基于心理声学客观参数的变速器质量评价方法与流程

本发明涉及变速器检测技术领域，特别的涉及一种基于心理声学客观参数的变速器质量评价方法。

背景技术：

传动系作为汽车的重要总成，发挥着将动力从发动机传给驱动车轮的重要作用。其中变速器位于发动机的输出端，其功用是改变传动比，实现倒车以及利用空档中断动力传递。汽车总成投诉量的统计数据表明，传动系投诉量占总投诉量的25.88％，排名第二。变速器质量问题直接关乎汽车行驶性能，这是与乘员的生命安全需求紧密联系的。质量低劣的产品不仅会危害乘员生命健康和财产损失，还会损害品牌价值，浪费企业生产成本。除此之外，变速器作为传动系中的重要部件，其啸叫、敲击等nvh(noise,vibration,harness)问题严重影响着用户的舒适性体验。为减少此类事件的发生，保障汽车安全性、可靠性、经济性、舒适性，研究变速器nvh质量评价系统，是在变速器这一零部件水平保证汽车整体设计、制造、装配质量，提高用户和市场认可度，从而提高经济效益的最后一道防线。

目前，企业研发的变速器nvh质量评价系统已经可以做到实时检测被试件振动噪声信号的多种分析指标对比，并有专业听音人员进行听音、评判，从而在振动、声音的不同指标上确保出厂变速器质量合格。但是有人员参与的变速器下线检测台存在很大痛点：第一，人对声音的感觉是主观的，受个体差异的影响较大，且长时间工作会导致疲劳，造成评判不准或存在误差；第二，下线检测台检测分析的振动噪声信号统计指标由于检测精度的需要而过于严苛，在弱故障或复合故障的异常情况下，具有大量噪声的非平稳振动噪声信号导致此检测任务更具挑战性，使得检测台存在一大部分合格的产品被当做“不合格”处理；第三，人力成本对于企业花费较大，尽可能的减少人的参与，使用机器、程序替代人的重复劳动势在必行。因此，为了满足企业对于检测台识别精度的需求，降低识别误差率，为企业节省成本，研究下线检测台振动噪声信号识别显得尤为重要。

目前广泛采用的变速器nvh故障识别方法是在人工智能理论支持下的专家系统中对振动噪声等各类信号进行分析。虽然在学术成果中有很多的检测指标，但是只有一小部分被应用到了专家系统中。这是由于工业检测中需要提供针对不同零部件、在不同故障级别的状态监测统计指标，这就需要将状态监测指标具体化。

变速器是复杂的旋转机械，其发生故障时，以非平稳信号和非高斯分布信号为主，如何从非平稳信号中提取关键的故障信息成为了变速器故障诊断的关键。常见的故障诊断流程主要分为信号采集、特征提取、特征选择和融合、故障识别四部分。在第一阶段，信号采集主要采用振动、噪声、温度、精密检测等方式。在第二、三阶段，信号处理方式是否相同，故障形式是否相同，都会导致最后指标量的较大差异，这就使得研究特征提取变得有重要意义。在最后阶段，故障识别主要依据提取的特征信息、先前的知识、经验等做出判断。虽然特征提取方法在理论上已经取得了丰富的成果，但是对于工业的大批量应用，仍然存在很多问题：由于特征提取是由人直接参与的，主观性较强，基于统计分析导致工作量较大，特征提取质量的好坏也会直接关系到故障识别的准确率，基于经验的判断也会导致学习门槛增加以及较为严重的判断失误。随着计算机硬件水平和信息处理技术的不断发展，研究者们逐渐从“设计特征”转向“特征学习”，即研究机器自动学习故障特征的智能诊断技术成为新的研究趋势。一些研究者通过将成熟、简单的特征提取技术结合日新月异的机器学习算法，也在部分领域取得了较好的识别精度。心理声学参数是描述不同声音信号所造成主观感受差别程度的客观物理量，采用心理声学客观参数分析声信号，可以定量分析听觉感受的差别，消除个人主观感受的影响。但是，如何通过心理声学客观参数对变速器质量进行评价成为亟待解决的问题。

