風雨場中汽車乘員艙氣動噪聲聲品質預測模型研究

宗軼琦 張昊 許國猛 楊易 羅澤敏

【摘要】為研究雨天行駛時汽車的聲品質，對風雨場中汽車乘員艙氣動噪聲信號進行聲品質客觀參量計算和主觀評價，并對二者進行了相關分析。采用基于改進鯨魚優(yōu)化算法的反向傳播（IWOA-BP）算法，以響度、粗糙度、抖動度、語音清晰度、語言干擾度和聲壓級6個客觀參數(shù)為輸入，以主觀評分作為輸出，建立預測模型，并與傳統(tǒng)的反向傳播（BP）神經網絡預測模型和鯨魚優(yōu)化算法-反向傳播（WOA-BP）預測模型進行了對比。結果表明，BP、WOA-BP、IWOA-BP算法的平均絕對百分比誤差分別為28.33%、6.35%和2.82%，證明了基于IWOA-BP算法建立的風雨場中汽車乘員艙氣動噪聲聲品質預測模型精度更高，效果更好。

主題詞：聲品質 風雨場 氣動噪聲 心理聲學參數(shù) 改進鯨魚優(yōu)化算法

中圖分類號：TB533.2 ? 文獻標志碼：A ? DOI： 10.19620/j.cnki.1000-3703.20230918

Research on Prediction Model of Aerodynamic Noise Sound Quality

of Automobile Cockpit in Wind-Rain Field

Zong Yiqi1， Zhang Hao1， Xu Guomeng1， Yang Yi2， Luo Zemin3

（1. Yangzhou University， Yangzhou 225127; 2. Hunan University， Changsha 410082; 3. Automobile Engineering Research Institute of Guangzhou Automobile Group Co.， Ltd.， Guangzhou 511434）

【Abstract】To study the sound quality of vehicle in rainy day driving， objective parameter calculation and subjective evaluation were conducted for the sound quality of the vehicle cockpit aerodynamic noise signals in the wind-rain field， with a correlation analysis between the two parameters. Based on the Improved Whale Optimization Algorithm-Back Propagation （IWOA-BP） algorithm， six objective parameters including loudness， roughness， jitter， speech intelligibility， speech interference and sound pressure level as input， and subjective scoring as output were used to establish a prediction model， which was compared with the traditional BP neural network prediction model and the WOA-BP prediction model. The results indicate that the mean absolute percentage error of BP， WOA-BP and IWOA-BP algorithms are 28.33%， 6.35% and 2.82% respectively， proving that the sound quality prediction model of automobile cockpit aerodynamic noise in wind-rain field established based on IWOA-BP algorithm has a higher accuracy and a better effect.

Key words： Sound quality， Wind-rain field， Aerodynamic noise， Psychoacoustic parameter， Improved Whale Optimization Algorithm （IWOA） algorithm

【引用格式】 宗軼琦， 張昊， 許國猛， 等. 風雨場中汽車乘員艙氣動噪聲聲品質預測模型研究[J]. 汽車技術， 2024（5）： 51-57.

ZONG Y Q， ZHANG H， XU G M， et al. Research on Prediction Model of Aerodynamic Noise Sound Quality of Automobile Cockpit in Wind-Rain Field[J]. Automobile Technology， 2024（5）： 51-57.

1 前言

近年來，隨著汽車振動與噪聲控制技術的發(fā)展，傳統(tǒng)的針對汽車聲壓級的研究已無法滿足消費者對汽車乘坐舒適性的要求，越來越多的研究人員通過研究汽車聲品質來提高汽車乘坐的舒適性。汽車聲品質是指人對特定環(huán)境下噪聲的主觀感受，可以通過對心理聲學參數(shù)的測量和計算量化體現(xiàn)。

