基于ERB尺度的車內(nèi)低頻聲品質(zhì)優(yōu)化?

賴詩洋，徐中明，夏小均，何治橋

基于ERB尺度的車內(nèi)低頻聲品質(zhì)優(yōu)化?

賴詩洋1，徐中明2，3，夏小均2，3，何治橋2，3

(1.重慶工程職業(yè)技術(shù)學院機械工程學院，重慶 402260； 2.重慶大學，機械傳動國家重點實驗室，重慶 400030；3.重慶大學汽車工程學院，重慶 400030)

以某轎車為例，建立了其FE-BEM的低頻聲學響應(yīng)模型，并通過實車試驗驗證了模型的正確性?；诘染匦螏?ERB)尺度，并以車速50km/h時采集的駕駛員右耳處20-200Hz頻帶的聲信號為基礎(chǔ)，運用正交試驗設(shè)計生成16個聲樣本。編程計算了各樣本的客觀參量，并完成了主觀評價試驗。綜合遺傳算法與支持向量機，構(gòu)建了聲樣本的聲品質(zhì)預測模型。以低頻段各REB頻帶聲壓級為變量，聲樣本主觀煩躁度最小為目標，建立了聲品質(zhì)優(yōu)化模型，優(yōu)化得到了比原來顯著改善的聲樣本，通過主觀評價結(jié)果驗證了該方法的有效性。

轎車；聲品質(zhì)優(yōu)化；低頻；ERB尺度；支持向量機

Keywords:car； sound quality optimization； low frequency； ERB metric； SVM

前言

隨著人們對汽車NVH性能要求的提升，車內(nèi)聲品質(zhì)已成為各廠商十分關(guān)注的一大性能。隨之對汽車相關(guān)的聲品質(zhì)進行了大量的研究。從汽車車內(nèi)穩(wěn)態(tài)噪聲[1]、關(guān)門聲[2-3]、喇叭聲[4]、雨刮聲[5]和發(fā)動機起動聲[6]等方面都進行了相關(guān)的研究。以上這些無一例外的都是對現(xiàn)成結(jié)構(gòu)或產(chǎn)品的某種聲品質(zhì)進行的研究，再建立主客觀評價的預測模型。目前對于聲品質(zhì)技術(shù)的研究，都集中于客觀參數(shù)的探尋[7]、主觀評價方法[8]和不同機器預測模型的研究[9]。而作為指導產(chǎn)品設(shè)計研發(fā)的一項指標，進一步對影響聲品質(zhì)特性的研究和聲品質(zhì)的優(yōu)化的研究還較少[10-11]。

然而，只有在產(chǎn)品前期開發(fā)階段就將聲品質(zhì)作為一項設(shè)計指標，才能降低開發(fā)成本和縮短周期。當前還沒有能有效實現(xiàn)全頻域的數(shù)值分析方法，廣泛運用的有限元和邊界元分析這類基于單元類的方法，由于單元離散與形函數(shù)造成的插值誤差與污染誤差和在較高頻率段下的巨大計算成本，使其主要應(yīng)用于低頻聲振問題[12-13]。統(tǒng)計能量法能較好地解決高頻問題[14]，混合FE-SEA法可實現(xiàn)對系統(tǒng)結(jié)構(gòu)的中頻響應(yīng)分析[15]，但這兩種方法都是時間和空間上的統(tǒng)計平均，不能得到確定性的響應(yīng)。而汽車車內(nèi)噪聲的能量主要集中在低頻域內(nèi)，它給乘員造成的最明顯的感覺就是低頻的車內(nèi)轟鳴聲。因此，以當前成熟的低頻數(shù)值分析方法仿真計算車內(nèi)聲學響應(yīng)，并以改善聲品質(zhì)為目標，分析影響聲品質(zhì)的頻率聲壓分布，為產(chǎn)品的設(shè)計和改進提供參考就具有十分現(xiàn)實的工程價值。

