基于小波变换的车辆驾驶室低频振动噪声消噪处理方法

焦萍萍，周显春

（三亚学院 信息与智能工程学院，海南 三亚 572022）

0 引言

汽车的内部噪声是由空气和固体结构振动引发的声响，大部分噪音都是低频的声响。低频噪声具有能量大的特点，严重影响车内驾驶员的听力系统及乘员的乘坐感受[1-2]。因此，研究一种汽车内部低频噪声控制方法具有重要价值。之前一直使用的车内噪声控制方法，一般都采用在噪声传播过程中隔振、隔声、消声、吸声等降噪措施，这些措施用来抑制高频噪声的效果很好，可是对于低频噪声的控制效果较为一般。因此，本文提出车辆驾驶室低频振动噪声消噪处理方法，通过大数据技术挖掘驾驶室内低频振动噪声信号数据，以获取信号特征为基础提取低频噪声；利用小波变换的方法完成消噪处理，提升驾驶员的注意力，确保行驶安全，降低车辆发生事故的概率。

1 基于大数据挖掘的低频振动噪声信号数据采集

大数据挖掘，是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中具有特征性的数据，有利于优化结果精度。本文采用kmeans 聚类算法[3]预处理低频振动噪声信号数据，明确其数据分布模式特征，通过数据清洗剔除缺失噪声数据与无用噪声数据[4]，再归一化处理低频振动噪声信号数据，以此提升低频振动噪声消噪处理方法的可靠性。

将低频振动噪声信号划分为若干个聚类集合，对相同频率的振动噪声实施合并聚类。振动噪声数据采集过程中，需要对数据进行清洗。首先补充缺失值，明确并去除差异性噪声数据，保证低频噪声采集的准确性。倘若某些关键属性因为各类原因导致没有数值，则在数据清洗时需要单独处理此类残缺属性值，剔除不必要的属性数据。将车辆驾驶室振动噪声的测量数据和标准残差作为特征值，对包含标准残差在内的指数进行标准化处理后，构建特征指标矩阵：

式中：mij表示采集样本数据的频率表示特征指标，R表示标准差，Δz表示相邻样本数据之间的采集时间差值。

低频振动噪声的频率各不相同，因此需要将聚类中的数据进行归一化处理，以此获取聚类结果。根据该结果确定聚类数量，进而得到聚类有效性指数，公式可表示为：

式中：minmij表示采集样本数据的最低频率，maxmij表示采集样本数据的最高频率，λij表示聚类度量因子。在不影响低频振动噪声频率数据真实性的情况下，对归一化后的数据采取维度规约，以此采集具有特征属性的车辆驾驶室低频振动噪声数据。维度规约[5]凭借数据关联性，制定以下两种原则：如果A 与B 有关，B 与C 有关，A 与C 有关，那么认定A，B，C 有关；如果A 与B 有关系数高于0.5，认定A 与B 有关。通过维度规约的方式完成低频振动噪声数据采集，提升低频振动噪音分组可靠性。

2 基于小波变换的低频振动噪声消噪处理

低频振动噪声的有效去噪，可以改善车内驾驶员的听力系统及乘员的乘坐感受。小波变换是通过突变信号与缓慢变化背景信号之间的频率差异进行滤波分离[6]，能够很好地表征低频振动噪声主要信号，保留边缘信息结构，具有较好的去噪处理结果。

2.1 分 组

将低频振动噪声信号的若干个聚类集合划分为规则相同的单独个体噪声，根据不同的低频振动噪声信号表征对低频振动噪声结构进行分解，构建单分类数组，即分组。通过分组操作能够有效滤除存在差异值的低频振动噪声，提高联合滤波的消噪处理效果。单独低频振动噪声之间的差异主要通过小波变换之后得到的各个子波进行衡量。通过阈值处理，将小于阈值的低频振动噪声设置为0，不用进行处理；将大于阈值的低频振动噪声进行联合滤波处理，重构数据信号，抑制低频振动含噪信号中的噪声。

2.2 联合滤波

联合滤波[7]即根据单独个体噪声的特点表征获取噪声在低频环境中分布的真实情况。设定一个含有X个低频振动噪声的数组，对数组进行联合滤波处理分解低频振动噪声，获取i个估计值，即各个低频振动噪声分别对应一个估计值。当低频振动噪声差异分解后，则进行联合滤波操作：

（1）对分解后的低频振动噪声数组进行线性变换；

（2）通过收缩变换域的系数有效减少噪声；

（3）经过逆线性变换获取低频振动噪声对应的估计值。

2.3 聚集

经过分组和滤波操作后，低频振动噪声可能会存在重叠区域。由于不同振动噪声之间的频率估计值存在明显差异，需要对其进行加权处理，消除重叠部分的估计值，提高计算精度。考虑低频振动噪声x表示为：

