摘 要：隨著汽車電動(dòng)座椅的廣泛應(yīng)用，其振動(dòng)故障診斷的重要性日益凸顯。本文提出了一種基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法。該方法通過(guò)聲學(xué)信號(hào)采集、預(yù)處理、特征提取和支持向量機(jī)智能診斷等步驟，實(shí)現(xiàn)了座椅振動(dòng)故障的快速、準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的基于振動(dòng)信號(hào)分析的方法相比，本方法在診斷準(zhǔn)確率、誤報(bào)率、漏報(bào)率和診斷時(shí)間等方面均具有顯著優(yōu)勢(shì)。研究成果為汽車電動(dòng)座椅的健康管理和預(yù)防性維護(hù)提供了新的技術(shù)手段，對(duì)提升汽車的安全性、可靠性和舒適性具有重要意義。

關(guān)鍵詞：電動(dòng)座椅 振動(dòng)故障 智能聲學(xué)檢測(cè)

隨著汽車工業(yè)的不斷發(fā)展和人們生活水平的提高，汽車已成為現(xiàn)代社會(huì)不可或缺的交通工具。汽車的舒適性和安全性備受關(guān)注，其中座椅作為駕駛員和乘員直接接觸的部件，其舒適性尤為重要[1]。近年來(lái)，電動(dòng)座椅憑借其調(diào)節(jié)靈活、舒適性好等優(yōu)點(diǎn)在汽車上得到了廣泛應(yīng)用。然而，電動(dòng)座椅在使用過(guò)程中難免會(huì)出現(xiàn)各種故障，如振動(dòng)異常等，這不僅降低了乘坐舒適性，還可能影響行車安全。傳統(tǒng)的故障診斷方法需要借助專業(yè)設(shè)備，診斷效率低，無(wú)法實(shí)現(xiàn)實(shí)時(shí)在線檢測(cè)。因此，亟需一種高效、智能的故障診斷方法。本文提出一種基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法，通過(guò)聲學(xué)信號(hào)分析實(shí)現(xiàn)座椅振動(dòng)故障的快速、準(zhǔn)確診斷，具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。

1 汽車電動(dòng)座椅振動(dòng)故障分析

汽車電動(dòng)座椅是一個(gè)集機(jī)械、電子和控制技術(shù)于一體的復(fù)雜系統(tǒng)，其振動(dòng)故障成因復(fù)雜多樣。從機(jī)械結(jié)構(gòu)角度來(lái)看，電動(dòng)座椅主要由座椅骨架、滑軌機(jī)構(gòu)、靠背調(diào)節(jié)機(jī)構(gòu)、座椅高度調(diào)節(jié)機(jī)構(gòu)等部件組成[2]。這些部件在長(zhǎng)期使用過(guò)程中，由于載荷沖擊、疲勞磨損等因素的影響，容易產(chǎn)生間隙、松動(dòng)，導(dǎo)致配合精度下降，引發(fā)異常振動(dòng)。電機(jī)和傳動(dòng)機(jī)構(gòu)是電動(dòng)座椅的核心組成部分，其故障是引起座椅振動(dòng)的主要原因之一。電機(jī)的轉(zhuǎn)子動(dòng)平衡精度不足、軸承磨損、減速箱齒輪嚙合間隙過(guò)大等都會(huì)引起振動(dòng)異常?？刂葡到y(tǒng)作為人機(jī)交互和功能實(shí)現(xiàn)的紐帶，其元器件和線路老化、故障同樣會(huì)導(dǎo)致電機(jī)控制精度下降，產(chǎn)生振動(dòng)問(wèn)題。此外，座椅的固有頻率與整車振動(dòng)的耦合也可能引起共振，產(chǎn)生局部放大的振動(dòng)響應(yīng)，降低乘坐舒適性。汽車電動(dòng)座椅振動(dòng)故障成因的多樣性和復(fù)雜性，對(duì)故障診斷提出了新的挑戰(zhàn)，傳統(tǒng)的基于規(guī)則、經(jīng)驗(yàn)的診斷方法已難以滿足日益增長(zhǎng)的可靠性和舒適性要求，亟需引入先進(jìn)的智能診斷技術(shù)，通過(guò)信號(hào)分析和智能算法實(shí)現(xiàn)故障的快速、準(zhǔn)確判別和定位，為電動(dòng)座椅的優(yōu)化設(shè)計(jì)提供理論依據(jù)，對(duì)于提升汽車座椅的乘坐體驗(yàn)，保障行車安全具有重要意義[3]。

