姜顺明，王智锰，周 涛，匡志豪

（江苏大学 汽车与交通工程学院，江苏 镇江 212013）

车内NVH（noise，vibration，harshness）性能是衡量汽车品质的一个重要指标。而声品质因其准确反映了乘员对于车内噪声的主观感受，成为近几年车内NVH研究的热点。良好的车内声品质不仅能增强驾乘舒适性，还能提高驾驶员的驾驶体验。目前国内外学者对于车内声品质已有诸多研究，但多是基于烦恼度或者是舒适性等单一的评价指标建立声品质评价模型［1，2］。然而，乘员对于车内声的感受具有多维性，除了舒适性之外，运动感也是重要的一个维度。因此，要全面、切实地反映乘员的听觉感受，对车内声品质进行多维度评价是非常必要的。通过对车内声品质多维度评价，不仅可以实现对车内声品质的更全面辨识，还为车内声学多模式、个性化、智能化设计奠定基础，提高车型以及品牌辨识度。

国外对于车内声运动感评价已有部分研究，Bisper［3］与Kubo［4］研究发现，评审团对车辆全油门和匀速工况下的车内声品质主观评价结果有明显区别。基于因素分析，建立了运动感多元线性回归模型，Lee等［5］分析了运动感声品质与粗糙度和尖锐度的关系，建立了粗糙度和尖锐度与运动感声品质的多元线性回归模型。但是多元线性回归模型并不能完全表达心理声学参数与主观评价结果之间的映射关系［6］，预测误差较大。

GA-BP神经网络模型因其非线性映射能力强、预测精度高、容错性好的特点，近年来开始较多应用于车内声品质预测。因此，针对上述问题，本文将对不同车辆行驶工况下噪声样本分别进行舒适性和运动感两个维度下声品质主、客观评价，分别建立基于多元线性回归和GA-BP算法的线性与非线性的车内声品质多维度评价模型，并对模型预测精度进行对比分析。

1 多维度车内声品质主观评价

1.1 样本采集及处理

选取某国产SUV为研究对象。分别采集车辆匀速和加速2种工况下的车内噪声信号（图1），其中：匀速工况包括了从30 km／h到100 km／h共计20组噪声样本；加速工况包括了从半油门到全油门以及急加速与缓慢加速共计20组噪声样本。

图1 噪声采集试验车内布置及噪声采集设备

乘员对于匀速工况和加速工况下车内噪声的主观感受有明显区别，故选取匀速工况样本作为舒适性维度评价样本，加速工况样本作为运动感维度评价样本。对40组噪声样本进行滤波、剪辑处理，每段样本剪辑为5 s，剔除匀速工况和加速工况下受严重干扰的样本各5组，得到两个维度下各15个主、客观评价样本。

1.2 主观评价试验

参与主观评价实验的评价人员由高校教师、NVH工程师、车辆工程专业学生组成，共计30名评价人员，其中男性18人，女性12人。在主观评价试验之前，对所有评价者进行听音培训，对舒适性和运动感做必要说明。

采用成对比较法分别对两个维度下声品质进行主观评价。评价过程中，评价者对所有样本进行两两评价。在2个声品质维度评价过程中，在每组评价测试中，A、B两个样本得分按如下规则：若A的主观感受强于B，记A得1分，反之B得1分；若A与B的主观感受相同，记为0分。

1.3 主观评价校验及结果

首先采用三角循环误判检验法对各评价者的评价结果进行检验［7］，对于每组评价测试，若出现式（1）中的3种情况，则视为误判。

式（1）中：i、j、k为任意3个样本；Pij、Pjk、Pik分别表示i与j、j与k、i与k成对比较时的评价结果。

然后对所有评价者两个维度下的评价结果做Kendall一致性分析。得到每个评价者的Kendall相关系数值。其中，对于舒适性校验结果，剔除4位误判数较大以及3位Kendall相关系数低于0.7共计8位评价者的评价数据；对于运动感校验结果，剔除4位误判数较大以及4位Kendall相关系数低于0.7共计7位评价者样本。对剩余的22个运动感和23个舒适性评价者的评价结果做算术平均处理，最终得到各维度下样本的主观评价结果，如图2所示。

图2 主观评价结果

舒适性噪声的频谱成分主要由发火阶及其谐波阶次组成，半阶成分以及高阶成分较少，而运动型噪声的频谱成分则没有主导阶次，多由高阶以及半阶成分为主，噪声没有明显的峰值，两者有明显区别。图3为分别对舒适型主观评价得分最高样本S7和运动型主观评价的得分最高样本Y7进行频谱分析得到的瀑布图。

2 多维度声品质多元线性回归模型

2.1 心理声学参数计算

利用Matlab建立心理声学参数模型，并对两个维度下的各样本计算其心理声学参数值，包括响度、尖锐度、粗糙度、抖动度、AI指数、音调度6个参数值，如表1与表2所示。

