着眼于主观烦扰度的混合动力汽车声品质评价方法研究*

莫 愁，陈吉清，兰凤崇

(华南理工大学机械与汽车工程学院，广州 510640)



2015225

着眼于主观烦扰度的混合动力汽车声品质评价方法研究*

莫 愁，陈吉清，兰凤崇

(华南理工大学机械与汽车工程学院，广州 510640)

采用成对比较法对某混合动力汽车在不同行驶工况下录制的9段噪声，进行主观声品质评价。接着分别采用回归分析法和神经模糊逻辑算法建立了基于心理声学参数的主观烦扰度预测模型。最后建立了声品质等级评价标准。所提出的评价方法可实现汽车声品质快速评价，缩短产品开发周期，提高汽车舒适性能。

混合动力汽车;声品质;烦扰度;心理声学参数;神经模糊逻辑算法

前言

整体而言，混合动力汽车(HEV)的振动水平和声压级比传统汽车低[1]，但由于动力源增加、底盘结构改变、工作模式增多等原因，HEV的NVH问题比传统燃油汽车更复杂，尤其是由于电磁噪声增加，声品质的问题比传统汽车更突出。与汽车的环保性能相比，NVH性能更能被顾客直接感受到，是产品竞争力的主要指标之一。因此，HEV声品质评价和控制显得更为重要。

国外对声品质研究较早，早在1991年，AVL李斯特公司按照声学特征将60种代表性的发动机噪声归纳为8类评价指标，建立了完整的噪声族谱测试方法和以数理统计为基础的主观评价方法[2]。文献[3]中利用人工神经网络方法实现了汽车加速噪声声品质客观评价。文献[4]中证明了汽车空调噪声粗糙感与响度，以及距离感、轻快感与尖锐度均具有较强的相关性。近年来，国内一些学者也在这方面做了研究。文献[5]中以3款车型多种巡航速度的车内噪声为载体，分析了主观评价值与心理声学参数之间的关系。文献[6]中应用多层感知神经网络算法建立了由柴油机心理声学参数预测声品质主观评价值的模型。目前研究大多以传统车辆动力或传统车辆为对象，很少涉及HEV车内声品质，但其方法可以为评价HEV声品质提供借鉴。

本文中测取一款HEV多个工况下的车内噪声，组织不同性别、年龄、职业的评价者以成对比较法对声品质进行主观评价；分析了不同类型评价者对主观评价结果的影响；分析主观烦扰度与心理声学参数关系后，利用神经模糊逻辑算法建立了主观烦扰度预测模型，并确定了声品质等级评价标准。

1 HEV心理声学参数测量与主观评价

1.1 心理声学参数选择

声品质描述具有较强的主观性，且发展时间仅有20多年，国际上很多学者和研究机构都提出了各自使用的心理声学参数，但目前为止，除响度和语音干扰级外，其它参数均没有国际统一的标准。因此要根据参数的适用范围和研究对象的特点，选择合适的心理声学参数。

常见的5个心理声学参数中，响度(loudness)适宜用于评价中高频声音；粗糙度(roughness)适合评价20～200Hz的低频声音；尖锐度(sharpness)适合评价高频声音；抖晃度(fluctuation)适用于20Hz以下声音；而有调度(tonality)是声音频谱信号中纯音成分所占比例的度量，噪声和宽频噪声有调度几乎为零。基于此，考虑HEV噪声频率范围从低频到高频都存在，本文中选取响度、粗糙度和尖锐度作为客观评价参数。

1.2 心理声学参数测量方法和仪器

汽车运作在怠速、起步、缓慢加速、急速加速、缓慢减速、制动减速、稳速30km/h、稳速60km/h和稳速120km/h共9个工况，将Head HMS III人工头固定在副驾驶员位置，使用Head SQLab III多通道测试系统记录噪声。成对比较法操作经验表明[7]，5s长度的样本比较适合评价人员做出准确判断，故每段声音记录5s。使用Head Analyser Artemis 7.0软件读取响度、粗糙度和尖锐度3个心理声学参数，并将9段声音转换为WAV格式。

