摘要
车身系统的隔声性能是衡量汽车品质的重要指标之一，受到企业与用户的广泛关注，高效、准确的预测车身系统的隔声性能可以为隔声性能的设计、优化等提供指导，具有重要的工程意义。目前，对于车身系统隔声性能的研究主要通过试验和CAE（ComputerAidedEngineering，计算机辅助工程）方法展开。此类方法虽然已经较为成熟，但是由于需要进行复杂的建模仿真与大量的试验工作，尚存在效率较低、精度难以把控、较难获取完整且精确的建模参数等不足。近年来，随着信息与人工智能技术的发展，机器学习方法被广泛应用于解决各种复杂的工程问题，这为车身系统隔声性能的研究提供了新的思路和手段。 本课题引入机器学习方法展开对车身系统隔声性能的研究，可以规避复杂的隔声机理分析，有效缓解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。首先，通过对噪声传递路径的分析，构建了车身系统隔声性能层级分解体系。基于多层级目标分解体系，分析了车身系统隔声性能的预测规划，以指导隔声性能预测模型的建立。在此基础上，引入机器学习方法探究层级分解体系内关联元素指标之间的量化关系，以实现对车身系统隔声性能的预测。分别采用SVR（SupportVectorRegression，支持向量回归）和CART（ClassificationAndRegressionTree，分类回归树）方法建立了车身系统隔声性能预测模型，并对两种模型的预测效果进行了对比分析。结果表明，两种模型均可对车身系统隔声性能进行较为准确地预测，并且SVR模型的预测精度高于CART模型。为进一步提升模型预测精度，结合数据扩充方法和多核学习方法对SVR隔声性能预测模型进行了改进。最后，在所建立的隔声性能预测模型的基础上，采用拉丁超立方试验设计方法开展了前围声学包的多目标优化研究，取得了较为理想的优化效果。 主要研究工作如下： （1）基于多层级目标分解的车身系统隔声性能预测规划。 通过对噪声传递路径的分析，明确与车身系统隔声性能密切相关的零部件，并逐级确定和关联表征各零部件吸、隔声性能的量化指标，构成多层级的隔声性能分解体系。基于多层级目标分解体系，规划车身系统隔声性能的预测模式，明确建模总体思路及建模样本结构，并通过“消声室-混响室窗口”试验、混响箱试验、驻波管试验等进行样本数据的收集。然后对样本数据进行整合，形成结构与层级分解体系相契合的数据集，作为隔声性能预测模型构建的基础。 （2）建立基于机器学习的车身系统隔声性能预测模型 分别采用SVR和CART方法建立了车身系统隔声性能预测模型，并将数据集样本按4∶1的比例划分为训练集和验证集，对模型进行训练和验证。随后对比分析两种模型的预测效果，SVR模型预测结果的相对误差在4%以内，而CART模型预测结果的相对误差在5%以内。结果表明，两种模型均能对车身系统隔声性能进行较为准确的预测，且SVR模型的预测精度高于CART模型。 （3）结合数据扩充与多核学习的SVR隔声性能预测模型改进 为进一步提升SVR隔声性能预测模型的预测精度，在传统SVR方法的基础上，采用数据扩充方法和多核学习方法对SVR模型进行改进。通过Mixup数据扩充方法对原有数据集进行扩充，并建立多核SVR模型。改进后，模型的预测效果获得了较大提升，预测结果的相对误差降低到了2%以内。另外，模型预测单个样本的隔声性能所需时间仅为2分钟左右，与传统仿真建模方法相比有较为明显的优势，表明了该方法在预测精度、计算效率方面的优越性。 （4）基于逐级预测的前围声学包多目标优化 以某车型为研究对象，采用拉丁超立方试验设计方法构造出50组不同设计参数的前围声学包方案。在所建立的隔声性能预测模型的基础上，通过逐级预测的方式预测各试验设计方案的隔声性能，同时计算其成本及重量。拟定隔声性能、重量、成本的权重系数分别为0.4、0.3、0.3，通过加权目标对多目标进行综合分析。50组方案中，第43号方案加权目标最小，为0.20。其噪声衰减量由原始的43.53dB提升到了45.46dB，其成本和重量分别为249.30元，4.99kg，相较于原始方案成本降低了8.97元，重量降低了0.18kg，取得了较为理想的优化效果。
NETL