CN115130303A - 一种机理与数据相结合的胎噪不确定性优化方法 - Google Patents
一种机理与数据相结合的胎噪不确定性优化方法 Download PDFInfo
- Publication number
- CN115130303A CN115130303A CN202210755117.5A CN202210755117A CN115130303A CN 115130303 A CN115130303 A CN 115130303A CN 202210755117 A CN202210755117 A CN 202210755117A CN 115130303 A CN115130303 A CN 115130303A
- Authority
- CN
- China
- Prior art keywords
- noise
- tire noise
- level
- data
- sound absorption
- 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.)
- Pending
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机理与数据相结合的胎噪不确定性优化方法,属于汽车声学包开发领域。包括:1、将吸隔声性能、成本、重量三个目标进行层次化多目标分解,形成胎噪层级分解架构;2、根据胎噪层级分解架构,进行基础数据收集;3、建立胎噪预测模型;4、对数据进行扰动后输入胎噪预测模型,然后将预测结果与扰动前的结果进行对比,计算出底层级材料不同厚度的面积占比对的灵敏度;5、通过区间求解策略进行面向胎噪正向设计的全局优化和面向胎噪的整改优化;6、对不同的车型时按照传递路径将子模型进行组合封装,实现不同车型胎噪的预测。本发明将胎噪机理与智能算法相结合,实现了胎噪的准确预测,可适应不同车型,提升了胎噪问题研究效率。
Description
技术领域
本发明属于汽车声学包开发技术领域,具体涉及一种机理与数据相结合的胎噪不确定性优化方法。
背景技术
在汽车行驶过程中,轮胎与路面摩擦产生噪声,噪声透过车辆板件、孔洞、缝隙等通过空气传播传递至车内,通常称之为胎噪。胎噪过大将影响车内的驾乘环境,因此,控制胎噪能有效改善车内人员的驾乘感受,是车辆开发过程中的主要关注点之一。控制噪声的方法一般有三种,即在噪声源处进行控制、在噪声传递路径上进行控制以及在噪声接收位置进行控制。对于胎噪来说,通常在其传递路径进行噪声的控制,在车身系统上布置一些吸隔声材料,即声学包。胎噪向车内传递时将被这些吸隔声材料吸收、隔绝掉部分声音,从而改善车内的噪声水平。因此,声学包的吸隔声性能对于车内噪声的控制非常重要。然而,良好的声学包吸隔声性能通常伴随着成本和重量的增加,这对于车辆的开发来说也是需要考虑的,因此在进行声学包开发时需要综合考虑其吸隔声性能、成本和重量,在降低车内噪声的同时控制整车开发成本及整车重量。
目前公开的汽车胎噪相关研究资料中,发明专利“一种车辆轮胎噪声测试系统”(CN104142250A)设计了一种车辆轮胎噪声测试系统,包括轮胎安装及加载装置、轮胎试验路面及驱动装置、噪声测试及分析处理装置、背景噪声处理装置,该系统结构简单紧凑,装置背景噪声小,测试速度范围宽,但是该发明的主要缺陷在于基于试验的传统测试方法需要具有实物进行测试,在汽车开发前期不便于生产实物进行开发,并且在考虑众多不同的声学包设计方案时,采用此种方法需要进行大量的试验,耗费人力物力成本较大。发明专利“基于概念模型的汽车声学包装吸隔声性能目标分解方法”(CN113821969A)提供了一种基于SEA概念模型的汽车声学包装吸隔声性能目标分解方法,该发明基于统计能量分析理论,通过建立SEA概念模型进行汽车声学包的开发。该发明的主要缺陷在于:首先在工程实际中,相关建模参数的完整获取和精确测量较为困难,这将直接影响建模效率和模型精度,另外建立CAE仿真模型需要较多的人工修正,效率较低,并且模型精度难以得到良好的把控。其次针对不同车型的分析,重新建模会带来时间和人力成本的增加,而采用模型移植的方法需要进行大量的模型调校工作。车勇提出了一种基于BP神经网络的轮胎噪声预测方法,并结合模拟退火算法的思想对胎噪花纹结构进行了优化(武汉理工大学,2010)。该论文利用深度学习网络避开了胎噪复杂的机理实现了胎噪的预测,并在噪声源的角度对轮胎花纹结构进行分析优化该研究中的主要缺陷在于预测模型的精度问题,因为在面对长序列信息时,传统的神经网络模型相较于LSTM,Transformer等序列模型,其拟合效果还有待提升。
