基于样本熵与ELM-Adaboost的悬架减振器异响声品质预测

黄海波， 李人宪， 黄晓蓉， 杨明亮， 丁渭平

(西南交通大学 机械工程学院，成都　610031)

基于样本熵与ELM-Adaboost的悬架减振器异响声品质预测

黄海波， 李人宪， 黄晓蓉， 杨明亮， 丁渭平

(西南交通大学 机械工程学院，成都610031)

车辆悬架减振器异响严重削弱了车内声品质，针对该异响问题设计并开展了不同路况条件下的整车道路试验，对采集到的车内噪声信号分别计算A计权声压级与心理声学客观参量(响度、尖锐度、语音清晰度、抖动度和粗糙度)以提取减振器异响特征信息，并将其与主观评价进行了相关分析。另一方面，再引入小波包分解与样本熵的概念，对减振器异响特征信息进行了有效地提取，同时提出基于Adaboost的极限学习机(ELM)算法，建立了减振器异响声品质预测改进模型，并将其与支持向量机(Support Vector Machine,SVM)、广义神经网络(Generalized Regression Neural Network,GRNN)进行对比。研究结果表明：传统的A计权声压与心理声学指标不能有效地用于减振器异响声品质预测而结合小波包样本熵提取的异响特征与ELM-Adaboost算法能有效地对减振器异响声品质进行预测，并且效果优于SVM与GRNN。

减振器异响；声品质；小波包；样本熵；Adaboost；极限学习机

近年来，随着对发动机、传动系等车辆主要噪声源的有效治理，以及用户对车辆NVH(Noise, Vibration and Harshness)要求的日渐苛刻，前期被忽视的其它子系统及零部件噪声逐渐被暴露出来。悬架减振器作为车辆主要的传力元件，其工作方式必然会导致冲击振动，并向乘客传递一系列复杂的信息，当出现非正常噪声即“异响”时，会给乘客带来身心上的负面影响，严重时还会给车辆带来安全隐患，因此，对悬架减振器异响进行研究具有重要的意义。……