電動(dòng)車動(dòng)力總成噪聲品質(zhì)粒子群-向量機(jī)預(yù)測(cè)模型

方源,章桐,3,陳霏霏,郭榮

(1.同濟(jì)大學(xué)新能源汽車工程中心,201804,上海;2.同濟(jì)大學(xué)汽車學(xué)院,201804,上海;3.同濟(jì)大學(xué)中德學(xué)院,201804,上海)

?

電動(dòng)車動(dòng)力總成噪聲品質(zhì)粒子群-向量機(jī)預(yù)測(cè)模型

方源1,2,章桐1,2,3,陳霏霏1,2,郭榮1,2

(1.同濟(jì)大學(xué)新能源汽車工程中心,201804,上海;2.同濟(jì)大學(xué)汽車學(xué)院,201804,上海;3.同濟(jì)大學(xué)中德學(xué)院,201804,上海)

為了實(shí)現(xiàn)電動(dòng)車動(dòng)力總成噪聲品質(zhì)的預(yù)測(cè),以某集中驅(qū)動(dòng)式電動(dòng)車為例,在考慮動(dòng)力總成輻射噪聲品質(zhì)頻域特性和已設(shè)立的敏感頻帶能量比這一客觀評(píng)價(jià)參數(shù)的基礎(chǔ)上進(jìn)行了心理聲學(xué)參數(shù),即響度、尖銳度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度等與主觀評(píng)價(jià)的相關(guān)性分析,由此建立了電動(dòng)車動(dòng)力總成噪聲品質(zhì)粒子群支持向量機(jī)預(yù)測(cè)模型,內(nèi)容涉及采用支持向量機(jī)建立噪聲品質(zhì)預(yù)測(cè)模型、利用粒子群優(yōu)化算法對(duì)向量基懲罰因子及核函數(shù)參數(shù)進(jìn)行優(yōu)化,最后驗(yàn)證了敏感頻帶能量比評(píng)價(jià)參數(shù)的有效性。研究結(jié)果表明:敏感頻帶能量比與主觀評(píng)價(jià)相關(guān)度達(dá)到0.946,可以較好地反映主觀感受;基于粒子群支持向量機(jī)的噪聲品質(zhì)預(yù)測(cè)模型的平均相對(duì)誤差和最大相對(duì)誤差分別為2.0%和6.7%,表明以敏感頻帶能量比作為輸入特征的粒子群優(yōu)化支持向量機(jī)模型,在電動(dòng)車動(dòng)力總成噪聲品質(zhì)的預(yù)測(cè)精度上優(yōu)于基于遺傳算法優(yōu)化及網(wǎng)格搜索優(yōu)化的預(yù)測(cè)模型。

電動(dòng)車動(dòng)力總成;噪聲品質(zhì);粒子群優(yōu)化;支持向量機(jī);敏感頻帶能量比

大量的聲學(xué)研究發(fā)現(xiàn),A計(jì)權(quán)聲壓級(jí)不能完全反映人對(duì)噪聲的主觀感受。在這種情況下,噪聲品質(zhì)這個(gè)現(xiàn)代噪聲研究的全新概念應(yīng)運(yùn)而生,它指出人對(duì)噪聲的感覺(jué)是受心理和生理因素的共同影響。

噪聲品質(zhì)的準(zhǔn)確預(yù)測(cè)是對(duì)產(chǎn)品聲學(xué)優(yōu)化設(shè)計(jì)的重要前提。噪聲品質(zhì)預(yù)測(cè)研究包括車內(nèi)噪聲[1-2]、柴油機(jī)噪聲[3-6]、齒輪聲[7]、喇叭聲[8]、關(guān)門聲[9]和胎噪[10]等。電動(dòng)車的出現(xiàn)引發(fā)了一些新的噪聲問(wèn)題:動(dòng)力總成的改變使噪聲源發(fā)生了變化,由此帶來(lái)了高階次噪聲;內(nèi)燃機(jī)掩蔽效應(yīng)的消失使得原來(lái)不被注意的聲音變得突兀。許雪瑩通過(guò)主觀評(píng)價(jià)研究認(rèn)為,電動(dòng)車的內(nèi)部噪聲評(píng)價(jià)方法不能簡(jiǎn)單地用傳統(tǒng)的A計(jì)權(quán)和頻譜,而是要結(jié)合心理聲學(xué)的評(píng)價(jià)方法,才能較為全面地進(jìn)行評(píng)價(jià)[11]。Okoshi發(fā)現(xiàn),聲品質(zhì)心理聲學(xué)參數(shù)更適用于分析電動(dòng)車噪聲特性,而且電動(dòng)車的聲場(chǎng)分布極不均勻[12]。目前對(duì)于電動(dòng)車噪聲品質(zhì)的研究還停留在試驗(yàn)階段[11-13],鮮有文獻(xiàn)基于電動(dòng)車存在的噪聲頻域特性和人類聽(tīng)覺(jué)系統(tǒng)對(duì)電動(dòng)車主要噪聲源之一的動(dòng)力總成的噪聲品質(zhì)進(jìn)行預(yù)測(cè)模型研究。

