乘用车用柴油机噪声声品质预测技术*

刘海李洪亮武一民王海洋

（1.河北工业大学，天津 300130；2.中国汽车技术研究中心，天津 300300）

乘用车用柴油机噪声声品质预测技术*

刘海1,2李洪亮2武一民1王海洋2

（1.河北工业大学，天津 300130；2.中国汽车技术研究中心，天津 300300）

以某款直列4缸乘用车用柴油机为研究对象，选取描述发动机噪声的响度、尖锐度等5个心理声学特征进行客观评价分析；以主观满意度为评价标准，应用成对比较法进行主观评价测试研究；应用多层感知器神经网络（MLPNN）方法构建噪声心理声学特征与主观满意度之间的非线性映射关系；基于MLPNN预测模型分析5个特征参量对主观满意度的贡献度大小，从而得出响度、粗糙度和尖锐度为影响乘用车柴油机噪声品质前3个重要指标的结论。

主题词:乘用车 柴油机 噪声 声品质 预测模型

1 前言

柴油发动机具有低油耗、低排放、高扭矩和加速性能强等优点。乘用车用柴油机噪声是乘用车主要噪声源之一，该噪声包括机械噪声、燃烧噪声和空气动力性噪声，各种噪声之间相互掩蔽，噪声为宽频带信号，频谱混叠严重，难以在设计阶段通过数值仿真技术准确预测柴油机辐射噪声声品质情况。

多层感知器神经网络（Multilayer Perceptron Neural Networks，MLPNN）技术是一种单向传播的多层前馈网络模型，因其具有高度的非线性映射能力，在模式识别、图像处理、函数逼近、优化计算等领域应用广泛[1～4]。文献[1]提出了一种基于MLPNN的风速预测模型，该模型实现了对实时风的准确预测；文献[2]应用MLPNN技术通过来自异构数据源间的证据实现了对蛋白质功能关系的准确预测；文献[3]建立了末端柔性的自由漂浮基机器人的耦合动力学模型，利用MLPNN技术的逼近能力来自适应补偿非线性柔性臂的逆动力学模型；文献[4]采用反向传播误差（BP）神经网络技术对车辆排气噪声满意度进行了预测，结果表明神经网络模型较多元线性回归模型预测值更接近实测值。

本文以稳态工况下柴油机辐射噪声信号为研究对象，应用心理声学方法进行噪声的客观评价分析，采用成对比较法进行噪声的主观评价测试，基于主、客观评价结果，应用MLPNN技术建立心理声学变量与主观评价结果之间的非线性映射关系，即柴油机噪声声品质预测模型。

2 噪声样本库的建立

为了获取精准的柴油机辐射噪声信号，试验在半自由声场发动机噪声实验室中进行。试验采用Head Acoustics公司生产的Head A480噪声信号采集与回放系统，其通过人工头声音采集装置记录柴油机噪声信号，通过Sennheiser HD515专业监听耳机进行声音回放。在噪声样本采集过程中，传感器水平位置离机体1 m，竖直高度距离地面1 m，测点的布置详见图1[6、7]。

图1 测点布置示意

以4种典型的直列4缸柴油机为研究对象，试验过程中将柴油机的进排气噪声引出室外，记录不同转速时的32个噪声样本，对噪声信号进行前处理，即筛选、截取和响度调节[8]，最终得到32个长度为5 s的有效噪声样本，其中建模组1～22噪声用来建立噪声声品质预测模型，检验组23～32噪声用来验证预测模型。

3 噪声声品质主、客观评价测试

3.1 噪声声品质主观评价测试

声品质主观评价[9]是通过人们对声音的主观感受，按照一定的评价要求和评价规则对声音进行评价的一种评价方法。考虑到柴油机辐射噪声的复杂性、重复性、烦恼性，选择具有乘用车声学相关专业人士为评审团成员，应用成对比较法进行噪声声品质的主观评价测试，以满意度指标（根据不同的评审对象主观打分累积结果而得出）作为主观评价试验量化指标，采用数据重合度和数据一致性指标[10]来校核成对比较法。整个测试过程中32个噪声样本数据平均重合度系数为0.88，平均一致性系数为0.92，表明主观评价测试结果准确有效。

