汽油-天然气双燃料发动机噪声粗糙度分析*

毛 杰，郝志勇，张庆辉，郑 旭

(浙江大学能源工程学系，杭州 310027)



2015058

汽油-天然气双燃料发动机噪声粗糙度分析*

毛 杰，郝志勇，张庆辉，郑 旭

(浙江大学能源工程学系，杭州 310027)

鉴于声品质客观评价中，噪声粗糙度算法尚未标准化，本文中提出了改进的Aures粗糙度算法(MARA)。选取最大转矩转速(3 800r/min)为研究工况，进行了某汽油-天然气双燃料发动机的声学性能台架试验。结果表明，燃用汽油时两个测点的声学响应均大于燃用天然气时的声学响应，整机辐射声功率级分别为106.2和103.7dB(A)。但人耳主观感觉却是燃用天然气时的噪声粗糙度比燃用汽油时大。采用MARA客观评价该发动机的噪声粗糙度的结果显示，燃用天然气时测点1和测点2的噪声总粗糙度分别比燃用汽油时大12.2%和4.3%，间接验证了MARA客观评价更接近于人耳主观感觉。

压缩天然气发动机; 汽油机; 噪声粗糙度; 改进的Aures粗糙度算法

前言

心理声学的研究背景之一是试验测得的声学性能参数(如声压、声强等)已经无法直接反映人耳的听觉感受。因此，学者们开展了声激励与人耳听觉之间对应关系的研究，提出了定量表示该关系的心理声学参数，如响度、尖锐度、粗糙度和抖动度等[1]。其中响度和尖锐度的计算模型已经被广泛接受并标准化。比如，基于等响度曲线的Zwicker响度模型已被收入ISO 532B中；尖锐度模型也可在多个国家标准中查阅，如德国标准DIN 45692[2]。

在工程中，通常认为A计权声压级(或声功率级)与人耳的听觉较为接近，可用来评价噪声的品质。然而，它不能反映一些重要的声学性能，如噪声随时间的波动。噪声的时域波动可以基于粗糙度、音调、抖动度等声品质客观参数，描述人耳对声音信号瞬时变化的感觉，与声音的调制频率、调制比等参数具有较大的关系。当调制频率低于15Hz时，声音在人耳中表现为抖动度，单位为vacil；随着调制频率升高，声音在人耳中表现为粗糙度，单位为asper；若调制频率进一步升高，则表现为高频的音调[3]。研究发现，粗糙度对于异响的贡献很大[4]，而目前异响在汽车销售3个月后的投诉项中占了6%。

基于粗糙度在声品质客观评价系统中的重要性，且暂无相关的计算标准这一情况，本文中提出了一种改进的粗糙度模型，计算了某汽油-天然气双燃料发动机的噪声粗糙度，通过试验结果的对比与分析间接验证算法的有效性。

1 改进的粗糙度计算模型

常用的粗糙度计算方法有Fastl模型[5]和Aures模型[6]，其核心差异在于采用不同的方法将特征频带内的声激励级转化为粗糙度。其中Fastl模型假设每个特征频带内的声激励级差与粗糙度呈正比例关系，然而对于复杂或非稳态的声信号而言，准确的声激励差很难获取。虽然Fastl和Aures粗糙度模型的建立已经超过20年，并且基于它们的应用和成果也很多，但对其进行理论上的分析和改进却较为罕见。

基于这种背景，本文在Aures粗糙度模型的基础上，提出了改进的粗糙度算法(MARA)，考虑了单耳结构(即外耳、中耳和内耳)的完整声传递函数，使算法与人耳听觉系统更加接近，最终基于MARA完成了某汽油—天然气双燃料发动机的噪声粗糙度分析。本文未研究双耳听觉系统，因为一般对于双耳模型的处理是单纯简化为两个单耳模型的叠加，研究意义不大；或者采集大量的声品质主观评价试验数据而进行归一化处理，得到一般性的结论。由于单耳模型是研究双耳模型的基础，因此，本文中改进了针对单耳模型的噪声粗糙度算法，并成功将其应用于工程问题。

