다중회귀분석 및 인공신경망을 이용한 과부하 굴삭기 소음의 음질 인덱스

1. 서 론

자동차 산업의 발달로 전 세계적으로 차량 소음문제가 증가하고 있으며 음질은 자동차의 품질을 측정하는 중요한 지표가 되었다.¹⁾ 이미 자동차 소음의 주관적 평가를 객관화하는 음질연구는 많이 진행되었다.^2-5) 그러나 아직까지 굴삭기 차량 소음에 대한 음질연구는 거의 없는 실정이다. 최근 생활수준의 향상과 정숙 환경에 대한 기대 증가로 인해 굴삭기 운전실 소음에 대하여 승용차 수준의 정숙함을 요구하고 있다. 최근 저소음 엔진을 적용한 굴삭기의 경우 기존에 없었던 유압시스템 소음의 부각으로 인한 불만이 제기되었다.⁶⁾ 특히 장비의 설정압력을 초과하는 과부하 하중이 작용할 때 엔진과 유압시스템 소음 등을 포함한 장비 전체 소음이 갑자기 커지는데 이러한 과부하 소음은 장비에 따라 운전자에게 상당히 불쾌감을 준다.

본 연구에서는 이러한 과부하 작업 조건에서 운전자에게 불쾌감을 주는 엔진 및 유압시스템 소음 등을 포함하는 장비 전체 과부하 소음에 대한 객관적인 평가를 위한 음질인덱스를 개발하였다. 이를 위해 과부하 조건에서 굴삭기 6개 모델의 운전실 소음을 측정하고 이를 편집한 24개의 운전실 소음에 대해 크기 평가법에 의한 청음평가를 수행하였다. 일관성이 낮은 청음평가 결과는 군집분석을 통해 선호도 성향이 다른 2개의 선호도 그룹으로 분류한 다음 각 선호도 그룹에 대해 다중회귀분석을 통해 유의한 음질인자를 도출하여 불쾌감을 예측할 수 있는 음질 인덱스를 개발하였다. 그리고 심리음향학의 음질인자만으로 회귀분석 조건을 만족시키기 어려워 추가로 부분 라우드니스 등의 새로운 음질인자를 추출하여 함께 사용하였다. 그 결과 다중회귀분석 조건을 만족하는 음질인자를 추출할 수 있었고 추출한 인자를 다시 인공신경망의 입력변수로 사용하여 보다 높은 상관성을 갖는 과부하 굴삭기 소음에 대한 실내 음질 인덱스를 개발하였다.

2. 운전실 소음의 측정 및 편집

2.1 소음 측정

작업 장치에 장비의 용량보다 큰 하중이 작용할 경우, 메인 릴리프 밸브가 열리게 되는데 이때 발생하는 과부하 소음은 엔진 최고 회전모드에서 가장 부각된다. 따라서 동일한 과부하 조건을 반복 시험하기 위해 모든 시험 장비에 대해 엔진은 최고 회전수로 설정하고 작업 장치는 암 오므림(Arm in)상태로 고정하여 아이들 모드(Idle mode)에서 1.25초, 컨트롤 레버(RCV lever)를 완전히 당긴 상태인 릴리프 모드(Relief mode)에서 3.75초 동안 Head Acoustics사의 SQuadriga를 사용하여 운전실 소음을 녹음하였다. Table 1에서 소음측정 조건과 기록시간을 나타내었다.

Table 1

Noise measurement condition and recording time

2.2 음원 편집

6개의 굴삭기 모델에 대해 문을 열고 닫고 상태에서 전체 12개의 운전실 소음을 녹음하였다. 그리고 Table 2와 같이 E1, E3 음원과 동일한 음압레벨을 갖도록 12개의 음원을 편집하여 총 24개 음원을 청음평가를 위해 제작하였다.

Table 2

Measured and edited 24 sound samples

Fig. 1은 24개 음원의 전체 음압레벨과 전체 라우드니스 값을 나타낸다. 전체 음압레벨은 73~86 dB(A)범위를 가지며 전체 라우드니스는 24~57 sone 범위를 갖는 음원으로 구성되어 있다.

