易子馗，譚建平，閆 濤

（中南大學(xué) 高性能復(fù)雜制造國家重點實驗室,長沙 410083）

基于BP神經(jīng)網(wǎng)絡(luò)的電機噪聲在線評價系統(tǒng)

易子馗，譚建平，閆 濤

（中南大學(xué) 高性能復(fù)雜制造國家重點實驗室,長沙 410083）

為有效甄別存在異常噪聲的車窗電機，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的車窗電機噪聲在線評價系統(tǒng)。由于現(xiàn)有客觀參量不能夠完全適用于車窗電機的噪聲評價，根據(jù)車窗電機噪聲特點提出了一種形如窗函數(shù)的加權(quán)因子用于修正尖銳度參量，并通過主客觀評價實驗優(yōu)化了心理聲學(xué)客觀參量。在此基礎(chǔ)上，以有效的客觀參量和物理參量為特征值，構(gòu)建使用附加動量法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類器，并最終建立了噪聲在線評價系統(tǒng)。測試結(jié)果表明，該系統(tǒng)對車窗電機噪聲的分類準(zhǔn)確率在90%以上，且與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)分類器相比，具有更高的準(zhǔn)確率和更少的耗時，可用于車窗電機噪聲的在線評價。

聲學(xué)；車窗電機噪聲；心理聲學(xué)參量；附加動量法；BP神經(jīng)網(wǎng)絡(luò)；在線評價系統(tǒng)

隨著汽車工業(yè)的快速發(fā)展，對于車內(nèi)環(huán)境舒適度的要求越來越高。車窗電機噪聲對車內(nèi)乘員的心理和生理均能產(chǎn)生不同程度的影響，導(dǎo)致汽車聲音品質(zhì)下降。因此，在車窗電機出廠前，需要對其噪聲進(jìn)行測試和分類評價。

控制噪聲的研究主要集中在噪聲分貝水平的降低。為了滿足法規(guī)和國標(biāo)的要求[1–2]，普遍應(yīng)用時頻分析方法。然而，這種傳統(tǒng)方法用于評價噪聲時并不能反映人的主觀感受的不足[3–5]，車窗電機生產(chǎn)廠往往采用人工聽診法對電機噪聲進(jìn)行檢測評價。但人工聽診法評價結(jié)果準(zhǔn)確率低、一致性差且不能適應(yīng)工廠生產(chǎn)節(jié)拍。因此有必要建立一種能夠準(zhǔn)確反映人的心理感受、具有高準(zhǔn)確性和一致性的全自動車窗電機噪聲分類在線評價系統(tǒng)?；谛睦砺晫W(xué)的噪聲評價方法考慮了人耳聽覺特性，能夠反映人對聲音的主觀感受，因而成為當(dāng)前噪聲控制領(lǐng)域的重要內(nèi)容[6–9]，并被有效地應(yīng)用于柴油機輻射噪聲、車內(nèi)噪聲等多種噪聲的預(yù)測、分類與評價中。因此，可以從心理聲學(xué)角度出發(fā)，對于常見的主要噪聲如齒輪噪聲、碳刷噪聲等建立有效的噪聲評價方法用于車窗電機噪聲評價。

典型的基于心理聲學(xué)的噪聲分類評價方法以客觀參量為特征值，通過構(gòu)建合理的分類模型來進(jìn)行分類評價。但是，目前常用的響度、尖銳度等客觀心理聲學(xué)參量通用性不足[10–11]。在車窗電機噪聲評價中，單純使用以上參量會導(dǎo)致：

① 計算結(jié)果不能準(zhǔn)確反映人們主觀感受、評價結(jié)果準(zhǔn)確率較低；

② 對于不同類型缺陷噪聲的區(qū)分效果有限。為實現(xiàn)有效的噪聲評價，一方面需根據(jù)車窗電機聲音信號特點對參量進(jìn)行修正，并以主觀評價實驗驗證其有效性；另一方面可借鑒傳統(tǒng)信號時頻分析方法，引入合適的物理聲學(xué)參量作為輔助。

