SAI Jierhu，DAI Shengfang，DONG Aihua，MAIO Qingying

(College of Information Sciences and Technology，Donghua University，Shanghai 201620，China)

Sensor Fault Diagnosis of the Automobile Active Noise Control System Based on SVM and RBFN*

SAI Jierhu，DAI Shengfang，DONG Aihua*，MAIO Qingying

(College of Information Sciences and Technology，Donghua University，Shanghai 201620，China)

The normal operation of the automobile active noise control system depends on multiple sensors.Once there is any sensor failure，it will severely affect the noise reduction effect.In order to guarantee the automobile active noise control system’s performance，a sensor fault diagnosis system based on support vector machines(SVM)and radial basis function networks(RBFN)is put forward.The SVM model monitors sensor fault，meanwhile the RBFN models locate the fault sensor and reconstruct its signal based on the information redundancy between each sensor.Simulation results prove that the proposed diagnosis system could effectively diagnose any sensor fault in the automobile active noise control system as well as reconstruct fault sensor’s signal.Compared to the conventional automobile active noise control system，introducing the proposed diagnosis system provides higher reliability of noise reduction.Key words:fault diagnosis;signal prediction;support vector machines;radial basis function networks;signal reconstruction;automobile active noise control

隨著人們對(duì)汽車舒適性要求的日益提高，噪聲特性已成為衡量乘用車舒適性的重要指標(biāo)。主動(dòng)降噪技術(shù)是當(dāng)今汽車消噪技術(shù)的新趨勢(shì)。為了獲取噪聲特性，需在噪聲源及駕駛室內(nèi)安裝相關(guān)的噪聲檢測(cè)傳感器。這些傳感器一旦發(fā)生故障，可能會(huì)引起控制聲源的誤響應(yīng)而加劇噪聲。因此，對(duì)汽車主動(dòng)降噪系統(tǒng)中關(guān)鍵位置的傳感器進(jìn)行一定的故障檢測(cè)及信號(hào)重構(gòu)，是保證主動(dòng)降噪系統(tǒng)消噪性能的重要措施。

在傳感器故障診斷方法中，基于冗余技術(shù)的診斷方法應(yīng)用最為廣泛。文獻(xiàn)［1］利用BP神經(jīng)網(wǎng)絡(luò)逼近各傳感器間的冗余關(guān)系來進(jìn)行傳感器的故障診斷，文獻(xiàn)［2］則提出了一種基于兩級(jí)BP神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷方法，并將其應(yīng)用于水下航行器的主動(dòng)容錯(cuò)控制技術(shù)中。利用BP神經(jīng)網(wǎng)絡(luò)的非線性學(xué)習(xí)能力，通過預(yù)測(cè)傳感器信號(hào)的輸出，能在一定程度上實(shí)現(xiàn)傳感器的故障診斷，但當(dāng)學(xué)習(xí)樣本數(shù)較少時(shí)，由于不能保證預(yù)測(cè)精度，往往難以取得最佳的診斷效果。文獻(xiàn)［3－5］研究了基于支持向量機(jī)的傳感器故障診斷方法，雖然解決了小樣本學(xué)習(xí)問題，但當(dāng)學(xué)習(xí)樣本之間具有復(fù)雜的相關(guān)關(guān)系時(shí)，支持向量機(jī)模型往往難以體現(xiàn)這種復(fù)雜關(guān)系。

通過對(duì)現(xiàn)有的文獻(xiàn)研究發(fā)現(xiàn)，支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)相比，具有更強(qiáng)的泛化能力和對(duì)小樣本的學(xué)習(xí)能力［6－7］，而神經(jīng)網(wǎng)絡(luò)則具有更強(qiáng)的實(shí)時(shí)計(jì)算能力和對(duì)復(fù)雜關(guān)系的逼近能力。本文結(jié)合SVM與RBF神經(jīng)網(wǎng)絡(luò)各自的特性，基于主、從結(jié)構(gòu)的思想，利用SVM精確的預(yù)測(cè)性能進(jìn)行故障檢測(cè)，同時(shí)利用神經(jīng)網(wǎng)絡(luò)良好的逼近能力進(jìn)行冗余關(guān)系的逼近，實(shí)現(xiàn)故障定位與信號(hào)重構(gòu)。

