基于GA-BP的混合動力汽車勻速工況聲品質(zhì)預(yù)測模型

廖連瑩 左言言 周翔 孟浩東 廖旭暉 吳賽賽

摘要：為快速準(zhǔn)確評價混合動力汽車車內(nèi)聲品質(zhì)，在分析BP神經(jīng)網(wǎng)絡(luò)和遺傳算法（GA）特點的基礎(chǔ)上，利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，從而建立GA-BP的混合動力汽車聲品質(zhì)客觀評價模型。利用此模型進行混合動力汽車勻速工況車內(nèi)聲品質(zhì)預(yù)測后，把GA-BP模型預(yù)測結(jié)果與多元線性回歸模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果進行比較。對比結(jié)果顯示GA-BP模型預(yù)測結(jié)果精度最高。證明所建立的GA-BP聲品質(zhì)預(yù)測模型的有效性，說明該模型較適用于混合動力汽車車內(nèi)聲品質(zhì)預(yù)測。

關(guān)鍵詞：混合動力汽車;聲品質(zhì);勻速工況;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)

中圖分類號：U467.1 文獻標(biāo)志碼：A 文章編號：1674-5124（2019）05-0128-06

收稿日期：2017-09-03;收到修改稿日期：2017-11-16

基金項目：國家自然科學(xué)基金（51575238）;江蘇省博士后科研資助計劃資助項目（1601064C）

作者簡介：廖連瑩（1978-），男，福建長汀縣人，副教授，博士，主要從事車輛振動與噪聲控制研究。

0 引言

混合動力汽車雖然在振動與噪聲整體控制體現(xiàn)了一定的優(yōu)勢，但由于結(jié)構(gòu)的改變和工作方式的多樣性，在某些混合動力汽車上，車內(nèi)聲品質(zhì)反而有所下降，從而影響了乘坐的舒適性[1-2]。因此研究混合動力汽車車內(nèi)聲品質(zhì)的評價方法，改善混合動力汽車車內(nèi)聲品質(zhì)顯得尤為重要。在對車內(nèi)聲品質(zhì)的評價中，大多學(xué)者均采用主、客觀評價相結(jié)合的方式進行研究。如YOON J H等[3-4]運用多元統(tǒng)計分析方法，結(jié)合心理聲學(xué)參數(shù)，提出車內(nèi)聲品質(zhì)的馬氏距離算法，大幅提高了聲品質(zhì)客觀量化模型的預(yù)測結(jié)果精度。Jaime A.Mosquera-S3nchez等[5]提出自適應(yīng)控制方法處理多諧波干擾來提高汽車聲品質(zhì)，此方法通過用Zwicker響度和聽覺粗糙度模型驗證，很好地評價和改善了汽車聲品質(zhì)。王巖松等[6-7]基于人的聽覺感知和人工神經(jīng)網(wǎng)絡(luò)建立汽車聲品質(zhì)評價模型，該模型對分析和解決穩(wěn)態(tài)和非穩(wěn)態(tài)的汽車噪聲信號有較好的應(yīng)用。徐中明等[8-9]運用成對比較法對發(fā)動機啟動時的聲樣本進行主觀評價實驗，引入煩惱度模型對主觀偏好性進行預(yù)測，并利用相關(guān)分析和回歸分析得到了雙耳響度和粗糙度是影響汽車發(fā)動機起動聲主觀偏好性評價的主要客觀參量的結(jié)論。黃海波等[10]利用Adaboost算法對內(nèi)燃機汽車勻速工況下車內(nèi)聲品質(zhì)進行預(yù)測，提升了聲品質(zhì)預(yù)測的準(zhǔn)確度。對于新能源汽車車內(nèi)聲品質(zhì)的研究，胡騰等[11]利用回歸方法建立電動汽車聲品質(zhì)評價模型并對聲品質(zhì)進行了評價。