目前，針對汽車聲品質的研究方法大多是建立主觀評價結果與心理聲學客觀參數(shù)之間的預測模型。張教超、Yoon等[1-2]利用多元線性回歸方法建立了客觀聲學參數(shù)與主觀評價結果間的擬合模型，對汽車變速器和供熱通風與空氣調節(jié)系統(tǒng)（Heating， Ventilation， and Air Conditioning，HAVC）進行了聲品質分析。申秀敏等[3]利用反向傳播（Back Propagation，BP）神經網絡建立了聲品質預測模型，該方法具有良好的非線性映射關系，但因為初始權值和閾值的不確定性，無法保證每次預測結果均相同，穩(wěn)定性較差。此外，研究人員針對不同工況下的聲品質進行了預測研究。孫利文[4]等研究了全油門加速工況下車內噪聲聲品質情況。黃海波[5]等研究了勻速行駛工況下的車內噪聲聲品質情況。楊易[6]等研究了天窗和左、右側窗不同開度條件下車內風振噪聲聲品質情況。綜合上述研究發(fā)現(xiàn)，目前針對車內氣動噪聲聲品質的研究方法無法達到理想效果，穩(wěn)定性較差。此外，針對不同環(huán)境下的乘坐舒適性，黃娟[7]等研究了不同海拔對列車乘坐舒適性的影響，但是對于汽車而言，受限于天氣變化的影響，主要依靠風洞試驗來模擬雨、雪等天氣，而風洞試驗成本很高，因此，本文使用實車道路試驗的方法研究不同雨況下的車內噪聲情況，采用數(shù)值模擬方法分析左前側窗噪聲分布情況，并使用基于改進鯨魚優(yōu)化算法（Improved Whale Optimization Algorithm，IWOA）的BP神經網絡算法，建立聲品質預測模型。

2 樣本采集與噪聲分析

2.1 樣本采集

本文實車道路試驗參照GB/T 18697—2002[8]，采用杭州億恒科技有限公司生產的16通道SAVANT MI-7016數(shù)據(jù)采集器，如圖1所示。傳聲器和前置放大器采用杭州愛華儀器有限公司生產的AWA14604和AWA14423。傳聲器的布置位置如圖2所示，其垂向位置為座椅表面與頭枕表面交線上方0.70±0.05 m處，水平位置為座椅的縱截面向右0.20±0.02 m處。小雨、中雨、大雨的降雨強度分別為>0～2.5 mm/h、>2.5～8.0 mm/h、 ? ? ? ?>8.0～16.0 mm/h，本文記錄某款轎車在無雨、小雨（2.5 mm/h）、中雨（8.0 mm/h）和大雨（16.0 mm/h）天氣下車速分別為80 km/h、90 km/h、100 km/h、110 km/h和120 km/h時駕駛員左耳處噪聲信號，共計20組。

2.2 數(shù)值模擬

本文研究的風雨場本質上是氣液兩相流場，因此，本文氣動噪聲聲源產生的原因是氣相與液相的相互作用以及車身表面與氣相和液相流體的相互作用，主要表現(xiàn)為偶極子聲源。使用Realizable k-ε湍流模型模擬無雨時的單向流流場，添加離散相模型（Discrete Phase Model，DPM）模擬有雨時的兩相流流場。

為了研究噪聲分布情況，在左前車窗表面選取若干監(jiān)測點，如圖3所示。

分析工況為車速110 km/h、小雨天氣，瞬態(tài)計算時開啟FW-H（Ffowcs Williams and Hawkings）模型，計算后取0.5 s數(shù)據(jù)，得到各監(jiān)測點脈動壓力譜，通過傅里葉變換，并將不同監(jiān)測點在各中心頻率處的聲壓級作平均，得到左前車窗平均聲壓級頻譜如圖4所示。

2.3 主觀評價

采用等級評分法對所收集的噪聲信號進行量化打分，該方法簡單直接，便于后續(xù)研究。等級評分標準采用國際常用噪聲煩惱度主觀評價刻度表[9]，具體評價標準如表1所示。評價人員為20位車輛工程專業(yè)的研究人員，依次對20組噪聲進行2次打分。為了驗證主觀評價結果的準確性，使用斯皮爾曼（Spearman）等級相關系數(shù)來獲取評價人員2次評價結果間的相關性，對2次評價差距較大的不予采用。最終得到的主觀評價結果如圖5所示。

2.4 客觀評價

本文選擇響度、粗糙度、抖動度、尖銳度、語音清晰度、語言干擾度以及聲壓級7個心理聲學參數(shù)作為聲品質客觀評價指標，根據(jù)實車道路試驗所得的噪聲數(shù)據(jù)，導入MATLAB軟件中可得到心理聲學參數(shù)如圖6所示。

2.5 相關性分析

為了提高聲品質預測模型的準確性，需要進行心理聲學客觀參數(shù)與主觀評價之間的相關性分析，利用SPSS進行分析，結果如表2所示，響度、粗糙度、抖動度、語音清晰度、語言干擾級和聲壓級與主觀評價之間均顯現(xiàn)出顯著性，且顯著性P值均小于0.01，表明分析結果的偶然性小于0.01，意味著6個客觀參量與主觀評價之間均存在正相關關系。尖銳度與主觀評價間的相關系數(shù)為0.212，且顯著性P值大于0.05，表明尖銳度與主觀評價間沒有相關性。

