KR101314043B1 - 차량의 액슬 기어 소음의 음질평가 방법 및 장치 - Google Patents

차량의 액슬 기어 소음의 음질평가 방법 및 장치 Download PDF

Info

Publication number
KR101314043B1
KR101314043B1 KR1020120083114A KR20120083114A KR101314043B1 KR 101314043 B1 KR101314043 B1 KR 101314043B1 KR 1020120083114 A KR1020120083114 A KR 1020120083114A KR 20120083114 A KR20120083114 A KR 20120083114A KR 101314043 B1 KR101314043 B1 KR 101314043B1
Authority
KR
South Korea
Prior art keywords
values
tonality
value
sound quality
noise
Prior art date
Application number
KR1020120083114A
Other languages
English (en)
Inventor
신태진
이상권
장지욱
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020120083114A priority Critical patent/KR101314043B1/ko
Application granted granted Critical
Publication of KR101314043B1 publication Critical patent/KR101314043B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
    • G01H1/06—Frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명은, 차량의 액슬 기어 소음 신호로부터 복수의 합성 신호들을 생성하는 단계, 합성 신호를 퓨리에 변환하는 단계, 합성 신호를 구성하는 주파수 성분 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산하는 단계, 합성 신호 각각에 대하여, PR 값과 w1(α) 및 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성하는 단계, 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 합성 신호 별 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산하는 단계, 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택하는 단계, 및 선택된 α 및 β 값을 각각의 토날리티 모델에 대입하여 얻어진 학습용 토날리티 값들과 주관적 평가치들을 인공 신경망 회로에 적용하여 액슬 기어 소음에 대한 음질 인덱스 식을 생성하는 단계를 포함하는 차량의 액슬 기어 소음의 음질평가 방법을 제공한다.
상기 차량의 액슬 기어 소음의 음질평가 방법 및 장치에 따르면, SUV 차량의 액슬 기어에 따른 화인 소음에 대한 토날리티 모델을 이용하여 액슬 기어의 음질 평가에 사용되는 음질 인덱스를 신뢰성 있게 제공할 수 있으며, 실제 차량 실내의 액슬 기어 소음에 대한 음질 지수를 청음평가 없이 예상할 수 있는 이점이 있다.

