乘用車關(guān)門聲聲品質(zhì)GA-SVR預(yù)測(cè)研究

黃澤好，金龍娥，鄒艾宏，3，陳 寶

1.重慶理工大學(xué) 汽車零部件先進(jìn)制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，重慶400054；2.重慶理工大學(xué) 車輛工程學(xué)院，重慶400054；3.重慶金康賽力斯新能源汽車設(shè)計(jì)院有限公司，重慶 401120

人與汽車的第一次聽覺接觸來自汽車關(guān)門聲，汽車關(guān)門聲能夠使用戶感受其安全性、可靠性和舒適性，從而影響消費(fèi)者的選擇．早期研究關(guān)門聲，主要關(guān)注聲壓級(jí)，但聲壓級(jí)不能準(zhǔn)確反映人的主觀感受[1-2]，為更加貼近人耳聽覺特性，將聲品質(zhì)引入到關(guān)門聲的噪聲控制研究和評(píng)價(jià)中，使關(guān)門聲評(píng)價(jià)與預(yù)測(cè)更加全面、有效[3-5]．

郭棟[6]在深入研究多種聲品質(zhì)主客觀評(píng)價(jià)方法的基礎(chǔ)上，提出適用于汽車傳動(dòng)系的聲品質(zhì)主客觀評(píng)價(jià)體系，并實(shí)現(xiàn)了基于汽車傳動(dòng)系聲品質(zhì)的檢測(cè)技術(shù)；王長(zhǎng)山等[7]分析了A計(jì)權(quán)時(shí)頻分析方法、尖銳度模型以及不同響度模型對(duì)關(guān)門聲聲品質(zhì)的適用性，并結(jié)合三者提出汽車關(guān)門聲品質(zhì)快速評(píng)價(jià)方法和量化指標(biāo)，結(jié)果證明該方法適用于汽車關(guān)門聲聲品質(zhì)評(píng)價(jià)；Ali等[8]研究了與車輛內(nèi)部噪聲主觀感受相關(guān)的參數(shù)，基于主客觀評(píng)價(jià)結(jié)果提出一種汽車聲品質(zhì)基準(zhǔn)評(píng)價(jià)方法，旨在減少聲品質(zhì)評(píng)價(jià)對(duì)于主觀感受的依賴．主觀評(píng)價(jià)是聲品質(zhì)評(píng)價(jià)的一個(gè)重要部分，但其周期長(zhǎng)、人力成本高，評(píng)價(jià)效率較低，因此，建立一個(gè)準(zhǔn)確、高效的關(guān)門聲品質(zhì)主觀評(píng)價(jià)值的客觀量化模型，即關(guān)門聲品質(zhì)預(yù)測(cè)模型，是一個(gè)極具工程價(jià)值的熱點(diǎn)問題．

目前，建立預(yù)測(cè)模型多采用人工神經(jīng)網(wǎng)絡(luò)、多元線性回歸以及支持向量回歸等方法[9-12]，其中，支持向量回歸方法在解決小樣本、低維度的非線性問題時(shí)表現(xiàn)優(yōu)異，關(guān)門聲信號(hào)作為非穩(wěn)態(tài)沖擊信號(hào)，具有明顯的非線性特征，因此本文建立了遺傳算法-支持向量回歸(Genetic Algorithm-Support Vector Regression，GA-SVR)乘用車關(guān)門聲品質(zhì)預(yù)測(cè)模型，即GA-SVR關(guān)門聲聲品質(zhì)預(yù)測(cè)模型，旨在準(zhǔn)確、高效地進(jìn)行乘用車關(guān)門聲聲品質(zhì)評(píng)價(jià)．

1 關(guān)門聲聲品質(zhì)主、客觀評(píng)價(jià)

1.1 聲樣本的采集及處理

目前，乘用車關(guān)門聲樣本采集沒有國家通用標(biāo)準(zhǔn)，因此按照企業(yè)規(guī)范進(jìn)行采集[13]．在半消聲室內(nèi)，通過HEAD數(shù)字人工頭采集22輛不同品牌、等級(jí)的乘用車在3種關(guān)門速度工況(1.0，1.2，1.4 m/s)下的左前門關(guān)門聲樣本，如圖1所示．

