海德声科抢占NVH制高点：理顺Sound quality metrics开发流程

为何要开发声品质函数？

作为人体真实听觉感受的度量指标，声品质将直接影响顾客对车辆的整体评价。要想开发出声品质较好的车辆，就要进行开发声品质函数的开发。虽其流程稍复杂，但重要性不言而喻，故必将逐步成为NVH领域的一大热门分支。

声品质的评价方法有听审测试（Jury Testing）和心理声学参数(Psychoacoustics Parameters)计算两种。听审测试让评估者直接聆听并评估采集到的高保真双耳声学信号，是最可靠的声品质评估方式。但听审测试对人员、时间等有一定的要求，费事费力，且可重复性差。心理声学参数作为连接物理学和心理学的桥梁，用一系列参数对声音进行人体感观的分析描述，如响度（Loudness）、尖锐度（Sharpness）、粗糙度（Roughness），以及海德声科的专利算法听觉相关性分析（Relative approach）等，但给出的曲线或数值，并不能直接反应人体对声音的评价，如极好、好、满意、差、很差等。

为此，将听审测试结果与心理声学参数建立起对应关系，用心理声学参数替代听审测试就显得很有必要。此过程即为Sound quality metrics的开发。
总体开发流程介绍

开发声品质函数的开发流程如下图。



声音采集：对关注的声音进行采集，因要考虑肩部、头部和耳廓等对声音的滤波作用，一般使用人工头对声音进行采集。
听审测试：组织人员通过主观评价系统，如SQuare，对人工头采集的声音进行回放并评分。
心理声学参数计算：选择合适的参数进行计算，如Loudness、Sharpness或Relative approach，并根据声音特征（Sound patterns）形成单值(Single value)来反应该声音特征，如Loudness ratios。
建模分析：选用合适算法，如多元回归分析，将心理声学参数的单值结果和主观评价的评分结果，建立起对应关系。
鲁棒分析：用更多车辆声品质的数据对建好的模型进行鲁棒分析，验证模型的准确性。
经过验证的开发声品质函数即可用作后期的声品质评估，如评估对标车型、了解自己车型各方面声品质的强弱等。

声品质函数开发详细流程

定义研究的问题

声品质函数的开发是针对某个声学问题（Issue）进行的，可以是抽象的特征，如车辆的运动性（Sportiness）、舒适性（Comfort）等，也可是具体的特征，如柴油机的knocking、齿轮的rattle、开/关门声等。

声音测试

根据具体的issue,进行声音信号的采集。

若研究关门声的声品质，则需对多款车辆（含对标车、竞争车型）进行测试，如下图所示，用人工头将开门和关门的双耳声音信息精准的采集下来。



若研究的issue可能出现在多种工况时，如柴油机的燃烧噪声、齿轮的rattle等在怠速、加速、滑行等工况时都会发生，则需先探索哪些工况会出现该issue，即形成驾驶工况云图（Driving condition map）。

驾驶工况云图需要选择目标客户，进行大量的路试。驾驶者按自己习惯驾驶，过程中给出自己的评语，同时采集车辆的行驶状况。形成的驾驶工况云图如下图所示，横坐标为车速，纵坐标为车辆加速度，颜色代表该工况使用的频次，方格为驾驶者做出评价的工况，叉号为对评价的工况进行归纳总结，找出典型的工况。



下图为归纳出的典型工况的使用频率，对于几乎不用的工况，则无需进行评估。


对最终筛选出的工况，选择多款类似车型（含对标车型、竞争车型）在台架上进行复现，并用人工头采集双耳声学信号。

听审测试（Jury Testing)

对所测的数据，到听音室进行主观评价。



SQuare可提供四种方法进行主观评价：

A/B比较法(Paired comparison)


 排名法（Ranking）



分类测试法（Category test (with/without sorting))


语言细分(Semantic differential)


最终根据评审结果，形成评分表，即获得各工况下该issue的主观评价得分。下图为46位听审者对12辆车某性能（如关门声品质）的评价，方格纵坐标代表评分值，虚线代表置信度。



若您对测试极致严谨，考虑到主观评价可能会受到身处的环境影响，如驾驶时的心态、交通拥堵情况、外界风景等等的影响，实际感受可能与坐在听音室不一致。为此海德声科的Sound seat和Sound car，可以为您真实模拟驾驶时的情景，实现更完美的主观评价。



心理声学参数计算

心理声学的参数有很多，针对每个issue，需要选择不同的心理声学参数。海德声科的Artemis suite除了可提供常规的心理声学参数外，还可提供HEAD acoustics的专利声学算法，如听觉相关性分析（Relative approach），为您心理声学参数计算提供强大的支撑。

心理声学参数的选择需要依具体声学类型而定，也需一定的经验。例如：针对柴油机燃烧噪声，可以用Loudness和Relative approach方法一起来评估。

下图为3个车型tip-in时燃烧噪声的响度曲线，此时，可以用N5（一个数值，曲线中只有5%的数据点大于该值）、N5/N95等作为单值（Single value description）来描述其听觉特征。



下图为3个车型tip-in时的听觉相关性分析，并算出单值作为听觉特征，以便后期与主观评价的得分做建模分析。



建模分析

将主观评价的得分和心理声学参数的单值结果，进行建模分析，建立对应关系,如进行多元回归分析。



分析结果如下：



到此步，实际已经建立了主观评价和心理声学参数的对应关系，即可在评估某车型的某issue的声品质时，无需做费时费力的主观评价，而直接用心理声学参数即可表征其声品质。但模型是否准确，还需做模型验证。

模型验证

对建好的模型，进行鲁棒分析，以验证其准确性。选择一些数据，进行交叉验证（Cross validation）,验证好后即可形成Sound quality metrics供后期使用。


Sound quality metrics的使用

利用开发好Sound quality metrics，即可进行声品质的评定工作。

如评价某新车型的某个问题（如rattle或knocking）在各工况下（如idle、tip-in等）的声品质,即可得到如下结果。图中饼状图的每一个扇形代表一个工况，扇形的角度大小代表该工况出现的频次，颜色和直径代表该工况声品质的评分。



又如两款车型进行声品质对比，结果如下。可以直观的看出各工况的使用频次和声品质对比情况。



Sound quality metrics的开发是一项较大的工程，费时费力，但逐步将成为NVH行业的热门领域。作为声品质解决方案的领航者，海德声科（HEAD acoustics中国子公司）诚挚的邀您“声”临其境地感知声学的美妙，助您攻克声品质开发壁垒，抢占NVH领域制高点。