基于舒適性與運動感的車內聲品質多維度評價

姜順明，王智錳，周 濤，匡志豪

（江蘇大學 汽車與交通工程學院，江蘇 鎮江 212013）

車內NVH（noise，vibration，harshness）性能是衡量汽車品質的一個重要指標。而聲品質因其準確反映了乘員對于車內噪聲的主觀感受，成為近幾年車內NVH研究的熱點。良好的車內聲品質不僅能增強駕乘舒適性，還能提高駕駛員的駕駛體驗。目前國內外學者對于車內聲品質已有諸多研究，但多是基于煩惱度或者是舒適性等單一的評價指標建立聲品質評價模型［1，2］。然而，乘員對于車內聲的感受具有多維性，除了舒適性之外，運動感也是重要的一個維度。因此，要全面、切實地反映乘員的聽覺感受，對車內聲品質進行多維度評價是非常必要的。通過對車內聲品質多維度評價，不僅可以實現對車內聲品質的更全面辨識，還為車內聲學多模式、個性化、智能化設計奠定基礎，提高車型以及品牌辨識度。

國外對于車內聲運動感評價已有部分研究，Bisper［3］與Kubo［4］研究發現，評審團對車輛全油門和勻速工況下的車內聲品質主觀評價結果有明顯區別?；谝蛩胤治?，建立了運動感多元線性回歸模型，Lee等［5］分析了運動感聲品質與粗糙度和尖銳度的關系，建立了粗糙度和尖銳度與運動感聲品質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心理聲學參數與主觀評價結果之間的映射關系［6］，預測誤差較大。

GA-BP神經網絡模型因其非線性映射能力強、預測精度高、容錯性好的特點，近年來開始較多應用于車內聲品質預測。因此，針對上述問題，本文將對不同車輛行駛工況下噪聲樣本分別進行舒適性和運動感兩個維度下聲品質主、客觀評價，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聲品質多維度評價模型，并對模型預測精度進行對比分析。

1 多維度車內聲品質主觀評價

1.1 樣本采集及處理

選取某國產SUV為研究對象。分別采集車輛勻速和加速2種工況下的車內噪聲信號（圖1），其中：勻速工況包括了從30 km／h到100 km／h共計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20組噪聲樣本。

圖1 噪聲采集試驗車內布置及噪聲采集設備

乘員對于勻速工況和加速工況下車內噪聲的主觀感受有明顯區別，故選取勻速工況樣本作為舒適性維度評價樣本，加速工況樣本作為運動感維度評價樣本。對40組噪聲樣本進行濾波、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重干擾的樣本各5組，得到兩個維度下各15個主、客觀評價樣本。

1.2 主觀評價試驗

參與主觀評價實驗的評價人員由高校教師、NVH工程師、車輛工程專業學生組成，共計30名評價人員，其中男性18人，女性12人。在主觀評價試驗之前，對所有評價者進行聽音培訓，對舒適性和運動感做必要說明。

采用成對比較法分別對兩個維度下聲品質進行主觀評價。評價過程中，評價者對所有樣本進行兩兩評價。在2個聲品質維度評價過程中，在每組評價測試中，A、B兩個樣本得分按如下規則：若A的主觀感受強于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 主觀評價校驗及結果

首先采用三角循環誤判檢驗法對各評價者的評價結果進行檢驗［7］，對于每組評價測試，若出現式（1）中的3種情況，則視為誤判。

式（1）中：i、j、k為任意3個樣本；Pij、Pjk、Pik分別表示i與j、j與k、i與k成對比較時的評價結果。

然后對所有評價者兩個維度下的評價結果做Kendall一致性分析。得到每個評價者的Kendall相關系數值。其中，對于舒適性校驗結果，剔除4位誤判數較大以及3位Kendall相關系數低于0.7共計8位評價者的評價數據；對于運動感校驗結果，剔除4位誤判數較大以及4位Kendall相關系數低于0.7共計7位評價者樣本。對剩余的22個運動感和23個舒適性評價者的評價結果做算術平均處理，最終得到各維度下樣本的主觀評價結果，如圖2所示。

圖2 主觀評價結果

舒適性噪聲的頻譜成分主要由發火階及其諧波階次組成，半階成分以及高階成分較少，而運動型噪聲的頻譜成分則沒有主導階次，多由高階以及半階成分為主，噪聲沒有明顯的峰值，兩者有明顯區別。圖3為分別對舒適型主觀評價得分最高樣本S7和運動型主觀評價的得分最高樣本Y7進行頻譜分析得到的瀑布圖。

2 多維度聲品質多元線性回歸模型

2.1 心理聲學參數計算

利用Matlab建立心理聲學參數模型，并對兩個維度下的各樣本計算其心理聲學參數值，包括響度、尖銳度、粗糙度、抖動度、AI指數、音調度6個參數值，如表1與表2所示。

