CN113702071A - 一种怠速工况下nvh评价结果预测方法 - Google Patents

一种怠速工况下nvh评价结果预测方法 Download PDF

Info

Publication number
CN113702071A
CN113702071A CN202111112019.1A CN202111112019A CN113702071A CN 113702071 A CN113702071 A CN 113702071A CN 202111112019 A CN202111112019 A CN 202111112019A CN 113702071 A CN113702071 A CN 113702071A
Authority
CN
China
Prior art keywords
domain signal
idle
vehicle
time domain
training
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
Application number
CN202111112019.1A
Other languages
English (en)
Other versions
CN113702071B (zh
Inventor
裴永生
陈岩
杨晋
黄钦明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202111112019.1A priority Critical patent/CN113702071B/zh
Publication of CN113702071A publication Critical patent/CN113702071A/zh
Application granted granted Critical
Publication of CN113702071B publication Critical patent/CN113702071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Debugging And Monitoring (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种怠速工况下NVH评价结果预测方法，该方法包括：获取待测车辆怠速工况下的怠速时域信号；将怠速时域信号转换为怠速频域信号；基于预设阶次频率划分表，提取怠速频域信号的频率和阶次的特征值；将频率和阶次的特征值输入预建神经网络模型中，预测得到待测车辆怠速工况下的NVH评价结果。该方案可以快速得到NVH评价结果，节省了人力成本和时间成本，提高了时效性。

