姜順明，王智錳，周 濤，匡志豪

（江蘇大學(xué) 汽車與交通工程學(xué)院，江蘇 鎮(zhèn)江 212013）

車內(nèi)NVH（noise，vibration，harshness）性能是衡量汽車品質(zhì)的一個(gè)重要指標(biāo)。而聲品質(zhì)因其準(zhǔn)確反映了乘員對(duì)于車內(nèi)噪聲的主觀感受，成為近幾年車內(nèi)NVH研究的熱點(diǎn)。良好的車內(nèi)聲品質(zhì)不僅能增強(qiáng)駕乘舒適性，還能提高駕駛員的駕駛體驗(yàn)。目前國(guó)內(nèi)外學(xué)者對(duì)于車內(nèi)聲品質(zhì)已有諸多研究，但多是基于煩惱度或者是舒適性等單一的評(píng)價(jià)指標(biāo)建立聲品質(zhì)評(píng)價(jià)模型［1，2］。然而，乘員對(duì)于車內(nèi)聲的感受具有多維性，除了舒適性之外，運(yùn)動(dòng)感也是重要的一個(gè)維度。因此，要全面、切實(shí)地反映乘員的聽覺感受，對(duì)車內(nèi)聲品質(zhì)進(jìn)行多維度評(píng)價(jià)是非常必要的。通過對(duì)車內(nèi)聲品質(zhì)多維度評(píng)價(jià)，不僅可以實(shí)現(xiàn)對(duì)車內(nèi)聲品質(zhì)的更全面辨識(shí)，還為車內(nèi)聲學(xué)多模式、個(gè)性化、智能化設(shè)計(jì)奠定基礎(chǔ)，提高車型以及品牌辨識(shí)度。

國(guó)外對(duì)于車內(nèi)聲運(yùn)動(dòng)感評(píng)價(jià)已有部分研究，Bisper［3］與Kubo［4］研究發(fā)現(xiàn)，評(píng)審團(tuán)對(duì)車輛全油門和勻速工況下的車內(nèi)聲品質(zhì)主觀評(píng)價(jià)結(jié)果有明顯區(qū)別?；谝蛩胤治觯⒘诉\(yùn)動(dòng)感多元線性回歸模型，Lee等［5］分析了運(yùn)動(dòng)感聲品質(zhì)與粗糙度和尖銳度的關(guān)系，建立了粗糙度和尖銳度與運(yùn)動(dòng)感聲品質(zhì)的多元線性回歸模型。但是多元線性回歸模型并不能完全表達(dá)心理聲學(xué)參數(shù)與主觀評(píng)價(jià)結(jié)果之間的映射關(guān)系［6］，預(yù)測(cè)誤差較大。

GA-BP神經(jīng)網(wǎng)絡(luò)模型因其非線性映射能力強(qiáng)、預(yù)測(cè)精度高、容錯(cuò)性好的特點(diǎn)，近年來(lái)開始較多應(yīng)用于車內(nèi)聲品質(zhì)預(yù)測(cè)。因此，針對(duì)上述問題，本文將對(duì)不同車輛行駛工況下噪聲樣本分別進(jìn)行舒適性和運(yùn)動(dòng)感兩個(gè)維度下聲品質(zhì)主、客觀評(píng)價(jià)，分別建立基于多元線性回歸和GA-BP算法的線性與非線性的車內(nèi)聲品質(zhì)多維度評(píng)價(jià)模型，并對(duì)模型預(yù)測(cè)精度進(jìn)行對(duì)比分析。

1 多維度車內(nèi)聲品質(zhì)主觀評(píng)價(jià)

1.1 樣本采集及處理

選取某國(guó)產(chǎn)SUV為研究對(duì)象。分別采集車輛勻速和加速2種工況下的車內(nèi)噪聲信號(hào)（圖1），其中：勻速工況包括了從30 km／h到100 km／h共計(jì)20組噪聲樣本；加速工況包括了從半油門到全油門以及急加速與緩慢加速共計(jì)20組噪聲樣本。

