競品車急加速進(jìn)氣噪聲品質(zhì)評價(jià)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(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430070；2. 汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，湖北武漢 430070)

0 引 言

隨著社會和國家工業(yè)水平的發(fā)展，汽車已經(jīng)成為日常生活中不可缺少的交通工具。聲學(xué)特性作為汽車形象和品牌個性的體現(xiàn)，汽車制造商和消費(fèi)者已經(jīng)不再僅僅局限于滿足噪聲法規(guī)的要求，還對汽車的聲學(xué)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(xué)特性為目標(biāo)的聲品質(zhì)控制階段[1]。

國外學(xué)者以發(fā)動機(jī)噪聲為依托，在聲品質(zhì)主觀評價(jià)方法、評價(jià)指標(biāo)上做出大量研究[2-3]。Hoeldrich等[4]提出了一種可調(diào)制參數(shù)的廣義心理聲學(xué)模型，并應(yīng)用模型正確預(yù)測了車內(nèi)噪聲的粗糙度指標(biāo)。Ali等[5]對怠速工況、120 km·h-1穩(wěn)態(tài)工況、節(jié)氣門全開加速工況的車內(nèi)噪聲以及空調(diào)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(zhì)的不同。國內(nèi)聲品質(zhì)起步相對較晚，同濟(jì)大學(xué)的毛東興團(tuán)隊(duì)在主觀評價(jià)方法和數(shù)學(xué)模型上進(jìn)行了研究，針對Kendall一致性系數(shù)在成對比較法中存在的不足，提出了三角循環(huán)誤判的精準(zhǔn)計(jì)算方法，同時(shí)應(yīng)用分組成對比較法解決了主觀評價(jià)中工作量大的問題[6-7]。

進(jìn)氣噪聲作為發(fā)動機(jī)噪聲的主要來源對車內(nèi)聲品質(zhì)有著重要影響。劉志恩等[8]提出了一種采集純凈進(jìn)氣噪聲的測試方法，并對加速工況下的進(jìn)氣噪聲和車內(nèi)噪聲品質(zhì)的關(guān)聯(lián)性進(jìn)行了分析，驗(yàn)證了進(jìn)氣噪聲是車內(nèi)噪聲動力感實(shí)現(xiàn)較為優(yōu)秀的噪聲源。屈少舉等[9]通過優(yōu)化聲學(xué)元件設(shè)計(jì)，合理布置消聲器改善了進(jìn)氣噪聲的聲壓級及階次線性度，實(shí)現(xiàn)了加速聲品質(zhì)的控制。杜松澤[10]應(yīng)用微穿孔結(jié)構(gòu)消除了進(jìn)氣系統(tǒng)中的高頻噪聲，并利用增強(qiáng)200～500 Hz頻段的噪聲及其傳遞效率的方法，提高了車內(nèi)動力感聲品質(zhì)。

目前，大多根據(jù)相關(guān)分析結(jié)果確定聲品質(zhì)模型預(yù)測指標(biāo)[11-14]?？紤]到各個客觀參量的內(nèi)在關(guān)聯(lián)性，本文針對9輛競品車三檔急加速工況下的進(jìn)氣噪聲進(jìn)行了試驗(yàn)采集，建立了基于相關(guān)分析和主成分分析的進(jìn)氣動力感神經(jīng)網(wǎng)絡(luò)預(yù)測模型。通過與線性回歸模型的對比，以驗(yàn)證主成分分析在提取客觀指標(biāo)上的有效性，在減小網(wǎng)絡(luò)規(guī)模的基礎(chǔ)上基于主成分分析的神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。預(yù)測模型處理框圖如圖1所示。

圖1 基于神經(jīng)網(wǎng)絡(luò)的預(yù)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(guān)

相關(guān)分析研究變量之間是否存在某種依存關(guān)系，并對具體有依存關(guān)系的變量探討其相關(guān)方向以及相關(guān)程度，是研究隨機(jī)變量之間的相關(guān)關(guān)系的一種統(tǒng)計(jì)學(xué)方法。對于滿足正態(tài)分布的數(shù)據(jù)，皮爾遜(Pearson)相關(guān)系數(shù)可以研究兩個變量間線性關(guān)系的程度，用相關(guān)系數(shù)r來描述，其計(jì)算公式為[13]

其中：Aj為主成分特征向量矩陣，Xx為各指標(biāo)的標(biāo)準(zhǔn)化矩陣，Zj為各個主成分。

1.3 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，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(shù)一般采用S型函數(shù)。圖2為典型的三層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。

圖2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Neural network topology diagram