因此,提出一种机理与数据相结合的胎噪不确定性优化方法,避开采用实物进行开发以及复杂的机理分析,节约人力物力,并考虑预测优化方法在面对不同车型时能够给实现快速拓展,从而为汽车胎噪研究提供新思路。
发明内容
针对现有技术中存在的问题,本发明提供一种机理与数据相结合的胎噪不确定性优化方法,其目的在于:实现胎噪的准确预测,对车内总噪声衰减量、材料总成本和材料总重量进行多目标区间优化,以满足工程实际需求,并且可适应不同车型,提升胎噪问题研究的效率。
本发明采用的技术方案如下:
一种机理与数据相结合的胎噪不确定性优化方法,包括以下步骤:
步骤1:对汽车胎噪传递路径进行分析,并将吸隔声性能、成本、重量三个目标进行层次化多目标分解,形成整车级、系统级、部件级、材料级的胎噪层级分解架构;
步骤2:根据胎噪层级分解架构,进行基础数据收集,所述基础数据包括吸隔声性能指标、声学包部件成本、重量以及结构参数和材料参数;
步骤3:以胎噪层级分解架构为基础,将胎噪层级分解架构中各个节点按照不同层级划分为不同的子模型,针对每个子模型引入改良的Transfomer算法来学习不同节点间的数据关系,从而建立多任务融合的胎噪预测模型;
步骤4:对低层级数据进行上下扰动后输入胎噪预测模型,然后将高层级预测结果与扰动前的结果进行对比,各层级之间按照叠加累乘的关系计算出底层级材料不同厚度的面积占比对顶层级噪声衰减量、总成本和总重量的灵敏度;
步骤5:基于胎噪层级分解架构和预测模型,通过区间求解策略进行面向胎噪正向设计的全局优化和面向胎噪的整改优化;
步骤6:基于多种车型的胎噪传递路径,构建标准化的胎噪层级分解架构,并将胎噪层级分解架构中的子模型标准化,以数据输入输出作为接口,胎噪传递路径作为数据流方向,在面对不同的车型时按照传递路径将子模型进行组合封装,实现不同车型胎噪的预测。
进一步的,步骤1包括以下步骤:
步骤1.1:对汽车胎噪传递路径进行分析:不同传递路径的贡献值和形成总的目标点处的响应由以下公式表达:
Ki=Ti*Si (1)
其中,K为目标点处的总响应,i为第i条传递路径,n为传递路径数量,Ki为第i条传递路径对目标点处响应的贡献量,Ti为传递路径i到目标点的传递函数,Si传递路径i的激励;对于汽车胎噪而言,其激励为各个轮胎产生,目标点为驾驶员右耳处,噪声通过不同传递路径传递至目标点,主要传递路径有通过地板系统传递至车内,通过车门系统传递至车内,通过前围系统传递至车内,通过尾门系统传递至车内,并且在车内有发动机舱,乘员舱,行李舱各个声腔的吸声作用,最终形成目标点处的响应,而各个路径的贡献主要由路径上的声学包部件决定。
步骤1.2:整车级目标分解:汽车胎噪的整车级目标包括整车吸隔声性能、总重量和总成本,所述整车吸隔声性能为噪声源到接收点处的噪声衰减量,总重量和总成本则为各路径的声学包总重量和总成本;整车级目标向下分解为数个系统级目标,包括车门系统、地板系统、尾门系统、前围系统、轮毂包系统、发动机舱、乘员舱系统和行李舱系统,在系统级目标中,板件类构成的系统主要起隔声作用,采用传递损失衡量其隔声性能,空腔类系统主要起吸声作用,用吸声量衡量其吸声性能,如机舱吸声量,乘员舱吸声量;
步骤1.3:系统级目标分解:系统级目标为各个系统的传递损失、吸声量、成本及重量,将系统拆分为多个部件,并将系统目标分解到部件中,用多个部件目标来替代系统目标;如对于地板系统,地板的构成主要为地板钣金和地毯,其隔声性能可用地板钣金传递损失和地毯插入损失来评价,成本及重量也可相应的进行分解;
步骤1.4:部件级目标分解:部件级目标为各个部件的吸隔声性能指标、成本及重量,将部件级目标分解到部件的结构参数和材料参数中,从而实现部件级目标分解。各部件级目标实际是由该部件的材料参数、结构参数等决定的,因此,可对具体部件进行分析从而进行目标分解,如对于地板钣金,可分解为钣金材料吸隔声性能、钣金厚度、面积、密度、开孔率、单价等。
进一步的,步骤2具体包括以下步骤:
步骤2.1:通过消声室-混响室试验、驻波管试验方法测试隔声性能,消声室-混响室试验中,一侧为消声室,一侧为混响室,并在两实验室间开出窗口,将被测对象利用专用摸具固定在窗口,然后在混响室布置球形声源发出激励,消声室内布置传声器测量声信号,并通过信号处理,利用如下式子计算出其隔声性能,驻波管试验则在驻波管仪器中以插入被测对象,以被测对象为间隔两侧布置声源和传声器,测试其隔声性能;