1 汽車主動(dòng)降噪系統(tǒng)的構(gòu)成

主動(dòng)噪聲控制ANC(Active Noise Control)，也稱主動(dòng)降噪技術(shù)，主要是利用聲波的相消性干涉原理，人為發(fā)出與噪聲源(初級(jí)聲源)同頻率、同幅值、反相位的控制聲源(次級(jí)聲源)與噪聲源相干涉，從而實(shí)現(xiàn)降噪的目的［8］。根據(jù)結(jié)構(gòu)原理的不同，目前主動(dòng)降噪系統(tǒng)主要有前饋式、反饋式和混合式3種，其中前饋式應(yīng)用最為廣泛。前饋式主動(dòng)降噪系統(tǒng)［9］的構(gòu)成如圖1所示。

圖1 前饋式主動(dòng)降噪系統(tǒng)示意圖

參考傳感器用于獲取原始噪聲信號(hào)。汽車的主要噪聲源包括發(fā)動(dòng)機(jī)噪聲、底盤噪聲(即傳動(dòng)系噪聲)、車身噪聲等，其中發(fā)動(dòng)機(jī)噪聲占50%以上，包括燃燒噪聲、進(jìn)排氣噪聲等［10］。因此，參考傳感器一般安裝在發(fā)動(dòng)機(jī)表面、排氣管、底盤、車身等多個(gè)位置。由于各機(jī)械機(jī)構(gòu)之間的聯(lián)動(dòng)作用，各參考傳感器之間存在一定的信息冗余關(guān)系。誤差傳感器則用于獲取駕駛室內(nèi)部的殘余噪聲信號(hào)，一般安裝在駕駛員汽車座椅枕頭上或駕駛員與副駕駛兩座位中間。

對(duì)主動(dòng)降噪系統(tǒng)而言，只有各參考傳感器和誤差傳感器正常工作，才能獲得正確的初級(jí)噪聲數(shù)據(jù)與降噪反饋數(shù)據(jù)，從而保證降噪效果。一旦系統(tǒng)中某傳感器故障，將無法給ANC控制器傳遞準(zhǔn)確的測(cè)量信號(hào)，會(huì)導(dǎo)致主動(dòng)降噪系統(tǒng)工作異常，甚至加劇噪聲。

2 傳感器故障診斷系統(tǒng)的結(jié)構(gòu)

本文所設(shè)計(jì)的傳感器故障診斷系統(tǒng)，由一個(gè)支持向量機(jī)SVM(Support Vector Machines)預(yù)測(cè)模型和L個(gè)(L為參考傳感器個(gè)數(shù))徑向基神經(jīng)網(wǎng)絡(luò)RBFN(Radial Basis Function Networks)預(yù)測(cè)模型組成，針對(duì)單個(gè)傳感器故障，實(shí)現(xiàn)故障監(jiān)測(cè)、定位及信號(hào)重構(gòu)。SVM預(yù)測(cè)誤差傳感器的輸出，并與其實(shí)際輸出相比較來監(jiān)測(cè)系統(tǒng)中是否發(fā)生傳感器故障;各RBFN則通過逼近各參考傳感器間的冗余關(guān)系來預(yù)測(cè)各參考傳感器的輸出。一旦SVM監(jiān)測(cè)到系統(tǒng)中發(fā)生了傳感器故障，則將各RBFN的預(yù)測(cè)輸出與對(duì)應(yīng)參考傳感器的實(shí)際輸出相比較，定位出故障傳感器，并用對(duì)應(yīng)RBFN的預(yù)測(cè)輸出代替其實(shí)際輸出，實(shí)現(xiàn)故障傳感器的信號(hào)重構(gòu)。

2.1 SVM預(yù)測(cè)模型

SVM采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，泛化能力較強(qiáng)。用SVM建立誤差傳感器的預(yù)測(cè)模型，實(shí)際是利用其回歸學(xué)習(xí)的能力，擬合誤差傳感器輸出序列的預(yù)測(cè)函數(shù)f(x)［11］:

其中，xi表示i時(shí)刻誤差傳感器的輸出。樣本數(shù)據(jù)集按照表1所示的方式建立。

表1 SVM模型的訓(xùn)練樣本

用xi表示輸入樣本，yi表示輸出樣本，根據(jù)SVM理論，將樣本數(shù)據(jù)集{xi，yi}(i=1，2，…，N;xi∈Rk，yi∈R)通過一個(gè)非線性映射φ映射到高維特征空間，并在此空間構(gòu)造線性回歸函數(shù)［12］:

這里，w=［w1，w2，…，wN］為確定映射φ的權(quán)值向量，b為偏置值。對(duì)w和b的求解可歸結(jié)為如下的凸二次規(guī)劃問題:

其中，目標(biāo)函數(shù)的第1項(xiàng)使得回歸函數(shù)最為平坦，優(yōu)化這一部分能提高泛化能力;常數(shù)c＞0，為懲罰系數(shù)，表示對(duì)超出誤差ε樣本的懲罰程度;λi、λ*i為所引入的松弛變量，表示允許一定的擬合誤差。

此規(guī)劃問題的Lagrange對(duì)偶問題為:

其中，ai、是Lagrange因子，內(nèi)積運(yùn)算φ(xi)· φ(xj)可用滿足Mercer條件的核函數(shù)，如線性函數(shù)K(xi，xj)=xi·xj、多項(xiàng)式函數(shù)K(xi，xj)=(xi·xj+ 1)d、徑向基函數(shù)代替。在缺乏先驗(yàn)知識(shí)時(shí)，用徑向基核函數(shù)訓(xùn)練的SVM模型具有較好的總體性能［13］。

求解上述對(duì)偶問題，可得回歸函數(shù)為:

SV為支持向量集，此函數(shù)即所需的預(yù)測(cè)函數(shù)f(x)。

2.2 徑向基神經(jīng)網(wǎng)絡(luò)模型

RBFN是一個(gè)局部逼近網(wǎng)絡(luò)，與BP等其他神經(jīng)網(wǎng)絡(luò)相比，預(yù)測(cè)精度更高，學(xué)習(xí)速度更快［14］，因此本文采用RBFN逼近各傳感器之間的冗余關(guān)系。

每個(gè)網(wǎng)絡(luò)均3層，輸入層(L－1)·p個(gè)節(jié)點(diǎn)，輸出層1個(gè)節(jié)點(diǎn)。其中l(wèi)#RBFN的輸入為除l#參考傳感器外其余L－1個(gè)參考傳感器從時(shí)刻t－p到時(shí)刻t－1的實(shí)際輸出，輸出則為l#參考傳感器在時(shí)刻t的預(yù)測(cè)值。以1#RBFN為例，其結(jié)構(gòu)如圖2所示。

圖21 #傳感器的RBFN模型

經(jīng)過一定的訓(xùn)練后，1#RBFN可以掌握其余參考傳感器與1#傳感器之間的信息冗余關(guān)系，此后若1#參考傳感器出現(xiàn)故障，而2#－n#參考傳感器正常，就可用1#RBFN的輸出代替1#參考傳感器的輸出參與控制。

RBFN的輸入層和輸出層激活函數(shù)均為線性函數(shù)，隱層的激活函數(shù)φ則為高斯徑向基函數(shù):

r表示輸入向量，Gj表示第j個(gè)隱層神經(jīng)元的輸出; σj是第j個(gè)隱層神經(jīng)元基函數(shù)圍繞中心點(diǎn)的寬度;cj∈Rk表示第j個(gè)隱層神經(jīng)元的基函數(shù)中心;‖·‖是向量的歐氏范數(shù)，用于表示距離。高斯函數(shù)能對(duì)靠近函數(shù)中心的輸入產(chǎn)生較大的輸出，因此RBFN具有局部逼近能力。

輸出層的線性激活函數(shù)使得該層輸入到輸出直通，因而k時(shí)刻網(wǎng)絡(luò)的輸出為:

以x(k)表示k時(shí)刻對(duì)應(yīng)參考傳感器的實(shí)際輸出，可定義學(xué)習(xí)誤差函數(shù)為:

對(duì)RBFN的訓(xùn)練，采用隨機(jī)法選擇初始中心向量c、初始函數(shù)寬度σ和初始連接權(quán)值w，并按照梯度下降法，對(duì)中心向量、函數(shù)寬度及連接權(quán)值一起采用監(jiān)督訓(xùn)練:

(1)隱層到輸出層的連接權(quán)值w更新:

(2)隱層中心向量c調(diào)整:

