雨刮-風窗摩擦噪聲聲品質主動控制自適應均衡算法

范會志, 郭 輝, 馮慶寶, 孫 裴, 王巖松, 陸仲輝

(1. 上海工程技術大學 機械與汽車工程學院,上海 201620; 2. 東營市技師學院 汽車工程系,山東 東營 257091;3. 中國人民解放軍32128部隊,濟南 250000)

隨著人們對汽車安全性、舒適性等性能要求日益提高,車內噪聲聲品質主動控制(active sound quality control, ASQC)成為改善車內聲學環(huán)境的焦點,通過對控制算法、控制系統(tǒng)等研究,取得了顯著成效。

研究人員起初通過降低車內聲壓級以改善車內聲學環(huán)境,但聲壓級并不能完全反映人們對噪聲的主觀感知,由此提出了聲品質的概念[1-3]。為了更好地對聲品質進行評價,許多學者提出聲品質心理聲學評價指標并通過自適應ANC方法來降低車內響度等聲品質參數(shù)以提高車內聲品質[4-7]。姜順明等[8]通過搭建階次主動控制試驗平臺使得響度值明顯下降,車內聲品質明顯提高。此后Kuo等[9]在FxLMS的基礎上增加了聲音增益因子提出了自適應噪聲均衡(adaptive noise equalizer, ANE)算法?；贏NE算法,研究人員通過對特定頻帶設置增益因子或通過變步長方法來實現(xiàn)聲品質的主動控制,從而有效降低響度等聲品質參數(shù)[10-13]。許多研究人員采用不同的方法研究了車內噪聲聲品質特征,并通過試驗和建立模型等聲品質預測方法有效降低了車內噪聲響度和尖銳度[14-20]?？紤]到人耳對聲音的聽覺感知,Wang等[21]提出一種基于人類聽覺掩蔽效應的車內噪聲聲品質主動控制算法,使得車內噪聲的響度得到明顯控制。研究人員分析了不同的聲品質主動控制算法對車內聲品質的控制效果并對比各主動控制算法的優(yōu)缺點[22-24]。雨刮-風窗摩擦噪聲作為影響車內聲品質的重要因素,在反轉時刻會產生明顯的瞬態(tài)沖擊噪聲[25-26],這嚴重影響了車內駕乘人員的聽覺感受。方曉汾[27]采用有限元法對雨刮器摩擦系統(tǒng)顫振現(xiàn)象進行分析,提出了雨刮片結構的修改方法。黃光濤[28]研究了雨刮系統(tǒng)在不同工況下的振動響應并通過有限元模型進行模態(tài)分析,得到了雨刮振動與車內噪聲的相干關系。于哲[29]通過對雨刮器建立動力學模型進行仿真計算以分析雨刮器的折返噪聲問題。本課題組通過建立雨刮-風窗系統(tǒng)模型和剛柔耦合有限元模型來研究了不同工況下雨刮系統(tǒng)振動噪聲問題[30-32]。徐中明等人基于反轉噪聲、電機噪聲和刮刷噪聲來建立主觀煩躁度多元線性回歸模型,可用于雨刮系統(tǒng)的聲品質預測[33]。

目前,對于雨刮-風窗摩擦噪聲的研究主要集中于產生機理以及動力學分析,但針對雨刮-風窗系統(tǒng)摩擦引起的車內噪聲的主動控制方法研究尚未成熟。本文中首先介紹ANE算法和信號分解方法,并基于ANE算法提出一種結合集合經(jīng)驗模態(tài)分解的權重約束自適應噪聲均衡(ensemble-empirical-mode-decomposition weight constrained adaptive noise equalizer, EWCANE)算法,然后在Matlab環(huán)境中建立聲品質主動控制模型,使用實車采集到的不同工況下的雨刮-風窗摩擦噪聲進行仿真,最后將其主動控制后的聲品質參數(shù)進行結果分析。

