CN111982274A - 一种基于声品质贡献系数的电机噪声源识别方法及系统 - Google Patents
一种基于声品质贡献系数的电机噪声源识别方法及系统 Download PDFInfo
- Publication number
- CN111982274A CN111982274A CN202010708772.6A CN202010708772A CN111982274A CN 111982274 A CN111982274 A CN 111982274A CN 202010708772 A CN202010708772 A CN 202010708772A CN 111982274 A CN111982274 A CN 111982274A
- Authority
- CN
- China
- Prior art keywords
- noise
- sound quality
- motor
- independent
- sample
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于声品质贡献系数的电机噪声源识别方法及系统,包括噪声信号采集模块、声品质预测模块、声品质贡献量识别模块。噪声信号采集模块用于采集电机本体噪声样本和车内耳旁噪声样本;声品质预测模块对车内耳旁噪声样本进行主观评价和心理声学客观参量计算,并将两者进行相关分析,建立GA‑BP神经网络声品质预测模型。声品质贡献量识别模块对电机本体噪声样本进行模态分解和盲源分离,获得多个独立噪声信号分量,获得多个独立噪声信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。本发明将电机噪声分解为多个独立噪声源,并以声品质贡献系数为评价指标,既反映人耳对电机噪声的主观感受,又准确高效的判断电机的主要噪声源。
Description
技术领域
本发明属于新能源车辆技术领域,尤其涉及一种新能源车辆的基于声品质贡献系数的电机噪声源识别方法及系统。
背景技术
随着人民生活水平不断提高,人们对于汽车NVH性能的要求也越来越高。同时,随着不可再生能源的日益减少,全世界都意识到了能源危机,发展清洁能源的汽车已经成为国际社会的广泛共识。全世界的许多国家都在为了抢占这个新兴市场的份额而不断的努力,各个国家都将清洁能源汽车作为新时代发展的重要战略进而提升国家发展该清洁能源汽车的技术水平,实现在该领域的领导地位。所以新能源汽车成为了各个车企乃至国家的研究热点。
与传统内燃机相比,新能源汽车的一个主要特征就是表现在驱动电机方面,同时也是汽车的核心部分。但是,对于汽车的NVH性能来说,发动机被电机所取代,虽然一定程度上改善了汽车的NVH性能,但电机也给汽车带来了新的振动噪声问题,如电机高频噪声更加明显,同时,电机直接连接变速器形成一体化的动力总成,由此引发的振动噪声性能也与传统汽车不同。电机噪声主要包括机械噪声、电磁噪声、和空气动力噪声三部分,而机械噪声又包括轴承噪声和转子动不平衡噪声等,因此对于电机噪声每个噪声源的贡献量大小的识别非常重要。
A计权声压级常作为各国汽车噪声标准和法规中的噪声评价指标,且对500HZ以下的衰减成分很大,目前对研究于噪声主要还是采用声压级作为评价标准。可是即使相同声压级的噪声,其所包含的频率成分不尽相同,带给人的主观感受也不尽相同,因此人们提出了声品质的概念,将声品质作为电机噪声降低的标准,与传统的声压级不同,可以更加准确的反映乘坐人员的心理感觉,更符合现代化的评价标准。
发明内容
针对上述技术问题,本发明提供一种基于声品质贡献系数的电机噪声识别系统用于计算电机不同噪声声品质贡献系数及其对应激励源。本发明以声品质贡献系数为电机噪声评价指标,既反映了人耳对电机噪声的主观感受,又可以准确高效的判断电机的主要噪声源,从而更有针对性的优化电机声品质,能够在不影响电机其他性能的前提下,达到改善电机声品质的优化目标。
本发明是通过以下技术手段实现上述技术目的的。
一种基于声品质贡献系数的电机噪声源识别系统,包括以下步骤:
(1)通过噪声信号采集模块采集电机本体噪声样本S1和车内耳旁噪声样本S2;
(2)通过声品质预测模块对采集到的车内耳旁噪声样本S2进行主观评价和心理声学客观参量计算,对心理声学客观参量与主观评价结果之间进行相关分析,采用GA遗传算法优化BP神经网络建立电机声品质预测模型;
(3)通过声品质贡献量识别模块对噪声信号采集模块所采集的电机本体噪声样本S1进行模态分解和盲源分离,获得多个独立噪声信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。
进一步地,所述采集的噪声样本包括采集不同转矩、不同转速的不同工况下的噪声样本。
进一步地,所述声品质预测模块的建立步骤具体为:
