传递路径分析在车内声品质优化中的应用

曾发林，魏良本，商志豪，徐求福

（江苏大学汽车工程研究院，江苏 镇江 212000）

1 引言

随着经济的迅速发展，国内外汽车市场日益壮大，同时消费者也对汽车的性能提出了更高的要求［1］。NVH性能是评价汽车质量的重要指标，很大程度上也影响了消费者购买汽车的意愿。

车内噪声主要包括动力总成噪声、路噪、空气噪声等［2］。噪声问题的解决，一般可参照“激励源—传递路径—接收者”的模型进行分析解决［3］。道路行驶工况下，路面激励经结构路径和空气路径传递到车内。为有效识别各路径对车内噪声的贡献量，传递路径分析方法应运而生。

自上世纪80年代诞生伊始，TPA方法得到了众多学者和公司的广泛应用。文献［4］针对某皮卡车内轰鸣声进行混合TPA试验，有效识别出各结构路径和声学路径对车内轰鸣声的贡献量。文献［5］结合TPA试验与有限元仿真，确定了后桥噪声的主要结构传递路径。文献［6］针对车内稳态噪声问题，建立了整车TPA分析模型，实现了车内噪声（3～5）dB（A）的有效降低。文献［7］对某轻客驾驶员座椅振动问题进行了研究，通过建立包含15条传递路径的TPA模型，分析各路径对响应点的振动贡献量。

传统TPA分析方法一般以降低车内噪声A声压级为优化目标，进而确定优化方案。A声压级的提出，考虑到了人耳对不同频率声音的感知能力不同。然而，该指标并不能全面反映车内驾驶员、乘客的主观感受和车内噪声的听觉特性［8］。声品质，这一指标以人为评价主体强调了声音的适宜性，正日益成为汽车噪声的主要评价标准［9］。

将经典传递路径分析与声品质相结合，既发挥了传统TPA方法反映噪声频谱特性的优点，又克服了其难以真实反映车内驾驶员主观感受的缺点［10］。借助声品质预测模型，实现各路径对车内声品质贡献量的定量分析。进而，结合模态分析和频谱分析对路径贡献较大的原因进行研究并提出优化方案。

2 传递路径分析

为判断该车型40km/h工况车内声品质较差原因，对驾驶员内耳位置麦克风采集的噪声信号进行频谱分析，如图1所示。频谱图在87Hz处存在明显峰值。（60～200）Hz频带车内噪声主要是由于路面激励引发底盘悬架系统共振导致，据此判断本车应为底盘件问题。具体路径的识别采用传递路径分析方法，分析各路径对车内噪声的贡献量，判别问题路径。

图1 主驾内耳噪声频谱Fig.1 Noise Spectrum of Driver’s Interior Ear

2.1 数据采集

考虑到路噪主要是结构声问题，可忽略贡献较小的空气声。因此，传统TPA公式可简化为：

本次研究的结构路径包括前后副车架安装点、减振器车身连接点、减震弹簧车身连接点、拖曳臂车身连接点等16个连接点，每个连接点分析X/Y/Z三方向，共48条结构路径。由式（1）可知，TPA模型的建立需要两方面数据：结构声传递函数（Noise Transfer Function，NTF）和测点工况数据。

在半消声室对内饰车身进行NTF 测试，如图2 所示。使用PCB模态力锤在各路径点处施加激励，在车内主驾内耳处布置麦克风传感器，测量得到结构声传递函数。对所有测点按照试验规范进行测试，得到全部48条路径的结构声传递函数。

根据GB/T18697-2002《声学-汽车车内噪声测量方法》在粗糙路面进行40km/h工况下的稳态噪声测试，得到各路径点处和车内驾驶员内耳处的15s工况数据。

2.2 建立TPA分析模型

利用Simcenter.Testlab 18软件的TPA 模块进行车内噪声合成，获得各路径噪声贡献量。

从合成车内噪声与实测车内噪声的对比可以看出：拟合噪声与实测噪声十分接近，证明了TPA分析模型的准确性。误差原因可能包括结构声传递函数低频精度差以及部分次要路径被忽略。实测噪声与拟合噪声，如图3所示。

