一种排气声优化方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种排气声优化方法、装置及存储介质，其包括如下步骤：S1，构建以排气声客观量化参数作为输入、以排气声运动感满意度作为输出的CNN

【技术实现步骤摘要】
一种排气声优化方法、装置及存储介质


[0001]本专利技术涉及汽车NVH性能领域，具体涉及一种排气声优化方法、装置及存储介质。

技术介绍

[0002]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。声运动感强的经济型汽车备受年轻客户青睐。排气声是提升燃油汽车声运动感的重要抓手，研究排气声运动感声品质评价及优化方法具有现实意义。
[0003]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。为此，众多学者试图建立主观评价结果与声音客观度量参量之间的关系模型，以实现将声品质评价客观化。多元线性回归方法简单易实现，是早先常用的声品质客观量化模型建立方法。CN110737970A公开的一种发动机加速声品质评价方法中运用多元线性回归方法对发动机加速声品质进行建模和预测。但是由于人耳对声音感知的非线性特征及非平稳信号特征提取的复杂性，使得线性模型难以达到满意效果。本专利技术建立了卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归(Support Vector Regression,SVR)算法相结合的加速排气声运动感客观评价模型(即CNN
‑
SVR混合模型)，模型评价结果与主观评价结果之间的最大相对误差小于2％，模型预测准确度高。在此基础上，本专利技术基于混合模型对待改进汽车进行排气声运动感评分预测，若排气声运动感预测得分未达成该车型的目标分值，则需制定优化方案，对该车排气声运动感进行优化，进而基于模型再次对优化后的车辆进行排气声运动感评分预测，直至达成目标分值。

技术实现思路

[0004]本专利技术的目的是提供一种排气声优化方法、装置及存储介质，其能够基于排气声客观量化参数准确预测车辆排气声运动感满意度，并通过将车辆排气声运动感满意度与目标满意度进行比较，为排气声是否进行优化提供指导数据。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]一种排气声优化方法，其包括如下步骤：
[0007]S1，构建以排气声客观量化参数作为输入、以排气声运动感满意度作为输出的CNN
‑
SVR混合模型，所述CNN
‑
SVR混合模型为卷积神经网络(ConvolutionalNeural Network,CNN)与支持向量回归(SupportVectorRegression,SVR)算法相结合的加速排气声运动感满意度预测模型；
[0008]S2，采集车辆的排气声并对采集的排气声进行客观量化分析，得到车辆排气声的客观量化参数；
[0009]S3，将S2得到的车辆排气声的客观量化参数输入至S1的CNN
‑
SVR混合模型，输出车辆排气声运动感满意度，若车辆排气声运动感满意度≥目标满意度，则不对车辆进行优化，若车辆排气声运动感满意度＜目标满意度，则根据实际情况制定优化方案。
[0010]进一步，所述CNN
‑
SVR混合模型包括输入层、两层卷积层、池化层、全连接层和SVR回归输出层；所述输入层用于接受数据输入，并且进行数据预处理；所述卷积层通过卷积核自动进行数据特征提取；所述池化层是对卷积层获得的特征矩阵降维；所述全连接层位于池化层之后，将池化层的输出特征展开成一维向量输入到全连接层网络中；所述SVR回归输出层用于模型预测结果的输出。
[0011]进一步，S1和S2中的排气声客观量化参数为排气声的二、四、六阶次声压级随发动机转速的变化曲线。
[0012]进一步，还包括S4，采用S1的CNN
‑
SVR混合模型对优化后车辆的排气声运动感满意度进行验证，若车辆排气声运动感满意度≥目标满意度，则固化优化方案，进行实车验证，若车辆排气声运动感满意度＜目标满意度，则调整优化方案，重新进行S3，直至车辆排气声运动感满意度≥目标满意度。
[0013]一种排气声优化装置，其能够实现本专利技术所述的排气声优化方法的步骤，包括：模型构建模块，用于构建以排气声客观量化参数作为输入、以排气声运动感满意度作为输出的CNN
‑
SVR混合模型；客观量化分析模块，用于对采集的排气声进行客观量化分析，得到车辆排气声的客观量化参数；结果仲裁模块，用于将CNN
‑
SVR混合模型输出的车辆排气声运动感满意度与目标满意度进行比较，并输出判定结果；优化模块，用于根据实际情况制定排气声优化方案。
[0014]一种存储介质，其内存储有计算机可读程序，所述计算机可读程序被调用时能执行本专利技术所述的排气声优化方法的步骤。
[0015]本专利技术的有益效果：本专利技术通过构建以排气声客观量化参数作为输入、以排气声运动感满意度作为输出的CNN
‑
SVR混合模型，所述CNN
‑
SVR混合模型为卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归(Support Vector Regression,SVR)算法相结合的加速排气声运动感满意度预测模型，预测结果接近实际情况，并通过将车辆排气声运动感满意度与目标满意度进行比较，为排气声是否进行优化提供指导数据，若基于CNN
‑
SVR混合模型输出的排气声运动感满意度小于目标满意度，则需根据实际情况制定优化方案，对该车排气声运动感进行优化，然后基于CNN
‑
SVR混合模型再次对优化后的车辆进行排气声运动感满意度预测，直至达成目标满意度。
附图说明
[0016]图1为本专利技术所述排气声优化方法流程图；
[0017]图2为某个待测车辆排气声样本的声压级随发动机转速的变化曲线图；
[0018]图3为各个评价人员之间的Kendall相关系数图；
[0019]图4为发动机转速为1000～2000r/min的条件下排气声运动感满意度预测值与实际值对比示意图；
[0020]图5为发动机转速为2000～3000r/min的条件下排气声运动感满意度预测值与实际值对比示意图；
[0021]图6为发动机转速为3000～4500r/min的条件下排气声运动感满意度预测值与实际值对比示意图。
Open Throttle，3rdWOT)加速行驶，采用人工头对排气声进行采集。测试发动机转速区间为1000～4500r/min。人工头两耳连线与地面平行，且离地高度与排气尾口离地高度一致，两耳中心点与排气尾管管口连线同排气尾管轴线成45
°
夹角且距管口0.5m。为了获得足够的数据样本，同时对其它29辆来自于不同厂家的同类对标汽车亦进行了数据采集。
[0032]分别对排气声样本进行客观量化分析和主观评价，得到每个排气声样本的满足相关性要求的客观量化参数和主观评价得分。本实施例中，以二、四、六阶次声压级作为客观量化参数，参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种排气声优化方法，其特征在于，包括如下步骤：S1，构建以排气声客观量化参数作为输入、以排气声运动感满意度作为输出的CNN
‑
SVR混合模型；S2，采集车辆的排气声并对采集的排气声进行客观量化分析，得到车辆排气声的客观量化参数；S3，将S2得到的车辆排气声的客观量化参数输入至S1的CNN
‑
SVR混合模型，输出车辆排气声运动感满意度，若车辆排气声运动感满意度≥目标满意度，则不对车辆进行优化，若车辆排气声运动感满意度＜目标满意度，则根据实际情况制定优化方案。2.根据权利要求1所述的排气声优化方法，其特征在于：所述CNN
‑
SVR混合模型包括输入层、两层卷积层、池化层、全连接层和SVR回归输出层；所述输入层用于接受数据输入，并且进行数据预处理；所述卷积层通过卷积核自动进行数据特征提取；所述池化层是对卷积层获得的特征矩阵降维；所述全连接层位于池化层之后，将池化层的输出特征展开成一维向量输入到全连接层网络中；所述SVR回归输出层用于模型预测结果的输出。3.根据权利要求1或2所述的排气声优化方法，其特征在于：S1和S2中的排气声客观量化参数为排气声的二...

【专利技术属性】
技术研发人员：杨亮，贾小利，廖祥凝，张江生，
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：