对采集得到的车内耳旁噪声样本S2进行主观评价试验和心理声学客观参量计算,对主观评价结果和心理声学客观参量进行相关性分析,选取相关性系数大于0.6的心理声学客观参量作为输入,建立BP神经网络,并采用GA遗传算法优化BP神经网络以提高模型的精度,建立GA-BP神经网络声品质预测模型。
进一步地,所述心理声学客观参量包括响度、尖锐度、抖动度、音调度、粗糙度、A计权声压级。
进一步地,所述声品质贡献量的识别具体步骤为:
(1)采用自适应互补集合经验模态分解(CEEMDAN)的方法对采集的电机本体噪声样本S1进行分解,电机本体噪声样本S1被分解为多个噪声信号分量,每一个分量为一个本征模态函数IMF;再对每一个分量进行鲁棒性独立成分分析(Robust-ICA),得到与源信号近似的多个独立噪声源;
(2)再采用连续小波变换对各独立噪声源时频域特征进行分析,识别出轴承噪声、转子不平衡噪声、径向电磁力噪声、开关频率噪声4个主要独立噪声源;
(3)将上述4个主要独立噪声源分别乘以频响函数H(ω)得到驾驶员耳旁独立噪声样本Xi;
(4)分别计算电机本体噪声样本S1和4个驾驶员耳旁独立噪声样本Xi的心理声学客观参量,并将这些参量代入电机声品质预测模型,得到电机本体噪声声品质Sq和驾驶员耳旁独立噪声声品质Sxi
(5)根据下式计算每个驾驶员耳旁独立噪声样本Xi的声品质贡献量系数Sci;
(6)根据驾驶员耳旁噪声样本的声品质贡献量系数Sci,得到主要独立噪声源的声品质贡献量大小,从而识别出电机的主要噪声源。
进一步地,所述噪声信号采集模块包括麦克风、转速传感器和扭矩传感器;
所述麦克风用于采集噪声信号;所述扭矩传感器用于采集电机的扭矩;所述转速传感器用于采集电机的转速。
进一步地,所述频响函数H(ω)的确定是根据互异性原理,在驾驶员耳旁处布置体积声源Qa作为激励,在电机表面处布置一个麦克风测得其噪声声压级P作为响应,由激励和响应的关系获得电机表面至驾驶员耳旁之间的频响函数:H(ω)=Qa/P。
进一步地,包括噪声信号采集模块、声品质预测模块、声品质贡献量识别模块:
噪声信号采集模块,用于采集电机本体噪声样本S1和车内耳旁噪声样本S2;
声品质预测模块,用于对采集到的车内耳旁噪声样本S2进行主观评价和心理声学客观参量计算,对心理声学客观参数与主观评价结果之间进行相关分析,采用GA遗传算法优化BP神经网络建立电机声品质预测模型;
声品质贡献量识别模块,用于对所采集的电机本体噪声样本S1进行模态分解和盲源分离,获得多个独立噪声信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。
与现有技术相比,本发明的有益效果是:本发明将采集到的电机噪声分解为多个独立噪声源,通过计算不同噪声源的贡献系数,能够更加具有针对性地改善电机声品质;本发明并以声品质为电机噪声评价指标,能够更加准确地反映人对电机噪声的主观感受,又可以准确高效的判断电机的主要噪声源。基于识别噪声的结果,对声品质贡献系数较大的噪声源所对应的电机结构参数和控制策略进行优化,以改善电机声品质。从而更有针对性的优化电机声品质,能够在不影响电机其他性能的前提下,达到改善电机声品质的优化目标。
附图说明
图1为本发明所述基于声品质贡献系数的电机噪声源识别系统的结构框图。
图2为本发明所述基于声品质贡献系数的电机噪声源识别系统的工作流程图。
图3为识别噪声源贡献量模块的流程图。
图4为GA-BP神经网络预测模型的工作原理图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
图1所示为本发明所述基于声品质贡献系数的电机噪声识别系统的结构框图,包括噪声信号采集模块、声品质预测模块、声品质贡献量识别模块;
所述噪声信号采集模块用于采集电机不同转速、不同转矩不同工况下的电机本体噪声样本S1和车内耳旁噪声样本S2;
所述声品质预测模块用于对采集到的车内耳旁噪声样本S2进行主观评价和心理声学客观参量计算,对客观参数与主观评价结果之间进行相关分析,取相关系数大于0.6的参数作为输入,采用GA遗传算法优化BP神经网络建立电机声品质预测模型;
所述声品质贡献量识别模块用于对所采集的电机本体噪声样本S1进行模态分解和盲源分离,获得多个独立噪声信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。
所述信号采集模块包括麦克风、转速传感器和扭矩传感器。所述麦克风传感器为噪声信号采集模块用于采集电机本体噪声样本S1和车内耳旁噪声样本S2;所述转速传感器用于采集电机的转速;所述扭矩传感器用于采集电机的扭矩。优选的,信号采集模块在负载扭矩为0、50、100N.m,电机转速为0-6000rpm条件下采集得到60组电机噪声样本。
如图2所示,所述声品质贡献量的识别具体步骤为:
