CEEMD-GRU组合道路噪声预测模型_冯增喜.pdf

文章编号:1009-6094(2023)06-2128-09CEEMDGRU 组合道路噪声预测模型冯增喜1,崔 巍1,何 鑫1,赵锦彤1,孙 欣1,张茂强1,杨芸芸1,韦 娜2(1 西安建筑科技大学建筑设备科学与工程学院,西安710055;2 西安建筑科技大学艺术学院,西安 710055)摘 要:针对道路降噪问题,为降低主动噪声控制方法中滤波算法收敛性能要求,提出了一种基于互补集合经验模态分解(Complemementary Ensemble Empirical Mode Decomposition,CEEMD)与门控循环单元(Gated Recurrent Unit,GRU)组合的道路噪声预测模型(CEEMDGRU)。首先,基于 CEEMD算法将输入的噪声音频序列分解为多个本征模态函数分量和一个残差分量,以深度挖掘数据隐含的波动信息;其次,利用 CEEMD 分解的输入噪声序列各分量和输出噪声序列构建CEEMDGRU 神经网络噪声预测模型;最后,基于西安市某路段采集的噪声数据对该模型的有效性进行验证。结果表明:该模型 EMA为 0.019 1,RMSE为 0.030 8,R2为 0.589 2,预测声信号能够代替主动噪声控制中自适应控制器的实际初级声信号,为主动噪声控制的控制过程提供了更充分的响应时间。关键词:环境工程学;噪声与振动控制;噪声预测;主动噪声控制;门控循环单元;互补集合经验模态分解中图分类号:X593 文献标志码:ADOI:10.13637/j.issn.1009-6094.2022.0715收稿日期:20220420作者简介:冯增喜,副教授,博士,从事智慧城市、建筑智能化研究,。基金项目:国家重点研发计划项目(2017YFC070410702)0 引 言随着交通量和车流密度的增加,交通噪声已成为影响城市环境的主要污染源1,其中重型运输车辆所产生的道路噪声是影响居民声环境的主要因素。我国公路声屏障降噪效果检测方法规定在道路干线两侧,夜间噪声不得超过 55 dB(A),白天不得超过 70 dB(A)2。研究表明超过 30%居民的生活会受到道路噪声影响3,而长时间暴露在噪声环境下可能会引发一系列的健康问题4。道路噪声主要存在于车辆行驶过程中,由车辆自身机械部件的振动、车体与空气以及轮胎与道路间的摩擦所产生。针对降噪问题,目前主要有被动式噪声控制技术(Passive Noise Control,PNC)和主动式噪声控制技术(Active Noise Control,ANC)两种解决方法5 6。前者是利用声学材料或结构来消耗声波能量以实现噪声的抵消;后者是利用杨氏干涉理论,通过发出与实际初级声信号幅值频率相同、相位相反的噪声消除信号,从而抵消初始噪声信号实现噪声控制7。自适应滤波算法是主动噪声控制技术的核心8。由于主动噪声控制过程中自适应滤波算法的计算过程以及各元件的执行过程,系统需要一定的响应时间。为尽量减少响应时间,控制系统通常选择较为简单的自适应滤波算法进行计算。如 1959年 Windrow 等首次提出了基于最小均方(Least MeanSquare,LMS)自适应算法,该算法具有计算简单、易于使用等优势9 11,但该算法存在收敛速度和稳态误差相矛盾的问题12 13,即在收敛系数的选取过程中,较大的收敛系数带来更快收敛速度的同时也会产生更大的权矢量噪声,进而导致失调量随之增大。因此,控制器中选择简单的自适应滤波算法是通过牺牲计算精度换取了收敛速度的提升。此外,由于传统主动式噪声控制系统中往往存在次级声反馈现象,使得参考传感器采集的初级声信号存在一定的误差,这将会对系统的稳定性带来巨大的影响7。针对此种问题,现有研究主要是通过对自适应滤波算法进行改进,从而在确保收敛速度满足要求的同时降低稳态误差或在保持原有精度的同时提高其收敛速度。