2 智能聲學(xué)檢測(cè)技術(shù)概述

智能聲學(xué)檢測(cè)是一種基于聲音信號(hào)分析的新興檢測(cè)診斷技術(shù)，其原理是利用聲音傳感器采集機(jī)械設(shè)備運(yùn)行過(guò)程中的聲音信號(hào)，通過(guò)信號(hào)處理和模式識(shí)別等技術(shù)，提取聲音信號(hào)中蘊(yùn)含的狀態(tài)特征信息，實(shí)現(xiàn)對(duì)設(shè)備健康狀況的評(píng)估和故障診斷[4]。與傳統(tǒng)的振動(dòng)分析和油品分析等方法相比，聲學(xué)檢測(cè)具有無(wú)需直接接觸被測(cè)對(duì)象、信號(hào)豐富、適用范圍廣等優(yōu)點(diǎn)[5]。聲學(xué)信號(hào)包含了豐富的頻率、幅值、相位等特征信息，與振動(dòng)信號(hào)相比，聲學(xué)信號(hào)受傳遞路徑影響更小，能夠反映更多的故障信息。隨著信號(hào)處理理論的發(fā)展和人工智能技術(shù)的興起，智能聲學(xué)檢測(cè)技術(shù)日趨成熟，并在機(jī)械故障診斷領(lǐng)域得到了廣泛應(yīng)用?；谛〔ㄗ儞Q、經(jīng)驗(yàn)?zāi)B(tài)分解等時(shí)頻分析方法，可實(shí)現(xiàn)信號(hào)中故障特征的自適應(yīng)提?。徊捎弥С窒蛄繖C(jī)、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法，通過(guò)訓(xùn)練聲學(xué)信號(hào)樣本，可構(gòu)建起故障智能識(shí)別模型；引入深度學(xué)習(xí)理論，利用卷積神經(jīng)網(wǎng)絡(luò)等深度網(wǎng)絡(luò)結(jié)構(gòu)，能夠自動(dòng)學(xué)習(xí)聲學(xué)信號(hào)的層次化特征表示，顯著提升故障診斷的適應(yīng)性和準(zhǔn)確性。目前，智能聲學(xué)檢測(cè)技術(shù)已在航空發(fā)動(dòng)機(jī)、風(fēng)力發(fā)電機(jī)組、數(shù)控機(jī)床等領(lǐng)域取得了豐碩成果，展現(xiàn)出廣闊的應(yīng)用前景[6]。將智能聲學(xué)檢測(cè)技術(shù)應(yīng)用于汽車電動(dòng)座椅領(lǐng)域，有望實(shí)現(xiàn)座椅振動(dòng)故障的早期預(yù)警和精準(zhǔn)診斷，對(duì)于保障汽車的安全性、可靠性和舒適性具有重要意義，具有很高的理論研究?jī)r(jià)值和實(shí)際應(yīng)用潛力。

3 基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法設(shè)計(jì)

3.1 聲學(xué)信號(hào)采集

聲學(xué)信號(hào)采集是汽車電動(dòng)座椅振動(dòng)故障診斷的基礎(chǔ)，其目的是獲取座椅在不同工況下的聲音信號(hào)，為后續(xù)的信號(hào)分析和故障診斷提供原始數(shù)據(jù)。本研究采用壓電式聲音傳感器對(duì)電動(dòng)座椅的聲音信號(hào)進(jìn)行采集。該類型傳感器具有靈敏度高、頻響寬、動(dòng)態(tài)范圍大等優(yōu)點(diǎn)，能夠有效捕捉座椅振動(dòng)產(chǎn)生的微弱聲音信號(hào)。傳感器的布置位置和數(shù)量對(duì)采集效果有重要影響，需要充分考慮座椅結(jié)構(gòu)特點(diǎn)和故障聲音的傳播規(guī)律。通過(guò)對(duì)電動(dòng)座椅進(jìn)行機(jī)械結(jié)構(gòu)和聲學(xué)特性分析，本研究在座椅的關(guān)鍵部位布置了5個(gè)聲音傳感器，分別位于座椅前部、后部、左右兩側(cè)和中央位置，傳感器之間的距離為20—30cm，形成了對(duì)座椅振動(dòng)聲音信號(hào)的全方位采集。傳感器采樣頻率設(shè)置為44.1kHz，動(dòng)態(tài)范圍為120dB，頻率響應(yīng)范圍為20Hz-20kHz，滿足了電動(dòng)座椅振動(dòng)故障分析的需求。為了降低環(huán)境噪聲的干擾，提高信噪比，采集過(guò)程在半消聲室內(nèi)進(jìn)行，背景噪聲控制在40dB以下。通過(guò)合理設(shè)計(jì)聲學(xué)信號(hào)采集方案，可為后續(xù)的信號(hào)處理和故障診斷奠定良好的數(shù)據(jù)基礎(chǔ)。

