雨刮-風窗系統摩擦噪聲聲品質主客觀評價

朱彬燕，郭 輝，王巖松，袁 濤，孫金輝

(1.上海工程技術大學機械與汽車工程學院，上海 201620；2.中國人民解放軍32128部隊，山東濟南 250000)

0 引 言

雨刮-風窗系統是汽車的重要組成部分，用于清除附著在擋風玻璃上的雨、霧等遮擋物，為駕駛員提供清晰視野，保證行車安全。隨著汽車行業的飛速發展，人們對汽車的舒適性、可靠性和安全性提出了更高的要求，噪聲、振動與聲振粗糙度(Noise, Vibration and Harshness, NVH)性能成為評價汽車的主要指標。雨刮-風窗系統對車內噪聲有較大影響，對其摩擦振動和噪聲的研究是提升整車NVH性能的重要環節。

試驗是雨刮-風窗摩擦噪聲研究的基本方法，有助于研究和探索噪聲的表象特征。試驗可以分為臺架試驗和實車試驗。

Shinya等[1]較早建立了回轉式試驗系統對雨刮-風窗噪聲進行研究，研究結果表明，雨刮的摩擦噪聲包括尖叫噪聲(頻率約為1 000 Hz)、顫振噪聲(頻率約為100 Hz以下)和反轉噪聲(頻率約為500 Hz以下)三種類型，這三種類型的摩擦噪聲分別與雨刮系統的高頻、低頻振動以及刮片反轉時產生的沖擊噪聲有關。Koenen等[2]采用平移式試驗設備，研究了不同溫度條件下干燥、濕潤和半干黏著三種接觸狀態的雨刮-風窗摩擦噪聲，初步得到了三種接觸狀態摩擦系數的變化規律。在實車的試驗研究方面，Min等[3]研究了汽車風窗玻璃的波紋度(waviness)對雨刮片尖叫噪聲的影響。Bódai等[4]進行了系統的摩擦力和摩擦噪聲試驗。張立軍等[5]采用時間域、頻率域以及時頻域的分析方法，研究了不同速度檔位及玻璃干、濕狀態下雨刮系統的振動噪聲問題，對雨刮-風窗摩擦噪聲進行了分類，并且分析了振動噪聲的產生原因。陳清爽等[6]通過振動噪聲試驗測試了前雨刮器高低檔位時車內噪聲和高速檔時的振動狀況，分析了雨刮-風窗摩擦噪聲對車內噪聲聲壓級和響度的影響，并且提出了降噪建議。黃光濤等[7]對不同狀態下雨刮器各個零部件的振動狀態進行了研究。Yang等[8]建立了雨刮系統的理論模型，并且研究了在雨刮換向過程中的摩擦振動特性。

雨刮-風窗噪聲是一種典型的摩擦噪聲。在摩擦噪聲的研究中，雨刮-風窗噪聲的聲品質問題值得特別關注。Zwicker等[9]較早將聲音的客觀心理聲學參數與人的聽覺感受相互聯系起來。王登峰等[10]采用響度、尖銳度、粗糙度和起伏度四個參量，研究了車內噪聲聲品質主、客觀評價指標之間的對應關系。申秀敏等[11]采用支持向量機(Support Vector Machine, SVM)技術研究了車內噪聲聲品質預測方法。徐中明等[12]通過主觀評價試驗，建立了基于反轉噪聲、電機噪聲和刮刷噪聲的主觀煩躁度多元線性回歸模型，該模型可用于雨刮系統的聲品質預測。此外，在聲品質評價與控制方面，Huang等[13]采用線性回歸深度信息網絡技術研究了車內噪聲聲品質預測方法。Guo等[14]通過神經網絡技術研究了汽車噪聲粗糙度的評價方法。賴詩洋等[15]引入綜合評價指標，進行了基于心理聲學煩躁度的聲品質客觀評價與分析方法。錢堃等[16]通過聲品質客觀心理聲學參量的評價，對高速動車組車內噪聲的感知進行量化。Wang等[17]以聽覺掩蔽效應為基礎，利用算法實現車內噪聲聲品質的控制。Wang等[18]對車內噪聲信號進行小波變換處理，并利用算法實現聲品質時頻控制。

