冯天培 孙跃东 王岩松 周 萍 郭 辉 刘宁宁

1.上海理工大学机械工程学院, 上海, 2000932.上海工程技术大学汽车工程学院, 上海, 201620

基于掩蔽效应的汽车非平稳车内噪声烦恼度评价方法

冯天培1孙跃东1王岩松2周 萍1郭 辉2刘宁宁2

1.上海理工大学机械工程学院, 上海, 2000932.上海工程技术大学汽车工程学院, 上海, 201620

基于采集的汽车加速与匀速运动时车内的噪声，利用参考语义细分法进行噪声烦恼度主观评价试验。考虑掩蔽效应,依据听音评价问卷调查结果，计算加速噪声后半时段和匀速噪声的时变心理声学参量平均值，利用支持向量机创建参量平均值与烦恼度主观评价值间的回归数学模型，建立基于掩蔽效应的非平稳车内噪声烦恼度评价方法。同时计算全部噪声样本的时变心理声学参量平均值并建立基于心理声学参量的烦恼度评价方法。留一法与十折交叉法检验结果表明，两种评价方法对非平稳车内噪声烦恼度的预测精确有效，而基于掩蔽效应的烦恼度评价方法预测结果更加精确、稳定性更高；在加速噪声烦恼度的预测方面，基于掩蔽效应的烦恼度评价方法具有更好的预测性能。

掩蔽效应；非平稳车内噪声；烦恼度；心理声学参量；支持向量机

0 引言

车辆声品质影响车内乘员的乘坐舒适性，是购买汽车产品的主要考虑因素之一。声品质评价包括主观评价与客观量化[1]，在车辆声品质主观评价研究中，一般结合等级评分法、语义细分法等评价方法，采用组织评审团听音评价的方式进行[2]。实际的车辆声品质工程中，主观评价较少直接用于新产品的声品质评价，多用于验证新提出的客观量化方法。基于声品质主观评价数据与声学参量如A计权声压级、响度、尖锐度、粗糙度，利用多元线性回归、人工神经网络与支持向量机等模式识别技术建立符合人耳听觉感知特征且准确度高、实用性强的客观评价方法是车辆声品质评价的研究重点[3-5]。文献[6]利用神经网络建立了汽车非平稳车内噪声烦恼度主观评价值与心理声学客观参量间的非线性映射关系，取得了良好的声品质评价效果。文献[7-9]分别运用多元线性回归、神经网络与支持向量机建立车内声品质客观评价模型，其研究结果表明运用支持向量机建立的模型预测效果最好，更加准确地反映出了心理声学客观参量与主观烦躁度间的非线性关系。

本文采集汽车加速与匀速运动时车内噪声，组织能代表汽车普通购买人群的评审团,利用参考语义细分法进行声品质烦恼度主观评价试验。然后运用支持向量机建立听音评价结果与心理声学参量间的回归模型，构建基于心理声学参量的烦恼度客观评价方法。考虑人耳听觉掩蔽效应，依据主观评价试验问卷调查结果，计算匀速噪声样本时变心理声学参量平均值、加速噪声样本后半时段的时变心理声学参量平均值，运用支持向量机建立基于掩蔽效应的烦恼度评价方法。最后利用留一法与十折交叉验证法对上述两种烦恼度评价方法的预测性能进行检验与对比分析。

1 汽车非平稳车内噪声数据库的建立

参考国家标准GB/T 18697-2002 (声学-汽车车内噪声测量方法)[10]，本文采集汽车匀速与加速工况下车内噪声。试验车辆选择三辆不同品牌的国产轿车，分别标记为A、B、C车，工况设为30 km/h、40 km/h、50 km/h、60 km/h、70 km/h、80 km/h、90 km/h、100 km/h匀速行驶及50～90 km/h、90～120 km/h全油门加速行驶，采集车辆前排司机位、副驾驶位与后排左乘客位双耳处噪声，其中匀速噪声采集时长为5 s，采集设备为丹麦B&K公司的PULSE声音采集系统。每车均进行三次试验，从每个位置采集的三个噪声信号中选取一个采集质量良好的信号作为车内噪声样本，建立本文汽车非平稳车内噪声数据库(共90个噪声样本，包括72个匀速噪声样本与18个加速噪声样本)。

