楊東坡，王孝蘭，王巖松，郭輝，劉寧寧

?

高速工況下乘員耳側(cè)噪聲信號(hào)重構(gòu)方法

楊東坡，王孝蘭，王巖松，郭輝，劉寧寧

(上海工程技術(shù)大學(xué)汽車工程學(xué)院，上海 201620)

高速工況下，車內(nèi)噪聲信號(hào)具有隨機(jī)性和波動(dòng)性的特征。將一種基于經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition, EMD)和反向傳輸(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)的算法，用于重構(gòu)車內(nèi)乘員耳側(cè)噪聲信號(hào)。首先通過對(duì)車內(nèi)乘員耳側(cè)噪聲貢獻(xiàn)量分析，確定關(guān)鍵噪聲源信號(hào)；其次對(duì)選擇的噪聲源信號(hào)進(jìn)行EMD分解，得到有限個(gè)相對(duì)平穩(wěn)的固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量；然后采用極值點(diǎn)劃分法，按各個(gè)分量的波動(dòng)情況進(jìn)行重新劃分，將信號(hào)分量重構(gòu)為高頻、中頻和低頻3個(gè)分量；最后對(duì)不同頻段的部分建立相應(yīng)BP神經(jīng)網(wǎng)絡(luò)模型，并將不同頻段分量的重構(gòu)結(jié)果疊加作為原信號(hào)的重構(gòu)結(jié)果。以在某轎車采集到的5個(gè)噪聲信號(hào)源為基礎(chǔ)，利用該方法進(jìn)行乘員耳側(cè)噪聲信號(hào)重構(gòu)，并對(duì)其進(jìn)行分析。結(jié)果表明：提出的噪聲重構(gòu)方法可以實(shí)現(xiàn)高速工況乘員耳側(cè)噪聲信號(hào)的重構(gòu)，并具有良好的性能。

高速工況；車內(nèi)噪聲；經(jīng)驗(yàn)?zāi)B(tài)分解；BP神經(jīng)網(wǎng)絡(luò)；信號(hào)重構(gòu)

0 引 言

為了實(shí)現(xiàn)高速工況下車內(nèi)乘員耳側(cè)噪聲的主動(dòng)控制(Active Noise Control, ANC)，首先要為控制系統(tǒng)提供初級(jí)參考信號(hào)。噪聲主動(dòng)控制系統(tǒng)要求參考信號(hào)能夠盡可能地提供初級(jí)聲源的相關(guān)信息。對(duì)于初級(jí)參考信號(hào)的拾取，傳統(tǒng)方法是在乘員耳側(cè)附近安裝傳聲器以獲取初級(jí)參考信號(hào)，此方法不可避免地引入了次級(jí)聲源二次污染，不利于系統(tǒng)的快速收斂，因此研究車內(nèi)乘員耳側(cè)噪聲的重構(gòu)方法，獲取ANC的參考信號(hào)具有一定的意義。

