车辆风噪水平测试系统及其测试方法与流程

本发明涉及车辆风噪测试技术领域，具体地指一种车辆风噪水平测试系统及其测试方法。

背景技术：

对车辆风噪水平的评价，一般采用客观测试和客观评价相结合。客观测试即对车辆风噪数据进行采集及分析，得到风噪频谱数据；客观评价即专业人员基于客观的人耳听觉特性对车辆风噪水平进行赋值。客观测试在车辆风噪数据对比、问题解析等方面发挥着重大作用；而客观评价也不可或缺，车辆风噪水平的高低最终要由用户基于人耳听觉特性来评判。因此，车辆风噪的客观评价和客观评价相辅相成，缺一不可。

由于车辆风噪的客观评价不能通过一个确定的标准获得，因此客观评价值难以通过风噪频谱数据获得以及预测。另一方面，风噪频谱数据只考虑了人体对声音响度的感知特性，未考虑人耳对声音频率的感知特性。

mel(美尔)是主观音高的单位，mel频率是基于人耳听觉特性提出来的，与人的客观评价具有一致性，它与hz(赫兹)频率是非线性关系。因此车辆风噪客观数据和客观评价数据之间定然存在着某种映射关系，这种关系是复杂且非线性的。为了能够准确预测车辆风噪水平，需要将测试所得的风噪频谱数据转化为mel频谱数据，并建立mel频谱数据与客观评价值之间的关系，从而对车辆风噪水平进行预测。

技术实现要素：

本发明的目的就是要克服上述现有技术存在的不足，提供一种车辆风噪水平测试系统及其测试方法，该方法构建车辆风噪的mel频谱数据与客观评价的风噪水平值之间的关系，从而对车辆风噪水平值进行预测，大大提高了车辆风噪水平测试的准确性以及测试效率。

为实现上述目的，本发明提供一种车辆风噪水平测试系统，其特征在于：包括互相连接的计算模块和数据采集模块，所述数据采集模块分别采集风噪时域信号和风噪水平值，所述计算模块包括风噪时域信号处理模块和神经网络计算模块，所述风噪时域信号处理模块用于将风噪时域信号转变为风噪mel频率系数，所述神经网络计算模块的输入层为风噪mel频率系数，输出层为风噪水平值。

进一步地，所述风噪时域信号处理模块包括频谱分析模块，所述频率分析模块用于根据风噪时域信号输出风噪能量谱。

进一步地，所述频谱分析模块包括声压级计算模块，所述声压级计算模块用于根据风噪时域信号输出风噪声压级。

进一步地，所述频谱分析模块包括能量谱计算模块，所述能量谱计算模块用于根据风噪声压级输出风噪能量谱。

进一步地，所述风噪时域信号处理模块包括mel滤波模块，所述mel滤波模块用于根据风噪能量谱输出噪mel滤波值。

进一步地，所述风噪时域信号处理模块包括离散余弦变换模块，所述离散余弦变换模块用于根据风噪mel滤波值输出风噪mel频率系数。

进一步地，所述神经网络计算模块的输出层与中间层的关系如下：

o＝w2*f(y)

其中，o为输出层向量，w2为输出层与中间层的权重系数矩阵，f(y)为激活函数，y为中间层向量。

进一步地，所述神经网络计算模块的输入层与中间层的关系如下：

y＝||w1-x||·*b1

其中，y为中间层向量，x为输入层向量，w1为输入层与中间层的权重系数矩阵，b1为输入层向量与中间层向量的偏置矩阵。

本发明还提供一种基于上述所述的车辆风噪水平测试系统的测试方法，其特征在于：在相同测试路况和工况下，采集同一车型多种设计方案车辆的风噪时域信号和风噪水平值，通过风噪时域信号处理模块对风噪时域信号进行处理得到风噪mel频率系数，将风噪mel频率系数作为输入层，风噪水平值作为输出层，对神经网络计算模块中的模型参数进行设置，改变测试路况和工况，再次采集同一车型多种设计方案车辆的风噪时域信号，然后得到风噪mel频率系数并输入到神经网络计算模块中，得到风噪评分预测值。

进一步地，所述风噪水平值的确定方法包括，基于人耳听觉特性对车辆风噪水平进行赋值。

本发明的有益效果：本发明通过将风噪的时域信号转变成mel频率系数，利用神经网络模型建立mel频率系数与风噪水平值之间的映射关系，根据采集的风噪频谱数据即可预测风噪水平值，根据风噪水平值对同一车型的多种设计方案进行对比，选出风噪水平最优的设计方案，大大提高了车辆风噪设计的效率，预测精度高。

