CN110246481B - 一种预测发动机转速的汽车主动降噪方法 - Google Patents

一种预测发动机转速的汽车主动降噪方法 Download PDF

Info

Publication number
CN110246481B
CN110246481B CN201910267643.5A CN201910267643A CN110246481B CN 110246481 B CN110246481 B CN 110246481B CN 201910267643 A CN201910267643 A CN 201910267643A CN 110246481 B CN110246481 B CN 110246481B
Authority
CN
China
Prior art keywords
data
audio
noise reduction
signal
engine speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910267643.5A
Other languages
English (en)
Other versions
CN110246481A (zh
Inventor
周求湛
葛鑫
胡继康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201910267643.5A priority Critical patent/CN110246481B/zh
Publication of CN110246481A publication Critical patent/CN110246481A/zh
Application granted granted Critical
Publication of CN110246481B publication Critical patent/CN110246481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1783—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase handling or detecting of non-standard events or conditions, e.g. changing operating modes under specific operating conditions
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G10K11/17879—General system configurations using both a reference signal and an error signal
    • G10K11/17883—General system configurations using both a reference signal and an error signal the reference signal being derived from a machine operating condition, e.g. engine RPM or vehicle speed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)

Abstract

本发明公开了一种预测发动机转速的汽车主动降噪方法，所述方法包括如下步骤：步骤一：通过实验得到与不同频率的噪声源信号对应的音频播放器播放音频的数据，将得到的数据保存并建立音频播放数据库；步骤二：对发动机转速进行预测估计，并根据发动机转速信号合成拟噪声源信号；步骤三：计算主动降噪控制系统的数据采集及数据处理造成的通信时延，调整音频播放时间；步骤四：音频播放器播放音频抵消车内噪声。本发明的方法不仅可以有效减弱低频噪声，弥补被动降噪技术的不足，而且可以有效利用未来车联网系统的优势，提高拟噪声源信号的实时性，进而加快降噪进程，更好地提高乘车舒适度，解决现有降噪技术的不足。

