本发明专利技术提供了一种车内噪声质量的预测方法及装置、存储介质、电子装置，属于车辆控制领域，其中，该方法包括：采集车辆在行驶状态时的内部噪声信号；提取所述内部噪声信号的时频特征；采用所述时频特征和预训练的深度卷积神经网络CNN模型预测所述内部噪声信号的噪声品质评价值，其中，所述噪声品质评价值用于表征所述车辆在所述行驶状态时的噪声质量。通过本发明专利技术实施例，解决了相关技术中预测车内噪声品质的精度低的技术问题，对车辆车内声品质进行建模及预测，为产品开发及问题整改提供指导。为产品开发及问题整改提供指导。为产品开发及问题整改提供指导。
【技术实现步骤摘要】
车内噪声质量的预测方法及装置、存储介质、电子装置
[0001]本专利技术涉及车辆控制领域，具体而言，涉及一种车内噪声质量的预测方法及装置、存储介质、电子装置。
技术介绍
[0002]相关技术中，随着环境污染和化石能源稀缺的日益加剧，以纯电动车为代表的新能源汽车逐步在世界范围内得到普及和推广，新能源车型的NVH(Noise、Vibration、Harshness，噪声、振动与声振粗糙度)性能提升需求与日俱增。与传统燃油车相比，纯电动车减少了传统发动机噪声的掩蔽效应，增加了电机的高频啸叫噪声，其车内声品质不同于传统燃油车，因此，研究纯电动车车内噪声声品质的评价及预测方法具有现实意义。声品质能直接反映驾乘人员对汽车声音的主观感受，是影响客户购买倾向的重要因素。声品质评价主要包括主观评价和客观评价。主观评价能直观反映人的主观感受，但与评价者的经验、工作状态密切相关，结果稳定性相对较差，且由于高度依赖评价人员不利于企业数据积累。
[0003]相关技术中是通过BP(BackPagation，误差反向传播)神经网络，建立车内声品质主观评价的客观量化模型，但人工神经网络模型需要人工提取声学客观指标，不仅耗时耗力，所提取指标的合理性、全面性也较大程度的依赖于工程师或研究人员的经验和认知，不易真实全面的反映声样本的物理特性。
[0004]针对相关技术中存在的上述问题，暂未发现高效且准确的解决方案。
技术实现思路
[0005]本专利技术提供了一种车内噪声质量的预测方法及装置、存储介质、电子装置，以解决相关技术中的技术问题。
[0006]根据本专利技术的一个实施例，提供了一种车内噪声质量的预测方法，包括：采集车辆在行驶状态时的内部噪声信号；提取所述内部噪声信号的时频特征；采用所述时频特征和预训练的深度卷积神经网络CNN模型预测所述内部噪声信号的噪声品质评价值，其中，所述噪声品质评价值用于表征所述车辆在所述行驶状态时的噪声质量。
[0007]进一步，在采用所述时频特征和预训练的深度CNN模型预测所述内部噪声信号的噪声品质评价值之前，所述方法还包括：采集样本车辆内部的噪声样本信号；获取针对所述噪声样本信号的噪声品质主观评价值；采用所述噪声样本信号和所述噪声品质主观评价值训练初始CNN模型，得到所述预训练的深度CNN模型。
[0008]进一步，采集车辆内部的噪声样本信号包括：在多个乘坐位置分别采集样本车辆内部的第一噪声信号，在多个路况条件下分别采集样本车辆内部的第二噪声信号，以及在多个工况条件下分别采集样本车辆的第三噪声信号，其中，所述样本车辆包括多个厂商、品牌和型号的车辆；将所述第一噪声信号、所述第二噪声信号、以及所述第三噪声信号确定为所述噪声样本信号。
[0009]进一步，获取针对所述噪声样本信号的噪声品质主观评价值包括：采集所有评价
主体针对所述噪声样本信号的噪声品质主观评价值；针对每个第一评价主体，计算所述第一评价主体的第一噪声品质主观评价值分别与剩下其他评价主体的第二噪声品质主观评价值之间的相关值，并计算所有相关值的平均值；从所有评价主体的噪声品质主观评价值中选择平均值大于预设值的若干个目标评价主体的噪声品质主观评价值。
[0010]进一步，采用所述噪声样本信号和所述噪声品质主观评价值训练初始CNN模型，得到所述预训练的深度CNN模型包括：针对每段噪声样本信号，按照预设步长截断所述噪声样本信号，以将所述噪声样本信号扩大为多个相同时长的子噪声样本信号；将所述噪声样本信号的噪声品质主观评价值确定为所述噪声样本信号的评价标签，并为同一段噪声样本信号对应的所有子噪声样本信号均配置所述评价标签；针对每个子噪声样本信号，提取所述子噪声样本信号的样本时频特征，采用所述子噪声样本信号的样本时频特征和评价标签构建样本对，得到样本对集合；将所述样本对集合划分为第一数量的测试集、第二数量的训练集、以及第三数量的验证集；采用所述训练集和所述验证集迭代训练所述初始CNN模型，直到满足预设迭代终止条件，输出预训练的深度CNN模型。
[0011]进一步，在输出预训练的深度CNN模型之后，所述方法还包括：从所述测试集中提取样本i的样本时频特征和噪声品质主观评价值；将所述样本i的样本时频特征输入所述深度CNN模型，输出所述样本i的模型评价值；采用以下公式计算所述深度CNN模型的均方根误差RMSE和平均绝对误差MAE；
[0012][0013][0014]其中，y
i
和分别为样本i的噪声品质主观评价值和模型评价值，N为样本总数；判断所述RMSE和所述MAE是否均小于预设阈值；若所述RMSE和所述MAE均小于预设阈值，确定所述深度CNN模型的预测精度满足精度条件。
[0015]进一步，提取所述内部噪声信号的时频特征包括：对所述内部噪声信号进行傅里叶变换，得到所述内部噪声信号的噪声频谱信号；在预设坐标系中以横轴为时间、纵轴为频率、颜色为幅值生成所述噪声频谱信号的时频图；提取所述时频图的时频特征，得到所述内部噪声信号的时频特征。
[0016]根据本专利技术的另一个实施例，提供了一种车内噪声质量的预测装置，包括：第一采集模块，用于采集车辆在行驶状态时的内部噪声信号；提取模块，用于提取所述内部噪声信号的时频特征；预测模块，用于采用所述时频特征和预训练的深度卷积神经网络CNN模型预测所述内部噪声信号的噪声品质评价值，其中，所述噪声品质评价值用于表征所述车辆在所述行驶状态时的噪声质量。
[0017]进一步，所述装置还包括：第二采集模块，用于在所述第一采集模块采用所述时频特征和预训练的深度CNN模型预测所述内部噪声信号的噪声品质评价值之前，采集样本车辆内部的噪声样本信号；获取模块，用于获取针对所述噪声样本信号的噪声品质主观评价值；训练模块，用于采用所述噪声样本信号和所述噪声品质主观评价值训练初始CNN模型，得到所述预训练的深度CNN模型。
[0018]进一步，所述第二采集模块包括：采集单元，用于在多个乘坐位置分别采集样本车
辆内部的第一噪声信号，在多个路况条件下分别采集样本车辆内部的第二噪声信号，以及在多个工况条件下分别采集样本车辆的第三噪声信号，其中，所述样本车辆包括多个厂商、品牌和型号的车辆；确定单元，用于将所述第一噪声信号、所述第二噪声信号、以及所述第三噪声信号确定为所述噪声样本信号。
[0019]进一步，所述获取模块包括：采集单元，用于采集所有评价主体针对所述噪声样本信号的噪声品质主观评价值；计算单元，用于针对每个第一评价主体，计算所述第一评价主体的第一噪声品质主观评价值分别与剩下其他评价主体的第二噪声品质主观评价值之间的相关值，并计算所有相关值的平均值；选择单元，用于从所有评价主体的噪声品质主观评价值中选择平均值大于预设值的若干个目标评价主体的噪声品质主观评价值。
[0020]进一步，所述训练模块包括：截断单元，用于针对每段噪声样本信号，按照预设步长截断所述噪声样本信号，以将所述噪声样本信号扩大为多个相同时长的子噪声样本信号；配置单元，用于将所述噪声样本信号本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车内噪声质量的预测方法，其特征在于，包括：采集车辆在行驶状态时的内部噪声信号；提取所述内部噪声信号的时频特征；采用所述时频特征和预训练的深度卷积神经网络CNN模型预测所述内部噪声信号的噪声品质评价值，其中，所述噪声品质评价值用于表征所述车辆在所述行驶状态时的噪声质量。2.根据权利要求1所述的方法，其特征在于，在采用所述时频特征和预训练的深度CNN模型预测所述内部噪声信号的噪声品质评价值之前，所述方法还包括：采集样本车辆内部的噪声样本信号；获取针对所述噪声样本信号的噪声品质主观评价值；采用所述噪声样本信号和所述噪声品质主观评价值训练初始CNN模型，得到所述预训练的深度CNN模型。3.根据权利要求2所述的方法，其特征在于，采集车辆内部的噪声样本信号包括：在多个乘坐位置分别采集样本车辆内部的第一噪声信号，在多个路况条件下分别采集样本车辆内部的第二噪声信号，以及在多个工况条件下分别采集样本车辆的第三噪声信号，其中，所述样本车辆包括多个厂商、品牌和型号的车辆；将所述第一噪声信号、所述第二噪声信号、以及所述第三噪声信号确定为所述噪声样本信号。4.根据权利要求2所述的方法，其特征在于，获取针对所述噪声样本信号的噪声品质主观评价值包括：采集所有评价主体针对所述噪声样本信号的噪声品质主观评价值；针对每个第一评价主体，计算所述第一评价主体的第一噪声品质主观评价值分别与剩下其他评价主体的第二噪声品质主观评价值之间的相关值，并计算所有相关值的平均值；从所有评价主体的噪声品质主观评价值中选择平均值大于预设值的若干个目标评价主体的噪声品质主观评价值。5.根据权利要求2所述的方法，其特征在于，采用所述噪声样本信号和所述噪声品质主观评价值训练初始CNN模型，得到所述预训练的深度CNN模型包括：针对每段噪声样本信号，按照预设步长截断所述噪声样本信号，以将所述噪声样本信号扩大为多个相同时长的子噪声样本信号；将所述噪声样本信号的噪声品质主观评价值确定为所述噪声样本信号的评价标签，并为同一段噪声样本信号对应的所有子噪声样本信号均配置所述评价标签；针对每个子噪声样本信号，提取所述子噪声样本信号的样本时频特征，采用...
【专利技术属性】
技术研发人员：贾小利，杨亮，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。