本文研究了主觀感受及電動(dòng)車動(dòng)力總成輻射噪聲的心理聲學(xué)特征,通過(guò)相關(guān)分析找出電動(dòng)車噪聲品質(zhì)主觀評(píng)價(jià)的主要心理聲學(xué)參數(shù),同時(shí)建立了支持向量機(jī)的動(dòng)力總成噪聲主、客觀預(yù)測(cè)模型,利用粒子群優(yōu)化算法對(duì)向量機(jī)模型參數(shù)進(jìn)行了優(yōu)化。通過(guò)分析有、無(wú)敏感頻帶能量比參數(shù)下噪聲品質(zhì)模型的預(yù)測(cè)精度,驗(yàn)證了作為電動(dòng)車動(dòng)力總成噪聲品質(zhì)客觀評(píng)價(jià)參數(shù)的敏感頻帶能量比的有效性。

1 電動(dòng)車噪聲高頻特性

人耳和大腦如何感知并處理聲音是心理聲學(xué)的研究范疇。心理聲學(xué)客觀評(píng)價(jià)參數(shù)可以定量地反映人對(duì)噪聲某一特征的主觀感受[5],包括響度、尖銳度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度等。

人對(duì)噪聲的主觀感受不僅與聲壓有關(guān),還與頻域特征有關(guān)。電動(dòng)車的聲壓級(jí)普遍低于傳統(tǒng)車,沒(méi)有了發(fā)動(dòng)機(jī)噪聲的掩蔽作用,很多原本并不顯著的噪音,且多為高頻噪聲越加顯著,而高頻噪聲特別容易引起駕、乘者焦躁[14]。

考慮電動(dòng)車噪聲品質(zhì)頻譜特性,建立了敏感頻帶能量比噪聲品質(zhì)客觀評(píng)價(jià)參數(shù),同時(shí)以與主觀評(píng)價(jià)相關(guān)性大于0.7的頻帶作為敏感頻帶,詳細(xì)內(nèi)容見(jiàn)文獻(xiàn)[15]。敏感頻帶能量比

(1)

式中:Ekm為敏感頻率帶上的能量;Ei為頻帶能量,i=1,2,…,30為頻帶編號(hào)。

2 噪聲品質(zhì)主、客觀評(píng)價(jià)

2.1 樣本采集及處理

在半消聲室內(nèi),采用聲學(xué)人工頭進(jìn)行電動(dòng)車動(dòng)力總成噪聲的采集試驗(yàn),采樣頻率為44 kHz,并通過(guò)電腦實(shí)時(shí)記錄試驗(yàn)工況。選取26個(gè)不同工況下的電動(dòng)車動(dòng)力總成噪聲樣本作為主觀評(píng)價(jià)樣本,且在軟件Artemis中截取所選聲樣本,用于主觀評(píng)價(jià)的樣本信號(hào)長(zhǎng)度為5 s。

2.2 主觀評(píng)價(jià)

