曾發(fā)林，魏良本，商志豪，徐求福

（江蘇大學(xué)汽車工程研究院，江蘇 鎮(zhèn)江 212000）

1 引言

隨著經(jīng)濟的迅速發(fā)展，國內(nèi)外汽車市場日益壯大，同時消費者也對汽車的性能提出了更高的要求［1］。NVH性能是評價汽車質(zhì)量的重要指標，很大程度上也影響了消費者購買汽車的意愿。

車內(nèi)噪聲主要包括動力總成噪聲、路噪、空氣噪聲等［2］。噪聲問題的解決，一般可參照“激勵源—傳遞路徑—接收者”的模型進行分析解決［3］。道路行駛工況下，路面激勵經(jīng)結(jié)構(gòu)路徑和空氣路徑傳遞到車內(nèi)。為有效識別各路徑對車內(nèi)噪聲的貢獻量，傳遞路徑分析方法應(yīng)運而生。

自上世紀80年代誕生伊始，TPA方法得到了眾多學(xué)者和公司的廣泛應(yīng)用。文獻［4］針對某皮卡車內(nèi)轟鳴聲進行混合TPA試驗，有效識別出各結(jié)構(gòu)路徑和聲學(xué)路徑對車內(nèi)轟鳴聲的貢獻量。文獻［5］結(jié)合TPA試驗與有限元仿真，確定了后橋噪聲的主要結(jié)構(gòu)傳遞路徑。文獻［6］針對車內(nèi)穩(wěn)態(tài)噪聲問題，建立了整車TPA分析模型，實現(xiàn)了車內(nèi)噪聲（3～5）dB（A）的有效降低。文獻［7］對某輕客駕駛員座椅振動問題進行了研究，通過建立包含15條傳遞路徑的TPA模型，分析各路徑對響應(yīng)點的振動貢獻量。

傳統(tǒng)TPA分析方法一般以降低車內(nèi)噪聲A聲壓級為優(yōu)化目標，進而確定優(yōu)化方案。A聲壓級的提出，考慮到了人耳對不同頻率聲音的感知能力不同。然而，該指標并不能全面反映車內(nèi)駕駛員、乘客的主觀感受和車內(nèi)噪聲的聽覺特性［8］。聲品質(zhì)，這一指標以人為評價主體強調(diào)了聲音的適宜性，正日益成為汽車噪聲的主要評價標準［9］。

將經(jīng)典傳遞路徑分析與聲品質(zhì)相結(jié)合，既發(fā)揮了傳統(tǒng)TPA方法反映噪聲頻譜特性的優(yōu)點，又克服了其難以真實反映車內(nèi)駕駛員主觀感受的缺點［10］。借助聲品質(zhì)預(yù)測模型，實現(xiàn)各路徑對車內(nèi)聲品質(zhì)貢獻量的定量分析。進而，結(jié)合模態(tài)分析和頻譜分析對路徑貢獻較大的原因進行研究并提出優(yōu)化方案。

2 傳遞路徑分析

為判斷該車型40km/h工況車內(nèi)聲品質(zhì)較差原因，對駕駛員內(nèi)耳位置麥克風(fēng)采集的噪聲信號進行頻譜分析，如圖1所示。頻譜圖在87Hz處存在明顯峰值。（60～200）Hz頻帶車內(nèi)噪聲主要是由于路面激勵引發(fā)底盤懸架系統(tǒng)共振導(dǎo)致，據(jù)此判斷本車應(yīng)為底盤件問題。具體路徑的識別采用傳遞路徑分析方法，分析各路徑對車內(nèi)噪聲的貢獻量，判別問題路徑。

圖1 主駕內(nèi)耳噪聲頻譜Fig.1 Noise Spectrum of Driver’s Interior Ear

2.1 數(shù)據(jù)采集

考慮到路噪主要是結(jié)構(gòu)聲問題，可忽略貢獻較小的空氣聲。因此，傳統(tǒng)TPA公式可簡化為：

本次研究的結(jié)構(gòu)路徑包括前后副車架安裝點、減振器車身連接點、減震彈簧車身連接點、拖曳臂車身連接點等16個連接點，每個連接點分析X/Y/Z三方向，共48條結(jié)構(gòu)路徑。由式（1）可知，TPA模型的建立需要兩方面數(shù)據(jù)：結(jié)構(gòu)聲傳遞函數(shù)（Noise Transfer Function，NTF）和測點工況數(shù)據(jù)。