其中,τ是声传递系数,为透射声能与入射声能之比,Ei是入射声能,Et是透射声能。
步骤2.2:通过混响箱试验测试吸声性能,混响箱是可以产生扩散声场的箱体,箱体内各点的声能密度是均匀的,且各个方向的声波相位无规则地随机分布。测试时,分别测量有和没有试件情况下混响箱的混响时间(声源停止后,声压级自原始值降低60dB所需要的时间)。试件吸声系数可用以下公式计算得出:
其中,T1、T2分别为放入试件前和放入试件后的混响时间,S2是试件面积,α为混响室的平均吸声系数。
进一步的,步骤3具体包括以下步骤:
步骤3.1:搭建以Encoder—Decoder(编码器—解码器)为基础的Transfomer模型;编码器中主要包含多头注意力模块和前馈模块;解码器中主要包含带掩码的多头注意力模块、多头注意力模块和前馈模块;在解码器的输出之后添加全连接层再输出作为预测结果。其中,多头注意力模块是先在单个注意力模型的基础上同时对输入数据进行多次独立的注意力计算,计算结束后将结果进行拼接然后输入残差神经网络层最后进行一次层归一化(Layer Normalization)再输出(公式4);前馈模块是输入经过全连接层后进入残差神经网络最后进行一次层归一化再输出;而解码器中独有的带掩码的多头注意力模块是在多头注意力层基础上对输入的标签数据进行掩蔽,防止在模型训练时当前时刻的注意力计算能够获取到后续时刻的标签数据信息。
其中l表示第l个隐藏层,H表示该层的节点数,a表示某一个节点在激活前的值,u是期望,σ是标准差。
步骤3.2:在Transfomer模型的基础上,为了平衡对噪声总衰减量、总成本和总重量的多任务预测,对多任务损失函数中人为设定的权值方法进行优化,使模型在反馈传播中根据不同任务损失的大小差异对权值进行自动迭代更新;
S=∑ωiSi
其中S为总损失函数,ωi为第i个任务的损失权重,Si为第i个任务的损失,m为任务数量,Si(τ)是单个任务中的第τ个子损失;
步骤3.3:以胎噪层级分解架构为基础,将层级分解架构中各个节点按照不同层级划分为不同的子模型,针对每个子模型引入改进的Transfomer模型从而构建整体的胎噪预测模型,然后按照指定格式整理数据样本,将数据样本按比例划分为训练集、测试集和验证集,对胎噪预测模型进行训练,训练时以均方误差作为模型评价指标,将Encoder—Decoder的层数N和多头注意力模块的头数h作为寻优参数,最后得到多任务融合的胎噪预测模型。
进一步的,步骤4具体包括以下步骤:
步骤4.1:设定扰动系数,针对胎噪层级分解架构中的每个子模型,对一个输入数据中与面积相关的参数进行扰动,其他输入固定不变,然后输入胎噪预测模型进行预测,以此类推对所有子模型的每个输入都进行一次扰动并记录预测结果;
步骤4.2:将预测结果和原始结果进行对比计算,最后将计算结果处理后再按照层级间叠加累乘的关系获得所有路径下的不同材料的面积占比对噪声衰减量、总成本和总面积的灵敏度;
进一步的,步骤5具体包括以下步骤:
步骤5.1:对各个材料不同厚度的面积占比、各个部件的重量以及各个系统的重量设定可变区间以及置信百分比;
步骤5.2:基于胎噪层级分解架构和胎噪预测模型,按照区间求解策略流程进行目标优化,具体包括:
面向胎噪正向设计的全局优化:利用NSGA2遗传算法进行多目标优化,基于胎噪层级分解架构中不同厚度面积占比、部件重量和系统重量的可变区间,以噪声总衰减量、总成本和总重量为目标对全局路径进行优化,从而找出胎噪预测模型的全局最优解;然后以最优解为基础,以置信百分比为约束,通过设计变量的区间搜索将最优解扩展为最优可行区间;
面向胎噪的整改优化:根据灵敏度分析的结果,对胎噪层级分解架构中的路径进行筛选,选取灵敏度较高的一条或多条路径作为优化对象,其余路径数据固定后,利用NSGA2遗传算法进行多目标优化,基于胎噪层级分解架构中不同厚度面积占比、部件重量和系统重量的可变区间,以噪声总衰减量、总成本和总重量为目标对全局路径进行优化,从而找出胎噪预测模型的全局最优解;然后以最优解为基础,以置信百分比为约束,通过设计变量的区间搜索将最优解扩展为最优可行区间。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明将胎噪机理与智能算法相结合建立的胎噪预测模型实现了胎噪的准确预测,还利用多目标优化算法和区间求解策略对车内总噪声衰减量、材料总成本和材料总重量进行多目标区间优化,以此满足工程实际需求。
