電動車動力總成噪聲品質粒子群-向量機預測模型

方源,章桐,3,陳霏霏,郭榮

(1.同濟大學新能源汽車工程中心,201804,上海;2.同濟大學汽車學院,201804,上海;3.同濟大學中德學院,201804,上海)

?

電動車動力總成噪聲品質粒子群-向量機預測模型

方源1,2,章桐1,2,3,陳霏霏1,2,郭榮1,2

(1.同濟大學新能源汽車工程中心,201804,上海;2.同濟大學汽車學院,201804,上海;3.同濟大學中德學院,201804,上海)

為了實現電動車動力總成噪聲品質的預測,以某集中驅動式電動車為例,在考慮動力總成輻射噪聲品質頻域特性和已設立的敏感頻帶能量比這一客觀評價參數的基礎上進行了心理聲學參數,即響度、尖銳度、粗糙度、抖動度、語音清晰度等與主觀評價的相關性分析,由此建立了電動車動力總成噪聲品質粒子群支持向量機預測模型,內容涉及采用支持向量機建立噪聲品質預測模型、利用粒子群優化算法對向量基懲罰因子及核函數參數進行優化,最后驗證了敏感頻帶能量比評價參數的有效性。研究結果表明:敏感頻帶能量比與主觀評價相關度達到0.946,可以較好地反映主觀感受;基于粒子群支持向量機的噪聲品質預測模型的平均相對誤差和最大相對誤差分別為2.0%和6.7%,表明以敏感頻帶能量比作為輸入特征的粒子群優化支持向量機模型,在電動車動力總成噪聲品質的預測精度上優于基于遺傳算法優化及網格搜索優化的預測模型。

電動車動力總成;噪聲品質;粒子群優化;支持向量機;敏感頻帶能量比

大量的聲學研究發現,A計權聲壓級不能完全反映人對噪聲的主觀感受。在這種情況下,噪聲品質這個現代噪聲研究的全新概念應運而生,它指出人對噪聲的感覺是受心理和生理因素的共同影響。

噪聲品質的準確預測是對產品聲學優化設計的重要前提。噪聲品質預測研究包括車內噪聲[1-2]、柴油機噪聲[3-6]、齒輪聲[7]、喇叭聲[8]、關門聲[9]和胎噪[10]等。電動車的出現引發了一些新的噪聲問題:動力總成的改變使噪聲源發生了變化,由此帶來了高階次噪聲;內燃機掩蔽效應的消失使得原來不被注意的聲音變得突兀。許雪瑩通過主觀評價研究認為,電動車的內部噪聲評價方法不能簡單地用傳統的A計權和頻譜,而是要結合心理聲學的評價方法,才能較為全面地進行評價[11]。Okoshi發現,聲品質心理聲學參數更適用于分析電動車噪聲特性,而且電動車的聲場分布極不均勻[12]。目前對于電動車噪聲品質的研究還停留在試驗階段[11-13],鮮有文獻基于電動車存在的噪聲頻域特性和人類聽覺系統對電動車主要噪聲源之一的動力總成的噪聲品質進行預測模型研究。

本文研究了主觀感受及電動車動力總成輻射噪聲的心理聲學特征,通過相關分析找出電動車噪聲品質主觀評價的主要心理聲學參數,同時建立了支持向量機的動力總成噪聲主、客觀預測模型,利用粒子群優化算法對向量機模型參數進行了優化。通過分析有、無敏感頻帶能量比參數下噪聲品質模型的預測精度,驗證了作為電動車動力總成噪聲品質客觀評價參數的敏感頻帶能量比的有效性。

1 電動車噪聲高頻特性

人耳和大腦如何感知并處理聲音是心理聲學的研究范疇。心理聲學客觀評價參數可以定量地反映人對噪聲某一特征的主觀感受[5],包括響度、尖銳度、粗糙度、抖動度、語音清晰度等。

人對噪聲的主觀感受不僅與聲壓有關,還與頻域特征有關。電動車的聲壓級普遍低于傳統車,沒有了發動機噪聲的掩蔽作用,很多原本并不顯著的噪音,且多為高頻噪聲越加顯著,而高頻噪聲特別容易引起駕、乘者焦躁[14]。

考慮電動車噪聲品質頻譜特性,建立了敏感頻帶能量比噪聲品質客觀評價參數,同時以與主觀評價相關性大于0.7的頻帶作為敏感頻帶,詳細內容見文獻[15]。敏感頻帶能量比

(1)

