吳鵬 徐靜云 王玉潤 余斌

摘要：電梯的振動(dòng)噪聲會(huì)影響乘客的舒適感和健康。目前電梯噪聲的客觀評(píng)價(jià)結(jié)果符合國家相關(guān)標(biāo)準(zhǔn)，但是受影響者的主觀感覺噪聲已嚴(yán)重?cái)_民。為了消除客觀評(píng)價(jià)和主觀感受的差異，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的電梯噪聲評(píng)價(jià)方法。首先提取電梯噪聲信號(hào)的倍頻程聲壓級(jí)特征，然后構(gòu)建以該特征為輸入而主觀評(píng)價(jià)值為輸出的神經(jīng)網(wǎng)絡(luò)模型，最后進(jìn)行訓(xùn)練與測(cè)試。實(shí)驗(yàn)結(jié)果表明，該方法客觀評(píng)價(jià)結(jié)果與主觀評(píng)價(jià)誤差在4.9%以內(nèi)，主客觀一致性優(yōu)于傳統(tǒng)電梯噪聲評(píng)價(jià)方法。

關(guān)鍵詞：電梯噪聲;噪聲評(píng)價(jià);倍頻程聲壓級(jí)特征;支持向量機(jī)

中圖分類號(hào)：TB535 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）12-0076-03

0 引言

電梯的振動(dòng)噪聲直接反映了電梯的安全性和舒適性。目前很多高層樓宇建筑內(nèi)電梯噪聲符合GB/T 10058-1997和《民用建筑隔聲設(shè)計(jì)規(guī)范》GB50118-2010的相關(guān)標(biāo)準(zhǔn)，但是受影響者（乘客和住戶）的主觀感覺噪聲已嚴(yán)重?cái)_民。噪聲評(píng)價(jià)標(biāo)準(zhǔn)所測(cè)結(jié)果與居民主觀感受差異極大，這是因?yàn)樵肼曉u(píng)價(jià)國標(biāo)（A聲級(jí)）主要對(duì)低頻進(jìn)行衰減并且只考量整體等效聲級(jí)值[1-2]，而電梯振動(dòng)產(chǎn)生的低頻噪聲（20～500Hz）盡管等效聲壓級(jí)值不高，但會(huì)與人產(chǎn)生共振，會(huì)對(duì)人的聽力、心血管系統(tǒng)和神經(jīng)系統(tǒng)造成一定的損害，從而影響到人們的學(xué)習(xí)和生活。全國各地有關(guān)電梯噪聲引起的室內(nèi)聲環(huán)境質(zhì)量問題的投訴越來越多，可噪聲值又符合國家相關(guān)標(biāo)準(zhǔn)，由此導(dǎo)致電梯噪聲問題得不到及時(shí)和正確的解決，極易引發(fā)許多社會(huì)問題[3]。

C聲級(jí)取消了對(duì)低頻進(jìn)行衰減，有利于電梯噪聲的評(píng)價(jià)。但其通過整體等效聲級(jí)評(píng)價(jià)的策略會(huì)淹沒低頻突出但高頻弱化的電梯噪聲真實(shí)值[4]。國際標(biāo)準(zhǔn)化組織提出的NR噪聲評(píng)價(jià)標(biāo)準(zhǔn)，將噪聲頻譜分為9個(gè)倍頻帶，分別評(píng)價(jià)每個(gè)倍頻帶的等效聲級(jí)，并判斷是否超過限定值[5-6]。由于電梯噪聲頻譜主要集中在低頻段，在整個(gè)頻譜空間分布并不均勻，因此NR噪聲評(píng)價(jià)通過對(duì)多個(gè)倍頻帶分別進(jìn)行評(píng)價(jià)優(yōu)于整體評(píng)價(jià)。

A聲級(jí)是基于人耳聽力感受模型進(jìn)行噪聲評(píng)價(jià)，但是電梯主要產(chǎn)生的低頻噪聲與人身體共振頻率相近，人對(duì)低頻噪聲的主觀感受與人耳聽力感受模型并不一致[7]。要建立與人體相適應(yīng)的生理學(xué)噪聲感受模型較為困難，而基于數(shù)據(jù)驅(qū)動(dòng)的模型可以在忽略復(fù)雜的人體聽力感受內(nèi)在機(jī)理，通過大數(shù)據(jù)訓(xùn)練建立以噪聲特征為輸入和評(píng)價(jià)結(jié)果為輸出的噪聲評(píng)價(jià)模型。神經(jīng)網(wǎng)絡(luò)算法模擬人腦運(yùn)行機(jī)理，對(duì)于建立非線性預(yù)測(cè)函數(shù)性能有很好的效果[8-9]，BP神經(jīng)網(wǎng)絡(luò)（BPNN，BP neural network）在按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，在諸多神經(jīng)網(wǎng)絡(luò)算法中性能較優(yōu)[10]。

