CN113761798A - 车辆声学包隔声性能预测模型的搭建方法及预测方法 - Google Patents
车辆声学包隔声性能预测模型的搭建方法及预测方法 Download PDFInfo
- Publication number
- CN113761798A CN113761798A CN202111004937.2A CN202111004937A CN113761798A CN 113761798 A CN113761798 A CN 113761798A CN 202111004937 A CN202111004937 A CN 202111004937A CN 113761798 A CN113761798 A CN 113761798A
- Authority
- CN
- China
- Prior art keywords
- sound insulation
- insulation performance
- prediction model
- data
- acoustic
- 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
- 238000009413 insulation Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010521 absorption reaction Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000010009 beating Methods 0.000 claims description 5
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012774 insulation material Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000011358 absorbing material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种车辆声学包隔声性能预测模型的搭建方法及预测方法，包括以下步骤：（1）建立声学包隔声性能目标分解架构；（2）数据收集及预处理；（3）建立SVR预测模型；建立SVR预测模型。本发明通过建立隔声性能指标噪声衰减量与各声学包部件吸隔声性能的映射关系，以实现对噪声源到接收点的噪声衰减量的准确预测。
Description
技术领域
本发明属于车辆的NVH(噪声、振动、声振舒适性)技术领域，具体涉及一种车辆声学包隔声性能预测模型的搭建方法及预测方法。
背景技术
随着汽车行业的发展，汽车NVH性能逐渐受到企业和用户的重视。声学包是改善汽车NVH性能的有效措施之一，主要是通过在车身系统布置一些吸隔声材料或采用一些具有吸隔声作用的结构、技术，来提高车身系统的隔声性能，从而隔绝、吸收更多向车内传递的噪声，由此改善车内噪声水平，提高车辆的NVH性能。通常将布置于车身系统的吸隔声材料或具有吸隔声作用的结构等统称为声学包，如：前围隔音垫、地毯、顶棚等等。
目前对于汽车声学包的隔声性能，多采用试验和仿真的方式进行研究，这种方法能够有效的对汽车声学包进行分析、设计及优化，相关技术成熟可靠，已在行业内得到广泛应用。但是，由于其建模仿真的特点，这种方法存在一些缺点：需要人工对仿真模型进行大量的修正工作，效率较低，并且模型精度难以得到良好的把控；部分建模参数的获取较为困难，影响建模工作的效率和精度。
又如专利文献CN109660916A公开了一种优化车内噪声声学包的方法，包括：获取声学包零部件的声学性能函数；在车厢外部的噪声源和车厢内接受体处布置噪声采集传感器；采集汽车在不同工作状态下的第一噪声数据；根据第一噪声数据和声学包噪声传递函数，得到各噪声源对车内总声源的贡献比；根据噪声源对车内总声源的贡献比，获得预优化噪声源；采集预优化噪声源的传递路径上的声学包零部件逐一去除时的第二噪声数据；根据第二噪声数据、预优化噪声源的传递路径上的声学包零部件均去除时的清洁噪声传递函数和声学包零部件的声学性能函数，得到声学包优化模型；根据声学包优化模型得到声学包零部件的改进参数。该方法能够有效的优化车内噪声，针对性强，可靠性高，但是其不足之处在于需要进行大量的试验工作，时间和成本较高，并且在声学包的开发设计阶段初期难以通过实车试验的方法对声学包进行设计。
