汽车车内噪声与车外气动声源的相关性研究∗

贺银芝，董国旭，张 涛，王 斌，沈 哲

(1.同济大学汽车学院，上海 201804； 2.汽车噪声振动和安全技术国家重点实验室，重庆 401120)

汽车车内噪声与车外气动声源的相关性研究∗

贺银芝1，董国旭2，张 涛2，王 斌1，沈 哲1

(1.同济大学汽车学院，上海 201804； 2.汽车噪声振动和安全技术国家重点实验室，重庆 401120)

在简单介绍了Beam forming声源识别技术的基本原理和车外气动声源与车内噪声相关性分析的方法之后，在整车气动声学风洞中应用流场外声阵列与车内2个参考麦克风同时进行车内外噪声信号的同步测量，应用频域内声源识别的传统的Beamforming算法和改进的CLEAN-SC算法，识别出了车外的气动噪声源分布，并分析了车外声源与车内噪声的相关性，得出车外噪声源对车内噪声的相对贡献度。结果表明：频域内改进的CLEAN-SC算法可以在很大程度上改善传统Beam forming算法在动态范围和空间分辨率方面的局限性，且算法稳健，使该项技术在风洞内的应用更具实用性。对车内噪声而言，在较多的特征频段，车外后视镜作为声源对车内噪声的贡献度最大。但在一些特征频段，前雨刮和门把手对车内噪声的贡献也不容忽视。

车内噪声；声源识别；Beam form ing；相关性分析；CLEAN-SC

前言

汽车行驶时产生的噪声主要由发动机动力传动系统噪声、轮胎路面噪声和空气动力噪声(风噪声)构成。当车速超过100km/h时，对于轿车来讲气动噪声就变得比较重要。为了控制车内的气动噪声，一种重要方法是控制车外气流作用在车身表面突出物和凹凸不平处由于气流分离而产生的气动噪声，其次研究车外噪声向车内的传递路径，从而寻找合适的控制策略。

传统意义上控制车内风噪的方法是在车内驾乘人员耳旁放置传声器或人工头采集数据，通过改变车身结构变量，比如应用“开窗法”[1]在车门或车窗等处贴密封胶带等措施，观察分析车内风噪水平的相对变化。但这种方法很难评估车外噪声源通过车身的传递路径对车内噪声的相对贡献度。

过去20年，随着计算机技术及数字数据处理技术的快速发展，用于声源识别的传声器阵列技术也变得越来越实用。在气动声学风洞中可以通过在流场外放置平面Beamforming声阵列来可视化和量化车外气动噪声源，如后视镜、雨刮、A柱、轮罩区域等[2-5]。但该结果并不能说明车外声源对车内噪声水平的相对贡献度。针对该问题，近年来也有一些学者从事该方面的探索[4，6]，但研究结果仍需进一步改进。

传统基于Beamforming技术的声源识别技术有其自身的局限性。最典型的局限性在于阵列有限的动态范围和空间分辨率，尤其是低频段的空间分辨率。特别在风洞中，当阵列位于流场外时，其距离被测对象较远，更难以保证低频段的空间分辨率。近年来，为了改善Beamforming技术的上述问题，开发了一些先进的算法，如基于频域解卷积(Deconvolution)的 DAMAS[7]，CLEAN[8]和 CLEAN-SC[9]。 基于此，阵列系统的动态范围和空间分辨率得到很大改善。其中，CLEAN-SC算法是相对最新的技术，且接受度最高。

DAMAS[7]和CLEAN[8]算法的核心思想是基于一个假设前提：假设声源是点源，可以通过点传播函数(point spread function，PSF)来进行空间内的声源重构。而事实上声源大多不是简单的点声源，而是具有一定的空间指向性。为了克服上述算法的缺陷，CLEAN-SC基于空间声源的相关性进行解卷积，即声源的主瓣在空间上总是和它的旁瓣相关，通过分析它们的相关性来求解。