2 心理声学

心理声学包括人耳听觉感知特性与心理声学客观参量等方面的研究[11]，是进行声品质评价研究的基础。车辆噪声经过人耳听觉系统的处理并通过听神经传达至大脑听觉中枢形成听觉，经过人的性格、偏好、情绪、心理活动等主观因素的综合处理得出对噪声的声品质评价，其中听觉掩蔽特性起到重要作用。

2.1 掩蔽效应

掩蔽效应是人耳听觉感知特性之一，指某个声音的闻阈值因另一个声音的存在而上升的现象[12]，其中前者被称为被掩蔽音而后者被称为掩蔽音。时间是影响掩蔽效应的重要参数，根据掩蔽音和被掩蔽音是否同时存在，掩蔽效应可分为同时掩蔽和异时掩蔽，其中异时掩蔽指两个不同时存在但间隔较短的声音之间发生的掩蔽现象。根据掩蔽音和被掩蔽音出现的时序，异时掩蔽可分为前掩蔽与后掩蔽。前掩蔽指人对声音B的感知能力由于另一个较晚发生的较强声音A的存在而降低的现象，如图1a所示。与前掩蔽相反，后掩蔽效应指人对声音B的感知能力由于另一个较早发生的较强声音A的存在而降低的现象，如图1b所示。

(a)前掩蔽效应 (b)后掩蔽效应图1 异时掩蔽效应时序图Fig.1 Non-simultaneous masking effects

2.2 心理声学客观参量

人耳听觉系统对不同频带声音的敏感程度不同，对于低频声音特别是100 Hz以下的可听音较不敏感，而对高频声音特别是1～5 kHz频带内的声音比较敏感。为使声音的客观度量与主观听觉感受取得一致，通过在不同频段上设置一定的衰减来模仿人耳听觉特性的计权网络声压级的概念被提出，用来表征声音对人的主观听觉影响程度。计权声压级共有A、B、C、D四类，其中A声级最常用，被广泛作为衡量产品噪声对用户健康和主观听觉感受干扰程度的标准。随着研究的进一步发展，没有考虑掩蔽效应的A计权声压级不能完全表明噪声的声品质特性[13]。心理声学客观参量的研究较全面地考虑了人耳听觉感知特征等人类听觉主观与客观因素，被越来越多地应用于车辆声品质评价中，常用的有响度、尖锐度、粗糙度、抖动度、音调度、语音清晰度与感觉愉悦度。

A计权声压级、响度、尖锐度与粗糙度常用于建立非平稳车辆声品质客观评价模型[6,14-16]，取得了良好的评价效果，其中响度与A计权声压级对烦恼度的影响权重较大。本文运用B&K公司的Sound Quality软件计算车内噪声数据库内噪声样本的A声级、响度、尖锐度与粗糙度时变值，时间间隔设为50 ms，A车车内80 km/h匀速噪声与B车50～90 km/h车内加速噪声的A声级与响度时变值见图2。匀速噪声的A声级与响度值较为平稳，变化范围较小；加速噪声的A声级、响度在整体上随时间延长而增大，特别是后半时段的量值较大。考虑到前掩蔽效应，加速噪声的这种音量值逐渐增大的情况会对评价者的听音评价产生影响，而匀速噪声的异时掩蔽效应影响则不明显。

(a)A车匀速80 km/h(b)B车50～90 km/h加速图2 A车匀速80 km/h和B车50～90 km/h加速车内噪声的A计权声压级与响度值Fig.2 Loudness and A-weight SPL of the noises measured in A car at 80 km/h and B car accelerating from 50 km/h to 90 km/h

3 车内噪声烦恼度主观评价试验

车辆噪声声品质主观评价以人为主体，能够反映出评价人员对车辆噪声直观全面的主观感受。本文选择烦恼度作为主观评价指标，运用参考语义细分法，组织评审团听音评价，获得汽车非平稳车内噪声的烦恼度主观评价结果。

3.1 评审团

汽车产品的主要顾客是普通消费者，而普通消费者往往不是声品质评价专家。以无听音经验、没有接受过声品质评价系统培训的人员为基础，设计主观评价试验，能够较为客观地反映用户对车辆声品质的感受和需求。本文主观评价试验的目标是获得评审团的车内采集噪声烦恼度主观评价结果，考虑前掩蔽效应对评价人员听音评价的影响，本文同时调查研究不属于听音评价专家的普通用户人群的汽车噪声主观评价情况，特别是对非平稳噪声如加速车内噪声的听音评价情况。基于上述考虑设计了一份听音评价调查问卷(表1)，以高校车辆工程专业在读研究生为评价人员，组织由25人构成的主观评审团[2]，进行本文的非平稳车内噪声烦恼度主观评价试验，在评价人员完成试验后，需要填写调查问卷。所有评价人员听力正常，拥有良好的生理、心理状况。

表1 听音评价试验调查问卷Tab.1 Questionnaire of sound quality subjective evaluation test

3.2 参考语义细分法

等级评分法、成对比较法和语义细分法是较为常用的声品质主观评价方法，其中，语义细分法的评价过程较完善，评价结果相对准确，因而应用较多。语义细分法使用一些意义相反的极性化形容词对来描述噪声样本，如“愉悦—烦恼”，“低沉—响亮”，在词对之间设置 5个或者更多的等级区间与相应的描述词汇，供评价者听音选择。在语义细分法[17]的基础上，参考语义细分法通过增加一个参考噪声样本作为已知的评价标准，来防止由于评价者评价标准的改变而产生偏差。将参考样本与每个待评价的噪声样本组合成试验评价样本，在进行主观评价试验播放试验评价样本时，先播放参考样本，再播放需要评价的噪声样本。评价者根据噪声样本相对于参考样本的区别，选择相应的描述词对噪声样本作出声品质评价。试验结束后给评价词赋值即可得到数值化的结果用于客观分析。

3.3 烦恼度听音评价试验

本文主观评价试验采用参考语义细分法，选择了一些描述烦恼度递增程度的等级评价词，见表2。

表2 参考语义细分法烦恼度等级评价词及相应赋值Tab.2 Graded descriptions of annoyance and rating scores

参考样本的声品质特征应在全体样本中处于中等水平，对比噪声样本的心理声学客观参量值并组织一次简单的主观评价试验，选择C车以60 km/h匀速行驶的驾驶员位置车内噪声作为参考样本，其烦恼度设置为“有些烦恼”，分值为4。利用Adobe Audition软件将参考样本和每个噪声样本组合在一起形成试验评价样本，进行噪声烦恼度主观评价试验。最后将评价人员选择的评价词汇根据表2进行量化，计算每位评价者的Kendall相关系数，剔除3位相关系数较小的评价人员的评价数据，将剩余22位评价人员的评价数据取平均值，即为本文汽车非平稳车内噪声烦恼度主观评价结果。

4 基于心理声学参量的噪声烦恼度评价方法

本节运用支持向量机(support vector machine, SVM)建立噪声心理声学参量与烦恼度主观评价结果间的回归数学模型，构建基于心理声学参量的非平稳车内噪声烦恼度客观评价方法，即PM-AE 方法 (psychoacoustic metrics based annoyance evaluation method) ，利用留一法检验其预测性能。

4.1 支持向量机

设训练集{(x,y)}中x是输入量，y是相应的输出量。支持向量回归机(support vector machine for regression)的基本思想是寻找一个最优分类面使得所有训练样本与该分类面的距离最小。在高维特征空间中，支持向量回归机用于构造线性关系：

f(x)=ωΦ(x)+b

(1)

式中,f(x)为回归方程的预测结果；ω为回归系数向量；Φ(x)为低维特征空间到高维特征空间的非线性映射函数；b为偏置量。

定义ε不敏感损失函数：

(2)

根据结构风险最小化原则并构造Lagrange函数解出ω与b最优值ω*和b*：

(3)

(4)

则线性回归关系式可化为显式：

(5)

4.2 PM-AE方法

计算噪声数据库内噪声样本时变响度、尖锐度、粗糙度和A计权声压级的平均值，作为建立PM-AE模型的自变量，在MATLAB环境中运用SVM构建其与烦恼度主观评价值之间的映射关系，如图3a所示。

(a)基于心理声学参量的客观评价方法

(b)基于掩蔽效应的客观评价方法图3 非平稳车内噪声烦恼度客观评价方法的建立Fig.3 Development of annoyance evaluation methods psychoacoustic metrics and based on masking effect

首先依据留一法建立训练集与测试集并进行归一化处理。在利用SVM建模训练过程中，核函数类型及模型参数如惩罚因子C对模型性能的影响较大，本文选择径向基函数作为核函数，即