目前的試驗研究一般對雨刮-風窗系統摩擦噪聲的影響因素進行定性分析，較少對聲品質等系統聲學參數進行綜合分析和定量研究，難以全面表征雨刮-風窗系統對整車NVH性能的影響。因此，在試驗分析汽車雨刮-風窗系統摩擦噪聲的基礎上，本文結合聲品質主客觀評價和支持向量機的方法，量化摩擦噪聲影響，預測聲品質評價值，對汽車雨刮-風窗系統的聲品質進行研究。

1 雨刮-風窗摩擦噪聲試驗

1.1 雨刮-風窗系統基本組成

雨刮-風窗系統主要由電機、四連桿機構、雨刮臂、雨刮片等部分組成。在系統工作過程中，電機為系統提供扭矩動力，傳遞到雨刮臂后帶動四連桿機構運行，通過轉軸使雨刮片刮掃擋風玻璃。整個過程將電機的轉動轉化成雨刮片的往復擺動，從而實現清潔功能。

雨刮-風窗系統運行時，因雨刮與風窗之間接觸產生的摩擦噪聲，是影響雨刮-風窗系統NVH性能的主要原因，因此，本文主要針對摩擦噪聲進行分析。

1.2 摩擦噪聲采集

對某新能源汽車雨刮-風窗系統運行產生的車內摩擦噪聲進行采集，測試現場如圖1所示。

圖1 雨刮-風窗系統摩擦噪聲測試現場Fig.1 Test site of the frictional noise in wiper-windshield system

圖1中測點代表噪聲測試點。試驗用車帶雙雨刮，具體試驗設置如下：

(1) 試驗環境：試驗場所為半消聲室，試驗時利用車載12 V蓄電池供電，車輛通電但處于停車狀態，車窗和車門關閉，試驗人員在駕駛員位置控制雨刮系統。

(2) 試驗儀器：LMS. Testlab數據采集分析系統1套、麥克風4只。

(3) 測點布置：圖1中測點布置為①主駕駛左耳；②主駕駛右耳；③副駕駛左耳；④副駕駛右耳。

(4) 工況設置：雨刮運行時不同的刮刷速度(高速擋、低速擋)和玻璃表面的干濕程度(干燥、濕潤)，兩兩組合共計4種工況，每種工況測試3次，共計48個數據樣本，數據采集時長為10 s。

通過實車試驗，將采集到的車內噪聲樣本，以音頻形式存入計算機，建立雨刮-風窗摩擦噪聲數據庫，便于后期數據的提取與處理。

2 雨刮-風窗系統摩擦噪聲分析

對采集的信號選取5 s時長的數據進行時域分析。圖2為不同工況下測試3次后的車內平均聲壓對比圖。由圖2可知，雨刮-風窗系統噪聲是一種周期性噪聲，具有以下特點：

圖2 不同工況下車內平均聲壓級對比圖Fig.2 Comparison of average interior sound pressure levels under different working conditions

(1) 從時域來看，聲壓在雨刮運行的兩個反轉位置達到峰值。

(2) 在不同工況下，摩擦噪聲的主要影響因素是擋風玻璃表面的干濕程度，雨刮刮刷速度的影響次之。

在實際測量時，雨刮-風窗系統運動過程中的摩擦噪聲具有非平穩瞬態特性，傳統的傅里葉變換方法不能獲得非平穩信號準確的時頻信息，因此采用小波分析來獲得雨刮-風窗系統摩擦噪聲的時頻特征。分別對車內測點的雨刮-風窗摩擦噪聲信號進行小波變換，得到相應的聲壓信號時頻分析結果。圖3為不同工況下車內駕駛員右耳位置聲壓信號的時頻圖。

圖3 不同工況下基于小波變換的車內駕駛員右耳位置聲壓信號時頻分析圖Fig.3 Wavelet transform based spectrogram of sound pressure signal at the driver's right ear position under different working conditions

