CN116558632A - 一种发动机声品质预测方法 - Google Patents

Abstract

本发明属于发动机技术领域，公开了一种发动机声品质预测方法，包括如下步骤：S1、噪声样本数据库构建；S2、声品质传统时域特征参量提取；S3、声品质频域衍生特征参量构建；S4、声品质特征参量构建及声品质预测。本发明提出声品质频域衍生特征参量的概念，相对传统音噪比和突出比，音噪比MAP和突出比MAP频域衍生参量可以有效的对啸叫、刺耳进行表征，完善了发动机声品质量化指标体系；声品质特征参量优选方法为发动机声品质准确预测奠定基础。

Description

一种发动机声品质预测方法

技术领域

本发明属于发动机技术领域，尤其涉及一种发动机声品质预测方法。

背景技术

在声品质预测研究中，针对不同的评价对象，其表征参量存在差异性，因此，需要根据具体的工程问题构建高敏感性量化指标体系。针对声品质特征参量，目前研究主要分为两类：(1)物理声学和心理声学参量；(2)基于信号处理衍生的特征参量。基于先进信号处理技术提取的参量相对心理声学参量(响度、尖锐度、粗糙度等)缺乏对感知的表征意义，因此目前多采用基于声学和心理声学参量进行声品质表征参量体系构建，并在车辆和内燃机领域得到广泛应用。

目前，针对发动机声品质特征参量研究，仅单一的从时域角度对特征参量进行量化，忽视了声品质表征参量的频域特征，难以有效的反映对啸叫、刺耳特征，此外，特征参量的参与数目和类型均会对声品质预测产生很大影响，因此需要完善发动机声品质特征参量评价体系，并根据发动机的噪声特征参量构建准确的声品质预测模型，提高发动机声学开发效率。

发明内容

本发明目的在于提供一种发动机声品质预测方法,以解决现有的仅单一从时域角度对特征参量进行量化，忽视了声品质表征参量的频域特征，难以有效的反映对啸叫、刺耳特征的技术问题。

为实现上述目的，本发明的发动机声品质预测方法的具体技术方案如下：

一种发动机声品质预测方法，包括如下步骤：

S1、噪声样本数据库构建：在半消声室进行发动机噪声测试，构建噪声样本数据库，并对数据库样本进行声品质测试；

S2、声品质传统时域特征参量提取：提取S1中样本数据库的声品质时域特征参量，包括A计权声压级、响度、尖锐度、粗糙度、抖动度、语义清晰度、音噪比、突出比、语义干扰级；

S3、声品质频域衍生特征参量构建：基于S1的声音样本数据库，构建声品质频域衍生特征参量，包括突出比MAP频域峰值，音噪比MAP频域峰值，突出比MAP频域均方根值，音噪比MAP频域均方根值；

S4、声品质特征参量构建及声品质预测：基于S3提取12个声品质特征参量可作为预测模型的潜在输入，通多对比获得发动机最优声品质特征参量组合，根据最优声品质特征参量组合发动机声品质进行预测。

其中，S4中获得声品质特征参量组合优选方法步骤如下：

S41、每个样本提取12个特征参量，从12个特征中随机抽取i个特征作为模型输入，i＝2,3…12。通过支持向量机(Support Vector Machine,SVM)模型计算建模组样本和预测组样本的预测精度；

S42、综合考虑建模组和预测组样本的精度，构建适应度函数，以适应度函数最小为优化目标，通过不断迭代和搜索，获得i个参量构建的最佳声品质特征参量方案，从12个参量中随机选择i个共有个组合，为了保证特征搜索的全面性，迭代次数/>当N满足最大迭代次数，输出结果；适应度函数计算如下：

其中Fitness为适应度函数，MSE_M为建模组样本预测结果的均方误差，为建模组样本预测结果的复相关系数，MSE_P为预测组样本预测结果的均方误差，/>为建模组样本预测结果的复相关系数；最小均方误差(Mean Square Error，MSE)和复相关系数R²(SquaredCorrelation Coefficient)结果进行精度检验；

S43、根据步骤S42的计算结果可以获得不同参与数目下最优声品质特征参量方案，通过对比不同设计方案的预测结果，获得发动机最优声品质特征参量组合，根据最优声品质特征参量组合发动机声品质进行预测。