在半消聲室對內(nèi)飾車身進行NTF 測試，如圖2 所示。使用PCB模態(tài)力錘在各路徑點處施加激勵，在車內(nèi)主駕內(nèi)耳處布置麥克風(fēng)傳感器，測量得到結(jié)構(gòu)聲傳遞函數(shù)。對所有測點按照試驗規(guī)范進行測試，得到全部48條路徑的結(jié)構(gòu)聲傳遞函數(shù)。

根據(jù)GB/T18697-2002《聲學(xué)-汽車車內(nèi)噪聲測量方法》在粗糙路面進行40km/h工況下的穩(wěn)態(tài)噪聲測試，得到各路徑點處和車內(nèi)駕駛員內(nèi)耳處的15s工況數(shù)據(jù)。

2.2 建立TPA分析模型

利用Simcenter.Testlab 18軟件的TPA 模塊進行車內(nèi)噪聲合成，獲得各路徑噪聲貢獻量。

從合成車內(nèi)噪聲與實測車內(nèi)噪聲的對比可以看出：擬合噪聲與實測噪聲十分接近，證明了TPA分析模型的準確性。誤差原因可能包括結(jié)構(gòu)聲傳遞函數(shù)低頻精度差以及部分次要路徑被忽略。實測噪聲與擬合噪聲，如圖3所示。

圖3 實測噪聲與擬合噪聲Fig.3 Comparison of Measured and Synthetic Noise

3 聲品質(zhì)GA-BP預(yù)測模型

為準確研究車內(nèi)聲品質(zhì)，采用等級評分法和計算心理聲學(xué)客觀參量進行聲品質(zhì)主客觀評價，并分別將其作為輸入、輸出得到基于GA-BP神經(jīng)網(wǎng)絡(luò)的車內(nèi)聲品質(zhì)預(yù)測模型。

考慮到預(yù)測模型的建立，需要具有一定的樣本容量。在試驗場粗糙路面按照怠速、5km/h、（10～120）km/h間隔10km/h依次定速進行穩(wěn)態(tài)噪聲測試。試驗同樣參照GB/T18697-2002《聲學(xué)-汽車車內(nèi)噪聲測量方法》，麥克風(fēng)布置在駕駛員頭枕處，每個工況采集3次、每次時間為15s，共得到42組穩(wěn)態(tài)噪聲樣本。

3.1 主客觀評價試驗

采用等級評分法進行煩躁度評分，心理聲學(xué)客觀參量選用A計權(quán)聲壓級、響度、尖銳度和粗糙度。

主觀評價時，為避免測試人員受不同噪聲響度不一致影響，需要先對樣本進行等響處理。同時，打亂樣本順序，避免主觀臆測對實驗結(jié)果產(chǎn)生影響。

招募30 位本專業(yè)本科生和研究生進行主觀評價實驗。其中，男性20人，女性10人，年齡在（20～30）歲之間。試驗前預(yù)先給評價者播放幾段聲音樣本，保證評價人員對試驗流程和聽音樣本有一定了解?？紤]到評價人員全部為學(xué)生，部分人員聽音經(jīng)驗缺乏，難以準確區(qū)分煩躁度等級。本次實驗簡化了煩躁度等級評分法，按照表1進行打分評價。主觀評價評分表，如表1所示。

表1 主觀評價評分表Tab.1 Subjective Evaluation Scale

3.2 相關(guān)性分析

考慮到評價人員眾多，為避免引入不穩(wěn)定結(jié)果，需要對所有評價數(shù)據(jù)進行一致性檢驗。Spearman相關(guān)系數(shù)法對原始數(shù)據(jù)的變量分布沒有要求，計算公式如下：