Description

차량의 액슬 기어 소음의 음질평가 방법 및 장치{Method for sound quality analysis of axle gear whine sound and apparatus thereof}
본 발명은 차량의 액슬 기어 소음의 음질평가 방법 및 장치에 관한 것으로서, 보다 상세하게는 SUV 차량의 액슬(axle) 기어 동작 시에 발생하는 화인(Whine) 소음의 음질 평가를 제공할 수 있는 차량의 액슬 기어 소음의 음질평가 방법 및 장치에 관한 것이다.
최근 인간의 감각을 바탕으로 하는 승용차의 음질 평가에 대한 요구가 많아지면서, 사람의 청각 기능을 바탕으로 하는 음질 분석 연구의 중요성이 증대되고 있다. 많은 자동차 회사들은 세계 시장에서의 경쟁력을 갖추기 위해서 고객들의 감성적 욕구를 만족시키는 차량 음질 개선의 연구를 시도하고 있다. 인식되는 소리에 대한 감성적 만족을 평가하기 위해서는 경쟁 차량과의 기능 비교를 통해 차량 실내 소음의 개선을 위한 유용한 정보를 추출해야 한다. 이와 관련하여 차량의 실내 소음을 평가 및 개선하기 위한 배경 기술로는 국내공개특허 제2001-0063946호가 있다.
음향 심리학에 따르면, 청각기능으로부터 인식되는 소리의 성향은 라우드니스(loudness), 샤프니스(sharpness), 러프니스(roughness), 변동 강도(fluctuation strength), 토날리티(tonality)로 구성되는 음질요소와, 불쾌함 및 성가심으로 구성되는 특정 소음원들이 존재한다. 특정 소음원은 다른 소음원에 의해서 지배적인 소음원이 될 수 있다.
이러한 관점에서 내연기관과 변속 시스템과 같은 지배적인 소음원으로부터 상대적으로 은닉되어 있던 액슬(axle) 기어의 화인(Whine) 소음은 엔진과 변속기 소음을 개선한 이후에 새로운 지배적 소음원으로 대두되고 있다. 액슬 기어의 화인 소음을 개선하기 위해서는 이와 관련된 음질 요소에 대한 정확한 평가가 이루어져야 하며 음질 평가 기준을 위한 음질 인덱스를 찾아내어야 한다.
본 발명은, 차량의 액슬(Axle) 기어에 따른 화인(Whine) 소음의 토날리티 모델을 이용하여 액슬 기어의 음질 평가를 위한 음질 인덱스를 제공할 수 있는, 차량의 액슬 기어 소음의 음질평가 방법 및 장치를 제공하는데 목적이 있다.
본 발명은, 차량의 액슬 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성하는 단계와, 상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환하는 단계와, 상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산하는 단계와, 상기 합성 신호 각각에 대하여, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성하는 단계와, 상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산하는 단계와, 상기 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택하는 단계, 및 상기 선택된 α 및 β 값을 상기 각각의 토날리티 모델에 대입하여 얻어진 학습용 토날리티 값들과 상기 주관적 평가치들을 인공 신경망 회로에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 단계를 포함하는 차량의 액슬 기어 소음의 음질평가 방법을 제공한다.
이때, 상기 토날리티 모델(T)은 아래의 수학식으로 정의될 수 있다.
Figure 112012060791628-pat00001
여기서, C는 1kHz 및 60dB 조건의 참조 신호(reference signal)로부터 결정되는 보정상수, N은 상기 주파수 성분의 개수로서 i번째 주파수 성분을 의미하는 지수 값, 상기 α 및 β는 상기 주관적 평가치들과 상기 토날리티 값들 간의 상관 계수를 결정짓는 요소로서 양의 상수 값을 갖는다.
또한, 상기 PR 값은 아래의 수학식으로 정의될 수 있다.
Figure 112012060791628-pat00002
여기서, PRi(f)는 상기 합성 신호를 구성하는 주파수 성분 중 i 번째 주파수에서의 PR 값, XM(f)는 상기 i 번째 주파수 대역에서의 음압 레벨, XL(f)와 XU(f)는 i-1 번째 및 i+1 번째 주파수 대역에서의 음압 레벨을 각각 나타낸다.
그리고, 상기 임계치 w1(α)=α이고, 상기 주파수 가중 함수 w2(f,β)는 아래의 수학식으로 정의될 수 있다.
Figure 112012060791628-pat00003
.
또한, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 단계는, 상기 각각의 토날리티 모델에 상기 선택된 α 및 β 값을 대입하여 얻어진 학습용 토날리티 값들과, 상기 합성 신호 별로 미리 획득한 라우드니스(loudness) 요소값들을 상기 인공 신경망 회로의 입력 데이터로 각각 사용하고, 상기 주관적 평가치들을 상기 인공 신경망 회로의 출력 데이터로 사용하여 상기 음질 인덱스 식을 생성할 수 있다.
또한, 상기 차량의 액슬 기어 소음의 음질평가 방법은, 임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환한 다음 상기 PR 값을 계산하는 단계, 그리고 상기 계산된 PR 값, 상기 선택된 α 및 β 값을 상기 토날리티 모델에 대입하여 얻어진 상기 임의 소음 신호에 대한 토날리티 값을 상기 음질 인덱스 식의 입력 항에 대입하여 상기 임의 소음 신호에 대한 인덱스 값을 출력하는 단계를 더 포함할 수 있다.
그리고, 본 발명은, 차량의 액슬 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성하는 합성신호 생성부와, 상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환하는 퓨리에 변환부와, 상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산하는 PR 값 연산부와, 상기 합성 신호 별로, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성하는 토날리티 생성부와, 상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산하는 상관계수 연산부와, 상기 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택하는 상관계수 판단부, 및 상기 선택된 α 및 β 값을 상기 각각의 토날리티 모델에 대입하여 얻어진 학습용 토날리티 값들과 상기 주관적 평가치들을 인공 신경망 회로에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 음질인덱스 생성부를 포함하는 차량의 액슬 기어 소음의 음질평가 장치를 제공한다.
여기서, 상기 음질인덱스 생성부는, 상기 각각의 토날리티 모델에 상기 선택된 α 및 β 값을 대입하여 얻어진 학습용 토날리티 값들과, 상기 합성 신호 별로 미리 획득한 라우드니스(loudness) 요소값들을 상기 인공 신경망 회로의 입력 데이터로 각각 사용하고, 상기 주관적 평가치들을 상기 인공 신경망 회로의 출력 데이터로 사용하여 상기 음질 인덱스 식을 생성할 수 있다.
또한, 상기 차량의 액슬 기어 소음의 음질평가 장치는, 임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환한 다음 상기 PR 값을 계산한 다음, 상기 계산된 PR 값, 상기 선택된 α 및 β 값을 상기 토날리티 모델에 대입하여 얻어진 상기 임의 소음 신호에 대한 토날리티 값을 상기 음질 인덱스 식의 입력 항에 대입하여 상기 임의 소음 신호에 대한 인덱스 값을 출력하는 음질 테스트부를 더 포함할 수 있다.
