基于BP神经网络的电梯噪声评价方法

来源:用户上传      作者:

　　摘要：电梯的振动噪声会影响乘客的舒适感和健康。目前电梯噪声的客观评价结果符合国家相关标准，但是受影响者的主观感觉噪声已严重扰民。为了消除客观评价和主观感受的差异，提出一种基于BP神经网络的电梯噪声评价方法。首先提取电梯噪声信号的倍频程声压级特征，然后构建以该特征为输入而主观评价值为输出的神经网络模型，最后进行训练与测试。实验结果表明，该方法客观评价结果与主观评价误差在4.9%以内，主客观一致性优于传统电梯噪声评价方法。
　　关键词：电梯噪声;噪声评价;倍频程声压级特征;支持向量机
　　中图分类号：TB535 文献标识码：A 文章编号：1007-9416（2019）12-0076-03
　　0 引言
　　电梯的振动噪声直接反映了电梯的安全性和舒适性。目前很多高层楼宇建筑内电梯噪声符合GB/T 10058-1997和《民用建筑隔声设计规范》GB50118-2010的相关标准，但是受影响者（乘客和住户）的主观感觉噪声已严重扰民。噪声评价标准所测结果与居民主观感受差异极大，这是因为噪声评价国标（A声级）主要对低频进行衰减并且只考量整体等效声级值[1-2]，而电梯振动产生的低频噪声（20～500Hz）尽管等效声压级值不高，但会与人产生共振，会对人的听力、心血管系统和神经系统造成一定的损害，从而影响到人们的学习和生活。全国各地有关电梯噪声引起的室内声环境质量问题的投诉越来越多，可噪声值又符合国家相关标准，由此导致电梯噪声问题得不到及时和正确的解决，极易引发许多社会问题[3]。
　　C声级取消了对低频进行衰减，有利于电梯噪声的评价。但其通过整体等效声级评价的策略会淹没低频突出但高频弱化的电梯噪声真实值[4]。国际标准化组织提出的NR噪声评价标准，将噪声频谱分为9个倍频带，分别评价每个倍频带的等效声级，并判断是否超过限定值[5-6]。由于电梯噪声频谱主要集中在低频段，在整个频谱空间分布并不均匀，因此NR噪声评价通过对多个倍频带分别进行评价优于整体评价。
　　A声级是基于人耳听力感受模型进行噪声评价，但是电梯主要产生的低频噪声与人身体共振频率相近，人对低频噪声的主观感受与人耳听力感受模型并不一致[7]。要建立与人体相适应的生理学噪声感受模型较为困难，而基于数据驱动的模型可以在忽略复杂的人体听力感受内在机理，通过大数据训练建立以噪声特征为输入和评价结果为输出的噪声评价模型。神经网络算法模拟人脑运行机理，对于建立非线性预测函数性能有很好的效果[8-9]，BP神经网络（BPNN，BP neural network）在按照误差逆向传播算法训练的多层前馈神经网络，在诸多神经网络算法中性能较优[10]。
　　为此，本文针对电梯噪声评价现状，设计一种基于BPNN的电梯噪声评价方法。首先提取电梯噪声信号的倍频程声压级特征，然后构建以该特征为输入而主观评价值为输出的BPNN模型，最后进行实验以验证方法的有效性。
　　1 算法描述
　　算法流程图如图1所示，其中第1～4步为提取振动噪声特征，第5步通过构建BPNN模型计算出评价结果，具体步骤包括：
　　（1）获取振动噪声信号：
　　通过AWA6228+多功能声级计采集振动噪声信号，采样频率为48kHz，量化比特为24位，每次采样时长超过1分钟。
　　（2）傅里叶变换计算频谱：
　　考虑到人耳听觉效应，高于12kHz的高频信号人耳感受不敏感，根据香农采样定理，故对采集到的噪声信号降维到24kHz，并加矩形窗取个采样点，通过离散傅里叶变换得到频谱。
　　（1）
　　（3）计算对应的倍频程频谱：
　　通过频谱信号分别按倍频程（表1）提取各倍频程带频谱，L表示1倍频程带数目，1倍频程的上下限频和中心频率关系：
　　 （2）
　　 （3）
　　其中、和分別表示第i个1倍频程上下限频率和中心频率。表1为1倍频程对应的中心频率和上下限频率。
　　（4）傅里叶反变换计算各倍频程带声压级：
　　对各1倍频程带频谱依次通过离散傅里叶反变换计算出对应的声压：
　　（4）
　　计算各1倍频程带频谱的声压级：
　　 （5）
　　其中：为第j个倍频程的声压级，单位为dB;为准声压，值为帕。
　　（5）BPNN模型：
　　BPNN模型结构如图2所示，网络共分输入层、隐藏层和输出层。输入层为经傅里叶反变换计算各倍频程带声压级，隐藏层为，输出层为主观评价得分，为输入层至隐藏层连接权值，为隐藏层至输入层的连接权值。BPNN模型在使用前通过如下步骤进行训练得以确定各连接权值。
　　（1）网络初始化。令为误差函数、为误差上限和为最大学习次数。给连接权值和，隐含层阈值，输出层阈值随机生成范围为（-1，1）的初始值。
　　（2）隐含层输出计算。根据输入各频带声压级向量，连接权值和隐含层阈值，计算出隐含层输出向量。
　　 （6）
　　其中，为隐含层激励函数：
　　（7）
　　（3）输出层输出计算。根据隐含层输出向量，连接权值和输出层阈值，计算预测输出。
　　 （8）
　　（4）误差计算。根据预测输出和期望输出，计算网络预测误差。
　　（9）
　　（5）权值更新。根据预测误差更新权值和。
　　（10）
　　其中为学习效率。
　　（6）阈值更新。根据预测误差更新阈值和。
　　 （11）
　　（7） 判断算法迭代误差是否满足要求，若不满足，返回步骤2;若满足，则训练结束。
　　2 实验步骤
　　（1）原始数据采集。通过AWA6228+多功能声级计采集振动噪声信号共230组（昼）和220组（夜），采样频率为48kHz，量化比特为24位，每次采样时长超过1分钟，每组测量位置为电梯桥厢内和电梯房相邻的房间，测量时间为白天工作时间和晚上18点至24点，采集信号符合GB3785和GB/T 17181的规定。 　　（2）数据声压级计算。根据算法第1～4步提取出对应的各1倍频程的声压级，并通过人工对中心频率31.5～500Hz的各1倍频程进行修正以产生A声级计值相同但各倍频程声压存在差异信号共500组。
　　（3）获取每组噪声主观评价得分。原始的每组噪声信号和修正的噪声信号按表2噪声主观评价进行评分，评分范围为1～10分。考虑到主观评价会受到年龄、性别和健康状况等因素影响，笔者安排每组信号由15个人（其中55岁以上老年人5人，18～55岁中青年5人，12岁～18岁少年5人）分别进行评分，最后以平均分作为评价结果。
　　3 实验结果与分析
　　为了验证算法的有效性，按昼间和夜间设计2个BPNN模型，各模型均选择样本的70%作为训练集，30%作为测试集。部分典型样本评价结果如表3所示。样本一为湖州市某小区12层小高层，测量地点为受影响的电梯相邻房（书房），时间为晚上9点。表3为A声级计和本文方法比较，图3样本一各倍频程带声压级。从表3和图3可以，对于样本一来说：
　　（1）根据居民住宅夜间噪声排放标准，书房夜间上限为35dB，A声级计得分为34.2dB，噪声分贝小于国家标准，噪声理论上不影响居民在书房的学习;
　　（2）样本一各倍频程带声压级均小于NR曲线各频带声压上限，即符合NR噪声排放标准;
　　（3）主观评价得分为6.0，意味着居民已受到影响，即存在A声级评价与居民主观感受不一致。
　　本文计算结果为6.3，属于噪声已比较影响居民，与居民的主观感受较为一致，本文方法与主观评价得分存在4.5%的偏差，这主要是因为训练样本有限，随着训练样本的增加，偏差会进一步减少。
　　样本二为某一30层高层商住两用楼房，测量地点为受影响的电梯桥厢，时间为上午11点。从表3可以看出：
　　（1）根据居民住宅白天噪声排放标准，白天上限为45dB，A声级计得分为48.2dB，噪声分贝大于国家标准，噪声已影响居民的房间的学习和工作。
　　（2）主观评价得分为6.4，意味着居民已受到影响，即存在A声级评价与居民主观感受一致。
　　（3）本文方法得分为6.2，与主观评价得分仅存在3.1%的偏差。
　　通过A声级计得分样本一和样本二相差14.4dB，噪声强度存在明显差异，但居民感受却差异极小。这是因为昼间环境背景噪声较大，而夜间背景噪声较小，居民对噪声的主观感受受环境背景噪声影响较大，电梯噪声与环境背景噪声存在强相关性。
　　笔者统计全部测试样本并计算相对误差均值如表4所示，从表可以看出，昼间误差均值为4.3%，夜间误差均值为4.9%，总平均值为4.6%。夜間误差较大，是因为夜间训练样本较多且夜间背景噪声值较小。
　　4 结论
　　针对此电梯噪声特点，本文设计一种基于BPNN的电梯噪声评价方法。实验结果表明，本文提出的方法与居民主观感受昼间误差为4.3%，夜间误差为4.9%，主客观性一致性优于A声级计和NR评价标准。
　　参考文献
　　[1] 张明铎.A计权声级在噪声测量与评价中的不足[J].声学技术，1995（1）：41-42.
　　[2] 伍先俊，李志明.稳态响度听觉原理及A计权声级评价的缺点[J].电声技术，2002（12）：68-70.
　　[3] 赵欢.高层住宅电梯噪声主客观一致性量化研究[D].西安：长安大学，2014.
　　[4] 卢庆普，翁仪璧，熊文波，等.室内低频噪声评价探讨（二）——C声级与A声级的关系[C]//全国环境声学电磁辐射环境学术会议.2003.
　　[5] 咸爱清，唐笋翀.环境噪声评价与方法[C]//2016年全国声学设计与演艺建筑工程学术会议.2016.
