油电混合汽车排气系统噪声主动控制研究

发布时间：2017-09-23 22:32

  本文关键词：油电混合汽车排气系统噪声主动控制研究

  更多相关文章： 汽车排气系统 遗传算法 BP神经网络算法 GA-BP算法 噪声主动控制

【摘要】：随着汽车工业的快速发展和人们对环保理念的加深,新能源汽车备受消费者的青睐,油电混合汽车因其具有诸多优势在新能源汽车中崭露头角。同时由于人们对汽车乘坐舒适性的关注,使得汽车研发更加注重汽车的NVH性能。汽车排气系统的性能对汽车的整体性能有着重要影响。噪声是汽车对环境污染的重要指标之一。对于噪声的控制分为主动控制和被动控制两种方法。目前大多采用被动控制方法应用于对排气系统的噪声控制,主要针对于中高频噪声的控制,但是对低频噪声控制效果并不是很好。而噪声主动控制方法针对低频噪声具有很好的消声效果,恰好能解决汽车排气噪声中的低频部分。在噪声主动控制系统中,控制算法的选取直接影响到对噪声的控制效果。当下比较广为应用的是具有计算量小、简单且容易实现的基于线性自适应滤波理论的控制算法,如LMS算法。但是面对解决存在非线性的复杂问题时,线性控制算法便无法体现它的优点,这时候就需要应用非线性算法对问题进行处理。由于对汽车排气系统噪声中的中高频部分控制的研究已经比较成熟,本文主要研究汽车排气系统噪声中低频部分的控制,使用非线性控制算法来代替应用较为广泛的LMS算法。BP神经网络算法在解决非线性问题方面具有很强的实际应用能力。但是随着对其越来越深入的研究及应用,BP算法也显露出收敛精度较低、容易陷入局部极小值、对初始权值的选定比较敏感等缺点。本文引入具有全局优化特性、收敛精度高的遗传算法,来确定BP网络初始权值和阈值。进而提出GA-BP算法。本文建立前馈结构的汽车排气系统噪声主动控制系统模型,在对发动机排气噪声的产生机理和频率构成进行分析的基础上,利用MATLAB/Simulink软件进行仿真实验,分别比较采用LMS算法、BP网络算法、GA-BP神经网络算法的仿真结果。结果显示,对于存在非线性问题的系统,神经网络算法效果优于LMS算法,改进的GA-BP算法比BP算法的效果更好。为了验证本文提出的算法的有效性,对实测到的某款油电混合汽车的排气噪声进行处理,也取得了不错的效果。进一步表明,本文基于非线性控制算法的噪声主动控制方法能够有效地降低汽车排气噪声,其具有一定的应用价值,对汽车排气噪声主动控制的研究提供一定的参考。
【关键词】：汽车排气系统 遗传算法 BP神经网络算法 GA-BP算法 噪声主动控制
【学位授予单位】：沈阳工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U464.134.4
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-18
• 1.1 课题的背景和意义10-11
• 1.2 新能源汽车的发展现状11-15
• 1.2.1 新能源汽车的国内发展现状11-12
• 1.2.2 新能源汽车的国外发展现状12-14
• 1.2.3 油电混合汽车14-15
• 1.3 噪声主动控制的发展15-17
• 1.3.1 噪声主动控制的国外发展现状15-16
• 1.3.2 噪声主动控制的国内发展现状16-17
• 1.4 主要研究内容17-18
• 第2章 汽车排气噪声主动控制相关理论研究18-31
• 2.1 噪声主动控制原理18-19
• 2.2 排气系统自适应噪声主动控制系统19-21
• 2.2.1 排气系统自适应噪声主动控制原理19-20
• 2.2.2 参考信号的采集20-21
• 2.3 自适应噪声主动控制系统结构21-25
• 2.3.1 前馈控制系统21-23
• 2.3.2 反馈控制系统23-24
• 2.3.3 混合型控制系统24-25
• 2.4 基于线性的控制算法25-28
• 2.4.1 LMS控制算法25-27
• 2.4.2 RLS控制算法27-28
• 2.5 神经网络控制算法28-30
• 2.5.1 神经网络算法简介28-30
• 2.5.2 神经网络的应用30
• 2.6 本章小结30-31
• 第3章 噪声主动控制神经网络控制算法理论研究31-51
• 3.1 BP神经网络31-33
• 3.1.1 BP网络算法31-33
• 3.1.2 BP算法存在的缺点33
• 3.2 遗传算法及其改进算法33-37
• 3.2.1 遗传算法33-36
• 3.2.2 遗传算法的特点36-37
• 3.3 GA-BP网络算法37-45
• 3.3.1 遗传的编码与解码37-39
• 3.3.2 适应度函数的设计39-40
• 3.3.3 遗传算子的设计40-43
• 3.3.4 GA-BP网络算法的设计43-45
• 3.4 控制算法的仿真45-49
• 3.5 本章小结49-51
• 第4章 基于GA-BP算法的排气系统噪声主动控制仿真51-59
• 4.1 前馈控制系统模型51
• 4.2 汽车排气噪声源分析51-53
• 4.2.1 排气噪声的产生51-52
• 4.2.2 排气噪声的频谱特性52-53
• 4.3 仿真及结果53-58
• 4.4 本章小结58-59
• 第5章 油电混合汽车排气系统噪声主动控制的实现59-65
• 5.1 实验原理59
• 5.2 实验条件59-61
• 5.3 实验结果61-64
• 5.4 本章小结64-65
• 第6章 结论与展望65-67
• 6.1 结论65
• 6.2 展望65-67
• 参考文献67-71
• 在学研究成果71-72
• 致谢72

【参考文献】

中国期刊全文数据库 前10条

1 唐葆君;刘江鹏;;中国新能源汽车产业发展展望[J];北京理工大学学报(社会科学版);2015年02期

2 李建秋;方川;徐梁飞;;燃料电池汽车研究现状及发展[J];汽车安全与节能学报;2014年01期

3 张月琴;刘翔;孙先洋;;一种改进的BP神经网络算法与应用[J];计算机技术与发展;2012年08期

4 衣云龙;;改进BP神经网络算法在机器人轨迹优化中的研究[J];沈阳工程学院学报(自然科学版);2012年01期

5 张合生;卫新国;金玉红;朱晓锦;;一种基于LMS算法的数据采集精度考核方法分析[J];系统仿真学报;2011年07期

6 张响;陆森林;;发动机排气噪声主动控制的LMS算法仿真研究[J];噪声与振动控制;2010年04期

7 陈斌;冯燕;;基于DSP的耳机噪声抵消系统的设计与实现[J];电声技术;2010年04期

8 王宏刚;钱锋;;基于遗传算法的前向神经网络结构优化[J];控制工程;2007年04期

9 杜金ng;王晓梅;单世宝;陈道炯;宫赤坤;;环境噪声主动控制算法的研究与实现[J];噪声与振动控制;2007年01期

10 卢新来;刘虎;王钢林;武哲;;基于遗传算法优化神经网络的直升机参数选择(英文)[J];Chinese Journal of Aeronautics;2006年03期

，

本文编号：907834