본 발명에 따른 차량의 액슬 기어 소음의 음질평가 방법 및 장치에 따르면, SUV 차량의 액슬 기어에 따른 화인 소음에 대한 토날리티 모델을 이용하여 액슬 기어의 음질 평가에 사용되는 음질 인덱스를 신뢰성 있게 제공할 수 있다. 이에 따라, 실제 차량 실내의 액슬 기어 소음에 대한 음질 지수를 기존과 같은 피검자들에 의한 청음평가 없이도 손쉽게 예상할 수 있다. 또한, 본 발명은 액슬 기어 소음에 대한 PR(Prominence Ratio) 값이 토날리티 모델에 적용됨에 따라 비선형적인 소음을 보다 정확하게 평가할 수 있고 음질 평가의 신뢰성을 높일 수 있다.
도 1은 본 발명의 실시예에 따른 차량의 액슬 기어 소음의 음질평가 장치의 구성도이다.
도 2는 도 1을 이용한 차량의 액슬 기어 소음의 음질평가 방법의 흐름도이다.
도 3은 도 2의 S210 단계에 사용된 소음 신호 및 이를 이용한 합성 신호 제작 방법을 나타낸다.
도 4는 도 2의 S230 단계에서 PR 값을 연산하는 개념을 나타내는 도면이다.
도 5는 도 2의 S250 단계에 사용되는 주관적 평가치를 설명하는 도면이다.
도 6은 도 2의 S250 단계 이후 얻어지는 등고선 맵을 나타낸다.
도 7은 도 2의 S260 단계에 따라 선택된 α=8.875, β=7.188를 적용한 경우의 상관 계수를 나타내는 그래프이다.
도 8은 본 실시예에 사용되는 인공 신경망 회로의 예를 나타낸다.
도 9는 본 실시예에서 인공 신경망 회로 학습에 사용된 60개의 합성 신호를 음질 인덱스 식에 대입하여 획득되는 예상 응답(예상 주관적 평가치)과, 기존의 실제 응답(실제 주관적 평가치) 사이의 상관 관계를 나타낸다.
도 10은 본 실시예에서 인공 신경망 회로 학습에 사용되지 않은 나머지 20개의 합성 신호를 음질 인덱스 식에 대입하여 획득되는 예상 응답(예상 주관적 평가치)(A)과, 기존의 실제 응답(실제 주관적 평가치)(B) 사이의 상관 관계를 나타낸다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
본 발명은 차량의 액슬(axle) 기어 소음의 음질평가 방법에 관한 것으로서, SUV 차량의 액슬 기어에서 발생하는 화인 소음(Whine Noise)에 대한 음질 평가 방법을 제공한다. 이를 위해, 액슬 기어의 화인 소음에 대한 토날리티(Tonality) 모델을 생성한 다음 이를 이용하여 액슬 기어의 음질 평가에 사용되는 음질 인덱스 식을 생성한다.
도 1은 본 발명의 실시예에 따른 차량의 액슬 기어 소음의 음질평가 장치의 구성도이다. 상기 장치(100)는 합성신호 생성부(110), 퓨리에 변환부(120), PR 값 연산부(130), 토날리티 생성부(140), 상관계수 연산부(150), 상관계수 판단부(160), 음질인덱스 생성부(170), 음질 테스트부(180)를 포함한다.
상기 합성신호 생성부(110)는 SUV 차량의 액슬(axle) 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성한다. 이러한 소음 신호는 시간에 따라 변화하는 음압 레벨로 표현될 수 있다. 상기 퓨리에 변환부(120)는 상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환한다.
상기 PR 값 연산부(130)는 상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산한다. 상기 토날리티 생성부(140)는 상기 합성 신호 별로, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성한다. 이에 따라, 합성 신호 별로 토날리티 모델이 생성된다.
상기 상관계수 연산부(150)는 상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산한다. 상기 상관계수 판단부(160)는 상기 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택한다.
개별 합성 신호마다 주관적 평가치 및 그에 대응하는 토날리티 값이 존재한다. 모든 합성신호들에 대한 주관적 평가치들 및 토탈리티 값들 간의 상관 관계를 분석하면 상호 간의 상관 계수를 연산할 수 있다. 이러한 상관 계수를 α 및 β 값을 변경하면서 연산해 보면, 상관 계수가 일정 값 이상(ex, 90% 이상)이 되는 α 및 β 값을 탐색할 수 있다. 탐색되는 α 및 β 값은 하나 또는 그 이상이 될 수 있는데, 그 중에서 하나를 선택하면 된다.
앞서, 상기 상관 계수의 연산은 기 공지된 회귀 분석 방식을 사용한다. 회귀 분석법은 두 변수를 함께 관찰하여 이들의 상호 관계를 알기 쉽도록 분석하는 것이다. 이와 같이 상기 상관 계수는 두 변수의 상관 관계를 알기 위해 주로 사용되는 일반적인 회귀 분석 방식을 이용하는 것으로서 상관 계수의 산출 과정에 관한 상세한 설명은 생략한다.
상기 음질인덱스 생성부(170)는 상기 각각의 토날리티 모델에 상기 선택된 α 및 β 값을 대입하여 얻어진 학습용 토날리티 값들과 상기 주관적 평가치들을 인공 신경망 회로(ANN;Aritificial Neural Network)에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성한다.
이렇게 생성된 음질 인덱스 식은 임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호의 음질 평가를 위해 사용된다.
이를 위해, 상기 음질 테스트부(180)는 상기 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환하여 상기 PR 값을 계산한다. 그리고, 음질 테스트부(180)는 상기 계산된 PR 값, 상기 선택된 α 및 β 값을 상기 토날리티 모델에 대입하여 상기 임의 소음 신호에 대한 토날리티 값을 연산한 다음, 이 연산된 토날리티 값을 상기 음질 인덱스 식의 입력 항에 대입하여 상기 임의 소음 신호에 대한 인덱스 값을 출력한다.
상기 출력된 인덱스 값은 상기 임의 소음 신호에 대한 음질 지수에 해당된다. 이러한 방법을 통해, 실제 차량 실내의 액슬 기어 소음에 대한 음질 지수를 단순히 음질 인덱스 식만으로 기존의 청음평가 없이 손쉽게 예상할 수 있고, 예상된 데이터를 활용하여 개발 중인 차량의 소음 개선에 기여할 수 있다.
도 2는 도 1을 이용한 차량의 액슬 기어 소음의 음질평가 방법의 흐름도이다. 이하에서는 상기 장치(100)를 이용한 차량의 액슬 기어 소음의 음질평가 방법에 관하여 상세히 설명한다.
먼저, 합성신호 생성부(110)에서는 SUV 차량의 액슬(axle) 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성한다(S210). 이러한 S210 단계는 SUV 차량 내에 설치된 녹음기를 통해 액슬 기어의 소음 신호를 획득하는 과정과, 획득된 소음 신호를 여러 구간으로 나눈 다음 여러 구간들의 조합을 통해 합성 신호들을 생성하는 과정을 포함한다.
본 실시예에서는 차량의 조수석에 Head Acoustics 사의 더미 헤드 리코더(Dummy head recorder; Artificial Head)를 위치시켜 소음 신호를 녹음한다. 이때, 차량의 가속 상태에서 프로펠러 축의 회전속도를 1000RPM 내지 3500RPM로 증가시키면서 40초 동안 실내 소음을 측정한다.
도 3은 도 2의 S210 단계에 사용된 소음 신호 및 이를 이용한 합성 신호 제작 방법을 나타낸다. 도 3에서 가로 축은 시간, 세로 축은 음압 레벨을 나타낸다. 이러한 소음 신호는 앞서 상술한 바와 같이 RPM을 증가시키면서 측정된 신호이다.
도 3의 (a)에서, 파란 색(짙은 색) 부분은 전체 소음(전체 액슬 소음 성분)을 나타내고, 회색 부분(밝은 색)은 전체 소음에 대해 칼만 차수 적응 필터(Kalman order adaptive filter)를 적용하여 획득되는 화인 소음 성분에 해당된다. 여기서, 특정 시간대에서 화인 소음의 크기가 증가되는 것을 확인할 수 있다. 액슬 기어의 화인 소음은 전체 소음에 대해 성가심 유발 인자로 작용한다.
합성 신호 제작을 위해, 도 3의 (b)는 도 3의 (a)의 액슬 기어 전체 소음 영역을 4개의 관심 영역으로 분할하고 있다. 이렇게 분할된 관심 영역에 다양한 조건(ex, 다른 변수와의 조합)을 적용하여 복수 개(ex 80개)의 합성 신호를 제작할 수 있다. 합성 신호를 제작하는 구체적인 방법은 기존에 공지되어 있으므로 보다 상세한 설명은 생략한다.
