乘用車用柴油機噪聲聲品質預測技術*

劉海李洪亮武一民王海洋

（1.河北工業大學，天津 300130；2.中國汽車技術研究中心，天津 300300）

乘用車用柴油機噪聲聲品質預測技術*

劉海1,2李洪亮2武一民1王海洋2

（1.河北工業大學，天津 300130；2.中國汽車技術研究中心，天津 300300）

以某款直列4缸乘用車用柴油機為研究對象，選取描述發動機噪聲的響度、尖銳度等5個心理聲學特征進行客觀評價分析；以主觀滿意度為評價標準，應用成對比較法進行主觀評價測試研究；應用多層感知器神經網絡（MLPNN）方法構建噪聲心理聲學特征與主觀滿意度之間的非線性映射關系；基于MLPNN預測模型分析5個特征參量對主觀滿意度的貢獻度大小，從而得出響度、粗糙度和尖銳度為影響乘用車柴油機噪聲品質前3個重要指標的結論。

主題詞:乘用車 柴油機 噪聲 聲品質 預測模型

1 前言

柴油發動機具有低油耗、低排放、高扭矩和加速性能強等優點。乘用車用柴油機噪聲是乘用車主要噪聲源之一，該噪聲包括機械噪聲、燃燒噪聲和空氣動力性噪聲，各種噪聲之間相互掩蔽，噪聲為寬頻帶信號，頻譜混疊嚴重，難以在設計階段通過數值仿真技術準確預測柴油機輻射噪聲聲品質情況。

多層感知器神經網絡（Multilayer Perceptron Neural Networks，MLPNN）技術是一種單向傳播的多層前饋網絡模型，因其具有高度的非線性映射能力，在模式識別、圖像處理、函數逼近、優化計算等領域應用廣泛[1～4]。文獻[1]提出了一種基于MLPNN的風速預測模型，該模型實現了對實時風的準確預測；文獻[2]應用MLPNN技術通過來自異構數據源間的證據實現了對蛋白質功能關系的準確預測；文獻[3]建立了末端柔性的自由漂浮基機器人的耦合動力學模型，利用MLPNN技術的逼近能力來自適應補償非線性柔性臂的逆動力學模型；文獻[4]采用反向傳播誤差（BP）神經網絡技術對車輛排氣噪聲滿意度進行了預測，結果表明神經網絡模型較多元線性回歸模型預測值更接近實測值。

本文以穩態工況下柴油機輻射噪聲信號為研究對象，應用心理聲學方法進行噪聲的客觀評價分析，采用成對比較法進行噪聲的主觀評價測試，基于主、客觀評價結果，應用MLPNN技術建立心理聲學變量與主觀評價結果之間的非線性映射關系，即柴油機噪聲聲品質預測模型。

2 噪聲樣本庫的建立

為了獲取精準的柴油機輻射噪聲信號，試驗在半自由聲場發動機噪聲實驗室中進行。試驗采用Head Acoustics公司生產的Head A480噪聲信號采集與回放系統，其通過人工頭聲音采集裝置記錄柴油機噪聲信號，通過Sennheiser HD515專業監聽耳機進行聲音回放。在噪聲樣本采集過程中，傳感器水平位置離機體1 m，豎直高度距離地面1 m，測點的布置詳見圖1[6、7]。

圖1 測點布置示意

以4種典型的直列4缸柴油機為研究對象，試驗過程中將柴油機的進排氣噪聲引出室外，記錄不同轉速時的32個噪聲樣本，對噪聲信號進行前處理，即篩選、截取和響度調節[8]，最終得到32個長度為5 s的有效噪聲樣本，其中建模組1～22噪聲用來建立噪聲聲品質預測模型，檢驗組23～32噪聲用來驗證預測模型。

3 噪聲聲品質主、客觀評價測試

3.1 噪聲聲品質主觀評價測試

聲品質主觀評價[9]是通過人們對聲音的主觀感受，按照一定的評價要求和評價規則對聲音進行評價的一種評價方法。考慮到柴油機輻射噪聲的復雜性、重復性、煩惱性，選擇具有乘用車聲學相關專業人士為評審團成員，應用成對比較法進行噪聲聲品質的主觀評價測試，以滿意度指標（根據不同的評審對象主觀打分累積結果而得出）作為主觀評價試驗量化指標，采用數據重合度和數據一致性指標[10]來校核成對比較法。整個測試過程中32個噪聲樣本數據平均重合度系數為0.88，平均一致性系數為0.92，表明主觀評價測試結果準確有效。

