CN113886974A - 一种车内结构声路噪预测方法 - Google Patents
一种车内结构声路噪预测方法 Download PDFInfo
- Publication number
- CN113886974A CN113886974A CN202111266159.4A CN202111266159A CN113886974A CN 113886974 A CN113886974 A CN 113886974A CN 202111266159 A CN202111266159 A CN 202111266159A CN 113886974 A CN113886974 A CN 113886974A
- Authority
- CN
- China
- Prior art keywords
- rigidity
- prediction model
- noise
- bushing
- sample data
- 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 29
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 239000000725 suspension Substances 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000006096 absorbing agent Substances 0.000 claims description 43
- 230000035939 shock Effects 0.000 claims description 42
- 238000013016 damping Methods 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 208000009205 Tinnitus Diseases 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
-
- 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)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Vehicle Body Suspensions (AREA)
Abstract
本发明提供了一种车内结构声路噪预测方法，包括：基于悬架NVH性能对整车路噪进行层级分解，构建整车路噪性能层级分解体系；结合试验设计DOE和路面试验测得整车路噪性能层级分解体系中的各参数的样本数据集，并将样本数据集划分为训练样本数据集和测试样本数据集；基于所构建的整车路噪性能层级分解体系，构建支持向量回归算法SVR的预测模型；对训练样本数据集进行归一化处理后，利用归一化处理后的训练样本数据集训练基于支持向量回归算法SVR的预测模型，得到训练后的路噪预测模型；对测试样本数据集进行前处理后，利用前处理后的测试样本数据集验证已训练后的路噪预测模型；利用已验证的路噪预测模型，进行车内结构声路噪预测。
Description
技术领域
本发明涉及汽车NVH性能领域，具体为应用机器学习方法中的支持向量 回归算法(SVR)建立车内结构声路噪与其影响因子之间的复杂非线性关系， 从而高效、准确地预测车内结构声路噪的声压值变化。
背景技术
随着汽车技术的不断发展，驾乘人员对汽车NVH(Noise、Vibration、 Harshness)性能的要求不断提高。特别表现在新能源汽车缺少了发动机噪 声的掩蔽后，由轮胎与路面接触产生的路噪对车内噪声的贡献更加凸显。根 据振动噪声能量的传递路径不同可将路噪分为空气声路噪和结构声路噪两 个大类。其中，结构声路噪是路面不平激励经过轮胎、悬架衬套等橡胶元件 衰减后将振动传递至车身，由车身壁板与车内声腔共同作用后产生噪声响应， 如图1所示。通常，将结构声路噪的频带范围定义为300Hz以内低频段，其 影响因子重点覆盖前、后悬架系统及其组成部件。因此，如何合理设计、匹 配悬架的多性能参数，从而提高悬架隔振性能，降低车内噪声是路噪预测和 控制的关键环节。
目前，整车路噪主要通过CAE仿真模型进行预测，如CN201911017187.5 《基于制动抖动和路噪性能的悬架系统多学科优化设计方法》中对建立路噪 仿真模型并进行路噪仿真分析的过程进行了说明。文中首先采集原始路面谱 PSD(power spectral density)数据，并转化为轮胎位移激励作为路噪工 况仿真分析的输入信号。整车NVH有限元模型由模态轮胎系统模型、底盘模 型、动力总成模态及TB内饰车身模型构成，作为路噪仿真的对象，驾驶员 右耳声压值为关注性能输出响应，进行路噪性能仿真分析。但建立仿真模型 工作量较大，仿真计算周期较长，并且模型中涉及到轮胎、衬套、减振器等 部件的非线性特性表达，仿真精度存在较大的不确定性。