Description

一种怠速工况下NVH评价结果预测方法
技术领域
本发明属于整车NVH技术领域，特别涉及一种怠速工况下NVH评价结果预测方法。
背景技术
汽车NVH性能是汽车舒适性的重要评价指标之一，车辆的NVH是指Noise(噪声)、Vibration(振动)和Harshness(声振粗糙度)，其本质就是车辆的振动和噪声问题。目前，对于整车NVH性能的评价，各大机构和厂商的评价标准并不统一，不同品牌的汽车难以横向比较。但大体上都是通过NVH评测员按照NVH工程师预先确定好的实验工况和实验项目，通过驾驶或乘坐被测车辆根据自己的主观感受进行评分。评价完成后，检查数据，剔除受外界或评测员自身影响较大的数据。数据质量达不到要求时，又需要及时补测。各大厂商的NVH主观评价方法各不相同，但人力成本和时间成本高，时效性差是其通病。
发明内容
本说明书实施例的目的是提供一种怠速工况下NVH评价结果预测方法。
为解决上述技术问题，本申请实施例通过以下方式实现的：
本申请提供一种怠速工况下NVH评价结果预测方法，该方法包括：
获取待测车辆怠速工况下的怠速时域信号；
将怠速时域信号转换为怠速频域信号；
基于预设阶次频率划分表，提取怠速频域信号的频率和阶次的特征值；
将频率和阶次的特征值输入预建神经网络模型中，预测得到待测车辆怠速工况下的NVH评价结果。
在其中一个实施例中，待测车辆怠速工况包括待测车辆怠速工况时空调关工况及空调开工况。
在其中一个实施例中，获取待测车辆怠速工况下的怠速时域信号，包括：
预热待测车辆；
待测车辆在消音环境下，关闭待测车辆的空调，待测车辆怠速工作第一时长后，获取空调关工况下的第一怠速时域信号；
将待测车辆的空调档位调制制冷最低档，待测车辆怠速工作第二时长后，获取空调开工况下的第二怠速时域信号；
将第一怠速时域信号和第二怠速时域信号，作为怠速时域信号。
在其中一个实施例中，消音环境中环境噪声小于或等于25dB，环境温度的范围为0-40℃。
在其中一个实施例中，怠速时域信号包括声音信号和振动信号。
在其中一个实施例中，声音信号采用A计权处理。
在其中一个实施例中，预建神经网络模型的构建，包括：
获取若干怠速工况下的怠速训练时域信号；
将怠速训练时域信号转换为怠速训练频域信号；
基于预设阶次频率划分表，提取怠速训练频域信号的频率和阶次的特征值；
获取与每个怠速训练时域信号对应的主观评价分数，每个怠速训练频域信号提取出的频率、阶次的特征值及对应的主观评价分数，构成一个训练数据，所有训练数据构成训练集；
基于训练集训练BP神经网络模型，得到预建神经网络模型。
在其中一个实施例中，基于训练集训练BP神经网络模型，得到预建神经网络模型，包括：
基于训练集训练BP神经网络模型，直至预测误差小于预设阈值，停止训练，得到预建神经网络模型。
在其中一个实施例中，BP神经网络模型包括68个输入层、15个隐含层、及1个输出层；隐含层的传递函数采用tan-sigmoid；隐含层到输出层的传递函数采用purelin。
在其中一个实施例中，待测车辆包括四缸内燃机车辆和六缸内燃机车辆。
由以上本说明书实施例提供的技术方案可见，该方案通过将采集的怠速时域信号转换成频域信号，提取频率和阶次的特征值，然后将频率和阶次的特征值输入预建神经网络模型，预测得到待测车辆怠速工况下的NVH评价结果。
可以避免传统NVH主观评价方法对评测员的数量、年龄、NVH知识水平等要求多样性的限制，并且可以快速得到NVH评价结果，节省了人力成本和时间成本，提高了时效性；同时还可以帮助消费者直观的了解新车的NVH性能，以及帮助汽车厂商开发和改进新车的NVH性能。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的怠速工况下NVH评价结果预测方法的流程示意图；
图2为本申请提供的传声器安装在座椅上接近驾驶员内耳或右后排内耳处的结构示意图；
图3为本申请提供的加速度传感器安装在方向盘的结构示意图；
图4为本申请提供的加速度传感器安装在座椅导轨的结构示意图；
