陈 卉,孙跃东,王岩松,周 萍冯天培
(1.上海理工大学 机械工程学院,上海 200093; 2.上海工程技术大学,上海 201620)
声品质在反映声音特性的同时体现了人的生理心理状态和对声音的认知度。其研究分为主观评价部分和客观参量评价部分。目前,主观评价以人对车辆噪声的感受作为评价指标,常用的试验方法有排序法、等级评分法、成对比较法和语义细分法等[1]。在客观评价方面,人们常通过响度、尖锐度、粗糙度、A计权声压级等客观参量对噪声进行量化处理,建立多元线性回归、支持向量机、BP神经网络等模型进行客观评价[2–4]。
然而,常用的评价方法是对单工况(匀速、加速或减速等)下采集的噪声的单值评价,随着声品质评价的发展,非平稳工况下车辆噪声声品质及其评价方法的研究也越来越受到关注。日本学者Sonoko和Seichiro Namba在文献对连续评价的反应时间进行了研究,说明了主观评价具有一定的延迟效应[5]。Etienne Parizet等也对长时间不稳定噪声进行评价,并发现了其中最不舒适的时间区段[6]。进行非平稳工况下的噪声研究,可模拟实车行驶过程中的噪声。
本文通过采集汽车连续变工况下的噪声,建立非平稳车内噪声信号库。将时变综合烦躁度作为主观评价试验的指标,组织主观评价人员利用语义细分法[7]进行评价试验。得到实时、连续的主观评价数据。计算响度、尖锐度、粗糙度、A计权声压级等客观参数的时变值,并分析与时变综合烦躁度值间的相关性并剔除相关性较小的声学参量,得到BP神经网络的输入参量。以此,通过BP神网络建立车内时变综合烦躁度客观评价模型并通过四折交叉法[8]进行结果的验证。
非平稳工况连续噪声样本:
本文运用LMS标准声信号测量设备和数字人工头采集设定工况下目标车辆车内整体噪声信号,采样频率为44100 Hz(车辆副驾驶位双耳连续整体噪声)。试验车辆选择6辆不同品牌的国产轿车,分别标记为A、B、C、D、E与F车。参考GB18352.3-2005轻型汽车污染物排放限值及测量方法设置汽车连续行驶工况,该工况状态包括加速行驶、匀速行驶与减速行驶[9],工况设为两种,工况a为开始阶段50 km/h匀速行驶,后全油门加速至80 km/h保持匀速,再减速至40 km/h并保持匀速。工况b为开始阶段50 km/h匀速行驶,后全油门加速至90 km/h保持匀速,再减速至20 km/h结束。每车均进行3次试验,采集车辆前排司机位、副驾驶位和后排左乘客位双耳处噪声,取质量较好的噪声作为样本,建立本文汽车非平稳车内噪声数据库,共12个噪声样本。图1为工况a和工况b。图2为A车在a工况下左耳噪声时域图。
图1 试验工况
进行声品质的主观评价,从而获得声音特性及用户体验,并且加深对声音的理解,对声音的完备性描述具有重要意义。主观试验的结果也可用于客观评价结果准确性的验证。
图2 A车在a工况下左耳噪声时域图
常用的声品质的主观评价方法有排序法、等级评分法、成对比较法和语义细分法等[10]。语义细分法是评价者运用意义相反的形容词对所听到的声音进行等级描述[11]。本文在语义细分法的基础上开发声品质连续评价方法和工具,对变工况非平稳噪声进行连续声品质评价。在电子计算机上,利用LabVIEW编程语言编制声品质连续评价软件,软件界面见图3。
在评价者对播放的目标样本进行听音的同时,可对照语义细分评价参考形容词(见图3与表1),依据对噪声的实时综合烦躁度感受程度,利用鼠标拖动滑块来匹配实时声品质感受,完成连续综合烦躁度的记录。
本文组织35人构成的听音评价团,男性25名,女性10名,其中27名为车辆工程专业研究生,16名有2年以上驾龄。在试验前对评价组成员进行相关培训,包括对评价指标、评价选项、噪声样本和软件使用等的说明,使得评价者更好的理解实验目的、理解评价词汇描述的声品质特征、预先形成听觉感受和熟悉试验的流程及软件的使用方法,提高听音评价试验质量。本文中主观评价试验场地选择为背景噪声小,房间温度适宜的实验室,试验设备选择为Lenovo笔记本电脑,板载声卡,音箱,播放器为自主设计的Labview主观评价软件程序,时变声品质采样间隔设为50 ms。
图3 声品质时变综合烦躁度主观评价软件界面
表1 语义细分法分值设置
计算每两位评价者之间的Spearman相关系数,将每个评价者与其他评价人员间的Spearman相关系数取算术平均值求得该评价者的平均相关系数,并剔除平均相关系数较低(低于0.7)的评价者及评价值,对剩余评价人员的评价化的评价结果取均值,得到各噪声样本的主观评价曲线。其中A车a工况下车内噪声的主观时变声品质评价曲线如图4所示。