(1)采用自适应互补集合经验模态分解(CEEMDAN)的方法对采集的电机本体噪声样本S1进行分解,电机本体噪声样本S1被分解为多个噪声信号分量,每一个分量为一个本征模态函数IMF;再对每一个分量进行鲁棒性独立成分分析(Robust-ICA)得到与源信号近似的多个独立噪声源;
(2)再采用连续小波变换对各独立噪声源时频域特征进行分析,识别出轴承噪声、转子不平衡噪声、径向电磁力噪声、开关频率噪声4个主要独立噪声源;
(3)将上述4个独立噪声源分别乘以频响函数H(ω)得到驾驶员耳旁的独立噪声样本Xi;
(4)分别计算电机本体噪声样本S1和4个驾驶员耳旁独立噪声样本Xi的心理声学客观参量,并将这些参量代入电机声品质预测模型,得到电机本体噪声声品质Sq和驾驶员耳旁独立噪声声品质Sxi
(5)计根据下式算每个驾驶员耳旁独立噪声样本Xi的声品质贡献量系数Sci;
(6)根据驾驶员耳旁噪声样本的声品质贡献量系数Sci,得到主要独立噪声源的声品质贡献量大小,从而识别出电机的主要噪声源。
如图3所示为本发明所述基于声品质贡献系数的电机噪声源识别系统的实施流程图,其具体步骤如下:
对所采集的电机噪声样本进行主观评价实验和心理声学客观参量的计算;主观评价和心理声学客观参量的方法如下:
主观评价:将主观烦恼度作为声品质评价指标,采用等级评分法,进行主观评价试验,具体打分如下表:
无法忍受 | 极不好 | 非常不好 | 相当不好 | 不好 | 一般 | 较好 | 很好 | 非常好 | 极好 |
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
客观评价:常见的心理声学客观参量有响度、粗糙度、波动度、尖锐度、音调度、A计权声压级等,下面展示其中几个参数的计算模型:
(1)响度计算,Zwicker模型:
其中:N‘为临界频带的特征响度,ETQ为听阈下的激励,E0为参考声压所对应的激励,N为总体响度。
(2)尖锐度模型:
其中:S为尖锐度,k为加权系数,一般取0.11,g(z)为不同Bark域内的权重系数函数,N‘为临界频带的特征响度,N为总体响度。
(3)粗糙度模型:
其中:R为粗糙度,ΔLE为掩蔽深度,N′max为第z个临界频带内的最大特征响度,N′min为第z个临界频带内的最小特征响度;
(4)波动度计算模型:
其中,F为波动度,ΔLE为掩蔽深度,fmod为调制频率,f0为调制基频,取4Hz。
将试验采集到的电机本体噪声样本经过模态分解和盲源分离的到独立噪声信号分量,然后乘以频响函数得到驾驶员耳旁噪声样本,最后通过上述公式计算相应的客观参数值。
使用SPSS软件根据Pearson系数对心理声学客观参量与主观评价分值进行线性相关分析,计算相关系数。根据相关系数大小,选择与主观烦恼度相关性较大的心理声学客观参量作为输入,主观评价结果作为输出,代入GA-BP神经网络中进行训练,就可以得到电机声品质预测模型。
再对采集的电机噪声信号用自适应互补集合经验模态分解(CEEMDAN)进行分解,电机噪声信号被分解为多个分量。再对这些分量进行鲁棒性独立成分分析(Robust-ICA),得到对源信号近似的独立分量。最后采用连续小波变换对各噪声源时频域特征进行分析,识别出轴承噪声、转子不平衡噪声、径向电磁力噪声、开关频率噪声4个主要独立噪声源;
最后将电机原始噪声样本和4个独立噪声源入声品质预测模型,得出声品质大小,并计算其声品质贡献系数,从而识别出电机的主要噪声源;
如图4所示为声品质预测模型所用的GA-BP神经网络的工作原理图。
首先建立BP神经网络的具体步骤为:
(1)确定各层节点数
构建三层神经网络模型,输入层为5个客观参量,即输入层节点数为n=5,输出层为电机声品质主观评价分值,即输入层节点数为l=1;隐含层节点数m的选取没有最优的选取方式,可遵照如下经验公式确定
其中,α为[1-10]区间内的常数
由以上公式计算取整得出隐含层神经元个数m初始值分别为4、5、6、7、8、9、10、11、12、13。通常采用试凑法来确定m的值,初始值从4开始逐渐增加来对网络进行训练,通过对比均方误差和相关系数来寻找最佳的隐含层节点个数。
(2)样本归一化
对于输入的5个心理声学客观参量,它们的单位以及量纲都是不同的,因此为了与主观评价分值相统一,需要进行归一化处理。公式如下:
其中:x表示需要进行归一化处理的心理声学客观参量数值;xi为第i组样本的心理声学客观参量数值,xmin为全部样本心理声学客观参量的最小值,xmax为全部样本心理声学客观参量的最大值。
BP神经网络的传递函数常用的有三种,其函数表达式如下
purelin(n)=n
其中,n表示输入层节点数。
对于隐含层的传递函数取tansig,考虑到本试验中输出层仅有一个神经元的特点,所以输出层传递函数选purelin,误差函数选MSE。
(4)GA-BP神经网络模型的建立