式中:Ekm為敏感頻率帶上的能量;Ei為頻帶能量,i=1,2,…,30為頻帶編號。

2 噪聲品質主、客觀評價

2.1 樣本采集及處理

在半消聲室內,采用聲學人工頭進行電動車動力總成噪聲的采集試驗,采樣頻率為44 kHz,并通過電腦實時記錄試驗工況。選取26個不同工況下的電動車動力總成噪聲樣本作為主觀評價樣本,且在軟件Artemis中截取所選聲樣本,用于主觀評價的樣本信號長度為5 s。

2.2 主觀評價

在背景噪聲達標的聽審室內,采用專業聲卡和高保真耳機對電動車動力總成輻射噪聲進行了主觀評價試驗。試驗中將等級評分法和語義細分法相結合,評價者對聽到的噪聲樣本的焦躁程度進行打分,分值為1～10表示從悅耳到極度焦躁的變化。試驗選取了21名評價者,其中男性15名、女性6名,均為車輛工程專業的研究生。試驗前對評價者進行了聲品質基礎知識和試驗內容的相關培訓,以確保主觀評價的正確性。使用軟件Artemis計算各噪聲樣本的心理聲學客觀評價參數值,通過Matlab編程計算了敏感頻帶能量比,部分結果如表1所示。

2.3 相關性分析

相關系數可以反映兩個變量之間關系的密切程度,計算式為

表1 噪聲樣本主、客觀評價結果

表2 噪聲品質與客觀參數的相關性

3 粒子群-向量機預測模型

3.1 向量機基本原理

設訓練樣本集T={xi,yi},其中xi∈Rn,yi∈Rn,通過非線性映射可將數據X映射到高維特征空間F中,并構造最優決策函數

f(x)=wφ(x)+b,φ:Rn→F,w∈F

(2)

基于結構風險最小化準則,引入松弛因子ξ和ξ*,將式(2)轉化為如下優化問題[16]

(3)

(4)

由式(3)、式(4)可得優化問題的對偶問題,即

(5)

(6)

通過二次規劃算法可得支持向量機回歸預測模型

(7)

式中:K(xi,x)=φ(xi)φ(x)為核函數。

本文采用了徑向基核函數

K(xi,x)=exp(-g‖xi-x‖2)

3.2 粒子群優化

在尋優過程中,粒子通過每次的迭代得到2個最優解后進行自我更新,一個是個體最優解Spbest,另一個是全局最優解Sgbest。粒子的迭代式為[17]

粒子群中每個粒子都對應著支持向量機的懲罰因子C和核函數參數G,以每個粒子學習預測的錯誤率作為該粒子的適應值,并根據當前的局部最優解和全局最優解判斷算法是否停止迭代。

3.3 噪聲品質粒子群-向量機模型預測

支持向量機預測模型以表1所示的噪聲樣本的心理聲學客觀評價參數作為輸入,將26組噪聲樣本集分為訓練組和測試組,其中1～20組作為訓練組樣本,用于估計C、G,21～26組作為測試組樣本,用于預測噪聲品質的主觀評價值。粒子群優化適應度是優化結果的評價標準,圖1為c1=1.5、c2=1.7時不同迭代次數下的適應度值。優化后的C、G最優取值分別為9.62和0.98。

圖2為預測模型對電動車動力總成前20組噪聲樣本主觀評價值的擬合曲線。數據擬合的最小相對誤差為0.003,最大相對誤差為0.286,表明該模型具有較好的擬合能力。

圖1 c1=1.5、c2=1.7時不同迭代次數下的適應度曲線

3.4 預測結果分析

噪聲品質預測值的相對誤差是預測準確性的綜合評價指標,其計算式為

式中:Q為實際噪聲品質主觀評價值;Q′為估計得到的噪聲品質主觀評價值。

圖2 預測模型對電動車動力總成前20組噪聲樣本主觀評價的擬合曲線

本文對基于粒子群優化算法的支持向量機回歸模型(PSO-SVM)、基于網格搜索法模型(GS-SVM)和基于遺傳算法優化的支持向量機回歸模型(GA-SVM)的準確性進行了比較,各模型對電動車動力總成噪聲品質的主觀評價預測值見表3。由表3可以看出,各模型估計誤差都在10%以下,其中PSO-SVM模型的預測精度最優,平均相對誤差和最大相對誤差分別為2.0%和6.7%,表明該模型具有較強的泛化能力。對比各模型的預測結果發現,采用粒子群進行參數尋優后所建立的模型,其預測能力明顯優于基于傳統網格搜索法和遺傳算法的優化模型。