3.2 噪声声品质客观评价分析

心理声学是研究人耳和大脑如何处理进入人耳的声音事件的学科，其可以定量反映听觉感受的差别，消除个体影响。Zwicker响度、尖锐度、粗糙度、波动度、峭度等作为最主要的心理声学特征已被广泛应用在柴油机噪声的评价与预测中[11～13]，其可以定量反映顾客对柴油机辐射噪声某一特征的听觉感受。响度是反映人耳对声音强弱主观感受程度的心理声学参数，响度的计算过程考虑了声音特征频带分布和人耳的掩蔽效应。尖锐度描述了高频成分在声音频谱中的比例，反映了声音信号的刺耳程度。粗糙度反映了声音信号的调制程度、调制幅度大小以及调制频率分布等特征，适用于评价20～200 Hz调制频率的声音。波动度用于描述人耳对缓慢移动调制声音的感受程度，反映了人耳主观感受到的声音响亮起伏程度，适用于评价20 Hz以下低频调制的声音信号。柴油机辐射噪声声品质主、客观评价结果如表1所列。

表1 柴油机辐射噪声声品质主、客观评价结果

4 基于MLPNN的声品质预测技术

由于人耳听觉系统的复杂性，导致噪声声品质客观特征参数与主观评价结果之间存在着复杂的非线性关系，这些非线性关系难以通过线性回归方法得到准确的函数关系；同时，由于听审试验方法不能在保证其它特征参数不变的同时只改变某一特征参数，因此这一规律也无法通过试验方法直接得到。基于MLPNN方法的噪声声品质预测模型可以分析在单一客观特征参数变化条件下满意度的变化规律，从而分析客观特征参数对声品质的影响规律。

MLPNN[14]是一种多层前反馈网络，用来模拟人类大脑结构。在柴油机声品质预测模型建立过程中，心理声学变量作为模型的输入层，主观评价结果作为输出层，隐层神经元个数至少为1，通过对神经网络模型的逐级训练和网络自学习确立噪声声品质预测模型。计算结果表明，隐含层神经元个数为4时，预测值趋于稳定，图2为基于MLPNN的柴油机噪声声品质预测模型结构图。

图2 MLPNN模型网络结构

假设输入层神经元有r个，输入层为X；隐层为h，隐层内包含有m个神经元，激活函数为fh；输出层为Y，输出层内有k个神经元，对应的激活函数为fY。则隐层中第j个神经元的输出和输出层第k个神经元的输出分别为：

式中，v、w代表权值；a、b代表隐层与输出层阈值。

隐层激活函数为：

输出层激活函数为：

网络总误差函数为：

式中，l为训练样本个数；Tk为实际测试结果。

基于MLPNN算法是以网络连接权（v、w）为变量，初始权值v、w取值区间为（-1，1）之间的随机数，网络总误差E小于允许值为目标的多元极小值问题。正向传播过程中，输入层（心理声学特征）经隐含层处理综合4个节点的实际输出传向输出层。如网络总误差E过大，则转入反向传播，逐层递归地计算期望输出与实际输出的方差，采用梯度下降法来调节连接权值，其中η′、η为学习率）与节点阈值aj、bk，使误差减小，当网络总误差小于允许值0.000 1时，训练过程结束。

利用基于MLPNN的柴油机辐射噪声声品质预测模型对检验组23～32噪声进行满意度预测，并与主观评价实测值进行对比。结果发现，预测结果与主观评价实测结果吻合较好，相对误差控制在11%误差范围内，说明基于MLPNN的噪声声品质预测方法准确描述了心理声学变量与主观评价结果之间的映射关系，同时得到心理声学变量响度、尖锐度等参数选择的合理性。

图3为基于MLPNN的柴油机辐射噪声声品质预测分析流程图。

依据多层感知器参数灵敏度方法[15]分析各心理声学参量对满意度的贡献度，图4为MLPNN模型中心理声学变量对主观评价结果重要性指数的非线性关系权值。

图3 基于MLPNN的噪声声品质预测分析流程

图4 心理声学参数贡献度分析

由图4可知，响度特征对柴油机噪声声品质贡献度为0.375，是柴油机噪声声品质最重要的影响因子；粗糙度贡献度为0.192；尖锐度重要性影响因子为0.170；波动度和峭度贡献度分别为0.133和0.147，重要性相对较小。响度、粗糙度和尖锐度3个客观特征参量对柴油机的声品质累积贡献度为0.719，该重要性排序可作为高声品质柴油机设计的重要指标。