根據(jù)梯度下降法依次修正輸出層權(quán)值、輸出層閾值、隱含層權(quán)值和隱含層閾值。BP神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是求解誤差函數(shù)的最小值問題，而其采用的非線性規(guī)劃中的最速下降方法可能會導(dǎo)致陷入局部極小值，因此提出附加動量法、自適應(yīng)學(xué)習(xí)速率法等方法以解決此類問題。BP神經(jīng)網(wǎng)絡(luò)以其優(yōu)秀的非線性預(yù)測能力和泛化能力成為常用預(yù)測分類算法之一。

2 噪聲樣本采集與評價(jià)

2.1 樣本庫的建立

為了獲取純凈的進(jìn)氣噪聲，本試驗(yàn)在整車半消聲室NVH底盤測功機(jī)上進(jìn)行。由于進(jìn)氣噪聲受發(fā)動機(jī)本體輻射噪聲、胎噪、排氣噪聲的影響較大，需進(jìn)行隔聲處理。考慮到發(fā)動機(jī)艙內(nèi)結(jié)構(gòu)復(fù)雜，進(jìn)氣口空間有限，為了方便采集進(jìn)氣噪聲，同時(shí)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(fā)動加艙蓋隔除發(fā)動機(jī)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(nèi)有鋼板、鉛板和隔音棉構(gòu)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(xiàn)[8]。進(jìn)氣測試試驗(yàn)現(xiàn)場照片如圖3所示。

圖3 進(jìn)氣測試試驗(yàn)現(xiàn)場照片F(xiàn)ig.3 Photo of air intake testing site

本次試驗(yàn)采集設(shè)備如表1所示。分別采集9輛競品車三擋急加速過程的進(jìn)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(shè)備清單Table 1 Test equipment list

2.2 主觀評價(jià)

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

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

本次評價(jià)人員選取有一定NVH經(jīng)驗(yàn)的教師、學(xué)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(jià)人員均無聽覺障礙。評價(jià)試驗(yàn)在聽音室進(jìn)行，房間氣溫與濕度適宜，無明顯背景噪聲。在正式主觀評價(jià)前評價(jià)者通過試聽樣本詳細(xì)了解了評價(jià)流程，并針對動力感聲品質(zhì)作出充分理解，評價(jià)過程中每位評價(jià)者評價(jià)時(shí)間不超過30 min[16]。

利用SPSS軟件計(jì)算每位評價(jià)者之間的spearman相關(guān)系數(shù)，剔除離散性較大的TP2、TP3、TP7、TP13評價(jià)者后，計(jì)算剩余評價(jià)者之間的平均相關(guān)系數(shù)，如表3所示。保留平均相關(guān)系數(shù)大于0.7的12位評價(jià)者評分結(jié)果，并以此計(jì)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(jià)者之間平均相關(guān)系數(shù)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(jià)

根據(jù)國內(nèi)外聲品質(zhì)研究現(xiàn)狀[1]，本文選取響度Ld、粗糙度Cr、尖銳度Sp以及A計(jì)權(quán)聲壓級LA四個客觀參量為基礎(chǔ)評價(jià)指標(biāo)，并針對非調(diào)制的汽車噪聲信號，采用以Arues粗糙度模型為基礎(chǔ)的新型波動度模型計(jì)算樣本的波動度，具體模型算法參見文獻(xiàn)[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(chǔ)上利用75個濾波通道計(jì)算特征波動度，對于調(diào)制信號和非調(diào)制信號采用不同載頻和調(diào)制深度，更適合汽車噪聲波動度的計(jì)算。

考慮到全油門急加速過程中，進(jìn)氣噪聲為時(shí)變非穩(wěn)態(tài)信號，進(jìn)氣噪聲的能量和頻率成分在時(shí)域上明顯變化，圖4和圖5為部分客觀參量時(shí)域變化圖。因此人對動力感聲品質(zhì)的主觀感受會隨加速過程而發(fā)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(shí)域上的豐富性，本文提出動力指數(shù)DI物理評價(jià)參數(shù)。其計(jì)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(shù)的計(jì)算值。具體客觀參數(shù)計(jì)算值如表5所示。

表5 客觀參量對應(yīng)值Table 5 Values of objective parameters

3 進(jìn)氣噪聲動力感聲品質(zhì)物理模型的建立

3.1 主客觀指標(biāo)的相關(guān)性分析

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

圖6 A聲級與各參量相關(guān)性Fig.6 Correlations between A sound level and various parameters