表3 測試樣本的預測結果

3.5 敏感頻帶能量比的影響

為了進一步驗證敏感頻帶能量比作為客觀評價參數對噪聲品質預測的有效性,對模型輸入參數中有、無敏感頻帶能量比的主觀評價值進行了分析,以獲取它們對噪聲品質模型預測結果的影響。從圖3及表4中可以看出,相對有敏感頻帶能量比的模型,無敏感頻帶能量比模型(NS-PSO-SVM)的預測結果平均相對誤差為9.4%,最大相對誤差為17.8%,均方差為0.010,可見該預測模型的精度降低明顯,表明敏感頻帶能量比在電動車動力總成噪聲品質客觀評價方面是有效的。

圖3 有、無敏感頻帶能量比的噪聲品質模型預測結果對比

表4 2種噪聲品質模型預測誤差

4 結 論

(1)針對電動車動力總成輻射噪聲進行了噪聲客觀心理參數與主觀偏好性間的相關性分析,發現敏感頻帶能量比的相關系數達到了0.946,優于其他的心理聲學參數,說明敏感頻帶能量比在一定程度上可以較好地反映電動車動力總成噪聲品質。

(2)基于支持向量機建立了噪聲品質預測模型,利用粒子群優化算法對向量基懲罰因子及核函數參數進行了優化。該模型的預測結果的平均相對誤差和最大相對誤差分別為2.0%和6.7%,預測精度優于基于遺傳算法及網格搜索法優化的支持向量機預測模型。

(3)通過對比模型輸入參數中有、無敏感頻帶能量比的預測結果發現,無敏感頻帶能量比的平均相對誤差為9.4%,最大相對誤差為17.8%,均方差為0.010,說明敏感頻帶能量比可以表征電動車動力總成的噪聲品質。

[1] 申秀敏, 左曙光, 韓樂, 等. 基于支持向量機的車內噪聲聲品質預測 [J]. 振動、測試與診斷, 2011(1): 55-58. SHEN Xiumin, ZUO Shuguang, HAN Le, et al. Interior vehicle noise quality prediction using support vector machines [J]. Journal of Vibration, Measurement & Diagnosis, 2011(1): 55-58.

[2] 高印寒, 唐榮江, 梁杰, 等. 基于徑向基函數神經網絡的車內噪聲品質評價系統 [J]. 吉林大學學報: 工學版, 2012, 42(6): 1378-1383. GAO Yinhan, TANG Rongjiang, LIANG Jie, et al. Vehicle interior noise sound quality evaluation system based on RBF neural network [J]. Journal of Jilin University: Engineering and Technology Edition, 2012, 42(6): 1378-1383.

[3] 孟祥德, 張俊紅, 李立順, 等. 基于回歸分析的車用柴油機聲品質預測技術 [J]. 內燃機學報, 2011, 29(6): 534-537. MENG Xiangde, ZHANG Junhong, LI Lishun, et al. Sound quality prediction of diesel engine noise based on regression analysis [J]. Transactions of CSICE, 2011, 29(6): 534-537.

[4] 劉海, 張俊紅, 張桂昌, 等. 車用柴油機噪聲品質預測模型的建立 [J]. 機械工程學報, 2012, 48(2): 159-164. LIU Hai, ZHANG Junhong, ZHANG Guichang, et al. Prediction model for diesel engine noise quality [J]. Journal of Mechanical Engineering, 2012, 48(2): 159-164.

[5] 劉海, 張俊紅, 倪廣健, 等. 基于遺傳支持向量機的柴油機輻射噪聲品質預測技術 [J]. 振動與沖擊, 2013, 32(2): 111-114. LIU Hai, ZHANG Junhong, NI Guangjian, et al. Sound quality prediction of diesel engine noise based on genetic algorithm and support vector machine [J]. Journal of Vibration and Shock, 2013, 32(2): 111-114.

[6] SASAKI M, NAKASHIMA K. Human auditory models and sound quality evaluation method for diesel noise, SAE 2007-01-2219 [R]. New York, USA: SAE, 2007.