在背景噪聲達(dá)標(biāo)的聽(tīng)審室內(nèi),采用專業(yè)聲卡和高保真耳機(jī)對(duì)電動(dòng)車動(dòng)力總成輻射噪聲進(jìn)行了主觀評(píng)價(jià)試驗(yàn)。試驗(yàn)中將等級(jí)評(píng)分法和語(yǔ)義細(xì)分法相結(jié)合,評(píng)價(jià)者對(duì)聽(tīng)到的噪聲樣本的焦躁程度進(jìn)行打分,分值為1～10表示從悅耳到極度焦躁的變化。試驗(yàn)選取了21名評(píng)價(jià)者,其中男性15名、女性6名,均為車輛工程專業(yè)的研究生。試驗(yàn)前對(duì)評(píng)價(jià)者進(jìn)行了聲品質(zhì)基礎(chǔ)知識(shí)和試驗(yàn)內(nèi)容的相關(guān)培訓(xùn),以確保主觀評(píng)價(jià)的正確性。使用軟件Artemis計(jì)算各噪聲樣本的心理聲學(xué)客觀評(píng)價(jià)參數(shù)值,通過(guò)Matlab編程計(jì)算了敏感頻帶能量比,部分結(jié)果如表1所示。

2.3 相關(guān)性分析

相關(guān)系數(shù)可以反映兩個(gè)變量之間關(guān)系的密切程度,計(jì)算式為

表1 噪聲樣本主、客觀評(píng)價(jià)結(jié)果

表2 噪聲品質(zhì)與客觀參數(shù)的相關(guān)性

3 粒子群-向量機(jī)預(yù)測(cè)模型

3.1 向量機(jī)基本原理

設(shè)訓(xùn)練樣本集T={xi,yi},其中xi∈Rn,yi∈Rn,通過(guò)非線性映射可將數(shù)據(jù)X映射到高維特征空間F中,并構(gòu)造最優(yōu)決策函數(shù)

f(x)=wφ(x)+b,φ:Rn→F,w∈F

(2)

基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則,引入松弛因子ξ和ξ*,將式(2)轉(zhuǎn)化為如下優(yōu)化問(wèn)題[16]

(3)

(4)

由式(3)、式(4)可得優(yōu)化問(wèn)題的對(duì)偶問(wèn)題,即

(5)

(6)

通過(guò)二次規(guī)劃算法可得支持向量機(jī)回歸預(yù)測(cè)模型

(7)

式中:K(xi,x)=φ(xi)φ(x)為核函數(shù)。

本文采用了徑向基核函數(shù)

K(xi,x)=exp(-g‖xi-x‖2)

3.2 粒子群優(yōu)化

在尋優(yōu)過(guò)程中,粒子通過(guò)每次的迭代得到2個(gè)最優(yōu)解后進(jìn)行自我更新,一個(gè)是個(gè)體最優(yōu)解Spbest,另一個(gè)是全局最優(yōu)解Sgbest。粒子的迭代式為[17]

粒子群中每個(gè)粒子都對(duì)應(yīng)著支持向量機(jī)的懲罰因子C和核函數(shù)參數(shù)G,以每個(gè)粒子學(xué)習(xí)預(yù)測(cè)的錯(cuò)誤率作為該粒子的適應(yīng)值,并根據(jù)當(dāng)前的局部最優(yōu)解和全局最優(yōu)解判斷算法是否停止迭代。

3.3 噪聲品質(zhì)粒子群-向量機(jī)模型預(yù)測(cè)

支持向量機(jī)預(yù)測(cè)模型以表1所示的噪聲樣本的心理聲學(xué)客觀評(píng)價(jià)參數(shù)作為輸入,將26組噪聲樣本集分為訓(xùn)練組和測(cè)試組,其中1～20組作為訓(xùn)練組樣本,用于估計(jì)C、G,21～26組作為測(cè)試組樣本,用于預(yù)測(cè)噪聲品質(zhì)的主觀評(píng)價(jià)值。粒子群優(yōu)化適應(yīng)度是優(yōu)化結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn),圖1為c1=1.5、c2=1.7時(shí)不同迭代次數(shù)下的適應(yīng)度值。優(yōu)化后的C、G最優(yōu)取值分別為9.62和0.98。

圖2為預(yù)測(cè)模型對(duì)電動(dòng)車動(dòng)力總成前20組噪聲樣本主觀評(píng)價(jià)值的擬合曲線。數(shù)據(jù)擬合的最小相對(duì)誤差為0.003,最大相對(duì)誤差為0.286,表明該模型具有較好的擬合能力。

圖1 c1=1.5、c2=1.7時(shí)不同迭代次數(shù)下的適應(yīng)度曲線

3.4 預(yù)測(cè)結(jié)果分析

噪聲品質(zhì)預(yù)測(cè)值的相對(duì)誤差是預(yù)測(cè)準(zhǔn)確性的綜合評(píng)價(jià)指標(biāo),其計(jì)算式為