图5为本申请提供的空调关工况下主驾内耳的频域信号对应的频谱图；
图6为本申请提供的空调关工况下方向盘加速度的频域信号对应的频谱图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
本申请中的“份”如无特别说明，均按质量份计。
目前，各大厂商大都是通过NVH评测员按照NVH工程师预先确定好的实验工况和实验项目，通过驾驶或乘坐被测车辆根据自己的主观感受进行评分。评价完成后，检查数据，剔除受外界或评测员自身影响较大的数据。数据质量达不到要求时，又需要及时补测。各大厂商的NVH主观评价方法各不相同，但人力成本和时间成本高，时效性差是其通病。
基于上述缺陷，本申请提出一种怠速工况下NVH评价结果预测方法。
下面结合附图和实施例对本发明进一步详细说明。
参照图1，其示出了适用于本申请实施例提供的怠速工况下NVH评价结果预测方法的流程示意图。该方法可以预测待测车辆在怠速工况下NVH评价结果，其中，待测车辆可以包括四缸内燃机车辆和六缸内燃机车辆等。
如图1所示，怠速工况下NVH评价结果预测方法，可以包括：
S110、获取待测车辆怠速工况下的怠速时域信号。
具体的，怠速工况是车辆的一种工作状况，指发动机在无负荷的情况下运转，只需克服自身内部机件的摩擦阻力，不对外输出功率。
车辆怠速工况下还可以包括空调开工况和空调关工况，本申请中空调开工况时指将空调档位调到制冷最低档。
可选的，本申请实施例中的怠速时域信号可以包括声音信号和振动信号。
在一个实施例中，S110获取待测车辆怠速工况下的怠速时域信号，可以包括：
预热待测车辆；
待测车辆在消音环境下，关闭待测车辆的空调，待测车辆怠速工作第一时长后，获取空调关工况下的第一怠速时域信号；
将待测车辆的空调档位调制制冷最低档，待测车辆怠速工作第二时长后，获取空调开工况下的第二怠速时域信号；
将第一怠速时域信号和第二怠速时域信号，作为怠速时域信号。
具体的，对待测车辆进行预热时，可以是驾驶员驾驶待测车辆在正常道路上行驶10-15min。
待测车辆在消音环境下，可以是将待测车辆停在整车半消音室或整车消音室，将待测车辆停放在消音室的自由场范围内。其中，该消音环境中环境噪声应小于或等于25dB，环境温度的范围为0-40℃。
然后启动车辆，确认空调关闭，待待测车辆怠速工作第一预设时长后，开始采集空调关工况下的第一怠速时域信号。可以理解的，第一预设时长可以根据实际需求进行设定，例如第一预设时长为10秒、15秒等。
之后把空调打开，将档位调到制冷最低档，待待测车辆怠速工作第二预设时长后，开始采集空调开工况下的第二怠速时域信号。可以理解的，第二预设时长可以根据实际需求进行设定，例如第二预设时长为10秒、15秒等。
可以理解的，为了确保采集的怠速时域信号的准确性，可以在待测车辆怠速工作第一预设时长或第二预设时长后，每组第一怠速时域信号或第二怠速时域信号采集10s(可以根据实际需求设定采集时长)，每辆待测车辆可以采集3组(可以根据实际需求进行设定采集组数)，然后将采集的3组数据求相关性，将相关性小于预设目标值(如85％)的数据剔除，其余数据求平均值，将平均值作为最终第一怠速时域信号或第二怠速时域信号；或者直接对采集的3组数据求平均值，将平均值作为最终第一怠速时域信号或第二怠速时域信号等。
还可以理解的，怠速时域信号通过传声器和加速度传感器进行采集，然后发送至数据采集装置。进一步的，为了确保采集的怠速时域信号的准确性，可以采集不同位置的怠速时域信号，如图2-4所示，传声器可以安装在驾驶员内耳、右后排内耳处(如图2所示为传声器安装在座椅上接近驾驶员内耳或右后排内耳处)，加速度传感器可以安装在方向盘(如图3所示)及座椅导轨(如图4所示)处。采集不同位置的怠速时域信号，可以更全面的描述怠速工况下整车NVH性能。上述所采用的传声器及加速度传感器均经过标定和校准。
S120、将怠速时域信号转换为怠速频域信号。
具体的，可以运用信号处理软件，例如LMS_test.lab或HEAD_Artemis等，将怠速时域信号经过快速傅里叶变换转换为怠速频域信号。