1.3 主观评价人员的选择

评价人员选择应遵循以下原则：

(1) 要求评价人员身体健康，听力状况良好；

(2) 评价人员年龄应有较宽范围，男性应比女性所占比例大；

(3) 评价人员要保证有声学经验的专业人员占有一定的比例；

(4) 评价人员不能太少，否则缺乏统计意义；

(5) 评价人员尽可能选择目标或潜在顾客。

本文中，有40位评价人员，他们均具有正常的听力。其中，年龄小于30岁的为8人，30-45岁的为22人，大于45岁的为10人；男性为30人，女性为10人；具有声学经验的专业人员为12人，普通人员为28人。

1.4 主观评价方法

车辆声品质主观评价通常有直接评分和成对比较两种方法[7]。直接评分法是评价人员按自己的经验对所回放的声音按七级评分制或五级评分制给出评价等级，研究者对评分值进行数理统计分析，从而得出评价结果。由于各人判断等级的标准不统一，评价结果比较分散，且对评价人员要求较高，一般需要具备相关的专业经验。成对比较法是将评价对象两两配合成不重复的对，研究者随机抽取每一对给评价者判断哪个对象好或一样，研究者再采用统计方法进行分析，并给出置信度。这种方法操作简单，对评价人员的要求低，可信度高。

本文中使用成对比较法进行声品质主观评价。将录制的9段声音两两配对为36对，随机抽取每一对回放给每个评价者听，如果评价者认为由A和B两段声音组成的某对中的A声音好则给A计1分，给B计0分；如果认为相同，则各计0.5分。为尽量还原噪声声品质，声音回放时使用与人工头配套的高质量耳机。为了避免对前段声音感觉遗忘，A和B两段声音播放间隔和评价者做出判断时间均不超3s。

从声音测取到客观心理参数读取和主观评价整个过程如图1所示。

2 不同类型评价者对主观评价结果影响分析

按第1节所述方法对测试所得噪声进行声品质主观评价时，由于评价者受外界或自身的多种因素干扰，须要剔除受影响较大的结果，且其评价值要进行一致性系数修正，以保证评价结果的整体有效性。国际上普遍认为，一致性系数0.6以上可以接受，最好在0.7以上，系数较低的10%评价者的数据应予以剔除[7]。依此规则，本文中剔除4份一致性系数低于0.7的数据。

不区分年龄段、性别和职业，将所有评价者对9段声音的主观评价分值累加得主观评价总分值，分值越高表示认为该段声音声品质好的评价者越多。再区分年龄段、性别、是否专业人员分类统计评价者对9段声音的评价结果，分析不同类型评价者之间的相关性和他们与不区分评价者类型总评价结果的相关性，结果见表1。对各种因素下的评价值进行相关分析，同时引入显著性水平α=0.05进行方差分析，结果见表2。

表1 各类评价者相关系数

表2 各类影响因素方差分析

从表1和表2可以总结出以下规律。

(1)不同年龄段、男性以及是否声学专业人员等因素与总体评价值之间存在较强的正相关性，相关系数在0.56～0.91，这些因素不同会造成最终评价结果的差异。

(2)不同年龄段之间、不同性别之间和是否声学专业人员之间相关性不强，最大值相关系数为0.44 ，可以忽略它们之间的相关性。从另一个角度看，年龄范围的选取、性别的区分以及是否具备专业经验在车辆声品质评价方案中必须加以考虑。

(3) 各种影响因素的样本评价标准差基本相当，在2.51～2.65小幅波动。除女性的F值比F0.95值小外，其余均比F0.95值大，说明女性评价者的评价结果对总体评价结果不产生显著影响。

3 声品质评价模型的建立

3.1 主观评价值与客观评价值计算

考虑年龄段、性别和是否有声学经验，计算主观评价值时给予不同的权重因子[8-9]。权重因子取值采用经验值：年龄30岁以下取1，30-45岁取1.4，45岁以上取1.2；男性取2，女性取1；专业人员取1.5，普通人员取1。将给予权重的主观评价得分以选率参数衡量某段声音的主观评价优劣，结果见表3。选率指评价人员对某段声音在进行主观评价时的选择率，通过统计该声音的得分情况与满分相比并取百分数而得。选率越高，表明评价者对该种声音越满意，因而其主观烦扰度(subjective annoyance,SA)就越低。主观烦扰度是选率的倒数。选率和SA结果见表3第3和第4列。