Fig. 1

SPL and total loudness of 24 sound samples

그리고 Fig. 2는 6모델의 운전실 음원(A1~F1)의 임계대역의 비라우드니스 그래프를 나타낸다. 0.7 Bark의 1차 엔진 폭발 소음의 크기는 2.5~9.2 sone이며 3.0~3.4 Bark범위의 1차 유압 맥동 소음의 크기는 3.8~6.5 sone범위를 갖는 장비들로 구성되었다.

Fig. 2

Specific loudness of 6 sound samples

3. 크기 평가법(MEM)에 의한 청음평가

청음평가는 다년간의 굴삭기 운전 경험을 가진 굴삭기 소음에 익숙하고 친숙한 26명의 엔지니어를 대상으로 크기 평가법(MEM)으로 암소음의 영향이 없는 반무향실에서 Fig. 3과 같이 수행되었다. 젠하이져(Shenheiser)의 HD650 헤드셋으로 구성된 헤드 어쿠스틱(Head acoustic)사의 음원 재생 장비인 PEQV를 사용하여 음을 재생하였다. 전체 24개의 음원에 대해서 6개의 음원씩 4번에 걸쳐서 청음평가를 수행하였다.

Fig. 3

Jury test in semi-anechoic room

크기 평가법은 이론적으로는 무한대 해상도를 갖지만 본 연구에서는 Fig. 4와 같이 9점 스케일을 사용한 변경된 크기 평가법을 사용하였다.

Fig. 4

9-point scale method for MEM

Fig. 5는 크기 평가법에 의한 청음평가를 위한 프로그램을 나타낸다. 프로그램을 이용한 4번의 평가에서 E1, E2, E3, E4 음원을 기준사운드(Anchor sound)로 제시하여 평가자가 먼저 기준사운드에 점수를 부여하고 그 점수를 기준으로 다른 음원에도 상대적인 점수를 부여하도록 하였다.

Fig. 5

Program used for jury test by MEM

또한 평가음 6개 중에도 기준사운드가 들어 있기 때문에 평가자가 같은 평가 점수를 부여하였는지를 확인할 수 있도록 하여 유사한 점수를 부여하지 않은 평가자의 데이터는 신뢰성이 부족함으로 평가에서 제외하고자 하였다. 그리고 평가자들의 청음평가 결과는 일관성이 떨어지는 경향을 보여 26명의 평가자들의 평가결과를 군집분석을 통해 Table 3과 같이 성향이 다른 2그룹으로 분류하여 분석하였다.⁴⁾

Table 3

Preference score of group1 and group2

4. 회귀모형의 유효성 검증

크기 평가법에 의한 청음평가 결과를 종속변수로 사용하여 SPSS를 이용하여 다중회귀분석을 수행하였다. 종속변수에 영향을 주는 변수들을 찾기 위하여 Table 4에 표현한 인자를 포함하여 추출 가능한 모든 음질인자를 추출하여 독립변수로 투입한 후에 단계적 선택 방법(Stepwise)을 이용하여 다중회귀분석을 실시하였고 그 결과 선택된 유의한 인자를 Table 5와 6에 나타내었다. 그룹1의 경우 5개, 그룹2의 경우 4개의 독립변수가 유의한 인자로 선택되었다.

Table 4

Sound quality metrics used for MRA

Table 5

Sound quality metrics of selected by MRA (group1)

Table 6

Sound quality metrics of selected by MRA (group2)

4.4 다중공선성 검정

Table 7과 8에서 모든 독립변수의 VIF 지수는 기준값 10미만으로 나왔다. 즉 투입된 변수 간에는 다중공선성이 존재하지 않음을 알 수 있으며 표준화 회귀계수인 베타(Beta) 값을 확인 한 결과, 그룹1의 경우 독립변수 x1이 0.741로 가장 큰 영향을 미치고 있으며 가장 낮은 영향을 미치고 있는 독립변수는 x3으로 만족도에 음의 영향을 미치고 있다. 또한 그룹2의 경우 독립변수 x3이 0.882로 가장 큰 영향을 미치고 있으며 x2와 x4는 전체 만족도에 음의 영향을 미치고 있다.