2.本发明通过智能算法以数据为基础进行研究,可以避开复杂的机理分析。
3.本发明将大量建模调校工作交给了计算机,能够有效缓解传统建模仿真困难的问题,并在计算效率、预测精度方面体现出较为明显的优势。
4.本发明利用模块化封装思想实现了适应不同车型的方法快速拓展,克服了现有技术中针对不同车型的分析,重新建模的带来时间和人力成本增加的问题,提升了胎噪问题研究的效率。
5.本发明不需要实物进行测试,可节约人力物力。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明的流程图;
图2是多目标层级分解架构图;
图3Transfomer架构图;
图4是区间求解策略流程图
图5是钣金平板件不同厚度的灵敏度分析结果;
图6是内前围隔音垫不同厚度面积占比的优化结果对比;
图7是地毯平板件不同厚度面积占比的优化结果对比;
图8是行李箱地板系统;
图9是行李舱系统;
图10是三厢车的多目标层级分解架构。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面结合图1-图10对本发明作详细说明。
一种机理与数据相结合的胎噪不确定性优化方法,包括以下步骤:
步骤1:针对汽车胎噪传递路径进行层次化多目标分解:
1.1)汽车胎噪的激励来源于各个轮胎,并通过多条路径传递至车内,以某两厢车为例,进行胎噪传递路径分析,建立层次化目标分解体系,层次化目标分解可将多目标分解为整车级、系统级、部件级、材料级目标,下面依次由上至下进行分解;
1.2)整车级多目标分解。对于胎噪,主要考虑目标为吸隔声性能、总重量和总成本,对于整车吸隔声性能,采用噪声源(轮胎)到接收点处(驾驶员右耳)的噪声衰减量作为整车级目标,总重量和总成本则直接采用各路径的声学包总重量和总成本作为整车级目标,整车级目标向下分解为系统级目标:车门系统、地板系统、尾门系统、前围系统、发动机舱和乘员舱系统和系统,在系统级中,板件类构成的系统主要起隔声作用,采用传递损失衡量其隔声性能,有车门系统传递损失,地板系统传递损失,尾门系统传递损失,前围系统传递损失,空腔类系统主要起吸声作用,用吸声量衡量其吸声性能,有机舱吸声量,乘员舱吸声量,行李舱吸声量,总成本和总重量目标则分解为各个系统的成本及重量,分解架构如图2所示;
1.3)系统级目标分解。系统级目标为各个系统的传递损失、吸声量、成本及重量,对此需要具体分析各个系统的构成,将系统拆分为多个部件,并将系统目标分解到部件中,用多个部件目标来替代系统目标,对于地板系统,地板的构成主要为地板钣金和地毯,其隔声性能可用地板钣金传递损失和地毯插入损失来评价,成本及重量也可相应的分解为地板钣金成本、重量以及地毯成本和重量,相同的,前围系统由内前围隔音垫、前围钣金、外前围隔音垫组成,车门系统由车门外钣金、车门内钣金、车窗、车门内饰板组成,可对其他系统进行分解;
1.4)部件级目标分解。部件级目标为各个部件的吸隔声性能指标、成本及重量,各部件级目标实际是由该部件的材料参数、结构参数等决定的,因此,可对具体部件进行分析从而进行目标分解,如对于地板钣金,分解为0.7mm,0.8mm……1.5mm厚度的45号钢材料的吸隔声性能、钣金厚度、面积、密度、开孔率、单价等,参数如表1所示。
表1胎噪部分建模参数(材料级)
步骤2:依据层次化目标分解体系进行实验数据收集:
2.1)依据上述层次化目标分解体系,数据需求为吸隔声性能指标:噪声衰减量、传递损失、插入损失、吸声量,结构参数:面积占比,材料参数:单价,重量,成本。
2.2)吸隔声性能指标数据通过消声室-混响室窗口实验、混响箱实验获取,结构参数通过实际测算获取,材料参数由材料供应商提供,表2所示为部分建模参数。
表2胎噪部分建模参数(整车级、系统、部件、材料级)
步骤3:以该车型的层次化多目标分解架构为基础,将分解架构中各个节点按照不同层级划分为不同的子模型,针对每个子模型引入改良的Transfomer算法来学习不同节点间的数据关系,从而实现由底层材料吸隔声性能、材料单价和不同厚度面积占比到顶层级噪声衰减量、总成本和总重量的预测。