又如专利文献CN110110437A公开了一种基于相关区间不确定性理论的汽车高频噪声预测方法，在建立整车统计能量模型并进行声学包定义和模型对标的基础上，选择工程中一致性较差的几何和材料参数作为区间不确定参数，通过线性约束不等式方程描述不确定参数相互间的关系；计算车内噪声对各个不确定参数的局部灵敏度，并依据灵敏度大小对不确定参数进行重新排序，并以此带入不等式方程，得到有序不确定参数向量和不确定参数修正摄动区间；将车内噪声进行一阶泰勒级数展开并带入不确定参数中心值和修正摄动区间，获得车内高频噪声的分布界限。该方法通过建立整车统计能量模型，结合相关区间不确定性理论对声学包的相关参数进行了分析，并实现了对汽车高频噪声的预测，其不足之处在于，该方案是基于整车统计能量模型，采用仿真建模的方法需要对模型进行大量的修正工作，建模工作量较大，并且建模精度不好把控。
因此，有必要开发一种车辆声学包隔声性能预测模型的搭建方法及预测方法。
发明内容
本发明的目的是提供一种车辆声学包隔声性能预测模型的搭建方法及预测方法，通过建立隔声性能指标噪声衰减量与各声学包部件吸隔声性能的映射关系，以实现对噪声源到接收点的噪声衰减量的准确预测。
第一方面，本发明所述的一种车辆声学包隔声性能预测模型的搭建方法，包括以下步骤：
(1)建立声学包隔声性能目标分解架构；
对噪声传递路径进行分析；基于噪声传递路径对声学包隔声性能目标进行分解，得到声学包隔声性能目标分解架构，所述声学包隔声性能目标分解架构包括顶层数据和底层数据；
(2)数据收集及预处理；
在所述声学包隔声性能目标分解架构下，制定试验方案，并收集试验数据，对数据进行清洗，去除掉噪声数据，并将数据划分为训练集和测试集，对数据进行归一化处理；
(3)建立SVR预测模型；
建立SVR预测模型，将声学包隔声性能目标分解架构的底层参数作为SVR预测模型的输入，顶层参数作为SVR预测模型的输出，导入训练集进入SVR预测模型训练，在SVR预测模型训练完成后，导入测试样本，检验SVR预测模型的精度；判断预测结果精度是否满足要求，若SVR预测模型的精度满足预设精度要求，则SVR预测模型搭建完成，若否，则返回数据收集及预处理步骤，直到SVR预测模型的精度满足预设精度要求。
可选地，声学包隔声性能目标分解架构的顶层数据为发动机噪声-车内噪声衰减量；底层数据为前罩隔音垫吸声系数、前围钣金传递损失、内前围隔音垫插入损失、内前围隔音垫吸声系数、外前围隔音垫插入损失、外前围隔音垫吸声系数和仪表台声学包吸声系数。
可选地，收集的数据类型包括吸声系数、传递损失、插入损失和噪声衰减量。
第二方面，本发明所述的一种汽车声学包隔声性能预测方法，包括以下步骤：
获取与声学包隔声性能目标分解架构的底层数据相关的零件级或部件级的声学包隔吸声性能试验数据；
基于零件级或部件级的声学包隔声性能数据通过如本发明所述的车辆声学包隔声性能预测模型的搭建方法所得到的SVR预测模型对整车的声学包隔声性能进行预测。
本发明具有以下优点：采用数据挖掘的方法建立隔声性能指标噪声衰减量与各声学包部件吸隔声性能的映射关系，实现对噪声源到接收点的噪声衰减量的准确预测，本方法规避了使用传统的试验结合仿真建模的方式进行声学包开发存在的弊端，能够较为高效、客观地预测声学包性能。并且能够在开发早期实现车身隔声性能预测，使声学包在早期的定义更具针对性，减少了后期开发的成本和时间。
附图说明
图1为本实施例中搭建车辆声学包隔声性能预测模型的流程图；
图2为本实施例中声学包隔声性能目标分解架构的示意图；
图3为本实施例中测试样本一的噪声衰减量预测结果对比示意图；
图4为本实施例中测试样本二的噪声衰减量预测结果对比示意图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本实施例中，一种车辆声学包隔声性能预测模型的搭建方法，包括以下步骤：
该方案的技术流程如图1所示，主要包含以下三个部分：
(1)建立声学包隔声性能目标分解架构；
对噪声传递路径进行分析；基于噪声传递路径对声学包隔声性能目标进行分解，得到声学包隔声性能目标分解架构，具体如下：
对于发动机噪声而言，主要通过发动机-前围-驾驶室这一路径传递至车内。噪声在该路径的传播过程中，首先，发动机运转产生噪声，噪声在发动机舱内传播，引擎盖下方通常布置有一些吸声材料，来吸收发动机舱内的噪声，通常称之为机舱隔音垫。因此，发动机噪声首先由机舱隔音垫吸收部分噪声，然后噪声通过前围系统向车内传递。前围系统中，前围钣金的内侧和外侧一般都布置有吸隔音材料，即内前围隔音垫和外前围隔音垫，他们既有隔声的作用，又具有吸声的作用。噪声透过外前围隔音垫、前围钣金、内前围隔音垫传递至车内，传递过程中被吸收部分声音，同时也被隔绝部分声音，剩余噪声传递至车内。在车内，噪声通过仪表台传递至驾驶员，仪表台上通常也有吸声材料，再吸收了一部分噪声，最终形成由发动机噪声通过空气传播引起的车内噪声，传到驾驶员耳边。
根据以上的传递路径分析，可以建立针对发动机噪声的声学包隔声性能目标分解架构，所述声学包隔声性能目标分解架构包括顶层数据和底层数据；其中，顶层数据为发动机噪声-车内噪声衰减量；底层数据为前罩隔音垫吸声系数、前围钣金传递损失、内前围隔音垫插入损失、内前围隔音垫吸声系数、外前围隔音垫插入损失、外前围隔音垫吸声系数和仪表台声学包吸声系数，如图2所示。
(2)数据收集及预处理；
