基于GA-BP的混合動力汽車勻速工況聲品質預測模型

廖連瑩 左言言 周翔 孟浩東 廖旭暉 吳賽賽

摘要：為快速準確評價混合動力汽車車內聲品質，在分析BP神經網絡和遺傳算法（GA）特點的基礎上，利用遺傳算法對BP神經網絡的權值和閾值進行優化，從而建立GA-BP的混合動力汽車聲品質客觀評價模型。利用此模型進行混合動力汽車勻速工況車內聲品質預測后，把GA-BP模型預測結果與多元線性回歸模型和傳統BP神經網絡模型預測結果進行比較。對比結果顯示GA-BP模型預測結果精度最高。證明所建立的GA-BP聲品質預測模型的有效性，說明該模型較適用于混合動力汽車車內聲品質預測。

關鍵詞：混合動力汽車;聲品質;勻速工況;遺傳算法;BP神經網絡

中圖分類號：U467.1 文獻標志碼：A 文章編號：1674-5124（2019）05-0128-06

收稿日期：2017-09-03;收到修改稿日期：2017-11-16

基金項目：國家自然科學基金（51575238）;江蘇省博士后科研資助計劃資助項目（1601064C）

作者簡介：廖連瑩（1978-），男，福建長汀縣人，副教授，博士，主要從事車輛振動與噪聲控制研究。

0 引言

混合動力汽車雖然在振動與噪聲整體控制體現了一定的優勢，但由于結構的改變和工作方式的多樣性，在某些混合動力汽車上，車內聲品質反而有所下降，從而影響了乘坐的舒適性[1-2]。因此研究混合動力汽車車內聲品質的評價方法，改善混合動力汽車車內聲品質顯得尤為重要。在對車內聲品質的評價中，大多學者均采用主、客觀評價相結合的方式進行研究。如YOON J H等[3-4]運用多元統計分析方法，結合心理聲學參數，提出車內聲品質的馬氏距離算法，大幅提高了聲品質客觀量化模型的預測結果精度。Jaime A.Mosquera-S3nchez等[5]提出自適應控制方法處理多諧波干擾來提高汽車聲品質，此方法通過用Zwicker響度和聽覺粗糙度模型驗證，很好地評價和改善了汽車聲品質。王巖松等[6-7]基于人的聽覺感知和人工神經網絡建立汽車聲品質評價模型，該模型對分析和解決穩態和非穩態的汽車噪聲信號有較好的應用。徐中明等[8-9]運用成對比較法對發動機啟動時的聲樣本進行主觀評價實驗，引入煩惱度模型對主觀偏好性進行預測，并利用相關分析和回歸分析得到了雙耳響度和粗糙度是影響汽車發動機起動聲主觀偏好性評價的主要客觀參量的結論。黃海波等[10]利用Adaboost算法對內燃機汽車勻速工況下車內聲品質進行預測，提升了聲品質預測的準確度。對于新能源汽車車內聲品質的研究，胡騰等[11]利用回歸方法建立電動汽車聲品質評價模型并對聲品質進行了評價。

而對于混合動力汽車車內聲品質鮮有學者進行研究。本文就針對混合動力汽車勻速工況的車內聲品質進行了主、客觀評價研究。利用成對比較法進行主觀評價試驗，計算客觀參數，并進行相關分析。建立了利用遺傳算法（GA）優化的BP神經網絡聲品質預測模型，通過誤差對比，證明了GA-BP模型在評價混合動力汽車勻速工況車內聲品質具有較好的精確性。

1 勻速工況噪聲樣本采集與處理

1.1 噪聲信號采集

本次試驗依據GB/T18697-2002進行，選擇豐田普銳斯混合動力汽車作為試驗車輛。駕駛員、副駕駛及后排座椅分別安裝Head Acoustics雙耳麥克風和PCB麥克風，利用SQuadriga I便攜式聲音分析儀進行聲音樣本采集，如圖1所示。

