雨刮-风窗系统摩擦噪声声品质主客观评价

朱彬燕，郭 辉，王岩松，袁 涛，孙金辉

(1.上海工程技术大学机械与汽车工程学院，上海 201620；2.中国人民解放军32128部队，山东济南 250000)

0 引 言

雨刮-风窗系统是汽车的重要组成部分，用于清除附着在挡风玻璃上的雨、雾等遮挡物，为驾驶员提供清晰视野，保证行车安全。随着汽车行业的飞速发展，人们对汽车的舒适性、可靠性和安全性提出了更高的要求，噪声、振动与声振粗糙度(Noise, Vibration and Harshness, NVH)性能成为评价汽车的主要指标。雨刮-风窗系统对车内噪声有较大影响，对其摩擦振动和噪声的研究是提升整车NVH性能的重要环节。

试验是雨刮-风窗摩擦噪声研究的基本方法，有助于研究和探索噪声的表象特征。试验可以分为台架试验和实车试验。

Shinya等[1]较早建立了回转式试验系统对雨刮-风窗噪声进行研究，研究结果表明，雨刮的摩擦噪声包括尖叫噪声(频率约为1 000 Hz)、颤振噪声(频率约为100 Hz以下)和反转噪声(频率约为500 Hz以下)三种类型，这三种类型的摩擦噪声分别与雨刮系统的高频、低频振动以及刮片反转时产生的冲击噪声有关。Koenen等[2]采用平移式试验设备，研究了不同温度条件下干燥、湿润和半干黏着三种接触状态的雨刮-风窗摩擦噪声，初步得到了三种接触状态摩擦系数的变化规律。在实车的试验研究方面，Min等[3]研究了汽车风窗玻璃的波纹度(waviness)对雨刮片尖叫噪声的影响。Bódai等[4]进行了系统的摩擦力和摩擦噪声试验。张立军等[5]采用时间域、频率域以及时频域的分析方法，研究了不同速度档位及玻璃干、湿状态下雨刮系统的振动噪声问题，对雨刮-风窗摩擦噪声进行了分类，并且分析了振动噪声的产生原因。陈清爽等[6]通过振动噪声试验测试了前雨刮器高低档位时车内噪声和高速档时的振动状况，分析了雨刮-风窗摩擦噪声对车内噪声声压级和响度的影响，并且提出了降噪建议。黄光涛等[7]对不同状态下雨刮器各个零部件的振动状态进行了研究。Yang等[8]建立了雨刮系统的理论模型，并且研究了在雨刮换向过程中的摩擦振动特性。

雨刮-风窗噪声是一种典型的摩擦噪声。在摩擦噪声的研究中，雨刮-风窗噪声的声品质问题值得特别关注。Zwicker等[9]较早将声音的客观心理声学参数与人的听觉感受相互联系起来。王登峰等[10]采用响度、尖锐度、粗糙度和起伏度四个参量，研究了车内噪声声品质主、客观评价指标之间的对应关系。申秀敏等[11]采用支持向量机(Support Vector Machine, SVM)技术研究了车内噪声声品质预测方法。徐中明等[12]通过主观评价试验，建立了基于反转噪声、电机噪声和刮刷噪声的主观烦躁度多元线性回归模型，该模型可用于雨刮系统的声品质预测。此外，在声品质评价与控制方面，Huang等[13]采用线性回归深度信息网络技术研究了车内噪声声品质预测方法。Guo等[14]通过神经网络技术研究了汽车噪声粗糙度的评价方法。赖诗洋等[15]引入综合评价指标，进行了基于心理声学烦躁度的声品质客观评价与分析方法。钱堃等[16]通过声品质客观心理声学参量的评价，对高速动车组车内噪声的感知进行量化。Wang等[17]以听觉掩蔽效应为基础，利用算法实现车内噪声声品质的控制。Wang等[18]对车内噪声信号进行小波变换处理，并利用算法实现声品质时频控制。

目前的试验研究一般对雨刮-风窗系统摩擦噪声的影响因素进行定性分析，较少对声品质等系统声学参数进行综合分析和定量研究，难以全面表征雨刮-风窗系统对整车NVH性能的影响。因此，在试验分析汽车雨刮-风窗系统摩擦噪声的基础上，本文结合声品质主客观评价和支持向量机的方法，量化摩擦噪声影响，预测声品质评价值，对汽车雨刮-风窗系统的声品质进行研究。

1 雨刮-风窗摩擦噪声试验

1.1 雨刮-风窗系统基本组成

雨刮-风窗系统主要由电机、四连杆机构、雨刮臂、雨刮片等部分组成。在系统工作过程中，电机为系统提供扭矩动力，传递到雨刮臂后带动四连杆机构运行，通过转轴使雨刮片刮扫挡风玻璃。整个过程将电机的转动转化成雨刮片的往复摆动，从而实现清洁功能。

