基于AIWF-IL 评价方法的汽车声学包性能优化

张天宇，邓江华，孟祥龙，霍俊焱

（中国汽车技术研究中心有限公司，天津 300300）

1 介绍

汽车防火墙在整车声学包作用中主要起到隔绝外部声源透入声的作用，其隔声性能的优劣将会直接影响到整车车内高频噪声水平[1-5]。防火墙的隔声性能不仅取决于所使用材料自身隔声性能外，还与其设计状态的覆盖水平、厚度分布水平等直接相关。对于防火墙传递损失（IL）分析和声学包设计，通常选择统计能量分析法（SEA）。

在防火墙插入损失IL 评价中，一般采用各频带数值比较法，但此方法只能粗略判别大致水平，且此指标只可对单频带进行性能大小评价，无法整体评价对语音清晰度的影响效果。本文结合语音清晰度算法计权系数，提出AIWF-IL（Articulation Intelligibility Weight factor-IL）作为评价语音清晰度变化的指标，此方法可有效评价声学包设计对语音清晰度提升的影响。并将AIWF-IL 作为优化目标，通过建立近似模型的优化方法，进行声学包优化。最后将优化后的声学包应用于整车SEA 模型，验证了整车内部降噪效果。

2 防火墙隔声量的实验与仿真

防火墙隔声量测试一般在混响-消声室实验室中进行，其结构如图1 所示。

图1 混响-消声室结构

建立防火墙的SEA 模型，并定义声源室和接收室空腔，模拟实验室测试环境，并对空腔子系统与防火墙进行连接，以实现空气声的传递，如图2 所示。

图2 防火墙隔声量仿真模型

模型声学包定义采用MNCT 方法定义[6]，通过分析声学包3D 数模不同厚度占比，得到的厚度分布如图3 所示。然后结合声学包对应厚度下的平板件插入损失性能数据，生成表征声学包的MNCT 模型。

图3 声学包厚度分布

图4 内前围插入损失对比

在声源侧定义单位声压声激励，获得防火墙钣金件及防火墙+内前围的传递损失，进而获得内前围成形件的插入损失，结果如图4 所示。结果表示，内前围的实验插入损失与仿真插入损失误差在1dB 左右，故可知SEA 模型在400～ 8000Hz 范围内满足计算精度要求，可用于声学包优化。

3 AIWF-IL 指标评价方法

3.1 语音清晰度影响分析

语音清晰度（AI）是用来评价在噪声环境下讲话的清晰程度，这个参数用百分数表示，当完全听得清楚讲话时数值为100%，完全听不清时为0%，通过此数值可量化判别特定环境下的声品质水平[7]。

AI 算法定义如下：

式中，D(f）为与上限噪声UL(f）、下限噪声LL(f）相关的差值，本文不详细描述；同时说话声音是与频率有关的，这样就引入一个计权系数W（f），具体参数如图5 所示。

图5 语音清晰度计权系数

分析AI 算法定义可知，对AI 影响的主要有两个因素：声压级与上下限差值D（f）、计权系数W（f）。如果D（f）处于上、下限范围之内，其对AI 的影响是线性的；而W（f）则是一个随频带变化的数值，权重更侧重于中高频，也就是声学包起到降噪效果的频带。故可得结论，计权系数W（f）是语音清晰度（AI）数值变化的主要因素，在声学包设计需重点考虑。

3.2 制定AIWF-IL 指标评价方法

在防火墙插入损失IL 评价中，一般采用各频带数值比较法，但此方法只能粗略判别大致水平，如果性能在不同频带存在增、减相反的趋势，则无法准确评估各频带插入损失IL变化对车内语音清晰度改善情况；同时考虑人耳对噪声各频带感知水平不同，无法采用插入损失IL 取各频带均值的方法进行评价。

针对上述问题，本文结合语音清晰度算法中的主要影响因素，提出AIWF-IL 指标，可对防火墙隔声水平进行有效评价，其定义如下：

式中，W(f）为语音清晰度AI 计权系数，L(f）为插入损失IL 数值，计算频率范围为400Hz～8000Hz。

以某汽车防火墙为例，针对内前围隔音垫声学包同结构不同材料的两种样件，需从两者中选择对车内语音清晰度效果更优的样件，两种样件的插入损失IL 性能如图6 所示。由结果可知，内前围一在400Hz～1600Hz 与6300Hz～8000Hz 性能优于内前围二，而内前围二在2000Hz～5000Hz 性能优于内前围一，此时无法直观判断哪种样件更有利于车内语音清晰度。

图6 两种内前围插入损失IL 对比

利用AIWF-IL 指标计算可知，内前围一、内前围二对应的AIWF-IL 数值分别为15、14.5，可初步判断内前围1 性能更佳。接下来将两种内前围声学包应用于整车SEA 模型，如图7 所示。在驾驶员常规驾驶车辆习惯中，油门全开度加速3000rpm 工况是最常用且动力总成噪声较大的工况，故本文选择此工况进行相关语音清晰度AI 分析。通过分析结果可知，内前围1 和内前围2 两种状态下驾驶员头部声腔AI 分别为75.6%、75.4%，可最终判断内前围1 性能更佳。