技术实现要素：

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种评判结果客观准确，有利于降低检测人员劳动强度，降低检测成本的基于心理声学客观参数的变速器质量评价方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于心理声学客观参数的变速器质量评价方法，其特征在于，先基于机器学习算法搭建信号评价模型，再对信号评价模型进行训练和测试，然后利用信号评价模型对待测变速器进行质量评价；所述信号评价模型采用如下步骤进行训练和测试：

a、采集振动噪声信号并标注标签：将变速器安装在测试台架上，在非稳态工况下，在线实时采集变速器运行过程中的振动噪声信号，同时，由听音人员进行测试听音，并根据测试听音结果将采集到的振动噪声信号标注标签，分别为合格标签或不合格标签，其中，不合格标签具体包括齿轮磕碰伤标签、输入轴磕碰伤标签、拨叉干涉标签、啸叫标签和其他不合格标签；

b、提取信号特征：将采集到的振动噪声信号进行数据处理，获取振动噪声信号的心理声学参数，并将步骤a中对振动噪声信号标注的标签标注在对应的心理声学参数上；

c、建立训练数据集和测试数据集：将标注标签的心理声学参数分成两组，分别建立心理声学参数训练数据集和心理声学参数测试数据集；

d、对信号评价模型进行训练：将心理声学参数训练数据集及对应标签输入到所述信号评价模型中，训练机器识别不同的心理声学参数和对应标签；

e、对信号评价模型进行测试：从心理声学参数测试数据集中随机抽取心理声学参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的心理声学参数的对应标签进行比较，若二者一致则表示识别准确，否则为识别错误；统计信号评价模型的识别准确率，若识别准确率低于设定的识别准确率，重复步骤d～e，直到识别准确率高于设定的识别准确率。

进一步的，所述步骤b中，所述心理声学参数包括语音干扰水平、信号总响度和尖锐度，并将步骤a中对振动噪声信号标注的标签标注在对应的所述语音干扰水平、信号总响度和尖锐度上；所述步骤c中，将标注标签的语音干扰水平、信号总响度和尖锐度分别建立语音干扰水平数据集、信号总响度数据集和尖锐度数据集；并将所述语音干扰水平数据集、信号总响度数据集和尖锐度数据集分别分成两组，建立语音干扰水平训练数据集、语音干扰水平测试数据集、信号总响度训练数据集、信号总响度测试数据集、尖锐度训练数据集和尖锐度测试数据集；所述步骤d中，将语音干扰水平训练数据集中的语音干扰水平参数和对应标签输入到所述信号评价模型中，训练机器识别不同的语音干扰水平参数和对应标签；将信号总响度训练数据集中的信号总响度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的信号总响度参数和对应标签；将尖锐度训练数据集中的尖锐度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的尖锐度参数和对应标签；所述步骤e中，从语音干扰水平测试数据集中随机抽取语音干扰水平参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的语音干扰水平参数的对应标签进行比较，统计信号评价模型对语音干扰水平参数的识别准确率；从信号总响度测试数据集中随机抽取信号总响度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的信号总响度参数的对应标签进行比较，统计信号评价模型对信号总响度参数的识别准确率；从尖锐度测试数据集中随机抽取尖锐度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的尖锐度参数的对应标签进行比较，统计信号评价模型对尖锐度参数的识别准确率；比较信号评价模型对语音干扰水平参数、信号总响度参数和尖锐度参数的识别准确率，选取识别准确率最高的心理声学参数作为主要识别对象，并将信号评价模型对该心理声学参数的识别准确率与设定的识别准确率比较，若识别准确率低于设定的识别准确率，重复该心理声学参数的步骤d～e，直到识别准确率高于设定的识别准确率。