即使如此,仍需考虑降低次级声反馈问题所带来的影响,如反馈中和法是通过建立采用自适应滤波算法模型的补偿滤波器输出来抵消声反馈信号,或通过引入与 IIR 滤波器契合的智能算法这种思想来解决声反馈问题7。Khan 等14基于自然启发烟花算法更新自适应 Volterra 滤波器参数的 ANC控制器可降低稳态误差。George 等15提出了一种基于函数链接型神经网络(FLANN)的多通道非线性有源噪声控制系统,该系统采用一种适用于非线性噪声过程的粒子群优化算法训练。Zhao 等16提出一种扩展流水线型二阶 Volterra 滤波器以及相应的非线性滤波算法,从而提高非线性噪声控制的计算效率。聂永红等17于 2012 年首次提出了基于经验模态分解(Empirical Mode Decompodition,EMD)与响度的有源噪声控制系统,其通过 EMD 各分量的响度大小进行残差滤波器的设计,从而降低对响度贡献较小的噪声成分的运算压力,以此提高降噪效果。Chen 等18于 2019 年首次提出了相关 EMD 与切比8212第 23 卷第 6 期2023 年 6 月 安全 与 环 境 学 报Journal of Safety and Environment Vol.23 No.6Jun.,2023雪夫滤波器组合的控制思想,其利用 EMD 分解方法将噪声信号分解为多个分量,根据各分量相关系数对输入信号进行筛选以此降低自适应控制器的运算压力,并与切比雪夫滤波器进行组合,从而实现收敛速度的提升。为弥补滤波算法中稳态误差及收敛速度间的矛盾问题,同时有效地避免出现次级声反馈现象,本文将提出一种新的解决思路,即建立基于 CEEMDGRU 的组合预测模型,在噪声控制执行前为自适应控制器提供更加充足的准备,通过该模型对道路噪声进行预测,并将实时噪声替换为模型预测结果作为主动噪声控制系统的实际初级声信号,一方面能够使得移动的噪声源在抵达噪声控制点时系统能够产生准确噪声消除信号,从而为系统内自适应滤波算法的计算及执行过程提供更加充分的响应时间,避免主动噪声控制系统中自适应滤波算法在选择时存在收敛速度和稳态误差相矛盾的问题,另一方面,参考传感器也可与次级声源保持较大的距离,能够有效地避免次级声反馈现象。最后,通过仿真试验验证本文所提方法的噪声预测效果。1基于 CEEMDGRU 的道路噪声预测模型 在车辆行驶过程中引发噪声的因素极多,在预测过程中,若将所有因素都考虑在内,会增加预测难度,此外同一车辆所发出的噪声具有非平稳性以及非线性的特性,易导致预测过程中误差的产生。CEEMD 分解方法能够充分提取非线性噪声序列的特征,挖掘其隐含信息,故通过 CEEMD 对原始噪声信号进行分解得到多个虚拟分量,并以虚拟分量作为模型输入变量,从而在数据分析的过程中避免由于人为选定影响因素而对分析结果产生影响;同时,由于噪声片段采样率的大小直接影响了噪声序列数据的完整性,为保证样本数据的准确性,需在数据提取过程中尽可能提高采样率,导致噪声序列数据维度较高,选择 GRU 神经网络能够避免高维度序列数据在模型训练过程中出现梯度消失的情况,从而使预测效果更加准确。1.1 互补集合经验模态分解(CEEMD)经验模态分解(Empirical Mode Decomposition,EMD)是 1998 年 Huang 等19首次提出的一种处理信号的方法,其理论上可将任何类型的信号分解为多个本征模态函数分量(Intrinsic Mode Functions,Fim)和一个残差分量(r),并且针对非线性数据的处理具有非常明显的优势。但 EMD 在分解信号过程中易出现模态混叠现象,集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)在EMD 的基础上添加白噪声使信号在不同的时间尺度具有连续性,从而可以有效地抑制模态混叠现象20,但由于 EEMD 分解过程中引入的白噪声存在的残余会对原始数据产生不良影响21,Yeh 等提出互补集合经验模态分解(Complementary EnsembleEmpirical Mode Decomposition,CEEMD),CEEMD 将引入的白噪声改为高斯正负白噪声,从而可避免模态混叠现象的发生,也不会对原始数据产生影响22 24。