3.2 信號(hào)預(yù)處理

聲學(xué)信號(hào)預(yù)處理是從采集到的原始信號(hào)中去除噪聲、消除干擾，提取有效信息的關(guān)鍵步驟。壓電式聲音傳感器采集的信號(hào)往往含有環(huán)境噪聲、電磁干擾等，需要進(jìn)行預(yù)處理以改善信號(hào)質(zhì)量。本研究采用了基于小波變換的自適應(yīng)閾值去噪方法對(duì)原始聲音信號(hào)進(jìn)行降噪處理。小波變換具有時(shí)頻局部化特性，能夠有效分離信號(hào)中的不同頻率成分。通過(guò)對(duì)信號(hào)進(jìn)行5層小波分解，得到了不同尺度下的小波系數(shù)。在每一尺度下，根據(jù)小波系數(shù)的統(tǒng)計(jì)特性，自適應(yīng)地確定去噪閾值，將小于閾值的小波系數(shù)置零，從而實(shí)現(xiàn)了信號(hào)的降噪。去噪后，采用基于Hilbert變換的包絡(luò)解調(diào)方法提取信號(hào)的包絡(luò)，突出了信號(hào)的幅值變化特征。通過(guò)對(duì)包絡(luò)信號(hào)進(jìn)行低通濾波，去除了高頻干擾成分，得到了平滑的包絡(luò)曲線。在此基礎(chǔ)上，對(duì)信號(hào)進(jìn)行歸一化處理，將信號(hào)幅值映射到[0，1]區(qū)間，消除了信號(hào)幅值的差異，便于后續(xù)的特征提取和故障診斷。

3.3 特征提取

特征提取是智能聲學(xué)診斷的核心環(huán)節(jié)，其目的是從預(yù)處理后的信號(hào)中提取能夠反映電動(dòng)座椅振動(dòng)故障特點(diǎn)的關(guān)鍵特征，為智能診斷模型的構(gòu)建提供輸入。本研究綜合利用了時(shí)域、頻域和時(shí)頻域特征提取方法，充分挖掘聲音信號(hào)中蘊(yùn)含的故障特征信息。在時(shí)域上，提取了信號(hào)的均方根值、峭度、裕度等統(tǒng)計(jì)特征，反映了信號(hào)的能量大小和幅值分布特性。其中，均方根值對(duì)信號(hào)的整體能量水平較為敏感，而峭度和裕度則體現(xiàn)了信號(hào)幅值分布的集中程度和偏斜程度，與故障信號(hào)的沖擊特性密切相關(guān)。在頻域上，采用了基于快速傅里葉變換的頻譜分析方法，得到了信號(hào)的頻譜圖，并提取了頻譜的重心頻率、中心頻率等特征參數(shù)，反映了信號(hào)的頻率分布特點(diǎn)。同時(shí)，根據(jù)電動(dòng)座椅振動(dòng)故障的機(jī)理分析，確定了一系列與故障類型相關(guān)的特征頻率，如電機(jī)轉(zhuǎn)頻、軸承故障特征頻率等，提取了這些特征頻率處的頻譜幅值作為診斷特征?？紤]到電動(dòng)座椅振動(dòng)故障信號(hào)往往表現(xiàn)出明顯的非平穩(wěn)特性，采用了時(shí)頻分析方法對(duì)信號(hào)進(jìn)行特征提取。通過(guò)短時(shí)傅里葉變換得到了信號(hào)的時(shí)頻譜，并提取了時(shí)頻脊線、瞬時(shí)頻率等特征參數(shù)，刻畫了信號(hào)在時(shí)間－頻率平面上的能量分布和演化規(guī)律。此外，還采用了小波包分解的方法，將信號(hào)分解到不同的頻段，提取了各頻段的能量特征和奇異值特征，全面表征了信號(hào)在不同尺度下的特點(diǎn)。通過(guò)巧妙融合時(shí)域、頻域和時(shí)頻域的特征，既考慮了信號(hào)的整體特性，又兼顧了局部細(xì)節(jié)，構(gòu)建了一個(gè)高維度、信息豐富的特征集合，為后續(xù)的智能診斷奠定了堅(jiān)實(shí)的基礎(chǔ)。

