曾發林，魏良本，商志豪，徐求福

（江蘇大學汽車工程研究院，江蘇 鎮江 212000）

1 引言

隨著經濟的迅速發展，國內外汽車市場日益壯大，同時消費者也對汽車的性能提出了更高的要求［1］。NVH性能是評價汽車質量的重要指標，很大程度上也影響了消費者購買汽車的意愿。

車內噪聲主要包括動力總成噪聲、路噪、空氣噪聲等［2］。噪聲問題的解決，一般可參照“激勵源—傳遞路徑—接收者”的模型進行分析解決［3］。道路行駛工況下，路面激勵經結構路徑和空氣路徑傳遞到車內。為有效識別各路徑對車內噪聲的貢獻量，傳遞路徑分析方法應運而生。

自上世紀80年代誕生伊始，TPA方法得到了眾多學者和公司的廣泛應用。文獻［4］針對某皮卡車內轟鳴聲進行混合TPA試驗，有效識別出各結構路徑和聲學路徑對車內轟鳴聲的貢獻量。文獻［5］結合TPA試驗與有限元仿真，確定了后橋噪聲的主要結構傳遞路徑。文獻［6］針對車內穩態噪聲問題，建立了整車TPA分析模型，實現了車內噪聲（3～5）dB（A）的有效降低。文獻［7］對某輕客駕駛員座椅振動問題進行了研究，通過建立包含15條傳遞路徑的TPA模型，分析各路徑對響應點的振動貢獻量。

傳統TPA分析方法一般以降低車內噪聲A聲壓級為優化目標，進而確定優化方案。A聲壓級的提出，考慮到了人耳對不同頻率聲音的感知能力不同。然而，該指標并不能全面反映車內駕駛員、乘客的主觀感受和車內噪聲的聽覺特性［8］。聲品質，這一指標以人為評價主體強調了聲音的適宜性，正日益成為汽車噪聲的主要評價標準［9］。

將經典傳遞路徑分析與聲品質相結合，既發揮了傳統TPA方法反映噪聲頻譜特性的優點，又克服了其難以真實反映車內駕駛員主觀感受的缺點［10］。借助聲品質預測模型，實現各路徑對車內聲品質貢獻量的定量分析。進而，結合模態分析和頻譜分析對路徑貢獻較大的原因進行研究并提出優化方案。

2 傳遞路徑分析

為判斷該車型40km/h工況車內聲品質較差原因，對駕駛員內耳位置麥克風采集的噪聲信號進行頻譜分析，如圖1所示。頻譜圖在87Hz處存在明顯峰值。（60～200）Hz頻帶車內噪聲主要是由于路面激勵引發底盤懸架系統共振導致，據此判斷本車應為底盤件問題。具體路徑的識別采用傳遞路徑分析方法，分析各路徑對車內噪聲的貢獻量，判別問題路徑。

圖1 主駕內耳噪聲頻譜Fig.1 Noise Spectrum of Driver’s Interior Ear

2.1 數據采集

考慮到路噪主要是結構聲問題，可忽略貢獻較小的空氣聲。因此，傳統TPA公式可簡化為：

本次研究的結構路徑包括前后副車架安裝點、減振器車身連接點、減震彈簧車身連接點、拖曳臂車身連接點等16個連接點，每個連接點分析X/Y/Z三方向，共48條結構路徑。由式（1）可知，TPA模型的建立需要兩方面數據：結構聲傳遞函數（Noise Transfer Function，NTF）和測點工況數據。

在半消聲室對內飾車身進行NTF 測試，如圖2 所示。使用PCB模態力錘在各路徑點處施加激勵，在車內主駕內耳處布置麥克風傳感器，測量得到結構聲傳遞函數。對所有測點按照試驗規范進行測試，得到全部48條路徑的結構聲傳遞函數。

根據GB/T18697-2002《聲學-汽車車內噪聲測量方法》在粗糙路面進行40km/h工況下的穩態噪聲測試，得到各路徑點處和車內駕駛員內耳處的15s工況數據。

2.2 建立TPA分析模型

利用Simcenter.Testlab 18軟件的TPA 模塊進行車內噪聲合成，獲得各路徑噪聲貢獻量。

從合成車內噪聲與實測車內噪聲的對比可以看出：擬合噪聲與實測噪聲十分接近，證明了TPA分析模型的準確性。誤差原因可能包括結構聲傳遞函數低頻精度差以及部分次要路徑被忽略。實測噪聲與擬合噪聲，如圖3所示。