发明内容
本发明提供一种基于机器学习，重点聚焦SVR方法的车内结构声路噪预 测方法，通过对训练样本数据集进行挖掘建立输入参数与输出响应的映射关 系，从而避免对路噪复杂机理的研究。
本发明的技术方案为：
本发明提供了一种车内结构声路噪预测方法，包括：
步骤1，基于悬架NVH性能对整车路噪进行层级分解，构建整车路噪性 能层级分解体系；
步骤2，结合试验设计DOE和路面试验测得整车路噪性能层级分解体系 中的各参数的样本数据集，并将样本数据集划分为训练样本数据集和测试样 本数据集；
步骤3，基于所构建的整车路噪性能层级分解体系，构建支持向量回归 算法SVR的预测模型；
步骤4，对训练样本数据集进行归一化处理后，利用归一化处理后的训 练样本数据集训练基于支持向量回归算法SVR的预测模型，得到训练后的路 噪预测模型；
步骤5，对测试样本数据集进行前处理后，利用前处理后的测试样本数 据集验证已训练后的路噪预测模型；
步骤6，利用已验证的路噪预测模型，进行车内结构声路噪预测。
其中，步骤1中，在构建路噪性能层级分解体系时，先验性地剔除对结 构振动衰减作用低于预设强度的一个或多个零部件参数；再通过灵敏度分析 剔除对结构振动衰减作用低于第二预设强度的零部件参数；
保留前摆臂前衬套刚度、前摆臂后衬套刚度、前减震器阻尼系数、前减 安装衬套动刚度、前螺旋弹簧垂向刚度、后纵臂衬套刚度、后横向拉杆衬套 刚度、后下摆臂衬套刚度、后横向控制臂衬套刚度、后减震器阻尼系数和后 减安装衬套动刚度作为路噪性能层级分解体系的第三层级参数；保留前转向 节、前副车架与车身接附点被动端、前减振器上安装点被动侧、后转向节、 后纵臂前衬套被动端、后副车架与车身接附点被动端、后减振器被动侧的振 动加速度为第二层级参数。
其中，步骤2包括：
采用正交设计方法设计试验方案，以试验车辆的前摆臂前衬套刚度、前 摆臂后衬套刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋弹簧垂 向刚度、后纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、后横 向控制臂衬套刚度、后减震器阻尼系数和后减安装衬套动刚度作为影响因子；
在试验车辆的前转向节、前副车架与车身接附点被动端、前减振器上安 装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动 端、后减振器被动侧分别布置进行振动数据采集的振动传感器，在试验车辆 的车内主驾右耳头枕处布置进行噪声数据采集的声压传感器；
进行11因子3水平的设计，选取正交表L33(311)对试验车辆进行33 次匀速工况试验，完成噪声数据和振动数据采集；
对采集到的噪声数据和振动数据分别用20-50Hz、50-100Hz、100-300Hz 三个频段的均方根值RMS进行度量，得到训练样本数据集和测试样本数据集。
其中，步骤4包括：
步骤41，先将经过归一化处理后的训练样本数据集中的前摆臂前衬套刚 度、前摆臂后衬套刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋 弹簧垂向刚度、后纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、 后横向控制臂衬套刚度、后减震器阻尼系数和后减安装衬套动刚度共11个 参数作为预测模型的输入特征，将前转向节、前副车架与车身接附点被动端、 前减振器上安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车 身接附点被动端、后减振器被动侧的振动加速度共7个参数作为标准输出来 进行第一轮预测模型训练；
步骤42，将前转向节、前副车架与车身接附点被动端、前减振器上安装 点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动端、 后减振器被动侧的振动加速度共7个参数作为预测模型的输入特征，将车内 主驾右耳头枕处采集到的噪声作为标准输出进行第二轮预测模型训练；
迭代执行步骤41和步骤42,直至训练后的预测模型的输出结果满足设计 精度，将此时的预测模型确定为路噪预测模型。
其中，步骤5中，采用均方误差和决定系数验证已训练好的路噪预测模 型的精度，其中决定系数越接近1，路噪预测模型的精度越高；均方误差越 小，路噪预测模型的精度越高。
本发明的有益效果为：
本发明仅通过机器学习算法SVR对路噪试验数据进行挖掘，建立整车的 路噪预测模型，避免了复杂且成本高的整车路噪CAE建模。一方面，不同于 CAE模型精度受制于非线性元件建模(衬套、减振器、轮胎等)、网格大小等 因素的影响，本发明基于对试验测试数据的学习，预测精度较高，可以对整 车路噪的早期开发提供指导。另一方面，相较于传统整车路噪CAE建模，本 发明提出的方法可行性较强，成本更低，开发周期大大缩短。而且可以扩充 车企不断积累的数据样本，对路噪预测模型进行更新迭代，持续提升路噪预 测模型精度和泛化性，从而不断改善车内路噪和提高产品市场竞争力，最终 为企业带来巨大的经济效益。
