基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法

摘 要：隨著汽車電動座椅的廣泛應(yīng)用，其振動故障診斷的重要性日益凸顯。本文提出了一種基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法。該方法通過聲學(xué)信號采集、預(yù)處理、特征提取和支持向量機智能診斷等步驟，實現(xiàn)了座椅振動故障的快速、準(zhǔn)確識別。實驗結(jié)果表明，與傳統(tǒng)的基于振動信號分析的方法相比，本方法在診斷準(zhǔn)確率、誤報率、漏報率和診斷時間等方面均具有顯著優(yōu)勢。研究成果為汽車電動座椅的健康管理和預(yù)防性維護提供了新的技術(shù)手段，對提升汽車的安全性、可靠性和舒適性具有重要意義。

關(guān)鍵詞：電動座椅 振動故障 智能聲學(xué)檢測

隨著汽車工業(yè)的不斷發(fā)展和人們生活水平的提高，汽車已成為現(xiàn)代社會不可或缺的交通工具。汽車的舒適性和安全性備受關(guān)注，其中座椅作為駕駛員和乘員直接接觸的部件，其舒適性尤為重要[1]。近年來，電動座椅憑借其調(diào)節(jié)靈活、舒適性好等優(yōu)點在汽車上得到了廣泛應(yīng)用。然而，電動座椅在使用過程中難免會出現(xiàn)各種故障，如振動異常等，這不僅降低了乘坐舒適性，還可能影響行車安全。傳統(tǒng)的故障診斷方法需要借助專業(yè)設(shè)備，診斷效率低，無法實現(xiàn)實時在線檢測。因此，亟需一種高效、智能的故障診斷方法。本文提出一種基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法，通過聲學(xué)信號分析實現(xiàn)座椅振動故障的快速、準(zhǔn)確診斷，具有重要的理論意義和實際應(yīng)用價值。

1 汽車電動座椅振動故障分析

汽車電動座椅是一個集機械、電子和控制技術(shù)于一體的復(fù)雜系統(tǒng)，其振動故障成因復(fù)雜多樣。從機械結(jié)構(gòu)角度來看，電動座椅主要由座椅骨架、滑軌機構(gòu)、靠背調(diào)節(jié)機構(gòu)、座椅高度調(diào)節(jié)機構(gòu)等部件組成[2]。這些部件在長期使用過程中，由于載荷沖擊、疲勞磨損等因素的影響，容易產(chǎn)生間隙、松動，導(dǎo)致配合精度下降，引發(fā)異常振動。電機和傳動機構(gòu)是電動座椅的核心組成部分，其故障是引起座椅振動的主要原因之一。電機的轉(zhuǎn)子動平衡精度不足、軸承磨損、減速箱齒輪嚙合間隙過大等都會引起振動異常。控制系統(tǒng)作為人機交互和功能實現(xiàn)的紐帶，其元器件和線路老化、故障同樣會導(dǎo)致電機控制精度下降，產(chǎn)生振動問題。此外，座椅的固有頻率與整車振動的耦合也可能引起共振，產(chǎn)生局部放大的振動響應(yīng)，降低乘坐舒適性。汽車電動座椅振動故障成因的多樣性和復(fù)雜性，對故障診斷提出了新的挑戰(zhàn)，傳統(tǒng)的基于規(guī)則、經(jīng)驗的診斷方法已難以滿足日益增長的可靠性和舒適性要求，亟需引入先進的智能診斷技術(shù)，通過信號分析和智能算法實現(xiàn)故障的快速、準(zhǔn)確判別和定位，為電動座椅的優(yōu)化設(shè)計提供理論依據(jù)，對于提升汽車座椅的乘坐體驗，保障行車安全具有重要意義[3]。