3 基于改進鯨魚優(yōu)化算法的BP神經網絡

3.1 基于鯨魚優(yōu)化算法的BP神經網絡

人耳對聲音的評級具有強非線性關系，因此，采用具有非線性映射能力的BP神經網絡算法進行聲音評價。BP神經網絡不需要確定輸入-輸出映射關系的數(shù)學方程，僅通過自身的訓練與學習即可根據(jù)輸入值得到期望輸出結果，已廣泛應用于汽車噪聲聲品質的研究。但是，隨著算法的不斷發(fā)展，BP神經網絡學習速度慢、泛化性差、不穩(wěn)定等缺點逐步顯現(xiàn)，因此，本文引入鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）[10]優(yōu)化BP神經網絡。作為一種新興的群體智能優(yōu)化算法，WOA因機制簡單、參數(shù)少和尋優(yōu)能力強，被越來越多的學者青睞。算法原理與鯨魚捕食行為類似，鯨魚捕食的目的是捕獲獵物，一群鯨魚在共同搜尋獵物時，必然存在某條鯨魚先發(fā)現(xiàn)獵物，而后其他鯨魚向其包圍以搶奪獵物的情況，在WOA求解問題的過程中，一個解可以用一條鯨魚個體表示，若干個解就可以用若干條鯨魚個體表示，因此，WOA模型搜索問題解的過程可視為若干條鯨魚個體不斷更新位置，直至搜索到滿意的解的過程。其流程包括包圍獵物、發(fā)泡網攻擊和搜索捕食3個階段。

WOA算法優(yōu)化BP神經網絡具體步驟如圖7所示：

a. 初始化BP神經網絡的權值和閾值。

b. 初始化WOA參數(shù)，計算WOA算法的決策長度，選取均方誤差作為優(yōu)化目標函數(shù)。

c. 設置算法停止準則，利用WOA算法優(yōu)化神經網絡權值和閾值參數(shù)。

d. 將優(yōu)化后的權值和閾值賦給BP神經網絡。

e. 對優(yōu)化后的BP神經網絡進行訓練與測試，與優(yōu)化前的BP神經網絡對比分析。

3.2 改進鯨魚算法

鯨魚算法同樣存在一些缺陷，如在其指定的全局最優(yōu)解為所有個體的尋優(yōu)對象時易陷入局部最優(yōu)解，以及種群初始化收斂速度慢。IWOA的提出，提高了算法的尋優(yōu)能力，具體改進方法包括混合策略[11]、混沌映射初始化種群[12-13]和反向學習策略[14-15]。

本文主要通過混合反向學習策略對鯨魚算法進行改進，結合透鏡成像反向學習策略和最優(yōu)最差反向學習策略，在初始種群位置迭代后，將當前種群個體按照適應度排序，取適應度較大的前一半個體，計算其反向種群，將反向種群與原鯨魚種群進行比較，保留適應度較優(yōu)的個體，并引入較優(yōu)的反向種群因子，以加強算法的全局尋優(yōu)能力，增加算法的成熟性。

4 基于IWOA-BP算法的聲品質預測模型

本文選擇響度、粗糙度、抖動度、語音清晰度、語言干擾度和聲壓級6個聲品質心理學客觀參數(shù)作為輸入，以聲品質主觀評分作為輸出，使用IWOA-BP算法反映客觀輸入與主觀輸出的關系。訓練樣本為某轎車在不同雨況和車速條件下采集到的20個噪聲信號，每個信號通過計算分析得出6個心理學參數(shù)及1個主觀評價參數(shù)。

4.1 樣本預處理

不同樣本的單位不同，本文將客觀參量與主觀評價參數(shù)進行歸一化處理，使其數(shù)據(jù)大小均保持在[0，1]范圍內，以滿足神經網絡輸入、輸出的要求，避免出現(xiàn)飽和。

4.2 確定BP神經網絡結構和訓練參數(shù)

BP神經網絡結構可分為前饋型與反饋型兩種，其中前饋型網絡結構的特征是從輸入層到隱含層，再到輸出層的逐層傳遞信息，非線性映射關系和泛化能力較好。因此，本文選取的是1個輸入層、1個S型隱含層和1個輸出層的3層BP神經網絡結構。輸入層為6個心理聲學客觀參量，節(jié)點數(shù)取6；輸出層為聲品質主觀評價參數(shù)，節(jié)點數(shù)取1；隱含層的節(jié)點數(shù)根據(jù)試湊法計算獲得，如圖8所示，最終確定最佳的節(jié)點數(shù)為5，其相應的均方誤差為0.015。