附图说明
图1是结构声路噪传递路径示意图；
图2是基于SVR的路噪预测模型的建立流程框图；
图3是路噪性能层级分解体系图；
图4是驾驶员右耳噪声的预测结果图。
具体实施方式
参照图2，本发明提供了一种车内结构噪声路噪预测方法，该方法包括：
步骤1，基于悬架NVH性能对整车路噪进行层级分解，以构建整车路噪 性能层级分解体系。
以前悬架为麦弗逊结构、后悬架为E型多连杆结构的车型为例，该步骤1 可具体细化为：
步骤11，梳理车内结构声路噪传递路径，构建整车路噪性能层级分解体 系。
通过对低频路噪的研究发现，车内噪声是由传递到车身的振动和车内声 腔共同作用产生，而这些振动是由路面不平度经过轮胎、悬架传递到车身， 在不考虑轮胎的情况下，可以看作羊角加速度的激励经过悬架的各个杆件传 递至车身。由于车内噪声主要由路面不平度经过轮胎、悬架传递到车身，因 此在构建整车路噪性能层级分解体系时要重点考虑转向节激励经过悬架的 各个部件向车身接附点传递能量，即将转向节激励作为路噪预测模型的输入 参数。特别的，如果需要对影响因素优化，则转向节激励不作为输入参数或设计变量。
步骤12，依据噪声传递路径建立三层级路噪性能分解体系，分别为驾驶 员右耳噪声(第一层级)、车身与悬架接附点振动(第二层级)、底盘部件性 能参数及转向节振动(第三层级)。对各层级的影响因子进行细化，以主动 侧振动加速度和衬套刚度等底盘部件性能参数作为输入参数，被动侧振动加 速度响应和车内噪声作为输出参数。具体可得到如图3中的整车路噪性能层 级分解体系，其中，位于第三层级的零部件参数包括：前摆臂前衬套刚度、 前摆臂后衬套刚度、前转向节振动RMS、前转向节振动RMS、前减震器阻尼 系数、前减安装衬套动刚度、后转向节振动RMS、后纵臂衬套刚度、后转向 节振动RMS、横向拉杆衬套刚度、后下摆臂衬套刚度、横向控制臂衬套刚度、 后转向节振动RMS、后减震器阻尼系数、后减安装衬套动刚度、螺旋弹簧垂 向刚度；位于第二层级的零部件参数包括：前副车架结构振动噪声(车身与 前副车架接附点振动RSM)、后减震器上安装点被动侧振动RSM、后纵臂前衬套被动侧振动RSM、后副车架结构振动噪声(即车身与后副车架接附点振 动RSM)和后减震器被动侧振动RSM；位于第一层级的零部件参数为车内驾 驶员右耳声压级。
步骤13，先验性的剔除一些对结构振动衰减作用较小的零部件参数，如 前摆臂与转向节连接球铰或衬套刚度、后横向拉杆与转向节连接球铰或衬套 刚度等。重点保留刚度较低，隔振性能显著的衬套、减振器、弹簧等部件及 其参数。
步骤14，由于路面激励为随机不确定性激励，四个轮胎也存在非一致性， 因此作为四个独立激励源，路噪层级分解过程需考虑左右非对称性。
经过上述步骤11到步骤14，可以得到如下表1中的第三层级的11个影响 因子或输入参数。
表1
步骤2，结合试验设计DOE和路面试验测得样本数据集。
其中，该步骤2具体包含：
步骤21，采用正交设计方法设计试验方案，以上表1中11个变量作为影 响因素，进行11因子3水平的设计，选取正交表L33(311)完成33次试验。
步骤22，通过实车测试的方式采集噪声数据和振动数据。其中，试验设 备使用LMSSM48数据采集系统采集噪声和振动信号，采样时间为10s，采样 频率为20kHz，频率分辨率为2Hz。试验环境选择粗糙沥青路面直线路段作为 试验道路，试验道路两侧20m内无立体建筑和可以反射噪声的其他大型物体。
步骤23，分别在前转向节、前副车架与车身接附点被动端、前减振器上 安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被 动端、后减振器被动侧等车身接附点分别布置振动加速度传感器(这些振动 传感器采集到的振动加速度数据即作为上述整车路噪性能层级分解体系中 的第二层级的参数信息)；同时在车内主驾右耳头枕处布置声压传感器(该 声压传感器采集到的数据即作为上述整车路噪性能层级分解体系中的第三 层级的参数信息)。保持匀速行驶工况下，对上述各振动加速度和车内噪声 声压进行采集。考虑到车辆悬架结构的对称性，本实施例中仅用三向振动加 速度传感器测量车辆左侧振动数据，减少测试耗时。共布置7个振动加速度 测点，分别布置在前转向节，前副车架与车身接附点被动端，前减振器上安 装点被动侧，后转向节，后纵臂前衬套被动端，后副车架与车身接附点被动 端，后减振器被动侧。根据GB-T18697-2002汽车车内噪声测量方法，布置在 驾驶员右耳处的声压传感器垂直坐标在座椅表面于靠背表面的交线正上方(0.7±0.05)m处，水平坐标在座椅中心面向右距离为(0.20±0.02)m处。 车速作为控制变量，不在路噪影响因素考虑范围内，因此在60km/h匀速工况 下，测量传递路径上底盘部件的振动加速度和车内驾驶员右耳噪声声压值。 测试时，应尽量减少外部噪声干扰，关闭车窗、进出风口，关闭空调、风扇 等，确保无异响产生，除必要测试人员和驾驶人员外尽量使车辆处于空载状 态。