图4 A车在a工况下车内噪声主观评价曲线
结合声品质实时评价反应滞后现象和试验结果曲线,评价者实时打分存在延迟效应,根据文献[5–6],本文中设定延迟时间为1 s,并将各样本的主观评价曲线前移1 s,最终得到各噪声样本的时变综合烦躁度主观评价结果。
本文利用BP神经网络逼近主观评价结果和客观心理声学参量之间的非线性关系,建立车内噪声时变综合烦躁度客观评价模型,采用四折交叉法检验模型的预测性能。
BP神经网络是多层前馈神经网络,由输入层、隐含层和隐含层3部分组成。设置合适的输入节点数,隐含层节点数和输出节点数并通过信息的正向传递和反向传播,调整网络的权值和阈值,实现复杂函数的非线性拟合。图5为BP神经网络的拓扑结构,反应其函数映射关系[12]。
图5 BP神经网络的拓扑结构
X1,X2,…,Xn是BP神经网络的输入值,Y1,Y2,…,Ym是BP神经网络的预测值,ωij和ωjk为BP网络权值,n为输入节点数,m为输出节点数。
由于1个S型隐含层加上1个线性输出的神经网络可逼近任何函数[13]。本文选用3层神经网络构建时变噪声的声品质评价模型。
以50 ms为时间间隔,利用LMS Test.lab软件分别计算左右耳两个通道的客观参数噪声样本的A计权声压级、响度、粗糙度等心理声学客观参量时变值。其中,响度的双通道合成需要考虑屏蔽效应,采用日本HONDA公司提出的式1计算合成响度[14]。
式中NB为双耳响度,NL为左耳响度;NR为右耳响度。
其他参数均采用两耳值的算术平均值,求得各个非平稳噪声样本的响度、尖锐度、粗糙度、A计权声压级、声压级和语义清晰度的时变值。计算其与综合烦躁度评价结果的相关性,见表2。
表2 客观参数与主观评价的Pearson相关系数
时变综合烦躁度评价结果与响度的Pearson相关系数最高,为0.8233,与A计权声压级和语义清晰度的相关性较高,粗糙度、尖锐度和线性声压级的相关系数在0.1到0.4之间,相关性较低。语义清晰度和评价值为–0.7943,呈负相关。本文采用响度、A计权声压级和语义清晰度作为建立客观评价模型的特征。将样本进行归一化处理,确保所有的数据在0到1之间。图6为A车在a工况下归一化后的网络参量值,在匀速阶段,主客观值都趋于稳定;在加速阶段,A计权声压级值和响度值上升,语义清晰度值下降,主观评价值也上升;在减速阶段,A计权声压级值和响度值下降,语义清晰度值上升,主观评价值下降。可看出主观评价值和A计权值与响度值呈正相关趋势,和语义清晰度值呈负相关趋势。
图6 A车在a工况下主观评价、客观参量图
BP神经网络中隐含层节点数的大小对模型预测结果有着重要的影响。当隐含层节点数过小时,模型学习不充分,影响学习效果;当隐含层节点数过多时,易造成训练时间过长,训练过度,导致模型精度降低等的不良后果。根据经验公式[15]
式中:n为输入层神经元个数,p为输出层神经元个数,q为1~10之间的常数。由上文,n=2,p=1,根据上式计算,隐含层节点数在4~13之间。
再用试凑法求得10次不同隐含层节点数的网络误差均方根,试验选得13(见表3)。
本文中,综合考虑训练精度和时间问题,试验选得8。隐含层传递函数为tansig函数,输出层传递函数为purelin函数,训练算法为Levenberg-Marquardt算法[16]。并将训练参数中期望误差设立为0.0001,迭代次数为100,学习速率为0.1。
通过四折交叉法对模型进行验证,取10次试验的均值,得到误差为0.3818,方差为0.0947。图7为A车在a工况下通过BP网络预测得出的误差。
表3 不同隐含层节点的网络误差均方根
图7 A车在a工况下输出值与期望值对比图
可看出除了在加速阶段和中间匀速阶段误差较大,开始匀速阶段和减速阶段均误差较小,预测输出曲线和期望输出曲线有较高的吻合度,验证了本文建立的时变综合烦躁度模型达到预期的效果,对非平稳工况下的综合烦躁度预测是有效的。
