基于TNR和PR衍生特征參量的柴油機(jī)聲品質(zhì)預(yù)測研究

周啟迪,孫婷婷,張忠偉,許春光,丁寧,李一帆,李滿

(中國北方發(fā)動(dòng)機(jī)研究所(天津),天津 300406)

隨著消費(fèi)者對NVH性能要求的提升,聲品質(zhì)成為車輛市場競爭力的關(guān)鍵屬性。針對聲品質(zhì)主觀評價(jià)成本高、效率低的問題,以聲品質(zhì)客觀評價(jià)指標(biāo)為輸入,構(gòu)建聲品質(zhì)主客觀預(yù)測模型對快速聲學(xué)開發(fā)具有重要意義。聲品質(zhì)客觀評價(jià)指標(biāo)是為了表征主觀感受而提出的物理參量,其客觀評價(jià)體系主要分為兩類:物理聲學(xué)和心理聲學(xué)參量、基于信號(hào)處理衍生的特征參量。文獻(xiàn)[1]以響度、尖銳度、粗糙度、抖動(dòng)度、語義清晰度及其變化率作為兩級評價(jià)指標(biāo),基于多元線性回歸分析進(jìn)行柴油機(jī)加速聲品質(zhì)預(yù)測研究。文獻(xiàn)[2]以峰值響度、低頻能量、響度特征譜包絡(luò)和平均尖銳度為評價(jià)指標(biāo),形成了有效的汽車關(guān)門聲品質(zhì)預(yù)測和診斷流程。文獻(xiàn)[3]提取汽車起動(dòng)階段、停止階段和平穩(wěn)運(yùn)行階段的瞬態(tài)噪聲的聲品質(zhì)客觀評價(jià)參量,基于BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了轎車車窗上升過程的聲品質(zhì)有效預(yù)測。文獻(xiàn)[4]以噪聲信號(hào)分解分量的樣本熵作為聲品質(zhì)評價(jià)客觀參量,并進(jìn)行聲品質(zhì)主、客觀相關(guān)性關(guān)系,結(jié)果顯示IMF樣本熵對主觀評價(jià)具有很好的表征性。文獻(xiàn)[5]以EEMD分解分量的臨界頻帶計(jì)權(quán)能量作為聲品質(zhì)客觀評價(jià)參量,其對主觀評價(jià)結(jié)果具有很高的表征性?；谙冗M(jìn)信號(hào)處理技術(shù)提取的特征參量在一定場景下具有很好的相關(guān)性,但相對心理聲學(xué)參量缺乏主觀感知表征意義,因此,基于聲學(xué)和心理聲學(xué)參量進(jìn)行聲品質(zhì)預(yù)測在車輛和內(nèi)燃機(jī)領(lǐng)域得到廣泛應(yīng)用。

聲品質(zhì)預(yù)測模型通過構(gòu)建主客觀間的關(guān)系,實(shí)現(xiàn)聲品質(zhì)快速評價(jià)。多元線性回歸、BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)[6]、GA-小波神經(jīng)網(wǎng)絡(luò)[4]、支持向量機(jī)[7]、遺傳支持向量機(jī)[8]、深度置信神經(jīng)網(wǎng)絡(luò)[9](deep belief networks,DBN)、深度卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)[10]、基于自適應(yīng)學(xué)習(xí)樹的深度卷積神經(jīng)網(wǎng)絡(luò)(ALRT-CNN)[11]、融合卷積神經(jīng)網(wǎng)絡(luò)-長短時(shí)記憶網(wǎng)絡(luò)(CNN-LSTM)[12]等模型被廣泛應(yīng)用到多個(gè)領(lǐng)域。綜合現(xiàn)有研究成果可知,支持向量機(jī)(support vector machines,SVM)和深度神經(jīng)網(wǎng)絡(luò)方法在非線性預(yù)測方面具有更大的優(yōu)勢。