式中：r—Spearman秩相關(guān)系數(shù)；

Ui、Vi—不同變量的秩；

n—樣本總數(shù)。

因此，利用SPSS軟件對評價結(jié)果進行Spearman相關(guān)系數(shù)檢驗。主觀評價樣本數(shù)據(jù)一致性檢驗結(jié)果，如圖4所示。Spearman相關(guān)系數(shù)小于0.7表示相關(guān)性較弱，剔除第8組和第22組數(shù)據(jù)，將剩下的28組樣本應(yīng)用于聲品質(zhì)預(yù)測模型。

圖4 評價數(shù)據(jù)一致性檢驗結(jié)果Fig.4 Evaluate Data Consistency Test Results

為檢驗所選四個心理聲學(xué)參量是否適合參與聲品質(zhì)計算，分別將其與煩躁度主觀評價實驗結(jié)果進行Spearman相關(guān)系數(shù)分析結(jié)果，如表2所示。A聲壓級、響度、尖銳度和粗糙度與煩躁度評分相關(guān)性均較強，均可應(yīng)用于聲品質(zhì)預(yù)測。心理聲學(xué)客觀參量

表2 Spearman相關(guān)系數(shù)分析結(jié)果Tab.2 Spearman Correlation Coefficient Analysis Results

3.3 GA-BP聲品質(zhì)預(yù)測模型

建立3層BP神經(jīng)網(wǎng)絡(luò)模型，以上述四個心理聲學(xué)客觀參量為輸入，主觀評價煩躁度平均得分為輸出。輸入層節(jié)點數(shù)為4，輸出層節(jié)點數(shù)為1。根據(jù)經(jīng)驗公式（3）：

式中：n、l—輸入層、輸出層節(jié)點數(shù)；α取（1～10）之間的整數(shù)。

確定隱含層節(jié)點數(shù)為6，構(gòu)建拓撲結(jié)構(gòu)為4-6-1的BP神經(jīng)網(wǎng)絡(luò)。由于BP神經(jīng)網(wǎng)絡(luò)存在穩(wěn)定性差、容易陷入局部極值的缺陷，引入遺傳算法（Genetic Algorithm，GA）優(yōu)化BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。設(shè)定種群規(guī)模50，最大遺傳代數(shù)150，交叉概率0.3，變異概率0.05［11］。

隨機選擇36組噪聲樣本作為訓(xùn)練組樣本，剩余6組噪聲樣本作為驗證組。設(shè)定學(xué)習(xí)速率0.1，期望誤差00001，仿真結(jié)果，如圖5所示。

圖5 GA-BP模型預(yù)測精度結(jié)果Fig.5 Prediction Accuracy Result of GA-BP

經(jīng)驗證：該預(yù)測模型最大誤差為7.23%，平均誤差為4.10%，具有較高的準確性。

4 聲品質(zhì)貢獻量分析

根據(jù)第2節(jié)對車內(nèi)噪聲的TPA分析，可以得到各結(jié)構(gòu)路徑的Spectrum頻譜數(shù)據(jù)，借助傅里葉逆變換可將頻譜數(shù)據(jù)轉(zhuǎn)換為時域數(shù)據(jù)。利用Simcenter.Testlab18軟件的Sound Diagnosis模塊計算所需的四個心理聲學(xué)客觀參量，即A聲壓級、響度、尖銳度和粗糙度。由于人耳頻率可聽閾為（20～20）kHz，計算前需要對時域信號進行截止頻率為20Hz的高通濾波。

按照上述方法分別計算前述TPA分析得到的48條路徑貢獻量對應(yīng)的心理聲學(xué)客觀參量，將其輸入到聲品質(zhì)預(yù)測模型中，得到每條路徑貢獻量對應(yīng)的煩躁度等級。考慮到路徑較多，展示部分煩躁度等級較高的路徑，如表3所示。

表3 部分路徑與主駕內(nèi)耳聲品質(zhì)計算結(jié)果對比Tab.3 Sound Quality Comparison Between Several Paths and Driver’s Interior Ear

