CN112943905A - 一种电动汽车变速箱的降噪方法和降噪系统 - Google Patents
一种电动汽车变速箱的降噪方法和降噪系统 Download PDFInfo
- Publication number
- CN112943905A CN112943905A CN202110269129.2A CN202110269129A CN112943905A CN 112943905 A CN112943905 A CN 112943905A CN 202110269129 A CN202110269129 A CN 202110269129A CN 112943905 A CN112943905 A CN 112943905A
- Authority
- CN
- China
- Prior art keywords
- model
- controller
- sub
- gear
- noise reduction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000009467 reduction Effects 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 73
- 238000005457 optimization Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000005314 correlation function Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 8
- 244000309464 bull Species 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 241000594011 Leuciscus leuciscus Species 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 description 8
- 238000012888 cubic function Methods 0.000 description 6
- 238000012886 linear function Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H57/00—General details of gearing
- F16H57/02—Gearboxes; Mounting gearing therein
- F16H57/028—Gearboxes; Mounting gearing therein characterised by means for reducing vibration or noise
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Control Of Transmission Device (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电动汽车变速箱的降噪方法和降噪系统，所述降噪方法包括步骤：控制器对各个设计参数进行抽样，得到K组样本点；控制器以传递误差ΔT、振动噪声分贝值d为评价指标，分别建立传动误差模型和声学仿真模型，再计算K组样本点对应的变速箱性能指标；控制器再基于不同的相关函数建立Kriging模型，以最佳模型为主模型，计算各个子模型与主模型之间的局部误差和自适应权重，根据自适应权重得到S‑ΔTi和S‑di；控制器以S‑ΔTi和S‑di为目标函数，以设计参数为设计变量，并根据变速箱结构设置多约束条件，建立变速箱的多目标优化设计模型，再进行寻优计算，可得到最优设计参数；本申请公开的降噪方法，可提高设计参数的精度，降低计算成本。
Description
技术领域
本发明涉及变速箱控制技术领域，特别涉及一种电动汽车变速箱的降噪方法和降噪系统。
背景技术
电动汽车的变速箱是车辆的重要传动设备，其运行过程中，因齿轮振动所产生的噪声是电动汽车噪音的重要来源之一；合理控制变速箱运行过程中的齿轮振动，优化变速箱的箱体结构是降低电动汽车噪音、提高车辆乘坐舒适度的重要方法。