图3 瀑布图

表1 舒适性维度心理声学参数值

表2 运动感维度心理声学参数值

2.2 主客观评价结果相关分析

对两个维度下各样本的心理声学参数值与主观评价结果做线性相关分析［8］，得到相应的线性相关系数。

从图4可知：舒适性声品质与响度、尖锐度的相关性比较高，而粗糙度对舒适性贡献稍小，而运动感主要与粗糙度和尖锐度相关，响度贡献较少，其他的心理声学参数与主观评价结果的相关性几乎为零，不做考虑。

图4 主、客观评价结果相关系数

2.3 多维度声品质多元线性回归模型

由本文相关分析结果可知，响度、尖锐度、粗糙度与两个维度下的主观评价结果相关性较高，而其他参量相关性很低，因此采用响度、尖锐度、粗糙度建立多维度的声品质多元线性回归模型。

将表1、表2中前12组样本的心理声学参数值与主观评价结果导入SPSS软件之中进行回归分析，得到两个维度下多元线性回归分析结果。如表3、4所示。

其中舒适性和运动感维度多元线性回归模型分别如式（2）和式（3）所示。

其中：S和Y分别为舒适性和运动感得分；x1为响度值；x2为尖锐度值；x3为粗糙度值。

表3 舒适性多元线性回归分析结果

表4 运动感多元线性回归分析结果

3 多维度声品质GA-BP评价模型

3.1 GA-BP算法结构

从以往对声品质的研究可知，声品质客观参数与主观评价结果之间往往存在着复杂的非线性关系，多元线性回归模型很难描述声品质主、客观评价之间的映射关系，因此本文利用BP（Back propagation）神经网络来建立心理声学客观参数与主观评价值之间的非线性映射关系，同时利用GA（Genetic Algorithms）对神经网络的初始权值和阈值进行优化，提高模型预测精度和稳定性。GA-BP声品质预测算法框图如图5所示。

3.2 GA-BP评价模型参数设定与训练

对于一般的模型预测问题，单隐含层的神经网络模型就可以满足要求，而隐含层神经元个数n2和输入层神经元个数n1关系如下：

将响度、尖锐度、粗糙度作为舒适性和运动感两个维度声品质GA-BP模型的输入，以主观评价得分值作为输出，因此确定各维度BP神经网络拓扑结构为3-7-1（图6）。

图5 GA-BP声品质预测算法框图

图6 三层BP网络模型拓扑图

将表1、2中两个维度各样本的心理声学参数值做归一化处理，按照式（5）转化为［0，1］之间的值，以满足神经网络对输入输出的要求。

式中，xi和xi′分别为归一化前后的各参数值。

利用Matlab自带的Sheffield工具箱和NN工具箱就可以实现两个维度GA-BP模型的搭建。其中设定初始种群大小为40，遗传的选择代沟值为0.95，交叉概率为0.7，变异概率为0.01，遗传代数为100代。训练算法选取为梯度下降trangd函数，学习速率自适应，初始值为0.01，适应度函数为默认值，神经网络模型的训练次数为1 000次，收敛精度为0.01。

用表1、2中两个维度下前12组样本的心理声学参数值以及主观评价结果作为训练样本，对各声品质维度GA-BP神经网络评价模型进行训练。

由图7可知：随着遗传代数的增加，模型预测误差逐渐减小，在遗传90代之后，模型预测误差逐渐趋于稳定状态。

图7 GA-BP模型误差迭代图

3.3 多维度声品质预测结果与分析

用表1、2中两个维度下1-12号样本分别建立了多维度多元线性回归模型和GA-BP神经网络模型，然后，再用两个模型得到表1、2中13～15号样本两个维度下的声品质预测值，与主观评价值比较得到两个模型多维度声品质误差，结果如图8所示。

图8 声品质模型预测误差

从上述结果可知，虽然两个维度下的声品质主、客观评价多元线性回归模型的拟合系数R2均达到了0.7，说明3个客观参量可以在一定程度上通过线性模型描述主观评价结果的变化，但是通过和GA-BP神经网络模型的预测精度对比之后发现，对于稳态工况下舒适性维度预测，多元线性回归模型的平均预测误差基本在15%左右，对于非稳态工况下的运动感维度预测，多元线性回归模型则预测误差较大。而GA-BP声品质预测模型对两个维度下的预测误差都保持在5%左右，预测精度有了大幅提升。

4 结束语

通过遴选不同车辆行驶工况下的噪声样本分别进行舒适性和运动感维度主、客观评价，并对2个维度声品质的主、客观评价结果进行相关分析，结果表明舒适性声品质主要与响度和尖锐度有关，而尖锐度和粗糙度对运动感贡献较大。

基于响度、尖锐度、粗糙度分别建立多维度的声品质多元线性回归模型和GA-BP神经网络预测模型，并对两个模型的预测精度进行对比，结果表明，多元线性回归模型对稳态工况下的舒适性声品质预测平均误差基本在15%左右，而对于非稳态工况下的运动感声品质预测误差则较大，平均误差在30%左右，而GA-BP神经网络模型在两个维度下的平均预测误差都在5%左右，结果表明，GA-BP神经网络模型更适于对多维度声品质的预测。