在声学包隔声性能目标分解架构下，制定试验方案，并进行数据的收集和预处理，其中主要包含四种类型的数据：吸声系数、传递损失、插入损失、噪声衰减量。对于各类型的数据可采用混响箱测试、消声室-混响室窗口测试、驻波管测试等方法进行试验，通过相应的试验收集到数据以后，对数据进行清洗，去除掉噪声数据，并将数据划分为训练集和测试集，通常为8：2比例，并用Mapminmax函数，如下式所示，对数据进行归一化处理；
其中x为原始数据集，xmax为数据集中的最大值，xmin为数据集中的最小值，ymax为归一化的区间上限，取1，ymin为归一化的区间下限，取0，y为归一化后的数据集。
(3)建立SVR预测模型；
SVR预测模型的建立基于支持向量回归方法，支持向量回归方法是一种单输出的回归模型。对于声学包吸隔声性能，由于吸隔声性能指标与频率有关，因此，通过对1/3倍频程中心频率点建立多个SVR预测模型来实现多个频点隔声性能的预测。SVR预测模型的建立是结合声学包隔声性能目标分解架构进行，将声学包隔声性能目标分解架构的底层参数作为输入，顶层参数作为输出，导入训练样本，通过交叉验证方法对SVR预测模型参数进行寻优，对SVR预测模型进行训练，SVR预测模型训练完成后，导入测试样本，检验SVR预测模型的精度，若SVR预测模型的精度满足预设精度要求，则SVR预测模型搭建完成，若否，则返回数据收集及预处理步骤，直到SVR预测模型的精度满足预设精度要求。
如图3和图4所示，例举了其中两个测试样本噪声衰减量预测结果与真实值的对比图，各频点误差均在1dB以内，表示SVR预测模型精度高，满足精度要求。
本实施例中，一种汽车声学包隔声性能预测方法，包括以下步骤：
获取与声学包隔声性能目标分解架构的底层数据相关的零件级或部件级的声学包隔吸声性能试验数据；
基于零件级或部件级的声学包隔声性能数据通过本实施例中所述的车辆声学包隔声性能预测模型的搭建方法所得到的SVR预测模型对整车的声学包隔声性能进行预测。
本方法通过数据挖掘的方式对声学包隔声性能进行预测，规避了使用传统的试验结合仿真建模的方式进行声学包开发存在的弊端，能够较为高效、客观地预测声学包性能。并且能够在开发早期实现车身隔声性能预测，使声学包在早期的定义更具针对性，减少后期开发的成本和时间。
通过本方法建立SVR预测模型以后，可以通过不断积累的数据，对SVR预测模型进行不断更新，以提高SVR预测模型的预测精度和泛化能力。
Claims (4)
1.一种车辆声学包隔声性能预测模型的搭建方法，其特征在于，包括以下步骤：
（1）建立声学包隔声性能目标分解架构；
对噪声传递路径进行分析；基于噪声传递路径对声学包隔声性能目标进行分解，得到声学包隔声性能目标分解架构，所述声学包隔声性能目标分解架构包括顶层数据和底层数据；
（2）数据收集及预处理；
在所述声学包隔声性能目标分解架构下，制定试验方案，并收集试验数据，对数据进行清洗，去除掉噪声数据，并将数据划分为训练集和测试集，对数据进行归一化处理；
（3）建立SVR预测模型；
建立SVR预测模型，将声学包隔声性能目标分解架构的底层参数作为SVR预测模型的输入，顶层参数作为SVR预测模型的输出，导入训练集进入SVR预测模型训练，在SVR预测模型训练完成后，导入测试样本，检验SVR预测模型的精度；判断预测结果精度是否满足要求，若SVR预测模型的精度满足预设精度要求，则SVR预测模型搭建完成，若否，则返回数据收集及预处理步骤，直到SVR预测模型的精度满足预设精度要求。
2.根据权利要求1所述的车辆声学包隔声性能预测模型的搭建方法，其特征在于：声学包隔声性能目标分解架构的顶层数据为发动机噪声-车内噪声衰减量；底层数据为前罩隔音垫吸声系数、前围钣金传递损失、内前围隔音垫插入损失、内前围隔音垫吸声系数、外前围隔音垫插入损失、外前围隔音垫吸声系数和仪表台声学包吸声系数。
3.根据权利要求2所述的车辆声学包隔声性能预测模型的搭建方法，其特征在于：收集的数据类型包括吸声系数、传递损失、插入损失和噪声衰减量。
4.一种汽车声学包隔声性能预测方法，其特征在于，包括以下步骤：
获取与声学包隔声性能目标分解架构的底层数据相关的零件级或部件级的声学包隔吸声性能试验数据；
基于零件级或部件级的声学包隔声性能数据通过如权利要求1至3任一所述的车辆声学包隔声性能预测模型的搭建方法所得到的SVR预测模型对整车的声学包隔声性能进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004937.2A CN113761798B (zh) | 2021-08-30 | 2021-08-30 | 车辆声学包隔声性能预测模型的搭建方法及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004937.2A CN113761798B (zh) | 2021-08-30 | 2021-08-30 | 车辆声学包隔声性能预测模型的搭建方法及预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113761798A true CN113761798A (zh) | 2021-12-07 |
