競品車急加速進氣噪聲品質評價方法研究

徐 韜，盧熾華，魏曉旭，劉志恩，謝麗萍

(1. 武漢理工大學 現代汽車零部件技術湖北省重點實驗室，湖北武漢 430070；2. 汽車零部件技術湖北省協同創新中心，湖北武漢 430070)

0 引 言

隨著社會和國家工業水平的發展，汽車已經成為日常生活中不可缺少的交通工具。聲學特性作為汽車形象和品牌個性的體現，汽車制造商和消費者已經不再僅僅局限于滿足噪聲法規的要求，還對汽車的聲學特性提出多種需求。因此汽車的噪聲、振動與聲振粗糙度(Noise、Vibration、Harshness, NVH)性能研究開始走向以滿足不同聲學特性為目標的聲品質控制階段[1]。

國外學者以發動機噪聲為依托，在聲品質主觀評價方法、評價指標上做出大量研究[2-3]。Hoeldrich等[4]提出了一種可調制參數的廣義心理聲學模型，并應用模型正確預測了車內噪聲的粗糙度指標。Ali等[5]對怠速工況、120 km·h-1穩態工況、節氣門全開加速工況的車內噪聲以及空調噪聲建立了線性回歸量化模型，提出了不同測試工況下聲品質的不同。國內聲品質起步相對較晚，同濟大學的毛東興團隊在主觀評價方法和數學模型上進行了研究，針對Kendall一致性系數在成對比較法中存在的不足，提出了三角循環誤判的精準計算方法，同時應用分組成對比較法解決了主觀評價中工作量大的問題[6-7]。

進氣噪聲作為發動機噪聲的主要來源對車內聲品質有著重要影響。劉志恩等[8]提出了一種采集純凈進氣噪聲的測試方法，并對加速工況下的進氣噪聲和車內噪聲品質的關聯性進行了分析，驗證了進氣噪聲是車內噪聲動力感實現較為優秀的噪聲源。屈少舉等[9]通過優化聲學元件設計，合理布置消聲器改善了進氣噪聲的聲壓級及階次線性度，實現了加速聲品質的控制。杜松澤[10]應用微穿孔結構消除了進氣系統中的高頻噪聲，并利用增強200～500 Hz頻段的噪聲及其傳遞效率的方法，提高了車內動力感聲品質。

目前，大多根據相關分析結果確定聲品質模型預測指標[11-14]。考慮到各個客觀參量的內在關聯性，本文針對9輛競品車三檔急加速工況下的進氣噪聲進行了試驗采集，建立了基于相關分析和主成分分析的進氣動力感神經網絡預測模型。通過與線性回歸模型的對比，以驗證主成分分析在提取客觀指標上的有效性，在減小網絡規模的基礎上基于主成分分析的神經網絡模型的準確性。預測模型處理框圖如圖1所示。

圖1 基于神經網絡的預測模型處理框圖Fig.1 Processing block diagram of the prediction model based on neural network

1 模型理論

1.1 Pearson相關

相關分析研究變量之間是否存在某種依存關系，并對具體有依存關系的變量探討其相關方向以及相關程度，是研究隨機變量之間的相關關系的一種統計學方法。對于滿足正態分布的數據，皮爾遜(Pearson)相關系數可以研究兩個變量間線性關系的程度，用相關系數r來描述，其計算公式為[13]

其中：Aj為主成分特征向量矩陣，Xx為各指標的標準化矩陣，Zj為各個主成分。

1.3 BP神經網絡模型

BP神經網絡是一種多層前饋神經網絡，包括信號的前向傳播和誤差的反向傳播過程，由輸入層、隱含層和輸出層組成，各層之間的激活函數一般采用S型函數。圖2為典型的三層BP神經網絡拓撲結構圖。

圖2 神經網絡拓撲結構Fig.2 Neural network topology diagram

根據梯度下降法依次修正輸出層權值、輸出層閾值、隱含層權值和隱含層閾值。BP神經網絡的實質是求解誤差函數的最小值問題，而其采用的非線性規劃中的最速下降方法可能會導致陷入局部極小值，因此提出附加動量法、自適應學習速率法等方法以解決此類問題。BP神經網絡以其優秀的非線性預測能力和泛化能力成為常用預測分類算法之一。