圖3 實測噪聲與擬合噪聲Fig.3 Comparison of Measured and Synthetic Noise

3 聲品質GA-BP預測模型

為準確研究車內聲品質，采用等級評分法和計算心理聲學客觀參量進行聲品質主客觀評價，并分別將其作為輸入、輸出得到基于GA-BP神經網絡的車內聲品質預測模型。

考慮到預測模型的建立，需要具有一定的樣本容量。在試驗場粗糙路面按照怠速、5km/h、（10～120）km/h間隔10km/h依次定速進行穩態噪聲測試。試驗同樣參照GB/T18697-2002《聲學-汽車車內噪聲測量方法》，麥克風布置在駕駛員頭枕處，每個工況采集3次、每次時間為15s，共得到42組穩態噪聲樣本。

3.1 主客觀評價試驗

采用等級評分法進行煩躁度評分，心理聲學客觀參量選用A計權聲壓級、響度、尖銳度和粗糙度。

主觀評價時，為避免測試人員受不同噪聲響度不一致影響，需要先對樣本進行等響處理。同時，打亂樣本順序，避免主觀臆測對實驗結果產生影響。

招募30 位本專業本科生和研究生進行主觀評價實驗。其中，男性20人，女性10人，年齡在（20～30）歲之間。試驗前預先給評價者播放幾段聲音樣本，保證評價人員對試驗流程和聽音樣本有一定了解。考慮到評價人員全部為學生，部分人員聽音經驗缺乏，難以準確區分煩躁度等級。本次實驗簡化了煩躁度等級評分法，按照表1進行打分評價。主觀評價評分表，如表1所示。

表1 主觀評價評分表Tab.1 Subjective Evaluation Scale

3.2 相關性分析

考慮到評價人員眾多，為避免引入不穩定結果，需要對所有評價數據進行一致性檢驗。Spearman相關系數法對原始數據的變量分布沒有要求，計算公式如下：

式中：r—Spearman秩相關系數；

Ui、Vi—不同變量的秩；

n—樣本總數。

因此，利用SPSS軟件對評價結果進行Spearman相關系數檢驗。主觀評價樣本數據一致性檢驗結果，如圖4所示。Spearman相關系數小于0.7表示相關性較弱，剔除第8組和第22組數據，將剩下的28組樣本應用于聲品質預測模型。

圖4 評價數據一致性檢驗結果Fig.4 Evaluate Data Consistency Test Results

為檢驗所選四個心理聲學參量是否適合參與聲品質計算，分別將其與煩躁度主觀評價實驗結果進行Spearman相關系數分析結果，如表2所示。A聲壓級、響度、尖銳度和粗糙度與煩躁度評分相關性均較強，均可應用于聲品質預測。心理聲學客觀參量

表2 Spearman相關系數分析結果Tab.2 Spearman Correlation Coefficient Analysis Results

3.3 GA-BP聲品質預測模型

建立3層BP神經網絡模型，以上述四個心理聲學客觀參量為輸入，主觀評價煩躁度平均得分為輸出。輸入層節點數為4，輸出層節點數為1。根據經驗公式（3）：

式中：n、l—輸入層、輸出層節點數；α取（1～10）之間的整數。

確定隱含層節點數為6，構建拓撲結構為4-6-1的BP神經網絡。由于BP神經網絡存在穩定性差、容易陷入局部極值的缺陷，引入遺傳算法（Genetic Algorithm，GA）優化BP（Back Propagation）神經網絡的初始權值和閾值。設定種群規模50，最大遺傳代數150，交叉概率0.3，變異概率0.05［11］。