圖3 瀑布圖

表1 舒適性維度心理聲學參數值

表2 運動感維度心理聲學參數值

2.2 主客觀評價結果相關分析

對兩個維度下各樣本的心理聲學參數值與主觀評價結果做線性相關分析［8］，得到相應的線性相關系數。

從圖4可知：舒適性聲品質與響度、尖銳度的相關性比較高，而粗糙度對舒適性貢獻稍小，而運動感主要與粗糙度和尖銳度相關，響度貢獻較少，其他的心理聲學參數與主觀評價結果的相關性幾乎為零，不做考慮。

圖4 主、客觀評價結果相關系數

2.3 多維度聲品質多元線性回歸模型

由本文相關分析結果可知，響度、尖銳度、粗糙度與兩個維度下的主觀評價結果相關性較高，而其他參量相關性很低，因此采用響度、尖銳度、粗糙度建立多維度的聲品質多元線性回歸模型。

將表1、表2中前12組樣本的心理聲學參數值與主觀評價結果導入SPSS軟件之中進行回歸分析，得到兩個維度下多元線性回歸分析結果。如表3、4所示。

其中舒適性和運動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分別為舒適性和運動感得分；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果

表4 運動感多元線性回歸分析結果

3 多維度聲品質GA-BP評價模型

3.1 GA-BP算法結構

從以往對聲品質的研究可知，聲品質客觀參數與主觀評價結果之間往往存在著復雜的非線性關系，多元線性回歸模型很難描述聲品質主、客觀評價之間的映射關系，因此本文利用BP（Back propagation）神經網絡來建立心理聲學客觀參數與主觀評價值之間的非線性映射關系，同時利用GA（Genetic Algorithms）對神經網絡的初始權值和閾值進行優化，提高模型預測精度和穩定性。GA-BP聲品質預測算法框圖如圖5所示。

3.2 GA-BP評價模型參數設定與訓練

對于一般的模型預測問題，單隱含層的神經網絡模型就可以滿足要求，而隱含層神經元個數n2和輸入層神經元個數n1關系如下：

將響度、尖銳度、粗糙度作為舒適性和運動感兩個維度聲品質GA-BP模型的輸入，以主觀評價得分值作為輸出，因此確定各維度BP神經網絡拓撲結構為3-7-1（圖6）。

圖5 GA-BP聲品質預測算法框圖

圖6 三層BP網絡模型拓撲圖

將表1、2中兩個維度各樣本的心理聲學參數值做歸一化處理，按照式（5）轉化為［0，1］之間的值，以滿足神經網絡對輸入輸出的要求。

式中，xi和xi′分別為歸一化前后的各參數值。

利用Matlab自帶的Sheffield工具箱和NN工具箱就可以實現兩個維度GA-BP模型的搭建。其中設定初始種群大小為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，遺傳代數為100代。訓練算法選取為梯度下降trangd函數，學習速率自適應，初始值為0.01，適應度函數為默認值，神經網絡模型的訓練次數為1 000次，收斂精度為0.01。

用表1、2中兩個維度下前12組樣本的心理聲學參數值以及主觀評價結果作為訓練樣本，對各聲品質維度GA-BP神經網絡評價模型進行訓練。

由圖7可知：隨著遺傳代數的增加，模型預測誤差逐漸減小，在遺傳90代之后，模型預測誤差逐漸趨于穩定狀態。

圖7 GA-BP模型誤差迭代圖

3.3 多維度聲品質預測結果與分析

用表1、2中兩個維度下1-12號樣本分別建立了多維度多元線性回歸模型和GA-BP神經網絡模型，然后，再用兩個模型得到表1、2中13～15號樣本兩個維度下的聲品質預測值，與主觀評價值比較得到兩個模型多維度聲品質誤差，結果如圖8所示。

圖8 聲品質模型預測誤差

從上述結果可知，雖然兩個維度下的聲品質主、客觀評價多元線性回歸模型的擬合系數R2均達到了0.7，說明3個客觀參量可以在一定程度上通過線性模型描述主觀評價結果的變化，但是通過和GA-BP神經網絡模型的預測精度對比之后發現，對于穩態工況下舒適性維度預測，多元線性回歸模型的平均預測誤差基本在15%左右，對于非穩態工況下的運動感維度預測，多元線性回歸模型則預測誤差較大。而GA-BP聲品質預測模型對兩個維度下的預測誤差都保持在5%左右，預測精度有了大幅提升。

4 結束語

通過遴選不同車輛行駛工況下的噪聲樣本分別進行舒適性和運動感維度主、客觀評價，并對2個維度聲品質的主、客觀評價結果進行相關分析，結果表明舒適性聲品質主要與響度和尖銳度有關，而尖銳度和粗糙度對運動感貢獻較大。

基于響度、尖銳度、粗糙度分別建立多維度的聲品質多元線性回歸模型和GA-BP神經網絡預測模型，并對兩個模型的預測精度進行對比，結果表明，多元線性回歸模型對穩態工況下的舒適性聲品質預測平均誤差基本在15%左右，而對于非穩態工況下的運動感聲品質預測誤差則較大，平均誤差在30%左右，而GA-BP神經網絡模型在兩個維度下的平均預測誤差都在5%左右，結果表明，GA-BP神經網絡模型更適于對多維度聲品質的預測。