步骤24，对采集的噪声信号和振动信号分别用20-50Hz、50-100Hz、 100-300Hz三个频段的均方根值(RMS)进行度量，作为训练和验证路噪预 测模型的样本数据集。
步骤3，利用所构建的整车路噪性能层级分解体系和样本数据集，建立 基于支持向量回归算法SVR的路噪预测模型。
其中，该步骤3包括：
步骤31，对样本数据集进行前处理后，对33个样本数据集进行划分，其 中训练样本数据集22个，用于对构件的噪声预测模型框架的有监督训练学习 过程；测试样本数据集11个，用于对训练后的噪声预测模型的测试。
步骤32，对样本数据集的全部输入和输出参数在[-1，1]范围内进行归一 化处理，防止对因变量有显著影响的数值被掩盖，消除不同数据量纲噪声的 影响。数据归一化通过下列第一公式完成：
式中，xmax和xmin分别表示样本数据集中的最大值和最小值；x和x*分别 表示归一化前的值和归一化后的值。
步骤33，对于训练样本数据集，支持向量回归算法SVR的目标是将训练 样本数据集拟合到线性回归函数f(x)上，线性回归函数为第二公式：
f(x)＝ωφ(x)+b
式中，ω为权值向量；φ(x)为将输入变量x从原始空间映射到高维空间 的映射函数；b为偏置值；在进行第一轮训练时，x为第一层级参数；在进行 第二轮训练时，x为第二层级参数。
步骤34，为了求解出ω和b，支持向量回归算法SVR使用不敏感损失函数 ε进行线性回归，将回归问题转化为关于变量ω和b的凸二次规划问题，如第 三公式组所示：
式中，ξi、
为松弛变量；，C为惩罚函数；yi为第i个。
步骤35，对上述凸优化问题，引入拉格朗日乘子，可得下式的对偶问题， 如第四公式所示：
式中，αi和
为拉格朗日乘子；K(xi，xj)为核函数。
步骤36，由于径向基函数(Radial Basis Function，RBF)在众多问题中具有 较高的拟合精度，本文选择RBF函数为核函数，如第五公式所示：
K(Xi，Xj)＝exp(-γ||Xi-Xj||2)，γ＞0
式中，γ为RBF核宽度，γ为常数。
步骤37，联立求解αi和
可得回归函数，如第六公式所示：
其中，xj为预测模型输入，即上述的前摆臂前衬套刚度、前摆臂后衬套 刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋弹簧垂向刚度、后 纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、后横向控制臂衬 套刚度、后减震器阻尼系数和后减安装衬套动刚度；f(x)为指路噪预测模 型输出的结构声路噪，m是训练所述路噪预测模型所使用的训练样本数据集 中样本点的数量；xi是训练路噪预测模型所使用的第i个样本点数据。
步骤38，噪声预测模型的惩罚参数c以及核函数内部参数通过交叉验证 和网格搜索的方式进行参数寻优获得。将最优参数代入路噪预测模型后对训 练样本数据集进行多轮训练优化路噪预测模型。
步骤39，在训练噪声预测模型的输入即为分解体系整车路噪性能层级分 解体系中的最后一层级(本实施例中为第三层级)各个参数，包括前后转向 节激励处的振动加速度、振动传递路径上各个部件间连接的衬套刚度、减振 器阻尼以及弹簧刚度等。路噪预测模型输出是各个层级的振动响应(三个频 段X、Y、Z方向的振动加速度RMS)以及传递到车内引发的车内噪声(三 个频段A计权声压级RMS)。
步骤4，基于训练后的路噪预测模型，利用测试样本数据集对车内噪声 进行预测，进一步评估训练后的路噪预测模型的精度。
步骤41，对测试样本数据集(11个样本)车内噪声进行预测，预测过程 是只输入第三层级的参数，包括底盘零部件参数和转向节激励参数，通过预 测得到第二层级参数(悬架与车身接附点振动加速度)，然后再将预测得到 的第二层级各个参数作为输入，预测得到第一层级参数(驾驶员右耳噪声)， 结果如图4所示。
步骤42，本文采用均方误差MSE和决定系数R2作为评价路噪预测模型 精度的标准，决定系数R2用来衡量路噪预测模型的拟合程度，参考第六公式 进行计算。一般而言，R2越接近1，误差越小，表明路噪预测模型预测精度 越好；均方误差MSE越小，表明路噪预测模型预测值误差越小。
步骤43，测试结果表明，基于支持向量回归算法SVR的路噪预测模型的 预测结果和试验测试数据较为吻合，在20-50Hz，50-100Hz，100-300Hz这三 个频段内驾驶员右耳噪声预测的决定系数均高于0.95，均方误差均小于0.1， 所有样本的预测误差都在0.5dB以内，表明建立的SVR路噪预测模型可对车 内结构声路噪进行准确预测。
步骤5，基于上述预测得到的路噪预测模型，进行车内结构声路噪预测。
具体来说，将相关参数输入该路噪预测模型中，即可得到最终的结构噪 声。
