CN111737834A - 车辆中频nvh值获取方法及装置 - Google Patents

Abstract

本发明公开了一种车辆中频NVH值获取方法及装置，涉及车辆技术领域，该方法包括：获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；获取车辆悬置系统的零部件参数；将目标位置数据、吸声抗阻系数及零部件参数输入至预设神经网络模型中，获得目标NVH值；将目标NVH值作为车辆中频NVH值。相较于现有技术，需要模拟环境和汽车状态得到NVH值，而本发明通过将目标位置数据、吸声抗阻系数及零部件参数输入至预设神经网络模型中获得目标NVH值，使得在降低计算NVH值复杂度的同时，能够获得精准的车辆中频NVH值。

Description

车辆中频NVH值获取方法及装置

技术领域

本发明涉及车辆技术领域，尤其涉及一种车辆中频NVH值获取方法及装置。

背景技术

在汽车悬置系统设计的过程中，需要使汽车的噪声、振动与声振粗糙度(Noise、Vibration、Harshness NVH)值达到标准，才能满足人们对汽车舒适性的要求，这样可以保证后续设计出来的汽车不需要再进行隔振处理或者整改处理，但目前在计算汽车设计中的悬置系统的NVH值时，需要模拟环境和汽车状态，才能对获得的参数进行计算，极大的提高了NVH值计算的难度，还会延长项目设计周期和增加项目开发的成本。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种车辆中频NVH值获取方法及装置，旨在解决如何降低计算车辆中频NVH值的复杂度，从而减少项目设计周期和开发成本的技术问题。

为实现上述目的，本发明提供一种车辆中频NVH值获取方法，所述车辆中频NVH值获取方法包括以下步骤：

获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；

获取车辆悬置系统的零部件参数；

将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值；

将所述目标NVH值作为车辆中频NVH值。

优选地，所述获取车辆各减振装置对应的目标位置数据及吸声抗阻系数的步骤之前，还包括：

获取车辆各减振装置对应的样本位置数据及吸声抗阻样本系数；

获取车辆悬置系统的样本零部件参数；

将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数；

获得所述模型输入参数对应的车辆样本NVH值；

将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

优选地，所述将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值的步骤，包括：

统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量；

判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值；

在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

优选地，所述判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值的步骤之后，还包括：

在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值；

将所述位置数量差值对应的位置数据设置为补充位置数据；

将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数；

将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

优选地，所述将所述目标NVH值作为车辆中频NVH值的步骤，包括：

判断所述目标NVH值是否小于或等于预设标准NVH值；

在所述目标NVH值小于或等于所述预设标准NVH值时，将所述目标NVH值作为车辆中频NVH值。

此外，为实现上述目的，本发明还提出一种车辆中频NVH值获取装置，所述车辆中频NVH值获取装置包括：

获取模块，用于获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；

所述获取模块，还用于获取车辆悬置系统的零部件参数；

输入模块，用于将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值；

判定模块，用于将所述目标NVH值作为车辆中频NVH值。

优选地，所述装置还包括建立模块；

所述建立模块，用于获取车辆各减振装置对应的样本位置数据及吸声抗阻样本系数；

所述建立模块，还用于获取车辆悬置系统的样本零部件参数；

所述建立模块，还用于将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数；

所述建立模块，还用于获得所述模型输入参数对应的车辆样本NVH值；

所述建立模块，还用于将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

优选地，所述输入模块，还用于统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量；

所述输入模块，还用于判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值；

所述输入模块，还用于在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

优选地，所述输入模块，还用于在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值；

所述输入模块，还用于将所述位置数量差值对应的位置数据设置为补充位置数据；

所述输入模块，还用于将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数；

所述输入模块，还用于将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

优选地，所述判定模块，还用于判断所述目标NVH值是否小于或等于预设标准NVH值；

所述判定模块，还用于在所述目标NVH值小于或等于所述预设标准NVH值时，将所述目标NVH值作为车辆中频NVH值。

本发明中，首先获取车辆各减振装置对应的目标位置数据及吸声抗阻系数，并获取车辆悬置系统的零部件参数，之后将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值，最后将所述目标NVH值作为车辆中频NVH值。相较于现有技术，需要模拟环境和汽车状态得到NVH值，而本发明通过将目标位置数据、吸声抗阻系数及零部件参数输入至预设神经网络模型中，能够快速、准确地获取车辆中频NVH值。