进一步的，所述步骤a中，非稳态工况是指将变速器的转速以固定加速度进行加速或减速的运行工况。

进一步的，所述语音干扰水平sil-5采用如下公式计算：

式中：l500表示频率为中心频率为500hz时的倍频程取值，l1000，l2000，l4000，l8000分别表示中心频率为1000hz，2000hz，4000hz，8000hz时的倍频程取值。

进一步的，所述信号总响度采用如下步骤计算：

先采用如下公式获取特征响度n’(z)：

式中：z：依据zwicker模型理论的定义将人耳所能听到的20hz到16000hz频率划分为24个临界频带所得到各个临界带，单位为bark；

etq：安静环境中听阈对应的激励；

eo：参考激励值，其为参考声强io＝10^-12瓦/米²的激励；

e：被计算的声音对应的激励；

再对特征响度n’(z)在0～24bark积分得到总响度：

式中n’(z)为特征响度，单位为sone/bark；n为总响度。

进一步的，所述尖锐度s采用如下公式计算：

式中：k为加权系数，k＝0.11；z为心理声学的临界频带，单位为bark；n’(z)表示特征响度，单位为sone/bark；n为总响度；g(z)函数具体为：

综上所述，本发明具有评判结果客观准确，有利于降低检测人员劳动强度，降低检测成本等优点。

附图说明

图1为噪声信号的频谱图。

图2为噪声信号的1/1倍频程图。

图3为倍频程带图。

图4为zwicker响度模型中的绝对听阈曲线。

图5～图10为语音干扰水平sil-5的示意图。

图11为质量评价的流程图。

具体实施方式

下面结合对某变速器生产厂家的mf62****型变速器进行的质量评价对本发明作进一步的详细说明。

为保证正常的生产经营，信号评价模型与听音人员测试听音全程同步进行，具体采用如下步骤；将振动传感器安装在测试台架上，将变速器的转速以固定加速度进行加速，在线实时采集变速器运行过程中的振动信号，同时，由听音人员进行测试听音，并根据测试听音结果将采集到的振动噪声信号标注标签，分别为合格标签或不合格标签，其中，不合格标签具体包括齿轮磕碰伤标签、输入轴磕碰伤标签、拨叉干涉标签、啸叫标签和其他不合格标签。

质量评价流程图如图11所示，具体实施时，由于听音人员上班后，需要一定的时间进入工作状态，而且连续工作后，会因为疲劳等原因，会对判断结果的准确性产生影响，为获取更加准确的数据，采集每天上午上班后半小时到一个半小时之间检测的变速器数据，并累计采样至少500组。

将采集到的振动噪声信号进行数据处理，获取振动噪声信号的心理声学参数，包括语音干扰水平、信号总响度和尖锐度，并将对振动噪声信号标注的标签标注在对应的所述语音干扰水平、信号总响度和尖锐度上。

其中，语音干扰水平、信号总响度和尖锐度分别采用如下方式计算：

语音干扰水平sil-5采用如下公式计算：

式中：l500表示频率为中心频率为500hz时的倍频程取值，l1000，l2000，l4000，l8000分别表示中心频率为1000hz，2000hz，4000hz，8000hz时的倍频程取值。

倍频程：人耳能听到的声音信号的频率范围为20hz到20khz，在声音信号频谱分析一般不需要对每个频率成分进行具体分析。为了方便起见，人们把20hz到20khz的声频范围分为几个段落，每个频带成为一个频程。频程的划分采用恒定带宽比，即保持频带的上、下限之比为一常数。频程由中心频率值、上限频率值及下限频率值决定，上下限频率之差称为频程带宽。

倍频程中心频率计算公式：

iso和ansi已认可的两种方法中各频段的中心频率已明确定义。一种方法是用2为基数，相邻两个中心频率之比为2^(1/n)，当n＝3时为1/3倍频程，其他倍频程类似。另一种方法是用10为基数，相邻两个中心频率之比为10^(3[10n])，这个比率也可以写成2^(3/[10nlog2])。两个比率的现实作用是几近相同的，但是如果对频带边界上的单频信号感兴趣，不同的比率可能导致这些信号出现在不同的倍频程带中。基数2使用更简单，但是基数10实际上是更加合理的数值。在国标gb3240-1982：声学测量中的常用的频率在采用就是基数10的方法。