其中，怠速时域信号中的声音信号采用A计权，
S130、基于预设阶次频率划分表，提取怠速频域信号的频率和阶次的特征值。
具体的，预设阶次频率划分表包括声音信号和振动信号的阶次频率划分，如表1所示。
表1阶次频率划分表
Figure BDA0003270147160000061
示例性的，如图5所示为空调关工况下主驾内耳的频域信号对应的频谱图，基于表1的阶次频率划分表，可以提取得到如表2所示的声音信号的频率和阶次的特征值。
表2
Figure BDA0003270147160000062
如图6所示为空调关工况下方向盘加速度的频域信号对应的频谱图，基于表1的阶次频率划分表，可以提取得到如表3所示的振动信号的频率和阶次的特征值。
表3
Figure BDA0003270147160000071
可以理解的，为了便于计算，可以对提取的频率和阶次的特征值进行归一化处理，将处理后的数据映射在0-1之间，归一化方法如下：
Figure BDA0003270147160000072
其中，Xi为归一化之前的数据；X′i为归一化之后的数据；Xmax和Xmin分别为归一化之前的最大值和最小值。
S140、将频率和阶次的特征值输入预建神经网络模型中，预测得到待测车辆怠速工况下的NVH评价结果。
具体的，预建神经网络模型用于表征频率和阶次的特征值与NVH评价结果的对应关系，即预建神经网络模块输入频率和阶次的特征值，即可预测得到待测车辆怠速工况下的NVH评价结果。
预建神经网络模型是预先建立好的，可以通过下述方式进行构建。
本申请实施例中，通过将采集的怠速时域信号进行处理，提取频率和阶次的特征值，然后将频率和阶次的特征值输入预建神经网络模型，预测得到待测车辆怠速工况下的NVH评价结果。可以避免传统NVH主观评价方法对评测员的数量、年龄、NVH知识水平等要求多样性的限制，并且可以快速得到NVH评价结果，节省了人力成本和时间成本，提高了时效性；同时还可以帮助消费者直观的了解新车的NVH性能，以及帮助汽车厂商开发和改进新车的NVH性能。
在一个实施例中，预建神经网络模型的构建，可以包括：
获取若干怠速工况下的怠速训练时域信号；
将怠速训练时域信号转换为怠速训练频域信号；
基于预设阶次频率划分表，提取怠速训练频域信号的频率和阶次的特征值；
获取与每个怠速训练时域信号对应的主观评价分数，每个怠速训练时域信号提取出的频率和阶次的特征值及对应的主观评价分数，构成一个训练数据，所有训练数据构成训练集；
基于训练集训练BP神经网络模型，得到预建神经网络模型。
可选的，BP神经网络模型包括68个输入层、15个隐含层、及1个输出层。隐含层的传递函数采用tan-sigmoid。隐含层到输出层的传递函数采用purelin。
具体的，获取若干怠速工况下的怠速训练时域信号；将怠速训练时域信号转换为怠速训练频域信号；基于预设阶次频率划分表，提取怠速训练频域信号的频率和阶次的特征值；参见上述S110、S120、S130。
组织主观评测员进行主观评价，主观评价的实验环境与怠速训练时域信号采集的实验环境保持一致。进行主观评价的评价员应该具有良好的语言表达能力，性别、年龄、驾龄具有多样性，身体以及心理情况应该保持良好。部分评测员应该具有汽车NVH相关知识。
主观评价方法采用操作方便的绝对值评分法，评测员对每辆车在0-10分内进行打分。主观评价分数与主观感受对应标准如表4：
表4主观评测分数与主观感受对应表
Figure BDA0003270147160000081
每辆车的主观评价分数，可以通过将每个主观评测员的主观评价分数与其他主观评测员的主观评价分数进行相关性分析，剔除与其他主观评测员相关性较低(例如相关性低于85％)的主观评测员数据，然后将剩余主观评测员的主观评价分数求平均值，即为该车的主观评价分数；或者将所有主观评测员的主观评价分数求平均值，即为该车的主观评价分数。
每辆车的阶次和频率的特征值及主观评价分数为一个训练数据，多辆车的训练数据构成训练集。
训练集中的数据一部分用于训练BP神经网络模型，另一部分数据可以用于验证训练好的BP神经网络模型。
当BP神经网络模型的预测误差小于预设阈值时，停止训练，得到预建神经网络模型。该预建神经网络模型可以代替主观评测员在怠速工况下对整车的NVH性能进行评价。
可以理解的，预设阈值可以根据实际需求进行设定，例如0.0001。
本申请构建的预建神经网络模型，输出最高为10分的评价结果，用以表明被测车辆怠速工况下的NVH性能。克服了传统NVH主观评价方法对评测员的数量、年龄、NVH知识水平等要求多样性的限制的缺陷。
需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种怠速工况下NVH评价结果预测方法，其特征在于，所述方法包括：
获取待测车辆怠速工况下的怠速时域信号；
将所述怠速时域信号转换为怠速频域信号；
基于预设阶次频率划分表，提取所述怠速频域信号的频率和阶次的特征值；
将所述频率和阶次的特征值输入预建神经网络模型中，预测得到所述待测车辆怠速工况下的NVH评价结果。
2.根据权利要求1所述的方法，其特征在于，所述待测车辆怠速工况包括所述待测车辆怠速工况时空调关工况及空调开工况。
3.根据权利要求2所述的方法，其特征在于，所述获取待测车辆怠速工况下的怠速时域信号，包括：
预热所述待测车辆；
所述待测车辆在消音环境下，关闭所述待测车辆的空调，所述待测车辆怠速工作第一时长后，获取所述空调关工况下的第一怠速时域信号；
将所述待测车辆的空调档位调制制冷最低档，所述待测车辆怠速工作第二时长后，获取所述空调开工况下的第二怠速时域信号；
将所述第一怠速时域信号和所述第二怠速时域信号，作为所述怠速时域信号。
4.根据权利要求3所述的方法，其特征在于，所述消音环境中环境噪声小于或等于25dB，环境温度的范围为0-40℃。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述怠速时域信号包括声音时域信号和振动时域信号。
6.根据权利要求5所述的方法，其特征在于，所述声音信号采用A计权处理。
7.根据权利要求1所述的方法，其特征在于，所述预建神经网络模型的构建，包括：
获取若干怠速工况下的怠速训练时域信号；
将所述怠速训练时域信号转换为怠速训练频域信号；
基于所述预设阶次频率划分表，提取所述怠速训练频域信号的频率和阶次的特征值；
获取与每个所述怠速训练时域信号对应的主观评价分数，每个所述怠速训练频域信号提取出的频率和阶次的特征值及对应的所述主观评价分数，构成一个训练数据，所有所述训练数据构成训练集；
基于所述训练集训练BP神经网络模型，得到所述预建神经网络模型。
8.根据权利要求7所述的方法，其特征在于，所述基于所述训练集训练BP神经网络模型，得到所述预建神经网络模型，包括：
基于所述训练集训练所述BP神经网络模型，直至预测误差小于预设阈值，停止训练，得到所述预建神经网络模型。
9.根据权利要求7或8所述的方法，其特征在于，所述BP神经网络模型包括68个输入层、15个隐含层、及1个输出层；所述隐含层的传递函数采用tan-sigmoid；所述隐含层到所述输出层的传递函数采用purelin。
10.根据权利要求1-4任一项所述的方法，其特征在于，所述待测车辆包括四缸内燃机车辆和六缸内燃机车辆。
CN202111112019.1A 2021-09-18 2021-09-18 一种怠速工况下nvh评价结果预测方法 Active CN113702071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111112019.1A CN113702071B (zh) 2021-09-18 2021-09-18 一种怠速工况下nvh评价结果预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111112019.1A CN113702071B (zh) 2021-09-18 2021-09-18 一种怠速工况下nvh评价结果预测方法