本文考虑到实车行驶工况的连续性,在非平稳连续工况下建立时变噪声库。组织评价者进行主观评价试验,运用语义细分法建立时变综合烦躁度数据库。进行相关性分析,得出A计权声压级,响度和语义清晰度对时变综合烦躁度的影响较大。以A计权声压级,响度和语义清晰度作为模型输入参量,运用BP神经网络对主观评价值进行预测,建立了时变综合烦躁度客观模型。最后通过四折交叉法对模型进行检验,表明该模型对实时综合烦躁度预测有效。此模型简单且预测较精确,体现了连续工况下汽车噪声时变声品质主观评价值和瞬时客观参数之间的非线性关系。本文中设定的延迟时间为1 s,在实际中延迟时间会随主观评价者不同而有差异,这需要在下一步研究中完善,从而可将此模型用于实车非平稳工况下的噪声瞬时声品质评价,提高车内声品质测量的响应速度,为车辆的声学设计和声品质改进提供参考依据。
[1]汪念平,陈剑,钟秤平.汽车声品质分析方法与评价流程[J].汽车工程,2007(9):800-803.
[2]陈双籍,陈端石.基于心理声学参数的车内声品质偏好性评价[J].噪声与振动控制,2005,25(3):45-47.
[3]肖淙文.基于SVM的非平稳车内噪声品质评价系统研究[D].上海:上海工程技术大学,2014.
[4]申秀敏,左曙光.车内噪声声品质的神经网络预测[J].声学技术,2009,28(3):264-268.
[5]SONOKO KUWANO,SEICHIRO NAMBA.Continuous judgment of level-fluctuating sounds and the relationship between overall loudness and instantaneous loudness[J].Psychological Research,1985,47:27-37.
[6]ETIENNE PARIZET,NACER HAMZAOUI,LIONEL SEGAUD,etal.Continuous evaluation of noise uncomfort in a bus[J].Acta Acustica united with Acustica,Hirzel Verlag(S.Hirzel Verlag),2003,89:900-907.
[7]YOON JI-HYUN,YANG IN-HYUNG,JEONG JAEEUN,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.
[8]KOHAVI R.A study of cross-validation and bootstrap for accuracy estimation and model selection[C].Proc.of the 14th International Joint Conference on Artificial Intelligence.Montreal,Canada:Morgan Kaufmann,1995:1137-1143.
[9]GB 18352.3-2005.轻型汽车污染物排放限值及测量方法(中国Ⅲ、Ⅳ阶段)[S].北京:中国标准出版社,2005.
[10]贺岩松,涂梨娥,徐中明,等.汽车声品质研究综述[J].汽车工程学报,2014(6):391-401.
[11]BODDEN M,HEINRICHS R,LINOW A,et al.Sound quality evaluation of interior vehicle noise using an efficient psychoacoustic method[C].Proc.of the 3rd European Conference on Noise Control-Euronoise,1998,98:609-614.
[12]XMATLAB中文论坛.MATLAB神经网络30个案列分析[M].北京:北京航空航天大学出版社,2010:1-2.
[13]ROBERT H N.Theory of the back-propagation neural network[J].Neural Networks,1989(1):593-605.
[14]DIN 45692,Measurement technique for the simulation of the auditory sensation of sharpness[S].Berlin:Beuth Verlag,2009.
[15]程屿菲,聂规划.BP网络在企业管理巾的应用研究[J].武汉理工大学学报(信息与工程版),2004,26(4):139-142.
[16]张京军,王二成,何丽丽,等.基于BP神经网络的压电智能结构振动系统辨识[J].噪声与振动控制,2008,28(3):35-38.