而對于混合動力汽車車內(nèi)聲品質(zhì)鮮有學(xué)者進行研究。本文就針對混合動力汽車勻速工況的車內(nèi)聲品質(zhì)進行了主、客觀評價研究。利用成對比較法進行主觀評價試驗，計算客觀參數(shù)，并進行相關(guān)分析。建立了利用遺傳算法（GA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測模型，通過誤差對比，證明了GA-BP模型在評價混合動力汽車勻速工況車內(nèi)聲品質(zhì)具有較好的精確性。

1 勻速工況噪聲樣本采集與處理

1.1 噪聲信號采集

本次試驗依據(jù)GB/T18697-2002進行，選擇豐田普銳斯混合動力汽車作為試驗車輛。駕駛員、副駕駛及后排座椅分別安裝Head Acoustics雙耳麥克風(fēng)和PCB麥克風(fēng)，利用SQuadriga I便攜式聲音分析儀進行聲音樣本采集，如圖1所示。

采樣頻率為44.1kHz，噪聲樣本信號長度為10s。試驗路段選擇開闊地，周邊直徑30 m范圍內(nèi)無聲音反射物。分別選擇混合動力汽車在市區(qū)常用的行駛車速：20，40，60km/h作為測試速度。每種速度工況又分別測試電機單獨驅(qū)動、發(fā)動機單獨驅(qū)動和混合驅(qū)動3種工況車內(nèi)噪聲。每個測試點測試3組數(shù)據(jù)，通過聲音回放，從3組數(shù)據(jù)中選擇其中一組最優(yōu)數(shù)據(jù)作為噪聲樣本，最終共得到27個噪聲樣本。

1.2 噪聲樣本預(yù)處理

為了盡可能使所測的噪聲樣本不受背景噪聲的影響，對所測的27個噪聲樣本用離散小波變換方法進行去噪處理。通過降噪處理后的噪聲樣本，利用ArtemiS中的Merge Editor把原每個los的噪聲樣本，截取為長度為5s的噪聲新樣本，作為最終進行聲品質(zhì)分析的噪聲樣本。為方便對噪聲樣本的識別，對其進行編號，編號規(guī)則為前兩位數(shù)字代表車速，第3位字母代表噪聲位置：D為主駕駛，A為副駕駛，R為后排，第4位字母代表驅(qū)動工況：E為發(fā)動機單獨驅(qū)動，M為電機單獨驅(qū)動，H為混合驅(qū)動，噪聲樣本編號如表1所示。

2 主觀評價

2.1 評價實驗實施

聲品質(zhì)主觀評價方法有排序法、成對比較法、等級打分法、語義細分法等[12]。這些評價方法各有優(yōu)缺點，其中成對比較法評價簡單，便于操作，較適用于無經(jīng)驗的評價者進行評價試驗。本次主觀評價試驗即采用成對比較法進行。試驗選擇24名聽力無障礙的在校研究生作為聽審團，其中男女比例為2：1。試驗時將表1的聲音樣本成對播放，對兩組聲音分別標(biāo)記為A和B進行比較打分，當(dāng)A比B好時A記2分，B記0分;當(dāng)A和B差不多時，A和B各記1分;當(dāng)A比B差時，A記0分，B記2分。

2.2 實驗數(shù)據(jù)可靠性分析

為保證主觀試驗結(jié)果的準(zhǔn)確性和可靠性，以及相關(guān)一致性，采用Spearman等級相關(guān)系數(shù)進行評價結(jié)果的可靠性分析。通過Matlab軟件進行相關(guān)分析，得到24位評審團相關(guān)系數(shù)如表2所示。

為使評價結(jié)果一致性相對較高，相關(guān)系數(shù)應(yīng)達到0.7～0.8以上[13]。由表2可知，有4位評價者的相關(guān)系數(shù)小于0.7，剔除，剩余20位評價者。

2.3 評價結(jié)果分析

將相關(guān)系數(shù)符合要求的20位評價者主觀評價結(jié)果進行計算，得到各聲音樣本分值，同時利用下式對其進行歸一化處理：

X^*=X_i-X_min/X_max-X_min其中X^*為歸一化后的各聲音樣本分值，X_i為各聲音樣本主觀評價分值，犬面為所有聲音樣本主觀評價最小分值，X_max為所有聲音樣本主觀評價最大分值。各聲音樣本主觀評價分值如表3所示。