| CN113761798B CN113761798B (zh) | 2024-05-03 |
Family
ID=78791856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004937.2A Active CN113761798B (zh) | 2021-08-30 | 2021-08-30 | 车辆声学包隔声性能预测模型的搭建方法及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761798B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547929A (zh) * | 2022-01-19 | 2022-05-27 | 中国民用航空飞行学院 | 一种轨道列车车体复合结构的声学指标分解方法 |
| CN115130303A (zh) * | 2022-06-29 | 2022-09-30 | 西南交通大学 | 一种机理与数据相结合的胎噪不确定性优化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100116025A (ko) * | 2009-04-21 | 2010-10-29 | 인하대학교 산학협력단 | 하이브리드 전달경로해석법을 이용한 차량 파워트레인의 구조기인 소음의 예측방법 |
| CN105373649A (zh) * | 2015-10-13 | 2016-03-02 | 同济汽车设计研究院有限公司 | 一种基于组合墙隔声理论的优化声学包的方法 |
| CN116415494A (zh) * | 2023-03-30 | 2023-07-11 | 重庆长安汽车股份有限公司 | 一种路噪优化方法、系统及存储介质 |
-
2021
- 2021-08-30 CN CN202111004937.2A patent/CN113761798B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100116025A (ko) * | 2009-04-21 | 2010-10-29 | 인하대학교 산학협력단 | 하이브리드 전달경로해석법을 이용한 차량 파워트레인의 구조기인 소음의 예측방법 |
| CN105373649A (zh) * | 2015-10-13 | 2016-03-02 | 同济汽车设计研究院有限公司 | 一种基于组合墙隔声理论的优化声学包的方法 |
| CN116415494A (zh) * | 2023-03-30 | 2023-07-11 | 重庆长安汽车股份有限公司 | 一种路噪优化方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| HAI B.HUANG ET AL: "ound quality prediction of vehicle interior noise using deep belief networks", EI -APPLIED ACOUSTIC, vol. 113, 30 June 2016 (2016-06-30), pages 1 - 3 * |
| 翟溪等: "支持向量回归机的超高压输电线路可听噪声 预测", 实验室研究与探索, vol. 35, no. 9, pages 134 - 137 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114547929A (zh) * | 2022-01-19 | 2022-05-27 | 中国民用航空飞行学院 | 一种轨道列车车体复合结构的声学指标分解方法 |
| CN115130303A (zh) * | 2022-06-29 | 2022-09-30 | 西南交通大学 | 一种机理与数据相结合的胎噪不确定性优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113761798B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113761798A (zh) | 车辆声学包隔声性能预测模型的搭建方法及预测方法 | |
| CN107179201A (zh) | 高速列车内噪声源的识别方法与系统 | |
| CN110795883B (zh) | 一种背门和背门框的连接件的等效刚度辨识方法 | |
