선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 음질 요소와 주관적 평가와의 관계는 비선형적이고 매우 복잡하므로 이런 특성을 해석하기 위해서 인공신경회로망(ANN) [9]이론이 필수적이다. 따라서 본 연구를 통하여, SUV 차량의 액슬에서 발생되는 기어소음에 대한 합성신호를 제작 [10] 하였고임상실험을 통하여 소비자 만족도를 예측할 수 있는 신경회로망 인덱스를 구현하였다.
제안 방법
- SUV 차량의 정상주행 시, 사람의 청감을 표현하기 위하여 Binaural 형태로 실내 소음을 녹음하였다. Binaural recording 은 좌우 귀에서 감지되는 음압의 차이와 음원으로부터 좌우 두 귀에 이르기까지의 거리에 따른 소리 위상차도 녹음할 수 있다.
- 회귀분석을 통하여 두 데이터의 상관관계를 규명하기 위해서는 두 데이터가 선형적인 관계를 가져야 한다. 그러나, 액슬 기어소음 청음평가 점수는 여러 가지 음질요소의 조합에 의해 비선형적인 관계를 이루므로 본 연구에서는 Fig. 6 과 같은 다층 신경회로망을 이용하여 음질인덱스 구현을 하였다. 본연구에서 쓰인 신경회로망은 비선형적인 모델을 해석하기 위하여 많이 사용되지만 개별적인 학습이 필수적이다.
- 소음 데이터 녹음 장비로 Head-Acoustics 사의 Artificial Head HMS Ⅲ 을 조수석에 위치시켜, 실내 소음을 녹음하였다. 또한 RPM 데이터를 얻기 위하여 프로펠러 축으로부터Tacho-Meter Signal을 실내소음과 동시에 측정하였다. 실험은 총 5 대의 SUV차량 실내 소음을 녹음하였으며 주행은 서산 시내의 일반도로에서 실시되었다.
- 청음평가에 사용된 85개 중 인공신호 60개를 이용하여 학습 시키고, 나머지 인공신호 20 개를 이용하여 자체 검증을 iW )의 검증을 실시하였다. 또한, 학습된 가중치(위해 실차 신호 5 개에 대하여 입력 검증을 실시하였다. 학습 횟수는 학습도중의 검증(자체검증) 에서 타겟 값(청음 평가 값)과 출력 값(신경회로망의 출력 값)의 상관도가 92%이상일 경우와 5 개의 입력 검증신호에 대해서 타겟 값과 출력 값의 상관도가 92% 이상일 경우에만 학습이 끝나도록 하였다.
- 따라서 f3는 f2보다 고주파에 위치하므로 f3 가 더 잘 들리게 된다. 본 연구에서는 액슬 인공신호를 제작할 시 광대역 마스킹을 고려하여 액슬 소음의 크기 (peak level)를 조정하였으며 협대역 마스킹과 주파수 효과를 고려하여 기어 소음의 발생위치를 변화하며 합성신호를 제작하였다.
- 이는 임상실험에서 실제 소음과 같은 느낌으로 평가할 수 있도록 만들어준다. 소음 데이터 녹음 장비로 Head-Acoustics 사의 Artificial Head HMS Ⅲ 을 조수석에 위치시켜, 실내 소음을 녹음하였다. 또한 RPM 데이터를 얻기 위하여 프로펠러 축으로부터Tacho-Meter Signal을 실내소음과 동시에 측정하였다.
- 그러므로 학습을 위한 데이터의 양이 충분히 확보되어야 한다. 이를 만족시키기 위하여 인공 합성신호를 제작하였다. Fig.
- 하지만 실제 연구 개발과정의 기간, 비용의 측면에서는 직접적인 액슬 소음 녹음은 바람직하지 못하다. 이를 보완하기 위해 디지털 신호처리 기술을 이용하여 합성 신호를 제작하였다. Fig.
- 수 있도록 제작하였다. 청음평가에 사용된 85개 중 인공신호 60개를 이용하여 학습 시키고, 나머지 인공신호 20 개를 이용하여 자체 검증을 iW )의 검증을 실시하였다. 또한, 학습된 가중치(위해 실차 신호 5 개에 대하여 입력 검증을 실시하였다.
- 또한, 학습된 가중치(위해 실차 신호 5 개에 대하여 입력 검증을 실시하였다. 학습 횟수는 학습도중의 검증(자체검증) 에서 타겟 값(청음 평가 값)과 출력 값(신경회로망의 출력 값)의 상관도가 92%이상일 경우와 5 개의 입력 검증신호에 대해서 타겟 값과 출력 값의 상관도가 92% 이상일 경우에만 학습이 끝나도록 하였다.
