汽車空調單體風門運行工況瞬態聲品質灰色預測模型

楊啟梁，汪海亮，胡 溧，王 路

（1.武漢科技大學 汽車與交通工程學院，武漢 430065；2.東風馬勒熱系統有限公司，武漢 430056）

聲品質反映的是評價主體對特定環境下噪聲的主觀感受[1]，現階段大量學者通過客觀參數與主觀評價結果建立預測模型探究特定環境下樣件聲品質性能?？照{聲品質是汽車NVH 性能的主要研究方向之一。在空調制冷劑流動噪聲研究中，周滋峰等[2]針對空調關閉后冷媒流動噪聲問題，利用噪聲客觀測量以及主觀評價方法，將噪聲值定量化，最后基于六西格瑪設計進行參數優化，使冷媒流動噪聲得到抑制。陳紹林等[3]通過改變制冷系統節流強度和壓縮比等方法，對空調噪聲變化規律進行了研究，利用優化系統設計、控制邏輯等消除或減弱流動脈動產生的噪聲。在空調振動噪聲研究中，張靜等[4]針對某空調單體鼓風機噪聲源識別問題，通過相干分析法、局部屏蔽法以及聲壓法進行噪聲源識別和傳播路徑分析，通過優化鼓風機電機與其外殼的固定方式來抑制鼓風機電磁噪聲的傳播。王帥[5]針對某車型空調系統中出現的噪聲問題，通過頻譜分析、模態分析、瀑布圖分析等對噪聲源進行診斷，并對壓縮機與支架之間產生的共振現象進行結構優化，從根源處解決噪聲問題，從而改善了駕乘環境。在空調聲品質研究中，尤晉閩等[6]以某空調壓縮機為研究對象，針對不同工況噪聲進行主客觀分析，并通過相關性分析及線性回歸分析，提出聲品質主觀偏好性值的預估模型。胡溧等[7]對某車型空調進行了聲品質研究，提出了聲品質主觀評價方案，建立了汽車空調不同工作模式下的煩惱度模型和主觀評價指標的廣義神經網絡模型。

大量學者對汽車空調系統的研究主要集中在流體噪聲、振動噪聲處理上，空調聲品質研究也集中于穩定工況，而對汽車空調瞬態工況聲品質研究較少。對空調生產企業而言，不僅關注空調單體在穩態工況的聲品質，更關注空調在啟動、風門運行等瞬態工況下聲品質，因此，對空調單體瞬態工況聲品質評價相關問題進行研究具有一定的工程實踐價值。本文以某款汽車空調單體為對象，對風門運行瞬態聲品質問題進行研究，在傳統客觀參數中引入“突出率”，主觀評價中采用分組成對比較法，并通過灰色理論GM(1，N)模型建立風門運行瞬態聲品質預測模型。

1 客觀參數

1.1 空調單體風門運行瞬態噪聲采集試驗

依據企業測試標準，采集某空調單體風門運行駕駛員右耳處不同工況下噪聲。根據空調單體不同工作模式（制冷、制熱）、風門不同運行狀態（內循環、外循環、吹臉、吹腳、除霜）和鼓風機檔位（1～8檔）的不同組合，選擇15 種試驗工況（如表1 所示）進行噪聲采集。其中O、R 分別表示外循環、內循環；A、P、D分別表示吹臉全冷、吹腳全熱、除霜全熱；3、5、8分別表示3 擋、5 擋、8 擋，如OAtP8 表示8 擋外循環吹臉全冷到吹腳全熱。

試驗場地滿足ISO 3745 標準的半消聲室；試驗硬件包括筆記本電腦、8通道數采前端QuadrigaII、麥克風、模式控制線束、穩流艙等；測試分析軟件為Head-acoustics ArtemiS噪聲測試分析系統。試驗系統布置如圖1所示。

圖1 試驗場景

1.2 聲品質客觀參數計算

為量化人耳對聲音信號的印象，國內外研究學者提出了多種用于描述聲音客觀參數指標。常用心理聲學客觀參數有響度、尖銳度、抖動度、粗糙度等[8]。本文選用A 計權聲壓級、響度、尖銳度、粗糙度、抖動度。而Prominence Ratio（突出率）用于分析噪聲中離散突出純音的心理聲學參數，常用于評價電子設備離散突出純音引起的煩惱程度[9]。同時David 等[10]研究表明，在單個高頻成分（＞1 kHz)增加時，噪聲整體音質滿意度也逐漸降低。因此針對該瞬態工況離散突出純音，增加突出率心理聲學客觀參數，其數學模型如式（1）、式（2）所示[11]：