1.1 时域信号特征频带化

当两个声音A和B同时存在时，声音A在人耳中的感觉会受到声音B的干扰，使A的听阈提高，这种现象称为声音的掩蔽效应。若单个反射声的延迟时间大于50ms，人耳会感觉到回声[7]。为了防止直达声与回声之间发生掩蔽效应，以提升MARA的计算精度，本文中将试验测得的发动机噪声时域信号等分成一组连续的50ms时长的子信号。子信号加汉宁窗处理后，再经快速傅里叶变换得到频域结果。采用MARA求解各个子信号的平均粗糙度值，最终得到整个测试时间内的粗糙度变化曲线。

人耳听觉产生于镫骨的振动，再依次刺激内耳基底膜的不同区域和听觉神经。在心理声学中，在考虑掩蔽效应的基础上，常用临界频带和临界频带率来描述人耳听觉系统对声音频率的选择特性。其中，临界频带率z(单位为Bark，与内耳基底膜的长度呈线性关系)比频率更能准确地反映人耳对声音的主观感觉。临界频带率与频率f(单位为kHz)和1/3倍频程中心频率fc(单位为kHz)的对应关系分别为

(1)

(2)

1.2 人耳传递函数

人的听觉器官可以分为外耳、中耳和内耳3部分[8]。声音从外界环境传递到人耳，大概可以分为两个阶段。

第一阶段为外耳和中耳的共同作用，产生影响的结构主要是耳廓、耳道、耳膜和鼓室。此时，声音的传递可以用一个二阶低通滤波器等效表述，其共振频率和截止频率分别为4和5.6kHz，得到外耳和中耳的声传递函数，即声压级与频率的关系，如图1(a)所示。

第二阶段为内耳的作用，产生影响的主要结构是耳蜗。声音到达耳蜗的激励可以用E表示，相应的激励级为

LE=10lg(E/E0)

(3)

式中：E0为参考激励，表示自由声场中频率为1 000Hz、声压级为0的单频声对耳蜗造成的激励。

此外，人耳听阈值对应的激励ETH在不同的频率下具有不同的幅值[9]。当频率大于500Hz后，ETH可以认为是常数，如表1所示[10]。

表1 人耳听阈值对应的激励与频率的关系

注：ETH的单位经取级后转换成dB(10lgETH)。

声音通过鼓膜和听骨链的振动引发了基底膜行波，使蜗隔的上下振动从蜗底向蜗顶方向传至对声音频率反应最大的部位，即为耳蜗放大器的工作原理[11]。

耳蜗放大器在特定频率下的低能级增益G，随着频率的变化而变化，其值可以通过以下关系确定：若ETH在某频率下的值是其在500Hz时的k倍时，则该频率下G=1/k。耳蜗放大器的低能级增益与频率之间的关系如图1(b)所示。

此外，在特征频率尺度下，每个频率成分的声音传到基底膜上产生的作用，均能等效成一种三角形的激励模式，用以模拟声激励作用在基底膜的不同位置。三角形激励的最大值出现在激励频率对应的特征频带率上，并以不同的斜率S1和S2分别向低频域和高频域衰减，其中斜率S1和S2基于Terhardt的研究成果[12]。

S1=27

(4)

S2=-24-230/f+0.2LI

(5)

式中：S1和S2的单位是dB/Bark；f是激励的频率；LI是激励的声强级。

图2所示是频率为1 000和2 000Hz、声强级分别为60和80dB的单频声在特征频带尺度下的三角形激励模式，图中左右斜边的斜率分别为S1和S2。从图中可见，随着激励频率和声强级的增大，三角形的面积越大，作用的特征频带也越宽。各个特征频带内的激励级是各频率成分的三角形激励在该频带内的能量叠加。

外界声信号经过上述传递函数的处理后，得到声音在听觉神经末梢形成的声学信号，即可进入下一步的粗糙度计算。

1.3 调制指数

粗糙度的计算式[1, 9]为

(6)

式中:fmod为调制频率；LE为激励级差。

mi与l(zi)乘积的平方等效于式(6)中fmod与LE的乘积。其中，l(zi)为计权函数，表示粗糙度对调幅声载波频率的依赖程度[13]，如图4所示。

此时，由于不同特征频带率下的调制特性存在不相关性，若简单地采用mi与l(zi)乘积的平方来计算粗糙度，将得到过高的评价值。因此，在计算特征粗糙度时，须考虑相邻特征频带通道之间的互相关系数ci的作用。