3.2 噪聲聲品質客觀評價分析

心理聲學是研究人耳和大腦如何處理進入人耳的聲音事件的學科，其可以定量反映聽覺感受的差別，消除個體影響。Zwicker響度、尖銳度、粗糙度、波動度、峭度等作為最主要的心理聲學特征已被廣泛應用在柴油機噪聲的評價與預測中[11～13]，其可以定量反映顧客對柴油機輻射噪聲某一特征的聽覺感受。響度是反映人耳對聲音強弱主觀感受程度的心理聲學參數，響度的計算過程考慮了聲音特征頻帶分布和人耳的掩蔽效應。尖銳度描述了高頻成分在聲音頻譜中的比例，反映了聲音信號的刺耳程度。粗糙度反映了聲音信號的調制程度、調制幅度大小以及調制頻率分布等特征，適用于評價20～200 Hz調制頻率的聲音。波動度用于描述人耳對緩慢移動調制聲音的感受程度，反映了人耳主觀感受到的聲音響亮起伏程度，適用于評價20 Hz以下低頻調制的聲音信號。柴油機輻射噪聲聲品質主、客觀評價結果如表1所列。

表1 柴油機輻射噪聲聲品質主、客觀評價結果

4 基于MLPNN的聲品質預測技術

由于人耳聽覺系統的復雜性，導致噪聲聲品質客觀特征參數與主觀評價結果之間存在著復雜的非線性關系，這些非線性關系難以通過線性回歸方法得到準確的函數關系；同時，由于聽審試驗方法不能在保證其它特征參數不變的同時只改變某一特征參數，因此這一規律也無法通過試驗方法直接得到。基于MLPNN方法的噪聲聲品質預測模型可以分析在單一客觀特征參數變化條件下滿意度的變化規律，從而分析客觀特征參數對聲品質的影響規律。

MLPNN[14]是一種多層前反饋網絡，用來模擬人類大腦結構。在柴油機聲品質預測模型建立過程中，心理聲學變量作為模型的輸入層，主觀評價結果作為輸出層，隱層神經元個數至少為1，通過對神經網絡模型的逐級訓練和網絡自學習確立噪聲聲品質預測模型。計算結果表明，隱含層神經元個數為4時，預測值趨于穩定，圖2為基于MLPNN的柴油機噪聲聲品質預測模型結構圖。

圖2 MLPNN模型網絡結構

假設輸入層神經元有r個，輸入層為X；隱層為h，隱層內包含有m個神經元，激活函數為fh；輸出層為Y，輸出層內有k個神經元，對應的激活函數為fY。則隱層中第j個神經元的輸出和輸出層第k個神經元的輸出分別為：

式中，v、w代表權值；a、b代表隱層與輸出層閾值。

隱層激活函數為：

輸出層激活函數為：

網絡總誤差函數為：

式中，l為訓練樣本個數；Tk為實際測試結果。

基于MLPNN算法是以網絡連接權（v、w）為變量，初始權值v、w取值區間為（-1，1）之間的隨機數，網絡總誤差E小于允許值為目標的多元極小值問題。正向傳播過程中，輸入層（心理聲學特征）經隱含層處理綜合4個節點的實際輸出傳向輸出層。如網絡總誤差E過大，則轉入反向傳播，逐層遞歸地計算期望輸出與實際輸出的方差，采用梯度下降法來調節連接權值，其中η′、η為學習率）與節點閾值aj、bk，使誤差減小，當網絡總誤差小于允許值0.000 1時，訓練過程結束。

利用基于MLPNN的柴油機輻射噪聲聲品質預測模型對檢驗組23～32噪聲進行滿意度預測，并與主觀評價實測值進行對比。結果發現，預測結果與主觀評價實測結果吻合較好，相對誤差控制在11%誤差范圍內，說明基于MLPNN的噪聲聲品質預測方法準確描述了心理聲學變量與主觀評價結果之間的映射關系，同時得到心理聲學變量響度、尖銳度等參數選擇的合理性。