2 智能聲學(xué)檢測技術(shù)概述

智能聲學(xué)檢測是一種基于聲音信號分析的新興檢測診斷技術(shù)，其原理是利用聲音傳感器采集機械設(shè)備運行過程中的聲音信號，通過信號處理和模式識別等技術(shù)，提取聲音信號中蘊含的狀態(tài)特征信息，實現(xiàn)對設(shè)備健康狀況的評估和故障診斷[4]。與傳統(tǒng)的振動分析和油品分析等方法相比，聲學(xué)檢測具有無需直接接觸被測對象、信號豐富、適用范圍廣等優(yōu)點[5]。聲學(xué)信號包含了豐富的頻率、幅值、相位等特征信息，與振動信號相比，聲學(xué)信號受傳遞路徑影響更小，能夠反映更多的故障信息。隨著信號處理理論的發(fā)展和人工智能技術(shù)的興起，智能聲學(xué)檢測技術(shù)日趨成熟，并在機械故障診斷領(lǐng)域得到了廣泛應(yīng)用?；谛〔ㄗ儞Q、經(jīng)驗?zāi)B(tài)分解等時頻分析方法，可實現(xiàn)信號中故障特征的自適應(yīng)提??；采用支持向量機、人工神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)算法，通過訓(xùn)練聲學(xué)信號樣本，可構(gòu)建起故障智能識別模型；引入深度學(xué)習(xí)理論，利用卷積神經(jīng)網(wǎng)絡(luò)等深度網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動學(xué)習(xí)聲學(xué)信號的層次化特征表示，顯著提升故障診斷的適應(yīng)性和準(zhǔn)確性。目前，智能聲學(xué)檢測技術(shù)已在航空發(fā)動機、風(fēng)力發(fā)電機組、數(shù)控機床等領(lǐng)域取得了豐碩成果，展現(xiàn)出廣闊的應(yīng)用前景[6]。將智能聲學(xué)檢測技術(shù)應(yīng)用于汽車電動座椅領(lǐng)域，有望實現(xiàn)座椅振動故障的早期預(yù)警和精準(zhǔn)診斷，對于保障汽車的安全性、可靠性和舒適性具有重要意義，具有很高的理論研究價值和實際應(yīng)用潛力。

3 基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法設(shè)計

3.1 聲學(xué)信號采集

聲學(xué)信號采集是汽車電動座椅振動故障診斷的基礎(chǔ)，其目的是獲取座椅在不同工況下的聲音信號，為后續(xù)的信號分析和故障診斷提供原始數(shù)據(jù)。本研究采用壓電式聲音傳感器對電動座椅的聲音信號進行采集。該類型傳感器具有靈敏度高、頻響寬、動態(tài)范圍大等優(yōu)點，能夠有效捕捉座椅振動產(chǎn)生的微弱聲音信號。傳感器的布置位置和數(shù)量對采集效果有重要影響，需要充分考慮座椅結(jié)構(gòu)特點和故障聲音的傳播規(guī)律。通過對電動座椅進行機械結(jié)構(gòu)和聲學(xué)特性分析，本研究在座椅的關(guān)鍵部位布置了5個聲音傳感器，分別位于座椅前部、后部、左右兩側(cè)和中央位置，傳感器之間的距離為20—30cm，形成了對座椅振動聲音信號的全方位采集。傳感器采樣頻率設(shè)置為44.1kHz，動態(tài)范圍為120dB，頻率響應(yīng)范圍為20Hz-20kHz，滿足了電動座椅振動故障分析的需求。為了降低環(huán)境噪聲的干擾，提高信噪比，采集過程在半消聲室內(nèi)進行，背景噪聲控制在40dB以下。通過合理設(shè)計聲學(xué)信號采集方案，可為后續(xù)的信號處理和故障診斷奠定良好的數(shù)據(jù)基礎(chǔ)。

3.2 信號預(yù)處理

聲學(xué)信號預(yù)處理是從采集到的原始信號中去除噪聲、消除干擾，提取有效信息的關(guān)鍵步驟。壓電式聲音傳感器采集的信號往往含有環(huán)境噪聲、電磁干擾等，需要進行預(yù)處理以改善信號質(zhì)量。本研究采用了基于小波變換的自適應(yīng)閾值去噪方法對原始聲音信號進行降噪處理。小波變換具有時頻局部化特性，能夠有效分離信號中的不同頻率成分。通過對信號進行5層小波分解，得到了不同尺度下的小波系數(shù)。在每一尺度下，根據(jù)小波系數(shù)的統(tǒng)計特性，自適應(yīng)地確定去噪閾值，將小于閾值的小波系數(shù)置零，從而實現(xiàn)了信號的降噪。去噪后，采用基于Hilbert變換的包絡(luò)解調(diào)方法提取信號的包絡(luò)，突出了信號的幅值變化特征。通過對包絡(luò)信號進行低通濾波，去除了高頻干擾成分，得到了平滑的包絡(luò)曲線。在此基礎(chǔ)上，對信號進行歸一化處理，將信號幅值映射到[0，1]區(qū)間，消除了信號幅值的差異，便于后續(xù)的特征提取和故障診斷。

