随着社会发展,人们在购车时会更多考虑车内的舒适性。整车的隔声性能直接影响着车内的驾乘体验,进而影响着车内的舒适性。因此很有必要开展整车的隔声评价。目前,声品质评价常用于汽车领域,以客观量化人们的主观感受。为了探究乘用车的隔声性能与车内声品质之间的联系,本文以静态乘用车的噪声衰减量为例进行研究,主要研究工作涉及如下:以粉红噪声为信号源,采用点声源进行激励,测量了5辆不同等级乘用车车内、外的声压级,并且录制了车内各座椅头部位置以及车外的声信号。利用整车噪声衰减量公式计算得到各车的噪声衰减量参数包括A声级差、C声级差、Z声级差、计权声压级差以及响度级差,分析不同噪声衰减量与响度级差之间的相关性,结果显示A声级差、计权声压级差与响度级差的相关性最高,更适合作为整车隔声性能评价指标。对不同车辆主驾驶头部处的噪声衰减量参数与声音信号分别进行±5d B的平移得到50组数据,其中响度级差为车外响度级与车内经平移后得到的响度级进行相减得到,并计算对应的声品质参数包括响度、尖锐度、粗糙度、波动度以及心理声学烦恼度,分析噪声衰减量与声品质参数之间的相关性,得到响度级差、计权声压级差与心理声学烦恼度之间的相关系数最大,Z声级差与心理声学烦恼度之间的相关系数最小。最后,以50组噪声衰减量参数和心理声学烦恼度数据,分别作为BP神经网络的输入和输出变量,建立整车隔声声品质评价预测模型。在此基础上,采用遗传算法进行原神经网络的权值与阈值的寻优。对比优化前后的预测模型,结果显示:优化后的神经网络模型预测整车隔声声品质样本的平均绝对百分比误差仅为1.39%,而原神经网络模型预测样本的平均绝对百分比误差为47.44%,从而证明了,经遗传算法优化后的神经网络模型预测结果偏差更小、预测准确性更高,且预测有效性也高于原神经网络,可更好地应用在整车隔声声品质评价。