目前，解決聲場(chǎng)重構(gòu)問題的主要方法包括近場(chǎng)聲全息(Near-field Acoustics Holography, NAH)和多傳感器數(shù)據(jù)融合(Multi-sensor Data Fusion, MSDF)等。NAH方法已經(jīng)從穩(wěn)態(tài)平面聲源聲場(chǎng)重構(gòu)發(fā)展到瞬態(tài)任意形狀聲源聲場(chǎng)重構(gòu)，主要包括：移動(dòng)框架(Moving Frame Acoustic Holography, MFAH)[2]，統(tǒng)計(jì)最優(yōu)近場(chǎng)聲全息(Statistically Optimal NAH, SONAH)[3]，等效源法近場(chǎng)聲全息(Equivalent Source Method, ESM-based NAH)[4]等方法。此類方法主要用于聲源識(shí)別與故障診斷，對(duì)低頻信號(hào)的聲場(chǎng)重構(gòu)效果不佳。MSDF方法可通過多類同構(gòu)或異構(gòu)傳感器的數(shù)據(jù)融合，獲取對(duì)被觀測(cè)目標(biāo)的一致性的認(rèn)識(shí)。MSDF方法已經(jīng)從卡爾曼濾波法、貝葉斯估計(jì)法等傳統(tǒng)方法發(fā)展到智能方法。其中，常振臣[5-6]提出了基于神經(jīng)網(wǎng)絡(luò)的方法對(duì)車內(nèi)噪聲信號(hào)的預(yù)測(cè)，解決了次級(jí)聲源對(duì)初級(jí)聲場(chǎng)聲反饋的問題，但其未分析高速工況的問題，且非穩(wěn)態(tài)工況存在明顯誤差。蘇麗俐[7]采用粒子群優(yōu)化最小二乘支持向量機(jī)(Particle Swarm Optimization-Least Squares- Support Vector Machine, PSO-LS-SVM)算法，實(shí)現(xiàn)了對(duì)勻速工況下駕駛員耳側(cè)噪聲信號(hào)的仿真辨識(shí)，初步驗(yàn)證了采用多傳感器數(shù)據(jù)融合(MSDF)方法進(jìn)行車內(nèi)噪聲信號(hào)重構(gòu)的可行性。汽車高速行駛(大于等于80 km·h-1)時(shí)，影響車內(nèi)乘員耳側(cè)噪聲的源信號(hào)眾多，車內(nèi)噪聲又具有時(shí)變性，而且噪聲的構(gòu)成和產(chǎn)生機(jī)理非常復(fù)雜，利用多源信號(hào)，基于智能融合算法，可以實(shí)現(xiàn)乘員耳側(cè)噪聲信號(hào)重構(gòu)。常用的智能算法包括反向傳輸(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)、模糊邏輯識(shí)別(Fuzzy Logic Identification, FLI)、支持向量機(jī)(Support Vector Machine, SVM)等，其中，BP神經(jīng)網(wǎng)絡(luò)具有很好的非線性擬合能力，單獨(dú)使用神經(jīng)網(wǎng)絡(luò)可以很好地處理信號(hào)的非線性，但非平穩(wěn)性帶來的誤差不可避免[8]。

因此，本文基于經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和BP神經(jīng)網(wǎng)絡(luò)算法，重構(gòu)車內(nèi)乘員耳側(cè)噪聲時(shí)域信號(hào)。首先通過貢獻(xiàn)量分析選擇貢獻(xiàn)量大的點(diǎn)作為測(cè)量點(diǎn)，然后經(jīng)EMD分解將神經(jīng)網(wǎng)絡(luò)輸入信號(hào)變成一組相對(duì)平穩(wěn)的序列，再結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行乘員耳側(cè)噪聲時(shí)域信號(hào)重構(gòu)，并通過實(shí)車道路試驗(yàn)驗(yàn)證了算法的有效性。

1 基本理論與算法

1.1 EMD分解基本原理

經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)是一種具有自適應(yīng)性的信號(hào)處理方法，由HUANG N E等[1]于1998年提出。

從本質(zhì)上來講，EMD方法是基于信號(hào)自身時(shí)間尺度，將采集的信號(hào)進(jìn)行平穩(wěn)化處理，其結(jié)果是信號(hào)根據(jù)不同的波動(dòng)程度被逐漸分解，得到有限個(gè)具有不同特征尺度的數(shù)據(jù)序列，即固有模態(tài)函數(shù)(Intrinsic Mode Function, IMF)分量。此方法與傅里葉變換和小波分解等方法有著本質(zhì)的差別，它不需要預(yù)先給定任何基函數(shù)，是一個(gè)有限次濾波的過程。這就使得EMD方法特別適用于非線性、非平穩(wěn)信號(hào)的處理。因此，本文利用EMD方法對(duì)高速工況非平穩(wěn)車內(nèi)噪聲信號(hào)進(jìn)行平穩(wěn)化處理。

