62.

[4] KWON H S, KIM Y H. Moving frame technique for planar acoustic holography[J]. J. Acoust. Soc. Am., 1998, 103(4): 1734-1741.

[5] 常振臣. 基于神經(jīng)網(wǎng)絡(luò)的車內(nèi)噪聲自適應(yīng)有源控制系統(tǒng)仿真與試驗研究[D]. 長春: 吉林大學(xué), 2003.

CHANG Zhenchen. Simulation and experiment research on adaptive active noise control of automotive cabin based on network method[D]. Changchun: Jilin University, 2003.

[6] 常振臣, 王登峰, 周淑輝, 等. 神經(jīng)網(wǎng)絡(luò)方法在車內(nèi)噪聲信號預(yù)測中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械報, 2003, 34(1): 21-24.

CHANG Zhenchen, WANG Dengfeng, ZHOU Shuhui, et al. Application of neural network method to signal forecast of vehicle interior noise[J]. Acta Automatic Mechanics, 2003, 34 (1): 21-24.

[7] 蘇麗俐. 車內(nèi)聲品質(zhì)主客觀評價與控制方法研究[D]. 長春: 吉林大學(xué), 2012.

SU Lili. Research on vehicle interior sound quality subjective and objective evaluation and active control method[D]. Changchun: Jilin University, 2012.

[8] 曾慶山, 張曉楠. 基于EMD和組合模型的太陽黑子時間序列預(yù)測[J]. 鄭州大學(xué)學(xué)報(工學(xué)版), 2014, 35(3): 78-81.

ZENG Qingshan, ZHANG Xiaonan. Sunspots time-series prediction based on EMD and combination model[J]. Journal of Zhengzhou University (Engineering Science), 2014, 35(3): 78-81.

[9] 劉旺林. 全頻段車內(nèi)噪聲預(yù)測分析與控制研究[D]. 重慶: 重慶大學(xué), 2016.

LIU Wanglin. Research on prediction and control of vehicle inner noise in full frequency band[D]. Chongqing: Chongqing University, 2016.

[10] JIA W, ZHANG T, DONG G, et al. Correlation analysis of car exterior and interior noise tests under different yaw angles with beamforming[C]//International Forum on Mechanical, Control and Automation, 2017.

[11] 薛昊強(qiáng). 汽車車身壁板振動對乘坐室內(nèi)噪聲的聲學(xué)貢獻(xiàn)度分析研究[D]. 西安: 長安大學(xué), 2015.

XUE Haoqiang. The vibration of each wall panel of the car on the indoor acoustic noise contribution analysis research[D]. Xi’an Chang’an University, 2015.

[12] 郭榮, 裘剡, 房懷慶, 等. 頻域傳遞路徑分析方法(TPA)的研究進(jìn)展[J]. 振動與沖擊, 2013, 32(13): 49-55.

GUO Rong, QIU Shan, FANG Huaiqing, et al. Advance in studying on transfer path analysis methods in frequency domain[J]. Journal of Vibration and Shock, 2013, 32(13): 49-55.

[13] 楊錫運, 孫寶君, 張新房, 等. 基于相似數(shù)據(jù)的支持向量機(jī)短期風(fēng)速預(yù)測仿真研究[J]. 中國電機(jī)工程學(xué)報, 2012, 32(4): 35-41, 21.

YANG Xiyun, SUN Baojun, ZHANG Xinfang, et al. Short-term wind speed forecasting based on support vector machine with similar data[J]. Proceedings of the CSEE, 2012, 32(4): 35-41, 21.

[14] GB/T18697-2002: 聲學(xué), 汽車車內(nèi)噪聲測量方法, 2002.

GB/T18697-2002: Acoustics; measurement of noise inside motor vehicles, 2002.

The reconstruction method of occupants ear side noise under high speed condition

YANG Dong-po, WANG Xiao-lan, WANG Yan-song, GUO Hui, LIU Ning-ning

(School of Automotive Engineering, Shanghai University of Engineering Science, Shanghai 201620, China)

Vehicle interior noise signals have the characteristics of randomness and volatility under high speed condition. An algorithm based on Empirical Mode Decomposition (EMD) and BP neural network is applied to reconstructing the occupants’ ear side noise in this paper. Firstly, the critical noise source signal is determined by the analysis of the contributing to vehicle interior occupants’ ear side noise. Secondly, the selected noise source signal is decomposed into finite relatively stable IMF components by EMD decomposition. Then, the extreme point division method is adopted to divide the signals according to the fluctuation of each component, and the signal components are reconstructed into high frequency components, middle frequency components and lower frequency components. Finally, the corresponding BP neural network models are established for the signals in different frequency bands, and the reconstruction results in different frequency bands are superposed as the reconstruction result of the original signal. Based on five noise signal sources collected in a car, the noise signals in occupants’ ears side are reconstructed and the reconstruction results are analyzed. The results show that the noise reconstruction method proposed in this paper can realize the reconstruction of occupants’ ear side noise under high speed condition and has good performance.

high speed condition; vehicle interior noise; empirical mode decomposition (EMD); BP neural network; signal reconstruction

O422.8

A

1000-3630(2019)-03-0340-08

10.16300/j.cnki.1000-3630.2019.03.018

2018-01-20;

2018-03-04

國家自然科學(xué)基金(51675324、51175320)

楊東坡(1991－), 男, 河南商丘人, 碩士研究生, 研究方向為汽車噪聲、振動和聲振粗糙度。

王孝蘭,E-mail: jlu_wangxiaolan@aliyun.com