Table 7

Results of multiple regression analysis (group1)

Table 8

Results of multiple regression analysis (group2)

4.8 불쾌감 음질인덱스

다중회귀분석을 통해 도출한 차량 운전실 소음의 불쾌감(낮은 선호도)에 대한 각 그룹의 음질인덱스는 식 (1)과 (2)와 같다.

$\[ {SQ}_{group1}=5.408+1.824\frac{\left(N_{EG}-N_1\right)}{N_{EG}}+46.303\left(\frac{{PN}_2}{N}\right)-2.409{PND}_3+6.789\left(S\times R-FL\right)-0.782{PN}_3 \]$

(1)

$\[ {SQ}_{group1}=16.307-0.232dB\left(A\right)+0.088{dB}_{EG}+0.085{dB}_{masking}-35.995\frac{{PN}_1}{N} \]$

(2)

Fig. 6과 7은 크기 평가법에 의한 선호도 그룹1과 그룹2의 청음평가 결과와 회귀분석에 의한 예측값을 비교하였다. 회귀분석에 의한 그룹1과 그룹2의 예측값은 청음평가 결과와 96.2 %와 94.6 %의 높은 상관관계를 가지고 있어 도출한 음질인덱스는 청음평가 결과를 잘 예측하고 있음을 알 수 있다.

Fig. 6

Results of jury test and RA (group1)

Fig. 7

Results of jury test and RA (group2)

5. 인공신경망을 이용한 예측모형

본 논문에서 음질 인덱스 구축을 위한 신경망 모형의 학습에 관한 소프트웨어는 Matlab의 Neural Network Tool을 사용하였다. 신경망의 학습을 위한 자료는 통계적 회귀분석에서와 동일한 입출력 데이터를 사용하였다. 즉 Fig. 8과 9에서와 같이 신경망의 입력 값으로 회귀분석에서 유의한 인자로 선택된 음질인자를 사용하였고 목표 값으로는 청음평가 결과를 사용하였다.

Fig. 8

Structure of the developed ANN (group1)

Fig. 9

Structure of the developed ANN (group2)

신경망 예측모형을 구성하기 위해 은닉층의 뉴런의 수를 결정하는 것은 매우중요한 부분이다. 본 연구에서는 일반적인 경험법칙에 따라 출력 변수의 개수와 입력변수 개수 사이의 값을 은닉층의 뉴런 수로 선택하였다.⁷⁾ 따라서 1에서 5사이의 값을 은닉층의 뉴런의 수로 대입 시킨 후 과적합(Over fitting)이나 부적합(Under fitting)이 발생하지 않고 낮은 에러를 갖는 최적의 뉴런의 수를 갖는 모형을 추출하였다.⁷⁾

선호도 그룹1은 Fig. 8과 같이 2개의 뉴런(Neuron)을 갖는 1개의 은닉층과 출력층으로 구성된 2개의 레이어(Layer)의 인공신경망을 구성하였고, 선호도 그룹 2는 Fig. 9와 같이 3개의 뉴런을 갖는 1개의 은닉층과 출력층으로 구성된 2개의 레이어(Layer)의 인공신경망을 구성하였고 모두 역전파 알고리즘(BP neural network)을 사용하였다.

구성된 인공 신경망(ANN)을 통해 최종 가중치 행렬 W와 바이어스 b를 구하였다. 그 결과는 Table 9, 10과 같다.

Table 9

ANN model for preference (group1)

Table 10

ANN model for preference (group2)

Fig. 10과 11은 최적 검증 수행 결과를 나타낸다. 훈련된 인공 신경망 모형은 과적합되지 않았고 낮은 평균제곱오차(MSE)를 갖는 결과를 얻었다.