采集信號(hào)經(jīng)過EMD分解處理，得到有限個(gè)相對(duì)穩(wěn)定的IMF分量，各個(gè)分量包含了原信號(hào)的不同時(shí)間尺度和特征信號(hào)，與原信號(hào)相比，具有更強(qiáng)的平穩(wěn)性和規(guī)律性。EMD分解得到的信號(hào)分量必須滿足以下兩個(gè)條件：

① 對(duì)于每一個(gè)IMF分量，必須滿足過零點(diǎn)和局部極值點(diǎn)的個(gè)數(shù)必須相等或最多相差一個(gè)；

② 在任意時(shí)刻點(diǎn)，局部極大值點(diǎn)形成的包絡(luò)(上包絡(luò)線)和局部極小值點(diǎn)形成的包絡(luò)(下包絡(luò)線)，均值必須為0。

EMD具體分解過程如下：

(1) 首先獲取()(待分析信號(hào))中包含的所有局部極大值點(diǎn)和極小值點(diǎn)，然后利用三次樣條插值函數(shù)分別連接極大值點(diǎn)和極小值點(diǎn)，從而擬合出信號(hào)的上下包絡(luò)線。

經(jīng)過上述篩選處理，殘余分量代表著信號(hào)的平均趨勢(shì)，表現(xiàn)出單調(diào)性，此時(shí)循環(huán)停止，原信號(hào)可以表示為

1.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)[4]，其拓?fù)浣Y(jié)構(gòu)圖如圖1所示。一般該網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，本文中輸入層有4個(gè)神經(jīng)元，隱層神經(jīng)元根據(jù)具體情況通過人為調(diào)節(jié)來確定最佳個(gè)數(shù)，輸出層有一個(gè)神經(jīng)元。網(wǎng)絡(luò)權(quán)值和閾值調(diào)整采用輸出層誤差反向傳播，使輸出不斷逼近期望值。

隱含層的輸出為

圖l 典型的三層BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

現(xiàn)有理論已經(jīng)證明，一個(gè)Sigmoid函數(shù)加上一個(gè)線性輸出層能夠逼近任意有理函數(shù)，但當(dāng)Sigmoid函數(shù)進(jìn)入飽和的目的區(qū)域時(shí)，會(huì)使網(wǎng)絡(luò)的訓(xùn)練陷入飽和狀態(tài)，大大降低了學(xué)習(xí)的效率。為解決這個(gè)問題，可選用雙曲線函數(shù)。本文隱藏層采用的激勵(lì)函數(shù)為雙曲正切S形函數(shù)，值域范圍為[-1,1]，表達(dá)式為

由于選用式(3)中的函數(shù)作為激勵(lì)函數(shù)，所以訓(xùn)練數(shù)據(jù)必須進(jìn)行歸一化處理，采用線性轉(zhuǎn)換算法將數(shù)據(jù)歸一化到[-1,1]，公式為

BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果為

由此可計(jì)算網(wǎng)絡(luò)的輸出誤差：

目前BP網(wǎng)絡(luò)的應(yīng)用十分廣泛，發(fā)展也相對(duì)成熟，同時(shí)對(duì)時(shí)域信號(hào)具有良好的辨識(shí)與擬合能力。本文BP網(wǎng)絡(luò)采用“有監(jiān)督”的離線學(xué)習(xí)方式，為了準(zhǔn)確地?cái)M合噪聲源信號(hào)與車內(nèi)乘員耳側(cè)噪聲時(shí)域信號(hào)的規(guī)律，需要使用大量且全面的原始數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練。

