基于LM-BP算法的后桥主减速器噪声性能评价.docxVIP

-1-

基于LM-BP算法的后桥主减速器噪声性能评价

余维康，潘昊

武汉理工大学计算机科学与技术学院,武汉(430070)

摘要：微车后桥主减速器噪声问题成为工作者所关注的问题，本文介绍了后桥主减速器噪声性能现状及传统评价方法，阐述了BP神经网络的一般算法，并详细介绍了Levenberg-Marguardt算法，利用LM算法来改进BP神经网络，目前是训练神经网络的最快算法。通过工具测试后桥振动得到大量数据，对数据筛选处理后，整理出样本，再建立BP神经网络，利用LM-BP算法来训练样本数据，最后在用训练好的网络来验证结果，发现实际输出和期望输出完全符合，可以很好的对噪声进行评价，取得良好效果。

关键词：LM-BP算法；神经网络；噪声；振动

1．引言

汽车工业的快速发展，汽车的噪声问题成为工作者关注的问题，汽车的噪声大小与人们的舒适度密切相关。，后桥的主减速器噪声性能与后桥里面的齿轮转动有关，汽车齿轮在啮合工作过程中，会产生振动和噪声，严重时会影响汽车运行的平稳性及乘员乘坐的舒适性。为了评价主减速器的噪声性能，对汽车齿轮产生的振动进行检测和定量的分析是十分必要的。笔者参与了上汽通用五菱公司后桥主减速器噪音性能测试系统研究，通过采集大量数据，特征提取，决定利用神经网络处理这些数据，进行性能评价。

神经网络具备独特的联想、记忆和学习功能,具有较强的分类能力。因此，神经网络由于自身的特性，在故障模式识别领域中有着越来越广泛的应用。可用于系统模型未知或系统模型较为复杂，以及非线性系统的故障模式识别[1]。

2．后桥主减速器噪声原理

噪音与异响是有本质区别的：汽车在运行过程中，是不可避免会发出声音的，只是由于舒适度的原因，分为噪声和异响，对于人们舒适度范围内的噪声是允许的，当然噪声越小越好；而对于无法忍受的声音，严重影响乘坐舒适度及安全，则属于异响，为不合格的产品。

对汽车后桥主减速器进行噪声评价，目前一般采用人工听声音的办法，根据声音的不同决定不同的品级，但此种方法对工人的经验，技术熟练度要去较高，一般需要多年的实践。因此，研究出一种可靠简单的评价噪声的方法非常必要。

由于在工厂，对汽车后桥住减速器进行噪音的采集会遇见许多不可知的因素，如敲打零件的尖锐声音，机器的工作声音，对整个噪音的评估都会产生影响。因此决定收集后桥主减速器在X轴方向和Y轴方向的振动，对其振动频率及振幅进行分析。

主减速器主要由主减速器齿轮和差速器构成。主减速器齿轮采用一对准双曲面齿轮传动,以改变传动轴线方向,降低转速并增大扭矩。差速器使左右轮差速。

现代汽车的后桥主减速器上，应用最广泛的齿轮是准双曲面齿轮，其特点是主、从动轮（小、大齿轮）的轴线不相交而呈空间交叉，其空间交叉角采用90°。主动轮相对于大齿轮轴线有向上或向下的偏置。与普通锥齿轮相比，准双曲面齿轮重合系数大、齿面接触应力较低，具有传动平稳、冲击和噪音比较小、承载能力高和寿命长等优点[2]。由于传动和支承不可避免地存在摩擦和振动,因此,会产生噪声。笔者实验所测试的某汽车齿轮副的主动轮齿数为8，从动轮齿数为41。

-2-

3．LM-BP神经网络模型及其算法

BP网络BP学习算法，即反向传播学习算法，它是前馈神经网络最主要的学习算法，是一种近似最速下降法，使用近似最速下降法更新权值和偏置值。

BP学习过程可以描述如下：

（1）工作信号正向传播。输入信号从输入层经隐含单元，传向输出层，在输出端产生输出信号，这是工作信号的正向传播。在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。

（2）误差信号反向传播。网络的实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层反向传播，这是误差信号的反向传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。

但BP算法的缺点在于收敛速度慢，导致训练时间加长；容易陷入易陷入局部极小，BP算法是在误差曲面中寻找最小值点，而复杂的误差曲面可能存在多个局部相对最小点，不能保证找到最好的结果。根据本文的数据，发现一般的BP算法不能很好的解决要求。

因此，要对BP算法进行改进，用Levenberg-Marguardt算法即LM-BP算法来训练神经网络，目前是用来训练神经网络的最快算法，它是一种简化了的牛顿算法[3]。用以最小化那些作为非线性函数平方和的函数，非常适合于性能指数是均方误差的神经网络训练[4]。根据参考文献[3][4]，其算法如下：