본 실시예는 상기 소음 신호로부터 복수 개의 합성 신호를 제작하고 이를 음질 인덱스 제작에 사용한다. 이렇게 합성 신호를 제작하는 이유는 모든 차량에 대해 액슬 기어 소음 신호를 직접 녹음할 수 없기 때문이다. 상기 복수 개의 합성 신호는 추후 인공 신경망 회로의 학습 과정과 음질 평가를 위한 인덱스 식 생성 과정에 이용된다.
합성 신호의 제작 이후, 상기 퓨리에 변환부(120)는 상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환한다(S220). 이러한 과정에 따라 합성 신호는 시간 축 기준이 아닌 주파수(Hz) 축 기준의 신호로 변환된다. 이렇게 퓨리에 변환된 합성 신호는 1Hz 단위로 구분될 수 있다.
다음, 상기 PR 값 연산부(130)에서는 상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산한다(S230). 상기 PR 값은 소음에서 순음 성분의 두드러짐 정도를 나타내는 것으로서, 아래의 수학식 1로 정의된다.
Figure 112012060791628-pat00004
여기서, PRi(f)는 상기 합성 신호를 구성하는 주파수 성분 중 i 번째 주파수에서의 PR 값을 나타낸다.
도 4는 도 2의 S230 단계에서 PR 값을 연산하는 개념을 나타내는 도면이다.도 4를 참조하면, XM(f)는 상기 i 번째 주파수 대역에서의 음압 레벨, XL(f)와 XU(f)는 i-1 번째 및 i+1 번째 주파수 대역에서의 음압 레벨을 각각 나타낸다.
이러한 S230 단계의 실시예로서, 상기 PR 값은 상기 합성 신호를 구성하는 전체 주파수 대역 중에서 50~1024Hz 범위를 1Hz 간격으로 나눈 다음 각 신호 블록별 주파수 스펙트럼으로 계산한다. 이에 따라 1개의 합성 신호에 대하여, PR1~PR975를 포함하는 총 975개의 PR 값이 연산된다.
이후, 상기 토날리티 생성부(140)에서는 상기 합성 신호 각각에 대하여, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성한다(S240).
상기 생성된 토날리티 모델은 수학식 2로 정의된다.
Figure 112012060791628-pat00005
여기서, C는 60dB 크기를 갖는 1kHz 정현파 조건의 참조 신호(reference signal)로부터 결정되는 보정상수이다. 이러한 C 값은 주변 온도, 습도 등의 환경 요인에 따라 가변할 수 있다. 참조 신호로부터 보정상수가 결정되는 것은 기존에 공지된 사항으로서 이에 관한 상세한 설명은 생략한다.
N은 상기 주파수 성분의 개수로서 i번째 주파수 성분을 의미하는 지수 값이다. 본 실시예에서는 50~1024Hz 범위에 포함된 총 975개 주파수를 사용한 것으로서 N은 975에 해당된다.
상기 α 및 β는 상기 주관적 평가치들과 상기 토날리티 값들 간의 상관 계수를 결정짓는 요소로서 양의 상수 값을 갖는다. 그리고, 상기 임계치 w1(α)=α이다. w1(α)는 국제적으로 정해진 낮은 임계값에 해당되며 상수 값으로 표현된다.
상기 주파수 가중 함수 w2(f,β)는 아래의 수학식 3으로 정의된다.
Figure 112012060791628-pat00006
상기 β는 토날리티 표현의 지배 매개변수 값으로서, 이를 사용하여 700Hz의 저 주파수 대역에서 인지되는 소리의 토날리티 감도 정도를 조절할 수 있다. 액슬 기어 화인 소음은 일반적으로 700Hz 아래의 저 주파수 범위에서 발생한다.
본 실시예에서는 각각의 합성 신호마다 상기 수학식 2의 토날리티 모델이 적용되므로, 상기 T는 합성 신호의 개수만큼 구하여진다. 물론, T는 합성 신호별 서로 다른 PR 값이 반영되므로 합성 신호 별로 상이하게 계산된다.
기존에는 비선형적인 소음을 선형적 토날리티로 평가하면서 음질 평가 시에 지역적(Local) 오류가 발생하는 문제점이 있으나, 본 실시예에서는 수학식 2와 같이 PR 값을 고려한 토날리티 모델을 사용함에 따라 비선형적인 소음을 더욱 정확하고 신뢰성 있게 평가할 수 있다.
상기 S240 단계 이후, 상기 상관계수 연산부(150)에서는 상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산한다(S250).
앞서 상술한 바와 같이, 개별 합성 신호마다 주관적 평가치 및 그에 대응하는 토날리티 값이 존재한다. 모든 합성신호들에 따른 주관적 평가치들 및 토탈리티 값들 간의 상관 관계를 분석하면, 상호 간의 상관 계수를 연산할 수 있다.
본 실시예에서는 상관 계수 연산의 효율을 위하여, 80개의 합성 신호들 이외에 5개의 실제 차량 소음 신호(ex, 5 대의 SUV 차량의 실제 소음 신호)를 추가로 이용한다. 즉, 본 실시예의 경우 80개의 합성 신호에 대한 주관적 평가치들, 그리고 5개의 실제 차량 소음에 대한 주관적 평가치들을 포함하는 85개의 주관적 평가치를 사용한다. 토날리티 모델 또한 80개의 합성 신호에 대한 토날리티 값들, 그리고 5개의 실제 차량 소음에 대한 토날리티 값들을 포함하는 85개의 토날리티 값들을 사용한다.
도 5는 도 2의 S250 단계에 사용되는 주관적 평가치를 설명하는 도면이다. 피검자들에 대한 85개의 액슬 기어 화인 소음에 대한 평균 반응은 추후 인공 신경망 회로의 목표 수치로서 사용된다. 80개의 합성 소음 신호 및 5개의 측정 소음 신호에 대하여 남자 17명과 여자 4명으로 구성된 피검자들에 의해 청음 평가를 실시한다. 이러한 청음 평가는 음향 심리학 측면에서 소음에 대한 청각 반응의 일반적 성격을 규정하기 위한 것이다. 청음 평가는 Head acoustic 사의 플라이백 시스템(Playback system)과 헤드폰을 이용하여 실시하며, 레이팅 방식(Rating Method)을 사용하여 피검자들로 하여금 인식되는 소리를 4점에서 9점까지 평가하도록 한다.
도 5의 (a)는 21 명의 피검자들에 대한 85개의 액슬 화인 소음 신호의 주관적 평가치의 분포를 나타낸다. 도 5의 (b)는 각각의 소음 신호 별로 피검자들에 대해 얻어진 주관적 평가치의 평균 응답(평균값) 및 95% 신뢰 구간을 나타낸다. 본 실시예의 경우 피검자들로부터 얻어진 평균 응답을 각 소음 신호별 주관적 평가치로 사용한다. 즉, 이하의 본 실시예에서 언급하는 주관적 평가치란 피검자들로부터 얻어진 평균 응답을 의미한다.
상기 S250 단계에서는 임의 α 및 β 값에 대하여, 상기 85 개의 주관적 평가치와 85 개의 토날리티 값 사이의 상관 계수를 기 공지된 회귀 분석 방식을 통해 연산한다. 이는 주관적 평가치를 가로축, 토날리티 값을 세로축으로 하여 각 합성 신호별(및 실제 차량 소음 신호 별) 주관적 평가치와 토날리티 값 사이의 대응점을 그래프 상에 부가한 다음, 총 85 개의 대응점의 패턴과 유사한 1차 방정식을 회귀 분석 방식으로 구하여 얻어진다.
이러한 상관 계수를 (α, β) 쌍을 변경해가면서 앞서와 동일한 회귀 분석 방식으로 연산해 보면, 상관 계수가 일정 값 이상(ex, 90% 이상)이 되는 특정 (α, β) 쌍을 탐색할 수 있다.
예를 들어, α는 0~20을 포함하는 21개의 경우로 구분하고, β는 0~30을 포함하는 31개의 경우로 구분한다면, 총 651 가지(651=21×31)의 (α, β) 쌍이 존재한다. 이러한 경우, 회귀 분석을 통한 상관 계수의 연산 과정을 총 651 회를 수행하게 되며, 그 결과 중에서 높은 상관 계수를 유도하는 (α, β) 쌍을 찾으면 된다.
이러한 과정을 바탕으로, 상기 상관계수 판단부(160)에서는 상기 상관 계수가 기준치(ex, 90%) 이상이 되는 α 및 β 값을 선택한다(S260). 물론, S260 단계에서는 기준치 이상에 해당되는 최대 상관계수를 갖는 α 및 β 값을 선택할 수 있다.
도 6은 도 2의 S250 단계 이후 얻어지는 등고선 맵을 나타낸다. 여기서, x 축은 0~20 사이의 값을 갖는 α 파라미터이고, y 축은 0~30 사이의 값을 갖는 β 파라미터이다.