本文中以某實際轎車為例，建立了其FE-BEM聲學響應(yīng)模型，并通過試驗驗證了模型的正確性。基于50km/h車速下的預測聲信號，通過ERB尺度聲壓變量設(shè)計了不同聲樣本，完成了各聲樣本的客觀參數(shù)計算與主觀評價試驗。采用遺傳算法與支持向量機建立了聲品質(zhì)預測模型，以各頻帶聲壓級為變量，最小化主觀煩躁度為目標，進行樣本聲品質(zhì)的優(yōu)化并加以驗證。

1 預測模型建立與驗證

1.1 FEM-BEM模型的建立

以某實車幾何模型為基礎(chǔ)，在Hypermesh中進行單元劃分。薄壁板件以殼單元離散，其它以實體單元模擬，動力總成等復雜而非車身結(jié)構(gòu)件，以剛性單元模擬。建立的有限元結(jié)構(gòu)模型如圖1所示。從計算效率考慮，內(nèi)部聲腔以邊界元方法計算。同時建立了座椅、內(nèi)飾和乘員人體表面模型。為模擬內(nèi)飾與人體的聲阻抗特性對車內(nèi)聲場的影響，設(shè)置了不同區(qū)域的聲學阻抗邊界條件參數(shù)。所建的邊界元模型如圖2所示。

1.2 模型驗證

圖1 車身有限元模型

圖2 包含座椅和駕駛員的聲腔邊界元模型

試驗共使用7個加速度傳感器，分別布置于發(fā)動機懸置點、車身懸架上支撐點附近和車身底板處，如圖3所示。參照GB/T 18697《聲學汽車車內(nèi)噪聲測量方法》將B＆K4189傳聲器布置于駕駛員右耳位置。

圖3 試驗布置圖

為充分驗證模型的正確性，在實車狀況下測試了4個工況:怠速、30，40和50km/h速度下各加速傳感器的振動響應(yīng)和駕駛員右耳處的聲學響應(yīng)。將得到的振動激勵加載到FEM-BEM模型上，計算得到預測模型中駕駛員右耳處的各工況的聲學響應(yīng)。其中30和50km/h工況下的低頻響應(yīng)如圖4和圖5所示，預測誤差見表1。由圖表可見，在200Hz以下范圍內(nèi)的預測精度是可靠的，模型是有效的。

圖4 30km/h駕駛員右耳聲壓響應(yīng)對比圖

圖5 50km/h駕駛員右耳聲壓響應(yīng)對比圖

表1 預測值與試驗值的誤差

2 噪聲樣本設(shè)計和主客觀評價

由于前期設(shè)計階段沒有實車進行聲樣本采集以供聲品質(zhì)的相關(guān)分析，所以，基于預測模型的聲學響應(yīng)，結(jié)合各聲樣本頻率特性設(shè)計相應(yīng)的聲品質(zhì)評價模型，用以指導產(chǎn)品開發(fā)。選取某量產(chǎn)的實車在50km/h速度下的低頻聲學響應(yīng)為對象，進行試驗驗證。

2.1 聲信號采集及樣本設(shè)計

如上所述，本文中只討論低頻段200Hz內(nèi)的響應(yīng)，而對于超過200Hz的聲品質(zhì)則以試驗數(shù)據(jù)進行分析。另外，從廣域頻響曲線(文中未附)可以看出，該車50km/h工況下車內(nèi)聲能量主要集中在200Hz以下的低頻區(qū)域內(nèi)，為充分反映200Hz以下頻帶范圍內(nèi)聲壓幅值變化對于聲品質(zhì)的影響，將20～200Hz頻帶范圍按照等效矩形帶寬(equal rectangle bandwidth，ERB)尺度[16]劃分為5個頻帶，計算各頻帶內(nèi)總聲壓級，分別代表5個因素，每一個因素設(shè)置“保持”和“降低5dB”兩個水平，選擇相應(yīng)的正交表設(shè)計正交試驗，確定16個樣本的因素水平，在試驗測得的原始樣本基礎(chǔ)上，根據(jù)各因素水平，并保持高頻成分不變，采用Matlab編輯生成16個噪聲樣本，用于后續(xù)聲品質(zhì)主客觀評價，聲樣本編輯步驟如下:

(1)首先將截取的5s原始聲壓時域信號導入Matlab，并進行快速傅里葉變換(FFT)；

(2)在FFT基礎(chǔ)上計算信號幅頻譜和相頻譜，根據(jù)16組正交試驗對應(yīng)的各因素水平，更改對應(yīng)臨界頻帶內(nèi)幅值大小，并保持相位信息不變；

(3)結(jié)合原始相頻譜和更改后的幅頻譜，通過傅里葉逆變換得到時域信號，最后導出wav格式的音頻文件，即完成樣本設(shè)計。

2.2 客觀參量編程計算

為結(jié)合車內(nèi)聲學預測頻譜結(jié)果搭建聲品質(zhì)預測模型，方便后續(xù)聲品質(zhì)預測和優(yōu)化，同時考慮低頻穩(wěn)態(tài)噪聲的特點，采用Matlab編制常用心理聲學客觀參量，包括Moore響度、Zwiker尖銳度、粗糙度、轟鳴指數(shù)和A計權(quán)聲壓級的計算程序。各樣本的客觀聲學參數(shù)如表2所示。從各參量隨各樣本的變化可見，在5種客觀參量中，信號的變化對響度與轟鳴指數(shù)的影響最大。

表2 客觀參量

2.3 聲品質(zhì)主觀評價

主觀評價者共計24人，其中男生17人，女生7人，均無聽力障礙，具備一定聲品質(zhì)評價基礎(chǔ)知識，并完成了評價前的相關(guān)訓練[17]。主觀評價采用成對比較法，由評價者對16個樣本組成的120對樣本組進行主觀煩躁度評定。考慮主觀評價的結(jié)果易受到影響而導致錯誤，完成主觀評價后，須先以計權(quán)一致性系數(shù)[18]對評價的結(jié)果進行有效性檢驗。各主觀評價者計權(quán)一致性系數(shù)如表3所示。剔除計權(quán)一致性系數(shù)小于0.8的評價者評價結(jié)果，只剩20位評價者的評分有效?？紤]到后面建立支持向量機聲品質(zhì)評價模型時，各樣本的主觀煩躁度得分要和各客觀參量一同作為輸入，計及它們數(shù)量級的可能差別，將主觀煩躁度得分歸一化到[1，10]范圍內(nèi)，如表4所示。

表4 主觀煩躁度得分

3 聲品質(zhì)預測模型建立

3.1 聲品質(zhì)組合優(yōu)化方法

在支持向量機聲品質(zhì)評價模型基礎(chǔ)上，通過遺傳算法對模型輸入自變量進行篩選，同時采用粒子群算法優(yōu)化懲罰因子c和核函數(shù)參數(shù)g，采用Matlab編程建立基于遺傳算法和粒子群算法組合優(yōu)化的聲品質(zhì)回歸預測模型，其適應(yīng)度函數(shù)進化曲線如圖6和圖7所示。

圖6 遺傳算法適應(yīng)度函數(shù)值進化曲線

圖7 粒子群算法適應(yīng)度函數(shù)值進化曲線

通過遺傳算法進入主觀煩躁度評價模型的客觀參數(shù)為響度、尖銳度和轟鳴指數(shù)，支持向量機模型參數(shù)(c，g)為(2.4056，1.2574)。 保存訓練后的支持向量機模型以及優(yōu)化參數(shù)，聲品質(zhì)評價模型建立完成。

3.2 評價模型精度檢驗

支持向量機聲品質(zhì)評價模型屬于近似模型，建立評價模型的目的在于避免聲品質(zhì)主觀評價的繁雜過程，實現(xiàn)從聲品質(zhì)客觀參量到主觀煩躁度的預測，從而為聲學優(yōu)化設(shè)計提供指導。因此，聲品質(zhì)評價模型除須對現(xiàn)有樣本具有較高的學習程度外，其它樣本的預測精度也是評價模型的重要指標，即模型的泛化能力。通過對比14-16號樣本的主觀煩躁度的實際值與預測值來檢驗評價模型的預測精度，對比結(jié)果如圖8所示。由圖可見，基于遺傳算法與支持向量機建立的聲品質(zhì)預測模型是有效的，可用于后續(xù)的分析。