附图说明

图1为本发明车辆中频NVH值获取方法第一实施例的流程示意图；

图2为本发明车辆中频NVH值获取装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明车辆中频NVH值获取方法第一实施例的流程示意图，提出本发明车辆中频NVH值获取方法第一实施例。

在第一实施例中，所述车辆中频NVH值获取方法包括以下步骤：

步骤S10：获取车辆各减振装置对应的目标位置数据及吸声抗阻系数。

需要说明的是，本实施例的执行主体是车辆中频NVH值获取设备，该设备具有数据处理、网络通信以及程序运行等功能，本实施例对此不做限制。

所述目标位置数据是以任意一个减振装置为原点，采集汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据。

其中所述质心坐标是指在几何结构中，质心坐标是指图形中的点相对各顶点的位置，可用坐标(x,y,z)表示。

所述汽车曲线的中心线坐标数据是指中心线上多组坐标组成，假设坐标用(x,y,z)来进行表示，则可以理解为(1,3,4)，(1,3,5)，(1,3,6)等。

所述汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据为通过数据转化软件，对实际操作中将汽车动力总成、各个减振装置及汽车中心线进行转化，以获得设计图纸中的坐标数据。

所述各个减振装置的吸声抗阻系数是指设计方案中会存在多个减振装置，每个减振装置都会存在对应的吸声抗阻系数，所述吸声抗阻系数为用户自定义设置可以为0.9、也可以为0.8等，本实施例并不加以限制。

步骤S20：获取车辆悬置系统的零部件参数。

所述零部件参数包括汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数。

所述车辆悬挂系统是汽车的车架与车桥或车轮之间的一切传力连接装置的总称，其作用是传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平顺地行驶。典型的悬挂系统结构由弹性元件、导向机构以及减振器等组成，个别结构则还有缓冲块、横向稳定杆等。弹性元件又有钢板弹簧、空气弹簧、螺旋弹簧以及扭杆弹簧等形式，而现代轿车悬挂系统多采用螺旋弹簧和扭杆弹簧，个别高级轿车则使用空气弹簧。悬挂系统是汽车中的一个重要总成，它把车架与车轮弹性地联系起来，关系到汽车的多种使用性能。

其中，所述汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数都为用户自定义设置，所述汽车传动轴的材料密度可以为5kg/m*3，也可以是4kg/m*3等，齿轮之间的摩擦系数可以为0.3，也可以是0.5等，动力总成的转速可以为1000rpm，也可以为1200rpm等，动力总成的质量可以为5kg，也可以为6kg等，动力总成的转动惯量是刚体绕轴转动时惯性(回转物体保持其匀速圆周运动或静止的特性)的量度，用字母I或J表示。转动惯量在旋转动力学中的角色相当于线性动力学中的质量，可理解为一个物体对于旋转运动的惯性，用于建立角动量、角速度、力矩和角加速度等数个量之间的关系，所述转动惯量可以为8.203145，也可以为9.876234等，本实施例并不加以限制。

所述动力总成的转速包括动力总成的怠工转速和运行转速等。

步骤S30：将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

所述预设神经网络模型的建立步骤为获取车辆各减震装置对应的样本位置数据及吸声抗阻样本系数，获取车辆悬置系统的样本零部件参数，将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数，之后根据所述模型数据参数实时采集车辆的NVH值，并将所述NVH值作为模型输入参数对应的车辆样本NVH值，将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

所述样本位置数据是以任意一个减振装置为原点，采集汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据。

其中所述质心坐标是指在几何结构中，质心坐标是指图形中的点相对各顶点的位置，可用坐标(x,y,z)表示。

所述汽车曲线的中心线坐标数据是指中心线上多组坐标组成，假设坐标用(x,y,z)来进行表示，则可以理解为(2,3,4)，(2,3,5)，(2,3,6)等。

所述汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据为通过数据转化软件，对实际操作中将汽车动力总成、各个减振装置及汽车中心线进行转化，以获得设计图纸中的坐标数据。

所述各个减振装置的吸声抗阻样本系数是指设计方案中会存在多个减振装置，每个减振装置都会存在对应的吸声抗阻样本系数，所述吸声抗阻样本系数为用户自定义设置可以为0.9、也可以为0.8等，本实施例并不加以限制。