2 噪聲樣本采集與評價

2.1 樣本庫的建立

為了獲取純凈的進氣噪聲，本試驗在整車半消聲室NVH底盤測功機上進行。由于進氣噪聲受發動機本體輻射噪聲、胎噪、排氣噪聲的影響較大，需進行隔聲處理。考慮到發動機艙內結構復雜，進氣口空間有限，為了方便采集進氣噪聲，同時降低縫隙處理的工作量，將排氣口從大燈位置引出車外。利用鉛板和隔音棉覆蓋密封發動加艙蓋隔除發動機本體輻射噪聲，排氣噪聲通過消聲管道引出消聲室，胎噪利用內有鋼板、鉛板和隔音棉構成的隔音罩屏蔽，隔音罩將輪胎和輪轂密封，整體隔聲效果出色[8]，具體測試過程參見文獻[8]。進氣測試試驗現場照片如圖3所示。

圖3 進氣測試試驗現場照片Fig.3 Photo of air intake testing site

本次試驗采集設備如表1所示。分別采集9輛競品車三擋急加速過程的進氣噪聲，篩選并截取9 s、共18組有效聲音樣本建立聲音樣本庫。

表1 測試設備清單Table 1 Test equipment list

2.2 主觀評價

鑒于急加速過程聲音時變特征，將噪聲樣本劃分為前后兩段，以動力感為評價指標，采用等級評分法進行主觀評價[13]，并以前后兩段得分均值作為動力感最終得分。等級設定如表2所示。

表2 主觀評價等級評分劃分Table 2 Grade scoring of subject evaluation

本次評價人員選取有一定NVH經驗的教師、學生和工程師共16人組成，其中男性13名，女性3名，年齡介于22～50歲之間，評價人員均無聽覺障礙。評價試驗在聽音室進行，房間氣溫與濕度適宜，無明顯背景噪聲。在正式主觀評價前評價者通過試聽樣本詳細了解了評價流程，并針對動力感聲品質作出充分理解，評價過程中每位評價者評價時間不超過30 min[16]。

利用SPSS軟件計算每位評價者之間的spearman相關系數，剔除離散性較大的TP2、TP3、TP7、TP13評價者后，計算剩余評價者之間的平均相關系數，如表3所示。保留平均相關系數大于0.7的12位評價者評分結果，并以此計算18個噪聲樣本動力感得分均值，得分如表4所示。

表3 各評價者之間平均相關系數Table 3 Average correlation coefficient between evaluators

表4 樣本動力感分值Table 4 Dynamic sound quality scores of samples

2.3 客觀評價

根據國內外聲品質研究現狀[1]，本文選取響度Ld、粗糙度Cr、尖銳度Sp以及A計權聲壓級LA四個客觀參量為基礎評價指標，并針對非調制的汽車噪聲信號，采用以Arues粗糙度模型為基礎的新型波動度模型計算樣本的波動度，具體模型算法參見文獻[18]。

新型波動度模型采用等矩形帶寬(Equivalent Rectangular Bandwidth, ERB)尺度替換原有Bark尺度，精確模擬了人耳頻響特性；在ERB的基礎上利用75個濾波通道計算特征波動度，對于調制信號和非調制信號采用不同載頻和調制深度，更適合汽車噪聲波動度的計算。

考慮到全油門急加速過程中，進氣噪聲為時變非穩態信號，進氣噪聲的能量和頻率成分在時域上明顯變化，圖4和圖5為部分客觀參量時域變化圖。因此人對動力感聲品質的主觀感受會隨加速過程而發生改變。為了更好地描述聲音在加速過程中的變化以及在時域上的豐富性，本文提出動力指數DI物理評價參數。其計算公式為

圖4 加速工況響度曲線Fig.4 Loudness curve during acceleration

圖5 加速工況尖銳度曲線Fig.5 Sharpness curve during acceleration

其中Xi2、X1i、Xi分別為樣本后半段、前半段以及整體的第i個客觀參數的計算值。具體客觀參數計算值如表5所示。

表5 客觀參量對應值Table 5 Values of objective parameters

3 進氣噪聲動力感聲品質物理模型的建立

3.1 主客觀指標的相關性分析

采用皮爾遜(Pearson)相關分析法得到如表6所示的主觀評分與客觀參量的相關性分布。在本類樣本中，動力感與尖銳度和波動度顯著相關，與動力指數相關性相對較高，與粗糙度和A聲級相關性較低，但各客觀參量間并不獨立，彼此存在相關性。為了更好反映部分指標的內在關聯性，以A聲級為橫坐標，分別以響度、尖銳度、波動度和動力感分值為縱坐標，并采用最小二乘法直線擬合作圖，結果如圖6所示。分析發現，響度、尖銳度、都與A聲級有較強的相關性，而A聲級與動力感不明顯相關。因此可知客觀參量間接相關，存在信息上的重疊，導致A聲級與動力感的相關性受到影響。

圖6 A聲級與各參量相關性Fig.6 Correlations between A sound level and various parameters

表6 主觀評分與客觀參量相關性Table 6 Correlation between subjective scores and objective parameters

