車內異響自動識別方法研究

顧燦松 房宇 王東

（1.中國汽車技術研究中心有限公司，天津 300162；2.江蘇大學，鎮江 212013）

主題詞：車內異響識別 Mel頻率倒譜系數 小波包能量 支持向量機 NVH

縮略語

MFCC Mel Frequency Cepstrum Coefficient

SVM Support Vector Machine

GUI Graphical User Interface

FFT Fast Fourier Transform

DCT Discrete Cosine Transform

HMM Hidden Markov Model

GMM Gaussian Mixture Model

ANN Artificial Neural Network

0 引言

車內的異響問題是消費者和整車廠普遍關注的一個問題，車內異響的識別是尋找異響聲源并進行改進優化的重要前提。目前在整車異響測試實驗中，主要依靠實驗人員通過主觀評價的方法尋找異響聲源，這對實驗人員的經驗水平要求較高。通過聲音識別的方法實現對車內異響的自動識別，可以快速準確地檢測是否存在異響問題，并確定異響聲源，從而指導實驗人員進行改進優化。聲音信息具有良好的實時性，對整車異響測試具有較好的輔助作用。

隨著故障診斷不斷趨于智能化，對異響的自動識別也提出了更高的要求。2015年，重慶大學李爽開發出一套基于Labview平臺的發動機異響在線檢測系統，通過提取不同異響信號的極坐標鏡像圖并進行匹配系數分析，可以準確得到故障類型[1]。2016年，沈陽理工大學鄒鵬飛采用小波能量識別法對汽車齒輪齒條轉向器的異響進行識別，并取得了較高的識別率[2]。

但是目前對車內各零部件的異響識別研究較少，并且現有的異響識別方法仍有很大的提升空間，故本文結合現有的研究成果，并引入語音識別中的主流特征參數Mel頻率倒譜系數，對車內幾種常見的異響聲音進行識別。

1 車內異響識別系統

車內異響識別系統如圖1所示。車內異響的識別主要分為3個部分：異響聲音的特征參數提取、參數學習和待測聲音的識別[3]。

圖1 異響聲音識別系統[3]

異響信號的預處理分為端點檢測、預加重、分幀加窗3個步驟。對預處理后的信號進行特征參數提取，得到訓練樣本和測試樣本的特征參數集。將訓練樣本的特征參數集輸入進行訓練，得到一個異響聲音的分類模型，同時調用生成的模型對測試樣本進行識別，輸出異響聲音的類型。

2 異響信號的特征參數

2.1 異響信號的時頻圖分析

特征參數選取的好壞直接影響識別的正確率。好的特征參數可以更直接地描述信號的特征，從而提高識別精度。不同的異響聲音由于其產生原因不同，其信號在時頻圖上的特征也不同。圖2和圖3分別是車內常見的儀表板手套箱卡扣異響和座椅導軌碰撞異響的時頻圖，其中X軸的坐標為頻率/Hz，Y軸的坐標為時間/s，Z軸的坐標為帕斯卡/Pa，由時頻圖可以看出兩者在不同頻段的能量分布存在差異，其在500～1 000 Hz和1 500～3 000 Hz的頻率分布有較明顯的不同。

針對不同異響信號頻率的變化特性與頻帶分布差異，本文引入語音識別主流參數Mel頻率倒譜系數，以及小波包能量兩種特征參數來表征異響聲音的特性，并將兩者結合形成混合特征參數，對比識別率。

圖2 儀表板手套箱卡扣異響

圖3 座椅導軌碰撞異響

2.2 Mel頻率倒譜系數

Mel頻率倒譜系數(MFCC)可以表示聲音短時功率譜的包絡特性，間接地反應聲音信號的能量變化特性。由于人耳對頻率的響應與實際頻率成非線性對應關系，故在聲音信號處理中，先對頻率進行Mel尺度的轉換，這樣更符合人耳的聽覺特性[4]。Mel尺度轉換公式為：

式中f為實際頻率，Mel(f)為人耳的感知頻率。

MFCC特征參數提取過程如圖4所示[5]：

圖4 MFCC參數提取過程[5]

