车辆声学包隔声性能预测模型的搭建方法及预测方法与流程

1.本发明属于车辆的nvh(噪声、振动、声振舒适性)技术领域，具体涉及一种车辆声学包隔声性能预测模型的搭建方法及预测方法。


背景技术：

2.随着汽车行业的发展，汽车nvh性能逐渐受到企业和用户的重视。声学包是改善汽车nvh性能的有效措施之一，主要是通过在车身系统布置一些吸隔声材料或采用一些具有吸隔声作用的结构、技术，来提高车身系统的隔声性能，从而隔绝、吸收更多向车内传递的噪声，由此改善车内噪声水平，提高车辆的nvh性能。通常将布置于车身系统的吸隔声材料或具有吸隔声作用的结构等统称为声学包，如：前围隔音垫、地毯、顶棚等等。
3.目前对于汽车声学包的隔声性能，多采用试验和仿真的方式进行研究，这种方法能够有效的对汽车声学包进行分析、设计及优化，相关技术成熟可靠，已在行业内得到广泛应用。但是，由于其建模仿真的特点，这种方法存在一些缺点：需要人工对仿真模型进行大量的修正工作，效率较低，并且模型精度难以得到良好的把控；部分建模参数的获取较为困难，影响建模工作的效率和精度。
4.又如专利文献cn109660916a公开了一种优化车内噪声声学包的方法，包括：获取声学包零部件的声学性能函数；在车厢外部的噪声源和车厢内接受体处布置噪声采集传感器；采集汽车在不同工作状态下的第一噪声数据；根据第一噪声数据和声学包噪声传递函数，得到各噪声源对车内总声源的贡献比；根据噪声源对车内总声源的贡献比，获得预优化噪声源；采集预优化噪声源的传递路径上的声学包零部件逐一去除时的第二噪声数据；根据第二噪声数据、预优化噪声源的传递路径上的声学包零部件均去除时的清洁噪声传递函数和声学包零部件的声学性能函数，得到声学包优化模型；根据声学包优化模型得到声学包零部件的改进参数。该方法能够有效的优化车内噪声，针对性强，可靠性高，但是其不足之处在于需要进行大量的试验工作，时间和成本较高，并且在声学包的开发设计阶段初期难以通过实车试验的方法对声学包进行设计。
5.又如专利文献cn110110437a公开了一种基于相关区间不确定性理论的汽车高频噪声预测方法，在建立整车统计能量模型并进行声学包定义和模型对标的基础上，选择工程中一致性较差的几何和材料参数作为区间不确定参数，通过线性约束不等式方程描述不确定参数相互间的关系；计算车内噪声对各个不确定参数的局部灵敏度，并依据灵敏度大小对不确定参数进行重新排序，并以此带入不等式方程，得到有序不确定参数向量和不确定参数修正摄动区间；将车内噪声进行一阶泰勒级数展开并带入不确定参数中心值和修正摄动区间，获得车内高频噪声的分布界限。该方法通过建立整车统计能量模型，结合相关区间不确定性理论对声学包的相关参数进行了分析，并实现了对汽车高频噪声的预测，其不足之处在于，该方案是基于整车统计能量模型，采用仿真建模的方法需要对模型进行大量的修正工作，建模工作量较大，并且建模精度不好把控。
6.因此，有必要开发一种车辆声学包隔声性能预测模型的搭建方法及预测方法。