3.1)首先利用Python3.6搭建如图3所示的Transfomer架构,该架构以Encoder—Decoder(编码器—解码器为基础,编码器中主要包含多头注意力模块和前馈模块;解码器中主要包含带掩码的多头注意力模块、多头注意力模块(公式7)和前馈模块(公式8);在解码器的输出之后添加全连接层再输出作为预测结果。其中,多头注意力模块是先在单个注意力模型的基础上同时对输入数据进行多次独立的注意力计算,计算结束后将结果进行拼接然后输入残差神经网络层最后进行一次层归一化(Layer Normalization)再输出(公式9);前馈模块是输入经过全连接层后进入残差神经网络最后进行一次层归一化再输出;而解码器中独有的带掩码的多头注意力模块是在多头注意力层基础上对输入的标签数据进行掩蔽,防止在模型训练时当前时刻的注意力计算能够获取到后续时刻的标签数据信息。
公式7:
MultiHead(Q,K,V)=Concat(Head1,…,Headi)WO
式中Q、K、V分别为输入数据在不同投影下的版本,dk为Q和K的维度,Wo、Wi Q、Wi K、Wi V为不同投影的参数矩阵,Concat()函数表示矩阵拼接,目的是为了使数据的输入和输出维度保持一致。
公式8:
式中x为输入数据,W1,b1和W2,b2表示两个线性变换,ui为输入向量u的第i个元素,α和β为增益和偏置。
公式9:
其中l表示第l个隐藏层,H表示该层的节点数,a表示某一个节点在激活前的值,u是期望,σ是标准差。
接着将改良的多任务损失函数引入模型中,然后设定编码器—解码器的层数N的可选范围为6~8,多头注意力模块的头数h可选范围为8~10,将这两个可调参数作为后续的模型寻优对比。
3.2)针对初始收集的数据,根据多目标层级分解架构中不同层级的节点各自属性对数据进行筛选,再按照Trasnfomer模型的输入格式要求对数据进行整理,具体的数据输入形式如下表所示,整理完1000套数据后将其按照8:1:1的比例分为训练集、测试集和验证集。
3.3)在模型训练时对层数N和头数h进行组合后记录其预测精度和计算时间,具体结果如下表,通过权衡其预测精度和计算时间最终决定编码器—解码器的层数N为7,多头注意力模块的头数为10从而确定最终的胎噪预测模型架构;
表4不同超参数下的计算精度和时长对比
编码器—解码器层数 | 多头注意力头数 | 均方误差 | 计算时长(h) |
6 | 8 | 0.326 | 8 |
6 | 9 | 0.318 | 10 |
6 | 10 | 0.308 | 13 |
7 | 8 | 0.256 | 16 |
7 | 9 | 0.244 | 18 |
7 | 10 | 0.201 | 19 |
8 | 8 | 0.193 | 23 |
8 | 9 | 0.196 | 26 |
8 | 10 | 0.203 | 28 |
步骤4.选取100套基础数据,设定扰动系数为0.05,针对胎噪层级分解架构中的每个子模型,对一个输入数据中与面积相关的参数进行扰动,其他输入则固定不变,然后输入胎噪预测模型进行预测,以此类推对所有子模型的每个输入都进行一次扰动并记录预测结果。然后将预测结果和原始结果进行对比计算再通过softmax处理,最后按照层级间进行累乘并对100套数据结果平均话从而获得所有路径下的不同材料的面积占比对噪声衰减量、总成本和总面积的灵敏度,以钣金平板件为例,其灵敏度分析结果如图5所示。
步骤5.基于胎噪层级分解架构和预测模型,通过区间求解策略进行面向胎噪正向设计的全局优化和面向胎噪的整改优化。
5.1)面向胎噪正向设计的全局优化:首先根据工程实际经验对各个材料不同厚度的面积占比、各个部件的重量以及各个系统的重量设定合理的可变区间,然后设定置信百分比为80%,接着利用NSGA2遗传算法进行多目标优化,将优化目标设定为总噪声衰减量降低2dB以上,总成本降低200元以上,总重量降低15kg以上,以此为前提按照区间求解策略流程进行全局区间优化,最终优化结果以内前围隔音垫为例如图6所示:
5.2)面向胎噪的整改优化:首先依据灵敏度分析,选取灵敏度较高的两条路径进行优化,针对该车型的灵敏度排序结果决定成员舱系统,然后针对该路径中的材料不同厚度的面积占比、各个部件的重量以及各个系统的重量设定合理的可变区间,其余路径参数锁定,然后设定置信百分比为80%,接着利用NSGA2遗传算法进行多目标优化,将优化目标设定为总噪声衰减量降低1dB以上,总成本降低100元以上,总重量降低8kg以上,以此为前提按照区间求解策略流程进行指定路径的区间优化,最终优化结果以乘员舱系统的地毯平板件为例如图7所示:
步骤6.目前该车型为两厢车型,尝试通过引入模块化思想以此车型的多目标层级分解架构为基础实现同平台某三厢车型的预测方法快速拓展。
