基于智能算法的汽車內部噪聲主動控制方法

0 引言

車輛在城市中越來越重要，但是汽車的內部噪聲是由空氣和固體結構振動引發的聲響，大部分噪音都主要是較為低頻的聲響。之前一直善用的車內噪聲控制方法，一般都采用在噪聲傳播過程中的隔振、隔聲、消聲、吸聲等降噪措施，這些措施用來抑制高頻噪聲的效果很好，可是對于低頻噪聲的控制展現效果便較為一般。按照現在的情況來看，自適應主動噪聲控制在低頻降噪領域較為重視，一直進行著廣泛的理論研究，并將其加以工程上的應用，已被證實是一種優秀的汽車內部降噪方法。目前，自適應算法的研究是噪聲主動控制技術的核心。在自適應有源噪聲控制方法中，有一種算法相對來說較為方便，計算量小且穩定性高的LMS算法來計算最小均方值。LMS算法簡單有效，能夠跟蹤噪音，并適應所處的噪音環境。此算法的最終目標是適應多個傳感器中最小誤差處的聲量值，以此來推斷傳聲器周圍的降噪點。然而，智能計算程序存在不能考慮收斂速度和穩態誤差的固有缺陷。在保證算法收斂性的前提下，步長越大越可以提高算法的收斂速度，同時也會促使穩態誤差上升。相反，如果減小步長，收斂速度也會隨之減小，造成穩態誤差的降低。想要解決智能算法中存在的問題,有必要對汽車車內噪聲的魯棒性分析的LMS智能算法是最廣泛使用的一種算法,這種計算方式可以收斂的更全面，直接代替傳統算法,成為基于智能算法的汽車內部噪聲主動控制的最有效方式。

1 汽車內部噪聲自適應陷波控制

1.1 汽車內部噪聲采集

GB/T18697_2002為聲學車輛車內噪聲測量的國家標準方法，以此來采集車輛內部制動噪聲的數據最為準確。其原理圖見圖1。

采集噪聲的車載設備為PULSE噪聲采集分析設備，屬于聲音采集軟件，系統軟件與硬件設備齊全。采集的車輛工況大概在60千米每小時的緊急制動，直至車輛靜止。收集到的信號是汽車前排駕駛員耳朵里的噪音。對于語音采集，可以檢索現有的WAV文件進行語音讀取。電路原理圖見圖2。

采樣值置于向量中，采樣頻率表示采樣數。在MATLAB中放置聲音文件，或者直接將采集到的聲音信號上傳給MATLAB，以此創建一個文件夾來保存音頻數據，這個文件夾內涵蓋了采樣所需時間以及錄制好的音頻內容。

采集汽車內部的噪音時，實際乘坐在汽車中人員并沒有感覺乘坐舒適，他們的反饋大多數都是如此的，甚至還覺得比較單調，制動聽覺效果比較一般。根據一些測試和判斷可以看出，汽車內部的干擾噪聲為低頻噪音，其能量幅值在頻率較低的地方波動較大，占據了一定的主導位置。對于聲音的回放，所有記錄到的剎車聲音也都屬于錄音內容的一部分。用頻率為44500 Hz的Matlab軟件對格式文件進行轉換，對每輛車選取質量最好的噪聲信號，從而對車內制動噪聲的時域和頻域進行分析。在Matlab環境中,對信號噪聲進行分析，根據快速傅里葉變換以及時域信息得到光譜顯示,車輛的噪聲在一般情況下都屬于低頻狀態，整個頻譜的噪聲能量集中在低頻率，緊急制動大約為400赫茲左右,處在高頻以及中頻的噪音分量幅值很小，在乘車的實際體驗中，對于噪聲的感受大致是一致的。汽車內部的噪聲信號在大多數情況下都是時變信號，在短時間內被傅里葉轉化，詳細分析可以制動的信號時頻能量信息分布。因為絕大多數散落分布的信號能量都不超過400赫茲，所以汽車內部噪聲采集只分析噪聲的低頻區間。

由圖4和表3可知，① 彈性階段各曲線變化明顯，隨著鋼管厚度增大初始剛度逐漸增大，斜率增大，承載力明顯提高，承載力與撓度成線性關系。在此階段，圓鋼管的壁厚變化對柱子性能影響較小；② 彈塑性階段中曲線上升斜率隨鋼管厚度增加而提高，當壁厚大于8 mm時出現明顯的平緩段，出現一定的上升坡度。增加壁厚極限承載力也越來越大，體現了鋼管的環箍作用；③ 塑性階段，壁厚越小，在到達極限承載力之后的下降段越明顯，坡度越大，易發生脆性破壞，下降段越長，變形能力越好；壁厚越大，下降段越平緩，延性越好，柱子的抗變形能力越好。