　　[6] 王孚懋，王建春.噪声测量中1/3倍频程与倍频程频谱的关系与计算[J].噪声与振动控制，1996（3）：39-41.
　　[7] 杨庆红，张仁亮，李红霞.1/3倍频A计权声级噪声评价分析[J].电声技术，2013，37（11）：86-88.
　　[8] 李晗，萧德云.基于数据驱动的故障诊断方法综述[J].控制与决策，2011，26（1）：1-9+16.
　　[9] Jethmalani C H R， Simon S P， Sundareswaran K，et al. Auxiliary Hybrid PSO-BPNN-Based Transmission System Loss Estimation in Generation Scheduling[J].IEEE Transactions on Industrial Informatics，2017，13（4）：1.
　　[10] Shanxiong Chen， Xueqing Xie， Fangyuan Zheng.Auto Focusing Method of Imaging System of Digital PCR Instrument Based on BP Neural Network[J].International Journal of Pattern Recognition and Artificial Intelligence，2019，33（12）：1-17.
　　Elevator Noise Evaluation Method Based on BP Neural Network
　　WU Peng1， XU Jing-yun2， Wang Yu-run2， YU Bin2
　　（1.Huzhou Special Equipment Inspection Center， Huzhou  Zhejiang  313000; 　　2.College of  Engineering， Huzhou University， Huzhou  Zhejiang  313000）
　　Abstract：The vibration noise of elevator affects the comfort and health of passengers. At present， the objective evaluation results of elevator noise are in line with the relevant national standards. But the noise has seriously disturbed the residents for the affected people. In order to eliminate the difference between objective evaluation and subjective experience， an elevator noise evaluation method based on BP neural network is proposed. Firstly， the octave sound pressure level characteristics of elevator noise signal are extracted， then the BP neural network model is constructed with the spectrum characteristics as input and the subjective experience value as output. Finally， training and testing are carried out. The experimental results show that the error between the objective evaluation result and the subjective experience is within4.9%， and the consistency error is better than the traditional elevator noise evaluation method.
　　Key words：elevator noise;noise evaluation; octave sound pressure level characteristics; BP neural network
转载注明来源:https://www.xzbu.com/8/view-15141124.htm