目前，针对变速箱的降噪方法主要是根据其传动结构建立齿轮系统的动力学分析模型，以齿数、模数、螺旋角、压力角等宏观参数和齿廓角偏差、齿向角偏差、齿向鼓形量、齿廓鼓形量等微观参数为设计变量，或者以箱体结构参数为设计变量；以噪声声压强度为优化目标，建立齿轮参数或箱体结构的优化设计模型，可计算得到变速箱齿轮参数、箱体结构优化结果，达到降低齿轮运行振动、减少噪声辐射的目的，最终实现变速箱的降噪。
但是，不论是采用控制齿轮振动的方法，还是采取控制噪声辐射的方法，其优化设计过程中都需要进行复杂的模态分析、谐响应分析或者声学响应分析，以得到与不同设计参数对应的目标函数响应值，再通过反复计算、寻优才能得到最终的优化结构；在这个过程中，变速箱齿轮系统的谐响应分析、模态分析和场点声学辐射计算等都需要耗费大量的时间，单次计算的耗时可达到0.6小时；而采用优化算法对优化模型进行寻优计算，可能需要反复计算上千次，这导致整个优化过程极为耗时，优化设计效率极低。
Kriging模型具有良好的非线性拟合能力，能够精确地拟合与不同参数对应的齿轮动力学性能指标响应，尤其适用于齿轮系统的非线性振动的动力学响应分析结果，可以显著降低目标函数的计算成本，提高变速箱优化设计效率。
在Kriging模型的建模方法方面，相关函数是影响该模型拟合精度的关键参数，且其中包含多种类型的标准模型，例如高斯函数、指数函数、三次函数、幂函数、线性函数、球函数和样条函数等，建模前通常需要根据设计经验选择合适的相关函数获得样本数据信息，然后建立Kriging模型，实现目标函数响应的快速预测。
但是，从组合预测理论来看，采用单一相关函数来获得样本数据信息会造成最终建立的Kriging模型出现预测精度不高的问题。
因此，相关研究成果对其进行了改进，采用组合预测方法对Kriging模型进行改进，建立了一种改进的Kriging模型，并将之应用到密封结构的优化设计中，取得了较好的效果；然而，该模型在建模过程中采用了全局固定的权重系数耦合方法，根据各个相关函数模型的全局精度分配一个固定权重，没有考虑各个相关函数模型的局部精度，导致最终建立的组合Kriging并非最优模型。
可见，现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种电动汽车变速箱的降噪方法，充分考虑了全局精度和局部精度对设计参数精度的影响，提高了设计参数的精度；且利用少量计算样本可快速获得最优设计参数，节省了计算时间，降低了计算成本。
为了达到上述目的，本发明采取了以下技术方案：
一种电动汽车变速箱的降噪方法，包括步骤：
S100、预先在控制器内设定各个设计参数的取值范围，所述设计参数包括一档齿轮模数M1、二档齿轮模数M2、一档小齿轮齿数N1a、一档大齿轮齿数N1b、二档小齿轮齿数N2a、二档大齿轮齿数N2b、一档齿轮螺旋角β1、二档齿轮螺旋角β2、一档小齿轮齿形鼓形量C1a、一档大齿轮齿形鼓形量C1b、二档小齿轮齿形鼓形量C2a和二档大齿轮齿形鼓形量C2b；
S200、控制器在对应的取值范围内对各个设计参数进行抽样，得到K组样本点X(M1i，M2i，N1ai，N1bi，N2ai，N2bi，β1i、β2i、C1ai、C1bi、C2ai、C2bi)，其中，i＝1，2，……，K；
S300、控制器获取变速箱传递误差ΔT以及振动噪声分贝值d，并以ΔT和d为评价指标，分别建立传动误差模型和声学仿真模型，再计算K组样本点对应的变速箱性能指标(ΔTi，di)，其中，i＝1，2，……，K；
S400、控制器将K组样本数据及其对应的变速箱性能指标为样本点，采用Matlab中的DACE工具箱分别基于不同的相关函数建立与样本点对应的Kriging模型，并将所建立的模型构建为子模型模型库；控制器再对子模型模型库内的各个子模型进行全局误差评估，将高于预设的最大误差阈值的Kriging模型剔除，以得到新的模型库；
S500、控制器以子模型模型库中、误差阈值最小的模型为主模型，计算各个子模型与主模型之间的局部误差，并计算得到各子模型的自适应权重；根据自适应权重得到传递误差的改进混合Kriging模型S-ΔTi以及振动噪声的改进混合Kriging模型S-di；
S600、控制器以S-ΔTi和S-di为目标函数，以步骤S100中的设计参数为设计变量，并以齿轮根切、滑动率、干涉条件、齿顶厚和顶隙作为多约束条件，建立变速箱的多目标优化设计模型；
S700、控制器对建立的多目标优化设计模型进行寻优计算，得到最优设计参数Xopt＝(M1iopt，M2iopt，N1aiopt，N2aiopt，N2aiopt，N2biopt，β1iopt，β2iopt，C1aiopt，C1biopt，C2aiopt，C2biopt)。
所述的电动汽车变速箱的降噪方法中，所述控制器在对应的取值范围内对各个设计参数进行抽样，具体为：