所述样本零部件参数包括汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数。

所述车辆悬挂系统是汽车的车架与车桥或车轮之间的一切传力连接装置的总称，其作用是传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平顺地行驶。典型的悬挂系统结构由弹性元件、导向机构以及减振器等组成，个别结构则还有缓冲块、横向稳定杆等。弹性元件又有钢板弹簧、空气弹簧、螺旋弹簧以及扭杆弹簧等形式，而现代轿车悬挂系统多采用螺旋弹簧和扭杆弹簧，个别高级轿车则使用空气弹簧。悬挂系统是汽车中的一个重要总成，它把车架与车轮弹性地联系起来，关系到汽车的多种使用性能。

其中，所述汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数都为用户自定义设置，所述汽车传动轴的材料密度可以为8kg/m*3，也可以是9kg/m*3等，齿轮之间的摩擦系数可以为0.6，也可以是0.7等，动力总成的转速可以为1600rpm，也可以为2200rpm等，动力总成的质量可以为4kg，也可以为7kg等，动力总成的转动惯量是刚体绕轴转动时惯性(回转物体保持其匀速圆周运动或静止的特性)的量度，用字母I或J表示。转动惯量在旋转动力学中的角色相当于线性动力学中的质量，可理解为一个物体对于旋转运动的惯性，用于建立角动量、角速度、力矩和角加速度等数个量之间的关系，所述转动惯量可以为8.203145，也可以为9.876234等，本实施例并不加以限制。

进一步地，根据上述所得到的多组样本位置数据、吸声抗阻样本系数及样本零部件参数的数据采集实际NVH值，最后将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得误差较低的预设神经网络模型。

需要说明的是，实际应用中神经网络模型的种类较多，考虑到BP神经网络模型或RBF神经网络模型的平均误差比例较小，偏差范围也较小，其计算结果与测量结果几乎一致。因此，为了较为准确的获取到车辆的NVH值，本实施例在建立预设神经网络模型时，优选将所述BP(Back Propagation)神经网络模型或径向基函数神经网络(Radical BasisFunction RBF)作为初始神经网络模型进行模型训练，获得预设神经网络模型。

将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型之前，统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量，判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值，在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

也就是说，假设减振装置的数量为6个，目标位置就需要6组坐标数据，其中每组坐标数据中都包括汽车动力总成的质心坐标点、减振装置的质心坐标点、汽车曲轴的中心线坐标的数据，和6个吸声抗阻系数，在所述坐标数据存在6组且存在6个吸声抗阻系数时，将所述坐标数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值，将所述位置数量差值对应的位置数据设置为补充位置数据，将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数，将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

也就是说，假设当前获取的减振装置的数量为4个，但需要存在减振装置的数量为6个，目前目标位置就存在4组坐标数据和4个吸声抗阻系数，其中每组坐标数据中都包括汽车动力总成的质心坐标点、减振装置的质心坐标点、汽车曲轴的中心线坐标的数据，因此，可知还需要两组目标位置和2个吸声抗阻系数，当减振装置数量不足6个时，将不存在的减振装置的坐标点记为x＝0，y＝0，z＝0，并作为补充位置数据，且吸声抗阻系数为0，并作为吸声抗阻补充系数。之后所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

步骤S40：将所述目标NVH值作为车辆中频NVH值。

判断所述目标NVH值是否小于或等于预设标准NVH值，在所述目标NVH值小于或等于所述预设标准NVH值时，将所述目标NVH值作为车辆中频NVH值。

可以理解的是，所述预设标准NVH值为用户自定义设置，假设预设标准NVH值为5，所述目标NVH值为4，可知，所述目标NVH值小于所述预设标准NVH值，因此，可认为所述NVH值是符合标准的，也就是说NVH值越小越好，故，可以将所述目标NVH值作为车辆中频NVH值。

在利用多组历史数据和实际NVH值可以训练出误差较低的神经网络模型，该神经网络模型训练出来以后，设计人员就可以利用该神经网络模型进行NVH值预测，将自己设计的参数输入进去，就可以得出大致的NVH值，从而对设计的汽车模型进行调整，使其能达到NVH值的标准，避免了设计出来的汽车达不到NVH值的标准从而需要整改的尴尬，极大的降低了汽车的开发成本。

