Page 77 - 《应用声学》2022年第3期

第 41 卷 第 3 期 吕向飞等： 采用响应面回归的汽车多属性声品质预测方法 399

车内噪声声品质的量化评价，分别建立了尖锐度和
粗糙度这两个客观声学参数与愉悦性指标和动力 1 声品质评价试验
性指标之间的线性回归模型，同时又获得了愉悦性
声品质评价试验主要可分为噪声数据的采集
指标与动力性指标与吸声材料结构参数之间的函
和听音试验两大部分。噪声数据采集是声品质评价
数关系，对系数材料的声品质进行了合理的优化，从
的基础，为了进行声品质评价，通常在试验场或室内
而提升了车内噪声的品质。总结上述文献可知，现
消声室中通过数采设备采集特定工况下的噪声数
有研究在声品质的优化方面侧重于采用结构优化、
据。在获得噪声数据的基础上，采用编程或现有商
声学材料拓扑优化、增加吸声棉等被动控制手段进
业软件进行噪声的客观声学参数，如响度、尖锐度、
行声品质提升，而对于主动声品质控制的研究还有
粗糙度、语声清晰度、波动度和 A 计权声压级等参
待进一步推动。
数的提取。与此同时，应用采集到的多组噪声数据，
从以上总结的声品质研究的 4 个方面可知，当
前的研究目的在于声品质的设计与优化，而在设计 组织评审员进行听音试验，通常采用成对比较法等
和优化声品质过程中，都离不开声品质的主客观评 方法进行打分，并通过一致性验证排除可信度低的
价。对于声品质的主客观评价，在客观指标选取、精 主观评价数据。由此可获得不同声品质的主客观评
细化多属性评价和人工智能预测模型建模这3 方面 价数据。
的研究正不断深入。有鉴于此，本文在多属性声品 为了进行多属性声品质主观评价建模研究，本
质试验数据的基础上，进行相关分析，选取出对多属 文采用文献[12]的数据。该数据来源于14台不同品
性声品质贡献量较大的声学参数，引入响应面建模 牌汽车在 30 ∼ 80 km/h 加速过程中的声品质主客
方法，建立多属性声品质的预测模型，并通过与多 观数据，如表 1 所示，客观声学参数有响度、尖锐度、
元线性回归模型的对比，验证所提出模型的准确性。 粗糙度、波动度和 A 计权声压，而主观评价分数有
与此同时，分析了 3 个细分风格声品质主观评价分 愉悦度、平顺度和驾驶乐趣 3 个，且以上 3 个主观评
数之间的关系，采用曲面拟合方法获得 3 个属性之 价分数为归一化的相对数据，即多属性声品质评价
间的耦合关系。 分数在0 ∼ 1之间，评价最好的数值为1。

表 1 多属性声品质数据 [12]
Table 1 Data for multi-attribute sound quality [12]

序号 响度/sone 尖锐度/acum 粗糙度/asper 波动度/vacil A 声压/dB(A) 愉悦度 平顺度 驾驶乐趣
1 17.1 0.891 1.73 0.593 68.815 0.692 0.731 0.692
2 17.5 0.846 1.63 0.568 66.820 i 0.538 0.692 0.654
3 11.6 1.000 1.77 0.627 64.008 1.000 0.769 0.885
4 21.6 0.795 1.74 0.653 70.178 0.231 0.231 0.192
5 28.7 0.743 1.68 0.751 73.811 0.038 0.115 0.038
6 19.5 0.776 1.97 0.511 67.988 0.346 0.692 0.831
7 17.9 0.874 1.53 0.616 66.649 0.577 0.462 0.462
8 19.3 0.878 1.61 0.578 67.084 0.385 0.577 0.538
9 18.7 0.850 1.73 0.692 67.589 0.692 0.385 0.423
10 20.4 0.787 1.68 0.554 68.040 0.308 0.538 0.385
11 17.6 0.815 1.84 0.603 68.117 0.731 0.577 0.577
12 19.2 0.800 1.76 0.635 67.274 0.423 0.346 0.500
13 23.0 0.765 1.55 0.806 69.806 0.269 0.038 0.115
14 15.6 0.895 1.51 0.560 66.138 0.769 0.846 0.808