CEEMD 算法分解步骤如下。1)对原始信号加入正、负成对的高斯白噪声,得到新的信号M1M2|=1-11-1|SN|(1)式中 S 为原始数据,N 为白噪声,M1、M2分别为添加正、负白噪声的原始信号。2)通过式(2)对 M1、M2进行分解。H(t)=nj=1cj(t)+r(t)cj(t)=1kki=1cij(t)|(2)式中 t 为当前时刻,H(t)为 CEEMD 分解结果,k 为加入高斯白噪声的次数,cij为第 i 次加入白噪声分解后得到的第 j 个本征模态函数分量,cj(t)为 C1、C2在第 j 个 Fim分量的平均值,r 为残差分量。分解后得到 2 组 Fim分量表示为 C1、C2,然后对每组分量对应的同一阶分量求平均值,得到最终的分解结果 H。其中每一个 Fim分量需满足以下要求:1)在整个数据集中,极值数量和零交叉数量必须相等或最多相差 1;2)在任何一点上,由局部最大值定义的包络线的平均值和由局部最小值定义的包络线的平均值都是 0。1.2 GRU 神经网络循环神经网络(Recurrent Neural Network,RNN)在处理短时序列方面优势明显,但处理分析维度过高的时序序列时易出现梯度消失情况。对此,Hochreiter 等25提出了长短期记忆(Long Short-termMemory,LSTM)神经网络,通过设置输入门、遗忘门和输出门单元实现时序的记忆可控,有效地解决了梯度消失问题。但 LSTM 神经网络结构复杂,训练9212 2023 年 6 月 冯增喜,等:CEEMDGRU 组合道路噪声预测模型 Jun.,2023时间过长26,因此,Cho 等27提出门控循环单元(Gated Recurrent Unit,GRU)神经网络。GRU 将LSTM 的 3 个门控单元结构简化为重置门和更新门2 个门控单元结构,不存在单独的存储单元,极大地简化了模型,提高了收敛速度,在保留了 LSTM 神经网络优点的同时提高了样本训练效率。GRU 模块结构如图 1 所示。GRU 模块门控更新公式为:rt=(Wrht-1,xt)(3)ht?=tanh(Whrt ht-1,xt)(4)zt=(Wzht-1,xt)(5)ht=(1-zt)ht-1+zt ht?(6)y=WOht(7)式中rt和 zt分别为重置门和更新门,ht?、ht、y 分别为当前记忆状态、单元输出系统状态、预测值的计算规则,、tanh 分别为 Sigmoid 激活函数和双曲正切函数,Wr、Wz、Wh、WO为对应权重矩阵,为矩阵内元素相乘。图 1 GRU 模块结构图Fig.1 GRU module structure diagram1.3 基于 CEEMDGRU 的预测模型为了对噪声序列进行更加精准的预测,从而为主动噪声控制提供准确的输入声信号,本文提出基于 CEEMDGRU 的道路噪声预测算法。首先,该模型能够利用 CEEMD 分解方法处理非线性信号的优势,将数据分解为不同特征尺度的多个子分量,从而将各分量间的影响降低,减小预测过程的难度并降低误差;其次,利用 GRU 神经网络的记忆能力使得模型在训练过程中,能够充分学习噪声序列数据信息,从而使得预测噪声数据能够代替真实噪声数据作为主动式噪声控制的输入信号。模型构建流程如图 2 所示,具体步骤如下:步骤 1,获取两测量点多组噪声音频;步骤 2,对噪声音频进行采样,得到噪声样本数据;步骤 3,为便于后续模型训练,将样本数据进行归一化处理得到测点一噪声序列 X,以及测点二噪声序列 Y;步骤 4,通过 CEEMD 分解方法将噪声序列 X 进行平稳化处理,以深度挖掘数据隐含的波动信息,得到多个子分量 Fim1,Fim2,Fimn以及残差分量 r;步骤 5,将多个子分量重组为 GRU 神经网络输入数据(Fim1,Fim2,Fi