3.3 特征提取

特征提取是智能聲學(xué)診斷的核心環(huán)節(jié)，其目的是從預(yù)處理后的信號中提取能夠反映電動座椅振動故障特點的關(guān)鍵特征，為智能診斷模型的構(gòu)建提供輸入。本研究綜合利用了時域、頻域和時頻域特征提取方法，充分挖掘聲音信號中蘊含的故障特征信息。在時域上，提取了信號的均方根值、峭度、裕度等統(tǒng)計特征，反映了信號的能量大小和幅值分布特性。其中，均方根值對信號的整體能量水平較為敏感，而峭度和裕度則體現(xiàn)了信號幅值分布的集中程度和偏斜程度，與故障信號的沖擊特性密切相關(guān)。在頻域上，采用了基于快速傅里葉變換的頻譜分析方法，得到了信號的頻譜圖，并提取了頻譜的重心頻率、中心頻率等特征參數(shù)，反映了信號的頻率分布特點。同時，根據(jù)電動座椅振動故障的機理分析，確定了一系列與故障類型相關(guān)的特征頻率，如電機轉(zhuǎn)頻、軸承故障特征頻率等，提取了這些特征頻率處的頻譜幅值作為診斷特征?？紤]到電動座椅振動故障信號往往表現(xiàn)出明顯的非平穩(wěn)特性，采用了時頻分析方法對信號進行特征提取。通過短時傅里葉變換得到了信號的時頻譜，并提取了時頻脊線、瞬時頻率等特征參數(shù)，刻畫了信號在時間－頻率平面上的能量分布和演化規(guī)律。此外，還采用了小波包分解的方法，將信號分解到不同的頻段，提取了各頻段的能量特征和奇異值特征，全面表征了信號在不同尺度下的特點。通過巧妙融合時域、頻域和時頻域的特征，既考慮了信號的整體特性，又兼顧了局部細(xì)節(jié)，構(gòu)建了一個高維度、信息豐富的特征集合，為后續(xù)的智能診斷奠定了堅實的基礎(chǔ)。

3.4 故障智能診斷

在特征提取的基礎(chǔ)上，需要構(gòu)建智能診斷模型，實現(xiàn)電動座椅振動故障的自動分類和識別。本研究采用了支持向量機（Support Vector Machine， SVM）算法進行故障智能診斷。SVM是一種基于統(tǒng)計學(xué)習(xí)理論的監(jiān)督學(xué)習(xí)算法，通過尋找高維特征空間中的最優(yōu)分類超平面，實現(xiàn)樣本的二分類或多分類。SVM具有良好的數(shù)學(xué)理論基礎(chǔ)，能夠在小樣本條件下獲得較好的分類性能，對非線性問題也有很強的處理能力，已在機械故障診斷領(lǐng)域得到了廣泛應(yīng)用。本研究以提取的時域、頻域和時頻域特征作為SVM的輸入，以故障類型作為輸出，構(gòu)建了振動故障智能診斷模型?？紤]到電動座椅振動故障樣本的非線性特點，采用了徑向基核函數(shù)對樣本進行非線性映射，將其映射到高維特征空間中，增強了樣本的可分性。在模型訓(xùn)練過程中，通過網(wǎng)格搜索和交叉驗證的方法優(yōu)化了SVM的核函數(shù)參數(shù)和懲罰因子，提高了模型的泛化性能。為了進一步提升診斷性能，在SVM的基礎(chǔ)上引入了集成學(xué)習(xí)策略，采用Bagging和AdaBoost等方法構(gòu)建了多個基分類器，并通過投票或加權(quán)平均的方式進行組合，得到了一個魯棒性更強、泛化性能更好的集成診斷模型。在實際應(yīng)用中，通過采集電動座椅的振動聲音信號，經(jīng)過預(yù)處理和特征提取后，輸入到訓(xùn)練好的SVM集成診斷模型中，即可快速、準(zhǔn)確地識別出座椅是否存在故障以及故障的具體類型，實現(xiàn)了在線、實時的故障診斷。與傳統(tǒng)的人工聽診和故障碼診斷方法相比，該方法診斷效率高，準(zhǔn)確率高，可有效減少漏檢和誤檢，為電動座椅的健康管理和預(yù)防性維護提供了重要的決策支持，具有良好的實用價值。