式中:Q為實(shí)際噪聲品質(zhì)主觀評(píng)價(jià)值;Q′為估計(jì)得到的噪聲品質(zhì)主觀評(píng)價(jià)值。

圖2 預(yù)測(cè)模型對(duì)電動(dòng)車動(dòng)力總成前20組噪聲樣本主觀評(píng)價(jià)的擬合曲線

本文對(duì)基于粒子群優(yōu)化算法的支持向量機(jī)回歸模型(PSO-SVM)、基于網(wǎng)格搜索法模型(GS-SVM)和基于遺傳算法優(yōu)化的支持向量機(jī)回歸模型(GA-SVM)的準(zhǔn)確性進(jìn)行了比較,各模型對(duì)電動(dòng)車動(dòng)力總成噪聲品質(zhì)的主觀評(píng)價(jià)預(yù)測(cè)值見(jiàn)表3。由表3可以看出,各模型估計(jì)誤差都在10%以下,其中PSO-SVM模型的預(yù)測(cè)精度最優(yōu),平均相對(duì)誤差和最大相對(duì)誤差分別為2.0%和6.7%,表明該模型具有較強(qiáng)的泛化能力。對(duì)比各模型的預(yù)測(cè)結(jié)果發(fā)現(xiàn),采用粒子群進(jìn)行參數(shù)尋優(yōu)后所建立的模型,其預(yù)測(cè)能力明顯優(yōu)于基于傳統(tǒng)網(wǎng)格搜索法和遺傳算法的優(yōu)化模型。

表3 測(cè)試樣本的預(yù)測(cè)結(jié)果

3.5 敏感頻帶能量比的影響

為了進(jìn)一步驗(yàn)證敏感頻帶能量比作為客觀評(píng)價(jià)參數(shù)對(duì)噪聲品質(zhì)預(yù)測(cè)的有效性,對(duì)模型輸入?yún)?shù)中有、無(wú)敏感頻帶能量比的主觀評(píng)價(jià)值進(jìn)行了分析,以獲取它們對(duì)噪聲品質(zhì)模型預(yù)測(cè)結(jié)果的影響。從圖3及表4中可以看出,相對(duì)有敏感頻帶能量比的模型,無(wú)敏感頻帶能量比模型(NS-PSO-SVM)的預(yù)測(cè)結(jié)果平均相對(duì)誤差為9.4%,最大相對(duì)誤差為17.8%,均方差為0.010,可見(jiàn)該預(yù)測(cè)模型的精度降低明顯,表明敏感頻帶能量比在電動(dòng)車動(dòng)力總成噪聲品質(zhì)客觀評(píng)價(jià)方面是有效的。

圖3 有、無(wú)敏感頻帶能量比的噪聲品質(zhì)模型預(yù)測(cè)結(jié)果對(duì)比

表4 2種噪聲品質(zhì)模型預(yù)測(cè)誤差

4 結(jié) 論

(1)針對(duì)電動(dòng)車動(dòng)力總成輻射噪聲進(jìn)行了噪聲客觀心理參數(shù)與主觀偏好性間的相關(guān)性分析,發(fā)現(xiàn)敏感頻帶能量比的相關(guān)系數(shù)達(dá)到了0.946,優(yōu)于其他的心理聲學(xué)參數(shù),說(shuō)明敏感頻帶能量比在一定程度上可以較好地反映電動(dòng)車動(dòng)力總成噪聲品質(zhì)。

(2)基于支持向量機(jī)建立了噪聲品質(zhì)預(yù)測(cè)模型,利用粒子群優(yōu)化算法對(duì)向量基懲罰因子及核函數(shù)參數(shù)進(jìn)行了優(yōu)化。該模型的預(yù)測(cè)結(jié)果的平均相對(duì)誤差和最大相對(duì)誤差分別為2.0%和6.7%,預(yù)測(cè)精度優(yōu)于基于遺傳算法及網(wǎng)格搜索法優(yōu)化的支持向量機(jī)預(yù)測(cè)模型。