當ft>171.4 Hz時

當ft≤171.4 Hz時

式中：ft為純音頻率；LM為中心判定帶寬的聲壓級;LU為上限判定帶寬的聲壓級；LL為下限判定帶寬聲壓級。

根據采集的15 組噪聲計算客觀參數如表1所示。

表1 客觀參數

2 主觀評價及分析

2.1 主觀評價試驗設計2.1.1 評價方法的確定

聲品質主觀評價方法主要有排序法、量值估計法、等級評分法、語義細分法和成對比較法等。由于汽車空調生產企業評價人員均為NVH工程師，評價主觀性較強且耗時長，往往無法準確體現出消費者主觀感受，因此將無噪聲主觀評價經驗者作為本實驗主觀評價人員。同時對于該研究對象，單個樣本瞬態過程持續時間為15 s，利用傳統的成對比較法評價時間較長，故采用分組成對比較法，即根據樣本量的多少及一次所用的時間將樣本分成n組，每組進行評價時分別采用成對比較法[12]。

2.1.2 評審團的選定

通常20 名評價者就能夠得出較為準確的聲學評價結果，故選取24 名聽力正常的評審員進行測試，主要為在校大學生、高校工作者、公司職員等，男女比例為3:1，年齡為18到50歲，無主觀評價經驗。

2.1.3 噪聲樣本分組的確定

距離分析是計算樣品之間或者變量之間的廣義距離，對它們之間的相似或不相似的程度進行分析，以考察研究對象間的相似程度的1 種統計方法[13]。根據各噪聲樣本客觀參數，計算各客觀參數中位數?；诰嚯x分析得出各樣本客觀參數與客觀參數中位數非相似性系數，系數最小為樣本10，并設立為關聯樣本，且各樣本客觀參數與關聯樣本非相似性系數如表2所示。

根據表2 中非相似性系數將樣本均勻分成兩組，如表3所示。

表2 非相似性系數

表3 樣本分組

2.1.4 評分方法的確定

本次主觀試驗中以滿意度作為主觀評價量化指標。將15 組噪聲樣本分為兩組，同時設立關聯樣本，即每組8 個噪聲樣本，為減少評價時間，提高試驗效率，每組只進行ij比較，而不進行ji比較。每次比較Ai、Bj時，若評價人員感覺Ai好于Bj，賦值2；若感覺Ai與Bj相當，賦值1；若Ai差于Bj，賦值0，由此可得到24個評價人員對各樣本滿意度主觀得分值。

2.2 主觀評價結果與分析

聲品質主觀評價實際上是一種心理測驗，在進行主觀評價過程中，通過人為設計的方法來檢驗評價結果可靠性。設計檢驗包括相同噪聲樣本（ii）比較錯誤檢驗、不同播放順序噪聲樣本（ij-ji）比較錯誤檢驗以及三角循環錯誤檢驗。對于以上3種錯誤檢驗，可利用計權一致性的方法進行主觀評價數據篩選[14]。計權錯誤率如式（3）所示：

式中：Ei為第i種誤判可能產生的次數；Ci為第i種誤判實際產生的誤判率。計權一致性系數計算如式（4）所示：

根據3 種誤判原則以及計算公式(4)，利用C 語言編寫計權一致性系數計算程序，根據計權一致性結果，遵循篩除一致性系數0.8以下原則，結果如表4所示。

表4 一致性系數

根據客觀參數值進行噪聲樣本分組，各組中均包含混合種類、模式、檔位等不同噪聲樣本，因此可認為各組標度范圍一致。計算篩除之后各評價者對各樣本評價值的平均值，對關聯樣本進行比例縮放，將其調節到1，并將兩組結果組合一起，結果如表5所示。

表5 滿意度主觀評價得分

由表5 可知滿意度最終的平均分值為0.894，標準差為2.055，即可知滿意度主觀評價離散程度較大，因此在不同工況下滿意度波動較大，整體而言，聲品質較差。同時樣本7滿意度最好，得分值1.892，最差為樣本1，得分值0.190，其原因一方面是樣本1檔位高于樣本7，即樣本1風量大于樣本7工況風量，另一方面在樣本7 工況全過程中流體經過暖風芯紙，暖風芯紙帶來的風阻減少了流向風門的流體流量，導致樣本1 工況產生的結構噪聲及氣動噪聲遠大于樣本7工況，因此樣本7的最終得分值遠高于樣本1。

3 聲品質灰色預測模型的建立[15]

灰色理論系統具有信息不夠全面、不夠準確等基本特征?；疑碚撓到y以小樣本等為研究對象，提取已知系統有用信息，進而實現對系統未來變化的定量預測。本文所研究的風門運行瞬態噪聲聲品質正符合該系統理論研究范疇，因此采用灰色預測模型中基礎模型GM模型。利用樣本1到樣本12擬合模型，樣本13到樣本15用于該型號空調風門運轉瞬態工況下模型驗證。