控制器采用拉丁超立方抽样方法在对应的取值范围内对各个设计参数进行抽样。
所述的电动汽车变速箱的降噪方法中，所述控制器再对子模型模型库内的各个子模型进行全局误差评估，具体包括步骤：
控制器以广义均方误差作为误差的评价标准，采用LOO交叉验证方法对各个子模型模型库内的各个子模型的全局误差进行计算。
所述的电动汽车变速箱的降噪方法中，所述计算各个子模型与主模型之间的局部误差，具体为：
采用高斯随机过程方法对各个子模型与主模型之间的局部误差进行估计，再通过均值函数和协方差函数确定各个子模型与主模型之间的局部误差。
所述的电动汽车变速箱的降噪方法中，所述计算得到各子模型的自适应权重，具体包括步骤：
控制器采用核函数估计子模型在变量域内任意一点的精度，并根据计算所得精度计算各子模型的自适应权重。
所述的电动汽车变速箱的降噪方法中，所述控制器对建立的多目标优化设计模型进行寻优计算，具体为：
控制器采用遗传算法对建立的多目标优化设计模型进行寻优计算。
本发明还相应地提供了一种降噪系统，包括控制器、存储器和通讯总线；
所述存储器上存储有可被所述控制器执行的计算机可读程序；
所述通讯总线用于实现控制器和存储器之间的连接通信；
所述控制器执行所述计算机可读程序时实现如上任一所述的降噪方法中的步骤。
有益效果：
本发明提供了一种电动汽车变速箱的降噪方法，其具有以下优点：
(1)建立了一种改进的混合Kriging模型精确，以预测与不同设计参数对应的传动误差和振动噪声分贝值代理模型，利用少量的计算样本可快速得到设计阈内任意变量的相对准确的响应值，减少降噪优化过程中非线性振动和声学仿真的计算成本；
(2)在建立的子模型模型库中选择主模型，并计算各个子模型与主模型之间的自适应权重，以得到改进的混合Kriging模型，充分考虑了全局精度和局部精度对优化设计参数精度的影响，从而提高最终获得的优化设计参数的精度；
(3)以建立的传动误差和振动噪声分贝值代理模型为优化目标函数，建立设计参数的多目标优化设计模型，通过优化求解，可快速获得优化的设计参数，提高降噪优化效率。
附图说明
图1为本发明提供的降噪方法的逻辑流程图；
图2为本发明提供的降噪系统的系统结构图。
主要元件符号说明：1-控制器、2-存储器。
具体实施方式
本发明提供了一种电动汽车变速箱的降噪方法和降噪系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明作进一步详细说明。
在本发明的描述中，需要理解的是，术语“安装”、“连接”等应做广义理解，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1，本发明提供了一种电动汽车变速箱的降噪方法，包括步骤：
S100、预先在控制器内设定各个设计参数的取值范围，所述设计参数包括一档齿轮模数M1、二档齿轮模数M2、一档小齿轮齿数N1a、一档大齿轮齿数N1b、二档小齿轮齿数N2a、二档大齿轮齿数N2b、一档齿轮螺旋角β1、二档齿轮螺旋角β2、一档小齿轮齿形鼓形量C1a、一档大齿轮齿形鼓形量C1b、二档小齿轮齿形鼓形量C2a和二档大齿轮齿形鼓形量C2b；各个设计参数的取值范围与变速箱的箱体结构有关。
举例说明，各个设计参数的取值范围可以如表1所示：
表1各个设计参数的取值范围举例
S200、控制器在对应的取值范围内对各个设计参数进行抽样，得到K组样本点X(M1i，M2i，N1ai，N1bi，N2ai，N2bi，β1i、β2i、C1ai、C1bi、C2ai、C2bi)，其中，i＝1，2，……，K；由于设计参数包括12个，则样本数K＝2p，p＝h(h+1)/2，其中，h为设计参数的数量，则k＝12×13＝156，即抽样后得到156组样本点X；因此，本申请利用少量的计算样本即可快速得到设计阈内任意变量的相对准确的响应值，减少降噪优化过程中非线性振动和声学仿真的计算成本。
S300、控制器获取变速箱传递误差ΔT以及振动噪声分贝值d，并以ΔT和d为评价指标，分别建立传动误差模型和声学仿真模型，再计算K组样本点对应的变速箱性能指标(ΔTi，di)，其中，i＝1，2，……，K。
S400、控制器将K组样本数据及其对应的变速箱性能指标为样本点，采用Matlab中的DACE工具箱分别基于不同的相关函数建立与样本点对应的Kriging模型，并将所建立的模型构建为子模型模型库；控制器再对子模型模型库内的各个子模型进行全局误差评估，将高于预设的最大误差阈值的Kriging模型剔除，以得到新的模型库；所述相关函数包括高斯函数、指数函数、三次函数、幂函数、线性函数、球函数和样条函数。