雨刮-风窗系统运行时，因雨刮与风窗之间接触产生的摩擦噪声，是影响雨刮-风窗系统NVH性能的主要原因，因此，本文主要针对摩擦噪声进行分析。

1.2 摩擦噪声采集

对某新能源汽车雨刮-风窗系统运行产生的车内摩擦噪声进行采集，测试现场如图1所示。

图1 雨刮-风窗系统摩擦噪声测试现场Fig.1 Test site of the frictional noise in wiper-windshield system

图1中测点代表噪声测试点。试验用车带双雨刮，具体试验设置如下：

(1) 试验环境：试验场所为半消声室，试验时利用车载12 V蓄电池供电，车辆通电但处于停车状态，车窗和车门关闭，试验人员在驾驶员位置控制雨刮系统。

(2) 试验仪器：LMS. Testlab数据采集分析系统1套、麦克风4只。

(3) 测点布置：图1中测点布置为①主驾驶左耳；②主驾驶右耳；③副驾驶左耳；④副驾驶右耳。

(4) 工况设置：雨刮运行时不同的刮刷速度(高速挡、低速挡)和玻璃表面的干湿程度(干燥、湿润)，两两组合共计4种工况，每种工况测试3次，共计48个数据样本，数据采集时长为10 s。

通过实车试验，将采集到的车内噪声样本，以音频形式存入计算机，建立雨刮-风窗摩擦噪声数据库，便于后期数据的提取与处理。

2 雨刮-风窗系统摩擦噪声分析

对采集的信号选取5 s时长的数据进行时域分析。图2为不同工况下测试3次后的车内平均声压对比图。由图2可知，雨刮-风窗系统噪声是一种周期性噪声，具有以下特点：

图2 不同工况下车内平均声压级对比图Fig.2 Comparison of average interior sound pressure levels under different working conditions

(1) 从时域来看，声压在雨刮运行的两个反转位置达到峰值。

(2) 在不同工况下，摩擦噪声的主要影响因素是挡风玻璃表面的干湿程度，雨刮刮刷速度的影响次之。

在实际测量时，雨刮-风窗系统运动过程中的摩擦噪声具有非平稳瞬态特性，传统的傅里叶变换方法不能获得非平稳信号准确的时频信息，因此采用小波分析来获得雨刮-风窗系统摩擦噪声的时频特征。分别对车内测点的雨刮-风窗摩擦噪声信号进行小波变换，得到相应的声压信号时频分析结果。图3为不同工况下车内驾驶员右耳位置声压信号的时频图。

图3 不同工况下基于小波变换的车内驾驶员右耳位置声压信号时频分析图Fig.3 Wavelet transform based spectrogram of sound pressure signal at the driver's right ear position under different working conditions

由图3可知，汽车雨刮-风窗摩擦噪声频率呈现一定规律，覆盖了从0～1 000 Hz频率范围，并且具有以下特点：

(1) 雨刮-风窗摩擦噪声均为频带噪声，其频率主要分布在500 Hz以下，低频主要在0～20 Hz范围。

(2) 对比低频信号与高频信号的声压时域特性，可知声压在低频部分衰减较慢，而在高频部分衰减较快。信号在不同频率段的峰值对应不同时间，导致雨刮-风窗系统摩擦噪声的复杂性。

3 声品质客观指标分析

声品质是基于人对声音的听觉感知，对车内噪声进行心理声学多维度综合描述，是评价汽车NVH性能的重要因素之一。声品质研究的方法之一为客观指标分析评价，主要是采用心理声学客观指标如响度、尖锐度、粗糙度等进行评价。

本文利用LMS公司Test. Lab软件，计算雨刮-风窗系统摩擦噪声的声品质客观指标，包括响度、尖锐度、粗糙度和A计权声压级。本文采集的雨刮-风窗噪声分布在4个测点：车内驾驶员和副驾驶员的左、右耳处。以湿润高速工况为例，计算上述4个测点采集摩擦噪声的平均响度、尖锐度、粗糙度和A计权声压级时间曲线，结果如图4～7所示。

图4 从4个测点得出的平均响度曲线Fig.4 Average loudness curves obtained from 4 measuring points

图5 从4个测点得出的平均尖锐度曲线Fig.5 Average sharpness curves obtained from 4 measuring points

图6 从4个测点得出的平均粗糙度曲线Fig.6 Average roughness curve obtained from 4 measuring points

图7 从4个测点得出的平均A计权声压级曲线Fig.7 Average A-weighting sound pressure level curve obtained from 4 measuring points

由图4～7可知，雨刮-风窗系统运行时，雨刮反转过程中车内各项声品质客观指标曲线峰值明显，但持续时间较短。

本文取不同工况下10 s内车内的响度和尖锐度的平均值来表征总体客观感受，如表1所示。

表1 在不同工况下雨刮的响度和尖锐度测量结果Table 1 Measuring results of loudness and the sharpness of the wiper under different working conditions

响度主要描述人耳所感受到的声音强度，而尖锐度描述的是高频成分在声音频谱中所占比例。由表1可知，在上述4种工况下，车内的响度和尖锐度的表现各不相同。

此外，从建立的噪声数据库中，根据4种工况选取18个不同的实验样本，其中低速工况和高速工况分别取9个。在建立声品质评价预测模型之前需要量化噪声样本的客观指标，对样本分别计算响度、尖锐度、粗糙度和A计权声压级，结果如表2所示。