采樣頻率為44.1kHz，噪聲樣本信號長度為10s。試驗路段選擇開闊地，周邊直徑30 m范圍內無聲音反射物。分別選擇混合動力汽車在市區常用的行駛車速：20，40，60km/h作為測試速度。每種速度工況又分別測試電機單獨驅動、發動機單獨驅動和混合驅動3種工況車內噪聲。每個測試點測試3組數據，通過聲音回放，從3組數據中選擇其中一組最優數據作為噪聲樣本，最終共得到27個噪聲樣本。

1.2 噪聲樣本預處理

為了盡可能使所測的噪聲樣本不受背景噪聲的影響，對所測的27個噪聲樣本用離散小波變換方法進行去噪處理。通過降噪處理后的噪聲樣本，利用ArtemiS中的Merge Editor把原每個los的噪聲樣本，截取為長度為5s的噪聲新樣本，作為最終進行聲品質分析的噪聲樣本。為方便對噪聲樣本的識別，對其進行編號，編號規則為前兩位數字代表車速，第3位字母代表噪聲位置：D為主駕駛，A為副駕駛，R為后排，第4位字母代表驅動工況：E為發動機單獨驅動，M為電機單獨驅動，H為混合驅動，噪聲樣本編號如表1所示。

2 主觀評價

2.1 評價實驗實施

聲品質主觀評價方法有排序法、成對比較法、等級打分法、語義細分法等[12]。這些評價方法各有優缺點，其中成對比較法評價簡單，便于操作，較適用于無經驗的評價者進行評價試驗。本次主觀評價試驗即采用成對比較法進行。試驗選擇24名聽力無障礙的在校研究生作為聽審團，其中男女比例為2：1。試驗時將表1的聲音樣本成對播放，對兩組聲音分別標記為A和B進行比較打分，當A比B好時A記2分，B記0分;當A和B差不多時，A和B各記1分;當A比B差時，A記0分，B記2分。

2.2 實驗數據可靠性分析

為保證主觀試驗結果的準確性和可靠性，以及相關一致性，采用Spearman等級相關系數進行評價結果的可靠性分析。通過Matlab軟件進行相關分析，得到24位評審團相關系數如表2所示。

為使評價結果一致性相對較高，相關系數應達到0.7～0.8以上[13]。由表2可知，有4位評價者的相關系數小于0.7，剔除，剩余20位評價者。

2.3 評價結果分析

將相關系數符合要求的20位評價者主觀評價結果進行計算，得到各聲音樣本分值，同時利用下式對其進行歸一化處理：

X^*=X_i-X_min/X_max-X_min其中X^*為歸一化后的各聲音樣本分值，X_i為各聲音樣本主觀評價分值，犬面為所有聲音樣本主觀評價最小分值，X_max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。

3 客觀參數計算及相關性分析

3.1 客觀參數計算

聲品質評價中的客觀參數即描述人們對噪聲主觀感受的客觀物理量，主要有：A計權聲壓級、響度、粗糙度、尖銳度、抖動度、AI指數、音調度和愉悅度等。結合混合動力汽車噪聲特性，利用HEAD軟件的ArtemiS12.0進行了A計權聲壓級、響度、粗糙度、尖銳度、抖動度、AI指數和音調度7個客觀參數的計算，計算結果見表4。

3.2 相關分析

為確定客觀參數與主觀評價結果之間的關系，利用Matlab軟件對兩者之間進行相關分析，分析結果如表5所示。

由表可知，響度、A計權聲壓級和尖銳度3個客觀參數與主觀評價相關性最高，特別是響度與主觀評價的相關系數達到了0.903。粗糙度和AI指數與主觀評價具有一定的相關性。抖動度和音調度與主觀評價幾乎沒有相關性。

4 GA-BP預測模型

通過評價者對混合動力汽車車內聲品質進行評價，過程非常復雜，費時費力，評價結果受多種因素影響，因此建立一種聲品質評價模型對聲品質進行評價是一種不錯的選擇?？紤]人耳對聲音感受呈非線性，因此本文采用神經網絡對聲品質進行預測。為提高預測精度，采用遺傳算法對神經網絡模型進行優化。