同時，不同型號車窗電機結(jié)構(gòu)和物理參數(shù)存在差異導(dǎo)致噪聲特征不同。人為設(shè)置噪聲特征閾值的方式不能有效區(qū)分不同類型車窗電機噪聲，需要借助分類模型實現(xiàn)噪聲分類評價。常用的噪聲品質(zhì)評價模型大多基于線性回歸理論[12]，使用線性回歸模型得到定量的預(yù)測、分類和評價結(jié)果。但人對聲音的感知過程是一個非線性映射過程，因此使用線性回歸建立的分類模型精度很難達(dá)到理想精度要求。目前研究人員更多地從機器學(xué)習(xí)角度出發(fā)，使用神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）、支持向量機（SVM）等機器學(xué)習(xí)方法構(gòu)建分類模型用于噪聲的分類評價，并取得較好應(yīng)用效果[13–14]。

本文以某車窗電機生產(chǎn)廠生產(chǎn)數(shù)據(jù)為樣本，針對現(xiàn)有電機噪聲檢測方法不能完全反映人的主觀感受、而傳統(tǒng)心理聲學(xué)參量不能完全滿足車窗電機噪聲評價的現(xiàn)狀，根據(jù)車窗電機噪聲特點對傳統(tǒng)尖銳度參量進(jìn)行修正，提出一種以修正的客觀心理聲學(xué)參量為特征值、以使用附加動量法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)為分類器的車窗電機噪聲評價方法，并最終開發(fā)在線評價系統(tǒng)，應(yīng)用于電機的生產(chǎn)與檢測。

1 車窗電機噪聲分類評價原理

某車窗電機生產(chǎn)廠商的統(tǒng)計數(shù)據(jù)顯示，車窗電機的異常噪聲大致可分為碳刷-換向器噪聲、蝸桿-齒輪噪聲、軸承噪聲和間隙噪聲。其中，碳刷-換向器噪聲和蝸桿-齒輪噪聲為異常電機噪聲的主要類型，這兩類噪聲之和約占異常電機總數(shù)的94%。因此本文所研究的分類評價方法主要用于區(qū)分正常電機、碳刷-換向器噪聲電機和蝸桿-齒輪噪聲電機。

車窗電機噪聲分類評價方法建立流程可大致分為以下三個部分：

（1）獲取有效客觀心理聲學(xué)參量：

分別進(jìn)行客觀參量計算和主觀評價實驗，通過主客觀一致性分析得到可用于車窗電機噪聲評價的有效客觀心理聲學(xué)參量。

（2）物理聲學(xué)參量選擇：

選擇合適的物理聲學(xué)參量作為輸入，用于輔助客觀心理聲學(xué)參量來構(gòu)建電機噪聲分類評價模型。

（3）構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類評價模型：

以客觀心理聲學(xué)參量和物理聲學(xué)參量為輸入，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的電機噪聲分類評價模型。

2 車窗電機噪聲評價參量研究

2.1 主觀心理聲學(xué)評價方法

2.1.1 主觀評價方法選擇

主觀評價用于判斷電機噪聲給人們帶來的主觀感受是否可用客觀參量準(zhǔn)確描述，需要對大量樣本的多個聲音屬性進(jìn)行研究。根據(jù)文獻(xiàn)[20]中介紹的常用主觀評價方法，選擇語義細(xì)分法進(jìn)行主觀評價。

語義細(xì)分法提供一些極性化的形容詞作為評價標(biāo)準(zhǔn)，并設(shè)置若干個等級區(qū)間供評價者選擇。由于語義細(xì)分法在主觀評價時存在評價者評價標(biāo)尺不斷變化、評價者受心理預(yù)期影響不會選取極端值的缺點，導(dǎo)致評價結(jié)果一致性差、易集中在小范圍內(nèi)。在實驗設(shè)計時，使用帶有極端分值樣本的參考語義細(xì)分法，選擇參考樣本和各語義對的極端分值對應(yīng)樣本，評價過程中先回放參考樣本和極端分值樣本，再回放待評價樣本，根據(jù)評價語義對給出評價分值。

