近日，上海工程技術(shù)大學(xué)NVH團(tuán)隊(duì)在《Applied Acoustics》期刊（SCIE，中科院二區(qū)期刊，IF=3.4）發(fā)表了題為“A study on active sound quality control method for the transient wiper-windshield friction noise of a vehicle”的論文。文中設(shè)計(jì)了兩種新型的主動(dòng)聲品質(zhì)控制算法：基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的權(quán)重約束自適應(yīng)噪聲均衡（WC-EEMD-ANE）算法和基于離散小波變換（DWT）的深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DWT-DRNN）算法。通過(guò)建立心理聲學(xué)模型，利用EEMD和DWT對(duì)瞬態(tài)噪聲信號(hào)進(jìn)行分解，并結(jié)合LMS算法和LSTM網(wǎng)絡(luò)進(jìn)行噪聲控制，實(shí)現(xiàn)了對(duì)雨刮器摩擦噪聲的有效抑制。研究還通過(guò)仿真和實(shí)驗(yàn)驗(yàn)證了所提算法的有效性，并進(jìn)行了主觀評(píng)價(jià)測(cè)試，證明了該方法能夠顯著降低車(chē)內(nèi)噪聲水平，提升車(chē)內(nèi)聲品質(zhì)。

文章鏈接：https://doi.org/10.1016/j.apacoust.2025.110551

1. 內(nèi)容摘要

本文提出了兩種針對(duì)不同工況下車(chē)輛瞬態(tài)雨刷-擋風(fēng)玻璃摩擦噪聲的新型主動(dòng)聲品質(zhì)控制（ASQC）方法。首先，通過(guò)調(diào)節(jié)增益因子，提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的權(quán)重約束自適應(yīng)噪聲均衡算法（WC-EEMD-ANE），用于抑制雨刷摩擦噪聲的固有模態(tài)函數(shù)（IMF）成分。其次，針對(duì)非線性問(wèn)題，基于離散小波變換（DWT），構(gòu)建了具有長(zhǎng)短期記憶（LSTM）的深度循環(huán)神經(jīng)網(wǎng)絡(luò)算法（DWT-DRNN），專(zhuān)門(mén)用于瞬態(tài)摩擦噪聲的主動(dòng)聲品質(zhì)控制。以響度、粗糙度與尖銳度等心理聲學(xué)參數(shù)為優(yōu)化目標(biāo)，分別采用WC-EEMD-ANE和DWT-DRNN算法對(duì)雨刷摩擦噪聲進(jìn)行主動(dòng)聲品質(zhì)調(diào)控。仿真與實(shí)驗(yàn)結(jié)果表明：所提兩種算法在不同工況下均能有效實(shí)現(xiàn)雨刷摩擦噪聲的主動(dòng)聲品質(zhì)控制。其中，DWT-DRNN憑借其優(yōu)異的時(shí)頻特性，可同步降低噪聲響度、粗糙度與尖銳度指標(biāo)。主觀評(píng)價(jià)實(shí)驗(yàn)進(jìn)一步驗(yàn)證了其有效性，使其成為雨刷摩擦噪聲主動(dòng)控制的強(qiáng)效工具。所提方法可直接應(yīng)用于提升車(chē)內(nèi)聲品質(zhì)，并具有向其他工程瞬態(tài)噪聲擴(kuò)展應(yīng)用的潛力。

2. 算法原理

WC-EEMD-ANE算法是一種針對(duì)復(fù)雜瞬態(tài)噪聲的主動(dòng)聲品質(zhì)控制方法。結(jié)合了集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）和自適應(yīng)噪聲均衡（ANE）技術(shù)，通過(guò)EEMD將原始噪聲信號(hào)分解為多個(gè)內(nèi)在模態(tài)函數(shù)（IMFs），然后利用ANE算法對(duì)每個(gè)IMF分量進(jìn)行單獨(dú)的增益因子調(diào)整，以實(shí)現(xiàn)對(duì)噪聲的有效抑制。為了進(jìn)一步優(yōu)化算法性能，該方法引入了權(quán)重約束模塊，通過(guò)計(jì)算每個(gè)IMF分量的方差比來(lái)動(dòng)態(tài)調(diào)整權(quán)重更新規(guī)則，從而提高算法的收斂速度和穩(wěn)定性，使其在控制低頻和瞬態(tài)噪聲方面表現(xiàn)出色。其算法框圖如圖1所示。