本文中在简单介绍了Beamforming技术的基本原理和车内外噪声相关性分析的方法之后，在同济大学整车气动声学风洞中应用流场外声阵列与车内2个参考传声器进行同时同步测量车内外噪声信号，应用频域内声源识别的传统算法和改进的CLEAN-SC算法识别车外的气动噪声源分布，分析车外声源与车内噪声的相关性，研究车外噪声源对车内噪声的贡献。

1 基于Beamforming声源识别的基本原理及车内外噪声相关性分析的方法

传统基于Beamforming(波束形成)的声源识别方法可以分为时域算法和频域算法。时域里的基本算法思想为Delay and Sum(延时求和)，针对2D车外声源识别而言，即利用传声器阵列接收声源发射的声信号，离散声源计算平面形成多个聚焦网格点，由于声源到达各个阵列传声器的时间不同，所以基于延时求和的算法，反向聚焦各网格点，真实声源所在聚焦点的输出声能量会被加强，而其它聚焦点的输出量则被衰减，从而可以有效识别声源。将时域里的声源识别算法通过傅里叶变换到频域，时域里的时延对应频域里的相位偏移，同样可以有效识别声源。频域里，基于相移的声源识别方法可用如下公式[10]描述：

式中：F∧(x，ω)为声源平面聚焦网格点x处的频谱；M为阵列传声器数量；wi为第i个阵列传声器信号的加权因子；Fi(ω)为第i个阵列传声器信号的频谱；θiω为频率ω处第i个传声器到声源平面聚焦网格点x处的相位角。

利用Beamforming技术对试验车外噪声源和车内噪声信号进行相关性分析，其基本思想是基于车外传声器阵列信号与车内参考传声器信号的互相关函数。基于此互相关函数，可以将车外声源对车内噪声的贡献进行对比。频域里，车内参考传声器信号FR(ω)与车外阵列传声器信号Fi(ω)之间的互相关函数可以通过如下公式进行计算：

式中：Fi(ω)为第 i个阵列传声器信号的频谱；FR(ω)为参考传声器信号的频谱。

从上式可以看出，频域里的互相关函数是根据车内参考传声器信号与车外声阵列的每一通道传声器信号基于频域里的相移进行加权计算得到的。

2 试验方法与测试系统

2.1 试验条件

试验在同济大学上海地面交通工具风洞中心整车气动声学风洞中进行。该风洞是3/4开口回流式风洞，其喷口面积为27m2，背景噪声水平在160km/h风速下低于61dB(A)。试验应用国产某款三厢轿车，试验前将试验车放置在风洞驻室试验段天平转盘的中心位置固定。在试验过程中，为防止车外气流直接进入乘员舱内，关闭试验车空调系统并设置到内循环模式，且完全关闭空调出风口。另外，试验过程中风洞边界层抽吸及移动带系统关闭。试验温度约为22～24℃，相对湿度约为36%～40%，环境气压约为103.2～103.5kPa。

2.2 测试系统

试验采用德国Gfaitech公司声源识别测量及分析系统NoiseImage。试验应用专为风洞设计的120通道平面螺旋形阵列，如图1所示，阵列尺寸为1.8m×1.8m，阵列传声器为丹麦G.R.A.S.公司生产的1/4阵列专用传感器。数据采集过程应用120通道的高精度集成数采，可以实现多通道最高192kHz的并行同步采样。除此之外，数采系统还配置了4通道BNC模块，能够实现与120集成通道的数据同步采集。试验应用2个参考传声器，1#传声器置于靠近左后视镜基座附近，2#传声器则位于驾驶员的耳旁位置，如图2所示。试验过程中，车外阵列及车内参考传声器可以同时同步采集车内外噪声信号。

图1 整车气动声学风洞流场外120通道平面螺旋形阵列

图2 车内参考传声器设置

2.3 试验工况

为考察车外气动声源与车内噪声的相关性，设置了两个不同的工况。工况a是试验车处于标准状态(Baseline)，工况b则是将试验车车身外部用胶带密封(图3)。由于车身密封引起的泄漏噪声是车内噪声的重要组成部分，所以试验工况也考察密封性能的变化对车内外噪声相关度的影响。