其中，S42中MSE和R²计算公式如下所示：

其中，N代表样本数目，y_i代表声品质测试结果，代表测试结果的平均值，/>代表声品质预测结果。

本发明的发动机声品质预测方法具有以下优点：提出声品质频域衍生特征参量的概念，相对传统音噪比和突出比，音噪比MAP和突出比MAP频域衍生参量可以有效的对啸叫、刺耳进行表征，完善了发动机声品质量化指标体系；声品质特征参量优选方法为发动机声品质准确预测奠定基础。

附图说明

图1为发动机声品质预测研究技术路线图；

图2为发动机声品质音噪比MAP和突出比MAP频域衍生参量图；

图3为发动机声品质特征参量方案优选设计方法图；

图4为发动机声品质预测结果图。

具体实施方式

为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种发动机声品质预测方法做进一步详细的描述。

本专利通过构建新型的声品质频域衍生特征参量(突出比MAP频域峰值，音噪比MAP频域峰值，突出比MAP频域均方根值，音噪比MAP频域均方根值)，完善了声品质量化指标体系，提出了发动机声品质预测表征参量优选设计方法，为发动机声品质准确预测奠定基础。

如图1所示，本发明的发动机声品质预测方法步骤如下：

步骤一、噪声样本数据库构建：

在半消声室进行发动机1m噪声测试，测试工况包括发动机典型工况(怠速、最大扭矩工况、额定工况、最大转速工况、倒拖工况等)采样频率为40960Hz，测试时间为10s，建立声音样本数据库，并对数据库噪声样本进行声品质测试。

步骤二、声品质传统时域特征参量提取：

提取步骤一中样本数据库的声品质时域特征参量，包括A计权声压级、响度、尖锐度、粗糙度、抖动度、语义清晰度、音噪比(Tone-to-noise Ratio,TNR)、突出比(ProminenceRatio,PR)、语义干扰级；TNR和PR计算如下：

其中W_t为单调声的能量，W_n为单调声所在临界带其它噪声能量，单位为Pa²；

其中W_M为单调声所在临界频带的声能量，W_L为W_M相邻低临界频带的声能量，W_U为W_M相邻高临界频带的声能量，单位为Pa²。

步骤三、声品质频域衍生特征参量构建：

基于步骤(1)的声音样本数据库，构建声品质频域衍生特征参量，包括突出比MAP频域峰值，音噪比MAP频域峰值，突出比MAP频域均方根值，音噪比MAP频域均方根值，如图2为发动机声品质音噪比MAP和突出比MAP频域衍生参量提取结果。

步骤四、特征参量优选及声品质预测：

综合考虑发动机声品质特征参量时、频域特征，本实施例提取了12个声品质特征参量(步骤2和步骤3所有参量)可作为预测模型的潜在输入，而特征参量参与数目和类型均会对声品质预测结果产生较大影响，为了保证发动机声品质预测精度，声品质特征参量优选是一个需要解决的关键问题，声品质特征参量优选方法如图3所示，具体如下：

a)每个样本提取了12个特征参量，从12个特征中随机抽取i个特征作为模型输入，通过支持向量机(SupportVectorMachine,SVM)模型计算建模组样本和预测组样本的预测精度，即MSE越趋近于0，R²越趋近于1，精度越高。由于建模至少需要保证2个输入特征参量，最大输入特征即为12个特征参量，因此i＝2,3…12。

b)综合考虑建模组和预测组样本的精度，构建适应度函数，以适应度函数最小为优化目标，通过不断迭代和搜索，获得i个参量构建的最佳声品质特征参量组合方案，从12个参量中随机选择i个共有个组合，为了保证特征搜索的全面性，迭代次数/>当N满足最大迭代次数，输出结果。适应度函数计算如下：

其中Fitness为适应度函数，MSE_M为建模组样本预测结果的均方误差，为建模组样本预测结果的复相关系数，MSE_P为预测组样本预测结果的均方误差，/>为建模组样本预测结果的复相关系数。最小均方误差(Mean Square Error，MSE)和复相关系数R²(Squared Correlation Coefficient)结果进行精度检验。MSE和R²计算公式如下所示：