圖1　WC-EEMD-ANE算法的原理框圖

DWT-DRNN算法是一種用于主動(dòng)聲品質(zhì)控制的方法，結(jié)合了離散小波變換（DWT）和深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DRNN）。該算法首先利用DWT將復(fù)雜的瞬態(tài)噪聲信號(hào)分解為多個(gè)子帶信號(hào)，以捕捉不同頻率范圍內(nèi)的噪聲特征。隨后，DRNN中的長(zhǎng)短期記憶單元（LSTM）對(duì)這些子帶信號(hào)進(jìn)行處理，動(dòng)態(tài)調(diào)整網(wǎng)絡(luò)參數(shù)以適應(yīng)非線性和時(shí)變的噪聲特性。通過(guò)這種方式，DWT-DRNN能夠有效抑制瞬態(tài)噪聲，尤其在高頻噪聲成分的控制上表現(xiàn)出色。該算法在降低響度、粗糙度和尖銳度等心理聲學(xué)指標(biāo)方面表現(xiàn)優(yōu)異，顯著提升了車(chē)內(nèi)聲品質(zhì)。其算法框圖如圖2所示。

圖2 DWT-DRNN算法的原理框圖

3. 仿真分析 

3.1 噪聲采集實(shí)驗(yàn) 

雨刮-風(fēng)窗摩擦噪聲測(cè)量實(shí)驗(yàn)在半消聲室內(nèi)進(jìn)行測(cè)試，以確保外部環(huán)境噪聲的干擾最小化。實(shí)驗(yàn)中，雨刮器系統(tǒng)按照低速和高速、干燥和濕潤(rùn)四種典型工作條件運(yùn)行，通過(guò)LMS Test.Lab數(shù)據(jù)采集系統(tǒng)在前排乘客左右耳位置分別記錄噪聲信號(hào)，具體如圖3所示。采樣率設(shè)置為10240 Hz，持續(xù)時(shí)間為10秒。

圖3 雨刮-風(fēng)窗摩擦噪聲測(cè)量的實(shí)驗(yàn)設(shè)置

3.2 噪聲分解與方差比計(jì)算

在不同工作條件下（低速干燥、低速濕潤(rùn)、高速干燥和高速濕潤(rùn)）雨刮-風(fēng)窗摩擦噪聲的內(nèi)在模態(tài)函數(shù)（IMF）分量的頻譜如圖4所示。通過(guò)集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）方法，原始噪聲信號(hào)被分解為多個(gè)IMF分量，每個(gè)分量代表了信號(hào)在不同頻率范圍內(nèi)的局部特征。圖中可以看到，從IMF4到IMF7的分量在頻譜中具有顯著的能量分布，表明這些分量對(duì)原始噪聲的貢獻(xiàn)較大，是影響車(chē)內(nèi)聲品質(zhì)的關(guān)鍵因素。這些關(guān)鍵IMF分量的識(shí)別為后續(xù)的主動(dòng)聲品質(zhì)控制提供了重要的依據(jù)，幫助確定需要優(yōu)先控制的噪聲頻率范圍，從而實(shí)現(xiàn)更有效的噪聲抑制。

圖4 不同工作條件下摩擦噪聲的IMF分量的計(jì)算頻譜：(a) 低速干燥，(b) 低速濕潤(rùn)，(c) 高速干燥，(d) 高速濕潤(rùn)

四種不同工作條件下（低速干燥、低速濕潤(rùn)、高速干燥和高速濕潤(rùn)），雨刮-風(fēng)窗摩擦噪聲的內(nèi)在模態(tài)函數(shù)（IMF）分量的方差比如圖5所示。方差比是指每個(gè)IMF分量的方差與原始噪聲信號(hào)方差的比值，用于衡量每個(gè)IMF分量對(duì)原始噪聲信號(hào)的貢獻(xiàn)程度。