式中：y代表低频振动噪声最大频率，z代表低频振动噪声最小频率。对低频振动噪声进行小波分解，获取对应的高低频率分量，以此作为提取低频噪声的基础。

2.4 提取

使用功率频谱分析法[8]，进行低频噪声的专项分析。通过此种方式，实现对低频噪声信号的精准提取。在此过程中，可认为车辆在一定范围内行驶所引起的低频噪声处于平稳状态。对聚集处理后的采集样本数据频谱密度进行分析，计算不同信号值的功率谱，对获取的结果值与信号低频范围进行比对，结果处于低频范围内输出数值，完成低频噪声的精准提取。

2.5 消噪处理

在低频噪声精准提取的基础上，对低频噪声信号进行消噪处理。消噪处理的方式有三种，分别为强制处理、默认阈值消噪处理以及软阈值消噪处理。强制处理是将所有的低频噪声消除为0，默认阈值消噪处理是结合消噪处理的范围与默认范围进行低频噪声处理，软阈值消噪处理是结合消噪处理经验与标准化频率计算公式对噪声进行消噪处理。考虑到本次消噪的噪声信号为低频信号，因此选择第一种消噪处理方式，将所有的低频信号进行集中消噪处理，直至信号中的噪声全部剔除，完成消噪处理。至此，完成了基于小波变换的低频振动噪声消噪处理，结合大数据挖掘的低频振动噪声信号数据采集，实现了车辆驾驶室低频振动噪声消噪处理。

3 对比实验

本文选择某地区大型汽车修理加工厂作为实验的场所。与实验单位技术人员对接后，发现此修理厂中现有一台载重为8.0 t 的新型装载车辆，在预售前的监测阶段发现驾驶室存在低频噪声问题。由专业人员辅助技术人员对此携带噪声的车辆进行试驾，确定此车辆在发动机低速运转时存在噪声。此噪声较为明显，且噪声与驾驶室的腔体发生了共振现象，使驾驶人员听力系统受到影响。通过试驾，初步判断低频噪声来自驾驶室左侧。在此基础上，在车辆左侧位置安装振动传感器、声音传感器、LMS-数据采集器，用于实时获取车辆驾驶室内的低频噪声降噪处理结果。传感器安装位置如图1 所示。

图1 车辆驾驶室传感器安装位置示意图

如图1 所示，在车辆驾驶室前挡风玻璃上安装传感器A，在车辆驾驶室后挡风玻璃上安装传感器B，在车辆驾驶室司机座椅左侧安装传感器C。

将车辆噪声信号的采样频率设置为混合采集模式，主动控制振动噪声信号的采样频率范围为20～200 Hz，在LMS-数据采集器中完成对驾驶员听力系统的测试，获取对驾驶员影响效果较大的低频振动噪声信号频率。驾驶员听力声压结果如图2所示。

图2 消噪后的驾驶员听力声压结果

如图2 所示，在噪声激励下，驾驶员在低频振动噪声信号频率为29 Hz 和58 Hz 时出现50 dB 左右的声压峰值，因此可截取此部分信号通过大数据挖掘的k-means 聚类算法采集低频振动噪声信号数据特征。引入小波变换，按照信号的功率频谱分布，对低频噪声进行去噪处理，得到如图3 所示的低频噪声降噪信号时序图。

图3 车辆驾驶室低频噪声信号时序图

从图3 可以看出，经过小波变换的方法进行滤波去噪后，最终输出的所有信号均在-1～+1 范围内且波动幅度较小，实现了低频振动噪声的消噪处理。

在相同时序下，将本文方法结果与实测结果进行对比，以偏差值作为对比指标，得出误差值。偏差值计算公式为：实测结果-方法结果，计算单位为dBm，随机计算10.0 个测点，统计结果偏差值作为实验结果，如表1 所示。

从表1 所示的实验偏差值结果可以看出，本文提出的车辆驾驶室低频振动噪声消噪处理方法，在实际应用中可以提高降噪处理结果精度，有效控制结果偏差，实现实现低频振动噪声的消噪处理。

表1 偏差值结果

3 结语

为了更好地对车辆驾驶室低频振动噪声进行控制，降低驾驶员听力系统受影响程度，确保车辆行驶安全，本文结合大数据挖掘的噪声信号采集方法与小波变换的噪声消噪处理方法，对车辆驾驶室低频振动噪声降噪进行研究。通过实验，对车辆驾驶室低频振动噪声控制效果进行检测，结合偏差值结果分析，证明本文方法可以有效实现车辆驾驶室低频振动噪声消噪处理，保障车辆稳定行驶。