[7] HUALLPA B, MARANO J, SCZIBOR V, et al. Gear lever sound quality evaluation, SAE 2010-36-0369 [R]. New York, USA: SAE, 2010.

[8] 徐中明, 張芳, 周小林, 等. 汽車喇叭聲品質主觀評價與分析 [J]. 汽車工程, 2013, 35(2): 188-192. XU Zhongming, ZHANG Fang, ZHOU Xiaolin, et al. Subjective evaluation and analysis on car horn sound quality [J]. Automotive Engineering, 2013, 35(2): 188-192.

[9] 王長山, 張立軍. 汽車關門聲聲品質評價方法的研究 [J]. 汽車工程, 2011, 33(10): 902-906. WANG Changshan, ZHANG Lijun. A study on the method of evaluating the sound quality of vehicle door closing noise [J]. Automotive Engineering, 2011, 33(10): 902-906.

[10]王萬英, 彭為, 靳曉雄, 等. 由輪胎引起的車內噪聲品質分析 [J]. 汽車工程, 2009, 31(3): 267-270. WANG Wanying, PENG Wei, JIN Xiaoxiong, et al. Sound quality analysis on in-car noise induced by tire [J]. Automotive Engineering, 2009, 31(3): 267-270.

[11]許雪瑩, 韓國華, 吳瑛, 等. 電動汽車的噪聲特點及評價方法 [J]. 汽車工程學報, 2011, 1(z1): 17-20. XU Xueying, HAN Guohua, WU Ying, et al. Sound character and evaluation method of electric vehicle [J]. Chinese Journal of Automotive Engineering, 2011, 1(z1): 17-20.

[12]OKOSHI M, HASHIMOTO Y, SUZUKI M, et al. Test equipment maker’s cooperative approach to the measurement next generation automotives: comparison of noise and vibration characteristics between ice vehicle and EV, SAE 2011-39-7202 [R]. New York, USA: SAE, 2011.

[13]FANG Y, ZHANG T. Modeling and analysis of electric powertrain NVH under multi-source dynamic excitation, SAE 2014-01-2870 [R]. New York, USA: SAE, 2014.

[14]HUSSAIN M, GOLLES J, RONACHE A, et al. Statistical evaluation of an annoyance index for engine noise recordings [C]∥SAE Noise and Vibration Conference and Exhibition. New York, USA: SAE, 1991: 911080.

[15]方源, 章桐, 陳霏霏, 等. 電動車噪聲品質心理聲學主客觀評價模型 [J]. 西安交通大學學報, 2015, 49(8): 97-101. FANG Yuan, ZHANG Tong, CHEN Feifei, et al. A subjective and objective evaluation model for psychoacoustical quality of electric vehicle noise [J]. Journal of Xi’an Jiaotong University, 2015, 49(8): 97-101.

[16]彭令, 牛瑞卿, 趙艷南, 等. 基于核主成分分析和粒子群優化支持向量機的滑坡位移預測 [J]. 武漢大學學報: 信息科學版, 2013, 38(2): 148-152. PENG Ling, NIU Ruiqing, ZHAO Yannan, et al. Prediction of landslide displacement based on KPCA and PSO-SVR [J]. Journal of Wuhan University: Geomatics and Information Science Edition, 2013, 38(2): 148-152.

[17]徐中明, 謝耀儀, 賀巖松, 等. 基于粒子群-向量機的汽車加速噪聲評價 [J]. 振動與沖擊, 2015, 34(2): 25-29. XU Zhongming, XIE Yaoyi, HE Yansong, et al. Evaluation of car interior sound quality based on PSO-SVM [J]. Journal of Vibration and Shock, 2015, 34(2): 25-29.