MFCC具體計算過程如下：

（1）將預處理后的信號進行傅里葉變換(FFT)，將頻譜通過Mel尺度轉換的濾波器組，實現Mel尺度的轉換。Mel濾波器在頻域上為Mel頻率軸上均勻分布的重疊的三角窗[6]。

（2）對濾波器組輸出的轉換后的頻譜取平方，得到能量譜P()k。其中k為經過傅里葉變換計算后信號采樣點的編號。

（3）對得到的能量譜取對數，得到對數能量譜s(m)。

其中Hm(k)為第m個三角帶通濾波器的傳遞函數。

（4）將對數能量譜作離散余弦變換，最終求得MFCC特征參數。

式中，N為MFCC參數值的維數，n代表參數中的每一階，取值范圍為0～N-1，M為Mel濾波器組中三角濾波器的個數。

2.3 小波包能量特征參數

小波包變換是目前在聲音信號分析中常采用的一種時頻分析方法，它可以反映信號非平穩、時域和頻域局部化的特性。與小波變換相比，小波包變換不僅對低頻部分進行分解，對高頻部分也實施了分解，而且小波包分解可以根據信號特性和分析要求自適應地選擇相應頻帶與信號頻譜相匹配，是一種精細的分解方法[7]。圖5是4層小波包分解的示意圖。

圖5 4層小波包分解示意[7]

不同的異響聲音信號由于其產生機理不同，在時頻譜中的頻帶分布特性也是不同的。小波包分析可以將信號無遺漏、正交地分解到各個獨立頻帶內[8]，通過計算不同頻帶內信號具有的能量，作為識別不同異響聲音的特征參數。

小波包能量參數提取流程如下：

（1）將信號進行小波包分解，分解層數依據信號的采樣頻率和復雜程度決定，然后將分解得到的各層小波包系數用Mallat算法重構[9]。

（2）求取重構的各頻帶信號的總能量。

（3）構造特征向量，將各頻帶的能量進行歸一化處理，并按照從低頻到高頻的順序將能量元素構造成特征向量集。

3 異響聲音識別模型

提取異響聲音信號的特征參數之后，需要對其進行建模與訓練，得到異響聲音的模板庫。對待識別的聲音信號提取特征參數后并與模板庫進行模式匹配，最終得到識別結果。

在聲音識別領域常用的識別模型有隱馬爾科夫模型(HMM)、支持向量機(SVM)、高斯混合模型(GMM)和人工神經網絡(ANN)等[10]。本文采用支持向量機對異響信號的特征參數進行建模與分類。

支持向量機(SVM)是依據統計學原理發展起來的一種機器學習方法。它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，在機器學習中可以分析數據、模式識別以及分類和回歸分析[11]。在聲音識別中。它可以看作是一種分類器，可以將兩種或多種樣本準確地分開，并使經驗風險和真實風險都盡可能地小[12]。結合本文異響聲音信號小樣本與非線性的特點，選擇SVM作為異響識別的分類器。

4 異響識別實驗

4.1 實驗環境

本文中的異響聲音信號采集環境為某汽車技術研究中心的異響半消聲實驗室，背景噪聲控制在20～30 dB之間。識別階段的實驗在PC機的Windows 10操作系統環境下實現，實驗所采用的軟件是MATLAB R2018a。實驗樣本采集設備為LMS數采前端和聲傳感器。樣本包含4種車內常見異響聲音：座椅導軌碰撞異響、手套箱卡扣異響、車窗共振異響和空調口異響。每種異響采集150個樣本用于模型的訓練，分別來源于5個問題樣件，每個樣本的時常為2 s，采樣頻率為48 000 Hz。

圖64 種異響的MFCC參數值

4.2 特征參數提取

實驗過程中聲音信號預處理的分幀幀長為1 024個樣本點，幀移為512個樣本點，所加窗為Hamming窗。提取的MFCC特征參數為36維。圖6為提取出的4種異響聲音某一幀的MFCC參數值。