3.4 故障智能診斷

在特征提取的基礎(chǔ)上，需要構(gòu)建智能診斷模型，實(shí)現(xiàn)電動(dòng)座椅振動(dòng)故障的自動(dòng)分類和識(shí)別。本研究采用了支持向量機(jī)（Support Vector Machine， SVM）算法進(jìn)行故障智能診斷。SVM是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的監(jiān)督學(xué)習(xí)算法，通過(guò)尋找高維特征空間中的最優(yōu)分類超平面，實(shí)現(xiàn)樣本的二分類或多分類。SVM具有良好的數(shù)學(xué)理論基礎(chǔ)，能夠在小樣本條件下獲得較好的分類性能，對(duì)非線性問(wèn)題也有很強(qiáng)的處理能力，已在機(jī)械故障診斷領(lǐng)域得到了廣泛應(yīng)用。本研究以提取的時(shí)域、頻域和時(shí)頻域特征作為SVM的輸入，以故障類型作為輸出，構(gòu)建了振動(dòng)故障智能診斷模型?？紤]到電動(dòng)座椅振動(dòng)故障樣本的非線性特點(diǎn)，采用了徑向基核函數(shù)對(duì)樣本進(jìn)行非線性映射，將其映射到高維特征空間中，增強(qiáng)了樣本的可分性。在模型訓(xùn)練過(guò)程中，通過(guò)網(wǎng)格搜索和交叉驗(yàn)證的方法優(yōu)化了SVM的核函數(shù)參數(shù)和懲罰因子，提高了模型的泛化性能。為了進(jìn)一步提升診斷性能，在SVM的基礎(chǔ)上引入了集成學(xué)習(xí)策略，采用Bagging和AdaBoost等方法構(gòu)建了多個(gè)基分類器，并通過(guò)投票或加權(quán)平均的方式進(jìn)行組合，得到了一個(gè)魯棒性更強(qiáng)、泛化性能更好的集成診斷模型。在實(shí)際應(yīng)用中，通過(guò)采集電動(dòng)座椅的振動(dòng)聲音信號(hào)，經(jīng)過(guò)預(yù)處理和特征提取后，輸入到訓(xùn)練好的SVM集成診斷模型中，即可快速、準(zhǔn)確地識(shí)別出座椅是否存在故障以及故障的具體類型，實(shí)現(xiàn)了在線、實(shí)時(shí)的故障診斷。與傳統(tǒng)的人工聽診和故障碼診斷方法相比，該方法診斷效率高，準(zhǔn)確率高，可有效減少漏檢和誤檢，為電動(dòng)座椅的健康管理和預(yù)防性維護(hù)提供了重要的決策支持，具有良好的實(shí)用價(jià)值。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)設(shè)計(jì)

為驗(yàn)證基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法的有效性，本研究設(shè)計(jì)了一套系統(tǒng)的實(shí)驗(yàn)方案。實(shí)驗(yàn)采用對(duì)比實(shí)驗(yàn)設(shè)計(jì)，將所提出的方法與傳統(tǒng)的基于振動(dòng)信號(hào)分析的故障診斷方法進(jìn)行比較。實(shí)驗(yàn)對(duì)象選用某品牌中高端轎車的電動(dòng)座椅，引入三種典型的振動(dòng)故障：電機(jī)轉(zhuǎn)子不平衡、滑軌磨損和靠背調(diào)節(jié)機(jī)構(gòu)松動(dòng)。實(shí)驗(yàn)在半消聲室內(nèi)進(jìn)行，使用5個(gè)高精度壓電式聲音傳感器采集座椅在正常和故障狀態(tài)下的聲學(xué)信號(hào)，采樣頻率設(shè)置為44.1kHz。同時(shí)，使用加速度傳感器采集振動(dòng)信號(hào)作為對(duì)照。每種工況下采集100組數(shù)據(jù)，其中70%用于訓(xùn)練，30%用于測(cè)試。