為此，本文針對(duì)電梯噪聲評(píng)價(jià)現(xiàn)狀，設(shè)計(jì)一種基于BPNN的電梯噪聲評(píng)價(jià)方法。首先提取電梯噪聲信號(hào)的倍頻程聲壓級(jí)特征，然后構(gòu)建以該特征為輸入而主觀評(píng)價(jià)值為輸出的BPNN模型，最后進(jìn)行實(shí)驗(yàn)以驗(yàn)證方法的有效性。

1 算法描述

算法流程圖如圖1所示，其中第1～4步為提取振動(dòng)噪聲特征，第5步通過構(gòu)建BPNN模型計(jì)算出評(píng)價(jià)結(jié)果，具體步驟包括：

（1）獲取振動(dòng)噪聲信號(hào)：

通過AWA6228+多功能聲級(jí)計(jì)采集振動(dòng)噪聲信號(hào)，采樣頻率為48kHz，量化比特為24位，每次采樣時(shí)長超過1分鐘。

（2）傅里葉變換計(jì)算頻譜：

考慮到人耳聽覺效應(yīng)，高于12kHz的高頻信號(hào)人耳感受不敏感，根據(jù)香農(nóng)采樣定理，故對(duì)采集到的噪聲信號(hào)降維到24kHz，并加矩形窗取個(gè)采樣點(diǎn)，通過離散傅里葉變換得到頻譜。

（1）

（3）計(jì)算對(duì)應(yīng)的倍頻程頻譜：

通過頻譜信號(hào)分別按倍頻程（表1）提取各倍頻程帶頻譜，L表示1倍頻程帶數(shù)目，1倍頻程的上下限頻和中心頻率關(guān)系：

（2）

（3）

其中、和分別表示第i個(gè)1倍頻程上下限頻率和中心頻率。表1為1倍頻程對(duì)應(yīng)的中心頻率和上下限頻率。

（4）傅里葉反變換計(jì)算各倍頻程帶聲壓級(jí)：

對(duì)各1倍頻程帶頻譜依次通過離散傅里葉反變換計(jì)算出對(duì)應(yīng)的聲壓：

（4）

計(jì)算各1倍頻程帶頻譜的聲壓級(jí)：

（5）

其中：為第j個(gè)倍頻程的聲壓級(jí)，單位為dB;為準(zhǔn)聲壓，值為帕。

（5）BPNN模型：

BPNN模型結(jié)構(gòu)如圖2所示，網(wǎng)絡(luò)共分輸入層、隱藏層和輸出層。輸入層為經(jīng)傅里葉反變換計(jì)算各倍頻程帶聲壓級(jí)，隱藏層為，輸出層為主觀評(píng)價(jià)得分，為輸入層至隱藏層連接權(quán)值，為隱藏層至輸入層的連接權(quán)值。BPNN模型在使用前通過如下步驟進(jìn)行訓(xùn)練得以確定各連接權(quán)值。

（1）網(wǎng)絡(luò)初始化。令為誤差函數(shù)、為誤差上限和為最大學(xué)習(xí)次數(shù)。給連接權(quán)值和，隱含層閾值，輸出層閾值隨機(jī)生成范圍為（-1，1）的初始值。

（2）隱含層輸出計(jì)算。根據(jù)輸入各頻帶聲壓級(jí)向量，連接權(quán)值和隱含層閾值，計(jì)算出隱含層輸出向量。

（6）

其中，為隱含層激勵(lì)函數(shù)：

（7）

（3）輸出層輸出計(jì)算。根據(jù)隱含層輸出向量，連接權(quán)值和輸出層閾值，計(jì)算預(yù)測(cè)輸出。

（8）

（4）誤差計(jì)算。根據(jù)預(yù)測(cè)輸出和期望輸出，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差。