[本刊相關文獻鏈接]

方源,章桐,陳霏霏,等.電動車噪聲品質心理聲學主客觀評價模型.2015,49(8):97-101.[doi:10.7652/xjtuxb201508 016]

王斌,徐俊,曹秉剛,等.采用模擬退火算法的電動汽車復合電源能量管理系統優化.2015,49(8):90-96.[doi:10.7652/xjtuxb201508015]

楊晴霞,曹秉剛,徐俊,等.一種估計鋰電池充電狀態的分數階阻抗模型.2015,49(8):128-132.[doi:10.7652/xjtuxb2015 08021]

高建平,葛堅,趙金寶,等.復合電源系統功率分配策略研究.2015,49(7):17-24.[doi:10.7652/xjtuxb201507004]

趙立軍,張艷芬,劉清河.純電動商用車機械式自動變速器綜合換擋策略.2015,49(6):46-52.[doi:10.7652/xjtuxb201506 008]

袁希文,文桂林,周兵.考慮側向穩定性的分布式電驅動汽車制動滑移率控制.2015,49(5):43-48.[doi:10.7652/xjtuxb 201505007]

許建,張政,李翔,等.獨立驅動電動汽車橫擺力矩的模糊控制算法.2014,48(7):83-89.[doi:10.7652/xjtuxb201407015]

劉瑞玲,鐘德星,韓九強.汽車傘齒輪多目視覺檢測系統與算法.2014,48(4):1-7.[doi:10.7652/xjtuxb201404001]

史文庫,毛陽,姜雪,等.發動機半主動液壓懸置的動態特性及參數影響分析.2014,48(1):42-47.[doi:10.7652/xjtuxb 201401008]

盛新堂,黃瑾,王小榮,等.自然吸氣二甲醚發動機排氣再循環NOx滿足國Ⅳ、Ⅴ排放標準的研究.2013,47(7):18-22.[doi:10.7652/xjtuxb201307004]

續丹,王國棟,曹秉剛,等.獨立驅動電動汽車的轉矩優化分配策略研究.2012,46(3):42-46.[doi:10.7652/xjtuxb201203 008]

趙彤航,盧炳武,姜文君,等.轎車車內噪聲品質偏好性評價方法的研究.2012,46(5):127-131.[doi:10.7652/xjtuxb2012 05022]

陸良,楊殿閣,顧錚珉,等.采用模塊化思想的汽車電器智能化設計方法.2010,44(5):111-115.[doi:10.7652/xjtuxb2010 05023]

許鵬,曹秉剛,曹建波,等.兩輪獨立驅動電動車的轉矩協調控制.2009,43(7):53-57.[doi:10.7652/xjtuxb200907012]

曹秉剛,曹建波,李軍偉,等.超級電容在電動車中的應用研究.2008,42(11):1317-1322.[doi:10.7652/xjtuxb200811 001]

郭金剛,王軍平,曹秉剛.電動車最大化能量回收制動力分配策略研究.2008,42(5):607-611.[doi:10.7652/xjtuxb200805 021]

(編輯 苗凌)

Sound Quality Prediction of Electric Power Train Noise Based on Particle Swarm Optimization and Support Vector Machine

FANG Yuan1,2,ZHANG Tong1,2,3,CHEN Feifei1,2,GUO Rong1,2

(1. New Clean Energy Automotive Engineering Center, Tongji University, Shanghai 201804, China; 2. School of Automotive Studies, Tongji University, Shanghai 201804, China; 3. Sino-German College of Applied Sciences, Tongji University, Shanghai 201804, China)

An electric power train is taken as a sample to predict its radiation noise quality. Studying frequency characteristics of sound quality and sensitive frequency-band energy ratio, a correlation analysis is conducted between subject evaluation and psychoacoustics parameters including loudness, sharpness, roughness, fluctuation and articulation index. Then a predicting model of sound quality of electric powertrain is established based on particle swarm optimization (PSO) and support vector machine (SVM). After optimizing the penalty factor of SVM and parameters of kernel function by PSO, the effectiveness ofRis confirmed. The results indicate that subjective feeling can be reflected by sensitive frequency band energy ratio with correlation coefficient being 0.946. The absolute value and maximum value of the relative error are 2.0% and 6.7% respectively, which shows that the prediction accuracy of PSO-SVM is superior to those of the genetic algorithm method and grid search method.

electric powertrain; sound quality; particle swarm optimization; support vector machines; sensitive frequency-band energy ratio

2015-05-30。 作者簡介:方源(1989—),男,博士生;章桐(通信作者),男,教授,博士生導師。 基金項目:國家“863計劃”資助項目(20U11AA11A265);國家自然科學基金資助項目(51205290);中央高校基本科研業務費專項資金資助項目(1700219118)。

時間:2015-10-23

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20151023.1109.016.html

10.7652/xjtuxb201601007

U463.2

A

0253-987X(2016)01-0041-06