由表3容易發(fā)現(xiàn)，部分路徑的心理聲學(xué)客觀參量值比總的車內(nèi)噪聲大，這是因為聲音存在“掩蔽效應(yīng)”。

掩蔽效應(yīng)（Auditory Masking），指兩個聲音信號疊加時，若其時間或頻率非常接近、響度不同，則響度較大的聲音會掩蔽響度較小的聲音，使得響度較小的聲音不容易被人耳感知到。頻域掩蔽，指兩個不同頻率的聲音信號同時出現(xiàn)，響度較小的聲音信號很難被感知到。顯然，聲品質(zhì)疊加過程中存在的非線性問題為掩蔽效應(yīng)作用的結(jié)果。

上表3顯示，貢獻量最大的路徑依次是后副車架的左后、右后和右前安裝點Z向三條路徑，推斷后副車架存在問題。

5 優(yōu)化方案及驗證

5.1 方案制定

安裝副車架的目的主要是減小路面振動傳入車廂內(nèi)部，后副車架與車身連接，其結(jié)構(gòu)可簡化為有阻尼單自由度系統(tǒng)，方程如下：

系統(tǒng)固有頻率可表示為：

式中：ξ—系統(tǒng)阻尼比；

ωn—無阻尼固有頻率。

為排查副車架模態(tài)是否存在問題，對實車狀態(tài)下的副車架進行模態(tài)測試。測試結(jié)果表明：該副車架的模態(tài)頻率分別為62.8Hz、76.5Hz、85.0Hz、101.6Hz、119.5Hz等。

該副車架在85Hz處存在第三階模態(tài)，如圖6所示。模態(tài)振型表現(xiàn)為Z向剛體模態(tài)與彎曲模態(tài)耦合。結(jié)合路徑聲品質(zhì)貢獻量識別結(jié)果，可以推斷：后副車架模態(tài)被路面激勵激起，引起共振導(dǎo)致車內(nèi)聲品質(zhì)較差。

圖6 副車架模態(tài)測試結(jié)果Fig.6 Modal Testing Result of Subframe

因此，考慮對后副車架模態(tài)頻率進行改變。由式（4）可知，模態(tài)頻率與襯套剛度、質(zhì)量相關(guān)。增加質(zhì)量與整車輕量化原則相悖，選擇調(diào)整襯套剛度作為優(yōu)化方案。由于系統(tǒng)固有頻率隨剛度減小而變小，同時考慮到襯套剛度對懸架特性的影響，依據(jù)工程經(jīng)驗將副車架襯套剛度降低為原來的85%。

5.2 方案驗證

首先，利用Ansys有限元分析軟件對副車架進行模態(tài)分析，優(yōu)化后的樣件第三階模態(tài)頻率為79.9Hz。將優(yōu)化樣件安裝到實車上，再次進行粗糙路面40km/h道路測試結(jié)果，如圖7所示。駕駛員內(nèi)耳噪聲原87Hz處峰值顯著降低，下降了7.3dB，乘員主觀感受車內(nèi)聲品質(zhì)得到了明顯改善，確認優(yōu)化方案有效，如圖8所示。

圖7 副車架模態(tài)分析仿真結(jié)果Fig.7 Modal Analysis Result of Subframe

圖8 優(yōu)化后的車內(nèi)噪聲Fig.8 Optimized Interior Noise

6 結(jié)論

（1）GA-BP神經(jīng)網(wǎng)絡(luò)模型能夠準確預(yù)測車內(nèi)聲品質(zhì)，平均誤差為4.1%，具有較高的準確性。（2）提出的結(jié)合傳遞路徑分析和聲品質(zhì)的路噪問題優(yōu)化思路，既能反映路徑貢獻量的頻譜特性，也客觀量化了各路徑對車內(nèi)聲品質(zhì)的貢獻量，能夠應(yīng)用于車內(nèi)聲品質(zhì)優(yōu)化研究。（3）通過將后副車架襯套剛度降低15%，駕駛員內(nèi)耳噪聲87Hz處下降7.3dB，車內(nèi)聲品質(zhì)主觀感受明顯改善。