Description

一种预测发动机转速的汽车主动降噪方法
技术领域
本发明涉及一种汽车主动降噪方法，特别是涉及一种预测发动机转速的汽车主动降噪方法。
背景技术
被动降噪技术通常是采用阻尼较大、吸隔声能力非常强的材料，设计隔振隔声结构或者安装消声器等，针对噪声传播路径进行控制。经过学者的苦心钻研，被动噪声控制已经较为成熟，成为噪声控制的重要手段之一。由于其实现简单、降噪效果理想，被动降噪技术被广泛应用于降噪领域。被动消声技术虽然对中高频的噪声处理效果较好，但是对低频噪声并没有起到明显的作用。
汽车主动降噪技术主要是通过控制系统控制音频播放器发声，使其发出的声音与原本的噪声源具有相同的频率、相同的幅值和相反的相位，利用声波干涉原理，达到降噪的目的。最初汽车主动降噪系统的噪声源信号通过音频采集器采集获得，然而这种方式会造成声反馈现象，使得降噪效果不理想。对此，相关学者提出了基于发动机转速的参考信号合成方法，但是在实际应用中，降噪效果仍然不够理想。经分析，这是由于汽车发动机转速信号来自于总线，使得获取的发动机转速数据的实时性较差，影响了后续控制器降噪的性能。
随着5G技术的发展，车联网也将在未来被普及。车联网借助新一代信息和通信技术，可实现车内、车与车、车与路、车与人、车与服务平台的全方位网络连接，这意味着我们可以实时获取我们需要的数据。车辆的运行往往涉及多项开关量、传感器模拟量、CAN信号数据等，驾驶员在操作车辆运行过程中，产生的车辆数据不断回发到后台数据库，形成海量数据，由云计算平台实现对海量数据的“过滤清洗”，数据分析平台对数据进行分析并保存。
发明内容
本发明的目的是提供一种预测发动机转速的汽车主动降噪方法，该方法不仅可以解决被动降噪技术无法减弱低频噪声的问题，而且可以解决主动降噪技术降噪过程慢、实时性差的问题。
本发明的目的是通过以下技术方案实现的：
一种预测发动机转速的汽车主动降噪方法，包括如下步骤：
步骤一：通过实验得到与不同频率的噪声源信号对应的音频播放器播放音频的数据，将得到的数据保存并建立音频播放数据库；
步骤二：对发动机转速进行预测估计，并根据发动机转速信号合成拟噪声源信号；
步骤三：计算主动降噪控制系统的数据采集及数据处理造成的通信时延，调整音频播放时间；
步骤四：根据步骤二合成的拟噪声源信号频率自动调取音频播放数据库相关数据，再配合步骤三计算的通信时延，驱动音频播放器播放音频抵消车内噪声。
相比于现有技术，本发明具有如下优点：
本发明的方法不仅可以有效减弱低频噪声，弥补被动降噪技术的不足，而且可以有效利用未来车联网系统的优势，提高拟噪声源信号的实时性，进而加快降噪进程，更好地提高乘车舒适度，解决现有降噪技术的不足。
附图说明
图1为本发明汽车主动降噪方法的流程图；
图2为建立音频播放数据库方法的流程图；
图3为估计物理通路传递函数方法的框图；
图4为最小均方算法实施流程图；
图5为补偿物理通路传递函数算法模型的框图；
图6为计算音频播放数据的流程图；
图7为预测算法实施流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种预测发动机转速的汽车主动降噪方法，如图1所示，所述方法包括以下步骤：
步骤一：通过实验得到与不同频率的噪声源信号对应的音频播放器播放音频的数据，将得到的数据保存并建立音频播放数据库。如图2所示，具体包括以下子步骤：
步骤1.1：采用白噪声注入法对音频播放器到音频采集器之间的物理通路传递函数进行估计。如图3所示，具体步骤如下：通过制造一个均值为0、方差为1的白噪声信号作为激励从音频播放器处传递到音频采集器处，利用最小均方算法得到音频播放器到音频采集器之间的物理通路传递函数的估计值。如图4所示，最小均方算法的具体步骤如下：实时获取噪声源信号x(n)与期望信号d(n)，自动调整滤波器权系数，输出y(n)，计算误差值e(n)，其中e(n)＝d(n)-y(n)，直至e(n)收敛，此时的横向滤波器的值即为音频播放器到音频采集器之间的物理通路估计。
步骤1.2：建立改进的最小均方算法模型，根据步骤1.1估计的物理通路传递函数对物理通路进行补偿。如图5所示，在噪声源与最小均方算法之间加入补偿的物理通路，用来改善音频播放器到音频采集器之间的物理通路延时对最小均方算法带来的影响。
步骤1.3：根据步骤1.2建立的模型，模拟输入不同频率的噪声源信号，得到对应的音频播放数据并保存起来，建立音频播放数据库。如图6所示，建立音频播放数据库的具体步骤如下：(1)音频采集器采集噪声源信号及误差信号；(2)根据噪声源信号及滤波器权系数计算音频播放信号；(3)根据估计的物理通路传递函数和噪声源信号计算经过补偿通路后的噪声信号；(4)根据误差信号及经过补偿通路后的噪声信号，运用最小均方算法更新滤波器的权系数；(5)重复(1)～(4)，直到达到预期的降噪效果，保存音频播放数据。