이러한 도 6은 다양한 α, β 파라미터(총 651 가지의 경우의 수)를 적용한 경우의 상관 계수 값을 나타내고 있으며, 서로 동일한 상관 계수끼리를 연결하여 등고선 맵으로 표현한 것이다.
여기서, 더욱 세분화된 결과 도출을 위하여 3차원 스플라인 보간법(Cubic Spline Interpolation)을 적용하여 등고선 간격을 더욱 세분화할 수 있다. 이러한 경우 α와 β 값은 정수가 아닌 소수 형태로 정밀한 값으로 획득된다.
상기 S260 단계 시에 선택되는 α, β 값은 음질 평가의 정확도를 위하여 양의 정수가 아닌 소수 형태의 양의 상수를 갖는다. 본 실시예의 경우, 최대 상관 계수를 유도하는 (α, β) 쌍을 구한 결과 α=8.875, β=7.188이며 상기 최대 상관 계수는 94.8%를 나타낸다. 이러한 (α, β) 쌍의 좌표는 도 6에서 별표로 표시된 지점에 해당된다. 이러한 최적의 (α, β) 쌍은 사용되는 소음 신호(합성 신호 등)들의 특성에 따라 달라질 수 있다.
도 7은 도 2의 S260 단계에 따라 선택된 α=8.875, β=7.188를 적용한 경우의 상관 계수를 나타내는 그래프이다. 그래프에는 총 85 개의 대응점이 존재하는데, 그 중에서 80개는 상기 80개의 합성 신호에 대한 주관적 평가치 및 토날리티 값 간의 대응점이고, 5개는 상기 실제 차량 소음에 대한 주관적 평가치 및 토날리티 값 간의 대응점이다. 일부 대응점은 서로 겹치는 지점이 존재할 수 있다. 각 경우의 토날리티 값은 각각의 합성신호 또는 실제 차량 소음 신호에 대하여 수학식 2의 모델에 α=8.875, β=7.188 적용하여 얻어진 결과이다.
상기 85개의 대응점을 회귀 분석한 결과로 얻어지는 1차 방정식이 그래프 상에 개시되어 있다. 이로부터 얻어지는 상관계수의 제곱인 R2=0.89826이고, 상기 상관 계수 R은 약 0.948(94.8%)이다. 이는 α=8.875, β=7.188를 적용한 경우 얻어지는 최대 상관 계수에 해당된다.
여기서, 80개의 합성 신호 및 5 개의 실제 차량 소음에 대해 토날리티 모델에 α=8.875, β=7.188를 적용하여 얻어진 85 개의 토날리티 값 중 일부 또는 전부는 이후 S270 단계에서 신경망 회로 학습 시에 학습용 토날리티 값들로 사용된다.
즉 상기 S260 단계 이후, 상기 음질인덱스 생성부(170)에서는 상기 선택된 α=8.875 및 β=7.188 값을 상기 각각의 토날리티 모델에 대입하여 얻어진 상기 학습용 토날리티 값들과 상기 주관적 평가치들을, 인공 신경망 회로에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성한다(S270).
즉, S270 단계에서는 도 7의 내용의 전부 또는 일부를 이용하여 인공 신경망 회로 학습에 사용한다. 본 실시예에서는, 80개의 합성 신호 중에서 60개의 합성 신호를 무작위로 선택하고, 이 60개의 합성 신호에 대한 학습용 토날리티 값과 그 주관적 평가치 값을 인공 신경망 회로의 학습에 이용한다. 물론 이외에도, 85개의 학습용 토날리티 값과 85 개의 주관적 평가치를 모두 인공 신경망 회로 학습에 적용하여도 무관하며, 사용되는 신호의 개수가 증가할수록 음질 인덱스의 신뢰성을 높일 수 있다.
상기 S270 단계에서는, 상기 학습용 토날리티 값들과, 상기 합성 신호 별로 미리 획득한 라우드니스(loudness) 음질요소값들을 상기 인공 신경망 회로의 입력 데이터로 각각 사용한다. 물론, 라우드니스 음질요소값은 상기 무작위로 선택된 60개의 합성 신호에 대해서 미리 획득하여 둔다. 소음 신호로부터 라우드니스 음질요소를 획득하는 방법은 기존에 다양하게 공지되어 있다. 그리고, 상기 무작위로 선택된 60개의 합성 신호에 대한 주관적 평가치들을 상기 인공 신경망 회로의 출력 데이터로 사용한다.
이에 따라, 상기 인공 신경망 회로는 2개의 입력층과 1개의 출력층을 가진다. 즉, 학습용 토날리티 값들과 라우드니스 요소값들은 입력 데이터로 사용되고, 참가자들의 실제 평균응답인 주관적 평가치는 입력 데이터에 대비한 목표 데이터로 사용된다.
여기서, 학습용 토날리티 값들만 입력 데이터로 사용해도 되지만, 기존에 알려진 음질요소 중 라우드니스 요소는 음질 평가의 신뢰성이 높은 요소이므로 이를 입력 데이터로 차가로 사용함으로써 음질 인덱스 식의 정확도를 높일 수 있다.
이렇게 인공 신경만 회로의 학습을 통해 구하여진 음질 인덱스 식에 의하면, 입력 항에 임의의 토날리티 값만 부가하면 출력 항에 그에 대응되는 주관적 평가치를 출력할 수 있다. 즉, 차량 실내에서 녹음된 소음 신호에 대한 토날리티 값만 입력하면 실제로 사람에게 청음 평가를 실시하지 않고서도 그에 상응하는 예상 주관적 평가치 데이터를 출력해낼 수 있다.
이러한 인공 신경망 회로의 원리에 대해 설명하면 다음과 같다. 도 8은 본 실시예에 사용되는 인공 신경망 회로의 예를 나타낸다. 도 8의 (a)는 3-Layer의 역전파 네트워크(back-propagation metwork)를 나타낸다. 여기서, x1과 x2는 입력 데이터로서 학습용 토날리티 값들과 라우드니스 요소값들에 해당된다. y1은 출력 데이터로서 참가자들의 실제 평균응답인 주관적 평가치들에 해당된다. 도 8의 (b)는 싱글 뉴런 i를 나타낸다.
본 실시예에서는 멀티-레이어 피드-포워드 네트워크(multi-layer feed-forward network)를 이용하여 청음평가 참가자들의 평균응답과 음질요소 사이를 비선형 입출력 관계로 정의하는 음질 인덱스를 생성한다. 역전파 알고리즘은 신경망 회로의 학습 모델로 사용된다. 여기서, 입력벡터 x∈R과 출력벡터 y∈RN 사이의 관계를 수학식 4와 같이 함수화시킬 수 있다.
Figure 112012060791628-pat00007
수학식 4를 일반식으로 나타내면 수학식 5와 같다.
Figure 112012060791628-pat00008
도 8의 (b)는 i 번째 뉴런으로서 입력 신호의 N 번째인 xi는 뉴런 블록 내에 쌓이며 함수 F에 의해서 실행되며, 이는 수학식 6을 참조한다.
Figure 112012060791628-pat00009
여기서, zi는 active potential, wij는 결합의 가중치이고, bi는 임계값 매개변수이다. 다양한 함수들 사이에서, sigmoid function이 주로 사용되고 그것의 방정식 표현은 수학식 7과 같다.
Figure 112012060791628-pat00010
여기서, μ는 sigmoid function에서 일반적으로 사용되는 기울기 변수이다. 이러한 μ 값은 neural network를 표현하는데 있어 일반적으로 사용되고 있는 변수이므로 이에 관한 보다 상세한 설명은 생략한다.
스탠다드 멀티-레이어 피드-포워드 네트워크(standard multi-layer feed-forward network)는 입력층, 은닉층, 출력층으로 각각 구성된다. 앞서 도 8의 (a)는 2-6-1 구조를 갖는 인공 신경망 회로이다. 이때, N=2, H=6, M=1이며, 은닉층은 6개의 가중치를 사용하고 있다.
상기, 인공 신경망 회로를 이용하여 획득되는 상기 액슬 기어의 소음에 대한 음질 인덱스 식은 수학식 8과 같다.
Figure 112012060791628-pat00011
이러한 수학식 8에서는 함수 F, 입력층의 가중치 매트릭스 IW1, 은닉층의 가중치 매트릭스 LW2가 사용된다. 학습된 인공 신경망 회로의 출력은 액슬 기어 화인 소음 인덱스이다. 네트워크 매개 변수의 최적화된 값은 인공 신경망 회로의 학습과정에 의해서 얻어진다. 즉, 수학식 8에서 x를 제외한 모든 값들은 인공 신경망 회로의 학습 과정에 의해 얻어진다.
표 1은 인공 신경망 회로 학습 과정의 누련 결합의 최적의 가중치 값을 나타낸다. 이는 본 발명의 일례를 설명하기 위한 도표로서 본 발명이 반드시 이에 한정되는 것은 아니다.
Weights
of Input
Layer
IW1 		Weights of hidden layer
LW2 		Threshold of input layer
b 1 		Threshold of hidden layer
b 2

