施宇豪 许焕敏

（河海大学，常州 213022）

1 前言

汽车异响会影响驾乘体验，甚至导致严重的故障。在整车研发阶段，主要通过振动台架试验与主观评价相结合的方法检查汽车异响问题，对试验人员的经验要求较高，且经过长时间的主观判断后，识别效率会大幅降低。利用人工智能技术开展声音识别可以实现异响的自动诊断，并快速准确地判断异响种类，从而极大地提高识别效率，对改善汽车NVH性能具有重要意义。

声音识别技术广泛应用于语音识别、环境声音识别和机器声音识别等领域。构建声音识别模型是实现声音识别的重要基础，常用的声学模型包括隐马尔可夫模型（Hidden Markov Model，HMM）、高斯混合模型（Gaussian Mixture Model，GMM）、支持向量机（Support Vector Machine，SVM）和人工神经网络（Artificial Neural Network，ANN）[1]。杨军磊基于GMM 识别模型和梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient，MFCC）特征实现了对空调机组噪声的识别，从而进一步判断设备故障类型[2]。杨兴国提出一种基于SVM 分类器的发动机异响故障识别方法，提取异响声音的小波包能量谱和双谱峰值作为特征参数，可以较好地识别异响类型[3]。

HMM、GMM、SVM 与浅层神经网络等均属于浅层机器学习的模型，在处理一些特征较为复杂的数据时，存在数据表征能力不强的问题[4]，导致识别效果不佳。深度学习方法一经提出就在图像、声音识别等领域得到广泛应用。朱梦帆提取了电力设备故障声音声谱图的特征，并自建卷积神经网络（Convolutional Neural Network，CNN）模型完成了对电力设备不同放电故障声音和正常放电声音的分类[5]。Li 提出了一种具有多个卷积层的新型堆叠CNN 模型搭配对数梅尔谱（Log-Mel）特征输入，使得对环境事件声音的识别效果优于采用其他特征输入的模型[6]。……