顧燦松 房宇 王東

（1.中國汽車技術(shù)研究中心有限公司，天津 300162；2.江蘇大學(xué)，鎮(zhèn)江 212013）

主題詞：車內(nèi)異響識別 Mel頻率倒譜系數(shù) 小波包能量 支持向量機(jī) 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(nèi)的異響問題是消費(fèi)者和整車廠普遍關(guān)注的一個問題，車內(nèi)異響的識別是尋找異響聲源并進(jìn)行改進(jìn)優(yōu)化的重要前提。目前在整車異響測試實(shí)驗(yàn)中，主要依靠實(shí)驗(yàn)人員通過主觀評價的方法尋找異響聲源，這對實(shí)驗(yàn)人員的經(jīng)驗(yàn)水平要求較高。通過聲音識別的方法實(shí)現(xiàn)對車內(nèi)異響的自動識別，可以快速準(zhǔn)確地檢測是否存在異響問題，并確定異響聲源，從而指導(dǎo)實(shí)驗(yàn)人員進(jìn)行改進(jìn)優(yōu)化。聲音信息具有良好的實(shí)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(xué)李爽開發(fā)出一套基于Labview平臺的發(fā)動機(jī)異響在線檢測系統(tǒng)，通過提取不同異響信號的極坐標(biāo)鏡像圖并進(jìn)行匹配系數(shù)分析，可以準(zhǔn)確得到故障類型[1]。2016年，沈陽理工大學(xué)鄒鵬飛采用小波能量識別法對汽車齒輪齒條轉(zhuǎn)向器的異響進(jìn)行識別，并取得了較高的識別率[2]。

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

1 車內(nèi)異響識別系統(tǒng)

車內(nèi)異響識別系統(tǒng)如圖1所示。車內(nèi)異響的識別主要分為3個部分：異響聲音的特征參數(shù)提取、參數(shù)學(xué)習(xí)和待測聲音的識別[3]。

圖1 異響聲音識別系統(tǒng)[3]

異響信號的預(yù)處理分為端點(diǎn)檢測、預(yù)加重、分幀加窗3個步驟。對預(yù)處理后的信號進(jìn)行特征參數(shù)提取，得到訓(xùn)練樣本和測試樣本的特征參數(shù)集。將訓(xùn)練樣本的特征參數(shù)集輸入進(jìn)行訓(xùn)練，得到一個異響聲音的分類模型，同時調(diào)用生成的模型對測試樣本進(jìn)行識別，輸出異響聲音的類型。

2 異響信號的特征參數(shù)

2.1 異響信號的時頻圖分析

特征參數(shù)選取的好壞直接影響識別的正確率。好的特征參數(shù)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(chǎn)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(nèi)常見的儀表板手套箱卡扣異響和座椅導(dǎo)軌碰撞異響的時頻圖，其中X軸的坐標(biāo)為頻率/Hz，Y軸的坐標(biāo)為時間/s，Z軸的坐標(biāo)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(shù)Mel頻率倒譜系數(shù)，以及小波包能量兩種特征參數(shù)來表征異響聲音的特性，并將兩者結(jié)合形成混合特征參數(shù)，對比識別率。

圖2 儀表板手套箱卡扣異響

圖3 座椅導(dǎo)軌碰撞異響

2.2 Mel頻率倒譜系數(shù)

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

式中f為實(shí)際頻率，Mel(f)為人耳的感知頻率。

MFCC特征參數(shù)提取過程如圖4所示[5]：

圖4 MFCC參數(shù)提取過程[5]

MFCC具體計(jì)算過程如下：

（1）將預(yù)處理后的信號進(jìn)行傅里葉變換(FFT)，將頻譜通過Mel尺度轉(zhuǎn)換的濾波器組，實(shí)現(xiàn)Mel尺度的轉(zhuǎn)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(zhuǎn)換后的頻譜取平方，得到能量譜P()k。其中k為經(jīng)過傅里葉變換計(jì)算后信號采樣點(diǎn)的編號。

（3）對得到的能量譜取對數(shù)，得到對數(shù)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(shù)。

（4）將對數(shù)能量譜作離散余弦變換，最終求得MFCC特征參數(shù)。

式中，N為MFCC參數(shù)值的維數(shù)，n代表參數(shù)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(shù)。

2.3 小波包能量特征參數(shù)

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(wěn)、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(jìn)行分解，對高頻部分也實(shí)施了分解，而且小波包分解可以根據(jù)信號特性和分析要求自適應(yīng)地選擇相應(yīng)頻帶與信號頻譜相匹配，是一種精細(xì)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(chǎn)生機(jī)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(dú)立頻帶內(nèi)[8]，通過計(jì)算不同頻帶內(nèi)信號具有的能量，作為識別不同異響聲音的特征參數(shù)。

小波包能量參數(shù)提取流程如下：

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

（2）求取重構(gòu)的各頻帶信號的總能量。

（3）構(gòu)造特征向量，將各頻帶的能量進(jìn)行歸一化處理，并按照從低頻到高頻的順序?qū)⒛芰吭貥?gòu)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(shù)之后，需要對其進(jìn)行建模與訓(xùn)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(shù)后并與模板庫進(jìn)行模式匹配，最終得到識別結(jié)果。