（9）

（5）權(quán)值更新。根據(jù)預(yù)測(cè)誤差更新權(quán)值和。

（10）

其中為學(xué)習(xí)效率。

（6）閾值更新。根據(jù)預(yù)測(cè)誤差更新閾值和。

（11）

（7） 判斷算法迭代誤差是否滿足要求，若不滿足，返回步驟2;若滿足，則訓(xùn)練結(jié)束。

2 實(shí)驗(yàn)步驟

（1）原始數(shù)據(jù)采集。通過AWA6228+多功能聲級(jí)計(jì)采集振動(dòng)噪聲信號(hào)共230組（晝）和220組（夜），采樣頻率為48kHz，量化比特為24位，每次采樣時(shí)長超過1分鐘，每組測(cè)量位置為電梯橋廂內(nèi)和電梯房相鄰的房間，測(cè)量時(shí)間為白天工作時(shí)間和晚上18點(diǎn)至24點(diǎn)，采集信號(hào)符合GB3785和GB/T 17181的規(guī)定。

（2）數(shù)據(jù)聲壓級(jí)計(jì)算。根據(jù)算法第1～4步提取出對(duì)應(yīng)的各1倍頻程的聲壓級(jí)，并通過人工對(duì)中心頻率31.5～500Hz的各1倍頻程進(jìn)行修正以產(chǎn)生A聲級(jí)計(jì)值相同但各倍頻程聲壓存在差異信號(hào)共500組。

（3）獲取每組噪聲主觀評(píng)價(jià)得分。原始的每組噪聲信號(hào)和修正的噪聲信號(hào)按表2噪聲主觀評(píng)價(jià)進(jìn)行評(píng)分，評(píng)分范圍為1～10分。考慮到主觀評(píng)價(jià)會(huì)受到年齡、性別和健康狀況等因素影響，筆者安排每組信號(hào)由15個(gè)人（其中55歲以上老年人5人，18～55歲中青年5人，12歲～18歲少年5人）分別進(jìn)行評(píng)分，最后以平均分作為評(píng)價(jià)結(jié)果。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的有效性，按晝間和夜間設(shè)計(jì)2個(gè)BPNN模型，各模型均選擇樣本的70%作為訓(xùn)練集，30%作為測(cè)試集。部分典型樣本評(píng)價(jià)結(jié)果如表3所示。樣本一為湖州市某小區(qū)12層小高層，測(cè)量地點(diǎn)為受影響的電梯相鄰房（書房），時(shí)間為晚上9點(diǎn)。表3為A聲級(jí)計(jì)和本文方法比較，圖3樣本一各倍頻程帶聲壓級(jí)。從表3和圖3可以，對(duì)于樣本一來說：

（1）根據(jù)居民住宅夜間噪聲排放標(biāo)準(zhǔn)，書房夜間上限為35dB，A聲級(jí)計(jì)得分為34.2dB，噪聲分貝小于國家標(biāo)準(zhǔn)，噪聲理論上不影響居民在書房的學(xué)習(xí);

（2）樣本一各倍頻程帶聲壓級(jí)均小于NR曲線各頻帶聲壓上限，即符合NR噪聲排放標(biāo)準(zhǔn);

（3）主觀評(píng)價(jià)得分為6.0，意味著居民已受到影響，即存在A聲級(jí)評(píng)價(jià)與居民主觀感受不一致。

本文計(jì)算結(jié)果為6.3，屬于噪聲已比較影響居民，與居民的主觀感受較為一致，本文方法與主觀評(píng)價(jià)得分存在4.5%的偏差，這主要是因?yàn)橛?xùn)練樣本有限，隨著訓(xùn)練樣本的增加，偏差會(huì)進(jìn)一步減少。

樣本二為某一30層高層商住兩用樓房，測(cè)量地點(diǎn)為受影響的電梯橋廂，時(shí)間為上午11點(diǎn)。從表3可以看出：

（1）根據(jù)居民住宅白天噪聲排放標(biāo)準(zhǔn)，白天上限為45dB，A聲級(jí)計(jì)得分為48.2dB，噪聲分貝大于國家標(biāo)準(zhǔn)，噪聲已影響居民的房間的學(xué)習(xí)和工作。

（2）主觀評(píng)價(jià)得分為6.4，意味著居民已受到影響，即存在A聲級(jí)評(píng)價(jià)與居民主觀感受一致。

（3）本文方法得分為6.2，與主觀評(píng)價(jià)得分僅存在3.1%的偏差。

通過A聲級(jí)計(jì)得分樣本一和樣本二相差14.4dB，噪聲強(qiáng)度存在明顯差異，但居民感受卻差異極小。這是因?yàn)闀冮g環(huán)境背景噪聲較大，而夜間背景噪聲較小，居民對(duì)噪聲的主觀感受受環(huán)境背景噪聲影響較大，電梯噪聲與環(huán)境背景噪聲存在強(qiáng)相關(guān)性。