Fig. 10

Best validation performance (group1)

Fig. 11

Best validation performance (group2)

Fig. 12와 13은 에러 히스토그램을 나타낸다. 사용된 24개의 데이터가 0을 중심으로 정규성을 가지고 에러가 ±0.4이하의 값을 나타내었다.

Fig. 12

Error histogram (group1)

Fig. 13

Error histogram (group2)

Fig. 14와 15는 목표값과 인공신경망 출력값 사이의 상관계수를 나타낸다. 전체 24개의 데이터 중에서 18개의 데이터는 훈련(Training)에 사용되었고 4개의 데이터는 검증(Validation)과 시험(Test)에 각각 사용되었다.

Fig. 14

Correlation between target and ANN output of training, validation, test and All (group1)

Fig. 15

Correlation between target and ANN output of training, validation, test and All (group2)

인공신경망 모형에 의한 그룹1과 그룹2의 예측값은 청음평가 결과와 98.6 %의 높은 상관관계를 가지고 있어 도출한 예측모형은 청음평가 결과를 잘 예측하고 있음을 알 수 있다. Fig. 16과 17은 청음평가 결과와 인공신경망에 의한 출력을 비교하여 나타내었다.

Fig. 16

Results of ANN and jury test (group1)

Fig. 17

Results of ANN and jury test (group2)

6. 결 론

과부하 굴삭기 소음에 대해 평가자들이 느끼는 불쾌감에 대한 청음평가는 일관성을 갖지 못하였다. 따라서 군집분석을 통해 선호도 성향이 다른 두 그룹으로 나누어 각 그룹에 대한 음질인덱스를 구축하여 각 평가자 그룹의 성향을 반영한 평가를 할 수 있었다. 정신음향학 음질인자만으로 과부하 굴삭기 소음을 표현하기 어려워 부분라우드니스 등의 새로운 음질인자를 추출하여 다중회귀분석의 독립변수로 사용하여 과부하 굴삭기 소음을 표현할 수 있는 음질인자 추출할 수 있었다. 다중회귀분석을 통해 추출된 음질인자가 유의한 음질인자임을 확인하였고 또한 인공신경망의 입력변수로 투입하여 청음평가와 높은 상관관계를 갖는 음질인덱스를 구축할 수 있었다.

References

• Z. Duan, Y. Wang, and Y. Xing, “Sound Quality Prediction of Vehicle Interior Noise Under Multiple Working Conditions Using Backpropagation Neural Network Model”, Journal of Transportation Technologies, 5(2), p134-139, (2015). [https://doi.org/10.4236/jtts.2015.52013]
• H. K. Park, and J. T. Kim, “Evaluation of Door Closing Sound by Using Semantic Difference Method”, Transactions of KSAE, 6(2), p67-79, (1998).
• S. K. Lee, B. S. Kim, D. C. Park, and S. G. Jung, “Transient Rumbling Index Development of Sound Quality on a Passenger Car”, KSAE Fall Conference Proceedings, p744-749, (2003).
• J. K. Lee, Y. W. Park, J. B. Chai, and H. K. Jang, “Development of a Sound Quality Index on the Interior Noise of Vehicle at Wide Open Test Condition”, KSAE Spring Conference Proceedings, p1225-1230, (2004).
• H. S. Park, and Y. J. Kang, “Effectiveness Comparison of Sound Quality Evaluation Index Designs through Exploratory Factor Analysis and Linear Regression Analysis for Sporty Engine Sound”, KSAE Spring Conference Proceedings, p623-624, (2016).
• S. D. Sim, B. J. Ryu, S. H. Cha, S. H. Shin, and O. S. Song, “Development of Sound Quality Index for Excavator's Hydraulic Relief Noise”, KSNVE Autumn Conference, p799-800, (2015).
• F. S. Panchal, and M. Panchal, “Review on Methods of Selecting Number of Hidden Nodes in Artificial Neural Network”, International Journal of Computer Science and Mobile Computing, 3(11), p455-464, (2014).