3 客觀參數(shù)計算及相關(guān)性分析

3.1 客觀參數(shù)計算

聲品質(zhì)評價中的客觀參數(shù)即描述人們對噪聲主觀感受的客觀物理量，主要有：A計權(quán)聲壓級、響度、粗糙度、尖銳度、抖動度、AI指數(shù)、音調(diào)度和愉悅度等。結(jié)合混合動力汽車噪聲特性，利用HEAD軟件的ArtemiS12.0進行了A計權(quán)聲壓級、響度、粗糙度、尖銳度、抖動度、AI指數(shù)和音調(diào)度7個客觀參數(shù)的計算，計算結(jié)果見表4。

3.2 相關(guān)分析

為確定客觀參數(shù)與主觀評價結(jié)果之間的關(guān)系，利用Matlab軟件對兩者之間進行相關(guān)分析，分析結(jié)果如表5所示。

由表可知，響度、A計權(quán)聲壓級和尖銳度3個客觀參數(shù)與主觀評價相關(guān)性最高，特別是響度與主觀評價的相關(guān)系數(shù)達到了0.903。粗糙度和AI指數(shù)與主觀評價具有一定的相關(guān)性。抖動度和音調(diào)度與主觀評價幾乎沒有相關(guān)性。

4 GA-BP預(yù)測模型

通過評價者對混合動力汽車車內(nèi)聲品質(zhì)進行評價，過程非常復(fù)雜，費時費力，評價結(jié)果受多種因素影響，因此建立一種聲品質(zhì)評價模型對聲品質(zhì)進行評價是一種不錯的選擇。考慮人耳對聲音感受呈非線性，因此本文采用神經(jīng)網(wǎng)絡(luò)對聲品質(zhì)進行預(yù)測。為提高預(yù)測精度，采用遺傳算法對神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化。

4.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)[14]，此網(wǎng)絡(luò)可實現(xiàn)給定的輸入輸出映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的主要特征就是通過輸人輸出樣本集對網(wǎng)絡(luò)的權(quán)值和閾值進行修正和學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，其中隱含層可以為一層或多層。圖2為只包含一個隱含層的BP神經(jīng)網(wǎng)絡(luò)拓撲圖。

對于3層BP神經(jīng)網(wǎng)絡(luò)，設(shè)輸入節(jié)點為xt，隱含層節(jié)點為y_j，輸出節(jié)點為z_k。輸入節(jié)點與隱含層節(jié)點間的網(wǎng)絡(luò)權(quán)值為w_ij，閾值為b_j，隱含層節(jié)點與輸出節(jié)點間的網(wǎng)絡(luò)權(quán)值為w_jk，閾值為b_k。當(dāng)輸出節(jié)點的期望輸出為t_k時，可用式（2）～式（6）進行BP神經(jīng)網(wǎng)絡(luò)模型計算。

隱含層節(jié)點的輸出為

y_j=f（∑_ix_iw_ij+b_j）=f（net_i）（2）式中：

net_i=∑_ix_iw_ij+b_j（3）

輸出節(jié)點的計算輸出為

z_k=f（∑_jy_jw_jk+b_k）=f（net_k）（4）式中：

net_k=∑_jy_jw_jk+b_k（5）

輸出節(jié)點的誤差為

E=1/2∑_k（t_k-z_k）²=1/2∑_k（t_k-f（∑_jf（∑_ix_iw_ij+b_j）+b_j）+b_k））²（6）

由于BP神經(jīng)網(wǎng)絡(luò)自身收斂速度較慢，且在訓(xùn)練過程中容易陷入局部較小值，為提高模型預(yù)測精度，本文利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進行優(yōu)化。