(3)隱層函數(shù)寬度σ調(diào)整:

這里，j=1，2，…，m，η1、η2、η3為學(xué)習(xí)率。各RBFN同樣利用對(duì)應(yīng)參考傳感器正常工作時(shí)的輸出來訓(xùn)練，訓(xùn)練完成后，利用當(dāng)前更新的數(shù)據(jù)列不斷進(jìn)行在線學(xué)習(xí)。

3 故障診斷與信號(hào)重構(gòu)的實(shí)現(xiàn)過程

當(dāng)汽車主動(dòng)降噪系統(tǒng)正常工作時(shí)，SVM與RBFN的預(yù)測(cè)值與對(duì)應(yīng)傳感器的實(shí)際輸出值之間誤差應(yīng)很小。設(shè)SVM的誤差閾值為δSVM，各RBFN的誤差閾值為δRBF，則傳感器故障診斷與信號(hào)重構(gòu)的實(shí)現(xiàn)過程為:

(1)故障監(jiān)測(cè)過程

以誤差傳感器當(dāng)前時(shí)刻t前的k個(gè)輸出xt－k，xt－k+1，…，xt－1作為SVM模型的輸入，預(yù)測(cè)第k+1個(gè)輸出^xt，并與誤差傳感器的實(shí)際輸出xt比較，得到誤差δ:

①δ≤δSVM，無傳感器故障，以xt－k，xt－k+1，…，xt－1進(jìn)行新一的預(yù)測(cè)，依此類推;

②δ＞δSVM，發(fā)生傳感器故障，進(jìn)行故障定位與信號(hào)重構(gòu)。

(2)故障定位與信號(hào)重構(gòu)過程

在SVM監(jiān)測(cè)故障的同時(shí)，各RBFN也進(jìn)行在線學(xué)習(xí)。設(shè)各RBFN的預(yù)測(cè)輸出與對(duì)應(yīng)參考傳感器的實(shí)際輸出之間的誤差為δl(l=1，2，…，L):

①δl≤δRBF，l#參考傳感器未故障，l#RBFN繼續(xù)進(jìn)行在線學(xué)習(xí);

②δl＞δRBF，l#參考傳感器發(fā)生故障，則將l# RBFN的輸出代替l#參考傳感器的實(shí)際輸出，重構(gòu)其信號(hào);此時(shí)l#RBFN由于失去學(xué)習(xí)目標(biāo)而已無法在線學(xué)習(xí)，故障排除后才重新開始在線學(xué)習(xí);

③若對(duì)l=1，2，…，L均滿足δl≤δRBF，故障可能發(fā)生在誤差傳感器上，為進(jìn)一步排除控制信號(hào)本身造成的誤差，判斷連續(xù)幾個(gè)采樣周期內(nèi)SVM的預(yù)測(cè)誤差，若均滿足δ＞δSVM且δl≤δRBFl=1，2，…，L，證明誤差傳感器發(fā)生故障。

誤差傳感器發(fā)生故障時(shí)，SVM模型失去學(xué)習(xí)目標(biāo)，故障監(jiān)測(cè)系統(tǒng)將不能運(yùn)作，此時(shí)需立刻提示更換故障傳感器，以保證主動(dòng)降噪系統(tǒng)及其故障診斷系統(tǒng)的正常運(yùn)行。由于誤差傳感器安裝于駕駛室內(nèi)部的明顯位置，一方面其所處環(huán)境良好，發(fā)生故障的可能性較小，另一方面更換也十分方便。