圖8 預測結(jié)果-原始評分對比圖

4 頻譜優(yōu)化

4.1 優(yōu)化模型

基于建立的某轎車車內(nèi)聲品質(zhì)預測模型，以20-200Hz頻帶內(nèi)各ERB頻帶總聲壓級為變量，主觀煩躁度預測值最小化為目標，采用全局搜索算法優(yōu)化原1號樣本的頻帶頻譜分布，從而為該車車內(nèi)聲學性能調(diào)校提供指導。

變量:設(shè)置優(yōu)化變量為20-200Hz范圍內(nèi)各ERB頻帶總聲壓級，為保證預測模型的可靠性，使變量變化范圍保持在樣本正交設(shè)計中因素水平的范圍內(nèi)，變量變化范圍設(shè)置為0～-5dB。各變量頻帶范圍如表5所示。

表5 ERB頻帶參數(shù)

約束:考慮實際情況下車內(nèi)聲學調(diào)校的可行性，設(shè)置約束條件為總聲壓級變化量不超過-3dB。

目標:優(yōu)化目標為主觀評價煩躁度預測值最低，為同時保證主觀煩躁度值優(yōu)化效果和聲學調(diào)校的成本控制，若存在多個變量預測的主觀煩躁度均較低，且其差值的絕對值小于0.2，則最終優(yōu)化結(jié)果選擇相對于原始信號總聲壓級變化量最小的變量值。

優(yōu)化算法:粒子群優(yōu)化算法(PSO)具有較強的全局尋優(yōu)能力，且穩(wěn)定性高，編程容易實現(xiàn)，因此采用粒子群優(yōu)化算法進行變量優(yōu)化。

通過Matlab編程建立優(yōu)化模型，優(yōu)化流程如圖9所示，具體步驟如下。

(1)變量初始化，在原始聲樣本ERB譜基礎(chǔ)上，按照變量變化范圍，通過隨機方式生成初始粒子群，設(shè)置粒子群大小為10，初始粒子生成方式為

式中:popni為種群中第n個粒子的第i個變量；ERBi0為第i個變量原始值；ERBimin為第i個變量變化范圍的最小值；rand為[0，1]的隨機數(shù)。

圖9 頻譜優(yōu)化流程圖

(2)將變量與201-1600Hz頻帶內(nèi)的實測信號ERB譜組合，構(gòu)成20-1600Hz頻帶內(nèi)ERB譜，以此作為輸入，調(diào)用自編程序計算Moore響度、Zwiker尖銳度和轟鳴指數(shù)，通過已經(jīng)建立的SVM聲品質(zhì)評價模型，計算聲品質(zhì)主觀煩躁度預測值，以此作為優(yōu)化目標的適應(yīng)度函數(shù)值。

(3)計算個體最優(yōu)值pbest和全局最優(yōu)值gbest，為后續(xù)粒子群更新計算提供基礎(chǔ)，粒子群更新參數(shù)設(shè)置為:慣性權(quán)重 w＝0.8；加速度因子 c1＝1.2；c2＝1.5。

(4)當?shù)螖?shù)達到設(shè)定值時，優(yōu)化結(jié)束，導出最優(yōu)粒子和該粒子所對應(yīng)的聲品質(zhì)主觀煩躁度預測值和相對于原始信號的總聲壓級變化值。經(jīng)過多次調(diào)試，設(shè)置迭代次數(shù)為50次。

4.2 優(yōu)化結(jié)果

按照上述參數(shù)設(shè)置，以16個樣本中的1號樣本為例，其優(yōu)化過程中目標函數(shù)值進化曲線如圖10所示。經(jīng)過優(yōu)化，聲品質(zhì)主觀煩躁度預測值(適應(yīng)度值)由原來的7.32進化到0.582 2，低于原最優(yōu)樣本(10號樣本)得分，達到了優(yōu)化效果。1號樣本的總聲壓級變化量如圖11所示，優(yōu)化得到的最優(yōu)樣本總聲壓級變化量為-2.18dB。最后得到優(yōu)化前后各頻帶聲壓級變量值對比如圖12和表6所示。

