CN114065402B - 基于hssa-bpnn模型的车辆全态声品质预报方法 - Google Patents

Abstract

本发明提供了基于HSSA‑BPNN模型的车辆全态声品质预报方法，利用传感器提供卡车驾驶工况数据，通过多软件联合分析获取驾驶室噪声信息，并根据区间化数据处理的方法，基于混合麻雀算法改进反向传播神经网络算法，建立可听声范围内噪声预测模型，通过数值计算的方法，实现了预报新能源汽车尤其是卡车驾驶室内的噪声和客观声品质的功能。本发明解决了汽车的噪声源不确定且传递路径众多，而新能源汽车由于能源系统复杂，使得驾驶室内的噪声预报和评价十分困难的问题，完善了新能源汽车体验舒适度的评价方法。

Description

基于HSSA-BPNN模型的车辆全态声品质预报方法

技术领域

本发明属于噪声仿真和汽车声品质评价技术领域，具体涉及基于 HSSA-BPNN模型的车辆全态声品质预报方法。

背景技术

“低噪”已经成为衡量汽车、轮船等交通工具品质的重要评价指标之一，而驾驶室中的噪声是直接影响用户对车辆的使用体验，由此，对于厂家而言，如何更好的获取用户在驾驶室中的声音体验成为关注的重点。

新能源汽车不同于传统汽车，其大量减少了发动机等设备的噪声，但是随之而来的是要考虑新的供能系统的振动会给驾驶室带来的影响。汽车的噪声很难仅通过声压级展开声学环境评价，声压级较低的噪声也可能比声压级较高的噪声带给用户更差的使用体验。而声品质可以直接反映出人对声音的主观感受，将声品质引入新能源汽车的噪声预报，可以更好的反应出司机及乘客的舒适度，为后续的优化设计提供支持。因此，建立一种准确的反应车辆实时状态下驾驶室噪声及声品质预报方法，对后续车辆噪声提出相应的控制措施有着重要的价值。

发明内容

本发明要解决的技术问题是：提供基于HSSA-BPNN模型的车辆全态声品质预报方法，用于预报新能源汽车的噪声和客观声。

本发明为解决上述技术问题所采取的技术方案为：基于HSSA-BPNN模型的车辆全态声品质预报方法，包括以下步骤：

S1：分别将i个激光测速仪、风速仪器、声级计和加速度传感器安装在车辆上，声级计安装在车辆驾驶室内，分别对应采集车辆在正常驾驶工况下的包括车速v_i、风速u_i、车辆驾驶室内声压级数据lp_i和动力系统振动加速度a_i的数据，作为评价正常驾驶工况下的车辆驾驶室噪声的参数；

S2：通过归一化方法对步骤S1采集到的数据进行预处理；

S3：建立有限元分析模型，通过对步骤S2预处理后的数据进行仿真分析获取驾驶室的理论声压级数据；

S4：将步骤S1采集到的车辆驾驶室内声压级数据lp_i作为参考信号，与步骤S3仿真得到的理论声压级数据LP_i分别进行区间化，并一一对应组成噪声向量；基于皮尔逊相关系数公式提取各区间化的噪声向量的输入系数；

S5：基于HSSA-BPNN算法建立预测模型；

S6：从区间化的车辆驾驶室内声压级数据中选取数据组成训练集，通过基于Metropolis准则的改进梯度下降法训练预测模型，得到优化的全态可听声范围内噪声及客观声品质的神经网络预测模型；

S7：通过预测模型预测车辆驾驶室内的噪声；

S8：通过数值计算预报车辆驾驶室内的全态声品质。

按上述方案，所述的步骤S1中，具体步骤为：若车辆为新能源车辆，新能源车辆的动力系统包括燃料电池和蓄电池；新能源车辆的燃料电池位于驾驶室后方，蓄电池位于前桥与后桥间两侧的位置，将若干个加速度传感器分别固定在燃料电池和蓄电池所在的位置。

按上述方案，所述的步骤S2中，具体步骤为：

设确认车速v_i、风速u_i的时间为t，通过MATLAB对t时间内的数据进行归一化处理；设V_i为归一化后的速度，min(v_i)为t时间内的最小速度，max(v_i)为 t时间内的最大速度，则归一化处理公式为：