此BP神經網絡反向傳播訓練函數(shù)為Traingdx函數(shù)，權值學習函數(shù)為Leamgdm，性能函數(shù)為均方誤差（Mean-Square Error，MSE）。設置訓練步數(shù)為1 000步、學習速率為0.01、動量因子為0.01、訓練最小誤差為0.000 01、顯示頻率為25，表示每訓練25次顯示一次結果。

4.3 WOA優(yōu)化設置

WOA優(yōu)化BP神經網絡主要是對權值和閾值進行優(yōu)化，主要優(yōu)化流程為：

a. 參數(shù)設置。設定初始種群數(shù)量為n=20，最大進化代數(shù)為lmax=30；優(yōu)化的自變量數(shù)量為N=inhn+hn+hnon+on，其中in、hn、on分別為BP神經網絡結構的輸入層、隱含層和輸出層的神經元數(shù)量。

b. 調整適應函數(shù)。計算WOA的決策變量函數(shù)，以均方誤差作為適應度函數(shù)，算法迭代過程中，適應度越小，均方誤差越小，預測結果越精確。均方誤差計算公式為：

[ems=1mi=1m（yi-xi）2] ? ? ? ? ? ? ? ? ? ? ? （1）

式中：m為測試的樣本數(shù)量，xi為第i個真實值，yi為第i個預測值。

c. 鯨魚算法不斷優(yōu)化權值和閾值，均方誤差最小時，鯨魚算法停止訓練，將此時的權值和閾值賦給BP神經網絡算法。

4.4 IWOA優(yōu)化設置

改進鯨魚算法主要流程如下：

a. 使用Tent混沌映射策略對搜索空間中分布相對均勻的n個個體進行初始化。

b. 按照數(shù)值大小將種群進行重新排列，將函數(shù)值最小的位置設為最優(yōu)位置。

c. 通過自適應閾值和權重進行相關參數(shù)更新及種群位置更新。

d. 挑選一個最差個體和一個精英個體進行混合反向學習，更新全局最優(yōu)位置及適應度值。

4.5 計算結果分析

根據(jù)相關性分析獲得的結果，以響度、粗糙度、抖動度、語音清晰度、語言干擾度和聲壓級作為輸入，主觀評分作為輸出。表3所示為采用不同優(yōu)化方法時BP模型測試集的預測值與實際值的對比結果。分析可知，IWOA-BP預測模型的擬合效果更好。

圖9所示分別為BP、WOA-BP和IWOA-BP預測模型的實際誤差和相對誤差，表4所示為3種預測模型的平均絕對誤差（Mean Absolute Error，MAE）、MSE、均方根誤差（Root Mean Squared Error，RMSE）以及平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE），可以看出IWOA-BP模型預測風雨場中駕駛室噪聲聲品質的計算精度最高。

5 結束語

本文通過實車道路試驗，對采集的噪聲樣本進行分析，得到了7個聲品質客觀參量和1個主觀評價參量，并對主、客觀參量進行相關性分析，建立了以響度、粗糙度、抖動度、語音清晰度、語言干擾度和聲壓級作為輸入，主觀評價作為輸出的IWOA-BP模型，對風雨場中汽車乘員艙氣動噪聲聲品質進行預測，結果顯示，IWOA-BP預測模型的平均絕對誤差、均方誤差、均方根誤差、平均絕對百分比誤差均優(yōu)于傳統(tǒng)的BP預測模型和WOA-BP預測模型的計算結果，證明了IWOA-BP模型預測結果的準確性。

參 考 文 獻

[1] 張教超， 強登科， 莫詩婕. 變速器聲品質評價方法研究[J]. 汽車零部件， 2021（7）： 61-64.

ZHANG J C， QIANG D K， MO S J. Study of Transmissions Sound-quality Evaluation Method[J]. Automobile Parts， 2021（7）： 61-64.

[2] YOON J， YANG I， JEONG J， et al. Reliability Improvement of a Sound Quality Index for a Vehicle HAVC System Using a Regression and Neural Network Model[J]. Applied ? ? ? ?Acoustics， 2012， 73（11）： 1099-1103.

[3] 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.

SHENG X M， ZUO S G， HE L C， et al. BP Neural Network Prediction of Car Interior Sound Quality[J]. Technical ? ? ? ?Acoustics， 2009， 28（3）： 264-268.

[4] 孫利文， 劉海， 王海洋， 等. 應用GA-BP神經網絡對加速工況車內聲品質研究[J]. 科學技術與工程， 2017， 17（17）： 340-345.