图3 试验工况b-试验车车身外表面密封

具体工况如下：工况a，试验车处于标准状态(Baseline)，试验风速 120km/h，偏航角 0°；工况 b，试验车整车外表面零部件结合处和不连续的地方用密封胶带封住，试验风速120km/h，偏航角0°。

3 测试结果与分析

试验过程中，车外的传声器阵列和车内的参考传声器进行数据同时同步采集时，每路信号采样时间为32s，采样频率为48kHz。流场外传声器阵列距离流场内试验车车身前侧窗玻璃处为3.85m。数据处理过程中采用1/3倍频程进行分析。

在3/4开口式风洞内进行流场外声源识别时，由于传声器阵列位于试验段射流外部，声波从风洞的射流核心区穿过射流剪切层时，射流剪切层会对声波产生折射及散射效应，从而改变声波传播的方向及声能量。因此必须对射流剪切层效应进行修正，以提高传声器阵列测试的精准度。本文中的声源识别结果均根据声波穿过剪切层的折射理论[11-12]进行了修正。

3.1 车外声源识别结果分析

为便于对车外声源识别结果和车内噪声与车外声源的相关性进行对比，在对数据进行1/3倍频程谱分析时，不同测试工况下均选用相同的分析频段(1～4kHz)。如下数据分析时将分别在中心频率为1 000，2 000，3 150Hz的频段内对车外声源识别的结果应用传统的Beam forming技术及改进的CLEANSC算法进行对比分析。图4和图5示出不同工况下的分析结果。

图4 Baseline工况不同分析频段下车外声源识别结果的对比(左图为传统算法，右图应用CLEAN-SC)

通过对比频域内基于传统算法和CLEAN-SC的声源分布图可以看出，后者的空间分辨率及动态范围均有显著提高，尤其在较低的频段，传统算法无法分辨的声源，如后视镜、雨刮和前后门把手处的声源，均能在改进算法的应用中识别出来。值得注意的是，从车外声源的分布来看，在任何频段，前轮罩区域都是最主要的声源，其次后视镜作为最值得关注的声源在多数频段都能识别出来，但声能量相对于前轮罩区域则较小。

从声源的声能量大小分布来看，随着分析频率的升高，主要声源的声能量也逐步降低，这可从图中阵列动态范围数值显示上看出来。如中心频率2 000Hz频段，应用传统Beamforming技术识别出的前轮区域声源中心声压级为54.7dB(A)，后视镜区域声源中心声压级为48.5dB(A)；而应用CLEANSC算法识别的前轮区域声源细化为多个子声源，其中最大子声源中心声压级为50.2dB(A)，后视镜区域声源中心声压级为46.0dB(A)。对于中心频率3 150Hz频段，应用传统Beamforming技术识别出的前轮区域声源中心声压级为48.5dB(A)，后视镜区域声源中心声压级为41.1dB(A)，前雨刮处声源中心声压级为35dB(A)。而应用CLEAN-SC算法识别的前轮区域最大子声源中心声压级为44dB(A)，后视镜区域声源中心声压级为38.2dB(A)，前雨刮处声源中心声压级为29.6dB(A)。另外，可以看出，应用改进的CLEAN-SC算法识别的声源在能量的相对大小排序上和传统算法一致，但在绝对量值上均比传统算法小。如中心频率2 000Hz频段，应用传统方法及改进的CLEAN-SC算法识别的后视镜处的声源中心声压级差为2.5dB，这是由声源本身的特征、分布和改进算法的不足所引起的。

图5示出在车身密封工况下，应用先进CLEANSC算法对车外声源识别的结果。

图5 车身密封工况下不同分析频段车外声源识别结果(应用CLEAN-SC)

当车身密封后，前轮罩区域仍是最主要的噪声源，其次后视镜和雨刮作为声源在多数频段也可以识别出来。对车身密封前后声源识别的结果进行对比分析，发现车身密封后，后视镜处的声源能量级较Baseline有一定程度的降低。如中心频率2 000Hz频段，车身密封前，后视镜区域声源中心声压级为46.0dB(A)，而密封后该处的声压级变为41.8dB(A)，降低了4.2dB。这说明后视镜密封后，局部结构变化导致的流动变化引起了声能量的降低。