2.1.2 主觀評價實驗設(shè)計

在參考語義細(xì)分法的基礎(chǔ)上，本文進(jìn)行的主觀評價實驗流程可設(shè)計如下：

（1）樣本預(yù)處理：去除待評價聲音樣本中品質(zhì)較差的部分，設(shè)置樣本播放時長一致；

（2）選定評價人員與環(huán)境：車窗電機噪聲帶來的主觀感受是大多數(shù)駕駛員和乘客都比較在意的因素，因此評價人員選擇無聽力障礙的普通人；

（3）選取語義對：根據(jù)客觀參量對應(yīng)的主觀感受擬定評價者普遍接受的語義詞，作為主觀評價語義對；

（4）選取極端分值樣本：選擇參考語義細(xì)分法評價時極端分值對應(yīng)的樣本進(jìn)行主觀評價；

（5）進(jìn)行主觀評價實驗：使用帶有極端分值樣本的參考語義細(xì)分法進(jìn)行主觀評價實驗；

（6）評價結(jié)果篩選剔除：對于每個語義對，計算各評價者評價結(jié)果間相關(guān)系數(shù)，剔除與其他評價者評價結(jié)果相關(guān)系數(shù)較低的評價者；

（7）得到各語義對主觀評價結(jié)果：對于每個語義對，計算剔除后剩余評價結(jié)果的算術(shù)平均值，作為該語義對的主觀評價結(jié)果。

2.2 客觀心理聲學(xué)評價方法

2.2.1 響度計算

Zwicker模型通過計算每個臨界頻帶特征響度進(jìn)而求得總響度值。特征響度反映一個頻帶內(nèi)噪聲的響度，可通過激勵級E計算得到。式(1)為主響度計算公式。根據(jù)DIN 45631向主響度加入斜坡響度，即可構(gòu)成特征響度。

其中ETQ為安靜聽閾激勵級；E0是參考聲強為I0=10-12W/m2時的激勵級，為參考特征響度，當(dāng)其值為0.08時，s=0.5，k=0.23；當(dāng)其值為0.063 5時，s=0.25，k=0.25。激勵級E為經(jīng)過外中耳傳遞的特征頻帶聲壓級。

對特征響度在整個特征頻帶域內(nèi)積分，得到總響度N。

2.2.2 粗糙度和抖動度計算

粗糙度和抖動度用于描述噪聲的調(diào)制特性，當(dāng)調(diào)制頻率在20 Hz以下時，噪聲體現(xiàn)抖動度；反之則體現(xiàn)粗糙度。本文對噪聲的客觀評價中包含Zwicker響度參量計算，因而可選擇相應(yīng)的Zwicker粗糙度和抖動度模型進(jìn)行計算。

粗糙度的計算公式如下

其中R為粗糙度，fmod聲音信號的為調(diào)制頻率，為激勵級的變化量。

抖動度的計算公式如下

其中F為抖動度，fmod和ΔLE(z)的含義與粗糙度計算公式中相同。f0為調(diào)制基頻，f0=4 Hz。

2.2.3 針對車窗電機噪聲的尖銳度模型修正

尖銳度反映聲音尖銳刺耳的感受，根據(jù)Zwicker提出的尖銳度模型，能夠顯著體現(xiàn)出聲音在高頻段的較大能量。聲音尖銳度通過式（4）計算

其中S為尖銳度，N為總響度，C=0.11為比例系數(shù)，z為特征頻帶率，Ns為特征響度。g(z)為加權(quán)因子，常用的加權(quán)因子如式(5)。

根據(jù)式4計算出的尖銳度都存在尖銳度值與主觀感受不一致的問題，明顯存在尖銳刺耳聲音的噪聲電機樣本的尖銳度指標(biāo)與正常電機的基本一致，如圖1，正常電機的尖銳度結(jié)果完全在碳刷噪聲電機的尖銳度結(jié)果區(qū)間內(nèi)。因此需要根據(jù)車窗電機噪聲特點對Zwicker尖銳度模型進(jìn)行修正。

