基于改進(jìn)SVM的轉(zhuǎn)向系統(tǒng)異響辨識(shí)方法研究

摘" "要：目前，汽車轉(zhuǎn)向系統(tǒng)異響辨識(shí)主要依靠經(jīng)驗(yàn)工程師主觀聽音辨識(shí)，該方法一致性和重復(fù)性較差。鑒于支持向量機(jī)（Support Vector Machine， SVM）具有魯棒性好、抗干擾能力強(qiáng)等特點(diǎn)，在小樣本情況下仍可達(dá)到較高的異響診斷辨識(shí)精度，具有較好的抗干擾性。針對(duì)實(shí)際轉(zhuǎn)向系統(tǒng)異響辨識(shí)過程中典型樣本少、信息比較微弱的現(xiàn)狀，采用一種改進(jìn)的SVM方法對(duì)轉(zhuǎn)向系統(tǒng)異響進(jìn)行辨識(shí)。

關(guān)鍵詞： 異響辨識(shí)" "轉(zhuǎn)向異響" "支持向量機(jī)" "魯棒性

中圖分類號(hào)：U463

Research on Abnormal Noise Identification Method of Steering System Based on Improved SVM

LI Lang*" CHEN Ruyi

China Automotive Engineering Research Institute Co.， Ltd.， Chongqing， 400039 China

Abstract： At present， the identification of automotivevehicle steering systems abnormal noises primarily relies on subjective listeningauditory identification of by experienced engineers， the consistency and repeatability of this method are poor. Given thatIn view of the Support Vector Machine （SVM） has the characteristics of good robustness， strong anti-interference ability， iIt can achieve high diagnostic and identification accuracy of abnormal noise in the situations" case of small samples， and has good anti-interference ability. In view of the current situation of few typical samples and weak information in the process of abnormal noise identification of actual steering systems， an improved SVM method is used to identify abnormal noise of steering systems.

Key Wwords： ：Abnormal sound noise recognitionidentification; Abnormal Ssteering abnormal soundnoise; Support vVector mMachine; Robustness

目前，轉(zhuǎn)向系統(tǒng)異響辨識(shí)主要靠主觀聽音辨識(shí)來發(fā)現(xiàn)和評(píng)估異響問題及風(fēng)險(xiǎn)點(diǎn)，該方法存在主觀差異，導(dǎo)致一致性和重復(fù)性較差，尋求一種高效、準(zhǔn)確的辨別方法是很有必要的。

KANGHYUN A等人[1]提出一種新型控制系統(tǒng)可降低轉(zhuǎn)向系統(tǒng)噪聲。Shen W等人[2]改進(jìn)了盲源分離損傷檢測方法，實(shí)現(xiàn)損傷檢測過程自動(dòng)化。胥文龍等人[3]發(fā)現(xiàn)空載力矩衰減會(huì)引起異響。劉慧建等人[4]計(jì)算了渦輪蝸桿間隙加速度曲線，客觀評(píng)價(jià)間隙對(duì)異響的影響。王亞平等人[5]在轉(zhuǎn)向機(jī)壓塊間隙安裝自動(dòng)化檢測反饋系統(tǒng)，實(shí)時(shí)測量并修正，能夠有效避免異響問題。姜靖翔[6]基于振動(dòng)信號(hào)特征，根據(jù)深度學(xué)習(xí)算法，提出一種異響診斷方法。孫建[7]采用小波變換分析算法可快速確定故障類型及位置。郭洪軍[8]進(jìn)行了轉(zhuǎn)向異響動(dòng)態(tài)檢測，提供了一種異響定量分析方法。王思文等人[9]通過主觀評(píng)價(jià)及客觀數(shù)據(jù)采集，識(shí)別異響源位置。楊香蓮等人[10]通過主觀評(píng)價(jià)、臺(tái)架復(fù)現(xiàn)找出異響發(fā)生根本原因。賈帥帥等人[11]通過試驗(yàn)及聲診斷方法，確定泵流體壓力對(duì)轉(zhuǎn)向系統(tǒng)噪聲影響較大。