进一步的，所述的步骤S2中，取t＝1分钟。

按上述方案，所述的步骤S3中，具体步骤为：

S31：建立有限元分析模型模拟车辆的正常驾驶工况，读取并连接有限元模型，设定初始滤波参数；

S32：读取步骤S2预处理后的数据并输入有限元模型；

S33：通过COMSOL对输入数据进行仿真和时频转换，并进行噪声分析；

S34：通过VA One步骤S33得到的数据进行噪声声压级分析，获取与布置在车辆驾驶室内的声级计相同位置的理论声压级数据LP_i。

进一步的，所述的步骤S3中，具体步骤为：在仿真过程中采用Nadam方法分别确定布置声级计和加速度传感器的最佳排列位置和数量。

进一步的，所述的步骤S4中，具体步骤为：

S41：将理论声压级数据LP_i区间化得到：

将车辆驾驶室内声压级数据lp_i区间化得到：

S42：设根据皮尔逊相关系数公式确定各区间化的噪声向量的输入系数：

r取值范围为[-1，1]，|r|越大，表明X与Y的相关性越大。

进一步的，所述的步骤S5中，具体步骤为：

S51：基于HSSA-BPNN算法建立可听噪声预测模型；

S52：对步骤S4得到的区间化的数据结果进行相关性分析，将区间化的车辆驾驶室内声压级数据乘以输入系数作为可听噪声预测模型的输入层数据，将对应的区间化的理论声压级数据/>作为可听噪声预测模型的输出层数据；

S53：输入层和隐藏层使用双曲正切S型传输函数；输出层使用softmax函数；设n₁为隐藏层神经元数，n为输入层神经元数，m为输出层神经元数， a∈[1，10]，则隐藏层个数为

进一步的，所述的步骤S6中，具体步骤为：

S61：设Y₁，Y₂......Y_N分别为预测点的区间化声压级数据，X_k1，X_k2......X_kN分别为区间化的车辆驾驶室内声压级数据将欧式距离{d₁，d₂，......d_n}按升序排序，选取前k(1＜kn)个样本作为预测模型的训练样本：

S62：通过基于Metropolis准则的梯度下降法训练预测模型，得到优化的、适用于燃料-蓄电池新能源车辆驾驶室的、全态可听声范围内噪声及客观声品质的神经网络预测模型。

进一步的，所述的步骤S6中，具体步骤为：

选取响度N、尖锐度S和心理声学烦躁度P_i作为评价车辆驾驶室的声品质的参数，将步骤S7得到的预测点的区间化声压级数据转换为客观声品质参数进行卡车驾驶室声品质预报。

本发明的有益效果为：

1.本发明的基于HSSA-BPNN模型的车辆全态声品质预报方法，利用传感器提供卡车驾驶工况数据，通过多软件联合分析获取驾驶室噪声信息，并根据区间化数据处理的方法，基于神经网络算法，建立可听声范围内噪声预测模型，通过数值计算的方法，实现了预报新能源汽车尤其是卡车驾驶室内的噪声和客观声品质的功能。

2.本发明解决了汽车的噪声源不确定且传递路径众多，而新能源汽车由于能源系统复杂，使得驾驶室内的噪声预报和评价十分困难的问题，完善了新能源汽车体验舒适度的评价方法。

跟已有的汽车驾驶室噪声预测方案相比，本发明不仅可以预报驾驶室内的噪声情况，还可以对其客观声品质展开评价；除此之外，本发明可以根据卡车的实时车况对驾驶室内的噪声及声品质展开可听声范围内的预报，提高了预报结果的准确性和时效性。

附图说明

图1是本发明实施例的流程图。

图2是本发明实施例的多软件联合仿真验证流程图。

图3是本发明实施例的神经网络模型图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

参见图1，本发明实施例的基于HSSA-BPNN模型的车辆全态声品质预报方法，包括以下步骤：

S1：选取车速v_i、风速u_i、卡车驾驶室内的声压级数据lp_i和动力系统的振动加速度a_i作为评价正常运行的卡车驾驶室噪声的参数；

根据上述控制对象的特征分别对应配置激光测速仪、风速仪器、声级计和加速度传感器的位置和数量；其中燃料-蓄电池新能源卡车的燃料电池位于驾驶室后方，蓄电池位于卡车前桥和后桥之间的两侧位置，将一定数量的加速度传感器分别置于燃料电池和蓄电池处；借助Nadam方法在仿真过程中确定传感器的最佳排列位置，确定位于卡车驾驶室内的布置一定数量的声级计的位置、燃料电池和蓄电池处同样数量的加速度传感器的位置。