举例说明，所述最大误差阈值可设置为0.2，对各个子模型进行全局误差评估后，各个子模型的误差阈值KG如表2所示：
| 高斯函数 | 指数函数 | 三次函数 | 幂函数 | |
| KG-ΔT | 0.015 | 0.213 | 0.328 | 0.108 |
| KG-d | 0.013 | 0.115 | 0.279 | 0.187 |
| 线性函数 | 球函数 | 样条函数 | ||
| KG-ΔT | 0.277 | 0.189 | 0.173 | |
| KG-d | 0.234 | 0.216 | 0.034 |
表2各个子模型的误差阈值KG举例
从表2可知，被剔除的Kriging模型包括基于指数函数、三次函数、线性函数的传递误差的Kriging模型以及基于三次函数、线性函数和球函数的振动噪声的Kriging模型。
S500、控制器以子模型模型库中、误差阈值最小的模型为主模型，计算各个子模型与主模型之间的局部误差，并计算得到各子模型的自适应权重；根据自适应权重得到传递误差的改进混合Kriging模型S-ΔTi以及振动噪声的改进混合Kriging模型S-di；在一个实施例中，从表2可知，传递误差的Kriging模型的主模型为基于高斯函数的Kriging模型，振动噪声的Kriging模型的主模型为基于高斯函数的Kriging模型。
举例说明，根据表2所得的子模型的误差阈值KG，各个子模型的自适应权重如表3所示：
| 高斯函数 | 指数函数 | 三次函数 | 幂函数 | |
| KG-ΔT | 0.873 | 0 | 0 | 0.072 |
| KG-d | 0.852 | 0.118 | 0 | 0.018 |
| 线性函数 | 球函数 | 样条函数 | ||
| KG-ΔT | 0 | 0.031 | 0.024 | |
| KG-d | 0 | 0 | 0.002 |
表3各个子模型的自适应权重距离
从表3可知，在新的模型库中，参与优化参数计算的传递误差的Kriging模型包括4个，参与优化参数计算振动噪声的Kriging模型也包括4个。
通过计算各个子模型与主模型之间的自适应权重，以得到改进的混合Kriging模型组成的模型库，充分考虑了全局精度和局部精度对优化设计参数精度的影响，从而提高最终获得的优化设计参数的精度。
S600、控制器以S-ΔTi和S-di为目标函数，以步骤S100中的设计参数为设计变量，并以齿轮根切、滑动率、干涉条件、齿顶厚和顶隙作为多约束条件，建立变速箱的多目标优化设计模型。
S700、控制器对建立的多目标优化设计模型进行寻优计算，得到最优设计参数Xopt＝(M1iopt，M2iopt，N1aiopt，N2aiopt，N2aiopt，N2biopt，β1iopt，β2iopt，C1aiopt，C1biopt，C2aiopt，C2biopt)；在一个实施例中，所述最优设计参数Xopt＝(1.5，1.5，18，64，29，53，20，20，3.03，7.06，5.18，2.03)。
将本申请所公开的实施例的最优设计参数代入步骤S300中的传动误差计算模型和声学仿真模型，得到优化后变速箱的性能参数，与采用现有技术的优化方法所得的变速箱的性能参数相比，所述现有技术的优化方法可参考文献《纯电动汽车两档变速箱齿轮振动噪声仿真分析与优化设计》；其对比结果如表4所示：
| 变速箱性能参数 | 现有技术 | 本申请 | 优化比例 |
| 传动误差-一档(μm) | 3.08 | 1.42 | 53.91％ |
| 传动误差-二档(μm) | 2.13 | 1.06 | 50.23％ |
| 噪声值-一档(dB) | 83 | 69 | 16.87％ |
| 噪声值-二档(dB) | 79 | 68 | 13.92％ |
表4现有技术与本申请的降噪方法对比结果
从表4可知，采用本申请所公开的降噪方法所得到的优化设计参数，可大大提高变速箱的传动精度，并降低了变速箱工作时的噪声。
此外，采用现有技术的优化方法和本申请的所公开的降噪方法获取优化的设计参数，在两种方法均进行500次插值优化的基础上，现有技术的优化方法需要300小时，而本申请公开的降噪方法仅需95.4小时，计算耗时能降低68.2％；即本申请所公开的降噪方法可快速获得优化的设计参数，大大缩减了计算时间，提高了降噪优化效率。
进一步地，所述控制器在对应的取值范围内对各个设计参数进行抽样，具体为：
控制器采用拉丁超立方抽样方法在对应的取值范围内对各个设计参数进行抽样。