-0.1377

-1.3814

1.0029

1.2872

-2.4618

-1.6365
-0.8495

0.9746

-1.4136

1.5981

0.9091

-3.9090
-1.7024

0.8130

-0.7466

-0.5906

0.3518

0.2779
-0.3772

1.3513

0.5466

1.4302

-2.2676

-4.2880
-0.3627
이상과 같은 수학식 5 내지 수학식 8을 포함한 인공 신경망 회로의 원리는 기 공지된 사항이므로 이에 관한 보다 상세한 설명은 생략한다.
이후에는, 이렇게 얻어진 음질 인덱스 식에 실제로 임의 소음 신호에 대한 토날리티 값을 대입하여 음질 평가 테스트를 수행한다(S280). 이러한 음질 평가 테스트는 상기 음질 테스트부(180)에서 수행한다.
이를 위해, 음질 테스트부(180)에서는 먼저 임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환한 다음 수학식 1을 이용하여 그 PR 값을 계산한다. 이후에는, 이 계산된 PR 값과, 상기 선택된 α=8.875 및 β=7.188 값을 수학식 2의 토날리티 모델에 대입하여 상기 임의 소음 신호에 대한 토날리티 값을 얻는다. 다음, 임의 소음 신호에 대한 토날리티 값을 상기 수학식 8의 음질 인덱스 식의 입력 항(x 부분)에 대입하여 상기 임의 소음 신호에 대한 음질 인덱스 값 즉, 예상 응답을 출력한다.
이상과 같은 본 발명에 따르면, SUV 차량의 액슬 기어에 따른 화인 소음에 대한 토날리티 모델을 이용하여 액슬 기어의 음질 평가에 사용되는 음질 인덱스를 신뢰성 있게 제공할 수 있으며, 실제 차량 실내의 액슬 기어 소음에 대한 음질 지수를 피검자에 대한 청음평가 없이도 음질 인덱스 식만으로 예상할 수 있다. 이를 활용한다면, 제품 개발 단계에서 차량의 음질 인덱스를 활용한 음질 개선이 가능하므로 음질 개선에 소요되는 시간 및 비용을 절약할 수 있으며, 소비자에게 좋은 음질의 차량을 제공함에 따라 제품의 초기 시장 장악에 기여할 수 있다.
물론, 본 발명의 원리는 액슬 기어 화인 소음뿐만 아니라 불쾌감 및 성가심을 유발하는 다른 부품에 대한 음질 인덱스의 개발에도 활용될 수 있다. 또한, 상기 토날리티 뿐만 아니라, 러프니스, 변동강도, 음성 이해도 등의 다른 음질 요소에 대해서도 비선형 문제를 해결할 수 있는 방법을 적용하여 소음에 포함된 성가심, 불쾌감 유발 요소에 대한 전반적인 개선이 가능하다.
이하에서는 본 발명의 실시예에 따른 차량의 액슬 기어 소음의 음질평가 방법의 유효성을 검증한 결과를 설명한다.
도 9는 본 실시예에서 인공 신경망 회로 학습에 사용된 60개의 합성 신호를 상기 음질 인덱스 식에 대입하여 획득되는 예상 응답(예상 주관적 평가치)(A)과, 기존의 실제 응답(실제 주관적 평가치)(B) 사이의 상관 관계를 나타낸다. 이러한 도 9에는 60개의 합성 신호 별로 실제 응답과 예상 응답의 대응점을 도시하고 있다.
도 9에서 점선은 인덱스 식을 이용한 예상 응답(A)이 기존 피검자의 실제 응답(B)와 동일한 경우를 나타내는 이상적인 기준 선을 의미한다. 그리고, 실선은 상기 대응점들의 패턴과 유사한 1차 방정식을 회귀 분석 방식으로 구하여 얻어진 것이다.
그 결과, 60개의 각각의 합성 신호에 대한 실제 응답 반응과 학습 과정을 통한 예상 반응 사이에 96.6%(R=0.966)의 상관 계수를 보이며, 매우 높은 상관 관계를 나타내는 것을 알 수 있다.
도 10은 본 실시예에서 인공 신경망 회로 학습에 사용되지 않은 나머지 20개의 합성 신호를 상기 음질 인덱스 식에 대입하여 획득되는 예상 응답(예상 주관적 평가치)(A)과, 기존의 실제 응답(실제 주관적 평가치)(B) 사이의 상관 관계를 나타낸다. 이는 학습에 사용되지 않은 나머지 합성 신호들에 대해서도 음질 인덱스 식이 유효한 것인지를 검증하기 위한 것이다.
이러한 도 9에는 20개의 합성 신호 별로 실제 응답과 예상 응답의 대응점을 도시하고 있다. 도 10에서 점선과 실선의 정의는 앞서 도 9의 경우와 동일하다.
이러한 도 10을 보면, 20개의 합성 신호에 대한 실제 응답 반응과 학습 과정을 통한 예상 반응 사이에 98.7%(R=0.987)의 상관 계수를 보이며, 이 또한 매우 높은 상관 관계를 나타내는 것을 알 수 있다.
이러한 도 10에서는 실제 5 대의 SUV 차량의 실제 소음 신호 즉, 5대의 차량의 소음 신호 별로 실제 응답과 예상 응답의 대응점을 별표(*) 형태로 표시하고 있다. S1, S2, H1, H2, H3는 각각 렉스턴(구형), 렉스턴(신형), 투싼, 싼타페, 스타렉스 차량에 해당된다. 5대의 SUV 차량에 대한 예상 반응 또한 실제 평균 응답과 유사한 것을 확인할 수 있다.
이상과 같이, 본 실시예에 따른 음질 인덱스는 액슬 기어의 화인 소음의 평가에 유효하게 적용 가능하며, 액슬 기어 소음에 대한 정확한 음질 요소의 가이드 라인을 제시해 줄 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 차량의 액슬 기어 소음의 음질평가 장치
110: 합성신호 생성부 120: 퓨리에 변환부
130: PR 값 연산부 140: 토날리티 생성부
150: 상관계수 연산부 160: 상관계수 판단부
170: 음질인덱스 생성부 180: 음질 테스트부