圖1 關(guān)門聲樣本采集

為保證信號(hào)的一致性，每個(gè)工況采集3個(gè)樣本，每個(gè)樣本采樣時(shí)長(zhǎng)為10 s，采樣頻率為44 100 Hz．初始關(guān)門聲樣本為198個(gè)，剔除受到干擾的關(guān)門聲樣本，篩選出66個(gè)有效關(guān)門聲樣本．為克服聽音時(shí)間過長(zhǎng)、評(píng)價(jià)人員產(chǎn)生聽音疲勞等問題，在保證信號(hào)真實(shí)性和一致性的前提下，在Artemis軟件中將66個(gè)樣本均截取為3 s時(shí)長(zhǎng)．

1.2 主觀評(píng)價(jià)試驗(yàn)

成對(duì)比較法操作簡(jiǎn)單、易于實(shí)現(xiàn)，適合無經(jīng)驗(yàn)評(píng)價(jià)群體[14]，符合本次主觀評(píng)價(jià)試驗(yàn)特征，因此選用成對(duì)比較法進(jìn)行主觀評(píng)價(jià)試驗(yàn)，評(píng)價(jià)指標(biāo)為主觀偏好性值．評(píng)價(jià)前，依據(jù)工況將66個(gè)聲樣本分為3組，每組22個(gè)聲樣本隨機(jī)排列組合形成比較對(duì)(每個(gè)比較對(duì)有2個(gè)聲樣本，A>B，A得1分；A

1.3 主觀評(píng)價(jià)誤判分析

評(píng)價(jià)主體在聽音過程中因分心、疲勞等原因所產(chǎn)生的誤判會(huì)影響評(píng)價(jià)結(jié)果的可靠性，為此有必要剔除誤判率高的數(shù)據(jù)．綜合考慮交換樣本對(duì)順序誤判分析、相同樣本對(duì)誤判分析和三角循環(huán)誤判，計(jì)算每個(gè)評(píng)價(jià)主體誤判分析加權(quán)一致性系數(shù)，以保證結(jié)果的可靠性，計(jì)權(quán)一致性系數(shù)計(jì)算如式(1)所示．

(1)

式中：ζ為計(jì)權(quán)一致性系數(shù)，Ci為第i種誤判產(chǎn)生的誤判率，Ei為第i種誤判可能誤判數(shù)次數(shù)，計(jì)權(quán)一致性系數(shù)結(jié)果如表1所示．

表1 計(jì)權(quán)一致性系數(shù)

按誤判剔除原則[14]對(duì)不可靠數(shù)據(jù)予以剔除，從表2中剔除P12、P16及P18，余下20名評(píng)價(jià)主體的主觀評(píng)價(jià)數(shù)據(jù)均符合要求．該20名評(píng)價(jià)主體的評(píng)價(jià)結(jié)果經(jīng)求和平均得到各個(gè)聲樣本的主觀偏好性值，如表2所示，主觀偏好值越大代表關(guān)門聲品質(zhì)越好．

表2 各聲樣本主觀偏好性值

1.4 客觀評(píng)價(jià)試驗(yàn)

利用心理聲學(xué)參量進(jìn)行聲品質(zhì)的客觀評(píng)價(jià)，可快速反映出人們心理的主觀感受，有利于聲品質(zhì)評(píng)價(jià)的標(biāo)準(zhǔn)化[15]．選擇響度、尖銳度、粗糙度、波動(dòng)度、語言清晰度、A聲級(jí)進(jìn)行分析，在Artemis中提取各聲樣本的客觀參量如表3所示．

表3 聲樣本客觀參量計(jì)算結(jié)果

1.5 主、客觀評(píng)價(jià)結(jié)果相關(guān)性分析

為研究主觀偏好性值與客觀參量之間的關(guān)系，采用SPSS軟件對(duì)主觀偏好性值與客觀參量進(jìn)行相關(guān)性分析，利用Pearson相關(guān)系數(shù)式(2)判定兩者之間的相關(guān)程度，計(jì)算結(jié)果如表4所示．

表4 客觀參量與主觀偏好性值的相關(guān)性系數(shù)

(2)

式中：P為相關(guān)系數(shù)，N為樣本個(gè)數(shù)，X為客觀參量，Y為主觀偏好性，i為樣本序號(hào)．

由表4可知，A聲級(jí)、響度、尖銳度和粗糙度與主觀偏好性的相關(guān)性最高，表明這4個(gè)客觀參量能夠表征關(guān)門聲的好壞對(duì)主觀偏好性的影響，因此，選擇這4個(gè)客觀參量作為輸入，主觀偏好性值作為輸出，構(gòu)建聲品質(zhì)預(yù)測(cè)模型．