圖1 噪聲采集試驗(yàn)車內(nèi)布置及噪聲采集設(shè)備

乘員對(duì)于勻速工況和加速工況下車內(nèi)噪聲的主觀感受有明顯區(qū)別，故選取勻速工況樣本作為舒適性維度評(píng)價(jià)樣本，加速工況樣本作為運(yùn)動(dòng)感維度評(píng)價(jià)樣本。對(duì)40組噪聲樣本進(jìn)行濾波、剪輯處理，每段樣本剪輯為5 s，剔除勻速工況和加速工況下受嚴(yán)重干擾的樣本各5組，得到兩個(gè)維度下各15個(gè)主、客觀評(píng)價(jià)樣本。

1.2 主觀評(píng)價(jià)試驗(yàn)

參與主觀評(píng)價(jià)實(shí)驗(yàn)的評(píng)價(jià)人員由高校教師、NVH工程師、車輛工程專業(yè)學(xué)生組成，共計(jì)30名評(píng)價(jià)人員，其中男性18人，女性12人。在主觀評(píng)價(jià)試驗(yàn)之前，對(duì)所有評(píng)價(jià)者進(jìn)行聽音培訓(xùn)，對(duì)舒適性和運(yùn)動(dòng)感做必要說(shuō)明。

采用成對(duì)比較法分別對(duì)兩個(gè)維度下聲品質(zhì)進(jìn)行主觀評(píng)價(jià)。評(píng)價(jià)過程中，評(píng)價(jià)者對(duì)所有樣本進(jìn)行兩兩評(píng)價(jià)。在2個(gè)聲品質(zhì)維度評(píng)價(jià)過程中，在每組評(píng)價(jià)測(cè)試中，A、B兩個(gè)樣本得分按如下規(guī)則：若A的主觀感受強(qiáng)于B，記A得1分，反之B得1分；若A與B的主觀感受相同，記為0分。

1.3 主觀評(píng)價(jià)校驗(yàn)及結(jié)果

首先采用三角循環(huán)誤判檢驗(yàn)法對(duì)各評(píng)價(jià)者的評(píng)價(jià)結(jié)果進(jìn)行檢驗(yàn)［7］，對(duì)于每組評(píng)價(jià)測(cè)試，若出現(xiàn)式（1）中的3種情況，則視為誤判。

式（1）中：i、j、k為任意3個(gè)樣本；Pij、Pjk、Pik分別表示i與j、j與k、i與k成對(duì)比較時(shí)的評(píng)價(jià)結(jié)果。

然后對(duì)所有評(píng)價(jià)者兩個(gè)維度下的評(píng)價(jià)結(jié)果做Kendall一致性分析。得到每個(gè)評(píng)價(jià)者的Kendall相關(guān)系數(shù)值。其中，對(duì)于舒適性校驗(yàn)結(jié)果，剔除4位誤判數(shù)較大以及3位Kendall相關(guān)系數(shù)低于0.7共計(jì)8位評(píng)價(jià)者的評(píng)價(jià)數(shù)據(jù)；對(duì)于運(yùn)動(dòng)感校驗(yàn)結(jié)果，剔除4位誤判數(shù)較大以及4位Kendall相關(guān)系數(shù)低于0.7共計(jì)7位評(píng)價(jià)者樣本。對(duì)剩余的22個(gè)運(yùn)動(dòng)感和23個(gè)舒適性評(píng)價(jià)者的評(píng)價(jià)結(jié)果做算術(shù)平均處理，最終得到各維度下樣本的主觀評(píng)價(jià)結(jié)果，如圖2所示。

圖2 主觀評(píng)價(jià)結(jié)果

舒適性噪聲的頻譜成分主要由發(fā)火階及其諧波階次組成，半階成分以及高階成分較少，而運(yùn)動(dòng)型噪聲的頻譜成分則沒有主導(dǎo)階次，多由高階以及半階成分為主，噪聲沒有明顯的峰值，兩者有明顯區(qū)別。圖3為分別對(duì)舒適型主觀評(píng)價(jià)得分最高樣本S7和運(yùn)動(dòng)型主觀評(píng)價(jià)的得分最高樣本Y7進(jìn)行頻譜分析得到的瀑布圖。

2 多維度聲品質(zhì)多元線性回歸模型

2.1 心理聲學(xué)參數(shù)計(jì)算

利用Matlab建立心理聲學(xué)參數(shù)模型，并對(duì)兩個(gè)維度下的各樣本計(jì)算其心理聲學(xué)參數(shù)值，包括響度、尖銳度、粗糙度、抖動(dòng)度、AI指數(shù)、音調(diào)度6個(gè)參數(shù)值，如表1與表2所示。