综上所述，第i个特征频带率下的特征粗糙度可表示为

Ri=(ci·li·mi)2

(7)

式中ci和mi的选取及Ri的具体计算过程可参见文献[2]。

粗糙度总值R由各特征频带率下的特征粗糙度叠加得到，即

(8)

式中：C为校准系数，在本文中取0.25。

MARA在Aures粗糙度模型的基础上，考虑了外耳、中耳和内耳的传递函数，提高了计算模型的完整性，利于提升噪声粗糙度客观评价结果与主观评价的一致性。

2 双燃料发动机噪声粗糙度分析

2.1 发动机噪声测试

在客观评价发动机噪声品质时，通常将人工头或传声器置于发动机前面、与发动机前端面、侧表面和地面的垂直距离均为1m左右的两个点上[14]，如图5所示。测点1和测点2分别位于发动机的排气侧和进气侧。

选取最大转矩转速3 800r/min作为研究工况，在标准的半消声室内进行试验，得到双燃料发动机分别燃用汽油和压缩天然气时的声学响应，结果如图6所示。从图6(a)中可见，在先后燃用汽油和天然气时，测点1的A计权声压级曲线趋势基本一致，在个别频率下，燃用汽油时的声压级峰值大于燃用天然气时，同时在局部频段也出现了峰值错开的现象。此外，测点1在燃用汽油时的总声压级为89.2dB(A)，在燃用天然气时为88.6dB(A)。测点2的声学响应情况与测点1基本相同，在燃用汽油和天然气时的总声压级分别为89.1和88.7dB(A)。

此外，本次研究参照国家标准GB/T 1859—2000 《往复式内燃机辐射的空气噪声测量工程法及简易法》，完成了整机声学性能的评测，得到3 800r/min下燃用汽油和天然气时的整机辐射声功率分别为106.2和103.7dB(A)。

2.2 噪声粗糙度分析

虽然发动机燃用汽油时的整机和声品质测点的声学响应均大于燃用天然气时，但是试验人员主观感觉到在测点1和测点2附近，燃用天然气时的噪声饱满度明显较小，使得声音听起来不平顺，即粗糙度较大，并且测点1处的感觉比测点2处明显。然而，这种噪声饱满度不足、粗糙度较大的现象无法从A计权声学结果中体现出来，接下去分析MARA计算得到的粗糙度结果能否对上述现象进行合理的阐述。

基于上文的MARA理论，将测点1和测点2噪声的时域信号等分成一组时长为50ms的连续子信号，通过推导的公式求得各个子信号的平均粗糙度，最终得到测点1和测点2分别在燃用汽油和天然气时的噪声粗糙度时域曲线，如图7所示。

从图7(a)中可以看到，基于MARA得到测点1在燃用天然气时的噪声粗糙度曲线明显高于燃用汽油时的结果。计算发现，测试时间(10s)内，测点1在燃用天然气时的总粗糙度为0.46asper，比燃用汽油时的总粗糙度0.41asper高12.2%，以至于人耳在测点1附近能够明显感受到燃用两种燃料时噪声饱满度和平顺性的差别。在图7(b)中，测点2在燃用两种燃料时噪声粗糙度曲线波动范围的差别不明显，燃用天然气和汽油时的总噪声粗糙度分别为0.48和0.46asper，前者比后者高4.3%，人耳也能感觉到两者的差别，但是效果没有测点1处那么明显。

总体而言，基于MARA得到的噪声粗糙度结果与人耳的主观感受之间具有较好的一致性，可以在一定程度上保证新算法的可靠性和有效性。

3 总结

本文从理论和试验相结合的角度，对某汽油-天然气双燃料发动机的噪声粗糙度进行了深入分析，总结如下：

(1) 提出了经改进的Aures粗糙度算法(MARA)，考虑了声音在单耳中的完整传递函数，提升了粗糙度结果与人耳主观听觉的契合度；

(2) 采用MARA客观评价了发动机燃烧不同燃料时的噪声粗糙度，结果显示各测点的粗糙度结果与人耳的主观感受基本保持一致，间接验证了MARA的可靠性和有效性。

[1] Fastl H, Zwicker E. Psychoacoustics: Facts and Models [M].Berlin: Springer, 2006.