K(xi,xj)=exp(-g‖xi-xj‖2)

(6)

并利用交叉验证方法(五折交叉验证模式)寻找建模参数C与g(g为径向基核函数的参数)的最优值，接着利用训练集与最优参数组合进行训练，创建PM-AE模型。最后利用留一法检验该方法的预测性能，验证结果见表3。基于心理声学参量的烦恼度客观评价方法预测精度较高，预测结果较稳定，性能良好，适用于非平稳车内噪声的烦恼度评价；匀速噪声的预测效果较好，而加速噪声的预测效果稍差，反映了对具有非平稳特性的加速噪声声品质客观评价的难度，其预测精度和稳定度需要进一步提高。提高非平稳噪声如加速噪声的声品质评价能力是车辆声品质客观评价的重要方向。

表3 留一法验证PM-AE方法的预测性能Tab.3 Performance of the PE-AE method validated by using leave-one-out

5 基于掩蔽效应的噪声烦恼度评价方法

5.1 主观评价试验调查问卷统计

统计调查问卷的填写情况，共有23位评价者针对加速噪声选择了“后半时段”，其余两人选择“整体噪声”，说明大部分评价人员对加速车内噪声中音量较大较显著的后半部分印象深刻，并在评价时主要依据对噪声后半时段的主观感觉作出声品质评价，说明前掩蔽效应影响了评价者对加速噪声的听音评价；全部评价人员针对匀速时车内噪声均选择“整体噪声”，说明评价者对于具有平稳性质的匀速时车内噪声是根据噪声整体情况进行声品质评价的。

5.2 ME-AE方法

综合前掩蔽效应与问卷调查统计结果，计算匀速噪声样本时变声学参量的平均值、加速噪声样本后半时段的时变声学参量平均值，代表评价人员听音试验的烦恼度评价标准，并作为自变量，在MATLAB软件中运用SVM建立其与烦恼度主观评价值间的回归模型，如图3b所示，建立基于掩蔽效应的非平稳车内噪声烦恼度评价方法，即ME-AE方法(masking effect based annoyance evaluation method)，利用留一法与十折交叉验证法对ME-AE方法的预测性能进行检验。其中SVM核函数同样选择径向基函数，并利用五折交叉验证模式寻找最优建模参数C与g。留一法对ME-AE方法预测性能的检验结果见表4，相比于对匀速噪声烦恼度的预测，ME-AE方法关于加速噪声烦恼度的预测误差平均值下降18.37%，方差下降50%，该方法提高了对车辆加速噪声的声品质预测能力。

表4 留一法验证ME-AE方法预测性能Tab.4 Performance of the ME-AE method validated by using leave--one-out

相对于PM-AE方法，新提出的ME-AE方法关于噪声数据库的烦恼度整体预测精度与稳定度均有较高的提升(见图4)，预测误差平均值减小15.6%，方差减小26.3%，验证了新方法用于车内非平稳噪声烦恼度评价的有效性与高精度；新方法对匀速噪声烦恼度的评价能力有一定的提升；特别在加速噪声烦恼度的预测方面，ME-AE方法取得了较大的性能改进，误差平均值减小41.8%，方差减小66.4%，显示了考虑听觉掩蔽效应的新评价方法对于预测加速噪声声品质的适宜性与精确性。

(a)预测误差的均值

(b)预测误差的方差图4 ME-AE方法与PM-AE方法烦恼度预测性能的留一法检验Fig.4 Performances of the PM-AE and ME-AE methods

最后利用十折交叉验证法对ME-AE方法与PM-AE方法的整体声品质预测性能作进一步检验与对比。10次十折交叉验证试验的测试结果表明PM-AE方法的烦恼度预测均方根误差平均值为0.4509，方差为0.0115；利用同样的训练集和测试集，ME-AE方法预测的均方根误差平均值为0.4288，与PM-AE相比较减小4.9%，方差为0.0106，减小率为8.5%。利用十折交叉验证法检验进一步证明了新提出的ME-AE方法用于车内非平稳噪声烦恼度评价的有效性，其预测精度和稳定性有进一步的提高。考虑听觉掩蔽效应与声品质主观评价试验听音评价情况，本文提出并建立的基于掩蔽效应的非平稳车内噪声烦恼度客观评价方法预测精度高，稳定性好，更适于非平稳车内噪声如加速噪声的声品质评价。