技术实现要素：

7.本发明的目的是提供一种车辆声学包隔声性能预测模型的搭建方法及预测方法，通过建立隔声性能指标噪声衰减量与各声学包部件吸隔声性能的映射关系，以实现对噪声源到接收点的噪声衰减量的准确预测。
8.第一方面，本发明所述的一种车辆声学包隔声性能预测模型的搭建方法，包括以下步骤：(1)建立声学包隔声性能目标分解架构；对噪声传递路径进行分析；基于噪声传递路径对声学包隔声性能目标进行分解，得到声学包隔声性能目标分解架构，所述声学包隔声性能目标分解架构包括顶层数据和底层数据；(2)数据收集及预处理；在所述声学包隔声性能目标分解架构下，制定试验方案，并收集试验数据，对数据进行清洗，去除掉噪声数据，并将数据划分为训练集和测试集，对数据进行归一化处理；(3)建立svr预测模型；建立svr预测模型，将声学包隔声性能目标分解架构的底层参数作为svr预测模型的输入，顶层参数作为svr预测模型的输出，导入训练集进入svr预测模型训练，在svr预测模型训练完成后，导入测试样本，检验svr预测模型的精度；判断预测结果精度是否满足要求，若svr预测模型的精度满足预设精度要求，则svr预测模型搭建完成，若否，则返回数据收集及预处理步骤，直到svr预测模型的精度满足预设精度要求。
9.可选地，声学包隔声性能目标分解架构的顶层数据为发动机噪声
‑
车内噪声衰减量；底层数据为前罩隔音垫吸声系数、前围钣金传递损失、内前围隔音垫插入损失、内前围隔音垫吸声系数、外前围隔音垫插入损失、外前围隔音垫吸声系数和仪表台声学包吸声系数。
10.可选地，收集的数据类型包括吸声系数、传递损失、插入损失和噪声衰减量。
11.第二方面，本发明所述的一种汽车声学包隔声性能预测方法，包括以下步骤：获取与声学包隔声性能目标分解架构的底层数据相关的零件级或部件级的声学包隔吸声性能试验数据；基于零件级或部件级的声学包隔声性能数据通过如本发明所述的车辆声学包隔声性能预测模型的搭建方法所得到的svr预测模型对整车的声学包隔声性能进行预测。
12.本发明具有以下优点：采用数据挖掘的方法建立隔声性能指标噪声衰减量与各声学包部件吸隔声性能的映射关系，实现对噪声源到接收点的噪声衰减量的准确预测，本方法规避了使用传统的试验结合仿真建模的方式进行声学包开发存在的弊端，能够较为高效、客观地预测声学包性能。并且能够在开发早期实现车身隔声性能预测，使声学包在早期的定义更具针对性，减少了后期开发的成本和时间。
附图说明
13.图1为本实施例中搭建车辆声学包隔声性能预测模型的流程图；图2为本实施例中声学包隔声性能目标分解架构的示意图；图3为本实施例中测试样本一的噪声衰减量预测结果对比示意图；
图4为本实施例中测试样本二的噪声衰减量预测结果对比示意图。
具体实施方式
14.下面结合附图对本发明作进一步说明。
15.如图1所示，本实施例中，一种车辆声学包隔声性能预测模型的搭建方法，包括以下步骤：该方案的技术流程如图1所示，主要包含以下三个部分：(1)建立声学包隔声性能目标分解架构；对噪声传递路径进行分析；基于噪声传递路径对声学包隔声性能目标进行分解，得到声学包隔声性能目标分解架构，具体如下：对于发动机噪声而言，主要通过发动机
‑
前围
‑
驾驶室这一路径传递至车内。噪声在该路径的传播过程中，首先，发动机运转产生噪声，噪声在发动机舱内传播，引擎盖下方通常布置有一些吸声材料，来吸收发动机舱内的噪声，通常称之为机舱隔音垫。因此，发动机噪声首先由机舱隔音垫吸收部分噪声，然后噪声通过前围系统向车内传递。前围系统中，前围钣金的内侧和外侧一般都布置有吸隔音材料，即内前围隔音垫和外前围隔音垫，他们既有隔声的作用，又具有吸声的作用。噪声透过外前围隔音垫、前围钣金、内前围隔音垫传递至车内，传递过程中被吸收部分声音，同时也被隔绝部分声音，剩余噪声传递至车内。在车内，噪声通过仪表台传递至驾驶员，仪表台上通常也有吸声材料，再吸收了一部分噪声，最终形成由发动机噪声通过空气传播引起的车内噪声，传到驾驶员耳边。
16.根据以上的传递路径分析，可以建立针对发动机噪声的声学包隔声性能目标分解架构，所述声学包隔声性能目标分解架构包括顶层数据和底层数据；其中，顶层数据为发动机噪声
‑
车内噪声衰减量；底层数据为前罩隔音垫吸声系数、前围钣金传递损失、内前围隔音垫插入损失、内前围隔音垫吸声系数、外前围隔音垫插入损失、外前围隔音垫吸声系数和仪表台声学包吸声系数，如图2所示。
17.(2)数据收集及预处理；在声学包隔声性能目标分解架构下，制定试验方案，并进行数据的收集和预处理，其中主要包含四种类型的数据：吸声系数、传递损失、插入损失、噪声衰减量。对于各类型的数据可采用混响箱测试、消声室
‑
混响室窗口测试、驻波管测试等方法进行试验，通过相应的试验收集到数据以后，对数据进行清洗，去除掉噪声数据，并将数据划分为训练集和测试集，通常为8：2比例，并用mapminmax函数，如下式所示，对数据进行归一化处理；
18.其中x为原始数据集，x
max
为数据集中的最大值，x
min
为数据集中的最小值，y
max
为归一化的区间上限，取1，y
min
为归一化的区间下限，取0，y为归一化后的数据集。
19.(3)建立svr预测模型；svr预测模型的建立基于支持向量回归方法，支持向量回归方法是一种单输出的回归模型。对于声学包吸隔声性能，由于吸隔声性能指标与频率有关，因此，通过对1/3倍频程中心频率点建立多个svr预测模型来实现多个频点隔声性能的预测。svr预测模型的建立是结合声学包隔声性能目标分解架构进行，将声学包隔声性能目标分解架构的底层参数作
为输入，顶层参数作为输出，导入训练样本，通过交叉验证方法对svr预测模型参数进行寻优，对svr预测模型进行训练，svr预测模型训练完成后，导入测试样本，检验svr预测模型的精度，若svr预测模型的精度满足预设精度要求，则svr预测模型搭建完成，若否，则返回数据收集及预处理步骤，直到svr预测模型的精度满足预设精度要求。
20.如图3和图4所示，例举了其中两个测试样本噪声衰减量预测结果与真实值的对比图，各频点误差均在1db以内，表示svr预测模型精度高，满足精度要求。
21.本实施例中，一种汽车声学包隔声性能预测方法，包括以下步骤：获取与声学包隔声性能目标分解架构的底层数据相关的零件级或部件级的声学包隔吸声性能试验数据；基于零件级或部件级的声学包隔声性能数据通过本实施例中所述的车辆声学包隔声性能预测模型的搭建方法所得到的svr预测模型对整车的声学包隔声性能进行预测。
22.本方法通过数据挖掘的方式对声学包隔声性能进行预测，规避了使用传统的试验结合仿真建模的方式进行声学包开发存在的弊端，能够较为高效、客观地预测声学包性能。并且能够在开发早期实现车身隔声性能预测，使声学包在早期的定义更具针对性，减少后期开发的成本和时间。
23.通过本方法建立svr预测模型以后，可以通过不断积累的数据，对svr预测模型进行不断更新，以提高svr预测模型的预测精度和泛化能力。