论文部分内容阅读
随着社会经济技术水平的发展和人民生活水平的不断提高,汽车的普及度越来越高,人们对汽车乘坐的舒适性要求也不断提高。汽车噪声特性是影响汽车乘坐舒适性的重要因素,而发动机是车内噪声的主要来源之一,由发动机引起的车内噪声已成为汽车工业行业中研究的热点,但是针对C级车发动机引起的车内噪声研究并无文献记录。本课题来源于吉林省发展计划重点项目——车内声品质的智能化评价模型建立与控制技术研究。本文针对C级车发动机引起的车内噪声,进行声品质客观参数的计算和声品质主观评价试验,并分析他们之间的相关性。通过应用基于遗传算法的BP神经网络建立声品质预测模型(GA-BP),成功建立了客观量化和主观感觉之间的关系。将GA-BP模型与传统的BP模型在收敛性、稳定性和预测精度三方面进行对比,验证了GA-BP模型的可行性和有效性。本文主要研究内容分为四部分:(1)获取车内噪声,进行声品质客观参数的计算和声品质主观评价试验,并分析他们之间的相关性。本试验在一汽技术中心的半消声室内进行,利用转毂试验台,采集4个车型的5个匀速工况下由发动机引起的车内噪声。应用等级评分法对声音样本的烦躁度进行打分,计算出声音样本的7个客观心理声学参数,对主观评价值和客观参数进行相关分析,选择出与主观评价值相关性较大的心理声学参数,分别是响度、尖锐度、粗糙度和AI指数。心理声学参数作为声品质预测模型的输入,主观评价值作为声品质预测模型的输出。(2)建立C级车声品质数据库。建立C级车声品质数据库,将实验信息、工况信息以及车型信息存储于数据库中。既节省了查阅时间,又为降低C级车噪声提供了数据支持。(3)建立声品质烦躁度的GA-BP神经网络预测模型。确定BP神经网络的结构,包括输入、输出层神经元个数、隐含层数、隐含层神经元个数和传递函数。用遗传算法对BP网络的权值和阈值进行编码,确定适应度函数以得到误差较小的网络,最后采用选择、交叉和变异等操作来寻求全局最优解,将遗传输出结果作为BP网络的初始权值和阈值,得到声品质烦躁度GA-BP预测模型。并对GA-BP模型进行训练,以达到要求精度。(4)将GA-BP预测模型与BP预测模型在收敛性、稳定性和预测精确度三方面进行对比,验证GA-BP神经网络模型的可靠性和精确性。通过试验发现,在网络训练误差目标相同的情况下,GA-BP预测模型的收敛速度比BP预测模型的收敛速度提高了5倍。由于BP预测模型初始权值和阈值的随机性,导致相同样本每次的预测结果都存在较大的差异,而GA-BP预测模型采用遗传算法对BP网络的初始权值和阈值进行优化,保证了网络的稳定性,对声音样本声品质预测结果有较高的一致性。BP预测模型对样本声品质预测的百分比误差在20%以下,而GA-BP预测模型对样本声品质预测的百分比误差可降低到10%以下,有些样本的预测误差甚至接近于零。