理论中心频率和频带的计算是基于isor266和ansis1.6-1984,在实际应用中，通常采用的中心频率是其近似值，即为理论值。而对于实际的中心频率计算是根据国际电工委员会(iec)的推荐，

fc＝1000×10^3n/30

其中，

fc为实际中心频率值，

n代表频带数，n＝0，±1，±2。

音频部分的倍频程的基准频率是1000hz。因为通常音频方面的工作不太关心这些非常低的频率成分。一般为了方便，频带数是从1开始计算的，即使小于20hz频率的声音无法被人耳所听到。

中心频率值、上限频率值及下限频率值关系

频程的划分用上、下限频率的比值来表示，即

每个倍频程以中心频率称呼，中心频率与上、下限频率以及带宽之间的关系分别是

式中，

fu为上限频率值

fl为下限频率值，

fl为实际中心频率值，

δf为频程带宽，

n为倍频程倍数，若n＝1，则称为1倍频，简称倍频程。

按此公式，已知中心频率，即可求出上、下限频率值。

频程的相对宽度都是常数(频程的划分采用恒定带宽比，即保持频带的上、下限之比为一常数，1倍频程的带宽比为2^1/2-2^-1/2＝0.707，1/3倍频程的带宽比为)，其绝对宽度则随着中心频率的增加而按一定的比例增加。

振动噪声数据的倍频程计算：

如图1和图2所示为一个噪声信号的频谱图和1/1倍频程图，图1是由一条条谱线所组成，图2是由相应的倍频程带组成。

在进行倍频程计算时，根据相应的方法(基数10还是基数2)来确定各个倍频程带的上下限频率(倍频程带)，因此，相应倍频程带内的谱线数也就确定了。各个倍频程(1/n倍频程)带内的声压均方值是该频带内频谱谱线幅值的均方值之和：

式中，pi是各条谱线的均方值，

为各个倍频程(1/n倍频程)带内的声压均方值

然后再对上式计算分贝值

splband(db)为某个频带内的总声压级，单位为db，

为各个倍频程(1/n倍频程)带内的声压均方值，

pref＝2.0×10^-5，为参考声压，即人耳刚刚可以听到的声压。

因此，倍频程表示的是相应倍频程带内的声能之和，如图3所示。深色线条表示相应的频谱成分，由于高频段倍频程带越宽，因此，相应的谱线越密集。从图3也可以看出，当倍频程用于噪声测试时，是评价一个完整倍频程内的噪声平均幅值，常用于分析宽带噪声，突显不出主要的频率成分。

图5～图10为按sil-5计算分析的结果，其横坐标为时间，纵坐标为声压级，单位db。对于不同种类的标签信号，其数据特征不同，这些特征就是机器进行识别的依据；本实施例中，图5的标签为合格；图6的标签为输入轴磕碰伤类；图7的标签为齿轮磕碰伤类；图8的标签为拨叉干涉类，图9的标签为啸叫；图10的标签为其他不合格类。在进行机器学习时，将每个分析项计算所得的数值结果输入模型进行学习。

所述信号总响度采用如下步骤计算：

响度是反映人耳对声音强弱主观感受的心理声学参数，其单位为宋(sone)。根据zwicker理论的定义，将人耳所能听到的20hz一16000hz频率划分为24个临界频带(bark)。