1 基本理論

1.1 ANE算法

ANE算法是在LMS算法的基礎上發(fā)展而來的,其原理本質也是基于梯度下降法,通過對聲音增益因子β進行調控,不斷向最優(yōu)權值迭代靠近,從而實現(xiàn)抵消干擾噪聲。如圖1所示為ANE算法框圖,x(k)是初始噪聲信號;p(z)為噪聲傳遞的初級路徑;d(k)為經(jīng)初級路徑傳遞后得到的期望信號;y(k)為抵消期望信號的次級信號;β為聲音增益因子,用來控制噪聲抵消幅度;e′(k)為偽誤差信號,用來調整權重;e(k)為殘余誤差信號;W(k)為濾波器的權重,生成次級信號。

圖1 ANE算法框圖Fig.1 ANE algorithm block diagram

期望信號d(k)為

d(k)=x(k)*p(k)

(1)

式中,p(k)為初級路徑p(z)的脈沖響應函數(shù)。誤差信號e(k)為

e(k)=d(k)-(1-β)·y(k)*s(k)

(2)

濾波器的輸出信號y(k)為

y(k)=wT(k)x(k)

(3)

式中:w(k)是濾波器的權重系數(shù);wT(k)為w(k)的轉置。偽誤差信號e′(k)為

e′(k)=e(k)-β·y(k)*s(k)

(4)

式中,s(k)為次級路徑S(z)的脈沖響應函數(shù)。濾波器權重W(k)的系數(shù)自適應更新迭代為

w(k+1)=w(k)-μx′(k)e′(k)

(5)

式中,μ為迭代步長,使得濾波器系數(shù)向目標函數(shù)的反梯度方向更新迭代。

1.2 信號分解理論

集合經(jīng)驗模態(tài)分解(ensemble empirical mode decomposition,EEMD)是一種對于非平穩(wěn)信號分解和重構的常用方法,在應用中避免了經(jīng)驗模態(tài)分解(empirical mode decomposition,EMD)的模態(tài)混疊現(xiàn)象。這個過程中不需要預先給定任何基函數(shù),自適應地完成分解,對于非平穩(wěn)信號的處理非常有效。因此,EEMD方法可用于雨刮-風窗摩擦噪聲信號,從而降低摩擦噪聲的非平穩(wěn)度,其分解方法如下。

將標準正態(tài)分布的白噪聲ni(t)加入原始信號序列x(t)中,產生新的噪聲信號為

xi(t)=x(t)+ni(t)

(6)

對所產生新的噪聲信號xi(t)進行EMD分解,相應的固有模式函數(shù)(intrinsic mode function, IMF)分量ci,j(t)和殘余信號ri,j(t)為

(7)

利用不相關序列的統(tǒng)計均值為零的原理,將得到的IMF分量進行ci,j(t)集合平均,從而消除所添加的白噪聲,得到分解后最終的IMF分量Cj(t)為

(8)

2 EWCANE算法

基于主動控制和模態(tài)分解理論方法,本文提出一種雨刮-風窗摩擦噪聲聲品質主動控制方法。首先,通過EEMD分解方法來獲得非平穩(wěn)度較低的IMF分量并計算各個IMF分量與原有噪聲信號的方差比,從而表征不同分量對原有噪聲信號的影響程度。然后,通過計算輸入信號和誤差信號的歐式范數(shù)對權重進行約束,降低其瞬態(tài)沖擊特性。最后,通過方差比的計算結果來調整相應的聲音增益因子β,實現(xiàn)對雨刮-風窗摩擦噪聲聲品質主動控制。其算法框圖如圖2所示。

圖2 EWCANE算法框圖Fig.2 EWCANE algorithm block diagram

經(jīng)分解得到j個IMF分量C1(k),C2(k),…,Cj(k)表達式為

(9)

式中:L為濾波器長度;W1(k),W2(k),…,Wj(k)為進行濾波的控制器,用來生成次級噪聲信號,輸出信號ys(k)為

(10)

式中:wi(k)為濾波器的權重系數(shù);s(k)為S(z)的單位脈沖響應;βi為聲音增益因子。誤差信號e(k)可表示為

e(k)=d(k)-ys(k)

(11)

偽誤差信號e′(k)為

(12)