(3)通過(guò)對(duì)比模型輸入?yún)?shù)中有、無(wú)敏感頻帶能量比的預(yù)測(cè)結(jié)果發(fā)現(xiàn),無(wú)敏感頻帶能量比的平均相對(duì)誤差為9.4%,最大相對(duì)誤差為17.8%,均方差為0.010,說(shuō)明敏感頻帶能量比可以表征電動(dòng)車動(dòng)力總成的噪聲品質(zhì)。

[1] 申秀敏, 左曙光, 韓樂(lè), 等. 基于支持向量機(jī)的車內(nèi)噪聲聲品質(zhì)預(yù)測(cè) [J]. 振動(dòng)、測(cè)試與診斷, 2011(1): 55-58. SHEN Xiumin, ZUO Shuguang, HAN Le, et al. Interior vehicle noise quality prediction using support vector machines [J]. Journal of Vibration, Measurement & Diagnosis, 2011(1): 55-58.

[2] 高印寒, 唐榮江, 梁杰, 等. 基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的車內(nèi)噪聲品質(zhì)評(píng)價(jià)系統(tǒng) [J]. 吉林大學(xué)學(xué)報(bào): 工學(xué)版, 2012, 42(6): 1378-1383. GAO Yinhan, TANG Rongjiang, LIANG Jie, et al. Vehicle interior noise sound quality evaluation system based on RBF neural network [J]. Journal of Jilin University: Engineering and Technology Edition, 2012, 42(6): 1378-1383.

[3] 孟祥德, 張俊紅, 李立順, 等. 基于回歸分析的車用柴油機(jī)聲品質(zhì)預(yù)測(cè)技術(shù) [J]. 內(nèi)燃機(jī)學(xué)報(bào), 2011, 29(6): 534-537. MENG Xiangde, ZHANG Junhong, LI Lishun, et al. Sound quality prediction of diesel engine noise based on regression analysis [J]. Transactions of CSICE, 2011, 29(6): 534-537.

[4] 劉海, 張俊紅, 張桂昌, 等. 車用柴油機(jī)噪聲品質(zhì)預(yù)測(cè)模型的建立 [J]. 機(jī)械工程學(xué)報(bào), 2012, 48(2): 159-164. LIU Hai, ZHANG Junhong, ZHANG Guichang, et al. Prediction model for diesel engine noise quality [J]. Journal of Mechanical Engineering, 2012, 48(2): 159-164.

[5] 劉海, 張俊紅, 倪廣健, 等. 基于遺傳支持向量機(jī)的柴油機(jī)輻射噪聲品質(zhì)預(yù)測(cè)技術(shù) [J]. 振動(dòng)與沖擊, 2013, 32(2): 111-114. LIU Hai, ZHANG Junhong, NI Guangjian, et al. Sound quality prediction of diesel engine noise based on genetic algorithm and support vector machine [J]. Journal of Vibration and Shock, 2013, 32(2): 111-114.

[6] SASAKI M, NAKASHIMA K. Human auditory models and sound quality evaluation method for diesel noise, SAE 2007-01-2219 [R]. New York, USA: SAE, 2007.

[7] HUALLPA B, MARANO J, SCZIBOR V, et al. Gear lever sound quality evaluation, SAE 2010-36-0369 [R]. New York, USA: SAE, 2010.

[8] 徐中明, 張芳, 周小林, 等. 汽車?yán)嚷暺焚|(zhì)主觀評(píng)價(jià)與分析 [J]. 汽車工程, 2013, 35(2): 188-192. XU Zhongming, ZHANG Fang, ZHOU Xiaolin, et al. Subjective evaluation and analysis on car horn sound quality [J]. Automotive Engineering, 2013, 35(2): 188-192.

[9] 王長(zhǎng)山, 張立軍. 汽車關(guān)門聲聲品質(zhì)評(píng)價(jià)方法的研究 [J]. 汽車工程, 2011, 33(10): 902-906. WANG Changshan, ZHANG Lijun. A study on the method of evaluating the sound quality of vehicle door closing noise [J]. Automotive Engineering, 2011, 33(10): 902-906.

[10]王萬(wàn)英, 彭為, 靳曉雄, 等. 由輪胎引起的車內(nèi)噪聲品質(zhì)分析 [J]. 汽車工程, 2009, 31(3): 267-270. WANG Wanying, PENG Wei, JIN Xiaoxiong, et al. Sound quality analysis on in-car noise induced by tire [J]. Automotive Engineering, 2009, 31(3): 267-270.