柴油機(jī)噪聲特征復(fù)雜,不同柴油機(jī)的聲學(xué)問題存在較大的差異性,而目前聲品質(zhì)客觀量化指標(biāo)難以有效地對嘯叫、刺耳特征進(jìn)行表征,無法有效地針對異響導(dǎo)致的聲品質(zhì)進(jìn)行預(yù)測,基于此,本研究構(gòu)建了音噪比(tone-to-noise ratio,TNR)和突出比(prominence ratio,PR)的頻域衍生特征參量,完善了聲品質(zhì)客觀評價(jià)體系,構(gòu)建聲品質(zhì)主客觀非線性回歸模型,為柴油機(jī)聲品質(zhì)預(yù)測提供指導(dǎo)。

1 基本理論

1.1 聲品質(zhì)預(yù)測研究技術(shù)路線

在半消聲室進(jìn)行柴油機(jī)噪聲測試,構(gòu)建TNR和PR頻域衍生特征參量,結(jié)合時(shí)、頻域特征完善了聲品質(zhì)客觀評價(jià)體系,基于SVM模型構(gòu)建聲品質(zhì)預(yù)測模型,并檢驗(yàn)預(yù)測模型精度,技術(shù)路線如圖1所示。

圖1 聲品質(zhì)預(yù)測研究技術(shù)路線

1.2 語義干擾級

為了量化噪聲產(chǎn)生的干擾,Beranek[14]提出了語音干擾級(speech interference level,SIL)的量化指標(biāo);隨著優(yōu)先倍頻帶的提出,發(fā)展出了優(yōu)先語義干擾級(preferred speech interference level,PSIL)的概念,具體計(jì)算如下。

使用中心頻率為500 Hz,1 000 Hz,2 000 Hz的倍頻程帶聲壓級計(jì)算優(yōu)先語義干擾級,如式(1)所示。

(1)

式中:LP500,LP1000和LP2000分別為中心頻率在500 Hz,1 000 Hz和2 000 Hz的倍頻帶聲壓級。

1.3 TNR和PR頻域衍生特征參量提取

音噪比[14](tone-to-noise ratio,TNR)定義為單調(diào)聲能量與單調(diào)聲所處臨界頻帶內(nèi)其他噪聲能量的比值,其他噪聲能量即為臨界頻帶的總能量和單調(diào)噪聲能量的差值,計(jì)算如式(2)所示。

(2)

式中:Wt為單調(diào)聲的能量;Wn為單調(diào)聲所在臨界帶其他噪聲能量。

突出比(prominence ratio,PR)定義為單調(diào)聲所在臨界頻帶的聲音能量與其相鄰臨界頻帶平均聲音能量的比值,計(jì)算如式(3)所示。

(3)

式中:WM為單調(diào)聲所在臨界頻帶的聲能量;WL為WM相鄰低臨界頻帶的聲能量;WU為WM相鄰高臨界頻帶的聲能量。以某一模擬信號(hào)為例進(jìn)行PR定義說明,如圖2所示,Δf0為單調(diào)聲所在臨界頻帶帶寬,圖中單調(diào)聲頻率為1 000 Hz,根據(jù)臨界頻帶的定義可知,Δf0為920～1 080 Hz。同理,ΔfL為單調(diào)聲所在臨界頻帶相鄰低臨界頻帶帶寬,對于該模擬信號(hào)ΔfL為770～920 Hz, ΔfU為單調(diào)聲所在臨界頻帶相鄰高臨界頻帶帶寬,對于該模擬信號(hào)ΔfU為1 080～1 270 Hz。

圖2 PR示意

根據(jù)TNR和PR定義可知,TNR和PR均屬于描述相對顯著程度的客觀參量。TNR對主觀感受的影響不僅僅受純音本身能量影響,還與純音所在臨界頻帶的其他噪聲能量相關(guān)。PR同樣受純音所在臨界頻帶的能量,以及純音所在臨界頻帶左右相鄰的兩個(gè)臨界頻帶的噪聲能量影響。因此TNR和PR的引入,為異響和嘯叫主觀感受有效的診斷提供可能。