Claims (10)

  1. 차량의 액슬(axle) 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성하는 단계;
    상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환하는 단계;
    상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산하는 단계;
    상기 합성 신호 각각에 대하여, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성하는 단계;
    상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산하는 단계;
    상기 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택하는 단계; 및
    상기 선택된 α 및 β 값을 상기 각각의 토날리티 모델에 대입하여 얻어진 학습용 토날리티 값들과 상기 주관적 평가치들을 인공 신경망 회로에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 단계를 포함하며,
    상기 토날리티 모델(T)은 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 방법:
    Figure 112012060791628-pat00012

    여기서, C는 1kHz 및 60dB 조건의 참조 신호(reference signal)로부터 결정되는 보정상수, N은 상기 주파수 성분의 개수로서 i번째 주파수 성분을 의미하는 지수 값, 상기 α 및 β는 상기 주관적 평가치들과 상기 토날리티 값들 간의 상관 계수를 결정짓는 요소로서 양의 상수 값을 갖는다.
  2. 청구항 1에 있어서,
    상기 PR 값은 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 방법:
    Figure 112012060791628-pat00013

    여기서, PRi(f)는 상기 합성 신호를 구성하는 주파수 성분 중 i 번째 주파수에서의 PR 값, XM(f)는 상기 i 번째 주파수 대역에서의 음압 레벨, XL(f)와 XU(f)는 i-1 번째 및 i+1 번째 주파수 대역에서의 음압 레벨을 각각 나타낸다.
  3. 청구항 2에 있어서,
    상기 임계치 w1(α)=α이고, 상기 주파수 가중 함수 w2(f,β)는 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 방법:
    Figure 112012060791628-pat00014
    .
  4. 청구항 1에 있어서,
    상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 단계는,
    상기 각각의 토날리티 모델에 상기 선택된 α 및 β 값을 대입하여 얻어진 학습용 토날리티 값들과, 상기 합성 신호 별로 미리 획득한 라우드니스(loudness) 요소값들을 상기 인공 신경망 회로의 입력 데이터로 각각 사용하고,
    상기 주관적 평가치들을 상기 인공 신경망 회로의 출력 데이터로 사용하여 상기 음질 인덱스 식을 생성하는 차량의 액슬 기어 소음의 음질평가 방법.
  5. 청구항 1에 있어서,
    임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환한 다음 상기 PR 값을 계산하는 단계; 및
    상기 계산된 PR 값, 상기 선택된 α 및 β 값을 상기 토날리티 모델에 대입하여 얻어진 상기 임의 소음 신호에 대한 토날리티 값을 상기 음질 인덱스 식의 입력 항에 대입하여 상기 임의 소음 신호에 대한 인덱스 값을 출력하는 단계를 더 포함하는 차량의 액슬 기어 소음의 음질평가 방법.
  6. 차량의 액슬(axle) 기어에 따른 소음 신호로부터 복수의 합성 신호들을 생성하는 합성신호 생성부;
    상기 합성 신호를 시간 축에서 주파수 축으로 퓨리에 변환하는 퓨리에 변환부;
    상기 합성 신호를 구성하는 주파수 성분(f) 각각에 대한 순음의 PR(Prominence Ratio) 값을 연산하는 PR 값 연산부;
    상기 합성 신호 별로, 상기 PR 값과 임계치 w1(α) 및 주파수 가중 함수 w2(f,β)로 구성된 토날리티(Tonality) 모델을 각각 생성하는 토날리티 생성부;
    상기 합성 신호별 피검자의 청음평가 결과에 대응하는 주관적 평가치들과, 상기 합성 신호 별 상기 토날리티 모델에 임의의 α 및 β 값을 대입하여 획득된 토날리티 값들 사이의 상관 계수를 연산하는 상관계수 연산부;
    상기 상관 계수가 기준치 이상이 되는 α 및 β 값을 선택하는 상관계수 판단부; 및
    상기 선택된 α 및 β 값을 상기 각각의 토날리티 모델에 대입하여 얻어진 학습용 토날리티 값들과 상기 주관적 평가치들을 인공 신경망 회로에 적용하여 서로 학습시킴에 따라, 상기 액슬 기어의 소음에 대한 음질 인덱스 식을 생성하는 음질인덱스 생성부를 포함하며,
    상기 토날리티 모델(T)은 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 장치:
    Figure 112012060791628-pat00015
    ,
    여기서, C는 1kHz 및 60dB 조건의 참조 신호(reference signal)로부터 결정되는 보정상수, N은 상기 주파수 성분의 개수로서 i번째 주파수 성분을 의미하는 지수 값, 상기 α 및 β는 상기 주관적 평가치들과 상기 토날리티 값들 간의 상관 계수를 결정짓는 요소로서 양의 상수 값을 갖는다.
  7. 청구항 6에 있어서,
    상기 PR 값은 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 장치:
    Figure 112012060791628-pat00016