步骤二：对发动机转速进行预测估计，并根据发动机转速信号合成拟噪声源信号。具体包括以下子步骤：
步骤2.1：根据预测算法采集相关数据预测不同工况下的发动机转速。相关数据具体包括：刹车信号、油门开度信号、油门踏板信号等，以及未来随着车联网技术的普及，车辆可以及时掌握的行驶方向道路路况信息和周围车辆的行驶数据等。如图7所示，预测算法的具体步骤如下：
(1)相关数据预处理：对采集到的相关数据进行数据预处理。为了提高实时性与预测的准确性，使用插补算法对数据进行缺失值填充。
(2)相关数据筛选：使用RF算法筛选BP神经网络的输入变量。具体步骤如下：
step1、从经过预处理的相关数据的数据集中随机抽取M个数据集，在m个特征中选择最具分类能力的特征进行节点分裂，生成多个决策树，组成RF，使用树投票的方式对新数据进行分类。
step2、计算每个特征变量的重要性并根据重要性降序排序。定义重要性：从数据集中随机抽取M个样本集，建立M个决策树，未被抽到的样本建立M个袋外数据。输入N个袋外数据，将得到N个分类结果。假设分类错误的个数为E个，袋外数据误差err为E/N。假设RF中有A棵树，袋外数据误差为err，随机改变一个变量，袋外数据误差变为err1，那么该特征的重要性为∑(err1-err)/A。
step3、确定删除比例，删除不重要的指标，得到一个新的特征集。
step4、建立新的RF，重复step2～3。
step5、根据每个特征集及RF，计算袋外误差，将袋外误差最小的特征集作为BP神经网络的输入变量。
(3)动态生成训练数据：若指定预测t时刻的发动机转速，则BP神经网络会自动将t-1时刻之前的数据(含t-1时刻)作为训练数据。当预测时间更新为t+1时刻时，则BP神经网络自动将t时刻的各指标数据加入到训练数据中。
(4)构建BP神经网络的初始预测模型：构建BP神经网络的初始预测模型，设定初始权值与阈值。
(5)参数优化：GA算法优化BP神经网络初始权值与阈值。具体步骤如下：
Step1、随机产生初始种群，确定BP神经网络训练误差为适应度函数。
Step2、选择：选择适应度较高(即BP神经网络训练误差较小)的个体作为新的种群，将个体按照适应度大小排序，采用轮盘赌选择：进行交叉的个体被选择的概率与适应度成正比，进行变异的个体被选择的概率与适应度成反比，选择生成新的种群。
Step3、交叉：采用单点交叉的方式，确定交叉概率，产生一个随机概率，若随机概率小于交叉概率，则执行交叉操作。
Step4、变异：采用均匀变异的方式，确定变异概率，产生一个随机概率，若随机概率小于变异概率，则执行变异操作。
Step5、适应度评价：计算新产生个体的适应度。
Step6、种群更新：比较父代与子代个体(新产生个体)适应度，若子代中有个体的适应度大于父代的适应度，保存子代的优秀个体，淘汰父代中较差的个体，始终保持种群中个体数目不变，不断更新种群。
Step7、重复Step1～6，直至达到迭代次数，最终得到最优解。
(6)进行预测：根据优化的BP神经网络初始权值与阈值，建立优化后的BP神经网络预测模型，并据此模型输入筛选出的相关数据对发动机转速进行预测。
(7)预测时间更新：若要继续预测时间t+1的发动机转速，则更新预测时间为t+1，并跳转至步骤(3)更新训练集，继续预测。
步骤2.2：通过实验实时测量发动机转速，实时采集噪声源信号，根据灰色预测算法，建立发动机转速与噪声源信号之间的关系，并据此关系及预测的发动机转速值合成拟噪声源信号。
步骤三：计算主动降噪控制系统的数据采集及数据处理造成的通信时延，调整音频播放时间。具体步骤如下：给主动降噪控制系统输入一个输入信号，同步采集输入信号与输出信号，对采样后得到的离散时域信号进行离散傅里叶变换，将输入输出信号各截取一个周期，对截取信号进行分析，得出时延量：输入信号与输出信号分别为：
Figure BDA0002017347510000071
其中，基频/>
Figure BDA0002017347510000072
In′、Out′是输入信号与输出信号进行离散傅里叶变换在基频谱线的幅值，θ1、θ2分别是输入信号与输出信号的初始相位，n是采样点数，j是复数，f是采样频率，则时延量为：/>
Figure BDA0002017347510000073
步骤四：音频播放器播放音频抵消车内噪声。具体步骤如下：根据步骤二合成的拟噪声源信号频率自动调取音频播放数据库相关数据，再配合步骤三计算的通信时延，驱动音频播放器在合适时间播放该音频数据(如：假设步骤二预测t1s后的发动机转速数据，步骤三计算的通信时延为ts，则应在(t1-t)s后播放该音频)，达到抵消车内噪声的目的。

