基于心理聲學客觀參量的高速列車車內聲品質分析

胡秦，徐涆文，陳鵬，黃佳程，肖新標

基于心理聲學客觀參量的高速列車車內聲品質分析

胡秦，徐涆文，陳鵬，黃佳程，肖新標*

（西南交通大學 牽引動力國家重點實驗室，四川 成都 610031）

對高速列車車內噪聲進行了現場測試，使用等級評分法組織被試者開展主觀評價試驗，并計算心理聲學客觀參量。以客觀參量為特征、主觀煩惱度為標簽，建立基于支持向量回歸機的聲品質預測模型，通過相關性分析確定影響煩惱度的主要因素。研究結果表明：支持向量回歸機在測試集的預測精度為0.92，可以有效實現由心理聲學客觀參量到主觀煩惱度的映射。響度是影響高速列車車內聲學舒適性的主要因素，隨著列車運行速度增大，低頻噪聲成分的特性響度迅速增大。當速度達到300 km/h時，特性響度曲線的最大值出現在低頻段且非常顯著，對人體的聲學舒適性產生巨大影響。相關研究結果可為高速列車車內噪聲控制和設計提供科學依據和參考。

高速列車；聲品質；預測模型；支持向量回歸機；響度

近年來，我國高速列車取得重大發展，隨之而來的是車內噪聲問題越發嚴重，噪聲污染超標限制了高速列車運行速度的提高[1]。噪聲測量中常用A聲級評估噪聲大小，但A聲級會對低頻噪聲做較大的計權衰減，從而低估高速列車車內噪聲的低頻范圍，其結果就是對人體舒適性的評價不準確。

有研究指出，評價噪聲時必須考慮乘客的主觀感受以及心理變化[2]。聲品質作為反映人體主觀感受的噪聲評價指標逐漸被國內外學者應用于各類交通工具乘坐舒適性的評價中。Yoon等[3]將響度等聲品質客觀參量和人的主觀評價進行相關性分析，對汽車的空調噪聲開展了研究。Kim等[4]提出新的針對高級轎車聲品質的主觀評價指標。Huang等[5]研究了汽車車內聲品質，并使用深度信念網絡建立預測模型。毛東興等[6]深入研究了分組成對比較法，提高了主觀評價的效率。陳卉等[7]基于BP神經網絡建立了非平穩工況下的車內噪聲評價模型。申秀敏[8-9]使用支持向量機和神經網絡對汽車聲品質進行建模分析。張偉等[10]基于現場測試，分析了高速列車車內噪聲的心理聲學特性。楊易等[11]運用大渦模擬對汽車風振噪聲進行仿真，并對仿真結果開展了聲品質主客觀評價。姜順明等[12]基于音樂理論進行汽車車內聲品質的主動聲學設計。

基于聲品質對汽車噪聲的研究已有一定的發展，提出了更符合人體舒適性的噪聲控制理念。而把聲品質用于鐵路噪聲的評價仍處于探索階段，將機器學習智能算法應用到高速列車聲學舒適性中的研究還較為匱乏，建立的聲品質預測模型更為有限。本文對高速列車車內噪聲開展現場測試，利用心理聲學參量分析車內聲環境，通過支持向量機建立主觀煩惱度的預測模型，尋找影響高速列車車內聲學舒適性的主要因素，為高速列車的高聲品質聲學設計提供方向。