圖5 不同工作條件下摩擦噪聲的IMF分量的計(jì)算方差比：(a) 低速干燥，(b) 低速濕潤(rùn)，(c) 高速干燥，(d) 高速濕潤(rùn)

3.3 控制結(jié)果 

圖6至圖11通過(guò)時(shí)域、頻域和心理聲學(xué)指標(biāo)（響度、粗糙度、尖銳度）的分析，全面展示了DWT-DRNN和WC-EEMD-ANE兩種算法在不同工作條件下對(duì)雨刮器與擋風(fēng)玻璃摩擦噪聲的控制效果。DWT-DRNN算法在所有條件下均表現(xiàn)出更好的降噪性能，尤其是在高頻噪聲成分的控制上，顯著提升了車(chē)內(nèi)聲品質(zhì)。

圖6 三種ANE基算法的降噪結(jié)果在 (a) 時(shí)域，(b) 頻域，以及 (c) 對(duì)應(yīng)的收斂速度

圖7 DWT-DRNN算法的降噪結(jié)果在 (a) 時(shí)域，(b) 頻域，以及 (c) DWT-DRNN和WC-EEMD-ANE算法的收斂速度對(duì)比

圖8 在高速濕潤(rùn)條件下，DWT-DRNN和WC-EEMD-ANE算法對(duì)摩擦噪聲的主動(dòng)聲品質(zhì)控制結(jié)果：(a) 響度，(b) 粗糙度，(c) 尖銳度。

圖9 在三種工作條件下，WC-EEMD-ANE和DWT-DRNN算法獲得的響度：(a) 低速干燥，(b) 低速濕潤(rùn)，(c) 高速干燥

圖10 在三種工作條件下，WC-EEMD-ANE和DWT-DRNN算法獲得的粗糙度：(a) 低速干燥，(b) 低速濕潤(rùn)，(c) 高速干燥

圖11 在三種工作條件下，WC-EEMD-ANE和DWT-DRNN算法獲得的尖銳度：(a) 低速干燥，(b) 低速濕潤(rùn)，(c) 高速干燥

4. 結(jié)論

綜上所述，文中提出了一種針對(duì)汽車(chē)雨刮-風(fēng)窗摩擦噪聲的主動(dòng)聲品質(zhì)控制方法，通過(guò)設(shè)計(jì)兩種新型算法——基于集合經(jīng)驗(yàn)?zāi)B(tài)分解（EEMD）的權(quán)重約束自適應(yīng)噪聲均衡（WC-EEMD-ANE）算法和基于離散小波變換（DWT）的深度循環(huán)神經(jīng)網(wǎng)絡(luò)（DWT-DRNN）算法，有效改善了車(chē)內(nèi)聲品質(zhì)。研究結(jié)果表明，WC-EEMD-ANE算法在降低響度和粗糙度方面表現(xiàn)出色，但對(duì)尖銳度的控制效果有限；而DWT-DRNN算法在所有心理聲學(xué)指標(biāo)（響度、粗糙度和尖銳度）上均優(yōu)于WC-EEMD-ANE，顯示出更強(qiáng)的瞬態(tài)噪聲抑制能力和更快的收斂速度。通過(guò)主觀評(píng)價(jià)測(cè)試進(jìn)一步驗(yàn)證了DWT-DRNN算法在提升車(chē)內(nèi)聲品質(zhì)方面的顯著優(yōu)勢(shì)，使其成為一種有效的主動(dòng)聲品質(zhì)控制工具，有望在汽車(chē)NVH工程中得到廣泛應(yīng)用。

5. 致謝

本文得到國(guó)家自然科學(xué)基金項(xiàng)目（No.52172371）、上海市優(yōu)秀學(xué)術(shù)帶頭人項(xiàng)目（No. 21XD1401100）、上海市新能源汽車(chē)振動(dòng)噪聲評(píng)價(jià)與控制專(zhuān)業(yè)技術(shù)服務(wù)平臺(tái)基金資助項(xiàng)目（No. 18DZ2295900）資助。