SUN L W， LIU H， WANG H Y， et al. Research on Vehicle Interior Sound Quality Based on GA-BP Neural Network[J]. Science Technology and Engineering， 2017， 17（17）： 340-345.

[5] 黃海波， 李人憲， 黃曉蓉， 等. 基于Adaboost算法的車內噪聲聲品質預測[J]. 汽車工程， 2016， 38（9）： 1120-1125.

HUANG H B， LI R X， HUANG X R， et al. Sound Quality Prediction of Vehicle Interior Noise Based on Adaboost ? ? ?Algorithm[J]. Automotive Engineering， 2016， 38（9）： 1120-1125.

[6] 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.

YANG Y， GAO J， GU Z Q， et al. Research on Sound Quality Prediction Model of Automobile Wind Buffeting Noise Based on GA-BP[J]. Journal of Mechanical Engineering， 2021， 57（24）： 241-249.

[7] 黃娟， 何洪， 楊偉超， 等. 海拔對鐵路隧道內瞬變壓力及車廂內乘坐舒適性的影響[J]. 鐵道科學與工程學報， 2022（3）： 608-615.

HUANG J， HE H， YANG W C， et al. Influence of Altitude on Transient Pressure and Ride Comfort in Railway Tunnel[J]. Journal of Railway Science and Engineering， 2022（3）： 608-615.

[8] 中國科學院. 聲學 汽車車內噪聲測量方法： GB/T 18697—2002[S]. 北京： 中國標準出版社， 2002.

National Development and Reform Commission. Acoustics-Measurement of Noise Inside Motor Vehicles： GB/T 18697—2002[S]. Beijing： Standards Press of China， 2002.

[9] 田建濤， 余志龍， 龐瀛洲. 工程機械噪聲主觀評價的等級評分法試驗研究[J]. 工程機械， 2014， 45（9）： 25-30.

TIAN J T， YU Z L， PANG Y Z. Test and Research on Classification Method of Subjective Evaluation for Construction Machinery Noise[J]. Construction Machinery and Equipment， 2014， 45（9）： 25-30.

[10] MIRJALILI S， LEWIS A. The Whale Optimization ? ? ? ? ? Algorithm[J]. Advances in Engineering Software， 2016， 95： 51-67.

[11] 徐航， 張達敏， 王依柔， 等. 混合策略改進鯨魚優(yōu)化算法[J]. 計算機工程與設計， 2020， 41（12）： 3397-3404.

XU H， ZHANG D M， WANG Y R， et al. Hybrid Strategy to Improve Whale Optimization Algorithm[J]. Computer ? ? ? ? Engineering and Design， 2020， 41（12）： 3397-3404.

[12] 滕志軍， 呂金玲， 郭力文， 等. 一種基于Tent映射的混合灰狼優(yōu)化的改進算法[J]. 哈爾濱工業(yè)大學學報， 2018， 50（11）： 40-49.

TENG Z J， LV J L， GUO L W， et al. An Improved Hybrid Grey Wolf Optimization Algorithm Based on Tent Mapping[J]. Journal of Harbin Institute of Technology， 2018， 50（11）： 40-49.

[13] 張娜， 趙澤丹， 包曉安， 等. 基于改進的Tent混沌萬有引力搜索算法[J]. 控制與決策， 2020， 35（4）： 893-900.

ZHANG N， ZHAO Z D， BAO X A， et al. Gravitational Search Algorithm Based on Improved Tent Chaos[J]. ? ? ?Control and Decision， 2020， 35（4）： 893-900.

[14] 龍文， 伍鐵斌， 唐明珠， 等. 基于透鏡成像學習策略的灰狼優(yōu)化算法[J]. 自動化學報， 2020， 46（10）： 2148-2164.

LONG W， WU T B， TANG M Z， et al. Grey Wolf Optimizer Algorithm Based on Lens Imaging Learning Strategy[J]. ? ?Acta Automatica Sinica， 2020， 46（10）： 2148-2164.

[15] 張新明， 王霞， 康強. 改進的灰狼優(yōu)化算法及其高維函數(shù)和FCM優(yōu)化[J]. 控制與決策， 2019， 34（10）： 2073-2084.

ZHANG X M， WANG X， KANG Q. Improved Grey Wolf Optimizer and Its Application to High-Dimensional ? ? ?Function and FCM Optimization[J]. Control and Decision， 2019， 34（10）： 2073-2084.

（責任編輯 斛 畔）

修改稿收到日期為2023年11月28日。