表3 车内噪声主观评价值和客观评价值

对9段声音读取其声压级，见表3第2列。分别对9种工况的录音读取对应的响度、粗糙度和尖锐度3种心理声学参数作为对噪声主观感受进行描述的客观量，结果见表3第5至第7列。

3.2 主观烦扰度与客观评价参数关系分析

由表3可见，第7段声音的SA最大， 但其声压级并非最大，第8段声音的SA最小，但其声压级并非最小，可见主观评价指标大小与客观评价指标声压级大小没有对应关系。

对SA与心理声学参数进行回归分析，其结果如图2～图4所示，各相关系数也标注图中。图2～图4中直线为回归方程，散点为主观烦扰度值。由图可以看出，SA与响度之间相关紧密，具有较高的相关系数(r=0.91)。粗糙度和尖锐度则对主观烦扰度的影响要小，两者与主观烦扰度的相关系数分别为0.59和0.49，尤其是尖锐度离散程度较大。上述分析表明，响度对SA的影响起着主要作用，其他学者的研究中也有相同结论[10]。

3.3 车内噪声声品质评价模型的建立

3.3.1 烦扰度线性回归预测模型的建立

第3.2节相关分析表明，SA与心理声学参数(响度、粗糙度和尖锐度)之间存在一定的相关性，因而可以采用线性回归方法建立SA与心理声学参数间的关系预测模型，参照文献[5]中所述方法建立的预测模型为

SA=0.4429L+0.0658R-0.589S-14.2771

(1)

式中：L，R和S分别为响度、粗糙度和尖锐度值。

为验证所建立模型的准确性，使用测试所得客观心理声学参数代入式(1)，得到主观烦扰度SA预测值，将该预测值与主观评价试验时该组心理声学参数对应所得主观烦扰度作比较，以相对误差评估预测模型的准确程度。将表3所列3个心理声学参数代入式(1)预测SA，结果见表4第3列。由数据可见，预测结果与试验值有较大差距，尽管显著性水平α=0.03，决定系数r2=0.82，属比较满意范围[5]，但误差普遍较大，见表4第4列，最大达154%。

表4 模型预测主观烦扰度结果对比

注：主观烦扰度应为非负值，若预测值为负数，计算误差时以0计。

3.3.2 烦扰度神经模糊逻辑预测模型的建立

模糊控制把操作经验、表达知识等转化为模糊规则，再按此规则对被控对象进行控制。神经网络模仿人类大脑的结构和功能，具有信息处理、记忆和学习的能力。将神经网络嵌入模糊控制系统中，模糊逻辑规则建立在神经网络对大量训练数据学习基础之上，显然比基于经验的规则更客观、更高效。

将神经网络与Sugeno模糊模型结合生成隶属度函数和模糊规则按以下步骤进行[11]：

(1) 训练数据设置 训练数据选取表3所列心理声学参数和SA，生成初始模糊推理系统选用网格法，选取6个模糊子集覆盖输入变量，输入变量隶属函数选用高斯型，输出量隶属函数选用线性；

(2) 训练方法设置 选用混合法训练数据，误差精度取0.001，经过测试，训练20次即可达到要求误差精度；

(3)隶属度函数参数和模糊规则生成 经过训练，系统自动得出模糊推理系统的隶属度函数参数和模糊规则，输出变量SA的隶属度函数为输入变量响度(L)、粗糙度(R)和尖锐度(S)值的数学关系式。

经过以上步骤，得到图5所示声品质预测模型。基于所建模型，输入实测心理声学参数L，R和S即可预测得到SA。将表3心理声学参数输入，得到的预测结果见表4第5列，相对误差见第6列。由表4可见，由此模型预测所得SA误差很小，最大仅2%。

3.3.3 声品质主观评价等级评价标准的建立

按第1.4节所述方法对9段声音做成对比较评估后，40名评价者再听这9段声音，对每段声音在“优”、“良”或“差”3种感受中选择1种做主观评价，评价过程中，如果无法马上做清晰判断，可重放任何一段声音。评价结果，第2、第4和第7段声音分别成为被评为“优”、“良”和“差”的“票数”最多者，对应的SA值分别为2.98，10.60和25.40。这3个最多票数，实际上就是被评为该主观评价等级的频度峰值。因此，简单而不失合理性，可选取相邻峰值对应的SA的平均值，作为主观评价等级的分界值。按此方法计算结果，圆整得到的分界值为7和18。最终得到声品质主观评价等级划分标准，如表5所示。