由圖3可知，汽車雨刮-風窗摩擦噪聲頻率呈現一定規律，覆蓋了從0～1 000 Hz頻率范圍，并且具有以下特點：

(1) 雨刮-風窗摩擦噪聲均為頻帶噪聲，其頻率主要分布在500 Hz以下，低頻主要在0～20 Hz范圍。

(2) 對比低頻信號與高頻信號的聲壓時域特性，可知聲壓在低頻部分衰減較慢，而在高頻部分衰減較快。信號在不同頻率段的峰值對應不同時間，導致雨刮-風窗系統摩擦噪聲的復雜性。

3 聲品質客觀指標分析

聲品質是基于人對聲音的聽覺感知，對車內噪聲進行心理聲學多維度綜合描述，是評價汽車NVH性能的重要因素之一。聲品質研究的方法之一為客觀指標分析評價，主要是采用心理聲學客觀指標如響度、尖銳度、粗糙度等進行評價。

本文利用LMS公司Test. Lab軟件，計算雨刮-風窗系統摩擦噪聲的聲品質客觀指標，包括響度、尖銳度、粗糙度和A計權聲壓級。本文采集的雨刮-風窗噪聲分布在4個測點：車內駕駛員和副駕駛員的左、右耳處。以濕潤高速工況為例，計算上述4個測點采集摩擦噪聲的平均響度、尖銳度、粗糙度和A計權聲壓級時間曲線，結果如圖4～7所示。

圖4 從4個測點得出的平均響度曲線Fig.4 Average loudness curves obtained from 4 measuring points

圖5 從4個測點得出的平均尖銳度曲線Fig.5 Average sharpness curves obtained from 4 measuring points

圖6 從4個測點得出的平均粗糙度曲線Fig.6 Average roughness curve obtained from 4 measuring points

圖7 從4個測點得出的平均A計權聲壓級曲線Fig.7 Average A-weighting sound pressure level curve obtained from 4 measuring points

由圖4～7可知，雨刮-風窗系統運行時，雨刮反轉過程中車內各項聲品質客觀指標曲線峰值明顯，但持續時間較短。

本文取不同工況下10 s內車內的響度和尖銳度的平均值來表征總體客觀感受，如表1所示。

表1 在不同工況下雨刮的響度和尖銳度測量結果Table 1 Measuring results of loudness and the sharpness of the wiper under different working conditions

響度主要描述人耳所感受到的聲音強度，而尖銳度描述的是高頻成分在聲音頻譜中所占比例。由表1可知，在上述4種工況下，車內的響度和尖銳度的表現各不相同。

此外，從建立的噪聲數據庫中，根據4種工況選取18個不同的實驗樣本，其中低速工況和高速工況分別取9個。在建立聲品質評價預測模型之前需要量化噪聲樣本的客觀指標，對樣本分別計算響度、尖銳度、粗糙度和A計權聲壓級，結果如表2所示。

4 聲品質評價預測模型

對雨刮-風窗系統的摩擦噪聲進行聲品質主觀評價，提取的摩擦噪聲樣本采用語義細分法進行陪審團主觀評價試驗，測試不同條件下雨刮-風窗摩擦噪聲的主觀煩躁度。評價試驗共25名人員參與，其中男性15人，女性10人，年齡在20～40歲，其中15人為研究噪聲方面且有主觀評價經驗的碩士研究生。試驗開始前對評價人員進行測試培訓以及評價方法的介紹，以確保評價人員對測試過程和目標的準確理解，使得主觀評價結果更具有效性。并進行5級的評價詞程度等級劃分。由于評價個體在評價過程中采用的評價尺度不同，將評價結果以比例分布于0 ～ 1之間，進行歸一化處理。按照5個評價等級對雨刮-風窗摩擦噪聲進行煩躁度評價，煩躁度等級評分表如表3所示。