筆者統(tǒng)計(jì)全部測(cè)試樣本并計(jì)算相對(duì)誤差均值如表4所示，從表可以看出，晝間誤差均值為4.3%，夜間誤差均值為4.9%，總平均值為4.6%。夜間誤差較大，是因?yàn)橐归g訓(xùn)練樣本較多且夜間背景噪聲值較小。

4 結(jié)論

針對(duì)此電梯噪聲特點(diǎn)，本文設(shè)計(jì)一種基于BPNN的電梯噪聲評(píng)價(jià)方法。實(shí)驗(yàn)結(jié)果表明，本文提出的方法與居民主觀感受晝間誤差為4.3%，夜間誤差為4.9%，主客觀性一致性優(yōu)于A聲級(jí)計(jì)和NR評(píng)價(jià)標(biāo)準(zhǔn)。

參考文獻(xiàn)

[1] 張明鐸.A計(jì)權(quán)聲級(jí)在噪聲測(cè)量與評(píng)價(jià)中的不足[J].聲學(xué)技術(shù)，1995（1）：41-42.

[2] 伍先俊，李志明.穩(wěn)態(tài)響度聽覺原理及A計(jì)權(quán)聲級(jí)評(píng)價(jià)的缺點(diǎn)[J].電聲技術(shù)，2002（12）：68-70.

[3] 趙歡.高層住宅電梯噪聲主客觀一致性量化研究[D].西安：長安大學(xué)，2014.

[4] 盧慶普，翁儀璧，熊文波，等.室內(nèi)低頻噪聲評(píng)價(jià)探討（二）——C聲級(jí)與A聲級(jí)的關(guān)系[C]//全國環(huán)境聲學(xué)電磁輻射環(huán)境學(xué)術(shù)會(huì)議.2003.

[5] 咸愛清，唐筍翀.環(huán)境噪聲評(píng)價(jià)與方法[C]//2016年全國聲學(xué)設(shè)計(jì)與演藝建筑工程學(xué)術(shù)會(huì)議.2016.

[6] 王孚懋，王建春.噪聲測(cè)量中1/3倍頻程與倍頻程頻譜的關(guān)系與計(jì)算[J].噪聲與振動(dòng)控制，1996（3）：39-41.

[7] 楊慶紅，張仁亮，李紅霞.1/3倍頻A計(jì)權(quán)聲級(jí)噪聲評(píng)價(jià)分析[J].電聲技術(shù)，2013，37（11）：86-88.

[8] 李晗，蕭德云.基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J].控制與決策，2011，26（1）：1-9+16.

[9] Jethmalani C H R， Simon S P， Sundareswaran K，et al. Auxiliary Hybrid PSO-BPNN-Based Transmission System Loss Estimation in Generation Scheduling[J].IEEE Transactions on Industrial Informatics，2017，13（4）：1.

[10] Shanxiong Chen， Xueqing Xie， Fangyuan Zheng.Auto Focusing Method of Imaging System of Digital PCR Instrument Based on BP Neural Network[J].International Journal of Pattern Recognition and Artificial Intelligence，2019，33（12）：1-17.

Elevator Noise Evaluation Method Based on BP Neural Network

WU Peng1， XU Jing-yun2， Wang Yu-run2， YU Bin2

（1.Huzhou Special Equipment Inspection Center， Huzhou? Zhejiang? 313000;

2.College of? Engineering， Huzhou University， Huzhou? Zhejiang? 313000）

Abstract：The vibration noise of elevator affects the comfort and health of passengers. At present， the objective evaluation results of elevator noise are in line with the relevant national standards. But the noise has seriously disturbed the residents for the affected people. In order to eliminate the difference between objective evaluation and subjective experience， an elevator noise evaluation method based on BP neural network is proposed. Firstly， the octave sound pressure level characteristics of elevator noise signal are extracted， then the BP neural network model is constructed with the spectrum characteristics as input and the subjective experience value as output. Finally， training and testing are carried out. The experimental results show that the error between the objective evaluation result and the subjective experience is within4.9%， and the consistency error is better than the traditional elevator noise evaluation method.

Key words：elevator noise;noise evaluation; octave sound pressure level characteristics; BP neural network