基于人工神经网络的汽车声品质评价与应用研究

汽车声品质设计理念的提出,将汽车声学设计与消费者的需求紧密联系在一起,使之融入汽车整车及各零部件的声学设计中,体现了“以人为本”的设计理念。将声品质作为噪声的评价标准,建立一个良好的、舒适的、另消费者满意的车内声学环境,是当今汽车噪声研究的重要内容,也是未来的发展方向。目前,国内外对汽车声品质的研究并不成熟,还存还在很多亟待解决的问题,如:声品质主观评价试验耗时、耗财,工作量大;评价者易受疲劳及外界因素的影响,导致评价结果不准确;以往的多元线性回归模型推广能力差、预测精度低;声品质评价模型缺乏对改善车内声品质方面的实践应用和指导意义。本文旨在研究汽车声品质的预测模型及其在实践中的应用,尝试采用人工神经网络技术建立国产轿车的声品质预测模型,使该模型能够真实反映我国消费者对国产轿车声品质的主观感觉,并得出有效的、准确的评价结果,而无须进行主观评价试验及复杂的建模和计算。 本文以汽车车内声品质的评价技术与实践应用为贯穿全文的主线,针对我国中、高档轿车的车内声品质,以偏好性和烦躁度为评价指标分别进行了主观评价试验及客观量化描述。以主观评价试验结果为基础,采用人工神经网络的方法建立了声品质偏好性和声品质烦躁度的BP神经网络预测模型,通过与以往基于多元线性回归分析所建模型的对比分析,验证了神经网络模型的准确性和优越性。基于该模型和虚拟仪器技术建立了汽车声品质神经网络评价系统,利用该系统对试验车车内声品质进行了评价与分析,并采取有针对性的控制措施改善了车内声品质,验证了所建声品质神经网络预测模型的有效性和实用性。全文主要研究内容如下: 首先,针对匀速工况下B级轿车的车内声品质偏好性指标和加速工况下的声品质烦躁度指标进行主观评价试验。分别采用成对比较法和等级评分法对声音样本的声品质偏好性和声品质烦躁度指标进行主观评价试验,并对试验结果进行数据检验,剔除其中检验不合格的评价者的评价结果,根据剩余评价者的主观评价结果计算出每个样本的主观评价值。通过相关分析和多元线性回归分析建立以心理声学客观参数量化描述主观评价结果的声品质偏好性和声品质烦躁度的数学模型。结果表明,B级轿车在匀速工况下行驶时,车内声品质偏好性主要受响度和尖锐度两个心理声学参数影响;在加速工况下行驶时,车内声品质烦躁度主要受响度、粗糙度和A声级3个声学参数影响,试验结果为建立声品质神经网络预测模型提供先验知识及样本数据。 然后,采用人工神经网络技术建立声品质偏好性和声品质烦躁度的BP神经网络预测模型。通过对Matlab实验结果的比较分析和讨论,获得声品质偏好性和声品质烦躁度BP神经网络预测模型的网络结构及训练参数,利用遗传算法确定网络的最优初始权值,避免网络训练过程中出现局部极小值,同时也缩短了网络训练时间。采用LM学习算法对网络进行训练以获得各网络的连接权系数和阈值。对两个BP神经网络模型的训练结果和检验结果进行误差分析和相关性分析,训练和检验结果的高精确性、高相关性充分说明两个BP神经网络模型已具备很强的学习能力和泛化能力。分别应用神经网络模型和多元线性回归模型对检验样本的声品质进行预测,并对结果进行对比分析。声品质偏好性和声品质烦躁度的神经网络模型预测结果与主观评价值的最大相对误差分别为18.9%和11.3%,远低于多元线性回归模型的26.7%和16.7%;两个模型的性能指数分别为0.003和0.001,也低于多元线性回归模型的0.006和0.003。结果表明,两个BP神经网络模型的精度和性能都优于多元线性回归模型,证明所建声品质神经网络预测模型的精确性和优越性。 其次,为验证声品质神经网络预测模型的有效性和实用性,基于所建声品质偏好性和烦躁度的神经网络预测模型采用虚拟仪器技术建立汽车声品质神经网络评价系统,并利用该系统对某试验车加速工况下的车内噪声进行测量与声品质分析,通过实施有效的噪声控制措施改善车内声品质。利用LabVIEW和Matlab软件的混合编程所建立的汽车声品质神经网络评价系统能够对匀速和加速工况下的车内噪声信号进行采集与处理,同时,系统还具有声学参数的计算、图形显示以及声品质指标的评价功能。该系统利用Matlab软件对声品质客观评价参数:A声级,响度,粗糙度,尖锐度进行编程计算,并与德国Head Acoustics公司的ArtemiS软件的计算结果进行对比分析,验证了本文所建心理声学参数计算模型的可靠性和准确性。 最后,应用所建声品质神经网络评价系统对试验车在加速工况下的车内噪声进行测量与声品质分析,验证声品质评价模型在改善车内声品质方面的实用价值和指导意义。针对发动机转速在3000r/min～3500r/min下的车内声品质进行改善,通过心理声学参数与振动信号间的偏相干分析,找出对车内声品质影响最大的声源位置为仪表板、车身顶棚、驾驶员及副驾驶位置的地板,并采取有针对性的措施进行控制。对实施降噪措施后的试验车进行道路试验,结果表明与降噪前相比车内声品质烦躁度指标提高了12%以上,证实了偏相干分析技术在以声品质为标准进行声源识别上的可行性和有效性。 本文的研究结果表明,人工神经网络理论完全适用于汽车车内的声品质评价研究,具有较高的理论意义及良好的应用前景。