本发明仅通过机器学习算法SVR对路噪试验数据进行挖掘，建立整车的 路噪预测模型，避免了复杂且成本高的整车路噪CAE建模。一方面，不同于 CAE模型精度受制于非线性元件建模(衬套、减振器、轮胎等)、网格大小等 因素的影响，本发明基于对试验测试数据的学习，预测精度较高，可以对整 车路噪的早期开发提供指导。另一方面，相较于传统整车路噪CAE建模，本 发明提出的方法可行性较强，成本更低，开发周期大大缩短。而且可以扩充 车企不断积累的数据样本，对预测模型进行更新迭代，持续提升模型精度和 泛化性，从而不断改善车内路噪和提高产品市场竞争力，最终为企业带来巨 大的经济效益。
Claims (5)
1.一种车内结构声路噪预测方法，其特征在于，包括：
步骤1，基于悬架NVH性能对整车路噪进行层级分解，构建整车路噪性能层级分解体系；
步骤2，结合试验设计DOE和路面试验测得整车路噪性能层级分解体系中的各参数的样本数据集，并将样本数据集划分为训练样本数据集和测试样本数据集；
步骤3，基于所构建的整车路噪性能层级分解体系，构建支持向量回归算法SVR的预测模型；
步骤4，对训练样本数据集进行归一化处理后，利用归一化处理后的训练样本数据集训练基于支持向量回归算法SVR的预测模型，得到训练后的路噪预测模型；
步骤5，对测试样本数据集进行前处理后，利用前处理后的测试样本数据集验证已训练后的路噪预测模型；
步骤6，利用已验证的路噪预测模型，进行车内结构声路噪预测。
2.根据权利要求1所述的方法，其特征在于，步骤1中，在构建路噪性能层级分解体系时，先验性地剔除对结构振动衰减作用低于预设强度的一个或多个零部件参数；再通过灵敏度分析剔除对结构振动衰减作用低于第二预设强度的零部件参数；
保留前摆臂前衬套刚度、前摆臂后衬套刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋弹簧垂向刚度、后纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、后横向控制臂衬套刚度、后减震器阻尼系数和后减安装衬套动刚度作为路噪性能层级分解体系的第三层级参数；保留前转向节、前副车架与车身接附点被动端、前减振器上安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动端、后减振器被动侧的振动加速度为第二层级参数。
3.根据权利要求1所述的方法，其特征在于，步骤2包括：
采用正交设计方法设计试验方案，以试验车辆的前摆臂前衬套刚度、前摆臂后衬套刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋弹簧垂向刚度、后纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、后横向控制臂衬套刚度、后减震器阻尼系数和后减安装衬套动刚度作为影响因子；
在试验车辆的前转向节、前副车架与车身接附点被动端、前减振器上安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动端、后减振器被动侧分别布置进行振动数据采集的振动传感器，在试验车辆的车内主驾右耳头枕处布置进行噪声数据采集的声压传感器；
进行11因子3水平的设计，选取正交表L33（311）对试验车辆进行33次匀速工况试验，完成噪声数据和振动数据采集；
对采集到的噪声数据和振动数据分别用20-50Hz、50-100Hz、100-300Hz三个频段的均方根值RMS进行度量，得到训练样本数据集和测试样本数据集。
4.根据权利要求1所述的方法，其特征在于，步骤4包括：
步骤41，先将经过归一化处理后的训练样本数据集中的前摆臂前衬套刚度、前摆臂后衬套刚度、前减震器阻尼系数、前减安装衬套动刚度、前螺旋弹簧垂向刚度、后纵臂衬套刚度、后横向拉杆衬套刚度、后下摆臂衬套刚度、后横向控制臂衬套刚度、后减震器阻尼系数和后减安装衬套动刚度共11个参数作为预测模型的输入特征，将前转向节、前副车架与车身接附点被动端、前减振器上安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动端、后减振器被动侧的振动加速度共7个参数作为标准输出来进行第一轮预测模型训练；
步骤42，将前转向节、前副车架与车身接附点被动端、前减振器上安装点被动侧、后转向节、后纵臂前衬套被动端、后副车架与车身接附点被动端、后减振器被动侧的振动加速度共7个参数作为预测模型的输入特征，将车内主驾右耳头枕处采集到的噪声作为标准输出进行第二轮预测模型训练；
迭代执行步骤41和步骤42,直至训练后的预测模型的输出结果满足设计精度，将此时的预测模型确定为路噪预测模型。
5.根据权利要求1所述的方法，其特征在于，
