员工姓名：王智洋

班班级级：车辆2018-06班

指导教师：黄海波

毕设题目：基于人工神经网络的汽车悬架减振器异音识别

 

 

 

一、概况

1.选题意义

NVH是噪声、振动与声振粗糙度（Noise、Vibration、Harshness）的简写，车辆中有许多噪音源，动力总成曾被认为是最主要的噪音源。经过多年的研究和发展，汽车动力系统的噪音水平已大大降低。先前由于掩蔽效应而被忽视的其他噪音源由此逐渐暴露出来。尤其是在近年来大力发展新能源汽车、纯电动汽车的背景下，其他噪声的问题愈发明显。

液压减振器的作用是抑制弹簧反弹时的振荡以及衰减来自路面的冲击。减振器结构决定其在拉升、压缩换向过程中必会产生冲击振动，进而激发噪声，严重时会导致车内声品质变恶劣，通常称其为减振器异音。消费者对于NVH品质愈发重视，其引起的不良品在返退件中占比较高，因此，减振器异音评价研究具有重要的意义。

近年来，大量的研究人员对减振器异响的识别进行了研究。根据文献报道，常用的测试方法有车辆道路主观评价和减振器单体台架测试。车辆道路主观评价符合人类的听觉特性，具有较高的准确度。尽管车辆道路主观评价具有较高准确度，但需要耗费大量的人力和时间。使用减振器单体台架测试可以克服车辆道路主观评价的缺点，通过传感器记录减振器的力-位移、力-加速度信息可以较好描述减振器的振动状态。虽然减振器单体台架试验不能描述噪音的传递过程，但已有文献指出，减振器异响与减振器活塞杆端的加速度值有关。所以如何对减振器活塞杆端的加速度信号处理，是关系到识别准确率的一个重要问题。

国内对减振器异响台架试验辨识方法研究较少，多数从活塞加速度信号的时域和频域进行辨识，但仍未提取出关键特征。

2.任务分解

本次设计的任务是开发一种基于长短期记忆人工神经网络（LSTM）的纯电动汽车减振器异响识别模型。为了达成这一目标，任务分解如下：

(1)查找相关文献，了解减振器异响的机理，明确项目研究背景与意义。了解国内外减振器异响台架试验辨识发展与研究概况。查找有关英文文献，完成外文文献的翻译。

(2)神经网络理论知识学习，了解神经网络基本原理。对比不同神经网络模型如反向传播（BP）神经网络、径向基函数（RBF）神经网络、循环神经网络（RNN）、长短期记忆神经网络（LSTM）的优缺点，搭建神经网络模型。

(3)特征提取理论学习。提取有效特征不仅能提高神经网络分类准确度，还能加快网络收敛速度，为此需要学习信号处理相关的知识，比较热门的有快速傅里叶变换（FFT）、小波包变换（WPT）、模糊熵（FE）等。

(4)将提取后的特征输入长短期记忆神经网络（LSTM），调整网络架构以及超参，使分类准确度提高到满意的水平。并且对比不同的网络模型及特征，结果探讨与论证。

(5)将最终的网络模型编写成图形化应用程序，方便在实际工程中使用。

(6)撰写毕业论文，准备毕设答辩。

二、已完成工作

(1)查阅有关资料，对汽车减振器异响产生的原因进行了简要的分析，了解了国内外减振器异响台架试验辨识方法的发展状况。完成绪论的撰写与外文文献的查找和翻译。

(2)样本划分、特征提取。

2.1分段频谱RMS值的提取。对样本时域信号作快速傅里叶（FFT）变换，原始信号采样频率为2560Hz，变换后将整个频带等分为8份，提取每个子带的幅值RMS值作为特征，得到一个包含8个数据的频率序列特征。这么做既可以大大减少训练冗余数据提高训练速度，还能保留信号的序列特征。

 