S2：根据采集到的卡车上的各类信号数据展开数据预处理；

对新能源卡车上的各类信号数据展开数据预处理，将1分钟作为确认车速和风速的时间，对该时间内的数据进行归一化处理，归一化处理方式如下：

式中，V_i为归一化后的速度；min(v_i)为时间内的最小速度；max(v_i)为时间内的最大速度。

S3：参见图2，为了确保卡车的任意状态下的噪声数据的正确性，将采集到的实时的车速、风速、燃料电池和蓄电池的振动信号作为输入数据，通过 MATLAB、COMSOL及VA One进行多分析软件联合工作，进行卡车运行工况下的模拟运行仿真并进行时频转换，获取卡车驾驶室内声级计相同位置的全频段 (可听声)理论声压级数据。

S4：将采集到的控制对象工作状态的噪声信号作为预报方法的参考信号，并将声级计获得的噪声信号数据和多分析软件仿真获取的理论噪声数据区间化组成向量；

S41：将获得的理论声压级数据LP_i(i为声级计的数量)进行区间化，同理，将声级计的声压级数据进行区间化，/>声级计和理论声压级一一对应；

S42：根据皮尔逊相关系数公式，确定各区间化噪声向量的输入系数，系数确定公式如下：

式中，r取值区间在[-1，1]之间，|r|越大，表明X和 Y的相关性越大。

S5：参见图3，构建HSSA-BPNN模型即基于混合麻雀算法改进反向传播神经网络模型，对区间化的数据结果进行相关性分析，将各区间化声级计数据即获得的噪声向量(参考信号)乘以输入系数作为HSSA-BPNN模型的输入层数据，将与参考向量对应的声压级作为神经网络的输出层数据；

输入层和隐藏层使用双曲正切S型传输函数，输出层使用softmax函数；隐藏层个数为n₁为隐藏层神经元数，n为输入层神经元数，m为输出层神经元数，a∈[1，10]。

S6：将获得的卡车驾驶室理论声压级向量作为测试样本训练HSSA-BPNN模型，通过基于Metropolis准则的梯度下降法，得到最优化的、适用于燃料-蓄电池新能源卡车驾驶室的、全态可听声范围内噪声及客观声品质的神经网络预测模型；训练集的选取计算公式如下：

式中，Y₁，Y₂......Y_N分别为预测点的区间化声压级数据，X_k1，X_k2......X_kN为声级计的区间化声压级数据。将欧式距离{d₁，d₂，......d_n}升序排序，选取前k(1＜k n)个样本作为预测模型的训练样本。

S7：通过神经网络预测模型预测卡车驾驶室噪声。

S8：选取响度N、尖锐度S和心理声学烦躁度P_i作为评价卡车的声品质的参数，通过其物理意义与数学公式将最终所得的噪声参数转换为客观声品质参数，进行卡车驾驶室声品质预报。

响度的计算过程为：

(1)将中心频率f换算至临界频带率z：

(2)特征响度的计算公式：

式中：L_P为实际状态下，中心频率f对应的声压级；L_PTQ为安静状态下的听阈中，中心频率f对应的声压级，即等响曲线上各临界中心频率对应的听阈声压级。

(3)在0到24Bark上对N*(z)积分得总响度N，如公式所示：

尖锐度的计算过程为：

式中，g(z)为不同临界频带响度计权函数。

响度计权函数如公式(3.7)所示：

心理声学烦躁度的计算过程为：

将响度和尖锐度考虑进心理声学烦躁度的建立，在尖锐度小于1.75acum 时，其计算公式如下所示：

式中，P为心理声学烦躁度；N为噪声响度；S为噪声尖锐度。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：包括以下步骤：

S1：分别将i个激光测速仪、风速仪器、声级计和加速度传感器安装在车辆上，声级计安装在车辆驾驶室内，分别对应采集车辆在正常驾驶工况下的包括车速v_i、风速u_i、车辆驾驶室内声压级数据lp_i和动力系统振动加速度a_i的数据，作为评价正常驾驶工况下的车辆驾驶室噪声的参数；