步骤5中，采用均方误差和决定系数验证已训练好的路噪预测模型的精度，其中决定系数越接近1，路噪预测模型的精度越高；均方误差越小，路噪预测模型的精度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111266159.4A CN113886974B (zh) | 2021-10-28 | 2021-10-28 | 一种车内结构声路噪预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111266159.4A CN113886974B (zh) | 2021-10-28 | 2021-10-28 | 一种车内结构声路噪预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113886974A true CN113886974A (zh) | 2022-01-04 |
| CN113886974B CN113886974B (zh) | 2024-01-02 |
Family
ID=79014050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111266159.4A Active CN113886974B (zh) | 2021-10-28 | 2021-10-28 | 一种车内结构声路噪预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113886974B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114544194A (zh) * | 2022-01-25 | 2022-05-27 | 东风汽车集团股份有限公司 | 一种基于频谱分析的车辆路噪评价方法 |
| CN114822478A (zh) * | 2022-03-11 | 2022-07-29 | 中国第一汽车股份有限公司 | 一种具有车内道路噪声主动降噪系统、振动信号采集装置的汽车以及系统开发方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6529838B1 (en) * | 1997-06-16 | 2003-03-04 | Bridgestone Corporation | Method of and apparatus for predicting vehicle interior noise |
| CN111950179A (zh) * | 2020-07-29 | 2020-11-17 | 广州汽车集团股份有限公司 | 整车路噪的预测方法、装置、计算机设备及存储介质 |
| CN111993847A (zh) * | 2020-08-04 | 2020-11-27 | 中汽研汽车检验中心（天津）有限公司 | 基于整车路噪性能提升的轮胎参数优化方法 |
| 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 |
| CN112597595A (zh) * | 2020-12-28 | 2021-04-02 | 东风越野车有限公司 | 汽车车内结构噪声诊断及优化方法 |
-
2021
- 2021-10-28 CN CN202111266159.4A patent/CN113886974B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6529838B1 (en) * | 1997-06-16 | 2003-03-04 | Bridgestone Corporation | Method of and apparatus for predicting vehicle interior noise |
| CN111950179A (zh) * | 2020-07-29 | 2020-11-17 | 广州汽车集团股份有限公司 | 整车路噪的预测方法、装置、计算机设备及存储介质 |
| CN111993847A (zh) * | 2020-08-04 | 2020-11-27 | 中汽研汽车检验中心（天津）有限公司 | 基于整车路噪性能提升的轮胎参数优化方法 |
| 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 |
| CN112597595A (zh) * | 2020-12-28 | 2021-04-02 | 东风越野车有限公司 | 汽车车内结构噪声诊断及优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吕瑞霞;张晓旭;: "基于支持向量回归机的车辆排气噪声品质预测分析", 节能技术, no. 01 * |
| 翟溪;王耀龙;王欣;: "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, no. 09, pages 3 * |