3.2 主客觀指標的主成分分析

由3.1節分析課知，進行相關分析的參量存在信息上的重疊時，不能有效反映其與主觀分值之間的相關性。主成分分析能夠對變量化簡降維，使每個主成分能夠獨立充分反映樣本的原始信息[17]。客觀參量主成分分析結果如表7、8所示。

表7 客觀參量主成分分析Table 7 Principal component analysis of objective parameters

結合主成分分析結果，提取特征值大于1的兩個主成分，第1、2主成分累計表達82%以上的樣本原始信息，其中響度、尖銳度、波動度、A聲級和動力指數在第一主成分中表達，粗糙度在第二主成分中表達。結合式(10)可得動力感主成分分析模型為

式中：1Z、Z2、Z3、Z4、Z5、Z6分別為響度、粗糙度、尖銳度、波動度、A聲級和動力指數標準化后的值。由綜合模型可知，響度、尖銳度、波動度、A聲級和動力指數對樣本貢獻量最高，因此在相關分析的基礎上得出A聲級也能充分反映樣本信息。

表8 因子載荷矩陣Table 8 Component matrix

4 進氣聲品質BP神經網絡模型的建立

4.1 相關分析確定輸入的神經網絡模型

隱含層激活函數選擇雙曲正切tansig函數：

輸出層選擇線性purelin函數：

為了取得理想的預測效果，采用LM二階梯度算法。網絡精度為0.01，學習率為0.05，迭代次數為1 000次。選擇1～14號樣本作為訓練樣本，15～18號樣本作為檢驗樣本，隱含層節點數依次選擇3～12，每次對網絡訓練10次，其預測結果平均累計誤差如圖7所示。最終確定9節點隱含層，網絡拓撲結構如圖8所示。

圖7 預測誤差與隱含層節點數關系(相關分析)Fig.7 The relationship between prediction error and hidden layer node number in correlation analysis

圖8 網絡拓撲結構(相關分析)Fig.8 Network topology in correlation analysis

4.2 主成分分析確定輸入的神經網絡模型

根據主成分分析結果，以響度、尖銳度、波動度、動力指數和A聲級作為輸入層，動力感分值作為輸出層建立三層BP神經網絡預測模型。其隱含層節點個數根據經驗公式應取4～13之間，網絡其他參數保持不變，隱含層節點依次選擇3～12個，每次對網絡訓練10次，其預測結果平均累計誤差如圖9所示。最終確定10節點隱含層，網絡拓撲結構如圖10所示。

圖9 預測誤差與隱含層節點數關系(主成分分析)Fig.9 The relationship between prediction error and hidden layer node number in principal component analysis

圖10 網絡拓撲結構(主成分分析)Fig.10 Network topology in principal component analysis

4.3 預測模型精度比較

為了突出相關分析與主成分分析對BP神經網絡模型的影響，采用逐步回歸的方式，以響度、尖銳度、波動度和動力指數為預測變量，動力感評分為因變量建立線性回歸模型。經顯著性分析后確定模型表達式為

其中：S為動力感分值，SP為尖銳度。

三種模型分別以15～18號為檢驗樣本進行預測精度對比，預測結果如圖11所示，各樣本預測誤差及累計誤差如表9所示。

表9 不同模型的預測精度對比Table 9 Comparison between prediction accuracies of different models

圖11 動力感實際值與不同模型預測值對比Fig.11 Comparison between actual score value of dynamic sense and the predicted values of different models

對比三種模型：神經網絡模型預測精度都高于線性回歸模型；由于主成分分析法充分考慮了客觀參量的內部相關性，提取了對樣本貢獻量最大的參量作為神經網絡的輸入，因此基于主成分分析的神經網絡模型預測精度高于基于相關分析的神經網絡模型。

5 結 論

本文通過屏蔽其他噪聲干擾的方式在底盤測功機上獲得了競品車純凈三擋急加速進氣噪聲，并針對非穩態噪聲的時變特征提出動力指數DI描述參量，在此基礎上對急加速進氣動力感聲品質的三種物理評價模型進行了對比分析，得到以下結論：

(1) 急加速進氣噪聲作為非穩態噪聲，使評價者的聽覺感受在時域變化，對樣本進行分段主客觀評價有助于動力感聲品質的描述。

(2) 當描述樣本信息的客觀參量內部存在較強相關性時，相關分析存在信息上的遺漏。主成分分析能夠充分考慮客觀參量內部之間的相關性，通過提取主成分來最大限度地描述樣本原始信息。

(3) 以主成分分析確定輸入層的神經網絡模型擁有更好的預測精度，在保證模型精度的情況下盡可能降低神經網絡輸入層的復雜程度，更適合此類樣本急加速進氣動力感聲品質的模型建立。