本发明中，首先获取车辆各减振装置对应的目标位置数据及吸声抗阻系数，并获取车辆悬置系统的零部件参数，然后统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量，并判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值，在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值，最后将所述位置数量差值对应的位置数据设置为补充位置数据，将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数，将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，以进行数据分析，在降低发动机悬置系统的开发周期和开发成本的同时，获得符合标准的车辆中频NVH值。

此外，参照图2，图2为本发明车辆中频NVH值获取装置第一实施例的结构框图。

如图2所示，本发明实施例提出的车辆中频NVH值获取装置包括：获取模块2001，用于获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；所述获取模块2001，还用于获取车辆悬置系统的零部件参数；输入模块2002，用于将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值；判定模块2003，用于将所述目标NVH值作为车辆中频NVH值。

所述获取模块2001，用于获取车辆各减振装置对应的目标位置数据及吸声抗阻系数。

所述目标位置数据是以任意一个减振装置为原点，采集汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据。

其中所述质心坐标是指在几何结构中，质心坐标是指图形中的点相对各顶点的位置，可用坐标(x,y,z)表示。

所述汽车曲线的中心线坐标数据是指中心线上多组坐标组成，假设坐标用(x,y,z)来进行表示，则可以理解为(1,3,4)，(1,3,5)，(1,3,6)等。

所述汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据为通过数据转化软件，对实际操作中将汽车动力总成、各个减振装置及汽车中心线进行转化，以获得设计图纸中的坐标数据。

所述各个减振装置的吸声抗阻系数是指设计方案中会存在多个减振装置，每个减振装置都会存在对应的吸声抗阻系数，所述吸声抗阻系数为用户自定义设置可以为0.9、也可以为0.8等，本实施例并不加以限制。

所述获取模块2001，还用于获取车辆悬置系统的零部件参数。

所述零部件参数包括汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数。

所述车辆悬挂系统是汽车的车架与车桥或车轮之间的一切传力连接装置的总称，其作用是传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平顺地行驶。典型的悬挂系统结构由弹性元件、导向机构以及减振器等组成，个别结构则还有缓冲块、横向稳定杆等。弹性元件又有钢板弹簧、空气弹簧、螺旋弹簧以及扭杆弹簧等形式，而现代轿车悬挂系统多采用螺旋弹簧和扭杆弹簧，个别高级轿车则使用空气弹簧。悬挂系统是汽车中的一个重要总成，它把车架与车轮弹性地联系起来，关系到汽车的多种使用性能。

其中，所述汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数都为用户自定义设置，所述汽车传动轴的材料密度可以为5kg/m*3，也可以是4kg/m*3等，齿轮之间的摩擦系数可以为0.3，也可以是0.5等，动力总成的转速可以为1000rpm，也可以为1200rpm等，动力总成的质量可以为5kg，也可以为6kg等，动力总成的转动惯量是刚体绕轴转动时惯性(回转物体保持其匀速圆周运动或静止的特性)的量度，用字母I或J表示。转动惯量在旋转动力学中的角色相当于线性动力学中的质量，可理解为一个物体对于旋转运动的惯性，用于建立角动量、角速度、力矩和角加速度等数个量之间的关系，所述转动惯量可以为8.203145，也可以为9.876234等，本实施例并不加以限制。

所述动力总成的转速包括动力总成的怠工转速和运行转速等。

所述输入模块2002，用于将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

所述预设神经网络模型的建立步骤为获取车辆各减震装置对应的样本位置数据及吸声抗阻样本系数，获取车辆悬置系统的样本零部件参数，将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数，之后根据所述模型数据参数实时采集车辆的NVH值，并将所述NVH值作为模型输入参数对应的车辆样本NVH值，将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

所述样本位置数据是以任意一个减振装置为原点，采集汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据。

其中所述质心坐标是指在几何结构中，质心坐标是指图形中的点相对各顶点的位置，可用坐标(x,y,z)表示。

所述汽车曲线的中心线坐标数据是指中心线上多组坐标组成，假设坐标用(x,y,z)来进行表示，则可以理解为(2,3,4)，(2,3,5)，(2,3,6)等。

所述汽车动力总成的质心坐标、各个减振装置的质心坐标，汽车曲线的中心线坐标数据为通过数据转化软件，对实际操作中将汽车动力总成、各个减振装置及汽车中心线进行转化，以获得设计图纸中的坐标数据。