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

3.2 主客觀指標(biāo)的主成分分析

由3.1節(jié)分析課知，進(jìn)行相關(guān)分析的參量存在信息上的重疊時(shí)，不能有效反映其與主觀分值之間的相關(guān)性。主成分分析能夠?qū)ψ兞炕喗稻S，使每個主成分能夠獨(dú)立充分反映樣本的原始信息[17]?？陀^參量主成分分析結(jié)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(jié)合主成分分析結(jié)果，提取特征值大于1的兩個主成分，第1、2主成分累計(jì)表達(dá)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(shù)在第一主成分中表達(dá)，粗糙度在第二主成分中表達(dá)。結(jié)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(shù)標(biāo)準(zhǔn)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(shù)對樣本貢獻(xiàn)量最高，因此在相關(guān)分析的基礎(chǔ)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(jìn)氣聲品質(zhì)BP神經(jīng)網(wǎng)絡(luò)模型的建立

4.1 相關(guān)分析確定輸入的神經(jīng)網(wǎng)絡(luò)模型

隱含層激活函數(shù)選擇雙曲正切tansig函數(shù)：

輸出層選擇線性purelin函數(shù)：

為了取得理想的預(yù)測效果，采用LM二階梯度算法。網(wǎng)絡(luò)精度為0.01，學(xué)習(xí)率為0.05，迭代次數(shù)為1 000次。選擇1～14號樣本作為訓(xùn)練樣本，15～18號樣本作為檢驗(yàn)樣本，隱含層節(jié)點(diǎn)數(shù)依次選擇3～12，每次對網(wǎng)絡(luò)訓(xùn)練10次，其預(yù)測結(jié)果平均累計(jì)誤差如圖7所示。最終確定9節(jié)點(diǎn)隱含層，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖8所示。

圖7 預(yù)測誤差與隱含層節(jié)點(diǎn)數(shù)關(guān)系(相關(guān)分析)Fig.7 The relationship between prediction error and hidden layer node number in correlation analysis

圖8 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)(相關(guān)分析)Fig.8 Network topology in correlation analysis

4.2 主成分分析確定輸入的神經(jīng)網(wǎng)絡(luò)模型

根據(jù)主成分分析結(jié)果，以響度、尖銳度、波動度、動力指數(shù)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(jīng)網(wǎng)絡(luò)預(yù)測模型。其隱含層節(jié)點(diǎn)個數(shù)根據(jù)經(jīng)驗(yàn)公式應(yīng)取4～13之間，網(wǎng)絡(luò)其他參數(shù)保持不變，隱含層節(jié)點(diǎn)依次選擇3～12個，每次對網(wǎng)絡(luò)訓(xùn)練10次，其預(yù)測結(jié)果平均累計(jì)誤差如圖9所示。最終確定10節(jié)點(diǎn)隱含層，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖10所示。

圖9 預(yù)測誤差與隱含層節(jié)點(diǎn)數(shù)關(guān)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(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)(主成分分析)Fig.10 Network topology in principal component analysis

4.3 預(yù)測模型精度比較

為了突出相關(guān)分析與主成分分析對BP神經(jīng)網(wǎng)絡(luò)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(shù)為預(yù)測變量，動力感評分為因變量建立線性回歸模型。經(jīng)顯著性分析后確定模型表達(dá)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(yàn)樣本進(jìn)行預(yù)測精度對比，預(yù)測結(jié)果如圖11所示，各樣本預(yù)測誤差及累計(jì)誤差如表9所示。

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

圖11 動力感實(shí)際值與不同模型預(yù)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(jīng)網(wǎng)絡(luò)模型預(yù)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(nèi)部相關(guān)性，提取了對樣本貢獻(xiàn)量最大的參量作為神經(jīng)網(wǎng)絡(luò)的輸入，因此基于主成分分析的神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度高于基于相關(guān)分析的神經(jīng)網(wǎng)絡(luò)模型。

5 結(jié) 論

本文通過屏蔽其他噪聲干擾的方式在底盤測功機(jī)上獲得了競品車純凈三擋急加速進(jìn)氣噪聲，并針對非穩(wěn)態(tài)噪聲的時(shí)變特征提出動力指數(shù)DI描述參量，在此基礎(chǔ)上對急加速進(jìn)氣動力感聲品質(zhì)的三種物理評價(jià)模型進(jìn)行了對比分析，得到以下結(jié)論：

(1) 急加速進(jìn)氣噪聲作為非穩(wěn)態(tài)噪聲，使評價(jià)者的聽覺感受在時(shí)域變化，對樣本進(jìn)行分段主客觀評價(jià)有助于動力感聲品質(zhì)的描述。

(2) 當(dāng)描述樣本信息的客觀參量內(nèi)部存在較強(qiáng)相關(guān)性時(shí)，相關(guān)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(nèi)部之間的相關(guān)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(jīng)網(wǎng)絡(luò)模型擁有更好的預(yù)測精度，在保證模型精度的情況下盡可能降低神經(jīng)網(wǎng)絡(luò)輸入層的復(fù)雜程度，更適合此類樣本急加速進(jìn)氣動力感聲品質(zhì)的模型建立。