表3 煩躁度等級評分表Table 3 Annoyance level scores

由于主觀評價方法效率較低，并且主觀評價與客觀指標之間存在復雜非線性。為更好推廣聲品質評價的工程應用，本文建立雨刮-風窗雨刮系統摩擦噪聲聲品質預測模型，以快速有效地進行聲品質預測和評價。針對小樣本非線性問題的情況，建立基于支持向量機的聲品質預測模型。SVM目標是現有信息下的最優解，可解決神經網絡等方法中無法避免的局部極值問題，但當預測樣本較多時，預測效果會逐漸下降。

SVM解決回歸問題的基本原理為

式中：D是給定訓練樣本集；(xi，yi)是其中的子集。

基于此得到非線性回歸模型：

式中：w和b是模型的參數，w是法向量，表示方向，b表示位置。模型的目標是使模型輸出f()x與真實輸出y之間盡可能接近。假設f()x與y之間最多有ε的誤差，僅當f()x與y之間的差的絕對值大于ε時才計算損失。

雨刮-風窗摩擦噪聲較為復雜，客觀參數與主觀評價結果之間具有非線性關系，從輸入空間到特征空間的映射會讓維度爆炸式增長。常用的核函數有線性核、多項式核、徑向基核函數等，高斯徑向基函數是一種局部性強的核函數，可以將一個樣本映射到一個更高維的空間內，故核函數采用高斯徑向基函數：

式中：||·||是向量的模；參數σ表示作用寬度；i=1，2，…，m。x、xi為低維Rn的向量，κ(x，xi)是x、xi映射到高維R∞后的核函數。

引入拉格朗日乘子αi，得到最終得到模型為

為實現上述模型，設置迭代次數為100，種群規模為50，初始的其他參數由驗證后得到默認值。調用Matlab軟件中的libsvm工具箱對樣本進行訓練預測。

本文模型適用于雙雨刮的雨刮-風窗系統試驗用車，針對雨刮-風窗雨刮系統的摩擦噪聲，從測得的48個噪聲信號中選取24個，并各截取5 s作為實驗樣本。實驗樣本包括4種(低速干燥、高速干燥、低速濕潤、高速濕潤)工況，每種工況選取6個樣本，共計24個樣本。得到樣本后，分別計算其響度、尖銳度、粗糙度和A計權聲壓級。其中，A計權聲壓級、響度、尖銳度隨速度的增大而增大，粗糙度受影響較小；干燥狀態下的A計權聲壓級、響度、尖銳度和粗糙度高于濕潤狀態。煩躁度與響度的相關系數為0.985，相關性最強，煩躁度與尖銳度的相關系數為0.872，因此，選取響度與尖銳度作為評價模型的預測因子。從樣本集中隨機選用6個實驗樣本作為測試檢驗集，18個樣本是同一次實驗測得并通過截選得到的，測試集預測結果如圖8所示。在隨機條件下選取的樣本均方誤差(Mean Square Erro, MSE)為0.046，決定系數(R2)達到0.960。實驗結果說明評價模型的預測穩定性較好。

圖8 訓練集預測結果與真實值對比Fig.8 Comparison of training set prediction results with true values

測試集實驗樣本的真實值與預測值之間的誤差率如表4所示。由表4可知，測試集預測值與真實值最大誤差率為11.32%，考慮到選取樣本的隨機性，說明預測模型的泛化性較高，新數據應用到該模型也能得出較好的預測效果。

表4 預測模型的預測誤差率Table 4 The prediction error rate of the prediction model

5 結 論

通過以上研究，本文得到如下結論：

(1) 實車試驗測量了雨刮-風窗系統車內的摩擦噪聲，在雨刮運行的兩個反轉位置達到峰值，聲壓在低頻部分衰減較慢，而在高頻部分衰減較快，具有一定的復雜性。

(2) 運用心理聲學客觀指標，計算得出雨刮-風窗系統運行時的反轉噪聲是影響聲品質的主要因素；在相同濕潤條件下，高速工況的響度和尖銳度高于低速工況，粗糙度隨速度變化較小。

(3) 基于聲品質主觀評價試驗，采用支持向量機模型對雨刮-風窗系統摩擦噪聲的聲品質進行預測，該模型主要由響度與尖銳度決定，具有較好的預測能力，為改善車內聲品質提供一定的參考。