2 關(guān)門聲品質(zhì)GA-SVR預(yù)測(cè)模型

2.1 支持向量回歸

支持向量機(jī)(Support Vector Machine，SVM)是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一類機(jī)械學(xué)習(xí)算法，因其具備簡(jiǎn)潔、快捷的訓(xùn)練方法和強(qiáng)勁的泛化能力，近年來成為主流的機(jī)械學(xué)習(xí)算法之一[16]．支持向量回歸是支持向量機(jī)在回歸問題中的延伸，即SVM中引入ε-不敏感損失函數(shù)后，延伸到SVR．

ε-不敏感損失函數(shù)表達(dá)式如式(3)所示：

(3)

式中：y為真實(shí)值，x為樣本點(diǎn)，f(x)為預(yù)測(cè)值，ε為偏差值．

支持向量回歸優(yōu)化問題如式(4)和式(5)所示：

(4)

s.t.(w·φ(xi)+b)-yi≤ε+ξi

(5)

其決策函數(shù)如式(6)所示：

(6)

(7)

2.2 遺傳算法支持向量回歸

遺傳算法是一種通過模擬自然進(jìn)化過程的隨機(jī)搜索最優(yōu)解的方法，該算法從問題解的串集開始搜索并同時(shí)對(duì)多個(gè)解進(jìn)行評(píng)估，提高搜索效率，減小陷入局部最優(yōu)解的風(fēng)險(xiǎn)，覆蓋面大，有利于全局尋優(yōu)．鑒于遺傳算法的優(yōu)良性質(zhì)，運(yùn)用遺傳算法對(duì)該模型的性能參數(shù)[17](懲罰因子C、偏差值ε和核函數(shù)參數(shù)σ)進(jìn)行尋優(yōu)．

在MATLAB環(huán)境下建立GA-SVR聲品質(zhì)預(yù)測(cè)模型，設(shè)定種群規(guī)模為20，進(jìn)化終止代數(shù)為100，交叉概率為0.9．按4∶1比例將66個(gè)有效聲樣本隨機(jī)劃分為訓(xùn)練樣本集和測(cè)試樣本集，將訓(xùn)練樣本集帶入模型進(jìn)行訓(xùn)練，得到性能參數(shù)最優(yōu)解為：C=121.21，σ=0.2198，ε=0.0874，預(yù)測(cè)模型如式(8)所示．

(8)

由圖2、圖3可知，訓(xùn)練集的平方相關(guān)系數(shù)和測(cè)試集平方相關(guān)系數(shù)分別為R2=0.939 9和R2=0.883 2，均大于85%，說明預(yù)測(cè)模型的精度較高而且泛化能力強(qiáng)．

圖2 訓(xùn)練集預(yù)測(cè)值與試驗(yàn)值對(duì)比

圖3 測(cè)試集預(yù)測(cè)值與試驗(yàn)值對(duì)比

3 GA-SVR聲品質(zhì)預(yù)測(cè)模型應(yīng)用

從22輛樣車中挑選出主觀偏好性表現(xiàn)差的9號(hào)樣車為待改進(jìn)車和主觀偏好性表現(xiàn)好的1號(hào)樣車為對(duì)標(biāo)車，其偏好性指標(biāo)和其各關(guān)門速度工況下的關(guān)門聲樣本時(shí)頻圖如圖4所示．從圖4可以看到各個(gè)頻率下聲音的強(qiáng)度，以及它們與各個(gè)部件模態(tài)特征之間的聯(lián)系[13]．

圖4 9號(hào)車與1號(hào)車各工況時(shí)頻圖對(duì)比

由圖4可知，在各個(gè)工況下，9號(hào)車與1號(hào)車對(duì)比發(fā)現(xiàn)，關(guān)門聲在200～5 000 Hz頻率范圍內(nèi)，都存在一個(gè)高亮光區(qū)域，說明關(guān)門時(shí)都存在一個(gè)主碰撞，且9號(hào)車聲音強(qiáng)度比1號(hào)車大；在主碰撞發(fā)生前還存在低能量碰撞，推測(cè)車門存在異響，并且9號(hào)車在4 000 Hz以上出現(xiàn)高頻，且能量較大，表明9號(hào)車尖銳度比1號(hào)車高；在50～200 Hz范圍內(nèi)，9號(hào)車聲音強(qiáng)度比1號(hào)車大，持續(xù)時(shí)間比1號(hào)車長(zhǎng)，表明9號(hào)車車門板聲輻射較大；在30～50 Hz范圍內(nèi)9號(hào)車聲音的持續(xù)時(shí)間比1號(hào)車長(zhǎng)，表明為振顫特征，并且隨著關(guān)門速度的增加，振顫持續(xù)時(shí)間有增長(zhǎng)的趨勢(shì)．