5 结束语

a.采用心理声学特征参数响度、尖锐度、粗糙度等来描述柴油机噪声声品质变化规律，较全面地考虑了噪声给人带来的主观感受，优于以声级大小为指标的评价标准。

b.运用MLPNN方法进行柴油机辐射噪声声品质预测研究，预测值与主观评价实测值相对误差控制在11%以内，证明了柴油机噪声声品质预测模型的准确及可靠性，该模型可用来评价柴油机噪声满意度大小。

c.利用多层感知器灵敏度分析方法计算影响柴油机噪声声品质客观参量贡献度大小，其中响度贡献度为0.375，粗糙度为0.192，尖锐度为0.170，前3者累积贡献度为0.719。

1 Sheela K G,Deepa S N.Neural network based hybrid computing model for wind speed prediction.Neurocomputing, 2013，122:425～429.

2 Florido J P,Pomares H,Rojas I,et al.An effective,practical and low computational cost framework for the integration of heterogeneous data to predict functional associations between proteins by means of Artificial Neural Networks.Neurocomputing,2013，121：64～78.

3 张文辉，马静，高九州.基于多层感知器数据元的空间柔性机器人位置跟踪控制.空间控制技术与应用，2011，37（1）：59～62.

4 段敏，王岩松，石晶.基于神经网络的发动机噪声的预测.汽车工程，2002，24（6）：507～509.

5 杨庆佛.内燃机噪声控制.太原：山西人民出版社，1985.

6 Schiffbänker H,Brandl F K,Thien G E.Development and application of an evaluation technique to assess the subjective character of engine noise.SAE paper 911081.

7 Hussain M,Gölles J,Ronacher A,et al.Statistical evaluation of an annoyance index for engine noise recording.SAE paper 911080.

8 Otto N,Amman S,Eaton C,et al.Guidelines for jury evaluations of automotive sounds.SAE Paper 1999-01-1822.

9 孟子厚.音质主观评价的试验心理学方法.北京:国防工业出版社，2008.

10 石岩，舒歌群，毕凤荣.车辆排气噪声声音品质的主观评价与模型预测.天津大学学报，2011，44（6）：511～515.

11 Zwicker E,Fastl H.Psychoacoustic：Facts and Models.Berlin:Springer Verlag,1999.

12 Roland Sottek.Modeling Engine Roughness.SAE Paper 2009-01-2153.

13 Hastings A L.Sound Quality of Diesel Engines.Purdue University,2004.

14 Gardner M,Dorling S.Artificial neural networks(the multilayer perceptron)a review of applications in the atmospheric sciences.Atmospheric Environment,1998,32:2627～2636.

15 孙雪全，冯英俊.多层感知器的灵敏度分析.计算机学报，2001，24（9）：951～958.

（责任编辑 晨 曦）

修改稿收到日期为2016年2月30日。

Prediction of Passenger Car Diesel Engine Noise Quality

Liu Hai1,2,Li Hongliang2,Wu Yimin1,Wang Haiyang2
（1.Hebei University of Technology,Tianjin 300130;2.China Automotive Technology and Research Center, Tianjin 300300）

With a four-cylinder inline passenger car diesel engine as a research object,we choose five psychoacoustic parameters(loudness,sharpness,etc)for objective evaluation and analysis.Taking the Sensory Pleasantness Index(SPI)as the criterion for subjective evaluation,the paired comparison is applied in the subjective evaluation and test research.The nonlinear relation between psychoacoustic parameters and SPI is established by using Multilayer Perceptron Neural Networks(MLPNN).Based on the MLPNN prediction model,the contribution of psychoacoustic parameters to engine noise is analyzed,and the importance ranking of psychoacoustic parameters(loudness＞roughness＞sharpness)is obtained.

Passenger car,Diesel engine,Noise,Acoustic quality,Prediction model

U464.12+2

A

1000-3703（2016）11-0013-03

河北省高等学校自然科学青年基金（QN2016197）。