首先,确定三层神经网络结构,BP神经网络确定网络后,随机选取一个权值和阈值,GA对所选取的权值和阈值进行编码,产生60个体作为初始种群。种群确定后,选择适应度函数计算个体适应度,之后按照设置的参数通过选择运算、交叉运算和变异运算后产生新的种群。遗传算法对新种群再次重复之前的运算过程,当循环次数达到设定的300次后,GA把优化后产生的新权值和新阈值输出给BP神经网络。BP神经网络按BP算法,利用采集的噪声样本,实现对网络的训练。当训练达到e-4准确度要求后,即得到了预期的GA-BP神经网络模型。遗传算法的主要步骤如下:
(1)确定变异概率
变异概率是遗传算法中的一个重要参数,它对算法的收敛性、最终解的性能有重要影响。通常,变异概率较大会影响算法的收敛性,因此在实际应用研究中变异概率的取值都较小,变异概率的取值一般在[0.001,0.01]之间。考虑到网络结构和数据特点,变异概率确定为0.006
(2)确定种群大小
实际应用研究中种群个数的取值一般为几十到几百之间,考虑到计算机的计算速度,暂定种群大小取60个。
(3)训练遗传算法
进行遗传算法训练前对输入、输出变量的数值进行归一化处理,这样可以大大减少计算量,提高训练效率和精度。将经过归一化处理的数据带入神经网络模型,训练次数为300。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (8)
1.一种基于声品质贡献系数的电机噪声源识别系统,其特征在于,包括以下步骤:
(1)通过噪声信号采集模块采集电机本体噪声样本S1和车内耳旁噪声样本S2;
(2)通过声品质预测模块对采集到的车内耳旁噪声样本S2进行主观评价和心理声学客观参量计算,对心理声学客观参量与主观评价结果之间进行相关分析,采用GA遗传算法优化BP神经网络建立电机声品质预测模型;
(3)通过声品质贡献量识别模块对噪声信号采集模块所采集的电机本体噪声样本S1进行模态分解和盲源分离,获得多个独立噪声信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。
2.根据权利要求1所述的基于声品质贡献系数的电机噪声源识别系统,其特征在于,所述采集的噪声样本包括采集不同转矩、不同转速的不同工况下的噪声样本。
3.根据权利要求1所述的基于声品质贡献系数的电机噪声识别系统,其特征在于,所述声品质预测模块的建立步骤具体为:
对采集得到的车内耳旁噪声样本S2进行主观评价试验和心理声学客观参量计算,对主观评价结果和心理声学客观参量进行相关性分析,选取相关性系数大于0.6的心理声学客观参量作为输入,建立BP神经网络,并采用GA遗传算法优化BP神经网络以提高模型的精度,建立GA-BP神经网络声品质预测模型。
4.根据权利要求1所述的基于声品质贡献系数的电机噪声源识别系统,其特征在于,所述心理声学客观参量包括响度、尖锐度、波动度、音调度、粗糙度、A计权声压级等。
5.根据权利要求1所述的基于声品质贡献系数的电机噪声源识别方法,其特征在于,所述声品质贡献量的识别具体步骤为:
(1)采用自适应互补集合经验模态分解(CEEMDAN)的方法对采集的电机本体噪声样本S1进行分解,电机本体噪声样本S1被分解为多个噪声信号分量,每一个分量为一个本征模态函数IMF;再对每一个分量进行鲁棒性独立成分分析(Robust-ICA),得到与源信号近似的多个独立噪声源;
(2)再采用连续小波变换对各独立噪声源时频域特征进行分析,识别出轴承噪声、转子不平衡噪声、径向电磁力噪声、开关频率噪声4个主要独立噪声源;
(3)将上述4个主要独立噪声源分别乘以频响函数H(ω)得到驾驶员耳旁独立噪声样本Xi;
(4)分别计算电机本体噪声样本S1和4个驾驶员耳旁独立噪声样本Xi的心理声学客观参量,并将这些参量代入电机声品质预测模型,得到电机本体噪声声品质Sq和驾驶员耳旁独立噪声声品质Sxi
(5)根据下式计算每个驾驶员耳旁独立噪声样本Xi的声品质贡献量系数Sci;
(6)根据驾驶员耳旁噪声样本的声品质贡献量系数Sci,得到主要独立噪声源的声品质贡献量大小,从而识别出电机的主要噪声源。
6.根据权利要求1所述的基于声品质贡献系数的电机噪声源识别系统,其特征在于,所述噪声信号采集模块包括麦克风、转速传感器和扭矩传感器;
所述麦克风用于采集噪声信号;所述扭矩传感器用于采集电机的扭矩;所述转速传感器用于采集电机的转速。
7.根据权利要求5所述的基于声品质贡献系数的电机噪声源识别系统,其特征在于,所述频响函数H(ω)的确定是根据互异性原理,在驾驶员耳旁处布置体积声源Qa作为激励,在电机表面处布置一个麦克风测得其噪声声压级P作为响应,由激励和响应的关系获得电机表面至驾驶员耳旁之间的频响函数:H(ω)=Qa/P。
8.一种实现权利要求1-7任意一项所述电机噪声源识别方法的基于声品质贡献系数的电机噪声识别系统,其特征在于,包括噪声信号采集模块、声品质预测模块、声品质贡献量识别模块:
噪声信号采集模块,用于采集电机本体噪声样本S1和车内耳旁噪声样本S2;
声品质预测模块,用于对采集到的车内耳旁噪声样本S2进行主观评价和心理声学客观参量计算,对心理声学客观参数与主观评价结果之间进行相关分析,采用GA遗传算法优化BP神经网络建立电机声品质预测模型;
声品质贡献量识别模块,用于对所采集的电机本体噪声样本S1进行模态分解和盲源分离,获得多个独立噪声样信号分量,分别计算每个独立噪声信号分量的心理声学客观参量,并将参量代入声品质预测模型得到不同噪声信号分量的声品质大小,然后计算每个噪声信号分量的声品质贡献系数,确定电机不同类别噪声的声品质贡献量大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708772.6A CN111982274B (zh) | 2020-07-22 | 2020-07-22 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010708772.6A CN111982274B (zh) | 2020-07-22 | 2020-07-22 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982274A true CN111982274A (zh) | 2020-11-24 |
CN111982274B CN111982274B (zh) | 2022-09-09 |
Family
ID=73438503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010708772.6A Active CN111982274B (zh) | 2020-07-22 | 2020-07-22 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982274B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505524A (zh) * | 2021-06-16 | 2021-10-15 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
CN113686584A (zh) * | 2021-08-13 | 2021-11-23 | 潍柴动力股份有限公司 | 发动机怠速声品质优化方法、系统以及发动机 |
CN116086596A (zh) * | 2022-12-09 | 2023-05-09 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
CN116429245A (zh) * | 2023-06-13 | 2023-07-14 | 江铃汽车股份有限公司 | 一种雨刮电机噪声测试方法及系统 |
CN117688515A (zh) * | 2024-02-04 | 2024-03-12 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090268555A1 (en) * | 2008-04-25 | 2009-10-29 | James Robert Underbrink | Method and apparatus for identifying noise sources |
CN101672690A (zh) * | 2009-09-27 | 2010-03-17 | 吉林大学 | 基于听觉模型的车内噪声烦躁度客观量化评价方法 |
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
CN104880248A (zh) * | 2015-05-07 | 2015-09-02 | 中国船舶重工集团公司第七一二研究所 | 一种电机结构噪声激励源的贡献量定量识别方法 |
CN105021275A (zh) * | 2015-07-15 | 2015-11-04 | 吉林大学 | 基于时域动态特性分析的车内声品质预测方法 |
CN105473988A (zh) * | 2013-06-21 | 2016-04-06 | 布鲁尔及凯尔声音及振动测量公司 | 确定机动车辆的噪声源的噪声声音贡献的方法 |
CN109668626A (zh) * | 2018-12-25 | 2019-04-23 | 东莞材料基因高等理工研究院 | 一种基于人机交互界面的噪声声品质评价方法 |
CN109724811A (zh) * | 2018-12-21 | 2019-05-07 | 江苏大学 | 一种乘坐室声品质的结构传递路径检测系统 |