圖1 Zwicker尖銳度計算結(jié)果

Zwicker尖銳度計算模型如式(4)。從數(shù)學(xué)形式上理解該模型，可知尖銳度本質(zhì)上為聲音信號特征響度加權(quán)1階矩的數(shù)據(jù)標(biāo)準(zhǔn)化處理結(jié)果。其中標(biāo)準(zhǔn)化處理用于消除不同聲音樣本由于響度值不同帶來的差異，加權(quán)因子用于強調(diào)特征響度中對“尖銳刺耳”感受做出貢獻(xiàn)的成分。

選擇7個正常電機、15個碳刷-換向器噪聲電機、10個蝸桿-齒輪噪聲電機，對不同類別電機的特征響度Ns進(jìn)行分析。

首先計算所有電機聲音樣本的特征響度和響度，對每一樣本的特征響度作標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化處理方式如式(6)。

其中，令Ns'為標(biāo)準(zhǔn)化處理后的特征響度，Ns為特征響度，N為響度。

而后計算每一類別下各電機噪聲標(biāo)準(zhǔn)化特征響度的算術(shù)平均值，作為該類別電機噪聲的標(biāo)準(zhǔn)化特征響度。將三類電機噪聲的標(biāo)準(zhǔn)化特征響度作圖并分析，可知：由圖2中標(biāo)準(zhǔn)化特征響度曲線可見，在大約2 Bark～10 Bark（其中Bark為單位）的臨界頻帶率范圍內(nèi)，碳刷噪聲電機與齒輪噪聲電機的特征響度顯著高于正常電機，而在其它臨界頻帶時則不具有共性差異。

因此可假設(shè)碳刷噪聲和齒輪噪聲的尖銳刺耳特點是由2 Bark～10 Bark內(nèi)的差異所造成的。根據(jù)這一假設(shè)，式(4)－(6)中的加權(quán)因子無法滿足強調(diào)2 Bark～10 Bark內(nèi)特征響度對尖銳刺耳感受的貢獻(xiàn)。因此提出一種形如窗函數(shù)新的加權(quán)因子g(z)對尖銳度模型進(jìn)行修正，以強調(diào)這一成分對尖銳度的貢獻(xiàn)。通過主客觀評價實驗驗證這一修正的有效性和加權(quán)因子式(7)中整數(shù)a的取值。

圖2 正常電機與不同故障電機標(biāo)準(zhǔn)化特征響度對比圖

2.3 車窗電機噪聲解調(diào)分析

對于車窗電機噪聲的粗糙度計算需要調(diào)制頻率這一參量.同時，故障源往往對信號起到調(diào)制作用。因而，對車窗電機噪聲的解調(diào)不僅可用于粗糙度參量的計算，而且能獲取故障信息，有助于車窗電機的分類評價。

常用的解調(diào)方法為Hilbert解調(diào)法。Hilbert解調(diào)法首先求得原始信號的解析信號，而后對解析信號求包絡(luò)譜即可得到調(diào)制頻率。對32個車窗電機噪聲樣本進(jìn)行解調(diào)，得到調(diào)制頻率分布如圖3。

圖3 不同類型電機噪聲調(diào)制頻率分布

由圖3可以看出，正常電機的調(diào)制頻率在104 Hz到110 Hz之間，碳刷噪聲的調(diào)制頻率在82 Hz至 108 Hz之間，而齒輪噪聲的調(diào)制頻率在26 Hz至37 Hz之間，由此得到以下結(jié)論：

① 車窗電機噪聲的調(diào)制頻率均在20 Hz以上，噪聲體現(xiàn)粗糙度特征；

② 蝸桿-齒輪噪聲電機的調(diào)制頻率和其它兩種噪聲調(diào)制頻率差別較大，即調(diào)制頻率可作為一特征值用于辨識蝸桿-齒輪噪聲電機。

3 基于BP神經(jīng)網(wǎng)絡(luò)的車窗電機噪聲分類評價模型

3.1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)模型中，輸入前向傳遞，誤差反向傳播。根據(jù)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使得輸出值逐漸逼近期望值。BP神經(jīng)網(wǎng)絡(luò)的權(quán)值與閾值學(xué)習(xí)算法為梯度修正法，從網(wǎng)絡(luò)預(yù)測誤差的負(fù)梯度方向?qū)?quán)值與閾值進(jìn)行修正，當(dāng)誤差小于設(shè)定值，網(wǎng)絡(luò)訓(xùn)練結(jié)束。本文使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建分類器模型。