[11]許雪瑩, 韓國(guó)華, 吳瑛, 等. 電動(dòng)汽車的噪聲特點(diǎn)及評(píng)價(jià)方法 [J]. 汽車工程學(xué)報(bào), 2011, 1(z1): 17-20. XU Xueying, HAN Guohua, WU Ying, et al. Sound character and evaluation method of electric vehicle [J]. Chinese Journal of Automotive Engineering, 2011, 1(z1): 17-20.

[12]OKOSHI M, HASHIMOTO Y, SUZUKI M, et al. Test equipment maker’s cooperative approach to the measurement next generation automotives: comparison of noise and vibration characteristics between ice vehicle and EV, SAE 2011-39-7202 [R]. New York, USA: SAE, 2011.

[13]FANG Y, ZHANG T. Modeling and analysis of electric powertrain NVH under multi-source dynamic excitation, SAE 2014-01-2870 [R]. New York, USA: SAE, 2014.

[14]HUSSAIN M, GOLLES J, RONACHE A, et al. Statistical evaluation of an annoyance index for engine noise recordings [C]∥SAE Noise and Vibration Conference and Exhibition. New York, USA: SAE, 1991: 911080.

[15]方源, 章桐, 陳霏霏, 等. 電動(dòng)車噪聲品質(zhì)心理聲學(xué)主客觀評(píng)價(jià)模型 [J]. 西安交通大學(xué)學(xué)報(bào), 2015, 49(8): 97-101. FANG Yuan, ZHANG Tong, CHEN Feifei, et al. A subjective and objective evaluation model for psychoacoustical quality of electric vehicle noise [J]. Journal of Xi’an Jiaotong University, 2015, 49(8): 97-101.

[16]彭令, 牛瑞卿, 趙艷南, 等. 基于核主成分分析和粒子群優(yōu)化支持向量機(jī)的滑坡位移預(yù)測(cè) [J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2013, 38(2): 148-152. PENG Ling, NIU Ruiqing, ZHAO Yannan, et al. Prediction of landslide displacement based on KPCA and PSO-SVR [J]. Journal of Wuhan University: Geomatics and Information Science Edition, 2013, 38(2): 148-152.

[17]徐中明, 謝耀儀, 賀巖松, 等. 基于粒子群-向量機(jī)的汽車加速噪聲評(píng)價(jià) [J]. 振動(dòng)與沖擊, 2015, 34(2): 25-29. XU Zhongming, XIE Yaoyi, HE Yansong, et al. Evaluation of car interior sound quality based on PSO-SVM [J]. Journal of Vibration and Shock, 2015, 34(2): 25-29.

[本刊相關(guān)文獻(xiàn)鏈接]

方源,章桐,陳霏霏,等.電動(dòng)車噪聲品質(zhì)心理聲學(xué)主客觀評(píng)價(jià)模型.2015,49(8):97-101.[doi:10.7652/xjtuxb201508 016]

王斌,徐俊,曹秉剛,等.采用模擬退火算法的電動(dòng)汽車復(fù)合電源能量管理系統(tǒng)優(yōu)化.2015,49(8):90-96.[doi:10.7652/xjtuxb201508015]

楊晴霞,曹秉剛,徐俊,等.一種估計(jì)鋰電池充電狀態(tài)的分?jǐn)?shù)階阻抗模型.2015,49(8):128-132.[doi:10.7652/xjtuxb2015 08021]

高建平,葛堅(jiān),趙金寶,等.復(fù)合電源系統(tǒng)功率分配策略研究.2015,49(7):17-24.[doi:10.7652/xjtuxb201507004]

趙立軍,張艷芬,劉清河.純電動(dòng)商用車機(jī)械式自動(dòng)變速器綜合換擋策略.2015,49(6):46-52.[doi:10.7652/xjtuxb201506 008]

袁希文,文桂林,周兵.考慮側(cè)向穩(wěn)定性的分布式電驅(qū)動(dòng)汽車制動(dòng)滑移率控制.2015,49(5):43-48.[doi:10.7652/xjtuxb 201505007]

許建,張政,李翔,等.獨(dú)立驅(qū)動(dòng)電動(dòng)汽車橫擺力矩的模糊控制算法.2014,48(7):83-89.[doi:10.7652/xjtuxb201407015]