CN110688712A (zh) * | 2019-10-11 | 2020-01-14 | 湖南文理学院 | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 |
CN111064327A (zh) * | 2019-12-31 | 2020-04-24 | 江苏大学 | 一种基于声品质的驱动电机优化方法及系统 |
-
2020
- 2020-07-22 CN CN202010708772.6A patent/CN111982274B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090268555A1 (en) * | 2008-04-25 | 2009-10-29 | James Robert Underbrink | Method and apparatus for identifying noise sources |
CN101672690A (zh) * | 2009-09-27 | 2010-03-17 | 吉林大学 | 基于听觉模型的车内噪声烦躁度客观量化评价方法 |
CN105473988A (zh) * | 2013-06-21 | 2016-04-06 | 布鲁尔及凯尔声音及振动测量公司 | 确定机动车辆的噪声源的噪声声音贡献的方法 |
US20160138967A1 (en) * | 2013-06-21 | 2016-05-19 | Brüel & Kjær Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
CN104880248A (zh) * | 2015-05-07 | 2015-09-02 | 中国船舶重工集团公司第七一二研究所 | 一种电机结构噪声激励源的贡献量定量识别方法 |
CN105021275A (zh) * | 2015-07-15 | 2015-11-04 | 吉林大学 | 基于时域动态特性分析的车内声品质预测方法 |
CN109724811A (zh) * | 2018-12-21 | 2019-05-07 | 江苏大学 | 一种乘坐室声品质的结构传递路径检测系统 |
CN109668626A (zh) * | 2018-12-25 | 2019-04-23 | 东莞材料基因高等理工研究院 | 一种基于人机交互界面的噪声声品质评价方法 |
CN110688712A (zh) * | 2019-10-11 | 2020-01-14 | 湖南文理学院 | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 |
CN111064327A (zh) * | 2019-12-31 | 2020-04-24 | 江苏大学 | 一种基于声品质的驱动电机优化方法及系统 |
Non-Patent Citations (3)
Title |
---|
FALIN ZENG ET AL.: "Study on the Sound Quality of Steady and Unsteady Exhaust Noise", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
曾发林等: "基于GA-BP模型的消声器声品质预测与控制技术研究", 《机械设计与制造》 * |
曾发林等: "基于声品质贡献因子的发动机悬置优化", 《汽车工程》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505524A (zh) * | 2021-06-16 | 2021-10-15 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
CN113505524B (zh) * | 2021-06-16 | 2023-11-28 | 广州大学 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
CN113686584A (zh) * | 2021-08-13 | 2021-11-23 | 潍柴动力股份有限公司 | 发动机怠速声品质优化方法、系统以及发动机 |
CN116086596A (zh) * | 2022-12-09 | 2023-05-09 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
CN116086596B (zh) * | 2022-12-09 | 2023-10-27 | 广州声博士声学技术有限公司 | 一种噪声智能检测方法、装置、计算机设备及存储介质 |
CN116429245A (zh) * | 2023-06-13 | 2023-07-14 | 江铃汽车股份有限公司 | 一种雨刮电机噪声测试方法及系统 |
