汽车风噪源的识别与定位技术研究

汽车风噪源的识别与定位技术研究

刘丹丹 吴红雷 裴玉 钱浩

长城汽车股份有限公司  河北保定  071000

摘要：汽车风噪源是随着汽车行驶产生的一种噪音，对驾乘者的舒适性和车内声品质有着重要影响。然而，汽车风噪源的复杂性使其识别与定位成为一个具有挑战性的问题。过去几十年里，许多研究者致力于发展各种方法和技术来解决这一问题。传统的声学分析方法通过采集和分析声音信号，可以获取一些基本的特征信息。然而，这些方法往往受到环境噪声和其他噪音的干扰，且对于复杂场景的适应能力有限。为了克服传统方法的局限性，越来越多的研究开始关注基于机器学习的汽车风噪源识别与定位技术。机器学习算法可以通过对大量数据进行训练和学习，自动提取风噪源的特征并进行分类或定位。这种方法不仅克服了传统方法在处理复杂情况下的困难，还可以逐步提高系统的准确性和稳定性。

关键词：汽车风噪源；识别；定位技术

引言

随着人们对行车舒适性要求的不断提升，汽车风噪源的识别与定位技术成为了热门研究领域。汽车风噪源的特点复杂多样，其位置与产生的噪声强度与车辆结构、外部气流条件等因素紧密相关。因此，准确识别与定位风噪源对于优化车辆空气动力学设计和提高内部舒适性至关重要。传统的声学分析方法对风噪源的识别与定位提供了一些基础手段。然而，仅依靠声音信号的频谱和特征分析往往无法满足对复杂噪声源的准确定位需求。随着机器学习技术的快速发展，利用大数据和深度学习的方法已经取得了显著进展。这种方法可以通过对大量实验数据进行学习，从中获取隐含的噪声特征模式，并实现更精准的风噪源识别与定位。

1汽车风噪源的特点

汽车风噪源是指汽车行驶时由于车辆运动与空气流动产生的噪音，汽车风噪源主要集中在高频段，通常在500Hz以上。这是因为风噪是由于汽车运动引起的空气流动产生的，而高频噪音对应于空气流动的快速涡流和湍流形成的噪声。汽车风噪源具有连续性，即噪声持续存在于整个行驶过程中。不同于某些特定事件或瞬态噪声，比如发动机启动时的爆震声。汽车风噪源具有一定的方向性，即噪声在汽车的不同部位产生的声压级和频谱特征有所差异。例如，车窗边缘、后视镜或车门开口等处的气流流动会产生较大的风噪。汽车风噪源的强度和特征与车辆的行驶速度密切相关。随着车速的增加，风噪的声压级也会增加。这是因为随着速度的提高，车辆与空气之间的相对速度增加，从而引起更强的空气流动和涡流形成。汽车风噪源对乘客的舒适性有重要影响。较高的风噪水平会干扰乘客的交流、听觉体验以及旅途的愉悦感，因此对于提高乘坐舒适性，降低风噪是一个重要的考虑因素。

2汽车风噪源识别技术

2.1声学分析

传统方法中，声学分析是一种常用的汽车风噪源识别的方法。通过采集汽车行驶时的声音信号，可以获取到风噪源产生的噪声信息。在进行声学分析之前，需要对噪声信号进行预处理以消除环境噪声和车辆其他噪音的干扰。预处理包括滤波、降噪等操作，以提高数据的质量。进行频谱分析、能量谱分析等操作，通过对声音信号频率、幅度、能量等特征进行提取，找出与风噪源相关的特征信息。常用的特征提取方法包括快速傅里叶变换（FFT）、小波变换等。频谱分析可以展现声音信号在不同频率上的能量分布情况，能量谱分析可以衡量声音信号的能量分布。