式中,ei(k)為誤差信號分解后所得到的分量。自適應濾波器W(k)的權重系數(shù)自適應更新為

(13)

式中:i=1,2,…j,μi為各個IMF分量所對應的步長;Csi(k)為輸入信號經(jīng)過次級路徑后分解得到的IMF分量。

所提出的EWCANE算法是通過將輸入信號和誤差信號的歐式范數(shù)引入Sigmoid變體函數(shù)來設置權重更新的約束參數(shù),適當?shù)募s束參數(shù)將大大提高算法的收斂速度和穩(wěn)定性。權重更新的方法為

(15)

3 仿真分析

3.1 噪聲采集與分解

本文通過對某品牌新能源汽車進行雨刮-風窗摩擦噪聲采集試驗,采集時車門窗都處于關閉狀態(tài),采集地點位于半消聲室內,采集設備為西門子公司的Test.Lab數(shù)據(jù)采集分析系統(tǒng)。如圖3(a)所示,依照GB/T 18697—2002《聲學 汽車車內噪聲測量方法》[34]的要求對不同工況下的雨刮-風窗摩擦噪聲進行采集。此次采集的為主駕駛位和副駕駛位雙耳處的噪聲,試驗工況分別為雨刮在不同刮刷速度(低速、高速)以及風窗玻璃表面干濕程度(干燥、濕潤),共4種工況。如圖3(b)所示,將測試雨刮刮片的位置共分為內側、中間和外側,通過測量雨刮器的尺寸參數(shù)并記錄相同刮刷次數(shù)下所用的時間,得出低速檔和高速檔的各位置的刮刷速度。實車測試低速檔和高速檔下的雨刮刮刷速度如表1所示。濕潤狀態(tài)定義為試驗前先將玻璃表面濕潤,水量為0.25～0.30 L/m2[35]。為保證采集時噪聲數(shù)據(jù)的準確性,每次工況測試3次,每次采樣時間設置為10 s。

圖3 噪聲采集示意圖Fig.3 Schematic diagram of noise collection

由于采集到的主駕駛位和副駕駛位雙耳處的噪聲信號趨于一致性,選取主駕駛位右耳側測點3所采集到的噪聲信號來進行表征。本文對主駕駛位右耳側測點3所采集到的低速濕潤和高速濕潤兩種工況進行研究,對所采集的信號選取5 s數(shù)據(jù)進行對比分析,通過EEMD方法進行分解來降低雨刮-風窗摩擦噪聲的非平穩(wěn)性。兩種工況分解所得到的IMF分量時域結果和頻域結果如圖4所示,其中圖4(a)和(b)分別為低速濕潤工況下各IMF分量所對應的時域分解結果和頻域分解結果,圖4(c)和(d)分別為高速濕潤工況下各IMF分量所對應的時域分解結果和頻域分解結果。

圖4 不同工況IMF分量結果Fig.4 IMF component results of different working conditions

將兩種工況下得到的IMF分量進行方差計算,與原有噪聲信號序列進行方差比值,求得方差比來表征不同IMF分量對原有噪聲信號序列的影響程度。兩種工況的方差比計算結果如圖5(a)和圖5(b)所示。在低速濕潤工況下,IMF分量3～7相比于其它IMF分量對原有噪聲信號序列影響程度較大,因此需要著重加強對IMF分量3～7的主動控制;在高速濕潤工況下,IMF分量4～7相比于其它IMF分量對原有噪聲信號序列影響程度較大,因此需要著重對IMF分量4～7進行主動控制。

圖5 不同工況下IMF分量方差比結果Fig.5 IMF component variance ratio results under different operating conditions

3.2 聲品質主動控制

為了驗證EWCANE算法對改善兩種工況下的雨刮-風窗摩擦噪聲聲品質的可行性,在Matlab中進行聲品質主動控制效果的仿真分析。為了進一步驗證其主動控制效果,將ANE算法與EWCANE算法分別對雨刮-風窗摩擦噪聲進行主動控制。相應的參數(shù)結果如表2和表3所示。

表2 低速濕潤工況算法參數(shù)值

表3 高速濕潤工況算法參數(shù)值

圖6為兩種算法在兩種工況下聲品質主動控制后的時域對比結果,從圖6中可以看出,兩種算法對雨刮-風窗摩擦噪聲均可得到有效的控制,并且在顯著降低振幅的同時對原始波形都有一定的保留。但所提出的EWCANE算法采用EEMD方法來對雨刮-風窗摩擦噪聲的不同成分進行分解,通過引入輸入信號和誤差信號的歐式范數(shù)自適應進行權重更新,并且對反轉時刻產生的瞬態(tài)沖擊噪聲進行權重約束,保證了算法不會由于信號的突變而引起權重發(fā)散的問題。因此,所提出的EWCANE算法在穩(wěn)態(tài)誤差上明顯優(yōu)于傳統(tǒng)的ANE算法,對雨刮-風窗摩擦噪聲具有更好的主動控制效果。圖7為兩種算法在兩種工況下聲品質主動控制后的頻域對比結果,從圖7中可以得出結論,在0～2 000 Hz頻率范圍內,所提出的EWCANE算法明顯優(yōu)于傳統(tǒng)的ANE算法,并對于主要集中在0～500 Hz的頻率范圍內取得了明顯的控制效果。

圖6 不同工況時域結果圖Fig.6 Time domain results of different working conditions

圖7 不同工況頻域結果圖Fig.7 Frequency domain results of different working conditions

算法的收斂速度和穩(wěn)定性是評估算法優(yōu)劣的兩個重要指標?？紤]到要同時兼顧算法的收斂速度和穩(wěn)定性,將所提出的EWCANE算法與傳統(tǒng)的ANE算法在兩種不同工況條件下進行收斂速度對比。如圖8所示,在兩種不同的工況下,所提出的EWCANE算法相比于傳統(tǒng)的ANE算法具有較快的收斂速度并且能夠保持較低的均方誤差。因此所提出的EWCANE算法比傳統(tǒng)的ANE算法具有更好的控制效果。

圖8 不同工況收斂速度對比圖Fig.8 Comparison diagram of convergence speed of different working conditions

心理聲學參數(shù)可以更好地描述人們對噪聲的主觀感知。因此,為了進一步體現(xiàn)所提出的算法對雨刮-風窗摩擦噪聲聲品質的主動控制效果,將傳統(tǒng)的ANE算法和所提出的EWCANE算法主動控制后的殘余誤差信號進行聲品質客觀參數(shù)計算。本文通過使用西門子公司的Test.Lab系統(tǒng)進行計算雨刮-風窗摩擦噪聲聲品質客觀參數(shù)指標,包括響度、粗糙度以及尖銳度。

響度主要用來描述人耳所感受到的聲音強度,是影響聲品質的重要參數(shù)。如圖9所示,在低速濕潤工況下,雨刮刮片反轉時所產生的摩擦噪聲具有明顯的瞬態(tài)沖擊特性,響度值明顯增大。所提出的EWCANE算法相比于傳統(tǒng)的ANE算法主動控制后的響度控制效果明顯,整體響度曲線比以前更平滑。

圖9 低速濕潤工況響度結果Fig.9 Loudness result under low-speed wet working condition

由表4計算結果可知,EWCANE算法主動控制后的噪聲總響度值降低了3.25 sones,響度最大峰值降低了2.06 sones,響度值得到明顯降低,對雨刮反轉時產生的瞬態(tài)沖擊噪聲得到有效抑制。

表4 低速濕潤工況響度結果

所提出的EWCANE算法相比于ANE算法在噪聲粗糙度控制上取得一定的效果,由粗糙度的計算公式可得,粗糙度會隨著聲音變化量的增大而逐漸升高[36],如圖10所示。在進行聲品質主動控制后,反轉時刻的噪聲幅值得到明顯降低,使得聲音變化量減小,因此,噪聲粗糙度得到有效控制。尖銳度主要用來描述高頻成分在聲音頻譜中所占的比例。如圖10(b)所示,兩種算法在噪聲尖銳度控制上有所上升,而所提出的EWCANE算法主要針對于低頻成分來進行控制,高頻部分所占比例進一步上升。從表5計算結果可以得出結論,EWCANE算法主動控制后的噪聲粗糙度值降低了0.29 asper。聲品質主動控制后的尖銳度最大值為0.72 acum,而汽車內部乘員通?？梢越邮芗怃J度在2 acum以下的噪聲水平[37]。盡管尖銳度的值有所上升,但仍在汽車內部乘員可以接受的范圍之內?？偟膩碚f,所提出的EWCANE算法對在低速濕潤工況下的雨刮-風窗摩擦噪聲聲品質主動控制上取得了不錯的效果。

表5 低速濕潤工況粗糙度和尖銳度結果

圖10 低速濕潤工況粗糙度和尖銳度結果Fig.10 Roughness and sharpness results under low-speed wet working condition

如圖11所示,在高速濕潤工況下雨刮刮片反轉時產生的瞬態(tài)沖擊噪聲響度值明顯高于低速濕潤工況下。所提出的EWCANE算法相比于傳統(tǒng)的ANE算法在噪聲響度上控制效果明顯,響度峰值明顯降低,整體響度曲線比以前更平滑。

圖11 高速濕潤工況響度結果Fig.11 Loudness results under high-speed wet working condition

如表6所示,EWCANE算法主動控制后的殘余誤差噪聲總響度值降低了4.27 sones,響度最大峰值降低了2.34 sones,對反轉時刻產生的瞬態(tài)沖擊響度值得到明顯下降。

表6 高速濕潤工況響度結果Tab.6 Loudness results under high-speed wet condition

如圖12(a)所示,所提出的EWCANE算法在粗糙度控制上具有一定的效果。這是由于聲品質主動控制后,反轉時刻的噪聲幅值得到明顯降低,使得聲音變化量減小,噪聲粗糙度得到有效控制。圖12(b)為尖銳度的控制結果,由于兩種算法在主動控制過程中使高頻部分所占比例上升,導致兩種算法在尖銳度控制上效果不佳。從表7的計算結果可得,EWCANE算法主動控制后的噪聲粗糙度值降低了0.26 asper。高速濕潤工況下聲品質主動控制后的尖銳度最大值為0.83 acum,但仍在汽車內部乘員可以接受的2 acum范圍之內。因此,所提出的EWCANE算法對于高速濕潤工況下的雨刮-風窗摩擦噪聲聲品質主動控制上取得了不錯的效果,所提出的EWCANE算法可以針對不同工況下的雨刮-風窗摩擦噪聲進行自適應調控控制,具有自適應性強和魯棒性好等特點。

表7 高速濕潤工況粗糙度和尖銳度結果

圖12 高速濕潤工況粗糙度和尖銳度結果Fig.12 Roughness and sharpness results under high-speed wet working condition

4 結 論

為了滿足乘客對車內聲品質的需求,本文以雨刮-風窗摩擦噪聲為研究對象,提出EWCANE聲品質主動控制算法,建立聲品質主動控制模型,使用實車采集到的不同工況下的雨刮-風窗摩擦噪聲進行仿真,將其主動控制后的聲品質參數(shù)進行對比分析。結果表明,該方法可以有效控制雨刮-風窗摩擦噪聲信號。

考慮到響度、粗糙度和尖銳度這三個心理聲學參數(shù),分別使用傳統(tǒng)的ANE算法和EWCANE算法對兩種工況下采集到的摩擦噪聲進行聲品質主動控制仿真分析。結果表明,兩種算法對響度都能有效控制,與傳統(tǒng)的ANE算法相比,所提出的EWCANE算法的控制效果更好。在粗糙度控制方面,ANE算法對粗糙度的控制效果不佳,EWCANE算法可以對粗糙度進行有效控制。但由于主動控制過程后高頻部分所占比例有所上升,使得兩種算法在尖銳度方面控制效果不佳。

因此,所提出的EWCANE算法可以有效控制雨刮-風窗摩擦的噪聲響度和粗糙度,是一種可以主動控制雨刮-風窗摩擦噪聲聲品質的有效方法,對改善車輛內部聲品質具有一定的參考價值。