為減少其車門的聲輻射及振顫，本文建立其有限元模型，應(yīng)用模態(tài)分析方法找出其內(nèi)外板的高靈敏度區(qū)域[18]，通過減小其靈敏度來降低其聲輻射和振顫，從而改善關(guān)門聲品質(zhì)．9號(hào)車車門有限元模型信息如表5、表6所示．

表5 9號(hào)車車門CAE模型信息

表6 9號(hào)車車門材料信息

對(duì)車門模型進(jìn)行約束模態(tài)分析，結(jié)果如圖5所示，車門外板下方區(qū)域靈敏度較高，針對(duì)高靈敏度區(qū)域，在車門鈑金外側(cè)增貼阻尼片以降低鈑金振幅，并進(jìn)行試驗(yàn)驗(yàn)證．

圖5 車門模態(tài)分析結(jié)果

對(duì)改進(jìn)后的9號(hào)車采集關(guān)門聲樣本并提取其客觀參量，如表7所示．

表7 改進(jìn)前、后聲樣本客觀參量對(duì)比

由表7可知，改進(jìn)后的樣車在3種關(guān)門速度工況下，其響度、尖銳度以及粗糙度均有不同程度降低，波動(dòng)度和A聲級(jí)均有不同程度提高．

提取改進(jìn)后聲樣本的客觀參量，將其輸入GA-SVR聲品質(zhì)預(yù)測(cè)模型，得到改進(jìn)后樣車的關(guān)門聲品質(zhì)主觀偏好性預(yù)測(cè)值，并對(duì)改進(jìn)后采集的聲樣本進(jìn)行主觀評(píng)價(jià)試驗(yàn)，獲得主觀偏好性試驗(yàn)值如圖6所示，由圖6可知，改進(jìn)后的主觀偏好值有大幅度提高．

圖6 主觀偏好性值對(duì)比圖

改進(jìn)后的模型預(yù)測(cè)值與主觀評(píng)價(jià)試驗(yàn)值之間的誤差分別為2.8%，1.9%，0.9%，均在3%以內(nèi)，兩者均方根誤差為0.091 5，表明GA-SVR關(guān)門聲品質(zhì)預(yù)測(cè)模型精度高、可靠性高；兩者平方相關(guān)系數(shù)達(dá)到0.981，說明預(yù)測(cè)值與試驗(yàn)值兩者數(shù)據(jù)擬合較好，相關(guān)性高，可以反映試驗(yàn)數(shù)據(jù)的變化趨勢(shì)．

4 結(jié) 論

以乘用車關(guān)門聲品質(zhì)為研究對(duì)象，采集了22輛樣車關(guān)門聲樣本，對(duì)其進(jìn)行了主、客觀評(píng)價(jià)試驗(yàn)．通過相關(guān)性分析以響度、尖銳度、粗糙度和A聲級(jí)為輸入，主觀偏好性值為輸出，構(gòu)建了基于GA-SVR的聲品質(zhì)預(yù)測(cè)模型．對(duì)關(guān)門聲品質(zhì)較差的樣車進(jìn)行了原因分析和聲品質(zhì)改進(jìn)，運(yùn)用有限元分析了該車車門內(nèi)外板靈敏度，對(duì)高度靈敏度區(qū)域增貼阻尼片降低靈敏度，并對(duì)改進(jìn)后的樣車進(jìn)行聲品質(zhì)預(yù)測(cè)．

結(jié)果表明：改進(jìn)后的樣車在3種不同關(guān)門速度工況下，其關(guān)門聲品質(zhì)主觀偏好值均有不同程度的提升，并且對(duì)比主觀偏好預(yù)測(cè)值與試驗(yàn)值，誤差均在3%之內(nèi)，表明基于遺傳算法的SVR聲品質(zhì)預(yù)測(cè)模型精度高．與主觀評(píng)價(jià)試驗(yàn)相比，運(yùn)用GA-SVR聲品質(zhì)預(yù)測(cè)模型能夠節(jié)約大量人力，縮短評(píng)價(jià)周期，且平均相對(duì)誤差僅有1.87%，可靠性高，在工程實(shí)際中具有一定的應(yīng)用價(jià)值．