其中，N代表样本数目，y_i代表声品质测试结果，代表测试结果的平均值，/>代表声品质预测结果。

c)根据步骤b)的计算结果可以获得不同参与数目下最优声品质特征参量方案，通过对比不同设计方案的预测结果，获得发动机最优声品质特征参量组合，根据最优声品质特征参量组合发动机声品质进行预测。

为了检测本实施例提出方法的准确性，基于步骤一在半消声室测试4台发动机的噪声信号，共32个样本。基于步骤二和步骤三提取发动机声品质时、频域特征参量，每个噪声样本提取12个参量。基于步骤四进行声品质特征参量优选和声品质预测，预测结果如图4所示，对本研究的4台发动机，结果发现以9个参量作为声品质预测的输入，即A计权声压级、响度、尖锐度、粗糙度、抖动度、语义清晰度、频域TNR峰值、频域PR平均有效值、SIL3构建的特征参量具有最高的声品质预测精度，建模组样本预测结果为MSE＝0.0087，R²＝0.9749，预测组样本预测结果为MSE＝0.0116，R²＝0.9795。以预测组样本为例进行声品质预测结果展示，如表1所示。从表1可知，8个样本声品质预测结果与测试结果相近，本实施例提出的声品质预测方法具有很高的精度。

表1预测组样本声品质测试及预测结果

虽然结合了附图描述了本发明的实施方式，但是对于本领域技术人员来说，在不脱离本发明原理的前提下，还可以做出若干变形和改进，这些也应视为属于本发明的保护范围。

Claims (3)

1.一种发动机声品质预测方法，其特征在于，包括如下步骤：

S1、噪声样本数据库构建：在半消声室进行发动机噪声测试，构建噪声样本数据库，并对数据库样本进行声品质测试；

S2、声品质传统时域特征参量提取：提取S1中样本数据库的声品质时域特征参量，包括A计权声压级、响度、尖锐度、粗糙度、抖动度、语义清晰度、音噪比、突出比、语义干扰级；

S3、声品质频域衍生特征参量构建：基于S1的声音样本数据库，构建声品质频域衍生特征参量，包括突出比MAP频域峰值，音噪比MAP频域峰值，突出比MAP频域均方根值，音噪比MAP频域均方根值；

S4、声品质特征参量构建及声品质预测：基于S3提取12个声品质特征参量可作为预测模型的潜在输入，通多对比获得发动机最优声品质特征参量组合，根据最优声品质特征参量组合发动机声品质进行预测。

2.根据权利要求1所述的发动机声品质预测方法，其特征在于，S4中获得声品质特征参量组合优选方法步骤如下：

S41、每个样本提取12个特征参量，从12个特征中随机抽取i个特征作为模型输入，i＝2,3…12；通过支持向量机(SupportVectorMachine,SVM)模型计算建模组样本和预测组样本的预测精度；

S42、综合考虑建模组和预测组样本的精度，构建适应度函数，以适应度函数最小为优化目标，通过不断迭代和搜索，获得i个参量构建的最佳声品质特征参量方案，从12个参量中随机选择i个共有个组合，为了保证特征搜索的全面性，迭代次数/>当N满足最大迭代次数，输出结果；适应度函数计算如下：

其中Fitness为适应度函数，MSE_M为建模组样本预测结果的均方误差，为建模组样本预测结果的复相关系数，MSE_P为预测组样本预测结果的均方误差，/>为建模组样本预测结果的复相关系数；最小均方误差(MeanSquareError，MSE)和复相关系数R²(SquaredCorrelationCoefficient)结果进行精度检验；

S43、根据步骤S42的计算结果可以获得不同参与数目下最优声品质特征参量方案，通过对比不同设计方案的预测结果，获得发动机最优声品质特征参量组合，根据最优声品质特征参量组合发动机声品质进行预测。

3.根据权利要求2所述的发动机声品质预测方法，其特征在于，S42中MSE和R²计算公式如下所示：

其中，N代表样本数目，y_i代表声品质测试结果，代表测试结果的平均值，/>代表声品质预测结果。