S2：通过归一化方法对步骤S1采集到的数据进行预处理；

S3：建立有限元分析模型，通过对步骤S2预处理后的数据进行仿真分析获取驾驶室的理论声压级数据；

S4：将步骤S1采集到的车辆驾驶室内声压级数据lp_i作为参考信号，与步骤S3仿真得到的理论声压级数据LP_i分别进行区间化，并一一对应组成噪声向量；基于皮尔逊相关系数公式提取各区间化的噪声向量的输入系数；

S5：基于HSSA-BPNN算法建立预测模型；

S6：从区间化的车辆驾驶室内声压级数据中选取数据组成训练集，通过基于Metropolis准则的改进梯度下降法训练预测模型，得到优化的全态可听声范围内噪声及客观声品质的神经网络预测模型；

S7：通过预测模型预测车辆驾驶室内的噪声；

S8：通过数值计算预报车辆驾驶室内的全态声品质。

2.根据权利要求1所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S1中，具体步骤为：若车辆为新能源车辆，新能源车辆的动力系统包括燃料电池和蓄电池；新能源车辆的燃料电池位于驾驶室后方，蓄电池位于前桥与后桥间两侧的位置，将若干个加速度传感器分别固定在燃料电池和蓄电池所在的位置。

3.根据权利要求1所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S2中，具体步骤为：

设确认车速v_i、风速u_i的时间为t，通过MATLAB对t时间内的数据进行归一化处理；设V_i为归一化后的速度，min(v_i)为t时间内的最小速度，max(v_i)为t时间内的最大速度，则归一化处理公式为：

4.根据权利要求3所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S2中，取t＝1分钟。

5.根据权利要求1所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S3中，具体步骤为：

S31：建立有限元分析模型模拟车辆的正常驾驶工况，读取并连接有限元模型，设定初始滤波参数；

S32：读取步骤S2预处理后的数据并输入有限元模型；

S33：通过COMSOL对输入数据进行仿真和时频转换，并进行噪声分析；

S34：通过VA One步骤S33得到的数据进行噪声声压级分析，获取与布置在车辆驾驶室内的声级计相同位置的理论声压级数据LP_i。

6.根据权利要求2或5所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S3中，具体步骤为：在仿真过程中采用Nadam方法分别确定布置声级计和加速度传感器的最佳排列位置和数量。

7.根据权利要求5所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S4中，具体步骤为：

S41：将理论声压级数据LP_i区间化得到：

将车辆驾驶室内声压级数据lp_i区间化得到：

S42：设根据皮尔逊相关系数公式确定各区间化的噪声向量的输入系数：

r取值范围为[-1，1]，|r|越大，表明X与Y的相关性越大。

8.根据权利要求7所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S5中，具体步骤为：

S51：基于HSSA-BPNN算法建立可听噪声预测模型；

S52：对步骤S4得到的区间化的数据结果进行相关性分析，将区间化的车辆驾驶室内声压级数据乘以输入系数作为可听噪声预测模型的输入层数据，将对应的区间化的理论声压级数据/>作为可听噪声预测模型的输出层数据；

S53：输入层和隐藏层使用双曲正切S型传输函数；输出层使用softmax函数；设n₁为隐藏层神经元数，n为输入层神经元数，m为输出层神经元数，a∈[1，10]，则隐藏层个数为

9.根据权利要求8所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S6中，具体步骤为：

S61：设Y₁，Y₂……Y_N分别为预测点的区间化声压级数据，X_k1，X_k2……X_kN分别为区间化的车辆驾驶室内声压级数据将欧式距离{d₁,d₂,……d_n}按升序排序，选取前k(1<kn)个样本作为预测模型的训练样本：

S62：通过基于Metropolis准则的梯度下降法训练预测模型，得到优化的、适用于燃料-蓄电池新能源车辆驾驶室的、全态可听声范围内噪声及客观声品质的神经网络预测模型。

10.根据权利要求9所述的基于HSSA-BPNN模型的车辆全态声品质预报方法，其特征在于：所述的步骤S6中，具体步骤为：

选取响度N、尖锐度S和心理声学烦躁度P_i作为评价车辆驾驶室的声品质的参数，将步骤S7得到的预测点的区间化声压级数据转换为客观声品质参数进行卡车驾驶室声品质预报。