[发明专利]一种车内结构声路噪预测方法

说明书

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。

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；