进一步地，所述控制器再对子模型模型库内的各个子模型进行全局误差评估，具体包括步骤：
控制器以广义均方误差GMSE作为误差的评价标准，采用LOO交叉验证方法对各个子模型模型库内的各个子模型的全局误差进行计算。
进一步地，所述计算各个子模型与主模型之间的局部误差，具体为：
采用高斯随机过程方法对各个子模型与主模型之间的局部误差进行估计，再通过均值函数和协方差函数确定各个子模型与主模型之间的局部误差；具体表示为：
f(x)～GP(m(x)，c(x,x’)) (1)
其中，均值函数m(x)设置为0，协方差c(x)通过Bayes回归函数计算得到。
进一步地，所述计算得到各子模型的自适应权重，具体包括步骤：
控制器采用核函数估计子模型在变量域内任意一点的精度，并根据计算所得精度计算各子模型的自适应权重。
在一个实施例中，所述核函数为：
其中，yi(xh)表示子模型在输入变量xh处的最佳预测值，s为核函数的超参数；采用计算公式(2)所述过程计算自适应权重系数wi，
通过计算公式(3)，可获得各个子模型的自适应权重。
进一步地，所述控制器对建立的多目标优化设计模型进行寻优计算，具体为：
控制器采用遗传算法对建立的多目标优化设计模型进行寻优计算。
请参阅图2，本发明还相应地提供了一种降噪系统，包括控制器1、存储器2和通讯总线；
所述存储器1上存储有可被所述控制器执行的计算机可读程序；
所述通讯总线用于实现控制器和存储器之间的连接通信；
所述控制器1执行所述计算机可读程序时实现如上任一所述的降噪方法中的步骤。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明的保护范围。
Claims (7)
1.一种电动汽车变速箱的降噪方法，其特征在于，包括步骤：
S100、预先在控制器内设定各个设计参数的取值范围，所述设计参数包括一档齿轮模数M1、二档齿轮模数M2、一档小齿轮齿数N1a、一档大齿轮齿数N1b、二档小齿轮齿数N2a、二档大齿轮齿数N2b、一档齿轮螺旋角β1、二档齿轮螺旋角β2、一档小齿轮齿形鼓形量C1a、一档大齿轮齿形鼓形量C1b、二档小齿轮齿形鼓形量C2a和二档大齿轮齿形鼓形量C2b；
S200、控制器在对应的取值范围内对各个设计参数进行抽样，得到K组样本点X(M1i，M2i，N1ai，N1bi，N2ai，N2bi，β1i、β2i、C1ai、C1bi、C2ai、C2bi)，其中，i＝1，2，……，K；
S300、控制器获取变速箱传递误差ΔT以及振动噪声分贝值d，并以ΔT和d为评价指标，分别建立传动误差模型和声学仿真模型，再计算K组样本点对应的变速箱性能指标(ΔTi，di)，其中，i＝1，2，……，K；
S400、控制器将K组样本数据及其对应的变速箱性能指标为样本点，采用Matlab中的DACE工具箱分别基于不同的相关函数建立与样本点对应的Kriging模型，并将所建立的模型构建为子模型模型库；控制器再对子模型模型库内的各个子模型进行全局误差评估，将高于预设的最大误差阈值的Kriging模型剔除，以得到新的模型库；
S500、控制器以子模型模型库中、误差阈值最小的模型为主模型，计算各个子模型与主模型之间的局部误差，并计算得到各子模型的自适应权重；根据自适应权重得到传递误差的改进混合Kriging模型S-ΔTi以及振动噪声的改进混合Kriging模型S-di；
S600、控制器以S-ΔTi和S-di为目标函数，以步骤S100中的设计参数为设计变量，并以齿轮根切、滑动率、干涉条件、齿顶厚和顶隙作为多约束条件，建立变速箱的多目标优化设计模型；
S700、控制器对建立的多目标优化设计模型进行寻优计算，得到最优设计参数Xopt＝(M1iopt，M2iopt，N1aiopt，N2aiopt，N2aiopt，N2biopt，β1iopt，β2iopt，C1aiopt，C1biopt，C2aiopt，C2biopt)。
2.根据权利要求1所述的一种电动汽车变速箱的降噪方法，其特征在于，所述控制器在对应的取值范围内对各个设计参数进行抽样，具体为：
控制器采用拉丁超立方抽样方法在对应的取值范围内对各个设计参数进行抽样。
3.根据权利要求1所述的一种电动汽车变速箱的降噪方法，其特征在于，所述控制器再对子模型模型库内的各个子模型进行全局误差评估，具体包括步骤：
控制器以广义均方误差作为误差的评价标准，采用LOO交叉验证方法对各个子模型模型库内的各个子模型的全局误差进行计算。
4.根据权利要求1所述的一种电动汽车变速箱的降噪方法，其特征在于，所述计算各个子模型与主模型之间的局部误差，具体为：