3.2 相关性分析

相关性分析的主要目的是研究车外声源对车内噪声的贡献量大小。根据工程经验，后视镜区域对车内噪声的贡献不容忽视，所以在车内后视镜的基座附件放置了1#参考传声器，同时在驾驶员耳旁位置放置2#参考传声器以模拟真实驾车者的位置。3.2.1 不同参考传声器位置的相关性分析结果

Baseline工况下，分别应用基于传统Beamforming算法和改进的CLEAN-SC算法对车外声源相对于车内1#和2#参考传声器的相关性进行分析，在频域内的分频段对比分析结果如图6和图7所示。

通过对比车内1#参考传声器与车外声源的相关性分析结果可以看出，应用改进的CLEAN-SC算法得到的空间分辨率和动态范围较传统算法均有显著提高，尤其在相对较低的频段。在1 250Hz频段，后视镜区域相对于前轮罩区域的声源对车内噪声的贡献相差不多，但在2 000～3 150Hz频段，后视镜区域对车内噪声的贡献则最大，前轮罩区域的贡献相对较小。值得一提的是，在3 150Hz频段，前雨刮对车内噪声的贡献不容忽视。

图6 Baseline工况下车外声源相对于车内1#传声器的相关性分析结果对比(左图为传统算法，右图应用CLEAN-SC)

图7 Baseline工况下车外声源相对于车内2#传声器的相关性分析结果(应用CLEAN-SC)

可以看出，对于车内2#传声器而言，在1 250Hz频段，后视镜对车内噪声的贡献已经较大，但不是最主要声源。在2 000Hz频段，后视镜则是对车内噪声贡献最大的声源，且远大于其它区域的贡献。在2 500Hz频段，对车内贡献最大的是前轮罩区域，但前门把手对车内噪声的贡献也较大。在3 150Hz频段，后视镜区域对车内噪声的贡献最大，前雨刮也有一定的贡献。

3.2.2 不同工况下的相关性分析结果

将试验车车身密封后，车内外气流通过密封缝隙的交换行为被阻止，也就是由于车身密封不良引起的单极子声源消失，且由于车身表面凹凸不平引起的气动噪声也会减弱，但由于车身造型因素引起的气动噪声仍然会通过车身结构的薄弱环节传入车内。这样必然引起车外噪声源与车内噪声的相关性的变化。图8示出了车身密封后应用CLEAN-SC算法车外声源相对于车内1#参考传声器的相关性分析结果。

图8 车身密封工况下车外声源相对于车内1#传声器的相关性分析结果(应用CLEAN-SC)

可以看出，当车身密封后(包括后视镜密封)，后视镜对车内噪声的贡献减弱很多，在较低频段(1 250Hz)尚有一定贡献，但在2 000Hz及以上频段则贡献很少。雨刮在3 150Hz频段对车内噪声的贡献较大。说明后视镜区域的造型和密封的改善会较大程度降低该区域对车内噪声的贡献度。

4 结论

通过应用车外声阵列与车内参考传声器同时同步测试车内噪声和车外声源，分析车外声源对车内噪声的相对贡献量。通过对比传统算法与改进的CLEAN-SC算法对频域内分频段的车外噪声源识别结果及其对车内噪声的相关性，得到以下主要结论。

(1)频域内改进的CLEAN-SC算法可在很大程度上改善传统Beam forming算法在动态范围及空间分辨率方面的局限性，且算法稳健，使基于Beamforming的声源识别技术在风洞内的应用更具实用性。

(2)从车外声源识别的结果来看，绝大多数频段前轮罩区域都是最主要的声源，而后视镜作为声源其能量则相对小很多。

(3)但从车内噪声与车外声源的相关性分析结果可以看出，对车内噪声而言，在较多的特征频段，后视镜对车内噪声的贡献度最大。同样，在一些特征频段，前雨刮及门把手对车内噪声的贡献也不容忽视。

上述研究结果可提供车外声源的分布及其对车内噪声贡献量的相对大小及频率特征，可为车外声源向车内的传递路径分析提供参考依据，同时可为早期开发阶段油泥车的外形风噪性能评估及优化提供方向性指导。

[1] 贺银芝，杨志刚，王毅刚.汽车车身密封对车内气动噪声影响的机理及试验研究[J].汽车工程，2012，34(8)：692-695.