當(dāng)TNR和PR在全臨界頻帶數(shù)值不大時(shí),在某一個(gè)頻帶里TNR和PR峰值很大,仍可能出現(xiàn)強(qiáng)烈的刺耳感,因此需要提取TNR和PR的頻域特征。構(gòu)建聲品質(zhì)客觀評價(jià)頻域衍生特征參量,包括突出比MAP頻域峰值,音噪比MAP頻域峰值,突出比MAP頻域均方根值,音噪比MAP頻域均方根值。圖3和圖4分別示出發(fā)動(dòng)機(jī)聲品質(zhì)突出比MAP和音噪比MAP頻域衍生參量提取結(jié)果。

圖3 突出比頻域衍生特征參量

圖4 音噪比MAP頻域衍生參量

2 柴油機(jī)噪聲測試

本試驗(yàn)采用5點(diǎn)法進(jìn)行整機(jī)噪聲測試,如圖5所示。在半消聲室進(jìn)行柴油機(jī)噪聲測試,麥克風(fēng)測點(diǎn)分別放置在柴油機(jī)前、后、左、右、頂側(cè)1 m位置,測試系統(tǒng)是由LMS采集前端、PCB麥克風(fēng)和筆記本電腦組成,采樣頻率為40 960 Hz,頻率分辨率設(shè)置為1 Hz,測試時(shí)間為10 s,測試工況為不同轉(zhuǎn)速、不同負(fù)荷的典型工況。為了減少氣動(dòng)噪聲的干擾,將進(jìn)、排氣管引出室外,同時(shí)拆除風(fēng)扇,并采用吸聲材料將排氣管進(jìn)行包裹。

圖5 柴油機(jī)噪聲測試

3 柴油機(jī)噪聲主觀評價(jià)

柴油機(jī)噪聲特征復(fù)雜多變,相近工況噪聲特征差異性較小,非專業(yè)人士組成評審團(tuán)隊(duì)難以準(zhǔn)確區(qū)分樣本細(xì)小特征變化的差異,同時(shí),非專業(yè)人士在評價(jià)過程可能出現(xiàn)判斷標(biāo)準(zhǔn)偏移的問題,導(dǎo)致評價(jià)結(jié)果可信度和一致性低。基于上述考慮,本研究選取20個(gè)內(nèi)燃機(jī)專業(yè)人士組建評審團(tuán)隊(duì)。主觀評價(jià)聽審設(shè)備包括筆記本電腦、外接聲卡、高保真耳機(jī)。

分組成對比較法(grouped pair-wise comparison,GPC)具有成對比較法精度高的優(yōu)點(diǎn),同時(shí),可極大提升大規(guī)模樣本評價(jià)效率。本研究采用GPC法進(jìn)行聲音樣本主觀評價(jià),該方法通過構(gòu)建關(guān)聯(lián)樣本,將大規(guī)模樣本分成多個(gè)具有相互關(guān)聯(lián)的樣本組,最后通過反演計(jì)算獲得全部樣本的評價(jià)結(jié)果。GPC的計(jì)算原理參考文獻(xiàn)[15],不再贅述。

4 柴油機(jī)聲品質(zhì)客觀評價(jià)參量

聲品質(zhì)客觀評價(jià)指標(biāo)是為了表征主觀感受而提出的物理參量,本研究在傳統(tǒng)客觀評價(jià)參量,即A計(jì)權(quán)聲壓級、響度、尖銳度、粗糙度、抖動(dòng)度、語義清晰度的基礎(chǔ)上,引入語義干擾級SIL3,構(gòu)建柴油機(jī)聲品質(zhì)時(shí)域客觀評價(jià)參量體系,如圖6所示。為了減少偶然因素的干擾,保證計(jì)算精度,窗長度為1 s,步長為0.5 s,重疊為50%。