劉瑞玲,鐘德星,韓九強(qiáng).汽車傘齒輪多目視覺(jué)檢測(cè)系統(tǒng)與算法.2014,48(4):1-7.[doi:10.7652/xjtuxb201404001]

史文庫(kù),毛陽(yáng),姜雪,等.發(fā)動(dòng)機(jī)半主動(dòng)液壓懸置的動(dòng)態(tài)特性及參數(shù)影響分析.2014,48(1):42-47.[doi:10.7652/xjtuxb 201401008]

盛新堂,黃瑾,王小榮,等.自然吸氣二甲醚發(fā)動(dòng)機(jī)排氣再循環(huán)NOx滿足國(guó)Ⅳ、Ⅴ排放標(biāo)準(zhǔn)的研究.2013,47(7):18-22.[doi:10.7652/xjtuxb201307004]

續(xù)丹,王國(guó)棟,曹秉剛,等.獨(dú)立驅(qū)動(dòng)電動(dòng)汽車的轉(zhuǎn)矩優(yōu)化分配策略研究.2012,46(3):42-46.[doi:10.7652/xjtuxb201203 008]

趙彤航,盧炳武,姜文君,等.轎車車內(nèi)噪聲品質(zhì)偏好性評(píng)價(jià)方法的研究.2012,46(5):127-131.[doi:10.7652/xjtuxb2012 05022]

陸良,楊殿閣,顧錚珉,等.采用模塊化思想的汽車電器智能化設(shè)計(jì)方法.2010,44(5):111-115.[doi:10.7652/xjtuxb2010 05023]

許鵬,曹秉剛,曹建波,等.兩輪獨(dú)立驅(qū)動(dòng)電動(dòng)車的轉(zhuǎn)矩協(xié)調(diào)控制.2009,43(7):53-57.[doi:10.7652/xjtuxb200907012]

曹秉剛,曹建波,李軍偉,等.超級(jí)電容在電動(dòng)車中的應(yīng)用研究.2008,42(11):1317-1322.[doi:10.7652/xjtuxb200811 001]

郭金剛,王軍平,曹秉剛.電動(dòng)車最大化能量回收制動(dòng)力分配策略研究.2008,42(5):607-611.[doi:10.7652/xjtuxb200805 021]

(編輯 苗凌)

Sound Quality Prediction of Electric Power Train Noise Based on Particle Swarm Optimization and Support Vector Machine

FANG Yuan1,2,ZHANG Tong1,2,3,CHEN Feifei1,2,GUO Rong1,2

(1. New Clean Energy Automotive Engineering Center, Tongji University, Shanghai 201804, China; 2. School of Automotive Studies, Tongji University, Shanghai 201804, China; 3. Sino-German College of Applied Sciences, Tongji University, Shanghai 201804, China)

An electric power train is taken as a sample to predict its radiation noise quality. Studying frequency characteristics of sound quality and sensitive frequency-band energy ratio, a correlation analysis is conducted between subject evaluation and psychoacoustics parameters including loudness, sharpness, roughness, fluctuation and articulation index. Then a predicting model of sound quality of electric powertrain is established based on particle swarm optimization (PSO) and support vector machine (SVM). After optimizing the penalty factor of SVM and parameters of kernel function by PSO, the effectiveness ofRis confirmed. The results indicate that subjective feeling can be reflected by sensitive frequency band energy ratio with correlation coefficient being 0.946. The absolute value and maximum value of the relative error are 2.0% and 6.7% respectively, which shows that the prediction accuracy of PSO-SVM is superior to those of the genetic algorithm method and grid search method.

electric powertrain; sound quality; particle swarm optimization; support vector machines; sensitive frequency-band energy ratio

2015-05-30。 作者簡(jiǎn)介:方源(1989—),男,博士生;章桐(通信作者),男,教授,博士生導(dǎo)師。 基金項(xiàng)目:國(guó)家“863計(jì)劃”資助項(xiàng)目(20U11AA11A265);國(guó)家自然科學(xué)基金資助項(xiàng)目(51205290);中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(1700219118)。

時(shí)間:2015-10-23

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20151023.1109.016.html

10.7652/xjtuxb201601007

U463.2

A

0253-987X(2016)01-0041-06