所述各个减振装置的吸声抗阻样本系数是指设计方案中会存在多个减振装置，每个减振装置都会存在对应的吸声抗阻样本系数，所述吸声抗阻样本系数为用户自定义设置可以为0.9、也可以为0.8等，本实施例并不加以限制。

所述样本零部件参数包括汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数。

所述车辆悬挂系统是汽车的车架与车桥或车轮之间的一切传力连接装置的总称，其作用是传递作用在车轮和车架之间的力和力扭，并且缓冲由不平路面传给车架或车身的冲击力，并衰减由此引起的震动，以保证汽车能平顺地行驶。典型的悬挂系统结构由弹性元件、导向机构以及减振器等组成，个别结构则还有缓冲块、横向稳定杆等。弹性元件又有钢板弹簧、空气弹簧、螺旋弹簧以及扭杆弹簧等形式，而现代轿车悬挂系统多采用螺旋弹簧和扭杆弹簧，个别高级轿车则使用空气弹簧。悬挂系统是汽车中的一个重要总成，它把车架与车轮弹性地联系起来，关系到汽车的多种使用性能。

其中，所述汽车传动轴的材料密度、齿轮之间的摩擦系数、动力总成的转速、动力总成的质量、动力总成的转动惯量、各个减振装置的吸声抗阻系数都为用户自定义设置，所述汽车传动轴的材料密度可以为8kg/m*3，也可以是9kg/m*3等，齿轮之间的摩擦系数可以为0.6，也可以是0.7等，动力总成的转速可以为1600rpm，也可以为2200rpm等，动力总成的质量可以为4kg，也可以为7kg等，动力总成的转动惯量是刚体绕轴转动时惯性(回转物体保持其匀速圆周运动或静止的特性)的量度，用字母I或J表示。转动惯量在旋转动力学中的角色相当于线性动力学中的质量，可理解为一个物体对于旋转运动的惯性，用于建立角动量、角速度、力矩和角加速度等数个量之间的关系，所述转动惯量可以为8.203145，也可以为9.876234等，本实施例并不加以限制。

之后根据上述所得到的多组样本位置数据、吸声抗阻样本系数及样本零部件参数的数据采集实际NVH值，最后将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得误差较低的预设神经网络模型。

需要说明的是，实际应用中神经网络模型的种类较多，考虑到BP神经网络模型或RBF神经网络模型的平均误差比例较小，偏差范围也较小，其计算结果与测量结果几乎一致。因此，为了较为准确的获取到车辆的NVH值，本实施例在建立预设神经网络模型时，优选将所述BP(Back Propagation)神经网络模型或径向基函数神经网络(Radical BasisFunction RBF)作为初始神经网络模型进行模型训练，获得预设神经网络模型，以进行汽车悬置系统设计。

将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型之前，统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量，判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值，在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

也就是说，假设减振装置的数量为6个，目标位置就需要6组坐标数据，其中每组坐标数据中都包括汽车动力总成的质心坐标点、减振装置的质心坐标点、汽车曲轴的中心线坐标的数据，和6个吸声抗阻系数，在所述坐标数据存在6组且存在6个吸声抗阻系数时，将所述坐标数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值，将所述位置数量差值对应的位置数据设置为补充位置数据，将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数，将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

也就是说，假设当前获取的减振装置的数量为4个，但需要存在减振装置的数量为6个，目前目标位置就存在4组坐标数据和4个吸声抗阻系数，其中每组坐标数据中都包括汽车动力总成的质心坐标点、减振装置的质心坐标点、汽车曲轴的中心线坐标的数据，因此，可知还需要两组目标位置和2个吸声抗阻系数，当减振装置数量不足6个时，将不存在的减振装置的坐标点记为x＝0，y＝0，z＝0，并作为补充位置数据，且吸声抗阻系数为0，并作为吸声抗阻补充系数。之后所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

所述判定模块2003，用于将所述目标NVH值作为车辆中频NVH值。

在利用多组历史数据和实际NVH值可以训练出误差较低的神经网络模型，该神经网络模型训练出来以后，设计人员就可以利用该神经网络模型进行NVH值预测，将自己设计的参数输入进去，就可以得出大致的NVH值，从而对设计的汽车模型进行调整，使其能达到NVH值的标准，避免了设计出来的汽车达不到NVH值的标准从而需要整改的尴尬，极大的降低了汽车的开发成本。