| CN109307608B (zh) | 整车半消声室环境下列车漏声部位的封堵修复方法 | |
| Zheng et al. | A study on acoustic characteristics of automotive magnesium composite dash panel | |
| Cerrato et al. | Practical approaches to solving noise and vibration problems | |
| Yu | Analysis and Optimization of Low‐Speed Road Noise in Electric Vehicles | |
| Gavila Lloret et al. | Prediction of the airborne sound transmission through the front end of a vehicle | |
| Cordioli et al. | Application of the hybrid FE-SEA method to predict sound transmission through complex sealing systems | |
| Chen et al. | A comparison of test-based and analytic SEA models for vibro-acoustics of a light truck | |
| Xie et al. | Sound Transmission Loss of a Metal Panel With Rib Reinforcements and Pasted Damping. | |
| Dong et al. | Uncertainty analysis of high-frequency noise in battery electric vehicle based on interval model | |
| CN113158331B (zh) | 一种基于遗传算法的车内噪声优化方法 | |
| Kim et al. | Comparison study of sound transmission loss in high speed train | |
| Cordioli et al. | Prediction of sound transmission through door seals using the hybrid FE-SEA method | |
| CN114357599A (zh) | 一种整车异响仿真分析方法、系统及计算机可读存储介质 | |
| CN113591228B (zh) | 一种噪声传递路径分析及优化方法 | |
| Brentnall et al. | Methods and solutions for the integration of the HV battery into the NVH development of a BEV | |
| Van der Kelen et al. | Validation of a dedicated test set-up for boundary excitation of trim assemblies | |
| Finger et al. | TPA and NVH Prognosis-Application to Mercedes Benz Car Development of New Hybrid Methods Coupling Digital Simulation with Prototype Testing Results | |
| Teagle-Hernandez et al. | Modeling of Micro-Perforated Heat Baffle | |
| Wang et al. | Damping Mass Effects on Panel Sound Transmission Loss | |
| Meriç et al. | Noise contribution analysis of a vehicle passenger compartment | |
| Tathavadekar et al. | Hybrid FEA-SEA modeling approach for vehicle transfer function | |
| Stotera et al. | Testing and simulation of anti-flutter foam and high damping foam in a vehicle roof structure |
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 |