频率(hz)和临界频带(bark)之间的转换公式如下：

z＝13×tan^-1(0.00076f)+3.5×tan^-1(f/7500)²

下表是频率和特征频带的关系

表1频率与特征频带关系对应表

特征响度是各个临界频带内的响度，先采用如下公式获取特征响度n’(z)：

式中：

z：依据zwicker模型理论的定义将人耳所能听到的20hz到16000hz频率划分为24个临界频带所得到各个临界带，单位为bark；

etq：安静环境中听阈对应的激励；

eo：参考激励值，其为参考声强io＝10^-12瓦/米²的激励；

e：被计算的声音对应的激励；

式中，一般用声压级代替激励级，而安静环境中的听阈对应的声压级可通过图4得出，如此，可求得n’(z)。

再对特征响度n’(z)在0～24bark积分得到总响度：

式中n’(z)为bark域内的特征响度。

进一步的，所述尖锐度采用如下公式计算：

式中：acum为尖锐度s的单位，k为加权系数，k＝0.11；z为心理声学的临界频带，单位为bark；n’(z)表示特征响度，单位为sone/bark；n为总响度；g(z)函数具体为：

当bark数z大于16时，即临界带宽数大于16bark，声音的尖锐度明显提高，因此，在计算尖锐度时要引入加权系数g(z)

将标注标签的语音干扰水平、信号总响度和尖锐度分别建立语音干扰水平数据集、信号总响度数据集和尖锐度数据集；并将所述语音干扰水平数据集、信号总响度数据集和尖锐度数据集分别分成两组，建立语音干扰水平训练数据集、语音干扰水平测试数据集、信号总响度训练数据集、信号总响度测试数据集、尖锐度训练数据集和尖锐度测试数据集，保证语音干扰水平训练数据集、信号总响度训练数据集、尖锐度训练数据集均含有400条数据，语音干扰水平测试数据集、信号总响度测试数据集、尖锐度测试数据集均含有100条数据。

将语音干扰水平训练数据集中的语音干扰水平参数和对应标签输入到所述信号评价模型中，训练机器识别不同的语音干扰水平参数和对应标签；将信号总响度训练数据集中的信号总响度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的信号总响度参数和对应标签；将尖锐度训练数据集中的尖锐度参数和对应标签输入到所述信号评价模型中，训练机器识别不同的尖锐度参数和对应标签。

从语音干扰水平测试数据集中随机抽取语音干扰水平参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的语音干扰水平参数的对应标签进行比较，统计信号评价模型对语音干扰水平参数的识别准确率；从信号总响度测试数据集中随机抽取信号总响度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的信号总响度参数的对应标签进行比较，统计信号评价模型对信号总响度参数的识别准确率；从尖锐度测试数据集中随机抽取尖锐度参数输入到所述信号评价模型中，由信号评价模型识别并输出标签，将输出标签和输入的尖锐度参数的对应标签进行比较，统计信号评价模型对尖锐度参数的识别准确率。

经过比较，信号评价模型对语音干扰水平参数的识别准确率相对较高，选取语音干扰水平参数作为主要识别对象，增加语音干扰水平训练数据集内的数据，对信号评价模型进行训练，直到信号评价模型对语音干扰水平参数的识别准确率达到设定的90％。

由训练好的信号评价模型与听音人员同时分别对下线的变速器进行测试识别，并将信号评价模型的识别结果与听音人员的识别结果进行比较，工厂内，为保证听音结果更加准确，通常采用三个专业听音工程师进行听音，并综合得出结论。通过连续一天的检测，共计检测变速器110台，并将检测的变速器按照检测顺序编号。

信号评价模型的识别结果与听音人员的识别结果的一致率为78％，通过对不一致的变速器进行复检，二者的一致率上升至80％，复检过程中，信号评价模型的识别结果与前次的识别结果基本不变，复检一致率上升主要是听音人员对部分识别结果进行修正，其中修正识别结果的变速器编号主要集中在上午和下午工作开始阶段和结束阶段，说明专业听音工程师的听音结果受到疲劳影响较大，容易出现误判。另外就是在具有两项以上的不合格类型时，听音人员只能做出不合格评判，而无法准确定位具体的不合格类型。

以上所述仅为本发明的较佳实施例而已，并不以本发明为限制，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。