1.3 基于EMD和BP神經(jīng)網(wǎng)絡(luò)的重構(gòu)算法

汽車高速行駛時(shí)，車內(nèi)噪聲信號(hào)聲壓變化具有隨機(jī)性，采集的信號(hào)呈現(xiàn)非穩(wěn)態(tài)、非線性的特點(diǎn)，從而導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)對(duì)一些數(shù)據(jù)點(diǎn)的學(xué)習(xí)和訓(xùn)練存在混淆現(xiàn)象?；诂F(xiàn)有的大多數(shù)方法在進(jìn)行信號(hào)重構(gòu)時(shí)，對(duì)于相對(duì)平穩(wěn)的數(shù)據(jù)序列的重構(gòu)精度很高，但是對(duì)于具有明顯非平穩(wěn)性的數(shù)據(jù)序列，由于其自身變化規(guī)律很難掌握，所以在進(jìn)行重構(gòu)時(shí)，重構(gòu)精度一般比較低。因此，為了滿足信號(hào)的重構(gòu)精度要求，需要對(duì)信號(hào)進(jìn)行平穩(wěn)化處理。因?yàn)镋MD分解方法可將非平穩(wěn)數(shù)據(jù)序列分解成相對(duì)平穩(wěn)的數(shù)據(jù)序列，因此，本文基于EMD和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，對(duì)車內(nèi)乘員耳側(cè)噪聲的時(shí)域信號(hào)進(jìn)行重構(gòu)。

在本文中，應(yīng)用EMD分解，對(duì)各原始噪聲時(shí)域信號(hào)進(jìn)行分解，得到有限個(gè)固有模態(tài)分量(IMF)和趨勢(shì)項(xiàng)。然而由于每個(gè)源信號(hào)數(shù)據(jù)非平穩(wěn)程度不同，導(dǎo)致信號(hào)IMF分量的個(gè)數(shù)也不盡相同，如果利用各個(gè)信號(hào)的分解分量建立重構(gòu)模型，勢(shì)必會(huì)增大重構(gòu)模型的建立難度，并且每個(gè)分量重構(gòu)結(jié)果都會(huì)產(chǎn)生誤差，誤差的累加會(huì)增大重構(gòu)結(jié)果的總誤差。因此，按照信號(hào)分量自身不同的波動(dòng)程度對(duì)其進(jìn)行重新劃分，得到重構(gòu)后的分量，使其不僅包含原信號(hào)的所有特征信息，而且排除各分量之間的影響，這樣即降低了建模難度，又提高了重構(gòu)精度。

由于信號(hào)分量自身是以0為軸上下波動(dòng)的時(shí)間數(shù)據(jù)序列，整體未呈現(xiàn)明顯上升或下降的趨勢(shì)，它的局部極大值和極小值點(diǎn)，在很大程度上反映了一個(gè)IMF分量的波動(dòng)程度。因此，本文采用極值劃分法對(duì)EMD分解得到的信號(hào)分量按波動(dòng)程度進(jìn)行重新分類，完成對(duì)所有噪聲原信號(hào)分量的極值點(diǎn)個(gè)數(shù)的獲取。

利用所獲取的極值點(diǎn)個(gè)數(shù)，按頻率對(duì)每一個(gè)原信號(hào)的IMF分量進(jìn)行重新劃分，進(jìn)而獲得高頻、中頻、低頻3個(gè)分量。以這3個(gè)分量數(shù)據(jù)作為輸入數(shù)據(jù)，乘員耳側(cè)信號(hào)的3個(gè)分量數(shù)據(jù)作為期望輸出值，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過調(diào)整隱層神經(jīng)元的神經(jīng)元數(shù)和訓(xùn)練次數(shù)，使網(wǎng)絡(luò)誤差滿足工作要求，確定輸入層、隱層和輸出層的權(quán)系數(shù)以及各個(gè)節(jié)點(diǎn)的閾值，建立乘員耳側(cè)的噪聲信號(hào)相應(yīng)頻段的重構(gòu)模型，將信號(hào)各頻段的重構(gòu)結(jié)果進(jìn)行疊加，進(jìn)而獲得乘員耳側(cè)噪聲重構(gòu)信號(hào)。算法流程如圖2所示。