    여기서, PRi(f)는 상기 합성 신호를 구성하는 주파수 성분 중 i 번째 주파수에서의 PR 값, XM(f)는 상기 i 번째 주파수 대역에서의 음압 레벨, XL(f)와 XU(f)는 i-1 번째 및 i+1 번째 주파수 대역에서의 음압 레벨을 각각 나타낸다.
  8. 청구항 7에 있어서,
    상기 임계치 w1(α)=α이고, 상기 주파수 가중 함수 w2(f,β)는 아래의 수학식으로 정의되는 차량의 액슬 기어 소음의 음질평가 장치:
    Figure 112012060791628-pat00017
    .
  9. 청구항 6에 있어서,
    상기 음질인덱스 생성부는,
    상기 각각의 토날리티 모델에 상기 선택된 α 및 β 값을 대입하여 얻어진 학습용 토날리티 값들과, 상기 합성 신호 별로 미리 획득한 라우드니스(loudness) 요소값들을 상기 인공 신경망 회로의 입력 데이터로 각각 사용하고,
    상기 주관적 평가치들을 상기 인공 신경망 회로의 출력 데이터로 사용하여 상기 음질 인덱스 식을 생성하는 차량의 액슬 기어 소음의 음질평가 장치.
  10. 청구항 6에 있어서,
    임의 차량에 대한 액슬 기어로부터 발생한 임의 소음 신호를 시간 축에서 주파수 축으로 퓨리에 변환한 다음 상기 PR 값을 계산한 다음,
    상기 계산된 PR 값, 상기 선택된 α 및 β 값을 상기 토날리티 모델에 대입하여 얻어진 상기 임의 소음 신호에 대한 토날리티 값을 상기 음질 인덱스 식의 입력 항에 대입하여 상기 임의 소음 신호에 대한 인덱스 값을 출력하는 음질 테스트부를 더 포함하는 차량의 액슬 기어 소음의 음질평가 장치.
KR1020120083114A 2012-07-30 2012-07-30 차량의 액슬 기어 소음의 음질평가 방법 및 장치 KR101314043B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120083114A KR101314043B1 (ko) 2012-07-30 2012-07-30 차량의 액슬 기어 소음의 음질평가 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120083114A KR101314043B1 (ko) 2012-07-30 2012-07-30 차량의 액슬 기어 소음의 음질평가 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101314043B1 true KR101314043B1 (ko) 2013-10-01

Family

ID=49637547

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120083114A KR101314043B1 (ko) 2012-07-30 2012-07-30 차량의 액슬 기어 소음의 음질평가 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101314043B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208002A (zh) * 2019-05-28 2019-09-06 上汽通用五菱汽车股份有限公司 一种基于局域网架构的声品质主观评价系统
CN110261101A (zh) * 2019-06-14 2019-09-20 西安交通大学 基于正交-成对比较试验与svr的啸叫定量评价方法
CN110285982A (zh) * 2019-07-31 2019-09-27 重庆长安汽车股份有限公司 汽车或发动机的声品质相对变化量的评价方法、装置及控制器
CN111751119A (zh) * 2020-06-10 2020-10-09 中国第一汽车股份有限公司 一种基于声音阶次频率特性的汽车加速声品质评价方法
CN113432888A (zh) * 2021-06-23 2021-09-24 中国第一汽车股份有限公司 一种刮水器系统声音评价指标确定方法
CN113654637A (zh) * 2021-09-08 2021-11-16 上海汽车变速器有限公司 一种电机轴齿轮噪声评价方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010059250A (ko) * 1999-12-30 2001-07-06 이계안 차량의 실내 소음 음질 분석 방법
KR20030050260A (ko) * 2001-12-18 2003-06-25 현대자동차주식회사 차량 실내의 화인소음 제어장치 및 그 방법
WO2011062493A1 (en) 2009-11-19 2011-05-26 Universiteit Twente Method and device for determining acoustic coefficients and acoustic power

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010059250A (ko) * 1999-12-30 2001-07-06 이계안 차량의 실내 소음 음질 분석 방법
KR20030050260A (ko) * 2001-12-18 2003-06-25 현대자동차주식회사 차량 실내의 화인소음 제어장치 및 그 방법
WO2011062493A1 (en) 2009-11-19 2011-05-26 Universiteit Twente Method and device for determining acoustic coefficients and acoustic power

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
한국소음진동공학회 2006년 추계학술대회논문집 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208002A (zh) * 2019-05-28 2019-09-06 上汽通用五菱汽车股份有限公司 一种基于局域网架构的声品质主观评价系统
CN110261101A (zh) * 2019-06-14 2019-09-20 西安交通大学 基于正交-成对比较试验与svr的啸叫定量评价方法
CN110261101B (zh) * 2019-06-14 2021-07-27 西安交通大学 基于正交-成对比较试验与svr的啸叫定量评价方法
CN110285982A (zh) * 2019-07-31 2019-09-27 重庆长安汽车股份有限公司 汽车或发动机的声品质相对变化量的评价方法、装置及控制器
CN111751119A (zh) * 2020-06-10 2020-10-09 中国第一汽车股份有限公司 一种基于声音阶次频率特性的汽车加速声品质评价方法
CN113432888A (zh) * 2021-06-23 2021-09-24 中国第一汽车股份有限公司 一种刮水器系统声音评价指标确定方法
CN113654637A (zh) * 2021-09-08 2021-11-16 上海汽车变速器有限公司 一种电机轴齿轮噪声评价方法、装置、设备及存储介质
CN113654637B (zh) * 2021-09-08 2024-06-07 上海汽车变速器有限公司 一种电机轴齿轮噪声评价方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
KR101314043B1 (ko) 차량의 액슬 기어 소음의 음질평가 방법 및 장치
Ma et al. Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model
Lee Objective evaluation of interior sound quality in passenger cars during acceleration
Wang et al. Roughness modelling based on human auditory perception for sound quality evaluation of vehicle interior noise
US8467893B2 (en) Objective measurement of audio quality
Lee et al. Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks
Park et al. A comparative study on subjective feeling of engine acceleration sound by automobile types
KR101330923B1 (ko) 감마톤 필터를 이용한 차량 소음의 음질 평가 방법 및 그 장치
KR20090037470A (ko) 신호 식별 장치용 학습 데이터 세트 최적화 방법 및 학습 데이터 세트를 최적화할 수 있는 신호 식별 장치
CN101896965A (zh) 用于音频传输系统的语音可懂度测量的方法和系统
KR101821923B1 (ko) 마스킹 효과를 고려한 전기자동차 경고음 음질 평가 방법 및 그 장치
CN112161815A (zh) 一种车辆路噪主观评价值预测方法
CN110751959A (zh) 一种汽车噪声不舒适度评价方法
Samardzic et al. In-vehicle speech intelligibility for different driving conditions using the Speech Transmission Index
Lee et al. Objective evaluation of the rumbling sound in passenger cars based on an artificial neural network
CN113343384B (zh) 一种变速器变转速工况下声品质主客观评价方法
Hoechstetter et al. Role of the duration of sharpness in the perceived quality of impulsive vehicle sounds
Lee et al. Design of new sound metric and its application for quantification of an axle gear whine sound by utilizing artificial neural network
Samardzic et al. In-vehicle application of common speech intelligibility metrics
Li et al. A neural network model for speech intelligibility quantification
Preihs et al. On predicting the perceived annoyance of wind turbine sound
Song et al. Research on the sound quality evaluation method based on artificial neural network
CN115512718A (zh) 用于存量语音文件的语音质量评价方法、装置及系统
Carr et al. The Influence of Sharpness on People's Responses to Wind Noise Inside Automobiles
Lee et al. Characterization of an axle-gear whine sound in a sports utility vehicle and its objective evaluation based on synthetic sound technology and an artificial neural network

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160602

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170626

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190729

Year of fee payment: 7