Claims (6)

1.一种预测发动机转速的汽车主动降噪方法，其特征在于所述方法包括如下步骤：
步骤一：通过实验得到与不同频率的噪声源信号对应的音频播放器播放音频的数据，将得到的数据保存并建立音频播放数据库；
步骤二：对发动机转速进行预测估计，并根据发动机转速信号合成拟噪声源信号，具体包括以下子步骤：
步骤2.1：根据预测算法采集相关数据预测不同工况下的发动机转速，所述预测算法的具体步骤如下：
(1)相关数据预处理：对采集到的相关数据使用插补算法对数据进行缺失值填充；
(2)相关数据筛选：使用RF算法筛选BP神经网络的输入变量，具体步骤如下：
step1、从经过预处理的相关数据的数据集中随机抽取M个数据集，在m个特征中选择最具分类能力的特征进行节点分裂，生成多个决策树，组成RF，使用树投票的方式对新数据进行分类；
step2、计算每个特征变量的重要性并根据重要性降序排序；
step 3、确定删除比例，删除不重要的指标，得到一个新的特征集；
step 4、建立新的RF，重复step 2～3；
step 5、根据每个特征集及RF，计算袋外误差，将袋外误差最小的特征集作为BP神经网络的输入变量；
(3)动态生成训练数据：若指定预测t时刻的发动机转速，则BP神经网络会自动将t-1时刻之前的数据作为训练数据；当预测时间更新为t+1时刻时，则BP神经网络自动将t时刻的各指标数据加入到训练数据中；
(4)构建BP神经网络的初始预测模型：构建BP神经网络的初始预测模型，设定初始权值与阈值；
(5)参数优化：GA算法优化BP神经网络初始权值与阈值，具体步骤如下：
Step1、随机产生初始种群，确定BP神经网络训练误差为适应度函数；
Step2、选择：选择适应度较高的个体作为新的种群，将个体按照适应度大小排序，采用轮盘赌选择：进行交叉的个体被选择的概率与适应度成正比，进行变异的个体被选择的概率与适应度成反比，选择生成新的种群；
Step3、交叉：采用单点交叉的方式，确定交叉概率，产生一个随机概率，若随机概率小于交叉概率，则执行交叉操作；
Step4、变异：采用均匀变异的方式，确定变异概率，产生一个随机概率，若随机概率小于变异概率，则执行变异操作；
Step5、适应度评价：计算新产生个体的适应度；
Step6、种群更新：比较父代与子代个体适应度，若子代中有个体的适应度大于父代的适应度，保存子代的优秀个体，淘汰父代中较差的个体，始终保持种群中个体数目不变，不断更新种群；
Step7、重复Step1～6，直至达到迭代次数，最终得到最优解；
(6)进行预测：根据优化的BP神经网络初始权值与阈值，建立优化后的BP神经网络预测模型，并据此模型输入筛选出的相关数据对发动机转速进行预测；
(7)预测时间更新：若要继续预测时间t+1的发动机转速，则更新预测时间为t+1，并跳转至步骤(3)更新训练集，继续预测；
步骤2.2：通过实验实时测量发动机转速，实时采集噪声源信号，根据灰色预测算法，建立发动机转速与噪声源信号之间的关系，并据此关系及预测的发动机转速值合成拟噪声源信号；
步骤三：计算主动降噪控制系统的数据采集及数据处理造成的通信时延，调整音频播放时间；
步骤四：根据步骤二合成的拟噪声源信号频率自动调取音频播放数据库相关数据，再配合步骤三计算的通信时延，驱动音频播放器播放音频抵消车内噪声。
2.根据权利要求1所述的预测发动机转速的汽车主动降噪方法，其特征在于所述步骤一具体包括以下子步骤：
步骤1.1：采用白噪声注入法对音频播放器到音频采集器之间的物理通路传递函数进行估计；
步骤1.2：在噪声源与最小均方算法之间加入补偿的物理通路，建立改进的最小均方算法模型，根据步骤1.1估计的物理通路传递函数对物理通路进行补偿；
步骤1.3：根据步骤1.2建立的模型，模拟输入不同频率的噪声源信号，得到对应的音频播放数据并保存起来，建立音频播放数据库。
3.根据权利要求2所述的预测发动机转速的汽车主动降噪方法，其特征在于所述步骤1.1的具体步骤如下：通过制造一个均值为0、方差为1的白噪声信号作为激励从音频播放器处传递到音频采集器处，利用最小均方算法得到音频播放器到音频采集器之间的物理通路传递函数的估计值。
4.根据权利要求3所述的预测发动机转速的汽车主动降噪方法，其特征在于所述最小均方算法的具体步骤如下：实时获取噪声源信号x(n)与期望信号d(n)，自动调整滤波器权系数，输出y(n)，计算误差值e(n)，其中e(n)＝d(n)-y(n)，直至e(n)收敛，此时的横向滤波器的值即为音频播放器到音频采集器之间的物理通路估计。
5.根据权利要求2所述的预测发动机转速的汽车主动降噪方法，其特征在于所述建立音频播放数据库的具体步骤如下：(1)音频采集器采集噪声源信号及误差信号；(2)根据噪声源信号及滤波器权系数计算音频播放信号；(3)根据估计的物理通路传递函数和噪声源信号计算经过补偿通路后的噪声信号；(4)根据误差信号及经过补偿通路后的噪声信号，运用最小均方算法更新滤波器的权系数；(5)重复(1)～(4)，直到达到预期的降噪效果，保存音频播放数据。
6.根据权利要求1所述的预测发动机转速的汽车主动降噪方法，其特征在于所述步骤三具体步骤如下：给主动降噪控制系统输入一个输入信号，同步采集输入信号与输出信号，对采样后得到的离散时域信号进行离散傅里叶变换，将输入输出信号各截取一个周期，对截取信号进行分析，得出时延量：
Figure FDA0003991419990000051
其中：θ1、θ2分别是输入信号与输出信号的初始相位，f是采样频率。
CN201910267643.5A 2019-04-03 2019-04-03 一种预测发动机转速的汽车主动降噪方法 Active CN110246481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910267643.5A CN110246481B (zh) 2019-04-03 2019-04-03 一种预测发动机转速的汽车主动降噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910267643.5A CN110246481B (zh) 2019-04-03 2019-04-03 一种预测发动机转速的汽车主动降噪方法