選用SVM的智能診斷功能來辨識(shí)異響，SVM魯棒性好、抗干擾能力強(qiáng)，在小樣本情況下仍能達(dá)到較高診斷精度，特別適用于實(shí)際轉(zhuǎn)向系統(tǒng)異響辨識(shí)過程中典型樣本少、信息微弱場景。

1" 基于SVM的異響辨識(shí)方法

1.1" "SVM分類算法

支持向量機(jī)的最終目的是尋求最優(yōu)的超平面，其分類過程的主要步驟是將訓(xùn)練進(jìn)行精確分類，從而求解能夠?qū)⒂?xùn)練進(jìn)行精確分類的最優(yōu)分類面。如圖1所示，圓點(diǎn)和菱點(diǎn)分別代表數(shù)據(jù)樣本1和2，其中為最優(yōu)分類線。、分別與平行，與的距離稱為SVM分類超平面的分類間隔。通常要求所得的最優(yōu)分類線L既能準(zhǔn)確地歸類兩類訓(xùn)練樣本，又能最大限度地要求歸類間隔。準(zhǔn)確的歸類是確保最小的經(jīng)驗(yàn)風(fēng)險(xiǎn)，最大的歸類間隔是確保最小的置信區(qū)間。當(dāng)兩個(gè)值都較小時(shí)，學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)最小，就可以達(dá)到更好的分類效果。

1.2" 核函數(shù)選擇

對(duì)于線性不可分的問題，引入核函數(shù)思想，將低維的訓(xùn)練樣本輸入空間經(jīng)過非線性函數(shù)映射到高維屬性空間，從而使低維分類問題轉(zhuǎn)移到屬性空間。常見核函數(shù)有線性核、多項(xiàng)式核、高斯核、Sigmoid核函數(shù)等。

1.3" 基于網(wǎng)格搜索法的參數(shù)尋優(yōu)

本文建立SVM智能診斷模型選擇高斯核函數(shù)，通常徑向基核函數(shù)SVM主要有兩個(gè)參數(shù)：懲罰因子C、徑向基核函數(shù)寬度g。

一般使用的參數(shù)尋優(yōu)方法有網(wǎng)格搜索法、遺傳算法GA和粒子群算法PSO等，本文選用網(wǎng)格搜索法，以運(yùn)算速度和精度的綜合考慮為基礎(chǔ)。通常先定位到一個(gè)相對(duì)不錯(cuò)的參數(shù)尋優(yōu)區(qū)域之間，再精確搜尋，可以減少無謂的運(yùn)算。

針對(duì)上述問題，優(yōu)化提出以網(wǎng)格為單位的網(wǎng)格搜索法。首先用大步距離進(jìn)行粗搜，選出使分類準(zhǔn)確率最高的一組C、g，如果C、g存在多組，那么就選出能夠達(dá)到C參數(shù)最小的一組；若有多組g對(duì)應(yīng)的最小C，則選擇C、g兩組最優(yōu)參數(shù)。在找到局部最優(yōu)參數(shù)后，利用小步距，在這組參數(shù)附近的小區(qū)間進(jìn)行二次精搜，從而找到最終的最優(yōu)參數(shù)。

2" 轉(zhuǎn)向系統(tǒng)異響信號(hào)采集及分析

2.1" 信號(hào)采集

采集某款轉(zhuǎn)向器的異響聲音，一般在轉(zhuǎn)向系統(tǒng)的輸入軸（Axial）、皮帶（Belt）、和電機(jī)（Motor）等位置容易監(jiān)測到異響，因此在這3點(diǎn)布置加速度傳感器（如圖2所示）。

為完全模擬駕乘習(xí)慣，轉(zhuǎn)向測試臺(tái)架采用Reversal、Rattle和Running 這3種測試工況，異響表現(xiàn)更明顯，均按照48 kHz的采樣率。

（1）Reversal工況：齒條置中間位置，輸入軸以6.28 rad/s的轉(zhuǎn)速在±45°范圍內(nèi)往復(fù)轉(zhuǎn)動(dòng)，齒條端負(fù)載50%的最大齒條力。

（2）Rattle工況：輸入軸安裝約0.053 kg·m2的慣量盤，將轉(zhuǎn)向器一側(cè)拉桿連接到激振器上，激振頻率為10～20 Hz的正弦波。

（3）Running工況：車速信號(hào)設(shè)為0，輸入軸以6.28 rad/s的轉(zhuǎn)速轉(zhuǎn)動(dòng)，齒條端負(fù)載90%的最大齒條力。