3.1 主客觀參數灰色關聯分析

在數理統計中，回歸分析、主成分分析、方差分析等都是系統分析的方法，但都存在以下問題：

①數據量需求較大；

②要求樣本服從某種概率分布，要求各因素與系統特征數據之間存在線性關系且各因素之間彼此無關；

③計算量大；

④可能出現量化結果與定性分析結果不一致現象。

灰色關聯分析方法是將因素之間發展趨勢的相似或相異程度作為衡量因素間關聯程度的1 種方法，它彌補了以上缺陷，對樣本多少、有無規律都適用，且計算量少，十分方便。

3.1.1 初值像

初值像表示序列在初值化算子下的像。以滿意度主觀評價得分值為系統特征序列X1，以A 計權聲壓級、響度、尖銳度、粗糙度、抖動度、語言清晰度以及突出率為相關因素序列X2、X3、X4、X5、X6、X7、X8。代入A 計權聲壓級、響度、尖銳度、粗糙度、抖動度、語言清晰度、突出率以及滿意度最終得分值，如式（5）所示：

式中：i=1,2,3,4,5,6,7,8，求得初值像如表6所示。

表6 初值像

3.1.2 差序列

差序列為系統特征序列與相關因素序列差值的絕對值，如式（6）所示：

式中：i=1,2,3,4,5,6,7,8；k=1,2,3,…,12。

由式（6）計算差序列，結果如表7所示。

由表7 數據可得最小極差值m=0，最大極差值M=9.865。

表7 差序列

3.1.3 灰色關聯系數與灰色關聯度

基于上述計算初值像與兩極差求各相關因素序列與系統特征序列各點相關系數，如式（7）所示。

式中：r1i(k)為第i個客觀參數中第k個樣本的灰色關聯系數；ξ為分辨系數，一般取ξ=0.5；Δi(k)為第i個客觀參數中第k個樣本的偏差值；m為最小極差值；M為最大極差值。

根據式（7）計算各客觀參數與滿意度主觀評價得分值之間的關聯系數，結果如表8所示。

表8 灰色關聯系數

求取各點關聯系數平均值為相關因素序列與系統特征序列關聯程度?；疑P聯度如式（8）所示：

式中：Ω為灰色關聯度；n為樣本數。

客觀參數與滿意度主觀評價分值之間灰色關聯度結果如表9所示。

由表9 中結果可知，客觀參數與滿意度主觀評價分值之間灰色關聯度平均為0.656，最小關聯度系數為0.646，最大關聯度系數為0.674。同時突出率關聯度系數為0.656，大于A計權聲壓級、響度、尖銳度等傳統客觀參數，可見突出率的增加是可行的。由于上述客觀參數均與滿意度主觀評價分值具有較高相關度，對主觀評價的影響較大，因此可用于聲品質預測模型的建立。

表9 灰色關聯度

3.2 聲品質預測模型的建立與驗證

3.2.1 聲品質預測模型建立

稱式(13)為GM(1,N)模型的白化方程形式。

累減還原式如式（15）所示：

代入樣本1至樣本12滿意度主觀評價值及客觀參數到式（9）中，求得的1-AGO序列如表10所示。

表10 1-AGO序列

表11 緊鄰生成序列

參數列由式（12）求得。

代入式（11）中得估計模型，如式（16）所示：

近似時間響應式如式（17）所示：

3.2.2 模型驗證

將該型號空調單體風門運轉瞬態工況樣本13、14、15客觀參數代入式（17）求得驗證樣本序列值，再由式（15）還原求得滿意度主觀評價值。驗證預測值與實際值對比如表12所示。

表12 檢測精度

由表12 可知驗證預測值與主觀評價實際值平均相對誤差為7.46%，在可接受范圍內，說明所建立的GM(1，N)模型滿足工程實踐要求。

4 結語

本文對汽車空調單體風門運行工況瞬態聲品質問題進行了研究，建立了風門運行工況聲品質預測模型，主要結論如下：

（1）為分析風門運行瞬態工況下純音對聲品質的影響，引入“突出率”客觀參數，灰色關聯分析表明，該客觀參數與主觀評價之間具有較強的相關性，可用于聲品質預測模型的建立；

（2）基于灰色系統理論建立GM（1，N）聲品質預測模型，模型驗證平均相對誤差為7.46%，預測精度較高，能滿足工程實踐要求；

（3）與多元線性回歸模型、BP 神經網絡模型等相比，灰色GM（1，N）聲品質預測模型可以通過較少的樣本預測系統未來變化，減少了試驗樣本測試時間。