圖6 聲品質(zhì)時(shí)域客觀參量

根據(jù)構(gòu)建的TNR頻域衍生特征參量,發(fā)現(xiàn)不同工況樣本TNR頻域平均有效值基本相同,如圖7所示,因此,該參量無法有效量化聲音特征的變化,不能作為柴油機(jī)聲品質(zhì)客觀評價(jià)參量。綜合考慮柴油機(jī)聲品質(zhì)時(shí)頻特征,即傳統(tǒng)聲品質(zhì)時(shí)域評價(jià)參量、SIL3、突出比MAP頻域峰值、音噪比MAP頻域峰值、突出比MAP頻域均方根值,形成完善的聲品質(zhì)客觀評價(jià)體系,為聲品質(zhì)預(yù)測研究提供輸入。

圖7 不同工況噪聲樣本的TNR頻域平均有效值

5 柴油機(jī)聲品質(zhì)主客觀預(yù)測研究

主觀評價(jià)的精度和效率受樣本容量限制,而深度神經(jīng)網(wǎng)絡(luò)在建模過程需要大量的數(shù)據(jù)樣本,因SVM模型在小樣本非線性擬合問題具有很高的精度,受主觀評價(jià)樣本容量的限制,本研究采用SVM方法進(jìn)行柴油機(jī)聲品質(zhì)主客觀預(yù)測模型構(gòu)建。

5.1 SVM回歸理論

假設(shè)訓(xùn)練樣本集為{(xi,yi),i=1,2,3,…N},N為樣本數(shù),xi為第i個(gè)輸入樣本,yi為對應(yīng)的第i個(gè)輸出樣本,支持向量機(jī)回歸模型為

f(x)=wΦ(x)+b。

(4)

式中:w為超平面權(quán)系數(shù)向量;Φ(x)為低緯向高緯特征空間的映射關(guān)系;b為偏移量。

引入懲罰因子c以及松弛因子ξi和ξi*,支持向量回歸機(jī)的求解轉(zhuǎn)化為優(yōu)化問題,如式(5)所示:

(5)

引入拉格朗日乘子,式(5)可轉(zhuǎn)化為式(6):

(6)

(7)

將式(7)代入式(6),可得到式(5)的對偶形式:

(8)

引入核函數(shù)K(x,xi)=Φ(x)·Φ(xi),將高緯空間內(nèi)積計(jì)算轉(zhuǎn)化為低緯空間函數(shù)計(jì)算,獲得支持向量機(jī)回歸模型:

(9)

SVM回歸模型中懲罰因子c、核函數(shù)、核函數(shù)參數(shù)g對結(jié)果影響較大,其中c表示誤差容限,核函數(shù)的類型和參數(shù)g的選擇決定了樣本在高緯空間的分布,直接影響了SVM回歸模型的精度。目前常用來進(jìn)行映射分析的SVM核函數(shù)主要包括4種。

1) 線性核函數(shù):

K(x,y)=〈x,y〉;

(10)

2) 多項(xiàng)式核函數(shù):

K(xi,x)=[xi,x+d]p;

(11)

3) 高斯RBF核函數(shù):

K(xi,x)=exp(-gxi-x2);

(12)

4) Sigmoid核函數(shù):

K(xi,x)=tanh(κxi,x+v)。

(13)

通過預(yù)測組樣本的最小均方誤差(mean square error,MSE)和復(fù)相關(guān)系數(shù)R2(squared correlation coefficient)結(jié)果進(jìn)行精度檢驗(yàn)。MSE和R2計(jì)算公式如下所示:

(14)

(15)

5.2 柴油機(jī)聲品質(zhì)預(yù)測研究

為了全面地反映柴油機(jī)聲品質(zhì)特征,本研究考慮聲品質(zhì)時(shí)、頻域特征構(gòu)建完善的客觀評價(jià)體系,即時(shí)域特征參量A-SPL、響度、尖銳度、粗糙度、抖動(dòng)度、語義清晰度和SIL3,聲品質(zhì)頻域特征參量TNR頻域峰、PR頻域平均有效值、PR頻域平均有效值,共10個(gè)聲品質(zhì)客觀評價(jià)參量。