6 结语

车辆噪声声品质客观评价方法一般选择A计权声压级与响度、尖锐度与粗糙度等心理声学客观参量，建立声品质客观量化模型。本文采集加速与匀速工况下车内噪声，考虑前掩蔽效应与声品质主观评价试验中评价人员的听音评价情况，特别是对加速噪声的听音评价情况，设计调查问卷并统计结果，选择匀速噪声样本时变响度、尖锐度、粗糙度和A声级的平均值、加速噪声样本后半时段时变声学参量的平均值，运用支持向量机建立基于掩蔽效应的非平稳车内噪声烦恼度客观评价方法，即ME-AE方法。同样利用支持向量机建立基于心理声学参量的非平稳车内噪声烦恼度客观量化方法，即PM-AE方法，其中以全体噪声样本的时变声学参量平均值，作为建立PM-AE模型的自变量。留一法与十折交叉验证法对PM-AE方法与新提出的ME-AE方法预测性能的检验结果显示，两种方法均适用于汽车车内非平稳噪声烦恼度的评价；而ME-AE方法预测精度和稳定性更高，特别在加速噪声的烦恼度评价方面，其预测性能有较大的提高。本文提出的基于掩蔽效应的车内噪声烦恼度评价方法更适用于非平稳车辆噪声的声品质评价。

[1] 王登峰, 刘宗巍, 梁杰, 等. 车内噪声品质的主观评价试验与客观量化描述[J]. 吉林大学学报(工学版),2006,36(增刊2):41-45.

WANG Dengfeng, LIU Zongwei, LIANG Jie, et al. Subjective Evaluation Test and Objective Quantificational Description of Vehicle Interior Noise Quality[J]. Journal of Jilin University (Engineering and Technology Edition),2006,36(S2):41-45.

[2] OTTO N, AMMAN S, EATON C, et al. Guidelines for Jury Evaluations of Automotive Sounds [J]. SAE Transactions,2000,108(6):3015-3034.

[3] RONACHER A W, HUSSAIN M, BIERMAYER W, et al. Evaluating Vehicle Interior Noise Quality under Transient Driving Conditions[J]. SAE Technical Paper,1999-01-1683.

[4] YOON J H, 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 Model [J]. Applied Acoustics,2012,73(11):1099-1103.

[5] LIU H, ZHANG J H, GUO P, et al. Sound Quality Prediction for Engine-radiated Noise [J]. Mechanical System and Signal Processing,2015,56/57:277-287.

[6] WANG Y S, SHEN G Q, XING Y F. A Sound Quality Model for Objective Synthesis Evaluation of Vehicle Interior Noise Based on Artificial Neural Network [J]. Mechanical System and Signal Processing,2014,45(1):255-266.

[7] 申秀敏, 左曙光, 何吕昌, 等. 车内噪声声品质的神经网络预测[J]. 声学技术,2009,28(3):264-268.

SHEN Xiumin, ZUO Shuguang, HE Lüchang, et al. BP Neural Network Prediction of Car Interior Sound Quality [J]. Technical Acoustics,2009,28(3):264-268.

[8] 申秀敏, 左曙光, 李林, 等. 车内噪声声品质的支持向量机预测[J]. 振动与冲击,2010,29(6):66-68.

SHEN Xiumin, ZUO Shuguang, LI Lin, et al. Interior Sound Quality Forecast for Vehicles Based on Support Vector Machine [J]. Journal of Vibration and Shock,2010,29(6):66-68.

[9] 贺岩松, 涂梨娥, 徐中明, 等. 支持向量机在汽车加速车内声品质预测中的应用[J]. 汽车工程,2015,37(11):1328-1333.

HE Yansong, TU Li’e, XU Zhongming, et al. The Application of Support Vector Machine to the Prediction of Vehicle Interior Sound Quality during Acceleration [J]. Automotive Engineering,2015,37(11):1328-1333.

[10] 中国国家质量监督检验检疫总局,中国国家标准化管理员会. GB/T 18697-2002声学—汽车车内噪声测量方法[S].北京：中国标准出版社，2002.

General Administration of Quality Supervision, Inspection and Quarantine of China (AQSIQ).GB.T 18697-2002 Acoustic-Measurementof Noise inside Motor Vehicles[S]. Beijing:Standards Press of China,2002.