4.1 BP神經網絡

BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋網絡[14]，此網絡可實現給定的輸入輸出映射關系。BP神經網絡的主要特征就是通過輸人輸出樣本集對網絡的權值和閾值進行修正和學習。BP神經網絡包含輸入層、隱含層和輸出層，其中隱含層可以為一層或多層。圖2為只包含一個隱含層的BP神經網絡拓撲圖。

對于3層BP神經網絡，設輸入節點為xt，隱含層節點為y_j，輸出節點為z_k。輸入節點與隱含層節點間的網絡權值為w_ij，閾值為b_j，隱含層節點與輸出節點間的網絡權值為w_jk，閾值為b_k。當輸出節點的期望輸出為t_k時，可用式（2）～式（6）進行BP神經網絡模型計算。

隱含層節點的輸出為

y_j=f（∑_ix_iw_ij+b_j）=f（net_i）（2）式中：

net_i=∑_ix_iw_ij+b_j（3）

輸出節點的計算輸出為

z_k=f（∑_jy_jw_jk+b_k）=f（net_k）（4）式中：

net_k=∑_jy_jw_jk+b_k（5）

輸出節點的誤差為

E=1/2∑_k（t_k-z_k）²=1/2∑_k（t_k-f（∑_jf（∑_ix_iw_ij+b_j）+b_j）+b_k））²（6）

由于BP神經網絡自身收斂速度較慢，且在訓練過程中容易陷入局部較小值，為提高模型預測精度，本文利用遺傳算法對BP神經網絡權值和閾值進行優化。

4.2 遺傳算法

遺傳算法通過模擬生物進化和遺傳尋求最優解，該算法在神經網絡的優化上體現了較強的作用。遺傳算法主要通過種群的初始化、個體評價、選擇運算、交叉運算和變異運算得到下一代新種群，當計算達到設定代數時，系統將輸出最大適應度個體，系統優化結束。具體過程如下：

1）進行種群選擇和初始化，包括設置種群大小和最大進化代數。

2）進行個體適應度計算，個體遺傳下來的概率可以用適應度函數來表示，它決定著遺傳算法的優化方向。本文選擇的適應度函數f（i）為其中E（i）為網絡輸出值和期望值的誤差平方和，n為輸出節點數，y_j為輸出值，a_j為期望值。

3）在種群中選擇生命力較強的個體進行遺傳。

4）從種群中選擇兩個個體進行交配重組，從而產生新的優秀個體，此步關鍵參數為交叉概率。

5）選擇種群中個體基因，通過基因突變，產生新的更好個體，變異概率決定了變異運算結果。

本文利用遺傳算法對BP神經網絡的權值和閾值進行優化，優化所選用的運行參數如表6所示。

4.3 客觀評價模型建立

建立GA-BP模型對混合動力汽車勻速工況車內聲品質進行預測，其流程如圖3所示。

由圖可見，GA-BP模型是在傳統BP神經網絡的基礎上，利用遺傳算法對神經網絡的權值和閾值進行優化，利用優化后的權值和閾值進行BP網絡訓練，從而提高模型預測的精確性和準確度。具體建模過程為，BP神經網絡確定網絡后，隨機選取一個權值和閾值，GA對所選取的權值和閾值進行編碼，產生40個個體作為初始種群。種群確定后，選擇適應度函數計算個體適應度，之后按照表6設置的參數通過選擇運算、交叉運算和變異運算后產生新的種群。遺傳算法對新種群再次重復之前的運算過程，當循環次數達到設定的200次后，GA把優化后產生的新權值和閾值輸出給BP神經網絡。BP神經網絡按BP算法，利用1～18號噪聲樣本，實現對網絡的訓練。當訓練達到e^-4準確度要求后，即得到了預期的GA-BP神經網絡模型。

4.4 聲品質評價

將1924號聲樣本的響度、A計權聲壓級、尖銳度、粗糙度和AI指數5種客觀參量輸入到建立的GA-BP神經網絡評價模型中，得到聲品質預測值，如表7所示?？梢钥闯?，GA-BP聲品質預測模型的預測結果與主觀測試結果較為吻合，說明GA-BP預測模型可較精確地對混合動力汽車車內聲品質進行預測。