為了對比傳統(tǒng)時(shí)域聲品質(zhì)客觀評價(jià)參量和本研究提出的綜合考慮時(shí)頻域特征的參量在聲品質(zhì)預(yù)測精度的差異性,針對待測32個(gè)噪聲樣本,隨機(jī)選擇24個(gè)樣本為建模組,8個(gè)樣本為預(yù)測組,基于SVM方法構(gòu)建柴油機(jī)聲品質(zhì)主客觀預(yù)測模型,SVM核函數(shù)為RBF核函數(shù)。

以傳統(tǒng)聲品質(zhì)客觀參量作為預(yù)測模型的輸入,具體參量包括A計(jì)權(quán)聲壓級、響度、尖銳度、粗糙度、抖動(dòng)度、語義清晰度。基于SVM方法進(jìn)行柴油機(jī)聲品質(zhì)預(yù)測,結(jié)果如圖8所示,主觀評價(jià)結(jié)果的真實(shí)值來源于文章第3部分,主觀評審團(tuán)成員基于分組成對比較法打分獲得,主觀評價(jià)的預(yù)測值是聲品質(zhì)預(yù)測模型計(jì)算結(jié)果。建模組樣本預(yù)測結(jié)果為MSE=0.040 2,R2=0.891 8,預(yù)測組樣本預(yù)測結(jié)果為MSE=0.079 3,R2=0.779 6。由于建模組和預(yù)測組樣本預(yù)測結(jié)果復(fù)相關(guān)系數(shù)較低,因此,基于傳統(tǒng)客觀參量進(jìn)行聲品質(zhì)預(yù)測精度較低。

圖8 基于傳統(tǒng)客觀參量的聲品質(zhì)預(yù)測結(jié)果

綜合考慮聲品質(zhì)時(shí)、頻特征,選擇A計(jì)權(quán)聲壓級、響度、尖銳度、粗糙度、抖動(dòng)度、語義清晰度、頻域TNR峰值、頻域PR峰值、頻域PR平均有效值、SIL3構(gòu)建的客觀評價(jià)體系作為預(yù)測模型輸入,基于SVM方法進(jìn)行柴油機(jī)聲品質(zhì)預(yù)測,結(jié)果如圖9所示。建模組樣本預(yù)測結(jié)果為MSE=0.007 8,R2=0.976 2,預(yù)測組樣本預(yù)測結(jié)果為MSE=0.015 3,R2=0.981 9,柴油機(jī)聲品質(zhì)預(yù)測精度很高。

傳統(tǒng)客觀參量難以量化刺耳感,導(dǎo)致預(yù)測精度不足。而綜合考慮聲品質(zhì)時(shí)頻域客觀參量構(gòu)建預(yù)測模型具有更高的預(yù)測精度,即MSE更趨近于0,R2更趨近于1,本研究提出的聲品質(zhì)預(yù)測方法可為柴油機(jī)聲學(xué)開發(fā)提供指導(dǎo)。

6 結(jié)論

本研究構(gòu)建了TNR和PR衍生特征參量,具體為突出比MAP頻域峰值,音噪比MAP頻域峰值,突出比MAP頻域均方根值,結(jié)合時(shí)、頻域特征完善了聲品質(zhì)客觀評價(jià)體系,采用SVM方法構(gòu)建了高精度的聲品質(zhì)預(yù)測模型,具體結(jié)論如下:

a) 基于傳統(tǒng)客觀評價(jià)參量進(jìn)行柴油機(jī)聲品質(zhì)預(yù)測,預(yù)測組樣本預(yù)測結(jié)果為MSE=0.079 3,R2=0.779 6,由于傳統(tǒng)客觀評價(jià)參量缺乏刺耳感、嘯叫特征的表征參量,導(dǎo)致聲品質(zhì)預(yù)測精度較低;

b) 通過構(gòu)建TNR和PR頻域衍生特征參量,綜合考慮聲品質(zhì)時(shí)頻特征相對傳統(tǒng)客觀參量具有更高的預(yù)測精度,預(yù)測組樣本預(yù)測結(jié)果為MSE=0.015 3,R2=0.981 9。