图3 实测噪声与拟合噪声Fig.3 Comparison of Measured and Synthetic Noise

3 声品质GA-BP预测模型

为准确研究车内声品质，采用等级评分法和计算心理声学客观参量进行声品质主客观评价，并分别将其作为输入、输出得到基于GA-BP神经网络的车内声品质预测模型。

考虑到预测模型的建立，需要具有一定的样本容量。在试验场粗糙路面按照怠速、5km/h、（10～120）km/h间隔10km/h依次定速进行稳态噪声测试。试验同样参照GB/T18697-2002《声学-汽车车内噪声测量方法》，麦克风布置在驾驶员头枕处，每个工况采集3次、每次时间为15s，共得到42组稳态噪声样本。

3.1 主客观评价试验

采用等级评分法进行烦躁度评分，心理声学客观参量选用A计权声压级、响度、尖锐度和粗糙度。

主观评价时，为避免测试人员受不同噪声响度不一致影响，需要先对样本进行等响处理。同时，打乱样本顺序，避免主观臆测对实验结果产生影响。

招募30 位本专业本科生和研究生进行主观评价实验。其中，男性20人，女性10人，年龄在（20～30）岁之间。试验前预先给评价者播放几段声音样本，保证评价人员对试验流程和听音样本有一定了解。考虑到评价人员全部为学生，部分人员听音经验缺乏，难以准确区分烦躁度等级。本次实验简化了烦躁度等级评分法，按照表1进行打分评价。主观评价评分表，如表1所示。

表1 主观评价评分表Tab.1 Subjective Evaluation Scale

3.2 相关性分析

考虑到评价人员众多，为避免引入不稳定结果，需要对所有评价数据进行一致性检验。Spearman相关系数法对原始数据的变量分布没有要求，计算公式如下：

式中：r—Spearman秩相关系数；

Ui、Vi—不同变量的秩；

n—样本总数。

因此，利用SPSS软件对评价结果进行Spearman相关系数检验。主观评价样本数据一致性检验结果，如图4所示。Spearman相关系数小于0.7表示相关性较弱，剔除第8组和第22组数据，将剩下的28组样本应用于声品质预测模型。

图4 评价数据一致性检验结果Fig.4 Evaluate Data Consistency Test Results

为检验所选四个心理声学参量是否适合参与声品质计算，分别将其与烦躁度主观评价实验结果进行Spearman相关系数分析结果，如表2所示。A声压级、响度、尖锐度和粗糙度与烦躁度评分相关性均较强，均可应用于声品质预测。心理声学客观参量

表2 Spearman相关系数分析结果Tab.2 Spearman Correlation Coefficient Analysis Results

3.3 GA-BP声品质预测模型

建立3层BP神经网络模型，以上述四个心理声学客观参量为输入，主观评价烦躁度平均得分为输出。输入层节点数为4，输出层节点数为1。根据经验公式（3）：

式中：n、l—输入层、输出层节点数；α取（1～10）之间的整数。

确定隐含层节点数为6，构建拓扑结构为4-6-1的BP神经网络。由于BP神经网络存在稳定性差、容易陷入局部极值的缺陷，引入遗传算法（Genetic Algorithm，GA）优化BP（Back Propagation）神经网络的初始权值和阈值。设定种群规模50，最大遗传代数150，交叉概率0.3，变异概率0.05［11］。