1 心理聲學客觀參量

1.1 響度

響度屬于強度感知類，包含多種計算模型。響度越大，人耳的感知越吵。本文采用ISO 532-1[13]中規定的Zwicker模型響度計算方法：

式（2）中，臨界帶率是考慮了掩蔽效應后形成的新的頻率尺度。臨界帶率和內耳中基底膜的長度呈線性關系，與傳統的Hz頻率存在以下換算關系：

式中：為Hz頻率。

響度是心理聲學中研究較多的客觀參量，也是目前理論最完善的聲品質客觀參量。其他客觀參量模型的計算以響度為基礎。

1.2 尖銳度

尖銳度被用來描述聲音的音色感知，感知為刺耳、高頻成分占比高的聲音，尖銳度大。本文采用Zwicker[14]提出的尖銳度計算方法：

1.3 粗糙度

粗糙度感知是由調制頻率產生的相對快的變化引起的，用于對調制頻率大于20 Hz的聲音進行評價。本文采用Zwicker[14]提出的粗糙度計算方法：

1.4 波動強度

波動強度反映調制頻率很低時人對聲音的感受，用于對調制頻率低于20 Hz的聲音進行評價。本文采用Zwicker[14]提出的波動強度計算方法，為：

式中：為波動強度，vacil。

2 噪聲采集及主觀評價試驗

2.1 車內噪聲測試

對高速列車車內噪聲開展現場測試。試驗在我國某高速鐵路上進行。試驗列車為8編組。試驗區段包含明線、隧道以及橋梁，均為無砟軌道。車內噪聲測點布置如圖1所示，分別在司機室、客室中央、風擋位置距地板面1.2 m高處布置一個聲學傳感器。

圖1 車內噪聲測點布置示意圖

使用B&K PULSE振動噪聲測試系統平臺采集列車以不同的速度（160 km/h、190 km/h、220 km/h、250 km/h、270 km/h、300 km/h）運行時的噪聲數據，每個噪聲數據的有效長度在20 s以上。

2.2 主觀評價實驗

主觀評價試驗的時間不宜過長，因此將測得的噪聲數據剪切至4～6 s，得到共114個穩定、無干擾的聲音樣本。由于本研究使用的聲音樣本較多（114個），且高速列車作為公共交通工具無法兼具個人對聲音屬性的偏好，因此使用等級評分法[15]并以聲音的“煩惱度”為乘客的主要感受進行打分，詳細的等級劃分如表1所示。

主觀評價試驗的環境要求盡可能安靜，因此選擇半消聲室作為試驗地點，使用森海塞爾HD650高保真耳機對聲音樣本進行高保真回放，如圖2所示。

表1 煩惱度等級與對應語義表

圖2 主觀評價實驗

本次試驗選取20名在校研究生作為受試者，男女比例為3:1，均身體健康，無聽力障礙，有豐富的乘坐高速列車的經驗，試驗前心理狀態良好。正式試驗前，還對被試者進行了聽音訓練，以保證沒有經驗的被試者可以對聲音樣本作出準確的評價。

以20個被試者打分的算術平均值作為聲音樣本的主觀評價值，即煩惱度。煩惱度和心理聲學客觀參量計算結果如表2所示。

表2 煩惱度和客觀參量表

3 聲品質預測模型

如前文所述，聲環境最終以乘客的主觀煩惱度為評價標準，而主觀評價耗時耗力且重復性差，利用客觀參量對主觀評價進行預測具有重要的現實意義。

3.1 支持向量回歸機

支持向量機（Support Vector Machine，SVM）是一種用于對樣本數據作二元分類的機器學習方法，其基本原理來自統計學習理論中的VC（Vapnik-Chervonenkis）維理論以及結構風險最小原理[16]。SVM對樣本數量較少而樣本特征較多的非線性問題有較好的分類效果。對于回歸問題，SVM可以轉換為支持向量回歸機（Support Vector Regression，SVR）。

SVR的基本思想如下。

首先給定樣本：

然后通過訓練求得一個超平面：

圖3 支持向量回歸示意圖

SVR最優化問題的數學形式可寫為：

利用拉格朗日乘子法進行求解，得到SVR的決策函數為：

對于非線性問題，引入核函數，將其轉化成線性問題，表示為：

3.2 預測模型

將表2中的心理聲學客觀參量作為輸入，主觀煩惱度作為輸出，建立基于支持向量回歸機的預測模型。以70%的聲音樣本（數量80）作為訓練集，30%的聲音樣本（數量34）作為測試樣本。由于各客觀參量的單位各不相同，數值大小相差很大，因此需要對樣本數據做歸一化，將數據處理為[0,1]內的無量綱形式，以增強數據間的相關性，提高預測模型準確程度。

