基于ERB尺度的车内低频声品质优化∗

赖诗洋，徐中明，夏小均，何治桥

基于ERB尺度的车内低频声品质优化∗

赖诗洋1，徐中明2，3，夏小均2，3，何治桥2，3

(1.重庆工程职业技术学院机械工程学院，重庆 402260； 2.重庆大学，机械传动国家重点实验室，重庆 400030；3.重庆大学汽车工程学院，重庆 400030)

以某轿车为例，建立了其FE-BEM的低频声学响应模型，并通过实车试验验证了模型的正确性。基于等矩形带宽(ERB)尺度，并以车速50km/h时采集的驾驶员右耳处20-200Hz频带的声信号为基础，运用正交试验设计生成16个声样本。编程计算了各样本的客观参量，并完成了主观评价试验。综合遗传算法与支持向量机，构建了声样本的声品质预测模型。以低频段各REB频带声压级为变量，声样本主观烦躁度最小为目标，建立了声品质优化模型，优化得到了比原来显著改善的声样本，通过主观评价结果验证了该方法的有效性。

轿车；声品质优化；低频；ERB尺度；支持向量机

Keywords:car； sound quality optimization； low frequency； ERB metric； SVM

前言

随着人们对汽车NVH性能要求的提升，车内声品质已成为各厂商十分关注的一大性能。随之对汽车相关的声品质进行了大量的研究。从汽车车内稳态噪声[1]、关门声[2-3]、喇叭声[4]、雨刮声[5]和发动机起动声[6]等方面都进行了相关的研究。以上这些无一例外的都是对现成结构或产品的某种声品质进行的研究，再建立主客观评价的预测模型。目前对于声品质技术的研究，都集中于客观参数的探寻[7]、主观评价方法[8]和不同机器预测模型的研究[9]。而作为指导产品设计研发的一项指标，进一步对影响声品质特性的研究和声品质的优化的研究还较少[10-11]。

然而，只有在产品前期开发阶段就将声品质作为一项设计指标，才能降低开发成本和缩短周期。当前还没有能有效实现全频域的数值分析方法，广泛运用的有限元和边界元分析这类基于单元类的方法，由于单元离散与形函数造成的插值误差与污染误差和在较高频率段下的巨大计算成本，使其主要应用于低频声振问题[12-13]。统计能量法能较好地解决高频问题[14]，混合FE-SEA法可实现对系统结构的中频响应分析[15]，但这两种方法都是时间和空间上的统计平均，不能得到确定性的响应。而汽车车内噪声的能量主要集中在低频域内，它给乘员造成的最明显的感觉就是低频的车内轰鸣声。因此，以当前成熟的低频数值分析方法仿真计算车内声学响应，并以改善声品质为目标，分析影响声品质的频率声压分布，为产品的设计和改进提供参考就具有十分现实的工程价值。

本文中以某实际轿车为例，建立了其FE-BEM声学响应模型，并通过试验验证了模型的正确性。基于50km/h车速下的预测声信号，通过ERB尺度声压变量设计了不同声样本，完成了各声样本的客观参数计算与主观评价试验。采用遗传算法与支持向量机建立了声品质预测模型，以各频带声压级为变量，最小化主观烦躁度为目标，进行样本声品质的优化并加以验证。

1 预测模型建立与验证

1.1 FEM-BEM模型的建立

以某实车几何模型为基础，在Hypermesh中进行单元划分。薄壁板件以壳单元离散，其它以实体单元模拟，动力总成等复杂而非车身结构件，以刚性单元模拟。建立的有限元结构模型如图1所示。从计算效率考虑，内部声腔以边界元方法计算。同时建立了座椅、内饰和乘员人体表面模型。为模拟内饰与人体的声阻抗特性对车内声场的影响，设置了不同区域的声学阻抗边界条件参数。所建的边界元模型如图2所示。

1.2 模型验证

图1 车身有限元模型

图2 包含座椅和驾驶员的声腔边界元模型

试验共使用7个加速度传感器，分别布置于发动机悬置点、车身悬架上支撑点附近和车身底板处，如图3所示。参照GB/T 18697《声学汽车车内噪声测量方法》将B＆K4189传声器布置于驾驶员右耳位置。

图3 试验布置图

为充分验证模型的正确性，在实车状况下测试了4个工况:怠速、30，40和50km/h速度下各加速传感器的振动响应和驾驶员右耳处的声学响应。将得到的振动激励加载到FEM-BEM模型上，计算得到预测模型中驾驶员右耳处的各工况的声学响应。其中30和50km/h工况下的低频响应如图4和图5所示，预测误差见表1。由图表可见，在200Hz以下范围内的预测精度是可靠的，模型是有效的。

图4 30km/h驾驶员右耳声压响应对比图

图5 50km/h驾驶员右耳声压响应对比图

表1 预测值与试验值的误差

2 噪声样本设计和主客观评价

由于前期设计阶段没有实车进行声样本采集以供声品质的相关分析，所以，基于预测模型的声学响应，结合各声样本频率特性设计相应的声品质评价模型，用以指导产品开发。选取某量产的实车在50km/h速度下的低频声学响应为对象，进行试验验证。

2.1 声信号采集及样本设计

如上所述，本文中只讨论低频段200Hz内的响应，而对于超过200Hz的声品质则以试验数据进行分析。另外，从广域频响曲线(文中未附)可以看出，该车50km/h工况下车内声能量主要集中在200Hz以下的低频区域内，为充分反映200Hz以下频带范围内声压幅值变化对于声品质的影响，将20～200Hz频带范围按照等效矩形带宽(equal rectangle bandwidth，ERB)尺度[16]划分为5个频带，计算各频带内总声压级，分别代表5个因素，每一个因素设置“保持”和“降低5dB”两个水平，选择相应的正交表设计正交试验，确定16个样本的因素水平，在试验测得的原始样本基础上，根据各因素水平，并保持高频成分不变，采用Matlab编辑生成16个噪声样本，用于后续声品质主客观评价，声样本编辑步骤如下:

(1)首先将截取的5s原始声压时域信号导入Matlab，并进行快速傅里叶变换(FFT)；

(2)在FFT基础上计算信号幅频谱和相频谱，根据16组正交试验对应的各因素水平，更改对应临界频带内幅值大小，并保持相位信息不变；

(3)结合原始相频谱和更改后的幅频谱，通过傅里叶逆变换得到时域信号，最后导出wav格式的音频文件，即完成样本设计。

2.2 客观参量编程计算

为结合车内声学预测频谱结果搭建声品质预测模型，方便后续声品质预测和优化，同时考虑低频稳态噪声的特点，采用Matlab编制常用心理声学客观参量，包括Moore响度、Zwiker尖锐度、粗糙度、轰鸣指数和A计权声压级的计算程序。各样本的客观声学参数如表2所示。从各参量随各样本的变化可见，在5种客观参量中，信号的变化对响度与轰鸣指数的影响最大。

表2 客观参量

2.3 声品质主观评价

主观评价者共计24人，其中男生17人，女生7人，均无听力障碍，具备一定声品质评价基础知识，并完成了评价前的相关训练[17]。主观评价采用成对比较法，由评价者对16个样本组成的120对样本组进行主观烦躁度评定。考虑主观评价的结果易受到影响而导致错误，完成主观评价后，须先以计权一致性系数[18]对评价的结果进行有效性检验。各主观评价者计权一致性系数如表3所示。剔除计权一致性系数小于0.8的评价者评价结果，只剩20位评价者的评分有效。考虑到后面建立支持向量机声品质评价模型时，各样本的主观烦躁度得分要和各客观参量一同作为输入，计及它们数量级的可能差别，将主观烦躁度得分归一化到[1，10]范围内，如表4所示。

表4 主观烦躁度得分

3 声品质预测模型建立

3.1 声品质组合优化方法

在支持向量机声品质评价模型基础上，通过遗传算法对模型输入自变量进行筛选，同时采用粒子群算法优化惩罚因子c和核函数参数g，采用Matlab编程建立基于遗传算法和粒子群算法组合优化的声品质回归预测模型，其适应度函数进化曲线如图6和图7所示。

图6 遗传算法适应度函数值进化曲线

图7 粒子群算法适应度函数值进化曲线

通过遗传算法进入主观烦躁度评价模型的客观参数为响度、尖锐度和轰鸣指数，支持向量机模型参数(c，g)为(2.4056，1.2574)。 保存训练后的支持向量机模型以及优化参数，声品质评价模型建立完成。

3.2 评价模型精度检验

支持向量机声品质评价模型属于近似模型，建立评价模型的目的在于避免声品质主观评价的繁杂过程，实现从声品质客观参量到主观烦躁度的预测，从而为声学优化设计提供指导。因此，声品质评价模型除须对现有样本具有较高的学习程度外，其它样本的预测精度也是评价模型的重要指标，即模型的泛化能力。通过对比14-16号样本的主观烦躁度的实际值与预测值来检验评价模型的预测精度，对比结果如图8所示。由图可见，基于遗传算法与支持向量机建立的声品质预测模型是有效的，可用于后续的分析。

图8 预测结果-原始评分对比图

4 频谱优化

4.1 优化模型

基于建立的某轿车车内声品质预测模型，以20-200Hz频带内各ERB频带总声压级为变量，主观烦躁度预测值最小化为目标，采用全局搜索算法优化原1号样本的频带频谱分布，从而为该车车内声学性能调校提供指导。

变量:设置优化变量为20-200Hz范围内各ERB频带总声压级，为保证预测模型的可靠性，使变量变化范围保持在样本正交设计中因素水平的范围内，变量变化范围设置为0～-5dB。各变量频带范围如表5所示。

表5 ERB频带参数

约束:考虑实际情况下车内声学调校的可行性，设置约束条件为总声压级变化量不超过-3dB。

目标:优化目标为主观评价烦躁度预测值最低，为同时保证主观烦躁度值优化效果和声学调校的成本控制，若存在多个变量预测的主观烦躁度均较低，且其差值的绝对值小于0.2，则最终优化结果选择相对于原始信号总声压级变化量最小的变量值。

优化算法:粒子群优化算法(PSO)具有较强的全局寻优能力，且稳定性高，编程容易实现，因此采用粒子群优化算法进行变量优化。

通过Matlab编程建立优化模型，优化流程如图9所示，具体步骤如下。

(1)变量初始化，在原始声样本ERB谱基础上，按照变量变化范围，通过随机方式生成初始粒子群，设置粒子群大小为10，初始粒子生成方式为

式中:popni为种群中第n个粒子的第i个变量；ERBi0为第i个变量原始值；ERBimin为第i个变量变化范围的最小值；rand为[0，1]的随机数。

图9 频谱优化流程图

(2)将变量与201-1600Hz频带内的实测信号ERB谱组合，构成20-1600Hz频带内ERB谱，以此作为输入，调用自编程序计算Moore响度、Zwiker尖锐度和轰鸣指数，通过已经建立的SVM声品质评价模型，计算声品质主观烦躁度预测值，以此作为优化目标的适应度函数值。

(3)计算个体最优值pbest和全局最优值gbest，为后续粒子群更新计算提供基础，粒子群更新参数设置为:惯性权重 w＝0.8；加速度因子 c1＝1.2；c2＝1.5。

(4)当迭代次数达到设定值时，优化结束，导出最优粒子和该粒子所对应的声品质主观烦躁度预测值和相对于原始信号的总声压级变化值。经过多次调试，设置迭代次数为50次。

4.2 优化结果

按照上述参数设置，以16个样本中的1号样本为例，其优化过程中目标函数值进化曲线如图10所示。经过优化，声品质主观烦躁度预测值(适应度值)由原来的7.32进化到0.582 2，低于原最优样本(10号样本)得分，达到了优化效果。1号样本的总声压级变化量如图11所示，优化得到的最优样本总声压级变化量为-2.18dB。最后得到优化前后各频带声压级变量值对比如图12和表6所示。

图10 1号样本适应度值进化曲线

图11 1号样本总声压级变化量曲线

图12 1号样本优化前后ERB临界频带声压级对比

表6 1号样本优化前后变量值对比

从对比图可以看出，各频带并非一致变化，频谱分布方式发生了较大变化。其中变量ERB2和ERB4降低幅度较大，ERB3变化不明显。这也说明ERB2和ERB4的声压对声品质的负贡献更大，可对产生该频段结构的振动或声学响应加以控制。表7列出了声信号优化前后的主要客观参数变化情况。由表可见，轰鸣指数的优化量最大，也说明了该参数对人主观感受的影响较大。

表7 优化前后声品质客观参量值对比

4.3 主观评价验证

为验证优化结果的有效性，以优化后的ERB临界频带声压级为标准，在试验采集的驾驶员右耳声压信号的基础上，采用声样本编辑的方法分别将20-200Hz频带内各ERB声压级缩放更改至优化值，合成最优频谱对应的时域音频信号，即为优化后1号样本，将它与原1号样本和原声样本中主观烦躁度得分最低的10号样本三者两两分组，进行成对比较法主观评价试验，以此验证优化结果是否有效。

主观评价试验条件、试验设备、试验方法和主观评价者均与第一次试验相同，最终得到的3个样本得分值如表8所示。

表8 声样本主观评价得分

从主观评价值试验结果可以看出，优化后的样本主观烦躁度值低于原始样本，达到了声品质优化目的；相对于样本正交设计中产生的最优声品质样本，采用优化模型优化得到的声样本声品质主观烦躁度值进一步降低，说明本文中所建立的声品质优化模型具有较强的全局寻优能力，证明了优化的有效性，达到了该车50km/h工况下车内声品质优化的目的，对于车内声学设计和改进具有指导意义。

5 结论

建立某轿车的FE-BEM低频声学预测模型，并通过试验验证模型的正确性。以ERB尺度划分的低频频带为依据，设计16个噪声样本，并计算了各样本的客观声品质参量。在完成了声样本主观评价的基础上，组合运用遗传算法与支持向量机构建了声品质预测模型。提出以声样本各低频带声压级变量，以主观烦躁度最小为目标，实现样本声品质的优化，并以试验信号进行了验证。通过与主观试验对比结果，表示该方法能有效实现样本声品质的改善，找出各频带对声品质的影响程度，为后续有针对性地进行结构改进提供依据。

[1] 申秀敏，左曙光，韩乐，等.基于支持向量机的车内噪声声品质预测[J].振动、测试与诊断，2011，31(1):55-58，128.

[2] Etienne Parizet， Erald Guyader， Valery Nosulenko.Analysis of car door closing sound quality[J].Applied Acoustics，2008，69:12-22.

[3] 王长山，张立军.汽车关门声声品质评价方法的研究[J].汽车工程，2011，33(10):902-906，901.

[4] 徐中明，张芳，周小林，等.汽车喇叭声品质主观评价与分析[J].汽车工程，2013，35(2):188-192.

[5] 徐中明，张瑜，刘建利，等.汽车雨刮系统噪声品质分析[J].汽车工程，2014，36(8):1009-1013.

[6] 徐中明，夏小均，贺岩松，等.汽车发动机启动声品质评价与分析[J].振动与冲击，2014，33(11):142-147.

[7] 杨川，于德介.基于伪WIGNER-VILLE分布的汽车关门声品质评价参数研究[J].机械工程学报，2011，47(24):91-96.

[8] LEE Sang-Kwon.Objective evaluation of interior sound quality in passenger cars during acceleration[J].Journal of Sound and Vibration，2008，310:149-168.

[9] 申秀敏，左曙光.轿车声品质主观评价研究[J].噪声与振动控制，2013(1):100-105.

[10] 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.

[11] LEE Sang-Kwon， KIM Ho-Wuk， NA Eun-Woo.Improvement of impact noise in a passenger car utilizing sound metric based on wavelet transform[J].Journal of Sound and Vibration，2010，329:3606-3619.

[12] DERAEMAEKER A， BABUSKA I， BOUILLARD P.Dispersion and pollution of the FEM solution for the Helmholtz equation in one，two and three dimensions[J].Int.J.Numer.Methods Engrg，2015，46(4):471-499.

[13] ZIENKIEWICZ O C，TAYLOR R L，ZHU J Z，et al.The finite element method-Vol.1:basic formulation and linear problems[M].Butterworth-Heinemann，2005.

[14] LYON R，DEJONGR.Theory and application of statistical energy analysis[M].2nd ed.Butterworth Heinemann，1995.

[15] LANGLEY R S，CORDIOLI J A.Hybrid deterministic-statistical analysis of vibroacoustic system domain couplings on statistical components[J].Journal of Sound and Vibration，2009，321:893-912.

[16] MOORE B CJ，CLASBERGB R，BAERT.A model for the prediction of thresholds，loudness and partial loudness[J].Journal of the Audio Engineering Society，1997，45(4):224-240.

[17] CHOUARD B，HEMPEL T.A semantic differential design especially developed for the evaluation of interior car sounds[C].ASA-EAA-DAGA Joint Meeting，Berlin，Germany，1999.

[18] 毛东兴，俞悟周，王佐民.声品质成对比较主观评价的数据检验及判据[J].声学学报，2005，30(5):468-472.

Optimization on the Low-frequency Interior Sound Quality of a Passenger Car Based on ERB Metric

Lai Shiyang1， Xu Zhongming2，3， Xia Xiaojun2，3＆ He Zhiqiao2，3
1.College of Mechanical Engineering， Chongqing Vocational Institute of Engineering， Chongqing 402260；2.Chongqing University， State Key Laboratory of Mechanical Transmission， Chongqing 400030；3.College of Vehicle Engineering， Chongqing University， Chongqing 400030

A FE-BEM model for the low-frequency acoustic response of a car is established and validated by real vehicle test.Based on the metric of equal rectangle bandwidth(ERB)and the sound signal at the right ear of driver with a frequency range of 20-200Hz collected at a vehicle speed of 50km/h，16 sound samples are generated by using orthogonal design of experiment.A program is developed to calculate the objective metrics of each sound sample and a subjective evaluation test is conducted.Then a sound quality prediction model for sound samples is built with the combination of genetic algorithm and support vector machine.Finally a sound quality optimization model is set up with minimizing the subjective annoyance of sound sample as objective and the subtotal of sound pressure level of each ERB band at low-frequency range as variables.An optimization is performed with an optimized sound sample significantly better than original one is obtained，and the effectiveness of the method proposed is verified by another subjective evaluation test.

10.19562/j.chinasae.qcgc.2017.09.015

∗重庆工程职业技术学院院级科研项目(KJB201712)、重庆市基础与前沿研究计划项目(CSTC2015jcyjBX0075)和中央高校基本科研业务费(106112016CDJZR335522)资助。

原稿收到日期为2016年10月21日。

赖诗洋，助教，硕士，E-mail:joyce_lsy＠163.com。