1.2 噪音的自適應波動處理

第三，企業審計人員憑借自己的專業知識和工作經驗無法準確界定被審計企業的經濟責任時，要咨詢這方面的權威專家，這樣可以提高企業經濟責任審計結果的準確性與合理性。

術后有5例患者發生并發癥，發生率為1.25%（5/400）。對患者的護理滿意度進行調查，其中218例患者滿意，163例患者一般滿意，19例患者不滿意，護理滿意度為95.25%（381/400）。

在智能算法的基礎上，對車輛內部噪聲樣本數據進行分析，采用變步長LMS算法更新自適應陷波器中的權重向量，并建立車輛的主動噪聲控制，其線性濾波器的基本結構如圖4所示。

當噪聲陷波固定時，若是希望在算法中得到快速的收斂狀態，則應選擇較大的值。如果需要穩態誤差，則應選擇較小的值。但是，如果控制內部噪聲值過小，則在算法收斂過程中，步長值的變化區間)很小，變步長LMS算法就會縮減為LMS算法，算法的穩態誤差就會變大。選擇最優噪聲值和噪聲魯棒性沒有理論依據，只能通過實驗來確定。為了獲得更快的收斂速度和跟蹤速度，需要提高噪聲魯棒性和內部噪聲分貝值。相反，為了得到一個小的穩態誤差，這兩個數據應該被減少。但是，如果兩個必要參數的選取過小，變步長LMS算法就會回歸到LMS算法。

利用Matlab對信號進行重采樣，采用一些可以進行時頻分析的工具，對采集到的聲音信號進行短時傅里葉變換，積極做出正向的時頻分析調動。分析信息顯示，時間在不斷增加的過程中，噪聲頻率能量分布再也做出一些細微的變化，并且變化一點一點的走向劇烈振動，峰值的范圍大概在正常人能聽到的20Hz～50Hz頻帶之內。所采集到的噪聲樣本也在這個低頻帶之間，所觀察到的分量能量在這個區間內也處于較大的波動，圖3為車內多通道自適應陷波主動噪聲控制系統框圖。

=

(

)-

(

)+

(

)

(1)

式子中，

代表收斂系數，

代表濾波參數，想要在計算中較少一些步驟和不必要的麻煩，使用離散傅里葉變換就可以將計算過程進行一定量的簡化。為了可以更加主觀準確的看出陷波算法的降噪性能，對收斂速度和穩態誤差做出更多的對比和定義。自適應噪聲陷波問題主要是由點幀外的不確定性和二級路徑的不確定性引起的。從以上的控制框圖中可以觀察出來，二次路徑中存在的問題一般都涵蓋了路徑中通的一些估計誤差，有時候也會存在一些傳感器中的誤差信號，計算傳遞函數及其變化公式可以表示為公式3:

=

(

+1)-

(

)-2

(

)

(

)

(2)

依照最一開始的速度下降算法，可以在計算結果中得知權矢量的迭代公式，計算最終結果的公式為下列公式2：

=-

(3)

式子中，

選擇越小，系統的次級通路越差；

選擇越大，則反饋系統內部的穩定性越差，系統越是容易發散。當二級路徑發生變化時，系統的收斂速度、最優收斂速度和最優收斂系數均發生變化。內部噪聲的收斂速度和最優收斂速度都得到了提高，這就證明改變了二級路徑也是可以解決問題的。可是當只是關閉一側的前排車窗時，不管這個時候的檢測結果如虎而變化，收斂系數都不會改變，也不會主動進行收斂。這就代表了單單做出收斂系數的改變是沒有用的，想要產生降噪效果等于空談，這種情況屬于二次路徑的完全失配現象。

2 LMS算法的汽車內部噪聲主動控制

基于最快下降算法，LMS算法的實現主要包括四個步驟:第一步，權值向量初始化，選擇步長因子;第二步，權值向量迭代更新;第三步要嘗試判斷收斂條件的相關性；第四步要觀察算法是否收斂，如果不收斂，返回到之前的步驟中去，按照新的內容重新開始。在初始收斂階段，數值較大，對應的數值也較大。當算法進入收斂狀態時，值達到最小，對應的值也是最小的。所以算法可以解決固有的缺陷，當噪聲值固定時，對于相同的初始誤差，其對應的值較大，在收斂的初始階段，算法收斂速度越快，對應的噪聲值就越大，如果選擇算法提高收斂速度，但收斂后的數值也可能較大，此時算法的穩態誤差也較大。如果要求算法的收斂速度，則應選擇較大的噪聲值。如果需要穩態誤差，則應選擇較小的噪聲值。值得注意的是，如果噪聲陷波選擇過小，則算法收斂過程中步長值的變化區間較小，當算法的穩態誤差逐漸擴大時，要將變步長LMS算法更改為之前的傳統算法。