構建支持向量機模型時，需要考慮一個核心方法，即核函數的引入。核函數的作用是把樣本從原始特征空間映射到一個更高維的特征空間，使得原本可能不存在的能正確劃分樣本空間的超平面一定存在，即將非線性問題線性化，使得問題可以求解。本研究選用RBF核函數[16]，其數學形式可寫為：

圖4 支持向量回歸機預測效果

最終SVR在訓練集上的預測精度為0.95，測試集上的預測精度為0.92，沒有出現過擬合，預測效果較好，且收斂速度很快。

3.3 心理聲學參量相關性

SVR可以實現由心理聲學客觀參量到主觀煩惱度的預測，然而模型本身相當于黑箱，無法直接看出各客觀參量對煩惱度的影響大小。為尋找影響高速列車車內聲學舒適性的主要因素，給出了煩惱度和心理聲學客觀參量的散點圖，如圖5所示。可以看出，煩惱度和響度存在較強的線性相關性，煩惱度隨著響度的增大而增大，煩惱度與其他心理聲學客觀參量的相關性則較為一般。

4 特性響度分析

對響度做進一步分析。

列車以不同速度在隧道區間運行時客室中央測點的特性響度如圖6所示。可以看出，隨著速度的增長，特性響度明顯增長，低頻噪聲成分的特性響度所占比例也明顯增長。列車以160 km/h運行時，特性響度的最大值出現在4～5 Bark；以220 km/h運行時，特性響度最大值出現在0～1 Bark，但在5～7 Bark也存在明顯較大的特性響度；以300 km/h運行時，特性響度最大值出現在0～1 Bark，并且遠遠大于其他臨界帶率內的特性響度。這說明隨著速度提高，低頻噪聲成分的特性響度迅速增大，并且低頻噪聲成分的特性響度所占比例也明顯增大，進一步惡化高速列車車內聲環境。

列車以300 km/h在不同線路區間運行時客室中央測點的特性響度對比如圖7所示。可以看出，明線和橋梁區間的特性響度曲線非常接近，隧道區間的特性響度在所有臨界帶率范圍內都顯著大于明線和橋梁區間，三條特性響度曲線的最大值均出現在0～1 Bark，分別達到4.6 sone/Bark、3.2 sone/Bark和2.9 sone/Bark。

列車以300 km/h在隧道區間運行時車內不同位置處的特性響度對比如圖8所示。可以看出，各測點特性響度最大值均出現在0～3 Bark的中低頻范圍內，由于各測點位置噪聲的激勵不同，相應臨界帶率的特性響度也存在差異，司機室和客室中央的特性響度在0～1 Bark比較突出，并且司機室在0～11 Bark小于客室中央，但在12～20 Bark大于客室中央，風擋的特性響度在1～2 Bark最為明顯。

圖5 煩惱度與心理聲學客觀參量

圖6 列車速度對特性響度的影響

圖7 運行區間對特性響度的影響

圖8 車內位置對特性響度的影響

由以上分析可知，高速列車達到一定速度后，低頻噪聲成分的特性響度都會非常顯著，列車在隧道區間運行時的特性響度遠大于其他運行區間，風擋位置的低頻噪聲尤為突出，對乘客的聲學舒適性產生巨大影響。

5 結論

本文對高速列車車內噪聲進行了現場測試，并組織被試者開展主觀評價試驗，基于心理聲學客觀參量對高速列車車內聲品質進行分析，得到如下結論：

（1）通過支持向量回歸機，建立了主觀煩惱度預測模型，測試集的預測精度達到0.92，可以有效實現由心理聲學客觀參量到主觀煩惱度的映射。

（2）分析了響度、尖銳度、粗糙度、波動強度與主觀煩惱度的相關性，其中響度與主觀煩惱度存在較強的線性相關性。

（3）分析了列車速度、運行區間、車內位置對特性響度的影響，隨著列車運行速度增大，低頻噪聲成分的特性響度迅速增大，當速度達到300 km/h時，特性響度的最大值出現在低頻段，且非常顯著，對乘客的聲學舒適性產生巨大影響。

[1]沈志云. 高速列車的動態環境及其技術的根本特點[J]. 鐵道學報，2006，28（4）：1-5.