2.2机器学习方法

基于机器学习的方法在汽车风噪源识别中得到了广泛应用，该方法通过对大量带有标签的风噪源声音数据进行采集和预处理，例如去除噪声和归一化等操作，以提高数据的质量和可靠性。特征提取和分类方法也被广泛应用于汽车风噪源的识别中。特征选择可以从众多的特征中挑选出对风噪源具有较高区分度的特征，例如频率、功率、频谱特征等。分类方法根据特征集合将声音信号进行分类，将其划分为风噪源和非风噪源。常用的分类方法包括支持向量机（SVM）、最邻近算法等。通过特征选择和特征工程方法，从声音信号中提取最具区分性的特征。常用的特征选择方法包括互信息、卡方检验等。在提取到特征后，可以选择适合的机器学习算法建立风噪源的识别模型。常用的机器学习算法包括支持向量机（SVM）、随机森林（Random  Forest）、深度学习等。在使用这些机器学习算法时，需要对模型进行训练和优化。通过对训练数据的反复迭代学习，模型可以逐渐调整参数，提高对风噪源的准确识别能力。最后，将训练好的模型应用于新的声音数据，就可以实现对汽车风噪源的准确识别。

3汽车风噪源定位技术

3.1信号处理

基于信号处理的方法中，阵列声学技术是一种常用的方法。该方法利用多个传感器来同步采集汽车外部空气流动产生的噪声信号，并通过阵列处理算法来分析信号的差异和相位特征，以实现对风噪源的定位。阵列声学技术可以将多个传感器的信号进行合成，从而增强对风噪源的感知能力。其中一种常用的算法是波束形成（Beamforming）。波束形成通过调整阵列传感器之间的时延差和幅度加权系数，使得风噪源在特定方向上的信号加强，从而实现对风噪源的聚焦定位。通过分析波束形成后的信号，在空间域上可以确定风噪源的位置和方向。自适应信号处理方法也可用于风噪源的识别与定位。自适应滤波器（Adaptive Filtering）可以根据环境和信号特性自动调整滤波器的参数，降低非风噪源的干扰，提高对风噪源的识别能力。通过将风噪源信号与非风噪源信号进行滤波和差异化处理，可以实现对风噪源的准确定位。

3.2图像处理

基于图像处理的方法也被广泛应用于汽车风噪源的定位，该方法通过在汽车上安装摄像头来获取汽车周围的图像，然后利用图像处理算法来检测和分析图像中的流动模式和噪声特征，从而实现对风噪源的定位。例如，利用光流法（Optical Flow）可以获取图像序列中目标物体的运动信息。风噪源会引起周围空气流动的变化，通过对图像序列中的光流信息进行分析，可以判断噪声的来源和位置。此外，计算机视觉和深度学习算法也可以应用于风噪源的识别与定位。例如，利用卷积神经网络（CNN）对图像进行分类和特征提取，可以实现对风噪源和非风噪源的区分。通过建立深度学习模型并进行训练，可以实现对新图像中风噪源的定位和识别。

3.3模拟仿真

模拟仿真方法在汽车风噪源定位中具有很高的准确性和可靠性，通过建立精确的数学模型和物理模型，可以考虑到各种因素对风噪源产生和传播的影响，如车辆结构、空气流动特性等。通过计算和仿真，可以模拟出风噪源在不同位置和工况下的传播情况，并得出准确的定位信息。通过对模拟结果的分析和比对，可以确定风噪源的具体来源和强度，为进一步的优化和改进提供重要依据。模拟仿真方法的应用可以减少实际试验的成本和时间，提高工作效率。

结束语

综上所述，汽车风噪源的识别与定位技术可以有效降低车内噪声水平，提升驾乘舒适性和体验。当前已经有一些方法和算法被提出并取得了一定的成果，然而仍然存在一些挑战和需要改进的方面。未来的研究应更加注重实时性、鲁棒性以及系统准确性的提升。

参考文献

[1]徐鹏,刘海军,宋佰高等.某SUVA柱棱线位置对车内风噪性能的影响[J].汽车工程师,2020,(01):20-23.

[2]袁军,刘东旭,吕韦喜等.基于汽车风噪的主动噪声控制系统的研究与设计[J].重庆理工大学学报(自然科学),2019,33(10):9-15.

[3]孙诗怡.汽车外造型对风噪声的影响研究[D].河北工业大学,2019.

[4]代素珍,柯有恩.某SUV车型道路风噪测试及改善[J].内燃机与配件,2019,(05):77-79.

[5]王毅刚,张婕,俞悟周等.基于统计能量法的汽车风噪传播特性分析[J].同济大学学报(自然科学版),2018,46(12):1696-1704.