Publications (2)

Publication Number Publication Date
CN110246481A CN110246481A (zh) 2019-09-17
CN110246481B true CN110246481B (zh) 2023-03-24

Family

ID=67883118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910267643.5A Active CN110246481B (zh) 2019-04-03 2019-04-03 一种预测发动机转速的汽车主动降噪方法

Country Status (1)

Country Link
CN (1) CN110246481B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110970010A (zh) * 2019-12-03 2020-04-07 广州酷狗计算机科技有限公司 噪音消除方法、装置、存储介质及设备
CN113077778B (zh) * 2020-01-03 2023-01-10 中车唐山机车车辆有限公司 动车组主动降噪系统
CN111724761B (zh) * 2020-05-21 2023-01-17 中科上声（苏州）电子有限公司 一种车载主动噪声控制装置及方法
CN111640415B (zh) * 2020-06-03 2023-04-07 吉林大学 一种基于粒子群算法的主动降噪算法参数优化方法
CN112185336A (zh) * 2020-09-28 2021-01-05 苏州臻迪智能科技有限公司 一种噪声消减方法、装置及设备
CN114170992B (zh) * 2022-02-11 2022-08-05 科大讯飞(苏州)科技有限公司 一种车辆主动降噪效果评价方法、装置、存储介质及设备
CN114630238B (zh) * 2022-03-15 2024-05-17 广州宏牌音响有限公司 舞台音箱音量控制方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105244016A (zh) * 2015-11-19 2016-01-13 清华大学深圳研究生院 主动降噪系统和方法
CN106089361A (zh) * 2016-06-30 2016-11-09 重庆长安汽车股份有限公司 一种车内发动机主动降噪系统及方法
CN106382143A (zh) * 2016-12-01 2017-02-08 吉林大学 一种基于发动机转速的主动降噪装置及方法
CN206299429U (zh) * 2016-12-01 2017-07-04 吉林大学 一种基于发动机转速的主动降噪装置
CN107193212A (zh) * 2017-06-26 2017-09-22 南京航空航天大学 基于新型灰狼优化算法的航空发动机非线性预测控制方法
CN108806664A (zh) * 2018-05-03 2018-11-13 清华大学苏州汽车研究院（相城） 一种汽车车内噪声控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8270625B2 (en) * 2006-12-06 2012-09-18 Brigham Young University Secondary path modeling for active noise control
US9512798B2 (en) * 2014-05-06 2016-12-06 Ford Global Technologies, Llc Method and system for direct injection noise mitigation
IN2015MU01447A (zh) * 2015-04-07 2015-04-24 Vasant Dudul Sanjay