| 陈海燕;杨冰欣;徐涛;王建东;: "基于模糊支持向量回归的机场噪声预测", 南京航空航天大学学报, no. 05 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114544194A (zh) * | 2022-01-25 | 2022-05-27 | 东风汽车集团股份有限公司 | 一种基于频谱分析的车辆路噪评价方法 |
| CN114544194B (zh) * | 2022-01-25 | 2023-06-23 | 东风汽车集团股份有限公司 | 一种基于频谱分析的车辆路噪评价方法 |
| CN114822478A (zh) * | 2022-03-11 | 2022-07-29 | 中国第一汽车股份有限公司 | 一种具有车内道路噪声主动降噪系统、振动信号采集装置的汽车以及系统开发方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113886974B (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113886974B (zh) | 一种车内结构声路噪预测方法 | |
| CN112597595B (zh) | 汽车车内结构噪声诊断及优化方法 | |
| CN109117557B (zh) | 一种悬架橡胶衬套优化方法 | |
| CN111581859B (zh) | 一种悬架耦合非线性商用车的平顺性建模分析方法及系统 | |
| CN109933886B (zh) | 一种商用车驾驶室悬置布置优化方法 | |
| CN111444623B (zh) | 一种阻尼非线性商用车悬架动力学的协同优化方法及系统 | |
| CN103018024A (zh) | 一种扭转刚度的评价方法 | |
| CN113987678B (zh) | 一种基于虚拟轮心力的路噪混合预测及优化方法 | |
| Zhang et al. | Multiobjective optimization design for lightweight and crash safety of body-in-white based on entropy weighted grey relational analysis and MNSGA-II | |
| CN113239458B (zh) | 一种基于虚拟路面的整车路噪仿真对标方法 | |
| He et al. | Commercial vehicle ride comfort optimization based on intelligent algorithms and nonlinear damping | |
| Peng et al. | Research on the virtual reality of vibration characteristics in vehicle cabin based on neural networks | |
| Yu | Analysis and Optimization of Low‐Speed Road Noise in Electric Vehicles | |
| CN116432316A (zh) | 一种汽车中频路噪优化方法、系统及存储介质 | |
| CN116415494A (zh) | 一种路噪优化方法、系统及存储介质 | |
| Olatunbosun et al. | Dynamic performance analysis of a light van body-in-white structure | |
| CN113158331B (zh) | 一种基于遗传算法的车内噪声优化方法 | |
| CN106777781B (zh) | 隔振件的隔振性能分析方法、刚度确定方法及装置 | |
| CN115130218A (zh) | 一种汽车悬架结构路噪的自学习预测方法 | |
| CN108733944B (zh) | 方向盘抖振性能的评价方法及装置 | |
| CN114818110A (zh) | 一种前悬颤振优化方法、管控方法及存储介质 | |
| Jia et al. | Vehicle interior road noise predicted using support vector regression | |
| CN113591228B (zh) | 一种噪声传递路径分析及优化方法 | |
| Gao et al. | Frequency-Domain simulation and analysis of vehicle ride comfort based on virtual proving ground | |
| CN111241724A (zh) | 一种宽体矿用车车架疲劳寿命预测方法 |
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 |