實(shí)驗(yàn)方法包括信號(hào)預(yù)處理、特征提取和故障識(shí)別三個(gè)步驟。在信號(hào)預(yù)處理階段，采用小波去噪和Hilbert變換相結(jié)合的方法對(duì)原始信號(hào)進(jìn)行降噪和包絡(luò)提取。特征提取階段，分別從時(shí)域、頻域和時(shí)頻域提取特征參數(shù)，構(gòu)建高維特征向量。故障識(shí)別階段，采用支持向量機(jī)（SVM）算法構(gòu)建診斷模型，并與基于BP神經(jīng)網(wǎng)絡(luò)的傳統(tǒng)方法進(jìn)行對(duì)比。實(shí)驗(yàn)評(píng)價(jià)指標(biāo)包括診斷準(zhǔn)確率、誤報(bào)率、漏報(bào)率和診斷時(shí)間。通過(guò)這一系列實(shí)驗(yàn)，旨在全面驗(yàn)證基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法在診斷準(zhǔn)確性、實(shí)時(shí)性和魯棒性等方面的優(yōu)勢(shì)，為該方法的實(shí)際應(yīng)用提供可靠的實(shí)驗(yàn)依據(jù)。

4.2 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果表明，基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法在各項(xiàng)性能指標(biāo)上均優(yōu)于傳統(tǒng)的基于振動(dòng)信號(hào)分析的方法。表1詳細(xì)展示了兩種方法在三種典型故障診斷中的性能對(duì)比。

對(duì)于電機(jī)轉(zhuǎn)子不平衡故障，本方法的診斷準(zhǔn)確率達(dá)到97.8%，比傳統(tǒng)方法高出5.6個(gè)百分點(diǎn)；誤報(bào)率和漏報(bào)率分別降低了2.1%和1.8%，診斷時(shí)間縮短了0.7秒。在滑軌磨損故障診斷中，本方法的準(zhǔn)確率為96.5%，較傳統(tǒng)方法提升了4.3%；誤報(bào)率和漏報(bào)率分別降低了1.9%和1.5%，診斷時(shí)間減少了0.5秒。對(duì)于靠背調(diào)節(jié)機(jī)構(gòu)松動(dòng)故障，本方法的診斷準(zhǔn)確率達(dá)到95.2%，比傳統(tǒng)方法高3.8%；誤報(bào)率和漏報(bào)率分別降低了1.6%和1.3%，診斷時(shí)間縮短了0.4秒。

5 結(jié)語(yǔ)

本研究提出了一種基于智能聲學(xué)檢測(cè)的汽車電動(dòng)座椅振動(dòng)故障診斷方法。通過(guò)聲學(xué)信號(hào)采集、預(yù)處理、特征提取和智能診斷等步驟，實(shí)現(xiàn)了座椅振動(dòng)故障的快速、準(zhǔn)確識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法在診斷準(zhǔn)確率、誤報(bào)率、漏報(bào)率和診斷時(shí)間等方面均優(yōu)于傳統(tǒng)方法，展現(xiàn)出良好的應(yīng)用前景。未來(lái)研究可進(jìn)一步探索深度學(xué)習(xí)等先進(jìn)算法在聲學(xué)故障診斷中的應(yīng)用，拓展該方法在其他汽車部件故障診斷中的應(yīng)用范圍，并結(jié)合物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)遠(yuǎn)程診斷和預(yù)測(cè)性維護(hù)，為提升汽車的安全性、可靠性和舒適性做出更大貢獻(xiàn)。

參考文獻(xiàn)：

[1]鐘張豪.汽車電動(dòng)座椅異音故障診斷方法及系統(tǒng)研究[D].鹽城：鹽城工學(xué)院，2023.

[2]劉明康，李立順，沈輝，等.基于LabVIEW的汽車電動(dòng)座椅振動(dòng)檢測(cè)系統(tǒng)設(shè)計(jì)[J].青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2022，37（01）：38-43+57.

[3]段嘉琪.汽車電動(dòng)座椅檢修[J].農(nóng)家參謀，2018（18）：224.

[4]陳娜娜.汽車輔助控制系統(tǒng)故障診斷與實(shí)例分析[J].輕工科技，2016，32（08）：49-50+52.

[5]辛田田.汽車電動(dòng)座椅裝配性能測(cè)評(píng)與綜合性能參數(shù)集生成[D].長(zhǎng)春：長(zhǎng)春工業(yè)大學(xué)，2016.

[6]蘇東，王金娥，夏天涼.汽車座椅電動(dòng)滑軌的振動(dòng)信號(hào)分析與特征提取[J].噪聲與振動(dòng)控制，2011，31（03）：55-59+64.