由表2可以看出，在單門檻效應檢驗中，F統計量為20.792 8，Bootstrap計算得到的P值為0.000 0，表明在1%的顯著性水平下可以拒絕不存在門檻值的原假設，即存在一個門檻值。在雙門檻效應檢驗中，F統計量為13.361 4，P值為0.000 7，表明在1%的顯著性水平下拒絕存在1個門檻值的原假設，即存在兩個門檻值。在三門檻效應檢驗中，F統計量為3.368 6，P值為0.113 7，表明即使在10%的顯著性水平下也無法拒絕存在2個門檻值的原假設，因此，我們接受存在兩個門檻值的檢驗結果，到此結束對門檻效應的檢驗。

3 對比實驗

3.1 實驗準備

選擇自適應陷波算法的N為20階，將噪聲采集其中的輸入信號和期望信號前1000個采樣點作為訓練樣本對，用自適應陷波算法建立自適應濾波器以方便在實驗中使用。自適應濾波器建立后，隨機選取不參與訓練的采樣點進行自適應濾波器去噪。經過多次實驗，確定了α=1和β=1的最佳參數為α和β=1。

3.2 實驗結果

依照基于智能算法的汽車內部噪聲主動控制方法，確定LMS算法的步長在0.2，采樣的點數之間為20個一組，以此來方便計算實驗結果，基于普通算法和變步長LMS算法的自適應濾波降噪結果如圖5所示。

從算法收斂速度和穩態誤差兩個方面分析了自適應濾波降噪的結果。在相同的算法收斂條件下，傳統算法最早在第100個采樣點進入收斂狀態，而智能變步長LMS算法在第20個采樣點進入收斂狀態。不僅如此，與傳統算法相比智能算法的穩態誤差也比較小。因此，本文提出的智能變步長LMS算法解決了傳統算法的固有缺陷，該算法具有較小的穩態誤差和更快的收斂速度，是一種有效的改進智能算法，基于智能算法的汽車內層噪聲主動控制方法，能夠有效地控制汽車內部噪聲并達到最終目的。

取3.00mL硫酸根標準溶液，依照1.3.3步驟，收集濾液，考察濾液在400～500nm間吸光度值的變化，結果表明：當波長為420nm時，濾液的吸光度值最大且穩定，因此，實驗選擇420nm作為分析波長。

4 結束語

在分析車內噪聲樣本數據的基礎上，對車內噪聲波動進行了研究和測試。采用智能算法建立了車輛內部噪聲的主動控制方法，雖然二次路徑反饋方法可以控制噪聲波動，但不存在二次路徑完全失配的風險。與之前的傳統算法的結果比較表明，變步長LMS算法克服了普通算法的固有缺陷，具有較快的收斂速度和較小的穩態誤差。未來將該算法直接應用到車內噪聲的實際主動控制中，會導致控制系統存在輕微的不穩定因素。在智能算法的基礎上，開發考慮二次通道的自適應智能算法，可以成為實車車內制動噪聲主動控制的研究重點。

[1]袁建新,劉勇.某車型車身內部噪聲控制分析與應用[J].景德鎮學院學報,2021,36(06):38-41.

[2]李立堯.活塞式內燃機汽車噪聲控制技術研究[J].內燃機與配件,2020(24):21-22.

[3]許林倩,岳志強.混合動力汽車噪聲和振動特性及其控制[J].時代汽車,2020(21):23-24.

[4]梁娜.淺析活塞式內燃機汽車噪聲控制技術[J].內燃機與配件,2020(20):49-50.

[5]武守輝,潘玉龍,馬東旺.汽車噪聲控制技術研究[J].河南科技,2020,39(25):107-109.

[6]王明陽.淺析汽車噪聲振動控制和NVH性能的開發[J].內燃機與配件,2020(05):216-217.

[7]廖華新.活塞式內燃機汽車噪聲控制技術分析[J].內燃機與配件,2019(18):47-48.

[8]于洪超.汽車噪聲控制方法研究[J].決策探索(中),2019(09):96.

[9]李紅歡.汽車變速箱噪聲源識別及噪聲控制分析[J].機械管理開發,2019,34(07):146-147+209.

[10]岳中英,劉玉龍,謝凱,等.混合動力汽車噪聲和振動特性及其控制[J].汽車技術,2018(11):27-31.