圖3為基于MLPNN的柴油機輻射噪聲聲品質預測分析流程圖。

依據多層感知器參數靈敏度方法[15]分析各心理聲學參量對滿意度的貢獻度，圖4為MLPNN模型中心理聲學變量對主觀評價結果重要性指數的非線性關系權值。

圖3 基于MLPNN的噪聲聲品質預測分析流程

圖4 心理聲學參數貢獻度分析

由圖4可知，響度特征對柴油機噪聲聲品質貢獻度為0.375，是柴油機噪聲聲品質最重要的影響因子；粗糙度貢獻度為0.192；尖銳度重要性影響因子為0.170；波動度和峭度貢獻度分別為0.133和0.147，重要性相對較小。響度、粗糙度和尖銳度3個客觀特征參量對柴油機的聲品質累積貢獻度為0.719，該重要性排序可作為高聲品質柴油機設計的重要指標。

5 結束語

a.采用心理聲學特征參數響度、尖銳度、粗糙度等來描述柴油機噪聲聲品質變化規律，較全面地考慮了噪聲給人帶來的主觀感受，優于以聲級大小為指標的評價標準。

b.運用MLPNN方法進行柴油機輻射噪聲聲品質預測研究，預測值與主觀評價實測值相對誤差控制在11%以內，證明了柴油機噪聲聲品質預測模型的準確及可靠性，該模型可用來評價柴油機噪聲滿意度大小。

c.利用多層感知器靈敏度分析方法計算影響柴油機噪聲聲品質客觀參量貢獻度大小，其中響度貢獻度為0.375，粗糙度為0.192，尖銳度為0.170，前3者累積貢獻度為0.719。

1 Sheela K G,Deepa S N.Neural network based hybrid computing model for wind speed prediction.Neurocomputing, 2013，122:425～429.

2 Florido J P,Pomares H,Rojas I,et al.An effective,practical and low computational cost framework for the integration of heterogeneous data to predict functional associations between proteins by means of Artificial Neural Networks.Neurocomputing,2013，121：64～78.

3 張文輝，馬靜，高九州.基于多層感知器數據元的空間柔性機器人位置跟蹤控制.空間控制技術與應用，2011，37（1）：59～62.

4 段敏，王巖松，石晶.基于神經網絡的發動機噪聲的預測.汽車工程，2002，24（6）：507～509.

5 楊慶佛.內燃機噪聲控制.太原：山西人民出版社，1985.

6 Schiffb?nker H,Brandl F K,Thien G E.Development and application of an evaluation technique to assess the subjective character of engine noise.SAE paper 911081.

7 Hussain M,G?lles J,Ronacher A,et al.Statistical evaluation of an annoyance index for engine noise recording.SAE paper 911080.

8 Otto N,Amman S,Eaton C,et al.Guidelines for jury evaluations of automotive sounds.SAE Paper 1999-01-1822.

9 孟子厚.音質主觀評價的試驗心理學方法.北京:國防工業出版社，2008.

10 石巖，舒歌群，畢鳳榮.車輛排氣噪聲聲音品質的主觀評價與模型預測.天津大學學報，2011，44（6）：511～515.

11 Zwicker E,Fastl H.Psychoacoustic：Facts and Models.Berlin:Springer Verlag,1999.

12 Roland Sottek.Modeling Engine Roughness.SAE Paper 2009-01-2153.

13 Hastings A L.Sound Quality of Diesel Engines.Purdue University,2004.

14 Gardner M,Dorling S.Artificial neural networks(the multilayer perceptron)a review of applications in the atmospheric sciences.Atmospheric Environment,1998,32:2627～2636.

15 孫雪全，馮英俊.多層感知器的靈敏度分析.計算機學報，2001，24（9）：951～958.

（責任編輯 晨 曦）

修改稿收到日期為2016年2月30日。

Prediction of Passenger Car Diesel Engine Noise Quality

Liu Hai1,2,Li Hongliang2,Wu Yimin1,Wang Haiyang2
（1.Hebei University of Technology,Tianjin 300130;2.China Automotive Technology and Research Center, Tianjin 300300）

With a four-cylinder inline passenger car diesel engine as a research object,we choose five psychoacoustic parameters(loudness,sharpness,etc)for objective evaluation and analysis.Taking the Sensory Pleasantness Index(SPI)as the criterion for subjective evaluation,the paired comparison is applied in the subjective evaluation and test research.The nonlinear relation between psychoacoustic parameters and SPI is established by using Multilayer Perceptron Neural Networks(MLPNN).Based on the MLPNN prediction model,the contribution of psychoacoustic parameters to engine noise is analyzed,and the importance ranking of psychoacoustic parameters(loudness＞roughness＞sharpness)is obtained.

Passenger car,Diesel engine,Noise,Acoustic quality,Prediction model

U464.12+2

A

1000-3703（2016）11-0013-03

河北省高等學校自然科學青年基金（QN2016197）。