6.1)将两厢车型的多目标层级分解架构利用模块化思想将整个分解架构进行单元化处理,以地板系统为例的分解结果如下所示,在次基础上针对每个模块嵌入Transfomer智能算法并将每套数据样本按照子模型进行划分,最后将每个单元子模型训练完成。
6.2)针对三厢车的特点,建立行李箱地板系统和行李舱系统图8和图9所示,再将两个系统进行同样的模块化处理和算法嵌入,然后将其与两厢车的多目标层级分解架构进行组合如图10所示,从而快速获得三厢车的胎噪预测模型。
以上所述实施例仅表达了本申请的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请保护范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请技术方案构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (6)
1.一种机理与数据相结合的胎噪不确定性优化方法,其特征在于,包括以下步骤:
步骤1:对汽车胎噪传递路径进行分析,并将吸隔声性能、成本、重量三个目标进行层次化多目标分解,形成整车级、系统级、部件级、材料级的胎噪层级分解架构;
步骤2:根据胎噪层级分解架构,进行基础数据收集,所述基础数据包括吸隔声性能指标、声学包部件成本、重量以及结构参数和材料参数;
步骤3:以胎噪层级分解架构为基础,将胎噪层级分解架构中各个节点按照不同层级划分为不同的子模型,针对每个子模型引入改良的Transfomer算法来学习不同节点间的数据关系,从而建立多任务融合的胎噪预测模型;
步骤4:对低层级数据进行上下扰动后输入胎噪预测模型,然后将高层级预测结果与扰动前的结果进行对比,各层级之间按照叠加累乘的关系计算出底层级材料不同厚度的面积占比对顶层级噪声衰减量、总成本和总重量的灵敏度;
步骤5:基于胎噪层级分解架构和预测模型,通过区间求解策略进行面向胎噪正向设计的全局优化和面向胎噪的整改优化;
步骤6:基于多种车型的胎噪传递路径,构建标准化的胎噪层级分解架构,并将胎噪层级分解架构中的子模型标准化,以数据输入输出作为接口,胎噪传递路径作为数据流方向,在面对不同的车型时按照传递路径将子模型进行组合封装,实现不同车型胎噪的预测。
2.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法,其特征在于,步骤1包括以下步骤:
步骤1.1:对汽车胎噪传递路径进行分析:不同传递路径的贡献值和形成总的目标点处的响应由以下公式表达:
Ki=Ti*Si (1)
其中,K为目标点处的总响应,i为第i条传递路径,n为传递路径数量,Ki为第i条传递路径对目标点处响应的贡献量,Ti为传递路径i到目标点的传递函数,Si传递路径i的激励;
步骤1.2:整车级目标分解:汽车胎噪的整车级目标包括整车吸隔声性能、总重量和总成本,所述整车吸隔声性能为噪声源到接收点处的噪声衰减量,总重量和总成本则为各路径的声学包总重量和总成本;整车级目标向下分解为数个系统级目标,包括车门系统、地板系统、尾门系统、前围系统、轮毂包系统、发动机舱、乘员舱系统和行李舱系统,在系统级目标中,板件类构成的系统主要起隔声作用,采用传递损失衡量其隔声性能,空腔类系统主要起吸声作用,用吸声量衡量其吸声性能;
步骤1.3:系统级目标分解:系统级目标为各个系统的传递损失、吸声量、成本及重量,将系统拆分为多个部件,并将系统目标分解到部件中,用多个部件目标来替代系统目标;
步骤1.4:部件级目标分解:部件级目标为各个部件的吸隔声性能指标、成本及重量,将部件级目标分解到部件的结构参数和材料参数中,从而实现部件级目标分解。
4.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法,其特征在于,步骤3具体包括以下步骤:
步骤3.1:搭建以Encoder—Decoder为基础的Transfomer模型;
步骤3.2:在Transfomer模型的基础上,对多任务损失函数中人为设定的权值方法进行优化,使模型在反馈传播中根据不同任务损失的大小差异对权值进行自动迭代更新;
S=∑ωiSi
其中S为总损失函数,ωi为第i个任务的损失权重,Si为第i个任务的损失,m为任务数量,Si(τ)是单个任务中的第τ个子损失;
步骤3.3:以胎噪层级分解架构为基础,将层级分解架构中各个节点按照不同层级划分为不同的子模型,针对每个子模型引入改进的Transfomer模型从而构建整体的胎噪预测模型,然后按照指定格式整理数据样本,将数据样本按比例划分为训练集、测试集和验证集,对胎噪预测模型进行训练,训练时以均方误差作为模型评价指标,将Encoder—Decoder的层数N和多头注意力模块的头数h作为寻优参数,最后得到多任务融合的胎噪预测模型。