3.2 基于附加動量法的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)

由于BP神經(jīng)網(wǎng)絡(luò)算法是一種局部尋優(yōu)算法，因而在搜尋復(fù)雜非線性函數(shù)的全局極值時，可能由于陷入局部極值而訓(xùn)練失敗。同時，BP算法沒有先前經(jīng)驗的積累，學(xué)習(xí)過程慢。為克服這些問題，可利用附加動量來滑過局部極值，得到更好的訓(xùn)練效果。

附加動量法是在BP算法的基礎(chǔ)上，在每次權(quán)值閾值更新時，加上一項正比于前次權(quán)值閾值變化量的值，并根據(jù)BP算法產(chǎn)生新的權(quán)值閾值。采用附加動量法可使BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時從局部極小值中跳出，減少局部收斂的情況，同時提高收斂速度。以權(quán)值更新為例，帶附加動量的權(quán)值學(xué)習(xí)公式為

其中ω(k)、ω(k-1)、ω(k-2)為不同迭代次數(shù)時權(quán)值，α為動量學(xué)習(xí)率。

4 車窗電機噪聲分類評價實驗

4.1 主客觀一致性實驗

4.1.1 實驗?zāi)康?/p>

對FPC3 12V F00S1W2 014型車窗電機噪聲分別進(jìn)行主客觀評價，通過對評價結(jié)果進(jìn)行一致性分析篩選能夠準(zhǔn)確反映人們主觀感受的客觀心理聲學(xué)參量，同時確定修正尖銳度模型中加權(quán)因子的取值。

4.1.2 實驗條件

（1）樣本選擇與預(yù)處理：選取32個電機噪聲樣本，包含7個正常樣本、15個碳刷-換向器噪聲樣本、10個蝸桿-齒輪噪聲樣本。使用CoolEdit Pro 2.1軟件去除樣本中被人聲、設(shè)備運轉(zhuǎn)聲污染嚴(yán)重的片段。人聲、設(shè)備聲往往接近脈沖噪聲，而電機聲較平穩(wěn)，因此去除此類片段對整體不產(chǎn)生明顯影響。

（2）評價人員：選擇7名女性、10名男性評價者構(gòu)成評審團(tuán)，評審團(tuán)年齡為21～23歲，無聽覺疾病。

（3）軟件環(huán)境：實驗平臺為Microsoft Windows 10 64 bit下的Matlab R2014 b。其中，為規(guī)范主觀評價流程、便于數(shù)據(jù)處理，使用自主開發(fā)的Matlab GUI界面進(jìn)行參考語義細(xì)分法主觀評價，如圖4。

圖4 參考語義細(xì)分法主觀評價界面

（4）硬件環(huán)境：筆記本電腦硬件配置為：Intel (R)Core(TM)i5-3210M CPU，回放設(shè)備為1MORE耳機。

4.1.3 實驗步驟

（1）主觀評價：按照2.1.2節(jié)中設(shè)計的主觀評價流程開展主觀評價實驗，得到各評價者的主觀評價結(jié)果；計算評價者間相關(guān)系數(shù)，剔除表現(xiàn)不佳的評價者后對剩余評價者評價結(jié)果取算術(shù)平均值，即可得到主觀評價結(jié)果；

（2）客觀評價：對各樣本進(jìn)行客觀心理聲學(xué)參量計算，即可得到客觀評價結(jié)果；

（3）主客觀一致性分析：計算客觀評價結(jié)果和主觀評價結(jié)果間相關(guān)系數(shù)，以驗證客觀參量反映主觀感受時的有效性。

4.1.4 實驗結(jié)果分析

通過主客觀一致性實驗，可以判斷響度、尖銳度和粗糙度三個參量是否能夠準(zhǔn)確反映人的主觀感受。具體結(jié)果如下：

（1）主觀評價所得各評價者間評價結(jié)果相關(guān)系數(shù)如圖5－圖7，可見評價者對于粗糙度參量所反映的“嘈雜-清晰”語義對的主觀感受波動較大，如圖7。