表5 声品质主观评价等级评价标准

4 结论

(1) 建立了一款HEV实车车内噪声声品质主观评价模型。基于对不同类型评价者对主观评价结果影响的分析以及主观烦扰度与客观心理声学参数关系的分析，利用神经模糊逻辑算法建立了主观烦扰度预测模型，进而建立了HEV声品质等级评价标准。所做研究为产品开发过程中HEV声品质快速评价提供了一种比较可靠的方法。

(2) 对比线性回归预测模型和神经模糊逻辑预测模型，前者使用更简便，但预测准确度较低；后者使用稍复杂，但预测准确度更高。实际运用时应根据具体需要选用合适的预测模型。

(3) 通常意义上的声品质评价主观性较强，评价者之间没有统一标准，评价结果可信度不高。HEV声品质主观评价核心问题是建立相对客观的评价标准。本文中研究证明主观评价与心理声学参数之间有着复杂的相关性，进而建立了HEV心理声学参数与声品质主观评价之间的联系，可以基于试验所得心理声学参数评价汽车声品质等级。

[1] 赵彤航,卢炳武,曹蕴涛. 混合动力轿车振动噪声控制技术[J]. 吉林大学学报(工学版), 2012,42(6):1373-1377.

[2] Schiftbanker H, Brandl F K, Thien Q E, et al. Development and Application of an Evaluation Technique to Assess the Subjective Character of Engine Noise [ J ].SAE Transactions,1991，100 (6): 1536-1546.

[3] Kim Sung-Jong, Lee Sang Kwon, Park Dong-Chul, et al. Objective Evaluation for the Passenger Car During Acceleration Based on the Sound Metric and Artificial Neural Network[C]. SAE Paper 2007-01-2396.

[4] Ryota Nakasaki, Hiroshi Hasegawa, Masao Kasuga. Subjective Evaluation of Sound Images of Air-conditioning System in a Vehicle[J]. Acoust Sci.& Tech， 2011，32(4)：137-142.

[5] 舒歌群,王养军,卫海桥,等. 汽车车内噪声声品质的测试与评价[J]. 内燃机学报，2007,25(1):77-83.

[6] 刘海,张俊红,张桂昌,等. 车用柴油机噪声品质预测模型的建立[J]. 机械工程学报，2012,48(2):159-164.

[7] 毛东兴,俞悟周,王佐民. 声品质成对比较主观评价的数据检验及判据[J]. 声学学报,2005,30(5):466-472.

[8] Shkrreli V, Vandenbrink K A. The Use of Subjective Jury Evaluations for Interior Acoustic Packaging[C].SAE Paper 2003-01-1506.

[9] Otto N，Amman S, Eaton C，et al. Guidelines for Jury Evaluations of Automotive Sounds[J].Sound and Vibration,2001,35 (4): 24-27.

[10] 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.

[11] 石辛民, 郝整清. 模糊控制及其MATLAB仿真[M]. 北京:清华大学出版社,2008.

A Study on Sound Quality Evaluation Method for Hybrid Electric Vehicles Focusing on Subjective Annoyance

Mo Chou，Chen Jiqing，Lan Fengchong

SchoolofMechanical&AutomotiveEngineering,SouthChinaUniversityofTechnology,Guangzhou, 510640

A sound quality subjective evaluation is conducted on nine noise samples recorded from a hybrid electric vehicle under different driving conditions by using paired comparison method. Then both regression analysis method and neural fuzzy logic algorithm are adopted to create a subjective annoyance prediction model based on psychoacoustic parameters. Finally an evaluation standard of sound quality grade is established. The evaluation method proposed can quickly evaluate the sound quality, shorten the development cycle and improve the comfort performance of vehicles.

HEV; sound quality; degree of annoyance; psychoacoustic parameters; neural fuzzy logic algorithm

*广东省战略性新兴产业专项资金((穗)发改工[2011]14)资助。

原稿收到日期为2014年3月31日，修改稿收到日期为2014年6月26日。