6.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法,其特征在于,步骤5具体包括以下步骤:
步骤5.1:对各个材料不同厚度的面积占比、各个部件的重量以及各个系统的重量设定可变区间以及置信百分比;
步骤5.2:基于胎噪层级分解架构和胎噪预测模型,按照区间求解策略流程进行目标优化,具体包括:
面向胎噪正向设计的全局优化:利用NSGA2遗传算法进行多目标优化,基于胎噪层级分解架构中不同厚度面积占比、部件重量和系统重量的可变区间,以噪声总衰减量、总成本和总重量为目标对全局路径进行优化,从而找出胎噪预测模型的全局最优解;然后以最优解为基础,以置信百分比为约束,通过设计变量的区间搜索将最优解扩展为最优可行区间;
面向胎噪的整改优化:根据灵敏度分析的结果,对胎噪层级分解架构中的路径进行筛选,选取灵敏度高的一条或多条路径作为优化对象,其余路径数据固定后,利用NSGA2遗传算法进行多目标优化,基于胎噪层级分解架构中不同厚度面积占比、部件重量和系统重量的可变区间,以噪声总衰减量、总成本和总重量为目标对全局路径进行优化,从而找出胎噪预测模型的全局最优解;然后以最优解为基础,以置信百分比为约束,通过设计变量的区间搜索将最优解扩展为最优可行区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755117.5A CN115130303A (zh) | 2022-06-29 | 2022-06-29 | 一种机理与数据相结合的胎噪不确定性优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210755117.5A CN115130303A (zh) | 2022-06-29 | 2022-06-29 | 一种机理与数据相结合的胎噪不确定性优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115130303A true CN115130303A (zh) | 2022-09-30 |
Family
ID=83381937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210755117.5A Pending CN115130303A (zh) | 2022-06-29 | 2022-06-29 | 一种机理与数据相结合的胎噪不确定性优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115130303A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556527A (zh) * | 2024-01-12 | 2024-02-13 | 中国铁路设计集团有限公司 | 一种基于混响时间控制的铁路站房微孔参数优化方法 |
-
2022
- 2022-06-29 CN CN202210755117.5A patent/CN115130303A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117556527A (zh) * | 2024-01-12 | 2024-02-13 | 中国铁路设计集团有限公司 | 一种基于混响时间控制的铁路站房微孔参数优化方法 |
CN117556527B (zh) * | 2024-01-12 | 2024-03-26 | 中国铁路设计集团有限公司 | 一种基于混响时间控制的铁路站房微孔参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Multitarget prediction and optimization of pure electric vehicle tire/road airborne noise sound quality based on a knowledge-and data-driven method | |
CN115130303A (zh) | 一种机理与数据相结合的胎噪不确定性优化方法 | |