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105244016A (zh) * 2015-11-19 2016-01-13 清华大学深圳研究生院 主动降噪系统和方法
CN106089361A (zh) * 2016-06-30 2016-11-09 重庆长安汽车股份有限公司 一种车内发动机主动降噪系统及方法
CN106382143A (zh) * 2016-12-01 2017-02-08 吉林大学 一种基于发动机转速的主动降噪装置及方法
CN206299429U (zh) * 2016-12-01 2017-07-04 吉林大学 一种基于发动机转速的主动降噪装置
CN107193212A (zh) * 2017-06-26 2017-09-22 南京航空航天大学 基于新型灰狼优化算法的航空发动机非线性预测控制方法
CN108806664A (zh) * 2018-05-03 2018-11-13 清华大学苏州汽车研究院（相城） 一种汽车车内噪声控制方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
A New Method of Double Electric Compass for Localization in Automobile Navigation;Xiaomeng Li 等;《2006 International Conference on Mechatronics and Automation》;20061211;全文 *
Adaptive Noise Cancellation Based on Neural Network;Maja Stella 等;《2006 International Conference on Software in Telecommunications and Computer Networks》;20070319;全文 *
Car Cabin Interior Noise Classification Using Temporal Composite Features and Probabilistic Neural Network Model;Paulraj Paulraj 等;《Applied Mechanics and Materials》;20131231;全文 *
基于发动机激励的车室内有源噪声控制方法;李慧 等;《科学技术与工程》;20181228;全文 *
基于发动机转速的车内有源消声控制策略和自适应算法;王登峰等;《公路交通科技》;20041015(第10期);全文 *
某车用增压器噪声分析及控制;卢小锐 等;《第十三届沈阳科学学术年会论文集》;20160927;全文 *
车内噪声主动控制系统设计与试验研究;常振臣等;《公路交通科技》;20031220(第06期);全文 *

Also Published As

Publication number Publication date
CN110246481A (zh) 2019-09-17

Similar Documents

Publication Publication Date Title
CN110246481B (zh) 一种预测发动机转速的汽车主动降噪方法
CN107791970B (zh) 基于启发式动态规划的汽车主动降噪方法
CN112201069B (zh) 基于深度强化学习的驾驶员纵向跟车行为模型构建方法
Li et al. Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system
CN105244016A (zh) 主动降噪系统和方法
CN103593986B (zh) 一种优化尾气排放的干线绿波协调控制信号配时方法
CN103471709A (zh) 乘用车车内噪声声品质预测方法
CN106952275A (zh) 一种基于粒子群神经网络的细胞图像分割方法
CN113554875B (zh) 一种基于边缘计算的高速公路异质交通流可变限速控制方法
CN115034457A (zh) 一种基于ceemdan-lstm的城市轨道交通短时客流预测方法
CN110362789B (zh) 一种基于gpr模型的自适应声掩蔽系统及方法
Lu et al. Semi-Supervised Audio Classification with Consistency-Based Regularization.
CN111353640B (zh) 一种组合法风速预测模型构建方法
CN114964781B (zh) 一种列车轴承故障智能诊断方法
CN116090526A (zh) 一种基于内嵌物理信息神经网络的结构振动噪声反演方法
CN108896330B (zh) 一种水电机组的故障诊断方法
Venkataramanan et al. Identification of hidden Markov models for ion channel currents. III. Bandlimited, sampled data
CN111724597B (zh) 基于驾驶行为评估驾驶员认知表现的研究方法
CN116863905A (zh) 针对汽车路噪特征峰值的主动降噪方法及车辆
CN104598741A (zh) 一种车道饱和度预测模型
CN110908287B (zh) 一种轨道车辆车体铝型材振动声辐射主动前馈力控制策略制定方法
Zeng et al. Study on the sound quality of steady and unsteady exhaust noise
Wang et al. Adaptive active vehicle interior noise control algorithm based on nonlinear signal reconstruction
CN116307126A (zh) 一种用于准确预测太阳能发电的智能桥联小波模型
Rui et al. Wavelet Neuron Network for Short-Term Mixed Traffic Flow Prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant