基于改進SVM的轉向系統異響辨識方法研究

摘" "要：目前，汽車轉向系統異響辨識主要依靠經驗工程師主觀聽音辨識，該方法一致性和重復性較差。鑒于支持向量機（Support Vector Machine， SVM）具有魯棒性好、抗干擾能力強等特點，在小樣本情況下仍可達到較高的異響診斷辨識精度，具有較好的抗干擾性。針對實際轉向系統異響辨識過程中典型樣本少、信息比較微弱的現狀，采用一種改進的SVM方法對轉向系統異響進行辨識。

關鍵詞： 異響辨識" "轉向異響" "支持向量機" "魯棒性

中圖分類號：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，轉向系統異響辨識主要靠主觀聽音辨識來發現和評估異響問題及風險點，該方法存在主觀差異，導致一致性和重復性較差，尋求一種高效、準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可降低轉向系統噪聲。Shen W等人[2]改進了盲源分離損傷檢測方法，實現損傷檢測過程自動化。胥文龍等人[3]發現空載力矩衰減會引起異響。劉慧建等人[4]計算了渦輪蝸桿間隙加速度曲線，客觀評價間隙對異響的影響。王亞平等人[5]在轉向機壓塊間隙安裝自動化檢測反饋系統，實時測量并修正，能夠有效避免異響問題。姜靖翔[6]基于振動信號特征，根據深度學習算法，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]進行了轉向異響動態檢測，提供了一種異響定量分析方法。王思文等人[9]通過主觀評價及客觀數據采集，識別異響源位置。楊香蓮等人[10]通過主觀評價、臺架復現找出異響發生根本原因。賈帥帥等人[11]通過試驗及聲診斷方法，確定泵流體壓力對轉向系統噪聲影響較大。

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

1" 基于SVM的異響辨識方法

1.1" "SVM分類算法

支持向量機的最終目的是尋求最優的超平面，其分類過程的主要步驟是將訓練進行精確分類，從而求解能夠將訓練進行精確分類的最優分類面。如圖1所示，圓點和菱點分別代表數據樣本1和2，其中為最優分類線。、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分類線L既能準確地歸類兩類訓練樣本，又能最大限度地要求歸類間隔。準確的歸類是確保最小的經驗風險，最大的歸類間隔是確保最小的置信區間。當兩個值都較小時，學習機器的實際風險最小，就可以達到更好的分類效果。

1.2" 核函數選擇

對于線性不可分的問題，引入核函數思想，將低維的訓練樣本輸入空間經過非線性函數映射到高維屬性空間，從而使低維分類問題轉移到屬性空間。常見核函數有線性核、多項式核、高斯核、Sigmoid核函數等。

1.3" 基于網格搜索法的參數尋優

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

一般使用的參數尋優方法有網格搜索法、遺傳算法GA和粒子群算法PSO等，本文選用網格搜索法，以運算速度和精度的綜合考慮為基礎。通常先定位到一個相對不錯的參數尋優區域之間，再精確搜尋，可以減少無謂的運算。

針對上述問題，優化提出以網格為單位的網格搜索法。首先用大步距離進行粗搜，選出使分類準確率最高的一組C、g，如果C、g存在多組，那么就選出能夠達到C參數最小的一組；若有多組g對應的最小C，則選擇C、g兩組最優參數。在找到局部最優參數后，利用小步距，在這組參數附近的小區間進行二次精搜，從而找到最終的最優參數。

2" 轉向系統異響信號采集及分析

2.1" 信號采集

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

為完全模擬駕乘習慣，轉向測試臺架采用Reversal、Rattle和Running 這3種測試工況，異響表現更明顯，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的轉速在±45°范圍內往復轉動，齒條端負載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，將轉向器一側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：車速信號設為0，輸入軸以6.28 rad/s的轉速轉動，齒條端負載90%的最大齒條力。

2.2" 信號分析

圖3為某款轉向器試驗時采集的振動信號，以及對應信號計算出的聲壓級。由圖3可知，不同轉向器產生的振動信號在時域部分無法直觀地看出差別，轉換到聲壓級后數值變化明顯，這是因為通過計算聲壓級，可以將振動信號轉換為可以量化的聲學信號，可以將其作為評價異響程度的指標。心理聲學指標可以作為音頻特征輔助異響識別，常規的心理聲學指標有響度、粗糙度、尖銳度和抖動度。本文選取響度、粗糙度、尖銳度、抖動度、和A計權聲壓級5個參數作為異響特征評價指標。

3 基于SVM的異響實測信號識別效果及驗證

3.1 指標設置

（1）異響辨識性能評價指標定義為辨識正確樣本數在所有樣本數中所占的比重。

（2）輸入特征集構造。本文采用支持向量機技術對轉向系統的異常聲音進行識別。提取了3種工況下38個轉向器3個測量點共114個樣本，每個樣本有5個特征屬性，即構成了114×5的數據樣本，作為SVM的輸入。

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

①設置網格搜索變量（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，設為10。

②訓練集測試采用K-CV方法，其中K=5，得出分類準確率最高局部最優參數。

③按照所獲局部最優參數，在其附近選擇不同的區間進行二次尋優，步距與傳統方法一樣設置為0.1，將樣本數據按2∶1隨機分為訓練集和測試集，做3組實驗，記錄最優結果。

為了進行對比分析，采用傳統網格搜索法、改進的網格搜索法、遺傳算法GA、粒子群算法PSO進行參數優化，并對各自的性能進行了比較，具體結果見表1。

對表1進行分析可知，遺傳算法GA可以達到最高的分類準確率，但它容易過早收斂，導致搜索效果不夠穩定。PSO算法的搜索能力相較于GA算法更加穩定，但時間相對較長。而文章提出的改進網格搜索法，盡管分類有時比其他算法的準確度略低，但是相比其他算法，它的尋優速度卻大大提高。通過優化后的網格搜索方法，獲得最佳超參數組合為C=25.0、g=125.0，模型的訓練精度和測試精度均超過90%，表現出優秀的分類性能。

3.2" 異響辨識訓練結果及分析

本實驗數據包含114個樣本，5個特征屬性。隨機抽取74組組成訓練集，其余38組組成測試集，建立分類模型并用測試集檢驗。

本文選用SVM高斯核函數，利用訓練集樣本建立分類模型。先將樣本數據作歸一化預處理，以提高求解的最優速度和分類模型精度。數據在歸一后全部樣本較為簡明。訓練集樣本訓練結束后，支持對任何集中訓練的樣本進行測試，其分級精確度為95%。之后使用測試集的38個樣本驗證訓練成熟、測試精確度超過90%的支持型向量機，說明此分類支持向量機泛化能力較強，這種工具方法可以應用于轉向異響識別。

4" 結論

本文將SVM算法應用到轉向異響辨識。經實驗驗證，采用SVM的測試精度和訓練精度的平均值都超過了90%，在測試臺架上能夠較好地識別轉向系統異響情況；再通過網格搜索法優化SVM，不僅明顯縮短了訓練時間，還保證了較高的準確率，在工程實踐中為轉向異響識別提供了重要參考依據和實踐價值。

參考文獻

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，FU 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.某車型轉向管柱異響問題分析[J].汽車知識，2024，24（10）：91-93.

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

王亞平，王佳良，肖會濤，等.帶異響“檢測-反饋”系統的轉向機設計[J].時代汽車，2023（2）：125-127.

姜靖翔.基于CNN和LSTM的多工況電動助力轉向系統異響診斷方法研究[D].杭州：浙江大學，2020.

孫建.基于聲信號的汽車底盤中助力轉向電機故障診斷方法研究[D].蘇州：蘇州大學，2017.

郭洪軍.齒輪齒條轉向器異響的試驗研究[D].沈陽：沈陽理工大學，2015.

王思文，馮櫻，李葉嶺.某純電動SUV轉向管柱異響分析[J].湖北汽車工業學院學報，2021，35

（3）：20-22，33.

楊香蓮，吳傳全，付豪.汽車C-EPS轉向管柱異響問題分析及優化方案的研究[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.液壓轉向泵噪聲分析與優化[J].建設機械技術與管理，2023，36（1）：110-111，115.