在聲音識別領(lǐng)域常用的識別模型有隱馬爾科夫模型(HMM)、支持向量機(jī)(SVM)、高斯混合模型(GMM)和人工神經(jīng)網(wǎng)絡(luò)(ANN)等[10]。本文采用支持向量機(jī)對異響信號的特征參數(shù)進(jìn)行建模與分類。

支持向量機(jī)(SVM)是依據(jù)統(tǒng)計(jì)學(xué)原理發(fā)展起來的一種機(jī)器學(xué)習(xí)方法。它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，在機(jī)器學(xué)習(xí)中可以分析數(shù)據(jù)、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(zhǔn)確地分開，并使經(jīng)驗(yàn)風(fēng)險和真實(shí)風(fēng)險都盡可能地小[12]。結(jié)合本文異響聲音信號小樣本與非線性的特點(diǎn)，選擇SVM作為異響識別的分類器。

4 異響識別實(shí)驗(yàn)

4.1 實(shí)驗(yàn)環(huán)境

本文中的異響聲音信號采集環(huán)境為某汽車技術(shù)研究中心的異響半消聲實(shí)驗(yàn)室，背景噪聲控制在20～30 dB之間。識別階段的實(shí)驗(yàn)在PC機(jī)的Windows 10操作系統(tǒng)環(huán)境下實(shí)現(xiàn)，實(shí)驗(yàn)所采用的軟件是MATLAB R2018a。實(shí)驗(yàn)樣本采集設(shè)備為LMS數(shù)采前端和聲傳感器。樣本包含4種車內(nèi)常見異響聲音：座椅導(dǎo)軌碰撞異響、手套箱卡扣異響、車窗共振異響和空調(diào)口異響。每種異響采集150個樣本用于模型的訓(xùn)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(shù)值

4.2 特征參數(shù)提取

實(shí)驗(yàn)過程中聲音信號預(yù)處理的分幀幀長為1 024個樣本點(diǎn)，幀移為512個樣本點(diǎn)，所加窗為Hamming窗。提取的MFCC特征參數(shù)為36維。圖6為提取出的4種異響聲音某一幀的MFCC參數(shù)值。

由對信號的時頻分析可知，4種常見的車內(nèi)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(nèi)，由于采樣頻率為48 kHz，故對4種異響聲音分別進(jìn)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(jì)算4種異響聲音信號各子頻帶的能量值，并進(jìn)行歸一化處理，得到各子頻帶能量的百分比，作為特征參數(shù)。圖7為計(jì)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(shù)值和8維小波包能量參數(shù)結(jié)合，形成44維混合特征參數(shù)矢量，用于后續(xù)識別的正確率對比實(shí)驗(yàn)。

4.3 識別結(jié)果分析

4.3.1 特征參數(shù)選擇對識別率的影響

將訓(xùn)練樣本集的特征參數(shù)矢量輸入到SVM中進(jìn)行訓(xùn)練，得到一個異響聲音模型，SVM的核函數(shù)選擇高斯核函數(shù)。同時對測試樣本提取特征參數(shù)矢量，并調(diào)用建立好的異響聲音模型進(jìn)行識別，最終輸出識別的結(jié)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(nèi)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(shù)，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(dá)到91.1%。采用小波包能量作為特征參數(shù)取得的平均識別率為82.5%，識別錯誤的次數(shù)相對MFCC較多，其中空調(diào)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(shù)最多。而將MFCC與小波包能量結(jié)合，形成新的混合特征參數(shù)，擴(kuò)充參數(shù)向量的維數(shù)，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(shù)的識別效果取得了明顯的提升。

4.3.2 異響識別系統(tǒng)與實(shí)驗(yàn)人員識別率的對比

為了體現(xiàn)本文異響識別系統(tǒng)識別的可靠性，還進(jìn)行了基于異響識別系統(tǒng)與基于實(shí)驗(yàn)人員主觀評價兩種方法的異響識別實(shí)驗(yàn)對比。

實(shí)驗(yàn)中邀請了3名具有汽車異響相關(guān)工作經(jīng)驗(yàn)的實(shí)驗(yàn)人員，在聲品質(zhì)實(shí)驗(yàn)室中采用主觀評價的方法對各種異響聲音進(jìn)行辨別。在事先未告知實(shí)驗(yàn)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(jìn)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(shí)驗(yàn)人員主觀評價方法得到的識別率。

表3 基于實(shí)驗(yàn)員主觀評價法的識別率

由表3的識別率可以看出，基于實(shí)驗(yàn)人員主觀評價的方法得到的異響識別率受經(jīng)驗(yàn)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(tǒng)的識別效果。對比可知，本文的異響識別系統(tǒng)相較于目前異響實(shí)驗(yàn)中主要采用的主觀評價方法，可以顯著提高識別率，減小經(jīng)驗(yàn)差異對識別結(jié)果的影響，快速識別出異響的種類。

4.4 異響識別系統(tǒng)GUI界面

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

圖8 異響識別系統(tǒng)GUI界面

5 結(jié)論

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

經(jīng)過多組實(shí)驗(yàn)驗(yàn)證，將MFCC參數(shù)值與小波包能量參數(shù)值結(jié)合，形成混合特征參數(shù)，可以更好地表征各異響信號的特點(diǎn)，相較于單特征參數(shù)可以取得更高的識別率，同時將異響識別系統(tǒng)得到的識別率與基于實(shí)驗(yàn)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(shí)驗(yàn)人員經(jīng)驗(yàn)差異對識別結(jié)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。