Huang et al. | Optimization of electric vehicle sound package based on LSTM with an adaptive learning rate forest and multiple-level multiple-object method | |
CN105784556A (zh) | 一种基于自组织模糊神经网络的空气细颗粒物pm2.5软测量方法 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
CN115577436B (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
Danquah et al. | Statistical model verification and validation concept in automotive vehicle design | |
Tijskens et al. | Hygrothermal assessment of timber frame walls using a convolutional neural network | |
CN109670202A (zh) | 一种基于云模型的仿真可信度评估方法 | |
Qu et al. | Comparison analysis on simplification methods of building performance optimization for passive building design | |
Huang et al. | A Kriging-based non-probability interval optimization of loading path in T-shape tube hydroforming | |
Davis | By air by SEA | |
US7617166B2 (en) | Neural network for aeroelastic analysis | |
CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
Morales et al. | Efficient wave-based acoustic material design optimization | |
Gurbuz et al. | Gaussian processes for transfer path analysis applied on vehicle body vibration problems | |
Bader Eddin et al. | A sound insulation prediction model for floor structures in wooden buildings using neural networks approach | |
Charpentier et al. | Full vehicle SEA model uses detailed sound package definition to predict driver's headspace acoustic response | |
YY et al. | Grain growth modelling for continuous reheating process—a neural network-based approach | |
CN115577615A (zh) | 一种汽车多体动力学建模方法和系统 | |
CN115130218A (zh) | 一种汽车悬架结构路噪的自学习预测方法 | |
KR100919684B1 (ko) | 데이터 마이닝 방법 | |
CN113392958A (zh) | 一种模糊神经网络fnn的参数优化及应用方法与系统 | |
Wawrzynczak et al. | Feedforward neural networks in forecasting the spatial distribution of the time-dependent multidimensional functions | |
CN113569898B (zh) | 基于bp神经网络的水质模型参数反演分析方法及系统 |
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 |