[2]張捷，肖新標，王諦，等. 350km/h以上高速列車觀光區噪聲特性及其評價研究[J]. 鐵道學報，2012，34（10）：23-29.

[3]YOON J，YANG I H，JEONG J E，et al. Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network mode[J]. Applied Acoustic，2012（73）：1099-1103.

[4]KIM T G，LEE S K，LEE H H. Characterization and quantification of luxury sound quality in premium-class passenger cars[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering，2009，223（D3）：343-353.

[5]HUANG H B，HUANG X R，LI R X，et al. Sound quality prediction of vehicle interior noise using deep belief networks[J]. Applied Acoustics，2016（116）：149-161.

[6]毛東興，高亞麗，俞悟周，等. 聲品質主觀評價的分組成對比較法研究[J]. 聲學學報，2005（6）：37-42.

[7]陳卉，孫悅東，王巖松. 基于BP神經網絡的車內噪聲時變綜合煩惱度評價模型[J]. 噪聲與振動控制，2018，38（3）：55-59.

[8]申秀敏，左曙光，韓樂，等. 基于支持向量機的車內噪聲聲品質預測[J]. 振動. 測試與診斷，2011，31（1）：55-58，128.

[9]申秀敏，左曙光，何呂昌，等. 車內噪聲聲品質的神經網絡預測[J]. 聲學技術，2009，28（3）：264-268.

[10]張偉，陳光雄，肖新標，等. 高速列車車內噪聲聲品質客觀評價分析[J]. 鐵道學報，2011，33（2）：13-19.

[11]楊易，高駿，谷正氣，等. 基于GA-BP的汽車風振噪聲聲品質預測模型[J]. 機械工程學報，2021，57（24）：241-249.

[12]姜順明，周濤，王奕軒，等. 車內聲品質多維度主動聲學設計[J]. 振動與沖擊，2022，41（9）：107-112.

[13]The international organization for standardization. Acoustics- Methods for calculating loudness：ISO 532-1[S]. British：Standards Policy and Strategy Committee，2017.

[14]ZWICKER E，FASTL H. Psychoacoustics: Facts and Models, Second Edited[M]. Berlin：Springer-verlag，1999.

[15]劉寧寧，李文靜，王巖松，等. 聲品質主觀評價方法對比分析[J]. 現代制造工程，2016（10）：6-11.

[16]鄧乃揚，田英杰. 支持向量機：理論、算法與拓展[M]. 北京：科學出版社，2009.

Analysis of Sound Quality in High-speed Train Based on Objective Parameters of Psychoacoustics

HU Qin，XU Hanwen，CHEN Peng，HUANG Jiacheng，XIAO Xinbiao

( State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031, China )

The interior noise of a high-speed train is tested on the spot. The grading method is adopted to conduct the subjective evaluation test on the participants, and the objective parameters of psychoacoustics is calculated. With objective parameters as characteristics and subjective annoyance as labels, a sound quality prediction model based on support vector regression machine is established, and the main factors affecting the degree of annoyance are determined through the correlation analysis. The research results show that the prediction accuracy of support vector regression machine in the test set is 0.92, which can effectively realize the mapping from objective parameters of psychoacoustics to subjective annoyance. Loudness is the main factor affecting the interior acoustic comfort of high-speed trains. With the increase of the train speed, the characteristic loudness of low-frequency noise components increases rapidly. When the speed reaches 300 km/h, the maximum value of the characteristic loudness curve appears in the low frequency band and is very significant, which has a great impact on the acoustic comfort of the human body. The relevant research results can provide scientific basis and reference for the control and design of interior noise of high-speed trains.

high-speed train；sound quality；prediction model；support vector regression machine；loudness

U270.16

A

10.3969/j.issn.1006-0316.2023.12.007

1006-0316 (2023) 12-0041-07

2023-03-07

國家自然科學基金（U1934203）

胡秦（1997－），男，四川德陽人，碩士研究生，主要研究方向為鐵路噪聲與振動，E-mail：247717546@qq.com。

通訊作者：肖新標（1978－），男，廣東陽春人，博士，副研究員、博士生導師，主要研究方向為鐵路噪聲與振動，E-mail：xinbiaoxiao@163.com。