附图说明

图1为本发明的车辆风噪水平测试系统结构示意图。

图2为本发明的车辆风噪水平测试方法流程图。

图3为mel频率与hz频率的关系图。

图4为本实施例中三角滤波器组示意图。

具体实施方式

下面具体实施方式用于对本发明的权利要求技术方案作进一步的详细说明，便于本领域的技术人员更清楚地了解本权利要求书。本发明的保护范围不限于下面具体的实施例。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。

如图1～4所示，一种车辆风噪水平测试系统，包括互相连接的计算模块和数据采集模块，数据采集模块分别采集风噪时域信号和风噪水平值，计算模块包括风噪时域信号处理模块和神经网络计算模块，风噪时域信号处理模块将风噪时域信号转变为风噪mel频率系数，神经网络计算模块的输入层为风噪mel频率系数，输出层为风噪水平值。mel频率与人耳听觉特性比较相符，利用神经网络模型可以建立mel频率系数与风噪水平值之间的映射关系，从而对风噪水平值进行预测。

本实施例中，风噪时域信号处理模块包括频谱分析模块，频率分析模块的输入端为风噪时域信号，输出端为风噪能量谱。其中，频谱分析模块包括声压级计算模块，声压级计算模块根据风噪时域信号输出风噪声压级；频谱分析模块包括能量谱计算模块，能量谱计算模块根据风噪声压级输出风噪能量谱。

声压级计算模块的计算过程如下：

对采集的风噪时域信号施加窗函数，进行fft分析，得到风噪频谱

p(k)＝fft[x(t)]

式中，p(k)为风噪第k条谱线的频谱，x(t)为风噪时域信号，其中t为时间，x为风噪声压，x(t)表示风噪声压随时间的变化关系。

对风噪频谱取模，得到风噪幅值谱a(k)。

将风噪的幅值谱转化为风噪声压级

其中，spl1(k)为第k条谱线的声压级，po为基准声压，取2*10^-5pa。

能量谱计算模块的计算过程如下：

将风噪的声压级转成计权声压级。

spl2(k)＝spl1(k)-l(k)

spl2(k)为第k条谱线下的计权声压级，l(k)为该计权特性曲线在某频率下的衰减值，本实施例中采用a计权声压级。

对计权声压级spl2(k)取平方，得到能量谱e(k)。

本实施例中，风噪时域信号处理模块包括mel滤波模块，mel滤波模块的输入端为风噪能量谱，输出端为风噪mel滤波值。

mel滤波模块的计算过程如下：

人耳所听到的声音高低与声音的频率并不是线性的关系，用mel频率尺度则更符合人耳的听觉特性。mel频率与实际频率的具体关系可用下式表示：

mel＝2595*tog10(1 f/700)

其中，mel为mel频率，f为hz频率。

mel刻度在低频(hz)部分的分辨率高，在高频(hz)的分辨率低，与人耳的听觉特性是相符的。类似于临界频带的划分，需设计mel三角滤波器组，如下。

其中，hm(k)为第m个滤波器第k条谱线的幅值，f(m)为第m个滤波器的中心频率，1≤m≤m，m为滤波器个数。

mel三角滤波器组各滤波器的端点频率及中心频率f(m)计算为：选定所关注噪声的频率下限，如500hz，求出其对应的mel值，记为mel_min。根据风噪数据采样频率及香农采样定理，可确定出频率上限，如采样频率为10000hz，则频率上限为10000/2＝5000hz，求出其对应的mel值，记为mel_max。则mel三角滤波器组各滤波器的中心频率f(j)为：

其中，n为风噪时域信号进行fft分析时的数据块长度；fs为风噪采样频率，左端点频率为f(j-1)，右端点频率为f(j 1)。

最后，风噪mel滤波值f(m)为

f(m)＝∑ke(k)*hm(k)，1≤m≤m

本实施例中，风噪时域信号处理模块包括离散余弦变换模块，离散余弦变换模块的输入端为风噪mel滤波值，输出端为风噪mel频率系数。

离散余弦变换模块的计算过程如下：

首先计算离散余弦变换系数w(t)