[2] Wang Y S, Shen G Q, Guo H,et al. Roughness Modelling Based on Human Auditory Perception for Sound Quality Evaluation of Vehicle Interior Noise[J]. Journal of Sound and Vibration, 2013, 332(16): 3893-3904.

[3] Shin T J, Park D C, Lee S K. Objective Evaluation of Door-closing Sound Quality Based on Physiological Acoustics[J]. International Journal of Automotive Technology, 2013, 14(1): 133-141.

[4] Shin S H, Cheong C L. Experimental Characterization of Instrument Panel Buzz, Squeak and Rattle (BSR) in a Vehicle[J]. Applied Acoustics, 2010, 71(12): 1162-1168.

[5] Fastl H. The Hearing Sensation Roughness and Neuronal Responses to AM-tones[J]. Hearing Research, 1990, 46(3): 293-296.

[6] Aures W. A Procedure for Calculating Auditory Roughness[J]. Acustica, 1985, 58(5): 268-281.

[7] 马大猷. 噪声与振动控制工程手册[M]. 北京: 机械工业出版社, 2002: 51-57.

[8] Guinan J J, Cooper N P. Medial Olivocochlear Efferent Inhibition of Basilar-membrane Responses to Clicks: Evidence for Two Modes of Cochlear Mechanical Excitation[J]. Journal of the Acoustical Society of America, 2008, 124(2): 1080-1092.

[9] Mao J, Hao Z Y, Zheng K, et al. Experimental Validation of Sound Quality Simulation and Optimization of a Four-cylinder Diesel Engine[J].Journal of Zhejiang University-Science A, 2013, 14(5): 341-352.

[10] American National Standards Institute. ANSIS3.4-2005. Procedure for the Computation of Loudness of Steady Sounds[S]. New York, USA, 2005.

[11] Khanna S M. The Response of the Apical Turn of Cochlea With a Tuned Amplifier With Negative Feedback[J]. Hearing Research, 2004, 194(1-2): 97-108.

[12] Terhardt E. Calculating Virtual Pitch[J]. Hearing Research, 1979, 1: 487-489.

[13] Fastl H. The Psychoacoustics of Sound-quality Evaluation[J]. Acustica, 1997, 93: 754-764.

[14] 胡国强, 陈晓东, 孙柏林, 等. 4缸柴油机怠速噪声及声品质优化研究[J]. 内燃机工程, 2009, 30(4): 78-81,86.

An Analysis on the Noise Roughness of a Gasoline/CNG Dual Fuel Engine

Mao Jie, Hao Zhiyong, Zhang Qinghui & Zheng Xu

DepartmentofEnergyEngineering,ZhejiangUniversity,Hangzhou310027

In view of that the noise roughness algorithm has not been standardized in sound quality objective evaluation, a modified Aures roughness algorithm (MARA) is proposed in this paper. An acoustic performance bench test on a gasoline/natural gas dual fuel engine is conducted at its maximum torque rotating speed of 3 800r/min. The results indicate that the acoustic responses at two measuring points when fueling gasoline are higher than that when fueling natural gas, and the radiated sound power level of whole engine with different fuels are 106.2db and 103.7db respectively. But the subjective perception of human ears is just the opposite, i.e. the noise roughness of engine when fueling natural gas is higher than that when fueling gasoline. The results of objective evaluation for engine noise roughness with MARA algorithm show that the overall noise roughness of measuring point 1 and 2 when fueling natural gas are 12.2% and 4.3% higher than that when fueling gasoline respectively, indirectly validating that MARA objective evaluation is closer to the subjective hearing sensation of human ears.

CNG engine; gasoline engine; noise roughness; modified Aures roughness algorithm

*国际科技合资项目(2007DFB50150-2)资助。

原稿收到日期为2013年6月14日，修改稿收到日期为2013年9月28日。