4.2 遺傳算法

遺傳算法通過模擬生物進化和遺傳尋求最優(yōu)解，該算法在神經(jīng)網(wǎng)絡(luò)的優(yōu)化上體現(xiàn)了較強的作用。遺傳算法主要通過種群的初始化、個體評價、選擇運算、交叉運算和變異運算得到下一代新種群，當(dāng)計算達到設(shè)定代數(shù)時，系統(tǒng)將輸出最大適應(yīng)度個體，系統(tǒng)優(yōu)化結(jié)束。具體過程如下：

1）進行種群選擇和初始化，包括設(shè)置種群大小和最大進化代數(shù)。

2）進行個體適應(yīng)度計算，個體遺傳下來的概率可以用適應(yīng)度函數(shù)來表示，它決定著遺傳算法的優(yōu)化方向。本文選擇的適應(yīng)度函數(shù)f（i）為其中E（i）為網(wǎng)絡(luò)輸出值和期望值的誤差平方和，n為輸出節(jié)點數(shù)，y_j為輸出值，a_j為期望值。

3）在種群中選擇生命力較強的個體進行遺傳。

4）從種群中選擇兩個個體進行交配重組，從而產(chǎn)生新的優(yōu)秀個體，此步關(guān)鍵參數(shù)為交叉概率。

5）選擇種群中個體基因，通過基因突變，產(chǎn)生新的更好個體，變異概率決定了變異運算結(jié)果。

本文利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，優(yōu)化所選用的運行參數(shù)如表6所示。

4.3 客觀評價模型建立

建立GA-BP模型對混合動力汽車勻速工況車內(nèi)聲品質(zhì)進行預(yù)測，其流程如圖3所示。

由圖可見，GA-BP模型是在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進行優(yōu)化，利用優(yōu)化后的權(quán)值和閾值進行BP網(wǎng)絡(luò)訓(xùn)練，從而提高模型預(yù)測的精確性和準(zhǔn)確度。具體建模過程為，BP神經(jīng)網(wǎng)絡(luò)確定網(wǎng)絡(luò)后，隨機選取一個權(quán)值和閾值，GA對所選取的權(quán)值和閾值進行編碼，產(chǎn)生40個個體作為初始種群。種群確定后，選擇適應(yīng)度函數(shù)計算個體適應(yīng)度，之后按照表6設(shè)置的參數(shù)通過選擇運算、交叉運算和變異運算后產(chǎn)生新的種群。遺傳算法對新種群再次重復(fù)之前的運算過程，當(dāng)循環(huán)次數(shù)達到設(shè)定的200次后，GA把優(yōu)化后產(chǎn)生的新權(quán)值和閾值輸出給BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)按BP算法，利用1～18號噪聲樣本，實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練。當(dāng)訓(xùn)練達到e^-4準(zhǔn)確度要求后，即得到了預(yù)期的GA-BP神經(jīng)網(wǎng)絡(luò)模型。

4.4 聲品質(zhì)評價

將1924號聲樣本的響度、A計權(quán)聲壓級、尖銳度、粗糙度和AI指數(shù)5種客觀參量輸入到建立的GA-BP神經(jīng)網(wǎng)絡(luò)評價模型中，得到聲品質(zhì)預(yù)測值，如表7所示?？梢钥闯?，GA-BP聲品質(zhì)預(yù)測模型的預(yù)測結(jié)果與主觀測試結(jié)果較為吻合，說明GA-BP預(yù)測模型可較精確地對混合動力汽車車內(nèi)聲品質(zhì)進行預(yù)測。

5 聲品質(zhì)預(yù)測結(jié)果精度對比分析

為了驗證GA-BP聲品質(zhì)預(yù)測模型的效果，建立了多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，并與之進行比較。3種聲品質(zhì)預(yù)測模型預(yù)測結(jié)果與主觀測試結(jié)果對比如表7所示，各模型預(yù)測誤差絕對值對比如表8所示。

