基于整车路噪多层级分解架构的路噪灵敏度分析方法技术

本发明专利技术公开了一种基于整车路噪多层级分解架构的路噪灵敏度分析方法，其包括如下步骤：S1，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架构；S2，基于所构建的整车路噪性能层级分解架构，采集训练样本数据；S3，构建整车路噪预测及分析模型并训练整车路噪预测及分析模型，得到满足精度要求的训练后的整车路噪预测及分析模型；S4，基于训练后的整车路噪预测及分析模型，通过对低层级参数进行一定范围内的扰动，计算其对高层级参数的影响，识别出影响整车路噪的高敏感参数及传递路径。其能够识别影响路噪的高敏感参数及该高敏感参数对应的传递路径，为产品正向设计及问题整改提供可靠指导，提升工作效率，降低试验成本。低试验成本。低试验成本。

【技术实现步骤摘要】
基于整车路噪多层级分解架构的路噪灵敏度分析方法


[0001]本专利技术涉及汽车NVH性能领域，具体涉及基于整车路噪多层级分解架构的路噪灵敏度分析方法。

技术介绍

[0002]汽车在粗糙路面行驶时，由于道路不平和车辆悬架与轮胎系统间的相互作用，将会产生20～300Hz低频噪声，这类低频噪声称之为路面激励噪声或路噪，严重影响车内人员驾乘感受。并且随着新能源汽车的快速发展，动力总成掩蔽效应减弱，路噪问题更加凸显，建立高效准确的车内噪声预测及分析模型对实现路噪性能提升及工作效率提高具有重要意义。
[0003]低频路噪主要通过结构路径传递，其影响因素很多，主要与衬套动刚度、减振器阻尼特性等参数相关。低频路噪问题的根源在于各个结构下的(系统、子系统、零部件)参数匹配。工程师可通过调节底盘参数达到改善车内噪声的目的，但在工程实际中，需综合考虑成本、对其它性能的影响等多种因素，往往不是对所有参数同时进行调节，所以分析每个参数对于目标的灵敏度就显得尤为重要，工程师可以选择灵敏度较高的部分参数进行调节，在提升工作效率的同时，降低成本。
[0004]目前应用较广泛的灵敏度分析方法是通过建立有限元模型，基于有限元模型开展灵敏度分析。CN105320784B公开了一种汽车车身区域灵敏度优化设计方法，建立白车身有限元模型，进行基于刚度或模态的区域灵敏度分析，从而计算出车身各区域参数对车身刚度、模态的灵敏度。CN106844874A公开了一种基于灵敏度与CAE分析的全铝车身轻量化设计方法，建立全铝车身有限元模型，计算车身各部件的刚度、模态、重量灵敏度系数，进而进行车身轻量化设计。
[0005]由于路噪涉及底盘零部件多，非线性特性强，形成机理复杂。若通过传统CAE仿真建立整车路噪有限元模型开展灵敏度分析，存在很多参数难以获取的难题，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，仿真精度难以保证，即使建立整车CAE精细化模型，也存在效率低、成本高等问题。
[0006]随着大数据技术的发展，以及汽车企业在研发过程中仿真和试验数据的不断积累，使得采用数据挖掘的方法进行路噪分析成为可能。其中，运用机器学习算法建立近似模型是一种行之有效的方法，它是以数理统计方法为基础，利用历史样本数据，拟合得到输入变量与响应量之间的对应关系。基于近似模型的灵敏度分析过程，由于避免了复杂有限元模型的计算分析，真实的迭代计算过程所需的时间得到很大的削减，具有计算量小，计算周期较短的特点，分析效率大幅提高，同时对于计算机硬件的要求也得到缓解。

技术实现思路

[0007]本专利技术的目的是提供一种基于整车路噪多层级分解架构的路噪灵敏度分析方法，其能够识别影响路噪的高敏感参数及该高敏感参数对应的传递路径，为产品正向设计及问
题整改提供可靠指导，提升工作效率，降低试验成本。
[0008]本专利技术所述的基于整车路噪多层级分解架构的路噪灵敏度分析方法，其包括如下步骤：
[0009]S1，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架构；
[0010]S2，基于所构建的整车路噪性能层级分解架构，采集训练样本数据；
[0011]S3，构建整车路噪预测及分析模型并利用训练样本数据训练整车路噪预测及分析模型，得到满足精度要求的训练后的整车路噪预测及分析模型；
[0012]S4，基于训练后的整车路噪预测及分析模型，通过对低层级参数进行一定范围内的扰动，计算其对高层级参数的影响，识别出影响整车路噪的高敏感参数及该高敏感参数对应的传递路径。
[0013]进一步，所述S1具体为：先建立车辆悬架系统振动传递路径的层级分解架构，然后根据车辆悬架形式，将整车路噪沿振动传递路径逐层分解至底盘零部件，构建整车路噪性能层级分解架构。
[0014]进一步，所述S2中的训练样本数据通过道路试验和/或仿真分析获取。
[0015]进一步，所述S3中整车路噪预测及分析模型为BP神经网络模型、广义回归神经网络模型、极限学习机模型、支持向量回归模型、深度信念网络模型中的至少一种。
[0016]进一步，所述S3中通过遗传算法、粒子群算法、模拟退火算法对整车路噪预测及分析模型进行寻优。
[0017]进一步，在S3中，将S2采集的训练样本数据分成训练集和测试集两部分，先将训练集输入路噪预测及分析模型对模型进行训练，得到训练后的整车路噪预测及分析模型；然后将测试集的训练样本数据输入训练后的整车路噪预测及分析模型进行验证和评估，若预测精度达到设计要求，则表明验模通过，否则重新构建整车路噪预测及分析模型。
[0018]进一步，在进行S4前，还包括：将S3得到的满足精度要求的训练后的整车路噪预测及分析模型进行集成封装，基于Python开发得到便于工程师操作的路噪灵敏度分析软件及可视化界面，实现人机交互。
[0019]进一步，将灵敏度分析报告模板嵌入开发得到的灵敏度分析软件中，通过程序语言将数据分析结果导入到灵敏度分析报告模板中，自动生成路噪灵敏度分析报告。
[0020]本专利技术与现有技术相比具有如下有益效果。
[0021]1、本专利技术通过将整车路噪问题沿振动传递路径逐层分解至底盘零部件参数，构建整车路噪性能层级分解架构，然后结合机器学习算法及智能优化算法构建路噪预测及分析模型，实现了从悬架底盘参数到车内噪声的准确预测，所述路噪预测及分析模型精度较高，该路噪预测及分析模型还能够在数据不断扩充的过程中自主学习，进一步提升其精度和泛化能力。运用路噪预测及分析模型开展底盘参数灵敏度分析，识别出高敏感底盘参数及车内噪声振动的主要传递路径，指导了工程师的正向开发设计，此外针对后期路噪问题整改，亦可结合灵敏度分析结果，对某一条或几条灵敏度较高的路径进行优化，提升了问题整改效率，降低了试验成本。
[0022]2、本专利技术为便于工程师操作，将得到的满足精度要求的训练后的整车路噪预测及分析模型进行集成封装，基于Python开发得到便于工程师操作的路噪灵敏度分析软件及可
视化界面，实现人机交互，使工程师实时分析并快速识别影响路噪的高敏感参数及其传递路径，提升了工作效率。
附图说明
[0023]图1为本专利技术所述基于整车路噪多层级分解架构的路噪灵敏度分析方法的流程示意图；
[0024]图2为单目标双层级分解架构示意图；
[0025]图3为单目标多层级分解架构示意图；
[0026]图4为麦弗逊式悬架结构图；
[0027]图5为前副车架前安装点被动侧层级分解架构图；
[0028]图6为前副车架后安装点被动侧层级分解架构图；
[0029]图7为前减振器上安装点被动侧层级分解架构图；
[0030]图8为麦弗逊悬架层级分解架构图；
[0031]图9为路噪多层级分解架构图；
[0032]图10为灵敏度分析结果可视化界面图。
具体实施方式
[0033]下面结合附图对本专利技术作详细说明。
[0034]参见图1，所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于整车路噪多层级分解架构的路噪灵敏度分析方法，其特征在于，包括如下步骤：S1，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架构；S2，基于所构建的整车路噪性能层级分解架构，采集训练样本数据；S3，构建整车路噪预测及分析模型并利用训练样本数据训练整车路噪预测及分析模型，得到满足精度要求的训练后的整车路噪预测及分析模型；S4，基于训练后的整车路噪预测及分析模型，通过对低层级参数进行一定范围内的扰动，计算其对高层级参数的影响，识别出影响整车路噪的高敏感参数及该高敏感参数对应的传递路径。2.根据权利要求1所述的基于整车路噪多层级分解架构的路噪灵敏度分析方法，其特征在于，所述S1具体为：先建立车辆悬架系统振动传递路径的层级分解架构，然后根据车辆悬架形式，将整车路噪沿振动传递路径逐层分解至底盘零部件，构建整车路噪性能层级分解架构。3.根据权利要求1或2所述的基于整车路噪多层级分解架构的路噪灵敏度分析方法，其特征在于：所述S2中的训练样本数据通过道路试验和/或仿真分析获取。4.根据权利要求1或2所述的基于整车路噪多层级分解架构的路噪灵敏度分析方法，其特征在于：所述S3中整车路噪预测及分析模型为BP神经网络模型、广义回归神经网络模型、极限学习机模型、支持向量...

【专利技术属性】
技术研发人员：贾小利，杨亮，余雄鹰，李兴泉，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：