分段频谱RMS值

2.2小波包能量（WPE）的提取。虽然傅里叶变换（FT）是工程中应用最广泛的信号处理工具。然而，傅里叶变换无法分析信号的频率成分如何随时间变化，使得傅里叶变换无法揭示信号的瞬时特性。小波变换（WT）能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。小波包变换( WPT )由Wickerhauser于1991年提出，对比小波变换（WT）它可以继续分解高通子带。本次设计中，减振器做压缩、拉伸往复运动，在换向的一瞬间产生冲击，属于瞬态非平稳信号，因此理论上小波包变换非常适合用作本次设计的信号处理方式。

 小波包（WPT）分解示意

对信号进行三层分解，计算第三层每个节点的相对能量，再乘信号的总能量，得到各节点的绝对能量，再根据各节点子带频率大小排列，归一化后，每个样本可提取一个包含8个小波包能量的频率序列特征。

 

 

提取节点相对能量

 

排序后各节点绝对能量

2.3小波包模糊熵（WPFE）的提取。1948年，香农把“熵”的概念引入到信息论中，提出了香农熵。随着信息熵的概念被推广和广泛使用，用于分析时间序列复杂度的各种熵也被提出。2007年，Chen等人在样本熵的基础上通过引入一种指数函数——模糊隶属度函数，得到了改进的样本熵，即模糊熵。本次设计基于小波包变换，对3层变换后各节点的系数计算模糊熵，归一化后，每个样本可提取一个包含8个小波包模糊熵的频率序列特征。

 

提取WPFE部分代码

(3)LSTM网络搭建与优化

3.1引入动态学习率。训练开始阶段使用较高学习率，快速向最小值收敛；训练后段使用较小学习率，避免在最小值附近震荡。

 

使用固定学习率（左）和使用动态学习率（右）对比

 

3.2多维特征输入，加速收敛，提高准确度。

 

一维WPE输入（左）与三维输入（右）对比

（1） 图形化界面软件开发。目前集成了基本的时频分析与网络训练功能。

 

软件界面（开发阶段）

 

部分开发界面

三、下一步工作计划

1.整理实验数据，为论文的分析对比制作图表。

2.完善图形界面程序开发。

3.论文撰写与修改，准备毕业答辩。

 

问题一：相比于BP等传统网络，LSTM网络优势在哪里？

回答：LSTM网络可以利用信号中的时序信息，在序列建模上有一定优势，并且解决了长序列训练中容易梯度消失和梯度爆炸的问题。而且LSTM支持多维特征输入，不同特征之间可以很好相互补充信息，实现1+1>2的效果。

问题二：神经网络超参如何确定？

回答：神经网络超参的确定是一大难点，但还是有一些经验方法可循的。总的来说首先要了解各项超参的意义。比如学习率，较小的学习率可以收敛到较小的损失，但收敛速度慢；较大的学习率优化快，但可能损失不下降。然后是优先小样本简单网络调参，根据训练监督验证集准确率和损失，确保网络收敛，再增大样本。

 

近些年神经网络、机器学习可以说是非常热门的话题，毕业设计能把热门研究和四年机械相关的专业知识结合起来，是一件非常有趣的事情。基于这一点，我选择了这个题目。毕竟是没有接触过的领域，开始学习的时候没什么头绪，这里要特别感谢我的指导老师黄海波，在初级阶段提供了很好的学习建议，让我一步一步了解了神经网络这个神奇的黑盒子。不仅如此，黄老师还培养了我的科学思维能力，他引导我钻研特征提取的优化，不能只专注于准确率的提高，还要关注背后的原因，尝试解释它。深入研究的过程中，我也体会到了做研究的乐趣，寒假第一次网络运行成功时的喜悦还历历在目。还要感谢我的同学们，我们经常聊起神经网络的话题，不论是吃饭、走路还是在寝室里debug，这样的学习环境使我们进步很快。

毕业设计已经过半，我会继续钻研，认真撰写毕业论文，圆满完成毕业设计的任务。