2 噪聲源關(guān)鍵點(diǎn)選取

通過查閱相關(guān)文獻(xiàn)[9-11]，初步確定車內(nèi)噪聲的主要貢獻(xiàn)量在以下位置：輪胎，左、右A柱底端，左右A柱頂端，左、右后視鏡，進(jìn)、排氣口。利用實(shí)車試驗(yàn)，采集以上位置測(cè)點(diǎn)的噪聲時(shí)域信號(hào)，并在車外噪聲源測(cè)點(diǎn)的麥克風(fēng)上加裝風(fēng)球，麥克風(fēng)采用逆風(fēng)向布置，來減弱高速氣流對(duì)測(cè)量過程的影響，如圖3所示。

圖2 基于EMD-BP的信號(hào)重構(gòu)流程圖

圖3 右側(cè)后視鏡布點(diǎn)位置

在半消聲室內(nèi)，基于互易法[12]獲取各傳遞路徑的聲-聲傳遞函數(shù)，利用聲學(xué)傳遞函數(shù)(Transfer Path Analysis, TPA)貢獻(xiàn)量分析方法，選擇最具有相關(guān)性的關(guān)鍵測(cè)點(diǎn)信號(hào)來重構(gòu)車內(nèi)噪聲，重構(gòu)公式如式(7)所示：

基于所測(cè)得的各測(cè)點(diǎn)位置到駕駛員右耳位置路徑的傳遞函數(shù)，利用實(shí)際工況下測(cè)得的各測(cè)點(diǎn)位置的近場(chǎng)聲壓向量，由式(7)即可求得各測(cè)點(diǎn)對(duì)目標(biāo)點(diǎn)的聲壓貢獻(xiàn)量。以某轎車為例，其聲壓貢獻(xiàn)量結(jié)果如圖4所示，通過分析可知，源信號(hào)具有很強(qiáng)的對(duì)稱性，進(jìn)、排氣口的貢獻(xiàn)量明顯低于其他位置，因此最終確定左A柱底端、左側(cè)A柱頂端、左前輪、左后視鏡以及乘員耳側(cè)噪聲信號(hào)作為噪聲信號(hào)重構(gòu)的關(guān)鍵點(diǎn)位置。

圖4 各關(guān)鍵測(cè)點(diǎn)在高速下的噪聲貢獻(xiàn)量分析

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)數(shù)據(jù)獲取

根據(jù)國(guó)標(biāo)GB/T18697-2002[14]制定噪聲信號(hào)采集方案，測(cè)試麥克風(fēng)布置在駕駛員耳側(cè)位置、左右A柱、左右后視鏡、前后左右輪胎、車頂棚處，采集噪聲信號(hào)，如圖5所示，麥克風(fēng)安裝時(shí)盡量避免車輛震動(dòng)。測(cè)試工況：勻速工況(車速80 km·h-1)、勻加速工況(車輛以80～120 km·h-1車速行駛)。測(cè)試車型：某轎車。測(cè)試儀器采用西門子公司的LMS數(shù)據(jù)采集器，采樣頻率為51 200 Hz，測(cè)試路面符合標(biāo)準(zhǔn)。測(cè)得兩種工況下的數(shù)據(jù)，考慮到人耳聽覺范圍在20～20 000 Hz，需進(jìn)行濾波處理。獲取的乘員耳側(cè)信號(hào)的頻譜，如圖6和圖7所示。

圖5 路試布點(diǎn)位置圖

圖6 勻速工況乘員耳側(cè)噪聲信號(hào)頻譜

圖7 勻加速工況乘員耳側(cè)噪聲信號(hào)頻譜

從圖6、7可以看出，車輛處于高速工況時(shí)，車內(nèi)乘員耳側(cè)噪聲能量主要集中在中低頻600Hz以下，在勻速工況下60 Hz左右頻率段對(duì)耳側(cè)噪聲貢獻(xiàn)最大，占主導(dǎo)地位，在200～500 Hz頻率段有明顯的小波峰；在勻加速工況下30～60 Hz頻率段對(duì)車內(nèi)噪聲貢獻(xiàn)最大，占主導(dǎo)地位，在200～500 Hz頻率段有明顯的小波峰。因此，對(duì)各原信號(hào)進(jìn)行重新采樣，只對(duì)頻率在512 Hz以下的信號(hào)進(jìn)行有效分析，采樣頻率為1 024 Hz，進(jìn)行濾波預(yù)處理。預(yù)處理結(jié)果如圖8、圖9所示。