可见，AIWF-IL 算法通过在插入损失IL 中引入计权系数W（f），可对声学包设计引起的IL 性能各频带的变化进行综合评价，有利于工程设计中优化方案的制定与选择。

图7 整车SEA 模型

4 内前围优化

为了优化防火墙隔声性能，主要针对内前围不同厚度占比进行优化。 防火墙声学包的优化设计包括五个主要步骤：1）确定优化的设计变量区间和目标；2）通过实验设计（DOE）选择采样点；3）通过仿真计算设计变量对应的响应值，利用采样点和响应值建立近似模型；4）在建立的近似模型的基础上，利用优化算法获得最优解；5）优化结果验证。

4.1 确定优化的设计变量参数

影响防火墙声学性能的参数包括：声学包的材料性能、覆盖率与厚度分布。在本文遇到的问题中，由于声学包材料性能与覆盖率设计均无法改变，故选择厚度分布作为主要设计变量参数，如表1 所示。

表1 厚度分布设计变量参数

4.2 实验设计

实验设计(DOE)是一种基于概率论和数理统计的测试技术，它可以科学、经济学地安排实验。DOE 方法有很多，其中最优拉丁超立方体设计LHD) (Opt可以使因子和响应的拟合更加精确真实，样本能够覆盖整个设计空间，具有较强的稳健性以及非常好的空间填充性和均匀性[8]。

实验设计中样本点组数选择，主要考虑变量与输出值参数的数量多少，以及生成近似模型的准确度。为提高模型准确度，本文采用最优拉丁超立方体设计选择300 组样本点，计算响应值。 样本参数如表2 所示。

表2 样本厚度分布参数数值

4.3 近似模型建立及误差分析

为了找到设计变量与响应之间的函数关系，需要建立近似模型，其主要特点是计算量小，计算周期短，计算结果与实验值基本一致。 克里格模型是一种估计方差最小的无偏估计模型，是建立近似模型的方法之一[9]。克里格模型可以包含所有的采样点，近似曲面的质量较好。根据设计变量与表2 中七个参数优化响应的关系，建立克里格模型。

为了验证近似模型的拟合精度，采用LHD Opt 随机生成另外300 组样本点，计算响应。R2常用于评价拟合精度。 R2定义为：

在图6 中，可以看到R2目标均在0.9 以上，因此近似模型的精度是可靠的。

图8 克里格模型误差分析R2数值

4.4 得到优化参数值

防火墙声学包参数目标是使声学包AIWF-IL 最大，约束条件为声学包重量（M）不超过10%。

基于克里格参数优化，求解参数的最优解决方案，可以在ISIGHT 软件中进行优化计算。本文在ISIGHT 软件中采用多岛遗传（NSGA-II）算法求解最优解[10]。通过重复计算，AIWF-IL 参数最优解的设计变量值如表3 所示。

表3 参数优化数值

4.5 优化声学性能确认

防火墙声学包优化后，AIWF-IL 结果如表4 所示，数值较原状态提升20.9%，效果显著。优化后的声学包质量增加了10% ，处于可接受范围之内（由4kg 升至4.4kg）。

表4 AIWF-IL 优化数值对比

5 整车优化方案应用效果

表5 语音清晰度优化数值对比

图10 驾驶员到防火墙ATF 对比

在整车SEA 模型中，计算了全油门开度加速3000rpm 工况下的驾驶员头部声腔语音清晰度，结果如表5 所示；以及驾驶员头部腔到发动机腔的ATF，结果如图10 所示。

由结果可知，优化后驾驶员到防火墙的ATF 在2000Hz以上频带平均降低1.5dB，且驾驶员头部声腔的语音清晰度提升1%。

6 结论

本文基于AIWF-IL 指标对某汽车防火墙声学包进行优化，可得以下结论：

（1）通过分析语音清晰度算法的影响因素，确认权重指数是影响语音清晰度的主要参数。故本文基于语音清晰度算法的计权权重，制定了AIWF-IL 防火墙声学包评价指标，此指标能够直观、有效的评价声学包设计变化对语音清晰度的影响。

（2）选择防火墙内前围隔音垫厚度占比作为变量参数，以声学包AIWF-IL 为优化目标，总质量变化作为约束条件，分别对声学包的七个厚度占比参数进行多目标优化，得到最优结果。

（3）优化后，防火墙的AIWF-IL 数值提升了20.9%。将优化后的防火墙声学包应用于整车SEA 模型时，驾驶员头部腔到发动机腔的ATF 平均降低1.5dB，驾驶员头部声腔的语音清晰度提升1%。