随机选择36组噪声样本作为训练组样本，剩余6组噪声样本作为验证组。设定学习速率0.1，期望误差00001，仿真结果，如图5所示。

图5 GA-BP模型预测精度结果Fig.5 Prediction Accuracy Result of GA-BP

经验证：该预测模型最大误差为7.23%，平均误差为4.10%，具有较高的准确性。

4 声品质贡献量分析

根据第2节对车内噪声的TPA分析，可以得到各结构路径的Spectrum频谱数据，借助傅里叶逆变换可将频谱数据转换为时域数据。利用Simcenter.Testlab18软件的Sound Diagnosis模块计算所需的四个心理声学客观参量，即A声压级、响度、尖锐度和粗糙度。由于人耳频率可听阈为（20～20）kHz，计算前需要对时域信号进行截止频率为20Hz的高通滤波。

按照上述方法分别计算前述TPA分析得到的48条路径贡献量对应的心理声学客观参量，将其输入到声品质预测模型中，得到每条路径贡献量对应的烦躁度等级。考虑到路径较多，展示部分烦躁度等级较高的路径，如表3所示。

表3 部分路径与主驾内耳声品质计算结果对比Tab.3 Sound Quality Comparison Between Several Paths and Driver’s Interior Ear

由表3容易发现，部分路径的心理声学客观参量值比总的车内噪声大，这是因为声音存在“掩蔽效应”。

掩蔽效应（Auditory Masking），指两个声音信号叠加时，若其时间或频率非常接近、响度不同，则响度较大的声音会掩蔽响度较小的声音，使得响度较小的声音不容易被人耳感知到。频域掩蔽，指两个不同频率的声音信号同时出现，响度较小的声音信号很难被感知到。显然，声品质叠加过程中存在的非线性问题为掩蔽效应作用的结果。

上表3显示，贡献量最大的路径依次是后副车架的左后、右后和右前安装点Z向三条路径，推断后副车架存在问题。

5 优化方案及验证

5.1 方案制定

安装副车架的目的主要是减小路面振动传入车厢内部，后副车架与车身连接，其结构可简化为有阻尼单自由度系统，方程如下：

系统固有频率可表示为：

式中：ξ—系统阻尼比；

ωn—无阻尼固有频率。

为排查副车架模态是否存在问题，对实车状态下的副车架进行模态测试。测试结果表明：该副车架的模态频率分别为62.8Hz、76.5Hz、85.0Hz、101.6Hz、119.5Hz等。

该副车架在85Hz处存在第三阶模态，如图6所示。模态振型表现为Z向刚体模态与弯曲模态耦合。结合路径声品质贡献量识别结果，可以推断：后副车架模态被路面激励激起，引起共振导致车内声品质较差。

图6 副车架模态测试结果Fig.6 Modal Testing Result of Subframe

因此，考虑对后副车架模态频率进行改变。由式（4）可知，模态频率与衬套刚度、质量相关。增加质量与整车轻量化原则相悖，选择调整衬套刚度作为优化方案。由于系统固有频率随刚度减小而变小，同时考虑到衬套刚度对悬架特性的影响，依据工程经验将副车架衬套刚度降低为原来的85%。

5.2 方案验证

首先，利用Ansys有限元分析软件对副车架进行模态分析，优化后的样件第三阶模态频率为79.9Hz。将优化样件安装到实车上，再次进行粗糙路面40km/h道路测试结果，如图7所示。驾驶员内耳噪声原87Hz处峰值显著降低，下降了7.3dB，乘员主观感受车内声品质得到了明显改善，确认优化方案有效，如图8所示。

图7 副车架模态分析仿真结果Fig.7 Modal Analysis Result of Subframe

图8 优化后的车内噪声Fig.8 Optimized Interior Noise

6 结论

（1）GA-BP神经网络模型能够准确预测车内声品质，平均误差为4.1%，具有较高的准确性。（2）提出的结合传递路径分析和声品质的路噪问题优化思路，既能反映路径贡献量的频谱特性，也客观量化了各路径对车内声品质的贡献量，能够应用于车内声品质优化研究。（3）通过将后副车架衬套刚度降低15%，驾驶员内耳噪声87Hz处下降7.3dB，车内声品质主观感受明显改善。