4 仿真研究

仿真平臺(tái)為MATLAB2010b。取發(fā)動(dòng)機(jī)表面噪聲傳感器(1#)、排氣噪聲傳感器(2#)及車身噪聲傳感器(3#)作為參考傳感器。根據(jù)各噪聲源的頻段分布［15－16］，發(fā)動(dòng)機(jī)表面噪聲頻段約900 Hz～2 000 Hz，排氣噪聲頻段約200 Hz～1 000 Hz，車身噪聲頻段約5 Hz～300 Hz。由于發(fā)動(dòng)機(jī)表面噪聲與排氣噪聲直接取決于發(fā)動(dòng)機(jī)的振動(dòng)頻率，認(rèn)為發(fā)動(dòng)機(jī)表面噪聲與排氣噪聲近似線性相關(guān);車身噪聲一般取決于車速與路面平坦程度［16］，而車速又與發(fā)動(dòng)機(jī)的振動(dòng)頻率密切相關(guān)，因此認(rèn)為發(fā)動(dòng)機(jī)噪聲與排氣噪聲對(duì)車身噪聲也具有近似線性作用。為模擬這3種噪聲信號(hào)，首先利用一個(gè)高斯白噪聲序列通過一個(gè)帶寬900 Hz～2 000 Hz的Butterworth帶通濾波器來模擬發(fā)動(dòng)機(jī)表面噪聲;用這組序列生成一組與之線性相關(guān)的序列，經(jīng)帶寬200 Hz～1 000 Hz的濾波器來模擬排氣噪聲;將前兩組序列線性組合后疊加一個(gè)服從正態(tài)分布的隨機(jī)信號(hào)(模擬路面平坦程度對(duì)車身噪聲的影響)，經(jīng)帶寬5 Hz～300 Hz的濾波器來模擬車身噪聲。

駕駛室內(nèi)部的噪聲是各噪聲源消噪后的殘余噪聲，可用上述3組噪聲降幅后(降為原幅值的1/10)的序列相疊加來模擬。

4.1 各模型的預(yù)測(cè)性能

設(shè)置輸入樣本維數(shù)k=10，取模擬誤差噪聲的前400組數(shù)據(jù)進(jìn)行SVM模型訓(xùn)練。通過調(diào)整懲罰系數(shù)c與徑向基核函數(shù)寬度σ不斷改善模型的預(yù)測(cè)效果，最終取c=2，σ=1.1，能得到較高的預(yù)測(cè)精度。訓(xùn)練完成后，再取后200組數(shù)據(jù)進(jìn)行在線學(xué)習(xí)，可得到SVM模型在系統(tǒng)無傳感器故障時(shí)的預(yù)測(cè)性能如圖3所示。

圖3SVM模型的預(yù)測(cè)效果

3個(gè)參考傳感器對(duì)應(yīng)3個(gè)RBFN，時(shí)間序列長(zhǎng)度p取10，學(xué)習(xí)速率η1=η2=η3=1，網(wǎng)絡(luò)的搭建利用newrb()函數(shù)自動(dòng)完成。按照?qǐng)D2所示結(jié)構(gòu)，分別取對(duì)應(yīng)噪聲序列的前400組數(shù)據(jù)作為對(duì)應(yīng)網(wǎng)絡(luò)的訓(xùn)練輸入/輸出，3個(gè)網(wǎng)絡(luò)均訓(xùn)練完成后，再取對(duì)應(yīng)信號(hào)的后200組數(shù)據(jù)進(jìn)行在線學(xué)習(xí)。3個(gè)RBFN在無傳感器故障時(shí)的預(yù)測(cè)性能如圖4所示。

另外，為說明RBFN對(duì)逼近冗余關(guān)系的優(yōu)勢(shì)，以1#RBFN為例，與同樣結(jié)構(gòu)的SVM的預(yù)測(cè)效果進(jìn)行了對(duì)比，結(jié)果如圖5所示。

圖41 #～3#RBFN的預(yù)測(cè)效果

圖5SVM和RBFN對(duì)1#傳感器的預(yù)測(cè)效果比較

由圖3～圖5可見，正常情況下，各預(yù)測(cè)模型的輸出與對(duì)應(yīng)傳感器的實(shí)際輸出近乎重合，證明用預(yù)測(cè)輸出來表示傳感器實(shí)際輸出是可靠的。由于SVM對(duì)誤差傳感器進(jìn)行預(yù)測(cè)時(shí)精度較高，但對(duì)參考傳感器進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)精度比RBFN差很多。因此在設(shè)計(jì)檢測(cè)系統(tǒng)時(shí)，對(duì)參考傳感器用RBFN進(jìn)行預(yù)測(cè)，以保證預(yù)測(cè)精度;而對(duì)誤差傳感器則用SVM進(jìn)行預(yù)測(cè)，以降低運(yùn)算的耗時(shí)。

4.2 故障檢測(cè)與信號(hào)重構(gòu)