[2] GUIDATIS，SOTTEK R.Advanced source localization techniques usingmicrophone arrays[J].SAE Int.J.Passeng.Cars-Mech.Syst，2011，4(2)：1241-1249.

[3] LEPLEY D，SENTHOORAN S，HENDRIANA D，et al.Numerical simulationsandmeasurements ofmirror induced wind noise[J].SAE Int.J.Passeng.Cars-Mech.Syst，2009，2(1)：1550-1562.

[4] ADAM J，RICOT D，LAMBOURG C，etal.Correlated beamforming method for relevant aeroacoustic sources identification[C].SAE Paper 2009-01-2234.

[5] LIL，LIJ，LU B，etal.Application of beamforming to sidemirror aeroacoustic noise optimization[C].SAE Paper 2016-01-0475.

[6] NEUGEBAUER S，ROESEL R，DOEBLER D.Correlation of parallel car interior and exterior beamformingmeasurements in a wind tunnel[C].Internoise，2014.

[7] BROOKS T F，HUMPHREYSW M.A deconvolution approach for the mapping of acoustic sources(DAMAS)determined from phased microphone arrays[J].Journal of Sound and Vibration，2006，294(3)：856-879.

[8] WANG Y，LI J.Wideband RELAX and wideband CLEAN for aeroacoustic imaging[C].AIAA，2003，2003-3197.

[9] SIJTSMA P.CLEAN based on spatial source coherence[J].International Journal of Aeroacoustics，2007，6(4)：357-374.

[10] DOEBLER D，PUHLE C， HEILMANN G.Correlation of high channel countbeamformingmeasurementofa car in awind tunnel using CLEAN-SC[C].Internoise，2015.

[11] AMIET R K.Refraction of sound by a shear layer[J].Journal of Sound and Vibration，1978，58(3)：467-482.

[12] AMIETR K.Noise due to turbulent flow past a trailing edge[J].Journal of Sound and Vibration，1976，47(3)：387-393.

A Study on the Correlation Between Vehicles Interior Noise and Exterior Aerodynamic Noise Sources

He Yinzhi1， Dong Guoxu2， Zhang Tao2， W ang Bin1＆ Shen Zhe1
1.School of Automotive Studies， Tongji University， Shanghai 201804；
2.State Key Laboratory of Vehicle NVH and Safety Technology，Chongqing 401120

After a brief introduction of the basic principle of Beamforming noise source identification technique and the analysismethod of correlation between exterior aerodynamic noise sources and interior noise of vehicle，a synchronousmeasurement of exterior and interior noise signals is conducted in a full scale aero-acoustic wind tunnel with the use of an out-of-flow sound array outside vehicle and two referencemicrophones inside vehicle.By applying conventional Beamforming algorithm and modified CLEAN-SC algorithm for noise source identification in frequency domain，the distribution of exterior aerodynamic noise sources is identified and the correlation between interior noise and exterior noise sources are analyzed，with the relative contribution of exterior noise sources to interior noise obtained.The results show that themodified CLEAN-SC algorithm in frequency domain can relieve the limitation in dynamic range and spatial resolution of conventional Beamforming algorithm with good robustness，making that technique hasmore practicability in its application towind tunnel.For interior noise，exterior rearview mirror as noise source has themost contribution inmany characteristic frequency bands，while at certain frequency bands the contribution of frontwiper and door handle can not be neglected aswell.

vehicle interior noise； sound source identification； Beam form ing； correlation analysis；CLEAN-SC

10.19562/j.chinasae.qcgc.2017.10.015

∗国家自然科学基金(51575394)和汽车噪声振动和安全技术国家重点实验室开放基金课题(NVHSKL-201403)资助。

原稿收到日期为2017年1月4日，修改稿收到日期为2017年5月15日。

贺银芝，副教授，博士，E-mail： heyinzhi＠ tongji.edu.cn。