Publications (2)

Publication Number Publication Date
CN113702071A true CN113702071A (zh) 2021-11-26
CN113702071B CN113702071B (zh) 2022-08-16

Family

ID=78661537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112019.1A Active CN113702071B (zh) 2021-09-18 2021-09-18 一种怠速工况下nvh评价结果预测方法

Country Status (1)

Country Link
CN (1) CN113702071B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154054A1 (en) * 2002-02-08 2003-08-14 Ford Motor Company Method and apparatus for objective measurement of noise
CN102393246A (zh) * 2011-10-22 2012-03-28 重庆长安汽车股份有限公司 一种整车状态下车用发电机噪声的评价方法
CN103471709A (zh) * 2013-09-17 2013-12-25 吉林大学 乘用车车内噪声声品质预测方法
CN105021275A (zh) * 2015-07-15 2015-11-04 吉林大学 基于时域动态特性分析的车内声品质预测方法
CN105136284A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 汽车用鼓风机总成噪声测试系统及其方法
CN108491999A (zh) * 2018-02-10 2018-09-04 山东国金汽车制造有限公司 一种对电动汽车稳态噪声主观评价的客观量化方法
CN109297718A (zh) * 2018-09-29 2019-02-01 重庆长安汽车股份有限公司 一种阶次啸叫噪声的评价方法
US20200406925A1 (en) * 2016-12-30 2020-12-31 Yuchuan DU Comfort-based self-driving planning method
CN112161815A (zh) * 2020-09-07 2021-01-01 东风汽车集团有限公司 一种车辆路噪主观评价值预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154054A1 (en) * 2002-02-08 2003-08-14 Ford Motor Company Method and apparatus for objective measurement of noise
CN102393246A (zh) * 2011-10-22 2012-03-28 重庆长安汽车股份有限公司 一种整车状态下车用发电机噪声的评价方法
CN103471709A (zh) * 2013-09-17 2013-12-25 吉林大学 乘用车车内噪声声品质预测方法
CN105021275A (zh) * 2015-07-15 2015-11-04 吉林大学 基于时域动态特性分析的车内声品质预测方法
CN105136284A (zh) * 2015-08-24 2015-12-09 奇瑞汽车股份有限公司 汽车用鼓风机总成噪声测试系统及其方法
US20200406925A1 (en) * 2016-12-30 2020-12-31 Yuchuan DU Comfort-based self-driving planning method
CN108491999A (zh) * 2018-02-10 2018-09-04 山东国金汽车制造有限公司 一种对电动汽车稳态噪声主观评价的客观量化方法
CN109297718A (zh) * 2018-09-29 2019-02-01 重庆长安汽车股份有限公司 一种阶次啸叫噪声的评价方法
CN112161815A (zh) * 2020-09-07 2021-01-01 东风汽车集团有限公司 一种车辆路噪主观评价值预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周晓锋等: "汽车变速器新产品质量检测系统中关键技术研究", 《中国机械工程》 *

Also Published As

Publication number Publication date
CN113702071B (zh) 2022-08-16

Similar Documents

Publication Publication Date Title
CN102589680B (zh) 一种用语言清晰度定量评价传动系统敲击噪声的方法
CN110400558B (zh) 一种车用燃料电池发动机系统噪音检测及降噪方法
CN107664579A (zh) 变速器齿轮啸叫啮合阶次提取及判定方法
CN101672690A (zh) 基于听觉模型的车内噪声烦躁度客观量化评价方法
CN111933105B (zh) 一种汽车噪声控制装置及其控制方法
CN111595590A (zh) 怠速噪声优化方法、装置、设备及存储介质
CN113591311A (zh) 一种电动汽车阶次啸叫评价方法
Guse et al. Objectified drivability evaluation and classification of passenger vehicles in automated longitudinal vehicle drive maneuvers with engine load changes
CN115112224A (zh) 一种乘用车制动低鸣噪声的试验方法
CN113702071B (zh) 一种怠速工况下nvh评价结果预测方法
CN117332293A (zh) 一种基于声音Mel频率特征的货车超载检测方法
Torii et al. An objective assessment method of combustion noise characteristics in vehicle interiors
Zuo et al. Subjective analysis and objective evaluation of vehicle sound quality
Chen et al. Car interior noise
CN210489235U (zh) 一种车用燃料电池发动机系统噪音检测及降噪系统
Chen et al. Vehicle interior sound quality analysis by using grey relational analysis
Liao et al. Analysis of gear rattle noise and vibration characteristics using relative approaches
Shin et al. Optimum order spectrum profiles for improvement of sound quality of car interior noise.
CN206593867U (zh) 一种汽车不同节气门开度的加噪声测试装置
Al-Dhahebi et al. Genetic and random search algorithms for optimising vehicle interior noise and vibration
US9704469B2 (en) Combustion noise-masking control apparatus and method
Ali et al. Sound quality based benchmarking methodology for vehicle interior noise
Albers et al. Method for measuring and analyzing transient powertrain vibrations of hybrid electric vehicles on an acoustic roller test bench
Fukushima et al. A new method of characterizing wind noise sources and body response for a detailed analysis of the noise transmission mechanism
CN113933068B (zh) 一种乘用车高速道路载荷获取方法

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