采用高斯随机过程方法对各个子模型与主模型之间的局部误差进行估计，再通过均值函数和协方差函数确定各个子模型与主模型之间的局部误差。
5.根据权利要求4所述的一种电动汽车变速箱的降噪方法，其特征在于，所述并计算得到各子模型的自适应权重，具体包括步骤：
控制器采用核函数估计子模型在变量域内任意一点的精度，并根据计算所得精度计算各子模型的自适应权重。
6.根据权利要求1所述的一种电动汽车变速箱的降噪方法，其特征在于，所述控制器对建立的多目标优化设计模型进行寻优计算，具体为：
控制器采用遗传算法对建立的多目标优化设计模型进行寻优计算。
7.一种降噪系统，其特征在于，包括控制器、存储器和通讯总线；
所述存储器上存储有可被所述控制器执行的计算机可读程序；
所述通讯总线用于实现控制器和存储器之间的连接通信；
所述控制器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的降噪方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110269129.2A CN112943905B (zh) | 2021-03-12 | 2021-03-12 | 一种电动汽车变速箱的降噪方法和降噪系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110269129.2A CN112943905B (zh) | 2021-03-12 | 2021-03-12 | 一种电动汽车变速箱的降噪方法和降噪系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112943905A true CN112943905A (zh) | 2021-06-11 |
| CN112943905B CN112943905B (zh) | 2024-02-23 |
Family
ID=76229330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110269129.2A Active CN112943905B (zh) | 2021-03-12 | 2021-03-12 | 一种电动汽车变速箱的降噪方法和降噪系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112943905B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008075810A (ja) * | 2006-09-22 | 2008-04-03 | Mitsubishi Fuso Truck & Bus Corp | 変速機のアイドル騒音低減のための設計変数最適化方法及び変速機のアイドル騒音低減のための設計変数最適化プログラム |
| US20140097562A1 (en) * | 2012-10-08 | 2014-04-10 | California Institute Of Technology | Tunable passive vibration suppressor |
| CN203836166U (zh) * | 2014-03-17 | 2014-09-17 | 商丘市瑞奥减速机械有限公司 | 一种蜗杆减速机 |
| CN106763642A (zh) * | 2017-02-22 | 2017-05-31 | 北京新能源汽车股份有限公司 | 电动汽车减速器降噪方法和电动汽车减速器 |
| CN107273609A (zh) * | 2017-06-14 | 2017-10-20 | 电子科技大学 | 一种基于Kriging模型齿轮传动可靠性评估方法 |
| US20180003283A1 (en) * | 2016-05-31 | 2018-01-04 | Barry James | Planetary Gearset |
| CN109046621A (zh) * | 2018-09-03 | 2018-12-21 | 佛山职业技术学院 | 模拟球磨机振动工作的试验系统 |
| CN109736720A (zh) * | 2018-12-27 | 2019-05-10 | 西安石油大学 | 一种基于改进Kriging模型的深海连接器密封结构优化方法 |
| CN109783918A (zh) * | 2019-01-04 | 2019-05-21 | 上海交通大学 | 基于切换序贯采样模式的减速器优化设计实现方法 |