[11] ZWICKER E, FASTL H. Psychoacoustics: Facts and Models [M]. Berlin: Springer,1999.

[12] 薛年喜, 贾永乐, 关碧华. 掩蔽效应在有源噪声控制中的应用[J]. 电声技术,2004(4):56-60.

XUE Nianxi, JIA Yongle, GUAN Bihua. Application of Masking Effect in Active Noise Control [J]. Audio Engineering,2004(4):56-60.

[13] XING Y F, WANG Y S, SHI L, et al. Sound Quality Recognition Using Optimal Wavelet-packet Transform and Artificial Neural Network Methods[J]. Mechanical Systems and Signal Processing,2016,66/67:875-892.

[14] LEE S K. Objective Evaluation of Interior Sound Quality in Passenger Cars during Acceleration[J]. Journal of Sound and Vibration,2008,310(1/2):149-168.

[15] 梁杰, 孙强, 卢鹏宇, 等. 加速工况下车内噪声品质烦躁度的评价研究[J]. 汽车技术, 2010(3):20-25.

LIANG Jie, SUN Qiang, LU Pengyu, et al. Research on Sound Quality Annoyance Evaluation for Vehicle Interior Noise during Acceleration [J]. Automobile Technology,2010(3):20-25.

[16] 徐中明, 谢耀仪, 贺岩松, 等. 基于粒子群-向量机的汽车加速噪声评价[J]. 振动与冲击,2015,34(2):25-29.

XU Zhongming, XIE Yaoyi, HE Yansong, et al. Evaluation of Car Interior Sound Quality Based on PSO-SVM [J]. Journal of Vibration and Shock,2015,34(2):25-29[17] 毛东兴, 张宝龙. 采用参考激励信号的语义细分法主观声品质评价[J]. 声学技术,2006,25(6):560-567.

MAO Dongxing, ZHANG Baolong. Performance of Semantic Differential Method with an Anchor Stimulus in Subjective Sound Quality Evaluation [J]. Technical Acoustics,2006,25(6):560-567.

AnnoyanceSubjectiveEvaluationMethodofAutomotiveInteriorNonstationaryNoisesBasedonHumanAuditoryMaskingEffect

FENG Tianpei1SUN Yuedong1WANG Yansong2ZHOU Ping1GUO Hui2LIU Ningning2

1.School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai, 200093 2.Automotive Engineering College, Shanghai University of Engineering Science, Shanghai, 201620

Based on the collected interior noises of passenger cars running at accelerating or constant speeds, a subjective evaluation test of vehicle noise annoyance was conducted using anchored semantic differential method herein. Considering masking effect and questionnaire results of the sound quality subjective estimation experiments, the average values of time-varying psychoacoustic parameters of noise samples at constant speeds and the second half of the accelerating noise samples were calculated as independent variables, a regression mathematical relation among the average values and subjective evaluation results of annoyance was built using SVM technique. A masking effect based annoyance evaluation method (ME-AE method) was developed. Furthermore, by calculating average values of time-varying psychoacoustic parameters of all noise samples, a psychoacoustic metrics based annoyance evaluation method (PM-AE method) was developed using SVM. Results of leave-one-out and 10-fold cross-validating experiments suggest that the two annoyance subjective evaluation methods are effective in predicting vehicle interior nonstationary noises with high accuracy. And the proposed ME-AE method is more accurate and stable. Especially for predicting the annoyance of acceleration noises, the new method achieves greater improvements.

masking effect; vehicle interior nonstationary noise; annoyance; psychoacoustic metrics; support vector machine(SVM)

2016-11-02

国家自然科学基金资助项目(51675324,51175320)

TB535；U467.4

10.3969/j.issn.1004-132X.2017.24.004

(编辑王艳丽)

冯天培，男，1988年生。上海理工大学机械工程学院博士研究生。主要研究方向为车辆NVH分析与测控。孙跃东(通信作者)，男，1965年生。上海理工大学机械工程学院教授、博士研究生导师。E-mail: syd@usst.edu.cn。王岩松，男，1971年生。上海工程技术大学汽车工程学院教授。周萍，女，1964年生。上海理工大学机械工程学院副教授。郭辉，男，1981年生。上海工程技术大学汽车工程学院教授。刘宁宁，男，1987年生。上海工程技术大学汽车工程学院助理实验师。