隨機選擇36組噪聲樣本作為訓練組樣本，剩余6組噪聲樣本作為驗證組。設定學習速率0.1，期望誤差00001，仿真結果，如圖5所示。

圖5 GA-BP模型預測精度結果Fig.5 Prediction Accuracy Result of GA-BP

經驗證：該預測模型最大誤差為7.23%，平均誤差為4.10%，具有較高的準確性。

4 聲品質貢獻量分析

根據第2節對車內噪聲的TPA分析，可以得到各結構路徑的Spectrum頻譜數據，借助傅里葉逆變換可將頻譜數據轉換為時域數據。利用Simcenter.Testlab18軟件的Sound Diagnosis模塊計算所需的四個心理聲學客觀參量，即A聲壓級、響度、尖銳度和粗糙度。由于人耳頻率可聽閾為（20～20）kHz，計算前需要對時域信號進行截止頻率為20Hz的高通濾波。

按照上述方法分別計算前述TPA分析得到的48條路徑貢獻量對應的心理聲學客觀參量，將其輸入到聲品質預測模型中，得到每條路徑貢獻量對應的煩躁度等級。考慮到路徑較多，展示部分煩躁度等級較高的路徑，如表3所示。

表3 部分路徑與主駕內耳聲品質計算結果對比Tab.3 Sound Quality Comparison Between Several Paths and Driver’s Interior Ear

由表3容易發現，部分路徑的心理聲學客觀參量值比總的車內噪聲大，這是因為聲音存在“掩蔽效應”。

掩蔽效應（Auditory Masking），指兩個聲音信號疊加時，若其時間或頻率非常接近、響度不同，則響度較大的聲音會掩蔽響度較小的聲音，使得響度較小的聲音不容易被人耳感知到。頻域掩蔽，指兩個不同頻率的聲音信號同時出現，響度較小的聲音信號很難被感知到。顯然，聲品質疊加過程中存在的非線性問題為掩蔽效應作用的結果。

上表3顯示，貢獻量最大的路徑依次是后副車架的左后、右后和右前安裝點Z向三條路徑，推斷后副車架存在問題。

5 優化方案及驗證

5.1 方案制定

安裝副車架的目的主要是減小路面振動傳入車廂內部，后副車架與車身連接，其結構可簡化為有阻尼單自由度系統，方程如下：

系統固有頻率可表示為：

式中：ξ—系統阻尼比；

ωn—無阻尼固有頻率。

為排查副車架模態是否存在問題，對實車狀態下的副車架進行模態測試。測試結果表明：該副車架的模態頻率分別為62.8Hz、76.5Hz、85.0Hz、101.6Hz、119.5Hz等。

該副車架在85Hz處存在第三階模態，如圖6所示。模態振型表現為Z向剛體模態與彎曲模態耦合。結合路徑聲品質貢獻量識別結果，可以推斷：后副車架模態被路面激勵激起，引起共振導致車內聲品質較差。

圖6 副車架模態測試結果Fig.6 Modal Testing Result of Subframe

因此，考慮對后副車架模態頻率進行改變。由式（4）可知，模態頻率與襯套剛度、質量相關。增加質量與整車輕量化原則相悖，選擇調整襯套剛度作為優化方案。由于系統固有頻率隨剛度減小而變小，同時考慮到襯套剛度對懸架特性的影響，依據工程經驗將副車架襯套剛度降低為原來的85%。

5.2 方案驗證

首先，利用Ansys有限元分析軟件對副車架進行模態分析，優化后的樣件第三階模態頻率為79.9Hz。將優化樣件安裝到實車上，再次進行粗糙路面40km/h道路測試結果，如圖7所示。駕駛員內耳噪聲原87Hz處峰值顯著降低，下降了7.3dB，乘員主觀感受車內聲品質得到了明顯改善，確認優化方案有效，如圖8所示。

圖7 副車架模態分析仿真結果Fig.7 Modal Analysis Result of Subframe

圖8 優化后的車內噪聲Fig.8 Optimized Interior Noise

6 結論

（1）GA-BP神經網絡模型能夠準確預測車內聲品質，平均誤差為4.1%，具有較高的準確性。（2）提出的結合傳遞路徑分析和聲品質的路噪問題優化思路，既能反映路徑貢獻量的頻譜特性，也客觀量化了各路徑對車內聲品質的貢獻量，能夠應用于車內聲品質優化研究。（3）通過將后副車架襯套剛度降低15%，駕駛員內耳噪聲87Hz處下降7.3dB，車內聲品質主觀感受明顯改善。