由對信號的時頻分析可知，4種常見的車內異響聲音信號的能量所分布的頻段存在差異，且主要分布在3 000 Hz以內，由于采樣頻率為48 kHz，故對4種異響聲音分別進行7層小波包分解，小波基選擇多貝西小波，得到128個子頻帶，取前8個子頻帶作為主要研究對象，其頻率范圍如表1所示：

表1 小波包分解各頻帶頻率范圍

計算4種異響聲音信號各子頻帶的能量值，并進行歸一化處理，得到各子頻帶能量的百分比，作為特征參數。圖7為計算出的4種異響聲音各子頻帶的小波包能量的百分比均值圖。

圖7 小波包能量百分比均值圖

將每個聲音樣本提取的36維MFCC參數值和8維小波包能量參數結合，形成44維混合特征參數矢量，用于后續識別的正確率對比實驗。

4.3 識別結果分析

4.3.1 特征參數選擇對識別率的影響

將訓練樣本集的特征參數矢量輸入到SVM中進行訓練，得到一個異響聲音模型，SVM的核函數選擇高斯核函數。同時對測試樣本提取特征參數矢量，并調用建立好的異響聲音模型進行識別，最終輸出識別的結果。

對每種異響信號采集90組樣本用于測試，最終得到每種異響的識別率。表2為不同特征組合對4種車內異響的識別率。

表2 不同特征組合異響識別率

由表2的識別率可知，采用MFCC作為異響聲音的特征參數，可以取得平均88.35%的識別正確率，其中對車窗共振異響的識別率最高，達到91.1%。采用小波包能量作為特征參數取得的平均識別率為82.5%，識別錯誤的次數相對MFCC較多，其中空調口異響的識別率最高，而手套箱卡扣異響的識別正確率只有81%，錯誤次數最多。而將MFCC與小波包能量結合，形成新的混合特征參數，擴充參數向量的維數，此時取得了平均90.8%的識別正確率，其中對4種異響聲音的識別正確率均超過了90%，相較于單參數的識別效果取得了明顯的提升。

4.3.2 異響識別系統與實驗人員識別率的對比

為了體現本文異響識別系統識別的可靠性，還進行了基于異響識別系統與基于實驗人員主觀評價兩種方法的異響識別實驗對比。

實驗中邀請了3名具有汽車異響相關工作經驗的實驗人員，在聲品質實驗室中采用主觀評價的方法對各種異響聲音進行辨別。在事先未告知實驗人員異響聲音種類的情況下，3人對用于上述模型測試的各種異響聲音進行識別。分別取每種異響的5個問題樣件的10個聲音樣本用以主觀評價測試。表3為基于實驗人員主觀評價方法得到的識別率。

表3 基于實驗員主觀評價法的識別率

由表3的識別率可以看出，基于實驗人員主觀評價的方法得到的異響識別率受經驗的影響較大，識別率波動較大，且平均識別率都低于異響識別系統的識別效果。對比可知，本文的異響識別系統相較于目前異響實驗中主要采用的主觀評價方法，可以顯著提高識別率，減小經驗差異對識別結果的影響，快速識別出異響的種類。

4.4 異響識別系統GUI界面

為了方便試驗測試中便捷地使用本文的異響識別系統，在MATLAB中采用GUI界面進行子程序的綜合，編寫出GUI界面方便實際測試的使用，其主界面如圖8所示。

圖8 異響識別系統GUI界面

5 結論

本文對車內常見的4種異響聲音的識別進行研究，通過提取異響聲音信號的MFCC參數值與小波包能量參數值，形成混合特征參數，利用SVM建立識別模型，同時調用模型對待測信號進行識別，輸出識別結果。

經過多組實驗驗證，將MFCC參數值與小波包能量參數值結合，形成混合特征參數，可以更好地表征各異響信號的特點，相較于單特征參數可以取得更高的識別率，同時將異響識別系統得到的識別率與基于實驗人員主觀評價方法得到的識別率對比可得，本文的識別方法相較于主觀評價法可以消除實驗人員經驗差異對識別結果的影響，顯著提高識別效果。因此，本文提出的基于MFCC與小波包能量和SVM的異響識別方法是可行的。