本发明中，首先获取车辆各减振装置对应的目标位置数据及吸声抗阻系数，并获取车辆悬置系统的零部件参数，然后统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量，并判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值，在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值，最后将所述位置数量差值对应的位置数据设置为补充位置数据，将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数，将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，以进行数据分析，在降低发动机悬置系统的开发周期和开发成本的同时，获得符合标准的车辆中频NVH值。

本发明车辆中频NVH值获取装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种车辆中频NVH值获取方法，其特征在于，所述车辆中频NVH值获取方法包括以下步骤：

获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；

获取车辆悬置系统的零部件参数；

将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值；

将所述目标NVH值作为车辆中频NVH值。

2.如权利要求1所述的方法，其特征在于，所述获取车辆各减振装置对应的目标位置数据及吸声抗阻系数的步骤之前，还包括：

获取车辆各减振装置对应的样本位置数据及吸声抗阻样本系数；

获取车辆悬置系统的样本零部件参数；

将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数；

获得所述模型输入参数对应的车辆样本NVH值；

将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

3.如权利要求1所述的方法，其特征在于，所述将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值的步骤，包括：

统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量；

判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值；

在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

4.如权利要求3所述的方法，其特征在于，所述判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值的步骤之后，还包括：

在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值；

将所述位置数量差值对应的位置数据设置为补充位置数据；

将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数；

将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

5.如权利要求1所述的方法，其特征在于，所述将所述目标NVH值作为车辆中频NVH值的步骤，包括：

判断所述目标NVH值是否小于或等于预设标准NVH值；

在所述目标NVH值小于或等于所述预设标准NVH值时，将所述目标NVH值作为车辆中频NVH值。

6.一种车辆中频NVH值获取装置，其特征在于，所述车辆中频NVH值获取装置包括：

获取模块，用于获取车辆各减振装置对应的目标位置数据及吸声抗阻系数；

所述获取模块，还用于获取车辆悬置系统的零部件参数；

输入模块，用于将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值；

判定模块，用于将所述目标NVH值作为车辆中频NVH值。

7.如权利要求6所述的装置，其特征在于，所述装置还包括建立模块；

所述建立模块，用于获取车辆各减振装置对应的样本位置数据及吸声抗阻样本系数；

所述建立模块，还用于获取车辆悬置系统的样本零部件参数；

所述建立模块，还用于将所述样本位置数据、所述吸声抗阻样本系数及所述样本零部件参数作为模型输入参数；

所述建立模块，还用于获得所述模型输入参数对应的车辆样本NVH值；

所述建立模块，还用于将所述样本位置数据、所述吸声抗阻样本系数、所述样本零部件参数及所述车辆样本NVH值输入至初始神经网络模型中进行模型训练，以获得预设神经网络模型。

8.如权利要求6所述的装置，其特征在于，所述输入模块，还用于统计所述目标位置数据对应的位置数量及所述吸声抗阻系数对应的系数数量；

所述输入模块，还用于判断所述位置数量是否等于预设位置数量阈值且所述系数数量是否等于预设系数数量阈值；

所述输入模块，还用于在所述位置数量等于所述预设位置数量阈值且所述系数数量等于所述预设系数数量阈值时，将所述目标位置数据、所述吸声抗阻系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

9.如权利要求8所述的装置，其特征在于，所述输入模块，还用于在所述位置数量不等于所述预设位置数量阈值且所述系数数量不等于所述预设系数数量阈值时，分别计算所述预设位置数量阈值与所述位置数量之间的位置数量差值，以及所述预设系数数量阈值与所述系数数量之间的系数数量差值；

所述输入模块，还用于将所述位置数量差值对应的位置数据设置为补充位置数据；

所述输入模块，还用于将所述系数数量差值对应的吸声抗阻系数设置为吸声抗阻补充系数；

所述输入模块，还用于将所述目标位置数据、所述补充位置数据、所述吸声抗阻系数、所述吸声抗阻补充系数及所述零部件参数输入至预设神经网络模型中，获得目标NVH值。

10.如权利要求6所述的装置，其特征在于，所述判定模块，还用于判断所述目标NVH值是否小于或等于预设标准NVH值；

所述判定模块，还用于在所述目标NVH值小于或等于所述预设标准NVH值时，将所述目标NVH值作为车辆中频NVH值。

Images