应用于车内路噪控制的系统参数智能标定方法及系统技术方案

本发明专利技术公开了一种应用于车内路噪控制的系统参数智能标定方法及系统，在车身布设传感器采集汽车噪声数据；利用车内视觉传感器对控制区域进行识别，根据乘员落座情况获取车内路噪分区控制模式；基于分区控制模式和控制区域降噪最大化，利用多重相干分析法筛选出该控制区域的最优参考信号组合；结合车内路噪分区控制模式，采用VSS

【技术实现步骤摘要】
应用于车内路噪控制的系统参数智能标定方法及系统


[0001]本专利技术涉及汽车
，具体涉及一种应用于车内主动路噪控制的系统参数智能标定方法及系统。

技术介绍

[0002]随着电动汽车为代表的新能源汽车迅猛发展，汽车动力系统正从内燃机驱动向电机驱动方向发展。失去内燃机噪声的声掩蔽效应，路噪成为电动汽车车内噪声的主要来源。有效降低路噪是新能源汽车提升汽车品牌形象、改善舒适性的重要途径。通过车身结构设计或增加吸振器等被动噪声控制(PNC)方法会带来汽车性能解耦困难、低频噪声控制效果差、优化方案结构复杂、生产成本高昂等问题，通常还会增加汽车重量，这与汽车轻量化的发展趋势相悖。
[0003]主动路噪控制(ARNC)方法利用干涉相消的原理，在声场中引入一个扬声器(次级声源)，控制该扬声器发出与待消除噪声(初级噪声)幅值相等、相位相反的抵消噪声，可在特定区域形成静音区。ARNC系统不仅能有效降低PNC方法难以控制的低频噪声，还能跟踪车内路噪频谱变化进行自适应控制，在不改变车辆结构和工作性能的情况下即可实现车内宽频带噪声的衰减。因此，ARNC技术成为汽车行业NVH研究的热点。
[0004]ARNC技术在实车应用中面临两个关键问题，一是与车内路噪相关性良好的参考信号的准确获取，二是低计算复杂度高降噪量自适应滤波算法的实现。参考信号为车内路噪的主动控制提供先验信息，二者的相关性与降噪量直接相关。当前，ARNC系统多采用传统滤波
‑
x最小均方(FxLMS)算法，FxLMS算法在ARNC的应用中存在计算复杂度高、收敛速度慢、稳定性差的缺点。本专利技术采用一种无延时子带滤波(DSAF)的主动噪声控制算法，可将参考信号分解到子带中进行降采样，并在各子带中完成控制滤波器系数的自适应调整，使得计算复杂度降低；由于信号被分解到子带，信号能量也被分解到子带，理论上该算法在应对冲击干扰时也更趋于稳定。
[0005]此外，已有研究发现，根据驾乘人员的数量和位置对车内路噪进行分区控制，可在一定程度上提高特定区域的降噪量，改善车内声音品质。但目前实际产业化的应用不多，主要还是在于不同驾乘人员场景下的车内分区ARNC硬件的匹配和标定存在着不稳定性，无法推广应用。特别是电动汽车在失去发动机阶次噪声声掩蔽效应之后的中低频路噪凸显非常严重。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种应用于车内路噪控制的系统参数智能标定方法及系统，解决车内路噪的主动控制方法及系统计算复杂度高、收敛速度慢、稳定性差的缺点。
[0007]其次，本专利技术要解决目前降噪效果在驾驶员和乘客各处效果不均衡的问题，使得车内各处落座人员均能获得较好的降噪效果。
[0008]进一步地，本专利技术要解决电动汽车在失去发动机阶次噪声声掩蔽效应之后的中低频路噪凸显的问题。
[0009]为解决上述技术问题，本专利技术采用如下技术方案：
[0010]一种应用于车内路噪控制的系统参数智能标定方法，其特征在于包括：
[0011]S1：在车身布设传感器，并利用传感器采集汽车噪声数据；
[0012]S2：利用车内视觉传感器对控制区域进行识别，根据乘员落座情况获取车内路噪分区控制模式和控制区域；
[0013]S3：基于确定的分区控制模式，按照控制区域降噪最大化原则，利用多重相干分析法对参考信号进行筛选，筛选出所述控制区域的最优参考信号组合；
[0014]S4：基于上述筛选出的最优参考信号组合，并结合车内路噪分区控制模式，采用基于符号误差的变步长无延迟子带滤波算法的主动路噪控制算法生成次级噪声信号以干涉相消实现特定区域的降噪；所述次级噪声与待抵消噪声信号或车内初级噪声幅值相同、相位相反；
[0015]S5：利用二次规划算法对基于符号误差的变步长无延迟子带滤波算法的主动路噪控制算法进行参数寻优设计。
[0016]上述技术方案中，步骤S1在各种匀速行驶的稳态测试工况、以及采用全油门加速并以此作为时变非稳态测试工况下分别采集噪声数据，所述噪声数据包括采集车辆悬架与车身连接点或车身侧处的振动加速度传感器的频谱噪声信号作为参考信号，以及采集车内前后排共四个位置头枕耳旁侧的麦克风发出的待抵消(初级)噪声频谱信号。
[0017]上述技术方案中，步骤S2针对车内驾乘人员不同数量、不同落座位置的排列组合情况，车内路噪分区控制模式分为：车内乘员满座的集中式，以及车内乘员分别落座在单区域、二区域、三区域的四种分布式，各控制模式下，乘员落座位置均处于路噪控制区域。
[0018]上述技术方案中，步骤S1采集噪声数据按照分区控制模式进行：
[0019]当人脸识别系统识别出车内只有一位乘员即驾驶员座需要实现噪声控制，则该位置的麦克风通电实现车内噪声频谱信号采集，其他位置处的麦克风处于断电状态，不需采集信号；
[0020]当人脸识别系统识别出二区域、三区域以及满座时，各对应位置处的麦克风通电并采集该区域的车内初级噪声频谱信号，振动加速度传感器采集频谱噪声信号时一直处于工作状态；在后续的控制中非控制区域的次级声源(扬声器)或麦克风均处于关闭状态，而路噪控制区域麦克风均处于开启状态便于产生次级声源进行干涉相消。
[0021]上述技术方案中，步骤S3将采集的噪声频谱信号导入到MATLAB仿真分析软件中利用多重相干分析法筛选最优参考信号：
[0022]输入信号是悬架与车身连接处被动端的加速度传感器采集的振动噪声频谱信号，输出信号为在车内乘客头枕处安置麦克风采集的声压信号；
[0023]计算参考信号与待抵消(初级)的多重相干系数，基于相干系数求得目标降噪量或理论最大降噪量，并根据理论最大降噪量或参考信号相干性最大的原则来对不同组合信号进行排序和筛选，基于筛选出的参考点再重新进行信号组合。
[0024]上述技术方案中，步骤S3根据理论最大降噪量或参考信号相干性最大的原则来对不同组合信号进行排序和筛选过程如下：
[0025]首先，计算所有参考信号与待抵消初级噪声频谱信号的多重相干系数，取多重相干系数最大值对应的参考信号，将其排序为1并存储记录到新的参考信号选集中；
[0026]在第二个迭代循环中，将排序1的参考信号移除，计算剩余的N
‑
1个参考信号与待抵消初级噪声频谱信号的多重相干系数，取多重相干系数最大值对应的参考信号，将其排序为2并存储记录到新的参考信号选集中；
[0027]如此循环，直至最后一个参考信号存储记录到新的参考信号选集中；选择参考信号选集中排序靠前的参考信号所处的位置作为振动加速度传感器的布置位置并以此作为参考信号。
[0028]上述技术方案中，步骤S4采用基于符号误差的变步长无延迟子带滤波算法VSS
‑
DSAF，将参考信号分解到子带，每个子带独立设置迭代步长，在全频带生成次级噪声信号。
[0029]上述技术方案中，步骤S4采用基于符号误差的变步长无延迟子带滤波算法VSS
‑
DSAF具体包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于车内路噪控制的系统参数智能标定方法，其特征在于包括：S1：在车身布设传感器，并利用传感器采集汽车噪声数据；S2：利用车内视觉传感器对控制区域进行识别，根据乘员落座情况获取车内路噪分区控制模式和控制区域；S3：基于确定的分区控制模式，按照控制区域降噪最大化原则，利用多重相干分析法对参考信号进行筛选，筛选出所述控制区域的最优参考信号组合；S4：基于上述筛选出的最优参考信号组合，并结合车内路噪分区控制模式，采用基于符号误差的变步长无延迟子带滤波算法的主动路噪控制算法生成次级噪声信号以干涉相消实现特定区域的降噪；所述次级噪声与待抵消或初级噪声频谱信号幅值相同、相位相反；S5：利用二次规划算法对基于符号误差的变步长无延迟子带滤波算法的主动路噪控制算法进行参数寻优设计。2.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S1在各种匀速行驶的稳态测试工况、以及采用全油门加速并以此作为时变非稳态测试工况下分别采集噪声数据，所述噪声数据包括采集车辆悬架与车身连接点或车身侧处的振动加速度传感器的频谱噪声信号作为参考信号，以及采集车内前后排共四个位置头枕耳旁侧的麦克风发出的待抵消或初级噪声频谱信号。3.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S2针对车内驾乘人员不同数量、不同落座位置的排列组合情况，车内路噪分区控制模式分为：车内乘员满座的集中式模式，以及车内乘员分别落座在单区域、二区域、三区域的分布式模式，各控制模式下，乘员落座位置均处于路噪控制区域。4.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S1采集噪声数据按照分区控制模式进行：当人脸识别系统识别出车内只有一位乘员即驾驶员座需要实现噪声控制，则该位置的麦克风通电实现车内噪声频谱信号采集，其他位置处的麦克风处于断电状态，不需采集信号；当人脸识别系统识别出二区域、三区域以及满座时，各对应位置处的麦克风通电并采集该区域的车内初级噪声频谱信号，振动加速度传感器采集频谱噪声信号时一直处于工作状态；在后续的控制中非控制区域的次级声源或麦克风均处于关闭状态，而路噪控制区域麦克风均处于开启状态便于产生次级声源进行干涉相消。5.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S3将采集的噪声频谱信号导入到MATLAB仿真分析软件中利用多重相干分析法筛选最优参考信号：其中，输入信号是悬架与车身连接处被动端的加速度传感器采集的振动噪声频谱信号，输出信号为在车内乘客头枕处安置麦克风采集的声压信号；计算参考信号与待抵消初级噪声频谱信号的多重相干系数，基于相干系数求得目标降噪量或理论最大降噪量，并根据理论最大降噪量或参考信号相干性最大的原则来对不同组合信号进行排序和筛选，基于筛选出的参考点再重新进行信号组合。6.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S3根据理论最大降噪量或参考信号相干性最大的原则来对不同组合信号进行排序和
筛选过程如下：首先，计算所有参考信号与待抵消初级噪声频谱信号的多重相干系数，取多重相干系数最大值对应的参考信号，将其排序为1并存储记录到新的参考信号选集中；在第二个迭代循环中，将排序1的参考信号移除，计算剩余的N
‑
1个参考信号与待抵消初级噪声频谱信号的多重相干系数，取多重相干系数最大值对应的参考信号，将其排序为2并存储记录到新的参考信号选集中；如此循环，直至最后一个参考信号存储记录到新的参考信号选集中；选择参考信号选集中排序靠前的参考信号所处的位置作为振动加速度传感器的布置位置并以此作为参考信号。7.根据权利要求1所述的应用于车内路噪控制的系统参数智能标定方法，其特征在于步骤S4采用基于符号误差的变步长无延迟子带滤波算法VSS
‑
DSAF，将参考信号分解到子带，每个子带独立设置迭代步长，在全频带生成次级噪声信号；步骤S4采用基于符号误差...

【专利技术属性】
技术研发人员：刘志恩，程灿，卢炽华，李晓龙，孙毅，颜伏伍，侯献军，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：