圖8 勻速工況噪聲信號(hào)及頻譜

3.2 乘員耳側(cè)噪聲信號(hào)重構(gòu)結(jié)果分析

為了驗(yàn)證本文提出的重構(gòu)算法的有效性，選用勻速工況和勻加速工況進(jìn)行案例分析，試驗(yàn)數(shù)據(jù)按照3.1節(jié)的方法進(jìn)行數(shù)據(jù)預(yù)處理。利用重構(gòu)模型根據(jù)實(shí)際測(cè)得的輸入信號(hào)，分別對(duì)勻速工況及勻加速工況下車內(nèi)乘員耳側(cè)噪聲的時(shí)域信號(hào)進(jìn)行重構(gòu)，結(jié)果如圖10、11所示。

從圖10(a)和11(a)中重構(gòu)信號(hào)和實(shí)測(cè)信號(hào)的時(shí)域曲線對(duì)比可以看出，所提出模型的乘員耳側(cè)噪聲重構(gòu)信號(hào)與實(shí)測(cè)信號(hào)在幅值和相位上有相同的變化趨勢(shì)和較好的對(duì)應(yīng)關(guān)系。結(jié)合圖10(b)和11(b)中不同工況下的200 Hz以下的重構(gòu)信號(hào)和實(shí)測(cè)信號(hào)的頻譜對(duì)比分析可知，在整個(gè)頻帶范圍內(nèi)，重構(gòu)信號(hào)和實(shí)測(cè)信號(hào)的波峰、波谷具有一致性，其幅值和相位有相同的變化趨勢(shì)，其中在噪聲的主要能量30～60 Hz范圍內(nèi)，其幅值和相位具有很好的對(duì)應(yīng)關(guān)系，在頻帶60～200 Hz范圍內(nèi)，依然保持著較好的對(duì)應(yīng)關(guān)系。因此，可以表明本文所提出的的EMD-BP神經(jīng)網(wǎng)絡(luò)重構(gòu)算法在時(shí)域和頻域上均具有較高的信號(hào)重構(gòu)性能。

為了進(jìn)一步分析重構(gòu)信號(hào)的精度，本文采用平均相對(duì)誤差來對(duì)其進(jìn)行定量評(píng)價(jià)，如式(8)所示：

圖10 勻速工況下重構(gòu)信號(hào)與原始信號(hào)對(duì)比

將歸一化結(jié)果代入式(8)中，得到不同工況下重構(gòu)信號(hào)的平均相對(duì)誤差，如表1所示。

表1 不同工況下的誤差分析

從表1中可以看出，本文提出的算法，在勻速工況下的車內(nèi)乘員耳側(cè)噪聲重構(gòu)信號(hào)與原噪聲信號(hào)的平均相對(duì)誤差為0.222%，而在勻加速工況下重構(gòu)結(jié)果的平均相對(duì)誤差為0.324%，稍有下降。下降的原因主要是由于汽車在非穩(wěn)態(tài)工況下運(yùn)行時(shí)，車內(nèi)噪聲遠(yuǎn)比在穩(wěn)態(tài)工況下復(fù)雜得多。但本文提出算法的重構(gòu)結(jié)果的平均相對(duì)誤差，均未超過1%[13]，這說明依據(jù)本文提出的模型對(duì)車內(nèi)乘員耳側(cè)噪聲的信號(hào)重構(gòu)的精度得到了很大提高。

綜上分析可以看出，本文提出的EMD-BP神經(jīng)網(wǎng)絡(luò)重構(gòu)算法，無論是重構(gòu)信號(hào)的幅值和相位，還是重構(gòu)信號(hào)的精度，均表現(xiàn)出了較好的性能。