由表7和表8可以看出，利用多元線性回歸模型對混合動力汽車勻速工況車內(nèi)聲品質(zhì)的預(yù)測誤差較大，最大達到363%，說明多元線性回歸方法不太適合混合動力汽車車內(nèi)聲品質(zhì)預(yù)測。而GA-BP模型對聲品質(zhì)預(yù)測結(jié)果的平均相對誤差僅有3.7%，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的平均誤差10.5%小得多，說明通過遺傳算法優(yōu)化后得BP神經(jīng)網(wǎng)絡(luò)有效地提高了聲品質(zhì)預(yù)測結(jié)果的精確度。

6 結(jié)束語

1）對混合動力汽車城市工況常用車速進行了勻速工況車內(nèi)聲品質(zhì)主觀和客觀評價試驗。通過相關(guān)分析，得到響度、A計權(quán)聲壓級、尖銳度、粗糙度和AI指數(shù)是影響主觀評價的客觀參數(shù)。

2）建立了基于GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)混合動力汽車車內(nèi)聲品質(zhì)預(yù)測模型，并將預(yù)測結(jié)果與多元線性回歸預(yù)測模型及未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測結(jié)果進行比較，GA-BP預(yù)測結(jié)果準(zhǔn)確度最高，說明GA-BP模型較適合用于混合動力汽車車內(nèi)聲品質(zhì)預(yù)測。

參考文獻

[1]趙彤航，盧炳武，曹蘊濤.混合動力轎車振動噪聲控制技術(shù)[J].吉林大學(xué)學(xué)報（工學(xué)版），2012，42（6）：1373-1377.

[2]LIAO L Y，ZUO Y Y，LIAO X H.Study on hybrid electricvehicle noise and vibration reduction technology[J].Advanced Materials Research，2013，764：141-148.

[3]JEONG J E，YANG I H，ABU A B，et al.Development of anew sound quality metric for evaluation of the interior noise ina passenger car using the logarithmic mahalanobisdistance[C]//Proceedings of the』nstitution of MechanicalEngineers，Part D：Journal of Automobile Engineering，2013，227（10）：1363-1376.

[4]YOON J H，YANG I H，JEONG J E，et al.Reliabilityimprovement of a sound quality index for a vehicle HVACsystem using a regression and neural network model[J].Applied Acoustics，2012，73：1099-1103.

[5]MOSQUERA-SANCHEZ J A，OLIVEIRA D，LEOPOLDO PR.A multi-harmonic amplitude and relative-phase controllerfor active sound quality control[J].Mechanical Systems andSignal Processin g，2013，45（2）：542-562.

[6]WANG Y S，SHEN G Q，GUO H，et al.Roughness modellingbased on human auditory perception for sound qualityevaluation of vehicle interior noise[J].Journal of Sound andVibration，2013，332：3893-3904.

[7]WANG Y S，SHEN G Q，XING Y F.A sound quality modelfor objective synthesis evaluation of vehicle interior noisebased on artificial neural network[J].Mechanical Systems andSignal Processing，2013，45（1）：255-266.

[8]徐中明，周小林，張芳，等.Moore響度在車內(nèi)噪聲分析中的應(yīng)用[J].振動與沖擊，2013，32（1）：169-173.

[9]徐中明，夏小均，賀巖松，等.汽車發(fā)動機啟動聲品質(zhì)評價與分析[J].振動與沖擊，2014，33（11）：142-147.

[10]黃海波，李人憲，黃曉蓉，等.基于Adaboost算法的車內(nèi)噪聲聲品質(zhì)預(yù)測[J].汽車工程，2016，38（9）：1120-1125.

[11]胡騰，陸益民.電動汽車聲品質(zhì)的評價分析及建模[J].汽車技術(shù)，2016（3）：26-30.

[12]鐘秤平，陳劍，汪念平.車內(nèi)噪聲聲品質(zhì)偏好性評價與分析實驗研究[J].汽車工程，2008，30（1）：40-43.

[13]毛東興.車內(nèi)聲品質(zhì)主觀評價與分析方法的研究[D].上海：同濟大學(xué)，2003.

[14]付曉明，王福林，尚家杰.基于多子代遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J].計算機仿真，2016，33（3）：258-263.

（編輯：商丹丹）