根據(jù)評價者反饋，車窗電機噪聲“嘈雜”特征體現(xiàn)并不顯著，且評價者對齒輪噪聲是否體現(xiàn)“嘈雜”特征分歧較大。因而，本文認(rèn)為車窗電機“嘈雜”特性不明顯，因此不把粗糙度作為有效特征值。

圖5 響亮-柔和”語義對評價者間相關(guān)系數(shù)

圖6 “尖銳刺耳-沉悶”語義對評價者間相關(guān)系數(shù)

圖7 “嘈雜-清晰”語義對評價者間相關(guān)系數(shù)

（2）去除粗糙度參量后，響度和“響亮-柔和”語義對、修正后尖銳度和“尖銳刺耳-平順”語義對的相關(guān)系數(shù)如表1，響度可作為特征值反映主觀感受，修正后尖銳度在加權(quán)因子式中a=6時與主觀感受相關(guān)系數(shù)最高，可作為準(zhǔn)確反映主觀感受的特征值。

4.2 車窗電機分類評價模型對比實驗

4.2.1 實驗?zāi)康?/p>

本實驗用于測試基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的車窗電機噪聲分類器模型的有效性，并比較使用傳統(tǒng)BP算法的分類器模型和附加動量法改進(jìn)后的分類器模型在準(zhǔn)確率和耗時性方面的差異。

表1 主客觀評價相關(guān)系數(shù)

4.2.2 實驗條件

（1）樣本選擇和預(yù)處理：選取61個噪聲樣本構(gòu)成樣本庫，樣本庫包含23個正常電機樣本、28個碳刷-換向器噪聲電機樣本和10個蝸桿-齒輪噪聲電機樣本，使用最大最小法對樣本進(jìn)行數(shù)據(jù)預(yù)處理。

（2）分類器結(jié)構(gòu)：分類器為3-5-3型神經(jīng)網(wǎng)絡(luò)，即輸入層3個節(jié)點，代表響度、修正后尖銳度、調(diào)制頻率三個參量；輸出層3個節(jié)點，代表正常電機、碳刷-換向器噪聲電機、蝸桿-齒輪噪聲電機三種電機類型；隱含層節(jié)點數(shù)參考相關(guān)文獻(xiàn)，設(shè)定為5。

（3）軟件環(huán)境：實驗平臺為Microsoft Windows 1064 bit下的Matlab R 2014 b，使用自主編寫的Matlab腳本進(jìn)行分類器訓(xùn)練與測試。

（4）硬件環(huán)境：主客觀評價實驗在筆記本電腦上進(jìn)行，筆記本電腦硬件配置為：Intel(R)Core(TM) i5-3210 M CPU，4 GB RAM。

4.2.3 實驗結(jié)果分析

對比使用傳統(tǒng)BP算法和附加動量法的分類器模型分類準(zhǔn)確率和耗時，其中采用附加動量法的分類器模型動量學(xué)習(xí)率為0.01。為減少隨機誤差影響，每種分類器模型分別進(jìn)行5次訓(xùn)練與測試，結(jié)果如表2：

由表可知，使用傳統(tǒng)BP算法的分類器模型在5次訓(xùn)練測試中準(zhǔn)確率波動較大，且耗時較高；而使用附加動量法的分類器模型在5次訓(xùn)練中準(zhǔn)確率均保持在90%以上，且耗時相比傳統(tǒng)BP算法的分類器模型減少約0.3 s，表明了改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)分類器模型能夠更好地滿足需求。

5 系統(tǒng)實現(xiàn)

5.1 系統(tǒng)功能需求分析

（1）為實現(xiàn)電機異常噪聲診斷，系統(tǒng)設(shè)計要求包含：數(shù)據(jù)采集、心理聲學(xué)特征值提取、BP神經(jīng)網(wǎng)絡(luò)判斷分類、系統(tǒng)數(shù)據(jù)庫等功能的實現(xiàn)。