4 結(jié)論

根據(jù)高速工況下，噪聲信號(hào)具有非平穩(wěn)性、非線性的特點(diǎn)，且風(fēng)噪聲、輪胎噪聲是車內(nèi)噪聲主要的影響因素。因此，本文提出了一種基于EMD分解和BP神經(jīng)網(wǎng)絡(luò)算法的乘員耳側(cè)噪聲信號(hào)重構(gòu)模型，并通過實(shí)車試驗(yàn)對(duì)算法的有效性進(jìn)行了驗(yàn)證，結(jié)果表明：

(1) 對(duì)原信號(hào)進(jìn)行貢獻(xiàn)量分析、選取關(guān)鍵點(diǎn)信號(hào)，進(jìn)行EMD分解，得到相對(duì)平穩(wěn)的IMF分量，再對(duì)分量進(jìn)行重構(gòu)，這樣不僅可以在很大程度上減少采樣數(shù)據(jù)量，而且降低了信號(hào)的波動(dòng)性對(duì)重構(gòu)精度的影響。

(2) 利用極值點(diǎn)劃分法，對(duì)IMF分量進(jìn)行重新劃分，得到3個(gè)特征信息比較集中且相對(duì)平穩(wěn)的分量，然后對(duì)這3個(gè)分量進(jìn)行神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合，最后得到重構(gòu)信號(hào)，這樣不僅降低了建模的難度，而且減小了重構(gòu)的誤差。

(3) 本文提出的乘員耳側(cè)噪聲重構(gòu)模型，可以實(shí)現(xiàn)高速工況下乘員耳側(cè)噪聲的信號(hào)重構(gòu)，同時(shí)可以達(dá)到較好的重構(gòu)精度。

[1] HUANG N E, SHEN Z, LONG S, et al. The empirical mode de- comosition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A, 1998, 454(3): 903-995.

[2] HALD J. Patch near-field acoustical holography using a new statistically optimal method[C]//Inter-Noise 03, Jeju (Korea), 2003: 2203-2210.

[3] NICOLAS P V, WILLIAMS E G, PETER C H. Equivalent sources method for supersonic intensity of arbitrarily shaped geometries[J]. Journal of Sound and Vibration, 2015, 347(5): 46-62.

[4] KWON H S, KIM Y H. Moving frame technique for planar acoustic holography[J]. J. Acoust. Soc. Am., 1998, 103(4): 1734-1741.

[5] 常振臣. 基于神經(jīng)網(wǎng)絡(luò)的車內(nèi)噪聲自適應(yīng)有源控制系統(tǒng)仿真與試驗(yàn)研究[D]. 長(zhǎng)春: 吉林大學(xué), 2003.

CHANG Zhenchen. Simulation and experiment research on adaptive active noise control of automotive cabin based on network method[D]. Changchun: Jilin University, 2003.

[6] 常振臣, 王登峰, 周淑輝, 等. 神經(jīng)網(wǎng)絡(luò)方法在車內(nèi)噪聲信號(hào)預(yù)測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)機(jī)械報(bào), 2003, 34(1): 21-24.

CHANG Zhenchen, WANG Dengfeng, ZHOU Shuhui, et al. Application of neural network method to signal forecast of vehicle interior noise[J]. Acta Automatic Mechanics, 2003, 34 (1): 21-24.

[7] 蘇麗俐. 車內(nèi)聲品質(zhì)主客觀評(píng)價(jià)與控制方法研究[D]. 長(zhǎng)春: 吉林大學(xué), 2012.

SU Lili. Research on vehicle interior sound quality subjective and objective evaluation and active control method[D]. Changchun: Jilin University, 2012.

[8] 曾慶山, 張曉楠. 基于EMD和組合模型的太陽黑子時(shí)間序列預(yù)測(cè)[J]. 鄭州大學(xué)學(xué)報(bào)(工學(xué)版), 2014, 35(3): 78-81.

ZENG Qingshan, ZHANG Xiaonan. Sunspots time-series prediction based on EMD and combination model[J]. Journal of Zhengzhou University (Engineering Science), 2014, 35(3): 78-81.