대상 데이터
- Loudness 와 dB(A)는 음의 크기를 나타내는 인자이므로 서로 높은 상관성을 갖는다. 그러므로 첫 번째 인자로 AI 를 선정하고 AI 와 역 비례관계가 더 큰 Loudness 를 두 번째 인자로 선정하였다. Table 3 에서 선정을 위한 인자간의 상관도를 표시하였다.
- 또한 RPM 데이터를 얻기 위하여 프로펠러 축으로부터Tacho-Meter Signal을 실내소음과 동시에 측정하였다. 실험은 총 5 대의 SUV차량 실내 소음을 녹음하였으며 주행은 서산 시내의 일반도로에서 실시되었다. 주행시험은 30 km/h에서 130 km/h까지 coast up을 실시하였다, 수집된 소음데이터는 청음평가 및 합성 신호 제작을 위하여 LMS 사의 CADA-X(version 3.
- 위와 같은 방법으로 제작된 인공신호는 80개이며 Fig.3(b)의 배경 잡음 신호와 합성되어 청음평가에 사용하였다.
- 임상실험은 2.3장의 방법으로 만든 80개의 액슬 기어소음 합성신호와 5개의 실차 신호로 총 85개의 액슬 소음데이터를 이용하였다. 평가 방법은 레이팅 방법(rating method)을 이용하였으며 SAE학회에서 규정된 4~9점 방식을 사용하였다.
- 실험은 총 5 대의 SUV차량 실내 소음을 녹음하였으며 주행은 서산 시내의 일반도로에서 실시되었다. 주행시험은 30 km/h에서 130 km/h까지 coast up을 실시하였다, 수집된 소음데이터는 청음평가 및 합성 신호 제작을 위하여 LMS 사의 CADA-X(version 3.5D)의 Test-Monitor 모듈을 이용하였다. 합성 신호 제작은 신경회로망 학습에 필요한 액슬 소음의 제작을 위한 것이다.
- Table 2와 같이 불쾌할수록 낮은 점수로 평가된다. 평가자는 총 21명이다.
이론/모형
- Fig.4 는 액슬 기어 성분을 만드는 과정을 나타내며 이 작업은 Matlab 소프트웨어를 이용하였다. Fig.
- 신경회로망 학습을 위하여 Matlab을 사용하여 프로그래밍 하였으며 출력 값으로 액슬 음질점수를 얻을 수 있도록 제작하였다. 청음평가에 사용된 85개 중 인공신호 60개를 이용하여 학습 시키고, 나머지 인공신호 20 개를 이용하여 자체 검증을 iW )의 검증을 실시하였다.
- 3장의 방법으로 만든 80개의 액슬 기어소음 합성신호와 5개의 실차 신호로 총 85개의 액슬 소음데이터를 이용하였다. 평가 방법은 레이팅 방법(rating method)을 이용하였으며 SAE학회에서 규정된 4~9점 방식을 사용하였다. Table 2와 같이 불쾌할수록 낮은 점수로 평가된다.
성능/효과
- 높게 나타났다. 독립적인 음질요소를 구분하기 위하여 음질요소간의 상관도를 계산해본 결과 Loudness 와 AI 를 음질인덱스 계발을 위한 인자로 선정할 수 있었다. 액슬 소음의 음질 인덱스를 개발하기 위해서, 음질요소 (Loudness, AI) 와 액슬 소음의 특성 (크기, 위치)등을 고려하여야 할 것이다.
- 8%를 나타낸다. 따라서 본 연구에서 구현된 액슬 음질 인덱스를 통하여 차량의 실내소음 중 액슬 소음에 대해서는 우수한 결과를 얻을 수 있음이 확인되었다.
- 액슬 소음의 음질 인덱스를 개발하기 위해서, 음질요소 (Loudness, AI) 와 액슬 소음의 특성 (크기, 위치)등을 고려하여야 할 것이다. 액슬 음질 인덱스 제작 후 인공신경망(ANN)의 출력 값은 학습 값과 상관성이 있음이 확인되었으며 실제 차량 신호에 대해서는 97.8%의 상관성을 가짐으로써 실제 개발 차량 실내 소음의 액슬 음질 점수를 청음평가 없이 예상할 수 있음을 보여주었다.
- 음질 인덱스 개발을 위하여 주관적 요소인 청음평가와 객관적 요소인 음질요소와의 연관성을 알아본 본 연구에서 임상실험결과와 음질요소의 상관성을 분석한 결과 dB(A), Loudness, AI 의 상관성이 높게 나타났다. 독립적인 음질요소를 구분하기 위하여 음질요소간의 상관도를 계산해본 결과 Loudness 와 AI 를 음질인덱스 계발을 위한 인자로 선정할 수 있었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.