（2）系統(tǒng)需要具備：電機異常噪聲測試界面和分析界面。

表2 附加動量法與傳統(tǒng)BP算法在準(zhǔn)確率和耗時的比較

（3）檢測界面要求：操作簡單，界面簡潔，能夠?qū)崿F(xiàn)對電機異常噪聲的實時診斷，診斷時間滿足8 s生產(chǎn)節(jié)拍并且具有防漏檢功能。

（4）分析界面要求：能夠?qū)崿F(xiàn)樣本及參數(shù)調(diào)整，登陸信息及歷史數(shù)據(jù)庫信息添加、修改及刪除。

5.2 系統(tǒng)實現(xiàn)

系統(tǒng)提供了一個簡潔的電機異常噪聲檢測軟件操作平臺，使用者能夠在不具備故障診斷基礎(chǔ)的情況下，完成對電機異常噪聲的檢測，具有以下特點：

（1）實時性強，每4 s完成一次噪聲檢測；

（2）操作簡單，界面簡潔，除電機型號、故障類型、故障程度外，隱藏其它設(shè)置，防止誤操作；

（3）具備數(shù)據(jù)采集、存儲并對數(shù)據(jù)進(jìn)行實時分析、電機異常噪聲診斷以及數(shù)據(jù)管理等功能；

（4）檢測過程中設(shè)置進(jìn)度條；

（5）防漏判。當(dāng)電機檢測結(jié)果為存在異常噪聲時，系統(tǒng)彈出提示對話框，并鎖死系統(tǒng)，需按【開始】按鈕解除鎖死才能開始下次操作，防止由于使用者疏忽導(dǎo)致不合格電機出廠。

6 結(jié)語

（1）本文以FPC3 12V F00S1W 2014型車窗電機為研究對象，建立了能夠準(zhǔn)確反映主觀感受并用于車窗電機的噪聲客觀評價體系；

（2）基于附加動量法的BP神經(jīng)網(wǎng)絡(luò)改進(jìn)，構(gòu)建了有效的車窗電機噪聲分類器。測試結(jié)果顯示分類準(zhǔn)確率可達(dá)95%，具有較好的應(yīng)用價值。

（3）搭建了車窗電機異常噪聲的在線診斷系統(tǒng)，實時性強、操作方便，能夠有效應(yīng)用于生產(chǎn)制造現(xiàn)場。

參考方獻(xiàn)：

[1]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局.GB 10069.3-2008旋轉(zhuǎn)電機噪聲測定方法及限值第3部分：噪聲限值［S］.北京，2008.

[2]中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局.GBT 18697-2002聲學(xué)汽車車內(nèi)噪聲測量方法［S］.北京：2002.

[3]黃偉國.基于振動信號特征提取與表達(dá)的旋轉(zhuǎn)機械狀態(tài)監(jiān)測與故障診斷研究[D].武漢：中國科學(xué)技術(shù)大學(xué)，2010.

[4]嚴(yán)莉，張志誼，蔣偉康，等.汽車電機噪聲在線檢測技術(shù)的研究[J].汽車工程，2003，23(3)：269-271.

[5]HAI LIU.Sound quality prediction for engine-radiated noise[J].Mechanical Systems and Signal Processing.2015:277-287.

[6]UTE J.Meaning in the context of sound quality assessment [J].Acta Acustica United with Acustica,1999,85(5): 681-684.

[7]WINFRIED K.Sound quality evaluation in the product cycle[J].Acta Acustica United with Acustica,1997,83 (5):784-788.

[8]WANG Y S,SHEN G Q,XING Y F.A sound quality model for objective synthesis evaluation of vehicle interior noise based on artificial neural network[J].Mechanical Systems and Signal Processing,2014,45:255-266.

[9]TANG RONGJIANG.Prediction and control technology of sound quality evaluation in vehicle[D].Changchun: Jilin University,2013.

[10]ZHANG WEI,JIANG WEI-KANG.Identification of AbnormalIn-carNoiseBased on Psychoacoustics Analysis[J].Automotive Engineering:2003,25(6):603-605.

[11]JEONG UN-CHANG,KIM JIN-SU,JEONG JAE-EUN, et al.Development of a sound quality index for the wash cycle processoffront-loading washing machines considering the impacts of individual noise sources[J].AppliedAcoustics,2015,87:183-189.

[12]VAPNIK V N.The nature of statistical learning theory[J].Neural Networks IEEE Transactions on,1995,10(5): 988-999.

[13]TAN GANG-PING,WANG DENG-FENG,LI QIAN. Vehicle interior sound quality prediction based on back propagation neural network[J].Procedia Environmental Sciences,2011.11:471-477.

[14]肖玉飛.基于小波包熵與支持向量機的模擬電路故障診斷.湖南科技大學(xué)，2012.

[15]PHAM D T,KARABOGA D.Self-tuning fuzzy controller design using genetic optimisation and neural network modelling[J].Artificial Intelligence in Engineering, 1999,13(2):119-130.

[16]RICARDO PENNA LEITE,STEPHAN PAUL,SAMIR N Y GERGES.A sound quality-based investigation of the HVAC system noise of an automobile model[J].Applied Acoustics,2009,70:636-645.

[17]JIAO ZHONG-XING.The algorithm and realization of psychoacoustic metrics[D].Wuhan:Huazhong University of Science and Technology,2011.

[18]DIN45631－1991,Program for Calculating Loudness. Deutsche Industrie Normen.1991,03.

[19]ISO 532－1975 Acoustic-Method for calculating loudness level[S].

[20]MAO DONG-XING.Progress in sound quality research and application[J].TechnicalAcoustics,2007,26(1):159-164.

[21]ZWICKER E,FASTL H,WIDMANN U,et al.Program for calculating loudness according to DIN45631(ISO 532B)[J].Journal of the Acoustical Society of Japan, 1990,12(1):39-42.

[22]SUN HUIHUI.Research on Evaluation of vehicle sound quality based on GA-BP neural network[D].Changchun: Jilin University,2012.

[23]FASTL H,ZWICKER E.Psychoacoustics facts and models[M].Berlin Heidelberg New York:Springer,2007.

[24]ZHAO ZHONG-FENG,CHEN KE-AN.Objective evaluation approaches for noise based on zwicker theory [J].Audio Engineering,2005(12):68-70.

[25]TAO JIANXING,DING HOUMING,YANG SHENGMEI. Development and Application of Techniques forEvaluating Sound Quality ofAirconditioners[J].Journal of Vibration,Measurement& Diagnosis,2001(3):215-219.

[26]WANG NA,CHEN KE-AN.Application of specificloundness-based psychoacoustic features in automobile recognition[J].Audio Engineering,2006(6):34-36.

Analysis of an Online Evaluation System of Motor Noises based on BPNeural Network

YI Zi-kui,TAN Jian-ping,YANTao
(State Key Laboratory of High Performance Complex Manufacturing,Central South University, 410083 Changsha,China)

In order to realize the effective detection of the noise of window motors,an online evaluation system for window lift motor noise based on BP neural network is presented.Since the current objective parameters is not completely applicable to the window motor noise evaluation,a weighting factor similar to the window function is proposed for sharpness parameter correction according to the characteristic of the window lift motor noise.Through the subjective and objective evaluation experiments,the psychoacoustic objective parameters are optimized.On this basis,with the effective objective parameters and the physical parameters as the characteristic values,the BP neural network classifier with additional momentum method is constructed,and the online noise evaluation system is established.Test results show that the accuracy of the evaluation system for the window lift motor noise classification can be above 90%.In comparison with the traditional BP neural network classifier,this online evaluation system has higher accuracy and less time consuming.So,it is feasible for online evaluation of the window lift motor noises.

acoustics;window lift motor noise;psychoacoustic parameter;additional momentum method;BP neutral network;online evaluation system

U467.4+93；TM301.4+3；X839

：A

：10.3969/j.issn.1006-1335.2017.01.031

1006-1355(2017)01-0142-07

2016-07-10

易子馗（1983－），男，湖南省攸縣人，博士生，主要研究方向為故障診斷技術(shù)。E-mail:18692200622@163.com

譚建平，男，博士生導(dǎo)師。