圖10 1號樣本適應(yīng)度值進化曲線

圖11 1號樣本總聲壓級變化量曲線

圖12 1號樣本優(yōu)化前后ERB臨界頻帶聲壓級對比

表6 1號樣本優(yōu)化前后變量值對比

從對比圖可以看出，各頻帶并非一致變化，頻譜分布方式發(fā)生了較大變化。其中變量ERB2和ERB4降低幅度較大，ERB3變化不明顯。這也說明ERB2和ERB4的聲壓對聲品質(zhì)的負貢獻更大，可對產(chǎn)生該頻段結(jié)構(gòu)的振動或聲學響應(yīng)加以控制。表7列出了聲信號優(yōu)化前后的主要客觀參數(shù)變化情況。由表可見，轟鳴指數(shù)的優(yōu)化量最大，也說明了該參數(shù)對人主觀感受的影響較大。

表7 優(yōu)化前后聲品質(zhì)客觀參量值對比

4.3 主觀評價驗證

為驗證優(yōu)化結(jié)果的有效性，以優(yōu)化后的ERB臨界頻帶聲壓級為標準，在試驗采集的駕駛員右耳聲壓信號的基礎(chǔ)上，采用聲樣本編輯的方法分別將20-200Hz頻帶內(nèi)各ERB聲壓級縮放更改至優(yōu)化值，合成最優(yōu)頻譜對應(yīng)的時域音頻信號，即為優(yōu)化后1號樣本，將它與原1號樣本和原聲樣本中主觀煩躁度得分最低的10號樣本三者兩兩分組，進行成對比較法主觀評價試驗，以此驗證優(yōu)化結(jié)果是否有效。

主觀評價試驗條件、試驗設(shè)備、試驗方法和主觀評價者均與第一次試驗相同，最終得到的3個樣本得分值如表8所示。

表8 聲樣本主觀評價得分

從主觀評價值試驗結(jié)果可以看出，優(yōu)化后的樣本主觀煩躁度值低于原始樣本，達到了聲品質(zhì)優(yōu)化目的；相對于樣本正交設(shè)計中產(chǎn)生的最優(yōu)聲品質(zhì)樣本，采用優(yōu)化模型優(yōu)化得到的聲樣本聲品質(zhì)主觀煩躁度值進一步降低，說明本文中所建立的聲品質(zhì)優(yōu)化模型具有較強的全局尋優(yōu)能力，證明了優(yōu)化的有效性，達到了該車50km/h工況下車內(nèi)聲品質(zhì)優(yōu)化的目的，對于車內(nèi)聲學設(shè)計和改進具有指導意義。

5 結(jié)論

建立某轎車的FE-BEM低頻聲學預測模型，并通過試驗驗證模型的正確性。以ERB尺度劃分的低頻頻帶為依據(jù)，設(shè)計16個噪聲樣本，并計算了各樣本的客觀聲品質(zhì)參量。在完成了聲樣本主觀評價的基礎(chǔ)上，組合運用遺傳算法與支持向量機構(gòu)建了聲品質(zhì)預測模型。提出以聲樣本各低頻帶聲壓級變量，以主觀煩躁度最小為目標，實現(xiàn)樣本聲品質(zhì)的優(yōu)化，并以試驗信號進行了驗證。通過與主觀試驗對比結(jié)果，表示該方法能有效實現(xiàn)樣本聲品質(zhì)的改善，找出各頻帶對聲品質(zhì)的影響程度，為后續(xù)有針對性地進行結(jié)構(gòu)改進提供依據(jù)。

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

[2] Etienne Parizet， Erald Guyader， Valery Nosulenko.Analysis of car door closing sound quality[J].Applied Acoustics，2008，69:12-22.

[3] 王長山，張立軍.汽車關(guān)門聲聲品質(zhì)評價方法的研究[J].汽車工程，2011，33(10):902-906，901.

[4] 徐中明，張芳，周小林，等.汽車喇叭聲品質(zhì)主觀評價與分析[J].汽車工程，2013，35(2):188-192.

[5] 徐中明，張瑜，劉建利，等.汽車雨刮系統(tǒng)噪聲品質(zhì)分析[J].汽車工程，2014，36(8):1009-1013.

[6] 徐中明，夏小均，賀巖松，等.汽車發(fā)動機啟動聲品質(zhì)評價與分析[J].振動與沖擊，2014，33(11):142-147.