2.2" 信號(hào)分析

圖3為某款轉(zhuǎn)向器試驗(yàn)時(shí)采集的振動(dòng)信號(hào)，以及對(duì)應(yīng)信號(hào)計(jì)算出的聲壓級(jí)。由圖3可知，不同轉(zhuǎn)向器產(chǎn)生的振動(dòng)信號(hào)在時(shí)域部分無法直觀地看出差別，轉(zhuǎn)換到聲壓級(jí)后數(shù)值變化明顯，這是因?yàn)橥ㄟ^計(jì)算聲壓級(jí)，可以將振動(dòng)信號(hào)轉(zhuǎn)換為可以量化的聲學(xué)信號(hào)，可以將其作為評(píng)價(jià)異響程度的指標(biāo)。心理聲學(xué)指標(biāo)可以作為音頻特征輔助異響識(shí)別，常規(guī)的心理聲學(xué)指標(biāo)有響度、粗糙度、尖銳度和抖動(dòng)度。本文選取響度、粗糙度、尖銳度、抖動(dòng)度、和A計(jì)權(quán)聲壓級(jí)5個(gè)參數(shù)作為異響特征評(píng)價(jià)指標(biāo)。

3 基于SVM的異響實(shí)測信號(hào)識(shí)別效果及驗(yàn)證

3.1 指標(biāo)設(shè)置

（1）異響辨識(shí)性能評(píng)價(jià)指標(biāo)定義為辨識(shí)正確樣本數(shù)在所有樣本數(shù)中所占的比重。

（2）輸入特征集構(gòu)造。本文采用支持向量機(jī)技術(shù)對(duì)轉(zhuǎn)向系統(tǒng)的異常聲音進(jìn)行識(shí)別。提取了3種工況下38個(gè)轉(zhuǎn)向器3個(gè)測量點(diǎn)共114個(gè)樣本，每個(gè)樣本有5個(gè)特征屬性，即構(gòu)成了114×5的數(shù)據(jù)樣本，作為SVM的輸入。

（3）核函數(shù)及參數(shù)選擇。本文采用的高斯核函數(shù)作為SVM核心功能。尋優(yōu)過程如下。

①設(shè)置網(wǎng)格搜索變量（C、g）范圍及搜索步距，C初始范圍[2-10，2-10]，g初始范圍[2-10，2-10]，改善方法中的初始步距選為100倍步距，設(shè)為10。

②訓(xùn)練集測試采用K-CV方法，其中K=5，得出分類準(zhǔn)確率最高局部最優(yōu)參數(shù)。

③按照所獲局部最優(yōu)參數(shù)，在其附近選擇不同的區(qū)間進(jìn)行二次尋優(yōu)，步距與傳統(tǒng)方法一樣設(shè)置為0.1，將樣本數(shù)據(jù)按2∶1隨機(jī)分為訓(xùn)練集和測試集，做3組實(shí)驗(yàn)，記錄最優(yōu)結(jié)果。

為了進(jìn)行對(duì)比分析，采用傳統(tǒng)網(wǎng)格搜索法、改進(jìn)的網(wǎng)格搜索法、遺傳算法GA、粒子群算法PSO進(jìn)行參數(shù)優(yōu)化，并對(duì)各自的性能進(jìn)行了比較，具體結(jié)果見表1。

對(duì)表1進(jìn)行分析可知，遺傳算法GA可以達(dá)到最高的分類準(zhǔn)確率，但它容易過早收斂，導(dǎo)致搜索效果不夠穩(wěn)定。PSO算法的搜索能力相較于GA算法更加穩(wěn)定，但時(shí)間相對(duì)較長。而文章提出的改進(jìn)網(wǎng)格搜索法，盡管分類有時(shí)比其他算法的準(zhǔn)確度略低，但是相比其他算法，它的尋優(yōu)速度卻大大提高。通過優(yōu)化后的網(wǎng)格搜索方法，獲得最佳超參數(shù)組合為C=25.0、g=125.0，模型的訓(xùn)練精度和測試精度均超過90%，表現(xiàn)出優(yōu)秀的分類性能。

