基于数据驱动的汽车路噪分析与治理

扫码查看

原文链接

NETL

中文摘要：随着汽车技术的发展以及用户对汽车乘坐舒适性要求的不断提高，汽车NVH（Noise,VibrationandHarshness，噪声、振动及其不良体验）受到越来越多的关注。当前，汽车电动化已呈现不可逆转的发展趋势。由于电动汽车动力系统中电动机噪声远低于燃油车发动机噪声，使得车内总体噪声水平下降，而路噪占比相对增加。因此，研究汽车路噪的分析与治理方法具有重要的现实意义。路噪是指路面不平度激励经过轮胎和悬架系统衰减后传递至车身，引发车身壁板的振动，继而与车内声腔共同作用产生的噪声响应。由于路噪产生机理非常复杂，传统试验和仿真方法存在工作量大、效率低且精度不易保证等不足。而随着对数据驱动建模相关理论的研究不断深入，众多研究者开始将数据驱动方法应用在各领域以解决复杂的实际问题。在此背景下，本文提出基于数据驱动对汽车路噪进行分析与治理的方法，有效规避了对路噪复杂机理的研究，为解决路噪问题提供新的方法。本课题依托汽车噪声振动和安全技术国家重点实验室对外开放基金项目——基于路噪性能提升的悬架NVH控制技术研究。首先，结合路噪的传递路径，对路噪影响因素进行剖析，界定出具有显著性的影响因素，从而建立路噪层级分解架构。然后，运用机器学习算法分别建立基于SVR（SupportVectorRegression，支持向量回归）、BP神经网络、LSTM（LongShort-TermMemory，长短期记忆神经网络）的路噪预测模型进行对比研究，揭示路噪与其影响因素间的复杂非线性关系。进而，通过实车道路试验采集悬架相关部件的振动数据和驾驶员右耳畔的噪声数据，从而为路噪预测模型提供训练和检验样本。经过验证集样本的检验，预测结果的相对误差均在6%以内，表明模型预测性能良好。在此基础上，引入遗传算法对路噪进行区间优化，并通过实验验证了优化方法的有效性。本文提出基于数据驱动实现路噪建模和优化的方法，主要研究内容如下：（1）建立路噪层级分解架构。通过对路噪影响因素进行剖析，界定出具有显著性的影响因素。在此基础上，根据“广义逆推方法”中的层级分解原则，分析路噪的传递路径。结合本文的研究对象——配置以“前麦弗逊、后多连杆”悬架的某型轿车，建立路噪层级分解架构，为后续研究工作奠定了基础。（2）进行实车道路试验收集路噪样本。针对所建立的路噪层级分解架构，拟定参数需求表。通过在试验场粗糙沥青路面进行路噪试验，使用LMS数据采集系统同步采集悬架相关零部件的振动数据和驾驶员右耳畔的噪声数据，收集整理得到路噪样本数据集。为降低模型的复杂度和提高计算效率，将路噪样本数据离散化处理为1/3倍频程的形式。由于收集的样本数量较少，引入数据增强策略mixup，使样本得以扩充，从而满足模型训练和检验的需求。（3）建立基于机器学习的路噪预测模型。分别建立基于SVR、BP神经网络和LSTM的路噪预测模型。经过验证集样本的检验，路噪预测结果的相对误差均在6%以内，表明三种模型的预测性能良好，验证了本文所提方法的有效性。进而借助均方误差（MSE）和决定系数（R2）对模型性能进行评估，发现LSTM路噪预测模型的效果最好。同时，基于LSTM路噪预测模型具有传统数值仿真模型难以企及的计算速度，表明该方法具有精度高、效率高的优越性。（4）引入遗传算法对路噪进行区间优化。首先，通过“平均影响值算法”计算影响因素对路噪的灵敏度值，挑选出灵敏度较大的影响因素作为设计变量。在此基础上，给定挑选出的影响因素初始区间，选择LSTM路噪预测模型作为适应度函数，采用遗传算法搜索得到使路噪有效值最小的影响因素的最优解。进而，运用区间扩张搜索算法得到路噪影响因素的最优区间。最后，通过实验验证了该优化方法的有效性。

作者：

刘伟

展开 >

关键词：

汽车路噪噪声预测 LSTM 区间优化广义逆推方法

授予学位：

硕士

学科专业：

车辆工程

导师：

丁渭平

学位年度：

2022

学位授予单位：

西南交通大学

语种：

中文

中图分类号：