[9] 劉旺林. 全頻段車內(nèi)噪聲預(yù)測(cè)分析與控制研究[D]. 重慶: 重慶大學(xué), 2016.

LIU Wanglin. Research on prediction and control of vehicle inner noise in full frequency band[D]. Chongqing: Chongqing University, 2016.

[10] JIA W, ZHANG T, DONG G, et al. Correlation analysis of car exterior and interior noise tests under different yaw angles with beamforming[C]//International Forum on Mechanical, Control and Automation, 2017.

[11] 薛昊強(qiáng). 汽車車身壁板振動(dòng)對(duì)乘坐室內(nèi)噪聲的聲學(xué)貢獻(xiàn)度分析研究[D]. 西安: 長(zhǎng)安大學(xué), 2015.

XUE Haoqiang. The vibration of each wall panel of the car on the indoor acoustic noise contribution analysis research[D]. Xi’an Chang’an University, 2015.

[12] 郭榮, 裘剡, 房懷慶, 等. 頻域傳遞路徑分析方法(TPA)的研究進(jìn)展[J]. 振動(dòng)與沖擊, 2013, 32(13): 49-55.

GUO Rong, QIU Shan, FANG Huaiqing, et al. Advance in studying on transfer path analysis methods in frequency domain[J]. Journal of Vibration and Shock, 2013, 32(13): 49-55.

[13] 楊錫運(yùn), 孫寶君, 張新房, 等. 基于相似數(shù)據(jù)的支持向量機(jī)短期風(fēng)速預(yù)測(cè)仿真研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2012, 32(4): 35-41, 21.

YANG Xiyun, SUN Baojun, ZHANG Xinfang, et al. Short-term wind speed forecasting based on support vector machine with similar data[J]. Proceedings of the CSEE, 2012, 32(4): 35-41, 21.

[14] GB/T18697-2002: 聲學(xué), 汽車車內(nèi)噪聲測(cè)量方法, 2002.

GB/T18697-2002: Acoustics; measurement of noise inside motor vehicles, 2002.

The reconstruction method of occupants ear side noise under high speed condition

YANG Dong-po, WANG Xiao-lan, WANG Yan-song, GUO Hui, LIU Ning-ning

(School of Automotive Engineering, Shanghai University of Engineering Science, Shanghai 201620, China)

Vehicle interior noise signals have the characteristics of randomness and volatility under high speed condition. An algorithm based on Empirical Mode Decomposition (EMD) and BP neural network is applied to reconstructing the occupants’ ear side noise in this paper. Firstly, the critical noise source signal is determined by the analysis of the contributing to vehicle interior occupants’ ear side noise. Secondly, the selected noise source signal is decomposed into finite relatively stable IMF components by EMD decomposition. Then, the extreme point division method is adopted to divide the signals according to the fluctuation of each component, and the signal components are reconstructed into high frequency components, middle frequency components and lower frequency components. Finally, the corresponding BP neural network models are established for the signals in different frequency bands, and the reconstruction results in different frequency bands are superposed as the reconstruction result of the original signal. Based on five noise signal sources collected in a car, the noise signals in occupants’ ears side are reconstructed and the reconstruction results are analyzed. The results show that the noise reconstruction method proposed in this paper can realize the reconstruction of occupants’ ear side noise under high speed condition and has good performance.

high speed condition; vehicle interior noise; empirical mode decomposition (EMD); BP neural network; signal reconstruction

O422.8

A

1000-3630(2019)-03-0340-08

10.16300/j.cnki.1000-3630.2019.03.018

2018-01-20;

2018-03-04

國(guó)家自然科學(xué)基金(51675324、51175320)

楊東坡(1991－), 男, 河南商丘人, 碩士研究生, 研究方向?yàn)槠囋肼?、振?dòng)和聲振粗糙度。

王孝蘭,E-mail: jlu_wangxiaolan@aliyun.com