CN116429245B (zh) * | 2023-06-13 | 2023-09-01 | 江铃汽车股份有限公司 | 一种雨刮电机噪声测试方法及系统 |
CN117688515A (zh) * | 2024-02-04 | 2024-03-12 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
CN117688515B (zh) * | 2024-02-04 | 2024-05-17 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111982274B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111982274B (zh) | 一种基于声品质贡献系数的电机噪声源识别方法及系统 | |
CN111064327B (zh) | 一种基于声品质的驱动电机优化方法及系统 | |
Ma et al. | Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model | |
CN106933146B (zh) | 电动轿车行人警示音控制方法 | |
CN110688712A (zh) | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 | |
CN108827452B (zh) | 一种永磁同步轮毂电机的噪声评价方法 | |
CN109747575B (zh) | 一种基于阶次优化的多模式车内声品质优化系统 | |
CN106992002A (zh) | 用于改进含噪语音识别的动态声学模型切换 | |
CN109211570A (zh) | 一种电驱动动力总成系统噪声源分离识别方法 | |
CN109243496A (zh) | 声音识别方法和系统 | |
US11718183B2 (en) | Method for controlling tone of electric vehicle based on motor vibration | |
CN111731185B (zh) | 汽车加减速时模拟引擎发声的方法及系统 | |
CN113343384B (zh) | 一种变速器变转速工况下声品质主客观评价方法 | |
Al-Dhahebi et al. | A computational approach for optimizing vehicles’ interior noise and vibration | |
Chen et al. | Car interior noise | |
Kim et al. | Statistical classification of vehicle interior sound through upsampling-based augmentation and correction using 1D CNN and LSTM | |
CN114358321A (zh) | 一种电机异响机器学习检测方法 | |
Schumann et al. | Separation, allocation and psychoacoustic evaluation of vehicle interior noise | |
CN113567146A (zh) | 一种基于掩蔽效应评价路噪的方法 | |
CN113486448A (zh) | 一种基于掩蔽效应评价变速器啸叫的方法 | |
CN208180969U (zh) | 车内掩蔽声品质自适应控制系统 | |
Shin et al. | Optimum order spectrum profiles for improvement of sound quality of car interior noise. | |
Guo et al. | Roughness evaluation approach for nonstationary vehicle noise based on wavelet packet and neural network techniques | |
Kondo et al. | Engine Sound Design Process with Utilization of Industrial Styling Design | |
Pagi et al. | An acoustic approach for multiple fault diagnosis in motorcycles |
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 |