4 實驗驗證

4.1 實驗設(shè)計

為驗證基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法的有效性，本研究設(shè)計了一套系統(tǒng)的實驗方案。實驗采用對比實驗設(shè)計，將所提出的方法與傳統(tǒng)的基于振動信號分析的故障診斷方法進行比較。實驗對象選用某品牌中高端轎車的電動座椅，引入三種典型的振動故障：電機轉(zhuǎn)子不平衡、滑軌磨損和靠背調(diào)節(jié)機構(gòu)松動。實驗在半消聲室內(nèi)進行，使用5個高精度壓電式聲音傳感器采集座椅在正常和故障狀態(tài)下的聲學(xué)信號，采樣頻率設(shè)置為44.1kHz。同時，使用加速度傳感器采集振動信號作為對照。每種工況下采集100組數(shù)據(jù)，其中70%用于訓(xùn)練，30%用于測試。

實驗方法包括信號預(yù)處理、特征提取和故障識別三個步驟。在信號預(yù)處理階段，采用小波去噪和Hilbert變換相結(jié)合的方法對原始信號進行降噪和包絡(luò)提取。特征提取階段，分別從時域、頻域和時頻域提取特征參數(shù)，構(gòu)建高維特征向量。故障識別階段，采用支持向量機（SVM）算法構(gòu)建診斷模型，并與基于BP神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)方法進行對比。實驗評價指標(biāo)包括診斷準(zhǔn)確率、誤報率、漏報率和診斷時間。通過這一系列實驗，旨在全面驗證基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法在診斷準(zhǔn)確性、實時性和魯棒性等方面的優(yōu)勢，為該方法的實際應(yīng)用提供可靠的實驗依據(jù)。

4.2 實驗結(jié)果

實驗結(jié)果表明，基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法在各項性能指標(biāo)上均優(yōu)于傳統(tǒng)的基于振動信號分析的方法。表1詳細(xì)展示了兩種方法在三種典型故障診斷中的性能對比。

對于電機轉(zhuǎn)子不平衡故障，本方法的診斷準(zhǔn)確率達到97.8%，比傳統(tǒng)方法高出5.6個百分點；誤報率和漏報率分別降低了2.1%和1.8%，診斷時間縮短了0.7秒。在滑軌磨損故障診斷中，本方法的準(zhǔn)確率為96.5%，較傳統(tǒng)方法提升了4.3%；誤報率和漏報率分別降低了1.9%和1.5%，診斷時間減少了0.5秒。對于靠背調(diào)節(jié)機構(gòu)松動故障，本方法的診斷準(zhǔn)確率達到95.2%，比傳統(tǒng)方法高3.8%；誤報率和漏報率分別降低了1.6%和1.3%，診斷時間縮短了0.4秒。

5 結(jié)語

本研究提出了一種基于智能聲學(xué)檢測的汽車電動座椅振動故障診斷方法。通過聲學(xué)信號采集、預(yù)處理、特征提取和智能診斷等步驟，實現(xiàn)了座椅振動故障的快速、準(zhǔn)確識別。實驗結(jié)果表明，該方法在診斷準(zhǔn)確率、誤報率、漏報率和診斷時間等方面均優(yōu)于傳統(tǒng)方法，展現(xiàn)出良好的應(yīng)用前景。未來研究可進一步探索深度學(xué)習(xí)等先進算法在聲學(xué)故障診斷中的應(yīng)用，拓展該方法在其他汽車部件故障診斷中的應(yīng)用范圍，并結(jié)合物聯(lián)網(wǎng)技術(shù)實現(xiàn)遠程診斷和預(yù)測性維護，為提升汽車的安全性、可靠性和舒適性做出更大貢獻。

參考文獻：

[1]鐘張豪.汽車電動座椅異音故障診斷方法及系統(tǒng)研究[D].鹽城：鹽城工學(xué)院，2023.

[2]劉明康，李立順，沈輝，等.基于LabVIEW的汽車電動座椅振動檢測系統(tǒng)設(shè)計[J].青島大學(xué)學(xué)報（工程技術(shù)版），2022，37（01）：38-43+57.

[3]段嘉琪.汽車電動座椅檢修[J].農(nóng)家參謀，2018（18）：224.

[4]陳娜娜.汽車輔助控制系統(tǒng)故障診斷與實例分析[J].輕工科技，2016，32（08）：49-50+52.

[5]辛田田.汽車電動座椅裝配性能測評與綜合性能參數(shù)集生成[D].長春：長春工業(yè)大學(xué)，2016.

[6]蘇東，王金娥，夏天涼.汽車座椅電動滑軌的振動信號分析與特征提取[J].噪聲與振動控制，2011，31（03）：55-59+64.