3.2" 異響辨識(shí)訓(xùn)練結(jié)果及分析

本實(shí)驗(yàn)數(shù)據(jù)包含114個(gè)樣本，5個(gè)特征屬性。隨機(jī)抽取74組組成訓(xùn)練集，其余38組組成測試集，建立分類模型并用測試集檢驗(yàn)。

本文選用SVM高斯核函數(shù)，利用訓(xùn)練集樣本建立分類模型。先將樣本數(shù)據(jù)作歸一化預(yù)處理，以提高求解的最優(yōu)速度和分類模型精度。數(shù)據(jù)在歸一后全部樣本較為簡明。訓(xùn)練集樣本訓(xùn)練結(jié)束后，支持對(duì)任何集中訓(xùn)練的樣本進(jìn)行測試，其分級(jí)精確度為95%。之后使用測試集的38個(gè)樣本驗(yàn)證訓(xùn)練成熟、測試精確度超過90%的支持型向量機(jī)，說明此分類支持向量機(jī)泛化能力較強(qiáng)，這種工具方法可以應(yīng)用于轉(zhuǎn)向異響識(shí)別。

4" 結(jié)論

本文將SVM算法應(yīng)用到轉(zhuǎn)向異響辨識(shí)。經(jīng)實(shí)驗(yàn)驗(yàn)證，采用SVM的測試精度和訓(xùn)練精度的平均值都超過了90%，在測試臺(tái)架上能夠較好地識(shí)別轉(zhuǎn)向系統(tǒng)異響情況；再通過網(wǎng)格搜索法優(yōu)化SVM，不僅明顯縮短了訓(xùn)練時(shí)間，還保證了較高的準(zhǔn)確率，在工程實(shí)踐中為轉(zhuǎn)向異響識(shí)別提供了重要參考依據(jù)和實(shí)踐價(jià)值。

參考文獻(xiàn)

KANGHYUN A，JISUN B，SANG-KWON L，et al.Active vibration control for reduction of interior noise caused by R-MDPS of electric power steering in electric vehicle[J].Applied Acoustics，2023，211：109544.

SHEN W，F(xiàn)U Y，KONG Q，et al.Noise-robust automated sudden damage detection using blind source separation enhanced by variational mode decomposition and support vector machine based on shapelet transform[J]. Journal of Sound and Vibration，2025，595：118783.

胥文龍，任維，辛慶鋒，等.某車型轉(zhuǎn)向管柱異響問題分析[J].汽車知識(shí)，2024，24（10）：91-93.

劉慧建，李克峰，高家兵.C-EPS渦輪蝸桿間隙對(duì)逆向沖擊異響影響仿真分析[J].客車技術(shù)，2018（2）：13-17.

王亞平，王佳良，肖會(huì)濤，等.帶異響“檢測-反饋”系統(tǒng)的轉(zhuǎn)向機(jī)設(shè)計(jì)[J].時(shí)代汽車，2023（2）：125-127.

姜靖翔.基于CNN和LSTM的多工況電動(dòng)助力轉(zhuǎn)向系統(tǒng)異響診斷方法研究[D].杭州：浙江大學(xué)，2020.

孫建.基于聲信號(hào)的汽車底盤中助力轉(zhuǎn)向電機(jī)故障診斷方法研究[D].蘇州：蘇州大學(xué)，2017.

郭洪軍.齒輪齒條轉(zhuǎn)向器異響的試驗(yàn)研究[D].沈陽：沈陽理工大學(xué)，2015.

王思文，馮櫻，李葉嶺.某純電動(dòng)SUV轉(zhuǎn)向管柱異響分析[J].湖北汽車工業(yè)學(xué)院學(xué)報(bào)，2021，35

（3）：20-22，33.

楊香蓮，吳傳全，付豪.汽車C-EPS轉(zhuǎn)向管柱異響問題分析及優(yōu)化方案的研究[J].汽車與駕駛維修（維修版），2022（6）：15-17.

[11]賈帥帥，張長城，付朋，等.液壓轉(zhuǎn)向泵噪聲分析與優(yōu)化[J].建設(shè)機(jī)械技術(shù)與管理，2023，36（1）：110-111，115.