5 聲品質預測結果精度對比分析

為了驗證GA-BP聲品質預測模型的效果，建立了多元線性回歸模型和BP神經網絡模型，并與之進行比較。3種聲品質預測模型預測結果與主觀測試結果對比如表7所示，各模型預測誤差絕對值對比如表8所示。

由表7和表8可以看出，利用多元線性回歸模型對混合動力汽車勻速工況車內聲品質的預測誤差較大，最大達到363%，說明多元線性回歸方法不太適合混合動力汽車車內聲品質預測。而GA-BP模型對聲品質預測結果的平均相對誤差僅有3.7%，比傳統BP神經網絡模型的平均誤差10.5%小得多，說明通過遺傳算法優化后得BP神經網絡有效地提高了聲品質預測結果的精確度。

6 結束語

1）對混合動力汽車城市工況常用車速進行了勻速工況車內聲品質主觀和客觀評價試驗。通過相關分析，得到響度、A計權聲壓級、尖銳度、粗糙度和AI指數是影響主觀評價的客觀參數。

2）建立了基于GA算法優化的BP神經網絡混合動力汽車車內聲品質預測模型，并將預測結果與多元線性回歸預測模型及未優化的BP神經網絡預測模型預測結果進行比較，GA-BP預測結果準確度最高，說明GA-BP模型較適合用于混合動力汽車車內聲品質預測。

參考文獻

[1]趙彤航，盧炳武，曹蘊濤.混合動力轎車振動噪聲控制技術[J].吉林大學學報（工學版），2012，42（6）：1373-1377.

[2]LIAO L Y，ZUO Y Y，LIAO X H.Study on hybrid electricvehicle noise and vibration reduction technology[J].Advanced Materials Research，2013，764：141-148.

[3]JEONG J E，YANG I H，ABU A B，et al.Development of anew sound quality metric for evaluation of the interior noise ina passenger car using the logarithmic mahalanobisdistance[C]//Proceedings of the』nstitution of MechanicalEngineers，Part D：Journal of Automobile Engineering，2013，227（10）：1363-1376.

[4]YOON J H，YANG I H，JEONG J E，et al.Reliabilityimprovement of a sound quality index for a vehicle HVACsystem using a regression and neural network model[J].Applied Acoustics，2012，73：1099-1103.

[5]MOSQUERA-SANCHEZ J A，OLIVEIRA D，LEOPOLDO PR.A multi-harmonic amplitude and relative-phase controllerfor active sound quality control[J].Mechanical Systems andSignal Processin g，2013，45（2）：542-562.

[6]WANG Y S，SHEN G Q，GUO H，et al.Roughness modellingbased on human auditory perception for sound qualityevaluation of vehicle interior noise[J].Journal of Sound andVibration，2013，332：3893-3904.

[7]WANG Y S，SHEN G Q，XING Y F.A sound quality modelfor objective synthesis evaluation of vehicle interior noisebased on artificial neural network[J].Mechanical Systems andSignal Processing，2013，45（1）：255-266.

[8]徐中明，周小林，張芳，等.Moore響度在車內噪聲分析中的應用[J].振動與沖擊，2013，32（1）：169-173.

[9]徐中明，夏小均，賀巖松，等.汽車發動機啟動聲品質評價與分析[J].振動與沖擊，2014，33（11）：142-147.

[10]黃海波，李人憲，黃曉蓉，等.基于Adaboost算法的車內噪聲聲品質預測[J].汽車工程，2016，38（9）：1120-1125.

[11]胡騰，陸益民.電動汽車聲品質的評價分析及建模[J].汽車技術，2016（3）：26-30.

[12]鐘秤平，陳劍，汪念平.車內噪聲聲品質偏好性評價與分析實驗研究[J].汽車工程，2008，30（1）：40-43.

[13]毛東興.車內聲品質主觀評價與分析方法的研究[D].上海：同濟大學，2003.

[14]付曉明，王福林，尚家杰.基于多子代遺傳算法優化BP神經網絡[J].計算機仿真，2016，33（3）：258-263.

（編輯：商丹丹）