圖3 瀑布圖

表1 舒適性維度心理聲學(xué)參數(shù)值

表2 運(yùn)動(dòng)感維度心理聲學(xué)參數(shù)值

2.2 主客觀評(píng)價(jià)結(jié)果相關(guān)分析

對(duì)兩個(gè)維度下各樣本的心理聲學(xué)參數(shù)值與主觀評(píng)價(jià)結(jié)果做線性相關(guān)分析［8］，得到相應(yīng)的線性相關(guān)系數(shù)。

從圖4可知：舒適性聲品質(zhì)與響度、尖銳度的相關(guān)性比較高，而粗糙度對(duì)舒適性貢獻(xiàn)稍小，而運(yùn)動(dòng)感主要與粗糙度和尖銳度相關(guān)，響度貢獻(xiàn)較少，其他的心理聲學(xué)參數(shù)與主觀評(píng)價(jià)結(jié)果的相關(guān)性幾乎為零，不做考慮。

圖4 主、客觀評(píng)價(jià)結(jié)果相關(guān)系數(shù)

2.3 多維度聲品質(zhì)多元線性回歸模型

由本文相關(guān)分析結(jié)果可知，響度、尖銳度、粗糙度與兩個(gè)維度下的主觀評(píng)價(jià)結(jié)果相關(guān)性較高，而其他參量相關(guān)性很低，因此采用響度、尖銳度、粗糙度建立多維度的聲品質(zhì)多元線性回歸模型。

將表1、表2中前12組樣本的心理聲學(xué)參數(shù)值與主觀評(píng)價(jià)結(jié)果導(dǎo)入SPSS軟件之中進(jìn)行回歸分析，得到兩個(gè)維度下多元線性回歸分析結(jié)果。如表3、4所示。

其中舒適性和運(yùn)動(dòng)感維度多元線性回歸模型分別如式（2）和式（3）所示。

其中：S和Y分別為舒適性和運(yùn)動(dòng)感得分；x1為響度值；x2為尖銳度值；x3為粗糙度值。

表3 舒適性多元線性回歸分析結(jié)果

表4 運(yùn)動(dòng)感多元線性回歸分析結(jié)果

3 多維度聲品質(zhì)GA-BP評(píng)價(jià)模型

3.1 GA-BP算法結(jié)構(gòu)

從以往對(duì)聲品質(zhì)的研究可知，聲品質(zhì)客觀參數(shù)與主觀評(píng)價(jià)結(jié)果之間往往存在著復(fù)雜的非線性關(guān)系，多元線性回歸模型很難描述聲品質(zhì)主、客觀評(píng)價(jià)之間的映射關(guān)系，因此本文利用BP（Back propagation）神經(jīng)網(wǎng)絡(luò)來(lái)建立心理聲學(xué)客觀參數(shù)與主觀評(píng)價(jià)值之間的非線性映射關(guān)系，同時(shí)利用GA（Genetic Algorithms）對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，提高模型預(yù)測(cè)精度和穩(wěn)定性。GA-BP聲品質(zhì)預(yù)測(cè)算法框圖如圖5所示。

3.2 GA-BP評(píng)價(jià)模型參數(shù)設(shè)定與訓(xùn)練

對(duì)于一般的模型預(yù)測(cè)問題，單隱含層的神經(jīng)網(wǎng)絡(luò)模型就可以滿足要求，而隱含層神經(jīng)元個(gè)數(shù)n2和輸入層神經(jīng)元個(gè)數(shù)n1關(guān)系如下：

將響度、尖銳度、粗糙度作為舒適性和運(yùn)動(dòng)感兩個(gè)維度聲品質(zhì)GA-BP模型的輸入，以主觀評(píng)價(jià)得分值作為輸出，因此確定各維度BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為3-7-1（圖6）。

圖5 GA-BP聲品質(zhì)預(yù)測(cè)算法框圖

圖6 三層BP網(wǎng)絡(luò)模型拓?fù)鋱D

將表1、2中兩個(gè)維度各樣本的心理聲學(xué)參數(shù)值做歸一化處理，按照式（5）轉(zhuǎn)化為［0，1］之間的值，以滿足神經(jīng)網(wǎng)絡(luò)對(duì)輸入輸出的要求。