| CN209620870U (zh) * | 2018-12-26 | 2019-11-12 | 福建宏泰智能工业互联网有限公司 | 电子锁的减速传动装置 |
| CN110674558A (zh) * | 2019-09-22 | 2020-01-10 | 华东交通大学 | 一种高速动车组牵引齿轮的降噪修形优化方法 |
| CN111237437A (zh) * | 2020-02-19 | 2020-06-05 | 常州工学院 | 一种自适应变支承刚度的齿轮传动装置及方法 |
| CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
-
2021
- 2021-03-12 CN CN202110269129.2A patent/CN112943905B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008075810A (ja) * | 2006-09-22 | 2008-04-03 | Mitsubishi Fuso Truck & Bus Corp | 変速機のアイドル騒音低減のための設計変数最適化方法及び変速機のアイドル騒音低減のための設計変数最適化プログラム |
| US20140097562A1 (en) * | 2012-10-08 | 2014-04-10 | California Institute Of Technology | Tunable passive vibration suppressor |
| CN203836166U (zh) * | 2014-03-17 | 2014-09-17 | 商丘市瑞奥减速机械有限公司 | 一种蜗杆减速机 |
| US20180003283A1 (en) * | 2016-05-31 | 2018-01-04 | Barry James | Planetary Gearset |
| CN106763642A (zh) * | 2017-02-22 | 2017-05-31 | 北京新能源汽车股份有限公司 | 电动汽车减速器降噪方法和电动汽车减速器 |
| CN107273609A (zh) * | 2017-06-14 | 2017-10-20 | 电子科技大学 | 一种基于Kriging模型齿轮传动可靠性评估方法 |
| CN109046621A (zh) * | 2018-09-03 | 2018-12-21 | 佛山职业技术学院 | 模拟球磨机振动工作的试验系统 |
| CN209620870U (zh) * | 2018-12-26 | 2019-11-12 | 福建宏泰智能工业互联网有限公司 | 电子锁的减速传动装置 |
| CN109736720A (zh) * | 2018-12-27 | 2019-05-10 | 西安石油大学 | 一种基于改进Kriging模型的深海连接器密封结构优化方法 |
| CN109783918A (zh) * | 2019-01-04 | 2019-05-21 | 上海交通大学 | 基于切换序贯采样模式的减速器优化设计实现方法 |
| CN110674558A (zh) * | 2019-09-22 | 2020-01-10 | 华东交通大学 | 一种高速动车组牵引齿轮的降噪修形优化方法 |
| CN111237437A (zh) * | 2020-02-19 | 2020-06-05 | 常州工学院 | 一种自适应变支承刚度的齿轮传动装置及方法 |
| CN112163325A (zh) * | 2020-09-10 | 2021-01-01 | 浙江工业大学 | 基于数字孪生的rv减速器使用寿命预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 吴宪;王成;邵建旺;邓国明;: "基于Kriging模型及NSGA-Ⅱ算法的前围声学包优化", 振动与冲击, no. 22 * |
| 周丹;: "基于响应面的轿车主减速齿轮多目标优化设计研究", 机械传动, no. 10 * |
| 张晓琳: "基于二次外罚函数和Kriging模型的目标级联方法研究", 中国优秀硕士学位论文全文数据库电子期刊工程科技Ⅱ辑, no. 6 * |
| 杨本洋;褚超美;汤海川;缪国;: "齿轮修形参数对变速箱传动特性影响的研究", 机械传动, no. 09 * |
