廖連瑩，潘繼郭，趙景波，左言言，廖旭暉，孟浩東

(1.常州工學(xué)院 汽車工程學(xué)院， 江蘇 常州 213032；2.江蘇大學(xué) 振動噪聲研究所， 江蘇 鎮(zhèn)江 212013)

0 引言

混合動力汽車(hybrid electric vehicle,HEV)較傳統(tǒng)內(nèi)燃機汽車，其車內(nèi)噪聲總體水平有所下降，但乘客對HEV車內(nèi)聲品質(zhì)的感受并沒有明顯改善[1]。在某些非穩(wěn)態(tài)工況下，HEV所產(chǎn)生的振動和噪聲，甚至?xí)尦丝透械礁皇娣?。因此分析HEV非穩(wěn)態(tài)工況下的車內(nèi)聲品質(zhì)特點，找出影響HEV車內(nèi)聲品質(zhì)的關(guān)鍵因素，并采取相應(yīng)的改進(jìn)措施，從而提升HEV的乘坐舒適性顯得尤其重要。對于車內(nèi)聲品質(zhì)的研究，大量學(xué)者從主觀評價方法、客觀評價模型和應(yīng)用上進(jìn)行了探究。如Gauthier等[2]分別利用最小絕對收縮和選擇算子(LASSO)，彈性網(wǎng)絡(luò)和逐步回歸3種算法構(gòu)建了聲品質(zhì)預(yù)測模型。通過比較，得到LASSO算法因具備有效控制評價參數(shù)數(shù)量，具有最準(zhǔn)確的預(yù)測結(jié)果和便于構(gòu)建評價模型等優(yōu)點，在3種算法中成為最適合建立聲品質(zhì)預(yù)測模型的一種算法。Duvigneau等[3]利用虛擬仿真的方法，建立了發(fā)動機聲品質(zhì)評價模型。高印寒針對汽車穩(wěn)態(tài)和非穩(wěn)態(tài)工況下，利用GA-BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)等方法建立內(nèi)燃機汽車車內(nèi)聲品質(zhì)評價模型，取得了較好的評價效果[4-5]。徐中明等[6-7]利用粒子群-向量機同樣對內(nèi)燃機汽車加速工況聲品質(zhì)進(jìn)行了研究，利用小波熵對汽車關(guān)門非穩(wěn)態(tài)聲品質(zhì)進(jìn)行了分析，驗證了小波熵更能準(zhǔn)確表征非穩(wěn)態(tài)聲信號的時頻特性。朱仝等[8]利用遺傳算法優(yōu)化的支持向量回歸方法對車內(nèi)穩(wěn)態(tài)噪聲進(jìn)行了聲品質(zhì)預(yù)測，提高了聲品質(zhì)模型的預(yù)測精度。黃海波等[9-11]用Adaboost算法，利用深度信念神經(jīng)網(wǎng)絡(luò)和GA-小波神經(jīng)網(wǎng)絡(luò)，建立了車內(nèi)聲品質(zhì)評價模型，對內(nèi)燃機汽車勻速工況車內(nèi)聲品質(zhì)進(jìn)行了預(yù)測，提升了車內(nèi)聲品質(zhì)預(yù)測精度。趙向陽等[12]利用FELMS算法，對內(nèi)燃機汽車勻速工況進(jìn)行了聲品質(zhì)研究，提高了車輛穩(wěn)態(tài)工況聲品質(zhì)預(yù)測精度。左言言等[13-15]對車輛聲品質(zhì)進(jìn)行主客觀綜合評價，依據(jù)心理聲學(xué)參數(shù)對聲品質(zhì)的影響程度，利用LSSVM和神經(jīng)網(wǎng)絡(luò)方法建立聲品質(zhì)評價模型，選擇穩(wěn)態(tài)工況對HEV車內(nèi)聲品質(zhì)進(jìn)行了預(yù)測，取得較好的評價效果。

從以上分析可以看出，既往對聲品質(zhì)的研究主要關(guān)注傳統(tǒng)內(nèi)燃機汽車或者新能源汽車的穩(wěn)態(tài)工況下的聲品質(zhì)評價，針對HEV非穩(wěn)態(tài)工況這種特殊工況的車內(nèi)聲品質(zhì)評價研究較少，所建立的評價模型是否適用于HEV非穩(wěn)態(tài)工況聲品質(zhì)評價還有待驗證。本文針對混合動力汽車原地?zé)釞C、緩加速、急加速、緊急制動、緩減速、滑行和變工況等非穩(wěn)態(tài)工況，利用參考語義細(xì)分法進(jìn)行主觀評價試驗。計算非穩(wěn)態(tài)工況聲品質(zhì)客觀參數(shù)，并進(jìn)行相關(guān)分析。建立利用粒子群算法(PSO)和遺傳算法(GA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)客觀評價模型。通過誤差對比，證明PSOGA-BP模型更適合進(jìn)行HEV非穩(wěn)態(tài)工況車內(nèi)聲品質(zhì)評價。

1 HEV車內(nèi)噪聲樣本采集與處理

1.1 試驗設(shè)備

本次試驗選擇某汽車公司的混聯(lián)式HEV車輛作為試驗用車。選用SQuadriga I便攜式聲音分析儀，用于采集車內(nèi)噪聲，為車內(nèi)噪聲特性分析及車內(nèi)聲品質(zhì)分析提供必要數(shù)據(jù)。選用汽車檢測儀AllScanner，通過與OBD-Ⅱ接口連接工作后，采集反映車輛運行狀態(tài)的各參數(shù)數(shù)據(jù)，如發(fā)動機轉(zhuǎn)速、油門踏板深度、MG1轉(zhuǎn)速及扭矩、MG2轉(zhuǎn)速及扭矩、SOC值等。

1.2 傳感器及安裝位置

試驗所用傳感器主要有Head Acoustics雙耳麥克風(fēng)、PCB麥克風(fēng)、轉(zhuǎn)速傳感器等。

麥克風(fēng)分別安裝在駕駛員、副駕駛及后排座椅乘員頭部附近，分別選取如圖1(a)的正駕駛右耳，如圖1(b)的副駕駛右耳和如圖1(c)的左后排乘客右耳3個位置為噪聲采樣點。

圖1 麥克風(fēng)車內(nèi)布置圖

1.3 試驗工況

本次試驗測試工況包括了HEV原地?zé)釞C、緩加速、急加速、急減速、緩減速、滑行和變工況等大部分非穩(wěn)態(tài)工況：

1) 原地?zé)釞C。分發(fā)動機低怠速和高怠速。

2) 緩加速。控制油門踏板開度小于50%，從車輛靜止加速到120 km/h。

3) 急加速。完全踩下油門踏板，從車輛靜止加速到120 km/h。

4) 急減速。完全踩下制動踏板，速度從120 km/h減到車輛完全停止。

5) 緩減速。輕踩制動踏板，速度從120 km/h減速到60 km/h。

6) 滑行。既不踩油門踏板，又不踩制動踏板，車輛利用慣性進(jìn)行滑行，從速度120 km/h減速到40 km/h。

7) 變工況。在20～60 km/h速度區(qū)間，短時間內(nèi)，進(jìn)行加速、減速、滑行等各工況的迅速轉(zhuǎn)換。

1.4 數(shù)據(jù)采集

試驗參照ECE R51和GB/T 18697—2002進(jìn)行，采樣頻率為44.1 kHz，噪聲樣本信號長度為30 s。試驗路段選擇郊區(qū)開闊地，周邊30 m內(nèi)無聲音反射物。分別采集試驗車輛在不同工況時噪聲樣本，每個工況測試2組數(shù)據(jù)。通過篩選，選擇測試效果較好的20組噪聲樣本作為后續(xù)分析樣本，并對20個樣本進(jìn)行5 s長度的截取，組成新噪聲樣本，總共28組，最終共得到84個噪聲樣本。

2 聲品質(zhì)主觀評價

2.1 評價試驗實施

聲品質(zhì)主觀評價方法有排序法、等級打分法、成對比較法、語義細(xì)分法、參考語義細(xì)分法等[16]。這些評價方法各有優(yōu)缺點，其中參考語義細(xì)分法是在語義細(xì)分法的基礎(chǔ)上優(yōu)化而來，其優(yōu)點之一就是適合樣本數(shù)較多的主觀評價試驗，本次HEV非穩(wěn)態(tài)工況聲品質(zhì)主觀評價試驗即采用此方法進(jìn)行。試驗選取15號樣本，即從65 km/h加速到100 km/h行駛工況下左后排乘客右耳處噪聲作為參考聲樣本。采用5級語義細(xì)分評價法，當(dāng)評價噪聲樣本與參考聲樣本一樣好時賦值為3分，比較好時賦值4分，好得多時賦值5分，較差時賦值2分，差得多時賦值1分。

本次主觀評價試驗人員選擇，在考慮統(tǒng)計學(xué)和聽音經(jīng)驗的基礎(chǔ)上，以及考慮HEV使用群體主要為年輕人的特點，選擇了20～40歲之間具有駕駛經(jīng)驗和一定聲學(xué)基礎(chǔ)的人員共計24名，男女比例3∶1。

通過24位評價者，利用參考語義細(xì)分法分別對84個噪聲樣本進(jìn)行評分，從評價結(jié)果來看，所有評價者評分都使用了滿刻度評分，即最低分打1分，最高分打5分。因評價者采用的刻度范圍一致，因此可以對評價結(jié)果直接進(jìn)行統(tǒng)計分析。利用幾何平均法對評價結(jié)果進(jìn)行處理后，得到84個噪聲樣本的主觀評價值如表1所示。

2.2 試驗數(shù)據(jù)可靠性分析

根據(jù)參考語義細(xì)分法評價結(jié)果的特征，正確可信度高的評價者的評價結(jié)果間存在較大的相關(guān)性。為檢驗聲品質(zhì)主觀評價結(jié)果的有效性，計算了所有評價者評價結(jié)果幾何平均與各評價者評價結(jié)果的相關(guān)系數(shù)，如表2所示。

表1 所有評價者主觀評價結(jié)果

表2 主觀評價結(jié)果相關(guān)系數(shù)

為使評價結(jié)果一致性相對較高，相關(guān)系數(shù)應(yīng)達(dá)到0.7～0.8以上。從表2可以看出，TP3、TP12、TP14和TP21 4位評價者的相關(guān)系數(shù)小于0.7，給以剔除，剔除后剩余20位評價者。對20位評價者的主觀評價結(jié)果再次進(jìn)行幾何平均計算，得到84個噪聲樣本的最終主觀評價值。

2.3 評價結(jié)果分析

為便于對聲品質(zhì)進(jìn)行評價，使用式(1)對以上聲品質(zhì)主觀評測結(jié)果進(jìn)行歸一化：

(1)

式中：X*為歸一化后的各聲音樣本分值；Xi為各聲音樣本主觀評價分值；Xmin為所有聲音樣本主觀評價最小分值；Xmax為所有聲音樣本主觀評價最大分值。各聲音樣本主觀評價分值如表3所示。

表3 聲音樣本主觀評價得分

3 客觀參數(shù)計算及相關(guān)性分析

3.1 客觀參數(shù)計算

聲品質(zhì)客觀參數(shù)是聲品質(zhì)客觀評價的基礎(chǔ)，本試驗選擇響度、音調(diào)度、AI指數(shù)、波動度、粗糙度、尖銳度、A聲壓級和聲壓級8個客觀參數(shù)，對84個噪聲樣本根據(jù)各客觀參數(shù)計算模型進(jìn)行計算，得到表4所示的客觀參數(shù)值。

表4 聲品質(zhì)客觀參數(shù)值

3.2 相關(guān)分析

為確定客觀參數(shù)與主觀評價結(jié)果之間的關(guān)系，利用Matlab軟件對兩者之間進(jìn)行相關(guān)分析。同時對不同工況下主觀評價結(jié)果與客觀參數(shù)相關(guān)性也進(jìn)行了計算分析，分析結(jié)果顯示急減速工況是個特殊的工況，其主觀評價結(jié)果與響度、AI指數(shù)、粗糙度、A聲壓級和聲壓級的相關(guān)性與其他工況的相關(guān)性呈相反狀態(tài)。在實際駕駛車輛時，急減速工況出現(xiàn)的概率較低，僅在緊急情況下才會發(fā)生，因此在研究HEV聲品質(zhì)評價時，剔除急減速工況聲樣本。對剩余的78個聲樣本重新進(jìn)行相關(guān)性分析，得到表5所示的結(jié)果。

表5 主觀評價值與客觀參數(shù)的相關(guān)系數(shù)

從表5可以看出，整個非穩(wěn)態(tài)工況主觀評價結(jié)果與客觀參數(shù)的相關(guān)性都不高，但除了音調(diào)度外，其他客觀參數(shù)在0.01水平上顯著相關(guān)?？紤]到聲壓級的相關(guān)性較低，因此在后續(xù)客觀評價模型建立時，只選擇響度、AI指數(shù)、波動度、粗糙度、尖銳度和A聲壓級6種客觀參數(shù)進(jìn)行建模。

4 PSOGA-BP預(yù)測模型建立

4.1 粒子群算法

通過評價者對混合動力汽車車內(nèi)聲品質(zhì)進(jìn)行評價，過程非常復(fù)雜，費時費力，評價結(jié)果受多種因素影響，因此建立一種聲品質(zhì)評價模型對聲品質(zhì)進(jìn)行評價是一種不錯的選擇?？紤]人耳對聲音感受，以及HEV非穩(wěn)態(tài)工況聲品質(zhì)均呈非線性，因此本文采用神經(jīng)網(wǎng)絡(luò)對聲品質(zhì)進(jìn)行預(yù)測。為使HEV聲品質(zhì)預(yù)測模型精度進(jìn)一步提高，同時避免遺傳算法(GA)算法收斂速度慢的缺點，在GA-BP模型的基礎(chǔ)上，引入收斂速度快的粒子群算法(PSO)，組成PSOGA混合算法，可以克服單種算法的局限性，實現(xiàn)優(yōu)勢互補。PSOGA算法具有更好的全局搜索最優(yōu)解的能力，在適應(yīng)度、收斂速度和預(yù)測精度上體現(xiàn)較大優(yōu)勢，從而提高了算法的綜合性能。

PSO屬于全局隨機搜索算法，通過一群粒子在空間里不斷調(diào)整自身位置Xi和速度Vi來搜尋最優(yōu)解。在這過程中，每個粒子可以尋得到一個最優(yōu)解，這個解叫作個體極值，用Pbest表示。將Pbest與其他粒子共享，把整個粒子群中最優(yōu)的Pbest作為全局最優(yōu)解，稱為全局極值，用Gbest表示。粒子群中的個體粒子再根據(jù)Pbest和Gbest調(diào)整Xi和Vi來得到全局最優(yōu)解[17-18]。

其中Xi和Vi的調(diào)整公式為

Xi+1=Xi+Vi+1

(2)

Vi+1=wVi+c1r1(Pbest-Xi)+c2r2(Gbest-Xi)

(3)

式中：w表示慣性權(quán)重因子；c1和c2表示學(xué)習(xí)因子，取值[0，2]；r1和r2表示隨機數(shù)，取值[0，1]。

PSO算法全過程為：粒子群初始化，粒子適應(yīng)度計算，尋找Pbest，尋找Gbest，更新粒子的Xi和Vi，輸出最終全局最優(yōu)解。

4.2 PSOGA-BP網(wǎng)絡(luò)建立

建立的PSOGA-BP網(wǎng)絡(luò)流程步驟如下：

1) 首先確定BP網(wǎng)絡(luò)結(jié)構(gòu)。為了便于把預(yù)測結(jié)果與BP和GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，此預(yù)測模型的BP網(wǎng)絡(luò)結(jié)構(gòu)選擇與它們一致，確定為6-6-1結(jié)構(gòu)。即把響度、AI指數(shù)、波動度、粗糙度、尖銳度、A聲壓級6個參數(shù)作為輸入層的6個節(jié)點，隱含層選擇6個節(jié)點，輸出層為聲品質(zhì)預(yù)測結(jié)果1個節(jié)點，如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測模型結(jié)構(gòu)示意圖

2) 初始化網(wǎng)絡(luò)及初始化粒子群，確定各參數(shù)值：染色體長度為49；種群規(guī)模為40；最大進(jìn)化代數(shù)為200；交叉概率為0.8；變異概率為0.07；最大慣性權(quán)重因子為0.9；最小慣性權(quán)值因子為0.4；學(xué)習(xí)因子為2。

3) 通過計算適應(yīng)度函數(shù)，搜索Pbest和Gbest，按規(guī)則對粒子群的Xi和Vi進(jìn)行更新。

4) 進(jìn)行粒子群的交叉操作。

選擇適應(yīng)度值較好的粒子，按照設(shè)定的概率，利用式(4)和式(5)位置交叉算子和速度交叉算子對第i個粒子速度和位置與第j個粒子速度和位置進(jìn)行交叉，對適應(yīng)度較優(yōu)的粒子重新放回粒子群進(jìn)行下一步操作。

(4)

(5)

式中：α和β表示[0，1]之間的隨機數(shù)。

5) 進(jìn)行粒子群的變異操作。

按照設(shè)定的概率選擇適應(yīng)度值較差的粒子，分別根據(jù)式(6)和(7)的位置變異和速度變異算子，對粒子的位置和速度進(jìn)行變異操作，將變異后的粒子重新放回粒子群。

(6)

(7)

式中：f(g)=r3(1-ei/emax)，ei為當(dāng)前迭代次數(shù)，emax為最大迭代次數(shù)，r1，r2，r3均為[0，1]之間隨機數(shù)。

6) 更新Pbest和Gbest。

7) 判斷PSOGA迭代運算是否滿足結(jié)束條件，滿足則輸出最優(yōu)權(quán)值和閾值，否則返回繼續(xù)對種群進(jìn)行初始化。

8) BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值更新。

9) 判斷BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練是否達(dá)到結(jié)束條件，如果不滿足，返回重新進(jìn)行權(quán)值閾值調(diào)整，并進(jìn)行訓(xùn)練；如果滿足，則訓(xùn)練結(jié)束。

PSOGA-BP算法流程如圖3表示。

圖3 PSOGA-BP算法流程框圖

4.3 聲品質(zhì)評價

利用圖3所示的PSOGA-BP算法，進(jìn)行混合動力汽車聲品質(zhì)客觀評價。選取歸一化處理的78個噪聲樣本中的70個噪聲樣本，實現(xiàn)對網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練結(jié)果如表6所示。

將剩余8個聲樣本的6種客觀參量，導(dǎo)入建立的PSOGA-BP神經(jīng)網(wǎng)絡(luò)評價模型中，計算得到此8個聲樣本的聲品質(zhì)客觀評價值及誤差，如表7所示。

從表7可以看出，PSOGA-BP聲品質(zhì)預(yù)測模型的預(yù)測結(jié)果與主觀測試結(jié)果較為吻合，誤差較小，說明PSOGA-BP預(yù)測模型可較精確地對HEV車內(nèi)聲品質(zhì)進(jìn)行預(yù)測。

表6 PSOGA-BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測模型權(quán)值與閾值

表7 PSOGA-BP聲品質(zhì)預(yù)測模型預(yù)測結(jié)果

5 聲品質(zhì)預(yù)測結(jié)果精度對比分析

為了驗證PSOGA-BP聲品質(zhì)預(yù)測模型的效果，把預(yù)測的8個聲樣本的聲品質(zhì)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型、GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，利用折線圖對預(yù)測結(jié)果進(jìn)行顯示，如圖4所示。

由圖4可以看出，3種聲品質(zhì)預(yù)測模型的8個噪聲樣本的預(yù)測結(jié)果均較接近于主觀評價值，其中PSOGA-BP聲品質(zhì)客觀評價模型，除樣本51外，其他樣本的預(yù)測值更加接近主觀評價值。為進(jìn)一步驗證PSOGA-BP聲品質(zhì)預(yù)測模型的精確度，把模型預(yù)測誤差分別與GA-BP和BP模型進(jìn)行對比，如圖5所示。

圖4 聲品質(zhì)預(yù)測模型預(yù)測值曲線

圖5 不同聲品質(zhì)評價模型預(yù)測誤差直方圖

從圖5可以看出，利用普通BP神經(jīng)網(wǎng)絡(luò)對HEV車內(nèi)聲品質(zhì)的預(yù)測誤差較大，最大達(dá)到21.22%。使用遺傳算法和粒子群算法優(yōu)化遺傳算法的GA-BP和PSOGA-BP模型進(jìn)行HEV聲品質(zhì)預(yù)測后，無論均方根誤差、平均相對誤差還是最大相對誤差都有所下降。特別是PSOGA-BP模型的均方根誤差僅有3.89%，最大誤差也只有12.72%。對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化后的PSOGA-BP模型結(jié)合了粒子群優(yōu)化和遺傳算法優(yōu)點，能顯著提高預(yù)測結(jié)果的精度，說明該模型適合運用于HEV車內(nèi)聲品質(zhì)預(yù)測。

6 結(jié)論

1) 選擇原地?zé)釞C、緩加速、急加速、緊急制動、緩減速、滑行和變工況等涵蓋HEV大部分非穩(wěn)態(tài)工況，進(jìn)行了車內(nèi)噪聲測試。采用參考語義細(xì)分法，較全面地評價了非穩(wěn)態(tài)工況HEV車內(nèi)聲品質(zhì)。評價結(jié)果表明HEV車內(nèi)聲品質(zhì)與車輛運行工況緊密相關(guān)。

2) 結(jié)合遺傳算法和粒子群算法，建立了PSOGA-BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測模型，預(yù)測結(jié)果顯示，均方根誤差僅為3.89%，平均相對誤差降到5.95%，最大誤差只有12.72%，優(yōu)于對比模型。說明PSOGA-BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測模型較適合用于非穩(wěn)態(tài)工況下的HEV車內(nèi)聲品質(zhì)預(yù)測。