取δSVM=0.08 V，δRBF=1.0 V。假設(shè)在600 s時(shí)1#傳感器發(fā)生偏置故障，偏置量為1.5 V，此時(shí)SVM預(yù)測(cè)模型的預(yù)測(cè)誤差將變大。處理器一旦檢測(cè)到SVM的預(yù)測(cè)誤差超過δSVM，將立刻判斷3個(gè)RBFN的輸出誤差。圖6展示了1#RBFN的誤差變化，可以看到，從600 s之后1#傳感器的實(shí)際輸出偏離了正常情況下的輸出趨勢(shì)，但1#RBFN的預(yù)測(cè)輸出仍接近正常情況下的信號(hào)，從而導(dǎo)致預(yù)測(cè)誤差從600 s之后變大，并超過設(shè)定的閾值δRBF。此時(shí)處理器判斷1#RBFN傳感器發(fā)生故障，將1#傳感器的輸出切換為1#RBFN的預(yù)測(cè)輸出，實(shí)現(xiàn)故障傳感器的信號(hào)重構(gòu)。

圖61#傳感器故障時(shí)1#RBFN的預(yù)測(cè)誤差變化

圖7 展示了SVM模型的預(yù)測(cè)誤差變化情況，600 s時(shí)，由于1#傳感器發(fā)生偏置故障，SVM模型的預(yù)測(cè)誤差增大至超過閾值;當(dāng)對(duì)故障傳感器的信號(hào)進(jìn)行重構(gòu)后，SVM的預(yù)測(cè)誤差又回到小于閾值的情況。由圖可見，從發(fā)生故障到定位故障傳感器，再到故障傳感器的信號(hào)重構(gòu)，整個(gè)過程耗時(shí)極短。

圖7 信號(hào)重構(gòu)前后SVM預(yù)測(cè)誤差的變化

5 結(jié)束語

本文采用SVM預(yù)測(cè)模型與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)成的傳感器故障診斷系統(tǒng)，實(shí)現(xiàn)了汽車主動(dòng)降噪系統(tǒng)的主動(dòng)容錯(cuò)控制。仿真結(jié)果表明，本文所設(shè)計(jì)的傳感器故障診斷方法可有效實(shí)現(xiàn)汽車主動(dòng)降噪系統(tǒng)的傳感器故障診斷及信號(hào)重構(gòu)，從而在一定程度上實(shí)現(xiàn)汽車主動(dòng)降噪系統(tǒng)的容錯(cuò)控制，即使系統(tǒng)中的某些傳感器發(fā)生故障，也能保證主動(dòng)降噪系統(tǒng)的降噪性能。

［1］雷云濤.基于神經(jīng)網(wǎng)絡(luò)和冗余技術(shù)的傳感器檢測(cè)系統(tǒng)［J］.電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2013，25(3):158－161.

［2］高立娥，劉衛(wèi)東，張萍，等.基于兩級(jí)神經(jīng)網(wǎng)絡(luò)傳感器故障診斷與容錯(cuò)控制技術(shù)［J］.魚雷技術(shù)，2008，16(6):34－37.

［3］李業(yè)波，李秋紅，黃向華，等.航空發(fā)動(dòng)機(jī)傳感器故障與部件故障診斷技術(shù)［J］.北京航空航天大學(xué)學(xué)報(bào)，2013，39(9):1174－1180.

［4］吳堅(jiān)，趙陽，何睿.基于支持向量機(jī)回歸算法的電子機(jī)械制動(dòng)傳感器系統(tǒng)故障診斷［J］.吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2013，43 (5):1178－1183.

［5］馮志剛，張學(xué)娟.基于LS-SVM和SVM的氣動(dòng)執(zhí)行器故障診斷方法［J］.傳感技術(shù)學(xué)報(bào)，2013，26(11):1610－1616.

［6］王麗楊，劉治，趙之光，等.一種小樣本支持向量機(jī)控制器在兩足機(jī)器人步態(tài)控制的研究［J］.控制理論與應(yīng)用，2011，28(8): 1133－1144.

［7］劉東，葛運(yùn)建.基于SVM預(yù)測(cè)器的傳感器故障診斷與信號(hào)恢復(fù)研究［J］.傳感技術(shù)學(xué)報(bào)，2005，18(2):248－253.