然后计算mel频率系数c

其中，c(t)为第t个mel频率系数。

进行离散余弦变换的作用是消除mel频率滤波值f(m)之间的相关性，使风噪特征参数之间互相独立，提升后续神经网络模型中测试人员风噪预测评分的精确度。

本实施例中，神经网络计算模块采用grnn神经网络模型，由三层组成，第一层为输入层，共n1个节点，对应n1个输入参数。第二层为中间层(隐含层)，共n2个节点，n2等于样本数据的样本数。第三层为输出层，共n3个节点，由系统实际需要输出的响应确定。

设输入层向量x＝(x1,x2,...,xn1)^t，中间层向量y＝(y1，y2，...，yn2)^t，输出层向量o＝(o1，o2，...，on3)^t。

本实施例中，神经网络计算模块的输出层与中间层的关系如下：

o＝w2*f(y)

其中，o为输出层向量，w2为输出层与中间层的权重系数矩阵，f(y)为激活函数，y为中间层向量。

本实施例中，神经网络计算模块的输入层与中间层的关系如下：

y＝||w1-x||·*b1

其中，y为中间层向量，x为输入层向量，w1为输入层与中间层的权重系数矩阵，b1为输入层向量与中间层向量的偏置矩阵，.*为数量乘积，即矩阵中各对应元素的乘积。||||为两个向量之间的欧式距离，计算公式如下。

式中，l为向量的维数。

中间层向量y可以表示为如下形式

||w1-x||.*b1

＝diag((w1-ones(n2，1)*x^t)*(w1-ones(n2，1)*x^t)^t).^(0.5)

*b1

其中，diag表示取矩阵主对角线上的元素组成的列向量；^t表示转置；.^表示数量乘方(即矩阵中各对应元素的乘方)；.*为数量乘积，即矩阵中各对应元素的乘积。ones(n2，1)表示维数为n2，其值均为1的列向量，n2为中间层节点数。

激活函数f(y)一般采用高斯函数，如下：

本实施例中，输入层节点数n1等于风噪特性参数个数，即等于滤波器个数m，输出层节点数为n3＝1，为车辆风噪水平的主观评价值，隐藏层节点数n2为车辆样本量r。

确定神经网络模型参数，令输入层与中间层的权重系数矩阵w1＝x^t，令输出层与中间层的权重系数矩阵w2＝o，令输入层向量与中间层向量各节点的偏置系数b1i均相等，为0.8326，激活函数f(y)为0.5。

上述grnn神经网络模型需要调整的参数少，没有训练过程，避免了繁琐、冗长的数学计算，预测速度快；grnn神经网络模型结构简单，拟合效果及预测效果好；grnn神经网络模型对于小样本数据的预测效果也很好，无需获取大量的风噪数据样本，而bp神经网络模型则需要大量的样本对模型进行训练才能获得较好的预测效果。

上述车辆风噪水平测试系统的测试方法如下：

1、在相同测试路况和工况下，采集同一车型r种设计方案车辆的风噪时域信号和对应r个风噪水平值。则输入层向量x为r列m行的矩阵，输出层向量o为维数为r的行向量。其中，风噪水平值是测试人员基于客观的人耳听觉特性对风噪水平进行赋值，客观的人耳听觉特性是指人类对声音的响度、频率和音频规律性的客观反映，因此风噪水平综合反映了风噪声波的响度、频率和音频规律性。

2、通过风噪时域信号处理模块对风噪时域信号进行处理得到风噪mel频率系数。具体处理过程为，根据风噪时域信号利用声压级计算模块得到风噪声压级，利用能量谱模块得到风噪能量谱，利用mel滤波模块得到风噪mel滤波值，利用离散余弦变换模块得到风噪mel频率系数。

3、将风噪mel频率系数作为输入层，风噪水平值作为输出层，带入到神经网络计算模块中，对神经网络计算模块中的模型参数进行设置，模型参数包括输入层与中间层的权重系数矩阵、输出层与中间层的权重系数矩阵w2＝o、输入层向量与中间层向量各节点的偏置系数b1i、激活函数f(y)。

4、改变测试路况和工况，再次采集上述同一车型r种设计方案车辆的风噪时域信号，重复上述步骤2得到风噪mel频率系数，并输入到神经网络计算模块中，此时由于模型参数已经设置完成，可以直接得到输出层向量作为风噪评分预测值。

测试人员得到上述r辆车在不同测试路况和工况下的风噪水平值后，可以根据不同设计方案的风噪水平值的高低选出最优的设计方案，避免了测试人员需要在不同测试路况和工况下做出多次评分，提高了整个测试的效率。