[7] 楊川，于德介.基于偽WIGNER-VILLE分布的汽車關(guān)門聲品質(zhì)評價參數(shù)研究[J].機械工程學報，2011，47(24):91-96.

[8] LEE Sang-Kwon.Objective evaluation of interior sound quality in passenger cars during acceleration[J].Journal of Sound and Vibration，2008，310:149-168.

[9] 申秀敏，左曙光.轎車聲品質(zhì)主觀評價研究[J].噪聲與振動控制，2013(1):100-105.

[10] 徐中明，謝耀儀，賀巖松，等.基于粒子群-向量機的汽車加速噪聲評價[J].振動與沖擊，2015，34(2):25-29.

[11] LEE Sang-Kwon， KIM Ho-Wuk， NA Eun-Woo.Improvement of impact noise in a passenger car utilizing sound metric based on wavelet transform[J].Journal of Sound and Vibration，2010，329:3606-3619.

[12] DERAEMAEKER A， BABUSKA I， BOUILLARD P.Dispersion and pollution of the FEM solution for the Helmholtz equation in one，two and three dimensions[J].Int.J.Numer.Methods Engrg，2015，46(4):471-499.

[13] ZIENKIEWICZ O C，TAYLOR R L，ZHU J Z，et al.The finite element method-Vol.1:basic formulation and linear problems[M].Butterworth-Heinemann，2005.

[14] LYON R，DEJONGR.Theory and application of statistical energy analysis[M].2nd ed.Butterworth Heinemann，1995.

[15] LANGLEY R S，CORDIOLI J A.Hybrid deterministic-statistical analysis of vibroacoustic system domain couplings on statistical components[J].Journal of Sound and Vibration，2009，321:893-912.

[16] MOORE B CJ，CLASBERGB R，BAERT.A model for the prediction of thresholds，loudness and partial loudness[J].Journal of the Audio Engineering Society，1997，45(4):224-240.

[17] CHOUARD B，HEMPEL T.A semantic differential design especially developed for the evaluation of interior car sounds[C].ASA-EAA-DAGA Joint Meeting，Berlin，Germany，1999.

[18] 毛東興，俞悟周，王佐民.聲品質(zhì)成對比較主觀評價的數(shù)據(jù)檢驗及判據(jù)[J].聲學學報，2005，30(5):468-472.

Optimization on the Low-frequency Interior Sound Quality of a Passenger Car Based on ERB Metric

Lai Shiyang1， Xu Zhongming2，3， Xia Xiaojun2，3＆ He Zhiqiao2，3
1.College of Mechanical Engineering， Chongqing Vocational Institute of Engineering， Chongqing 402260；2.Chongqing University， State Key Laboratory of Mechanical Transmission， Chongqing 400030；3.College of Vehicle Engineering， Chongqing University， Chongqing 400030

A FE-BEM model for the low-frequency acoustic response of a car is established and validated by real vehicle test.Based on the metric of equal rectangle bandwidth(ERB)and the sound signal at the right ear of driver with a frequency range of 20-200Hz collected at a vehicle speed of 50km/h，16 sound samples are generated by using orthogonal design of experiment.A program is developed to calculate the objective metrics of each sound sample and a subjective evaluation test is conducted.Then a sound quality prediction model for sound samples is built with the combination of genetic algorithm and support vector machine.Finally a sound quality optimization model is set up with minimizing the subjective annoyance of sound sample as objective and the subtotal of sound pressure level of each ERB band at low-frequency range as variables.An optimization is performed with an optimized sound sample significantly better than original one is obtained，and the effectiveness of the method proposed is verified by another subjective evaluation test.

10.19562/j.chinasae.qcgc.2017.09.015

?重慶工程職業(yè)技術(shù)學院院級科研項目(KJB201712)、重慶市基礎(chǔ)與前沿研究計劃項目(CSTC2015jcyjBX0075)和中央高校基本科研業(yè)務(wù)費(106112016CDJZR335522)資助。

原稿收到日期為2016年10月21日。

賴詩洋，助教，碩士，E-mail:joyce_lsy＠163.com。