4 声品质评价预测模型

对雨刮-风窗系统的摩擦噪声进行声品质主观评价，提取的摩擦噪声样本采用语义细分法进行陪审团主观评价试验，测试不同条件下雨刮-风窗摩擦噪声的主观烦躁度。评价试验共25名人员参与，其中男性15人，女性10人，年龄在20～40岁，其中15人为研究噪声方面且有主观评价经验的硕士研究生。试验开始前对评价人员进行测试培训以及评价方法的介绍，以确保评价人员对测试过程和目标的准确理解，使得主观评价结果更具有效性。并进行5级的评价词程度等级划分。由于评价个体在评价过程中采用的评价尺度不同，将评价结果以比例分布于0 ～ 1之间，进行归一化处理。按照5个评价等级对雨刮-风窗摩擦噪声进行烦躁度评价，烦躁度等级评分表如表3所示。

表3 烦躁度等级评分表Table 3 Annoyance level scores

由于主观评价方法效率较低，并且主观评价与客观指标之间存在复杂非线性。为更好推广声品质评价的工程应用，本文建立雨刮-风窗雨刮系统摩擦噪声声品质预测模型，以快速有效地进行声品质预测和评价。针对小样本非线性问题的情况，建立基于支持向量机的声品质预测模型。SVM目标是现有信息下的最优解，可解决神经网络等方法中无法避免的局部极值问题，但当预测样本较多时，预测效果会逐渐下降。

SVM解决回归问题的基本原理为

式中：D是给定训练样本集；(xi，yi)是其中的子集。

基于此得到非线性回归模型：

式中：w和b是模型的参数，w是法向量，表示方向，b表示位置。模型的目标是使模型输出f()x与真实输出y之间尽可能接近。假设f()x与y之间最多有ε的误差，仅当f()x与y之间的差的绝对值大于ε时才计算损失。

雨刮-风窗摩擦噪声较为复杂，客观参数与主观评价结果之间具有非线性关系，从输入空间到特征空间的映射会让维度爆炸式增长。常用的核函数有线性核、多项式核、径向基核函数等，高斯径向基函数是一种局部性强的核函数，可以将一个样本映射到一个更高维的空间内，故核函数采用高斯径向基函数：

式中：||·||是向量的模；参数σ表示作用宽度；i=1，2，…，m。x、xi为低维Rn的向量，κ(x，xi)是x、xi映射到高维R∞后的核函数。

引入拉格朗日乘子αi，得到最终得到模型为

为实现上述模型，设置迭代次数为100，种群规模为50，初始的其他参数由验证后得到默认值。调用Matlab软件中的libsvm工具箱对样本进行训练预测。

本文模型适用于双雨刮的雨刮-风窗系统试验用车，针对雨刮-风窗雨刮系统的摩擦噪声，从测得的48个噪声信号中选取24个，并各截取5 s作为实验样本。实验样本包括4种(低速干燥、高速干燥、低速湿润、高速湿润)工况，每种工况选取6个样本，共计24个样本。得到样本后，分别计算其响度、尖锐度、粗糙度和A计权声压级。其中，A计权声压级、响度、尖锐度随速度的增大而增大，粗糙度受影响较小；干燥状态下的A计权声压级、响度、尖锐度和粗糙度高于湿润状态。烦躁度与响度的相关系数为0.985，相关性最强，烦躁度与尖锐度的相关系数为0.872，因此，选取响度与尖锐度作为评价模型的预测因子。从样本集中随机选用6个实验样本作为测试检验集，18个样本是同一次实验测得并通过截选得到的，测试集预测结果如图8所示。在随机条件下选取的样本均方误差(Mean Square Erro, MSE)为0.046，决定系数(R2)达到0.960。实验结果说明评价模型的预测稳定性较好。

图8 训练集预测结果与真实值对比Fig.8 Comparison of training set prediction results with true values

测试集实验样本的真实值与预测值之间的误差率如表4所示。由表4可知，测试集预测值与真实值最大误差率为11.32%，考虑到选取样本的随机性，说明预测模型的泛化性较高，新数据应用到该模型也能得出较好的预测效果。

表4 预测模型的预测误差率Table 4 The prediction error rate of the prediction model

5 结 论

通过以上研究，本文得到如下结论：

(1) 实车试验测量了雨刮-风窗系统车内的摩擦噪声，在雨刮运行的两个反转位置达到峰值，声压在低频部分衰减较慢，而在高频部分衰减较快，具有一定的复杂性。

(2) 运用心理声学客观指标，计算得出雨刮-风窗系统运行时的反转噪声是影响声品质的主要因素；在相同湿润条件下，高速工况的响度和尖锐度高于低速工况，粗糙度随速度变化较小。

(3) 基于声品质主观评价试验，采用支持向量机模型对雨刮-风窗系统摩擦噪声的声品质进行预测，该模型主要由响度与尖锐度决定，具有较好的预测能力，为改善车内声品质提供一定的参考。