式中，xi和xi′分別為歸一化前后的各參數(shù)值。

利用Matlab自帶的Sheffield工具箱和NN工具箱就可以實(shí)現(xiàn)兩個(gè)維度GA-BP模型的搭建。其中設(shè)定初始種群大小為40，遺傳的選擇代溝值為0.95，交叉概率為0.7，變異概率為0.01，遺傳代數(shù)為100代。訓(xùn)練算法選取為梯度下降trangd函數(shù)，學(xué)習(xí)速率自適應(yīng)，初始值為0.01，適應(yīng)度函數(shù)為默認(rèn)值，神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)為1 000次，收斂精度為0.01。

用表1、2中兩個(gè)維度下前12組樣本的心理聲學(xué)參數(shù)值以及主觀評(píng)價(jià)結(jié)果作為訓(xùn)練樣本，對(duì)各聲品質(zhì)維度GA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型進(jìn)行訓(xùn)練。

由圖7可知：隨著遺傳代數(shù)的增加，模型預(yù)測(cè)誤差逐漸減小，在遺傳90代之后，模型預(yù)測(cè)誤差逐漸趨于穩(wěn)定狀態(tài)。

圖7 GA-BP模型誤差迭代圖

3.3 多維度聲品質(zhì)預(yù)測(cè)結(jié)果與分析

用表1、2中兩個(gè)維度下1-12號(hào)樣本分別建立了多維度多元線性回歸模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型，然后，再用兩個(gè)模型得到表1、2中13～15號(hào)樣本兩個(gè)維度下的聲品質(zhì)預(yù)測(cè)值，與主觀評(píng)價(jià)值比較得到兩個(gè)模型多維度聲品質(zhì)誤差，結(jié)果如圖8所示。

圖8 聲品質(zhì)模型預(yù)測(cè)誤差

從上述結(jié)果可知，雖然兩個(gè)維度下的聲品質(zhì)主、客觀評(píng)價(jià)多元線性回歸模型的擬合系數(shù)R2均達(dá)到了0.7，說(shuō)明3個(gè)客觀參量可以在一定程度上通過線性模型描述主觀評(píng)價(jià)結(jié)果的變化，但是通過和GA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度對(duì)比之后發(fā)現(xiàn)，對(duì)于穩(wěn)態(tài)工況下舒適性維度預(yù)測(cè)，多元線性回歸模型的平均預(yù)測(cè)誤差基本在15%左右，對(duì)于非穩(wěn)態(tài)工況下的運(yùn)動(dòng)感維度預(yù)測(cè)，多元線性回歸模型則預(yù)測(cè)誤差較大。而GA-BP聲品質(zhì)預(yù)測(cè)模型對(duì)兩個(gè)維度下的預(yù)測(cè)誤差都保持在5%左右，預(yù)測(cè)精度有了大幅提升。

4 結(jié)束語(yǔ)

通過遴選不同車輛行駛工況下的噪聲樣本分別進(jìn)行舒適性和運(yùn)動(dòng)感維度主、客觀評(píng)價(jià)，并對(duì)2個(gè)維度聲品質(zhì)的主、客觀評(píng)價(jià)結(jié)果進(jìn)行相關(guān)分析，結(jié)果表明舒適性聲品質(zhì)主要與響度和尖銳度有關(guān)，而尖銳度和粗糙度對(duì)運(yùn)動(dòng)感貢獻(xiàn)較大。

基于響度、尖銳度、粗糙度分別建立多維度的聲品質(zhì)多元線性回歸模型和GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)兩個(gè)模型的預(yù)測(cè)精度進(jìn)行對(duì)比，結(jié)果表明，多元線性回歸模型對(duì)穩(wěn)態(tài)工況下的舒適性聲品質(zhì)預(yù)測(cè)平均誤差基本在15%左右，而對(duì)于非穩(wěn)態(tài)工況下的運(yùn)動(dòng)感聲品質(zhì)預(yù)測(cè)誤差則較大，平均誤差在30%左右，而GA-BP神經(jīng)網(wǎng)絡(luò)模型在兩個(gè)維度下的平均預(yù)測(cè)誤差都在5%左右，結(jié)果表明，GA-BP神經(jīng)網(wǎng)絡(luò)模型更適于對(duì)多維度聲品質(zhì)的預(yù)測(cè)。