［8］Jiang J G，Wang D F，Zeng Y，et al.Active Control of Vehicle Interior Noise Based on Selective Attenuation method［C］//2009 2nd International Conference on Information and Computing Science，ICIC.2009，3:157－160.

［9］陳道炯，馬瑞，單世寶，等.車內(nèi)多通道自適應(yīng)主動(dòng)降噪的研究［J］.汽車工程，2007，29(4):300－303.

［10］陳超，劉穎.汽車噪聲的分析與控制［J］.黑龍江交通科技，2007，12:111－113.

［11］Xie J H.Time Series Prediction Based on Recurrent LS-SVM with Mixed Kernel［J］.2009 Asia Pacific Conference on Information Processing，APCIP 2009，1:113－116.

［12］Liu B，Su H Y，Huang W H，et al.Temperature Prediction Control Based on Least Squares Support Vector Machines［J］.Control Theory and Applications，2004(4):365－370.

［13］劉威.基于支持向量機(jī)的城市空氣質(zhì)量時(shí)間序列預(yù)測(cè)模型探究［J］.電子測(cè)試，2013，20:44－46.

［14］羅新，牛海清，林浩然，等.BP和RBF神經(jīng)網(wǎng)絡(luò)在氣隙擊穿電壓預(yù)測(cè)中的應(yīng)用和對(duì)比研究［J］.電工電能新技術(shù)，2013，41 (4):66－69.

［15］黨媚.基于小波分析的汽車噪聲源識(shí)別［J］.中國(guó)新通信，2010:62－64.

［16］賈春來，于光.淺談汽車噪聲的主要因素及改進(jìn)措施［J］.2008，11:99－100.

賽吉爾呼(1988－)，男，碩士研究生，研究方向?yàn)闄z測(cè)與自動(dòng)化裝置，信號(hào)處理，tecsai@163.com;

戴盛芳(1989－)，女，碩士研究生，研究方向?yàn)橹悄芟到y(tǒng)，計(jì)算機(jī)控制，daidai_dsf@126.com;

董愛華(1970－)，女，副教授，碩士生導(dǎo)師，研究方向?yàn)闄z測(cè)與自動(dòng)化裝置，dongaihua@dhu.edu.cn;

苗清影(1976－)，女，高級(jí)工程師，上海交通大學(xué)繼續(xù)教育學(xué)院，研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)同步與控制，多層網(wǎng)絡(luò)建模與動(dòng)力學(xué)研究。

基于SVM和RBFN的汽車主動(dòng)降噪系統(tǒng)傳感器故障診斷*

賽吉爾呼，戴盛芳，董愛華*，苗清影
(東華大學(xué)信息科學(xué)與技術(shù)學(xué)院，上海201620)

汽車主動(dòng)降噪系統(tǒng)的工作依賴于多個(gè)噪聲傳感器，一旦傳感器發(fā)生故障，將嚴(yán)重影響降噪效果。為保證汽車主動(dòng)降噪系統(tǒng)的性能，提出了由支持向量機(jī)(SVM)預(yù)測(cè)模型和徑向基神經(jīng)網(wǎng)絡(luò)(RBFN)預(yù)測(cè)模型構(gòu)成的傳感器故障診斷系統(tǒng)，SVM模型判斷是否發(fā)生傳感器故障，RBFN模型則利用各傳感器間的信息冗余關(guān)系定位故障傳感器并對(duì)其信號(hào)進(jìn)行重構(gòu)。仿真結(jié)果表明，該診斷系統(tǒng)可有效實(shí)現(xiàn)汽車主動(dòng)降噪系統(tǒng)中的傳感器故障診斷及信號(hào)重構(gòu)。與傳統(tǒng)的汽車主動(dòng)降噪系統(tǒng)相比，引入傳感器故障診斷系統(tǒng)可保證更穩(wěn)定的降噪性能。

故障診斷;信號(hào)預(yù)測(cè);支持向量機(jī);徑向基神經(jīng)網(wǎng)絡(luò);信號(hào)重構(gòu);汽車主動(dòng)降噪系統(tǒng)

TP277;TP206

A

1004－1699(2014)04－0512－06

2013－12－25修改日期:2014－03－29

C:7230;7210 B;1295

10.3969/j.issn.1004－1699.2014.04.017

項(xiàng)目來源:國(guó)家自然科學(xué)基金青年基金項(xiàng)目(61304158)