| 童林军: "基于改进组合Kriging模型的变速器噪声优化研究", 机电工程, vol. 39, no. 12, pages 1701 - 1707 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112943905B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711061B (zh) | 基于整车怠速振动性能的动力总成悬置稳健性优化方法 | |
| CN103268082B (zh) | 一种基于灰色线性回归的热误差建模方法 | |
| CN110674558B (zh) | 一种高速动车组牵引齿轮的降噪修形优化方法 | |
| CN109977460B (zh) | 一种基于车身断面参数化的多目标优化设计方法 | |
| CN112287551B (zh) | 一种基于整车概念模型的行驶性能系统级指标分解方法 | |
| CN110852000B (zh) | 一种车身结构优化方法 | |
| CN110765675B (zh) | 一种汽车排气系统噪声预测方法 | |
| Shao et al. | A new approach of preform design for forging of 3D blade based on evolutionary structural optimization | |
| CN112943905B (zh) | 一种电动汽车变速箱的降噪方法和降噪系统 | |
| CN115169218A (zh) | 基于深度置信网络的齿轮振动噪声预估方法 | |
| Andrade-Campos et al. | Optimization and inverse analysis in metal forming: scientific state-of-the-art and recent trends | |
| CN110427720B (zh) | 考虑负载扭矩变化和啮合错位容差的齿面修形稳健设计法 | |
| CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
| CN114429090A (zh) | 一种基于数据驱动的压气机叶片鲁棒性设计方法 | |
| CN110889202A (zh) | 一种基于自适应代理模型的齿轮传动装置多目标优化设计方法 | |
| CN112651085A (zh) | 齿轮修形方法、装置及设备 | |
| Lee et al. | Development of a Prediction Model for the Gear Whine Noise of Transmission Using Machine Learning | |
| CN102521484B (zh) | 基于自适应参数域遗传算法的机油泵性能曲线的估计方法 | |
| Felgenhauer et al. | Automated Generation of Vehicle Architectures and Derivation of Modular Systems within the Vehicle Front | |
| Nejadseyfi et al. | From specified product tolerance to acceptable material and process scatter: an inverse robust optimization approach | |
| CN114186335B (zh) | 一种汽车车架优化设计方法 | |
| Zhang et al. | Multi-objective optimization design of assembled wheel lightweight based on implicit parametric method and modified NSGA-II | |
| CN115793472B (zh) | 重载列车的建模方法、建模系统、控制方法及控制系统 | |
| CN114253157B (zh) | 一种基于二阶灵敏度分析的电机多参数优化方法和系统 | |
| Mourelatos et al. | Optimal engine torque management for reducing driveline clunk using time-dependent metamodels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |