基于AIWF-IL 評價方法的汽車聲學包性能優化

張天宇，鄧江華，孟祥龍，霍俊焱

（中國汽車技術研究中心有限公司，天津 300300）

1 介紹

汽車防火墻在整車聲學包作用中主要起到隔絕外部聲源透入聲的作用，其隔聲性能的優劣將會直接影響到整車車內高頻噪聲水平[1-5]。防火墻的隔聲性能不僅取決于所使用材料自身隔聲性能外，還與其設計狀態的覆蓋水平、厚度分布水平等直接相關。對于防火墻傳遞損失（IL）分析和聲學包設計，通常選擇統計能量分析法（SEA）。

在防火墻插入損失IL 評價中，一般采用各頻帶數值比較法，但此方法只能粗略判別大致水平，且此指標只可對單頻帶進行性能大小評價，無法整體評價對語音清晰度的影響效果。本文結合語音清晰度算法計權系數，提出AIWF-IL（Articulation Intelligibility Weight factor-IL）作為評價語音清晰度變化的指標，此方法可有效評價聲學包設計對語音清晰度提升的影響。并將AIWF-IL 作為優化目標，通過建立近似模型的優化方法，進行聲學包優化。最后將優化后的聲學包應用于整車SEA 模型，驗證了整車內部降噪效果。

2 防火墻隔聲量的實驗與仿真

防火墻隔聲量測試一般在混響-消聲室實驗室中進行，其結構如圖1 所示。

圖1 混響-消聲室結構

建立防火墻的SEA 模型，并定義聲源室和接收室空腔，模擬實驗室測試環境，并對空腔子系統與防火墻進行連接，以實現空氣聲的傳遞，如圖2 所示。

圖2 防火墻隔聲量仿真模型

模型聲學包定義采用MNCT 方法定義[6]，通過分析聲學包3D 數模不同厚度占比，得到的厚度分布如圖3 所示。然后結合聲學包對應厚度下的平板件插入損失性能數據，生成表征聲學包的MNCT 模型。

圖3 聲學包厚度分布

圖4 內前圍插入損失對比

在聲源側定義單位聲壓聲激勵，獲得防火墻鈑金件及防火墻+內前圍的傳遞損失，進而獲得內前圍成形件的插入損失，結果如圖4 所示。結果表示，內前圍的實驗插入損失與仿真插入損失誤差在1dB 左右，故可知SEA 模型在400～ 8000Hz 范圍內滿足計算精度要求，可用于聲學包優化。

3 AIWF-IL 指標評價方法

3.1 語音清晰度影響分析

語音清晰度（AI）是用來評價在噪聲環境下講話的清晰程度，這個參數用百分數表示，當完全聽得清楚講話時數值為100%，完全聽不清時為0%，通過此數值可量化判別特定環境下的聲品質水平[7]。

AI 算法定義如下：

式中，D(f）為與上限噪聲UL(f）、下限噪聲LL(f）相關的差值，本文不詳細描述；同時說話聲音是與頻率有關的，這樣就引入一個計權系數W（f），具體參數如圖5 所示。

圖5 語音清晰度計權系數

分析AI 算法定義可知，對AI 影響的主要有兩個因素：聲壓級與上下限差值D（f）、計權系數W（f）。如果D（f）處于上、下限范圍之內，其對AI 的影響是線性的；而W（f）則是一個隨頻帶變化的數值，權重更側重于中高頻，也就是聲學包起到降噪效果的頻帶。故可得結論，計權系數W（f）是語音清晰度（AI）數值變化的主要因素，在聲學包設計需重點考慮。

3.2 制定AIWF-IL 指標評價方法

在防火墻插入損失IL 評價中，一般采用各頻帶數值比較法，但此方法只能粗略判別大致水平，如果性能在不同頻帶存在增、減相反的趨勢，則無法準確評估各頻帶插入損失IL變化對車內語音清晰度改善情況；同時考慮人耳對噪聲各頻帶感知水平不同，無法采用插入損失IL 取各頻帶均值的方法進行評價。

針對上述問題，本文結合語音清晰度算法中的主要影響因素，提出AIWF-IL 指標，可對防火墻隔聲水平進行有效評價，其定義如下：

式中，W(f）為語音清晰度AI 計權系數，L(f）為插入損失IL 數值，計算頻率范圍為400Hz～8000Hz。

以某汽車防火墻為例，針對內前圍隔音墊聲學包同結構不同材料的兩種樣件，需從兩者中選擇對車內語音清晰度效果更優的樣件，兩種樣件的插入損失IL 性能如圖6 所示。由結果可知，內前圍一在400Hz～1600Hz 與6300Hz～8000Hz 性能優于內前圍二，而內前圍二在2000Hz～5000Hz 性能優于內前圍一，此時無法直觀判斷哪種樣件更有利于車內語音清晰度。

圖6 兩種內前圍插入損失IL 對比

利用AIWF-IL 指標計算可知，內前圍一、內前圍二對應的AIWF-IL 數值分別為15、14.5，可初步判斷內前圍1 性能更佳。接下來將兩種內前圍聲學包應用于整車SEA 模型，如圖7 所示。在駕駛員常規駕駛車輛習慣中，油門全開度加速3000rpm 工況是最常用且動力總成噪聲較大的工況，故本文選擇此工況進行相關語音清晰度AI 分析。通過分析結果可知，內前圍1 和內前圍2 兩種狀態下駕駛員頭部聲腔AI 分別為75.6%、75.4%，可最終判斷內前圍1 性能更佳。

可見，AIWF-IL 算法通過在插入損失IL 中引入計權系數W（f），可對聲學包設計引起的IL 性能各頻帶的變化進行綜合評價，有利于工程設計中優化方案的制定與選擇。

圖7 整車SEA 模型

4 內前圍優化

為了優化防火墻隔聲性能，主要針對內前圍不同厚度占比進行優化。 防火墻聲學包的優化設計包括五個主要步驟：1）確定優化的設計變量區間和目標；2）通過實驗設計（DOE）選擇采樣點；3）通過仿真計算設計變量對應的響應值，利用采樣點和響應值建立近似模型；4）在建立的近似模型的基礎上，利用優化算法獲得最優解；5）優化結果驗證。

4.1 確定優化的設計變量參數

影響防火墻聲學性能的參數包括：聲學包的材料性能、覆蓋率與厚度分布。在本文遇到的問題中，由于聲學包材料性能與覆蓋率設計均無法改變，故選擇厚度分布作為主要設計變量參數，如表1 所示。

表1 厚度分布設計變量參數

4.2 實驗設計

實驗設計(DOE)是一種基于概率論和數理統計的測試技術，它可以科學、經濟學地安排實驗。DOE 方法有很多，其中最優拉丁超立方體設計LHD) (Opt可以使因子和響應的擬合更加精確真實，樣本能夠覆蓋整個設計空間，具有較強的穩健性以及非常好的空間填充性和均勻性[8]。

實驗設計中樣本點組數選擇，主要考慮變量與輸出值參數的數量多少，以及生成近似模型的準確度。為提高模型準確度，本文采用最優拉丁超立方體設計選擇300 組樣本點，計算響應值。 樣本參數如表2 所示。

表2 樣本厚度分布參數數值

4.3 近似模型建立及誤差分析

為了找到設計變量與響應之間的函數關系，需要建立近似模型，其主要特點是計算量小，計算周期短，計算結果與實驗值基本一致。 克里格模型是一種估計方差最小的無偏估計模型，是建立近似模型的方法之一[9]。克里格模型可以包含所有的采樣點，近似曲面的質量較好。根據設計變量與表2 中七個參數優化響應的關系，建立克里格模型。

為了驗證近似模型的擬合精度，采用LHD Opt 隨機生成另外300 組樣本點，計算響應。R2常用于評價擬合精度。 R2定義為：

在圖6 中，可以看到R2目標均在0.9 以上，因此近似模型的精度是可靠的。

圖8 克里格模型誤差分析R2數值

4.4 得到優化參數值

防火墻聲學包參數目標是使聲學包AIWF-IL 最大，約束條件為聲學包重量（M）不超過10%。

基于克里格參數優化，求解參數的最優解決方案，可以在ISIGHT 軟件中進行優化計算。本文在ISIGHT 軟件中采用多島遺傳（NSGA-II）算法求解最優解[10]。通過重復計算，AIWF-IL 參數最優解的設計變量值如表3 所示。

表3 參數優化數值

4.5 優化聲學性能確認

防火墻聲學包優化后，AIWF-IL 結果如表4 所示，數值較原狀態提升20.9%，效果顯著。優化后的聲學包質量增加了10% ，處于可接受范圍之內（由4kg 升至4.4kg）。

表4 AIWF-IL 優化數值對比

5 整車優化方案應用效果

表5 語音清晰度優化數值對比

圖10 駕駛員到防火墻ATF 對比

在整車SEA 模型中，計算了全油門開度加速3000rpm 工況下的駕駛員頭部聲腔語音清晰度，結果如表5 所示；以及駕駛員頭部腔到發動機腔的ATF，結果如圖10 所示。

由結果可知，優化后駕駛員到防火墻的ATF 在2000Hz以上頻帶平均降低1.5dB，且駕駛員頭部聲腔的語音清晰度提升1%。

6 結論

本文基于AIWF-IL 指標對某汽車防火墻聲學包進行優化，可得以下結論：

（1）通過分析語音清晰度算法的影響因素，確認權重指數是影響語音清晰度的主要參數。故本文基于語音清晰度算法的計權權重，制定了AIWF-IL 防火墻聲學包評價指標，此指標能夠直觀、有效的評價聲學包設計變化對語音清晰度的影響。

（2）選擇防火墻內前圍隔音墊厚度占比作為變量參數，以聲學包AIWF-IL 為優化目標，總質量變化作為約束條件，分別對聲學包的七個厚度占比參數進行多目標優化，得到最優結果。

（3）優化后，防火墻的AIWF-IL 數值提升了20.9%。將優化后的防火墻聲學包應用于整車SEA 模型時，駕駛員頭部腔到發動機腔的ATF 平均降低1.5dB，駕駛員頭部聲腔的語音清晰度提升1%。