一种基于多模态融合的轮胎噪声预测方法与系统技术方案

本发明专利技术公开了一种基于多模态融合的轮胎噪声预测方法与系统，涉及汽车NVH性能的技术领域，包括获取轮胎样本的噪声多模态数据集，对轮胎样本进行噪声测试，获得轮胎噪声实测声压级；利用噪声多模态数据集对构建的轮胎噪声预测模型进行训练，输出轮胎噪声预测声压级；设置评估函数，根据轮胎噪声实测声压级和轮胎噪声预测声压级对预测模型进行评估优化，调整模型参数，获得优化后的轮胎噪声预测模型；获取待预测轮胎的噪声多模态数据，输入所述优化后的轮胎噪声预测模型，获得待预测轮胎的噪声预测结果。本发明专利技术考虑了轮胎噪声多角度影响因素，联合多模态数据实现对轮胎噪声的高效准确的预测。的预测。的预测。

【技术实现步骤摘要】
一种基于多模态融合的轮胎噪声预测方法与系统


[0001]本专利技术涉及汽车NVH性能的
，更具体地，涉及一种基于多模态融合的轮胎噪声预测方法与系统。

技术介绍

[0002]随着新能源汽车的推广，轮胎噪声在整车噪声中所占比例与影响程度不断增大。有研究表明，乘用车车速超过50km/h时，轮胎噪声将成为汽车噪声的主要来源，轮胎噪声水平对车辆NVH(Noise、Vibration、Harshness，噪声、振动与声振粗糙度)性能水平及客户满意度的影响很大。
[0003]轮胎噪声按照发生机理的不同可分为振动噪声和空气动力学噪声。轮胎结构和发声机理复杂，轮胎噪声的影响因素众多，单纯依靠经验和试验测试的方法，难以在试验设计初期对轮胎噪声进行评估。同时，由于轮胎花纹成型对模具的高度依赖性，通过试验验证的方法修改轮胎花纹形式具有成本高，周期长的缺点。
[0004]研究轮胎噪声的预测模型，可用于指导开发阶段轮胎结构和胎面花纹设计，从而缩短开发周期，降低试验成本。传统的力学模型基于发声机理对轮胎噪声进行分析，但由于轮胎噪声机理复杂，边界条件多，经过简化处理的轮胎模型精度有限。由于轮胎结构及花纹形式与轮胎噪声之间复杂的非线性关系，很难建立完整的理论模型开展对轮胎噪声的预测分析；而通过建立轮胎有限元模型开展噪声分析，也存在轮胎的非线性特征表达困难、高精度轮胎有限元模型建模及计算工作量大、周期长等问题。
[0005]在道路条件和行驶环境相同的条件下，轮胎噪声水平主要与轮胎类型、材料、结构设计等描述性特征，以及胎面花纹图像特征有关。在设计开发阶段，轮胎的结构特征和花纹特征是最主要的设计因素，进行噪声预测应综合考虑多方面的因素。通过不同渠道或视角得到的数据称为多模态数据，多模态融合策略能够通过多角度的特征提取，有效挖掘各模态数据的潜在信息，从而得到更好的预测效果。因此用于轮胎噪声预测的数据应为包含轮胎描述性参数数据和胎面花纹图像的多模态数据集。
[0006]现有技术公开了一种轮胎花纹沟泵吸噪声声源识别及方法，包括建立带混合花纹的轮胎—路面有限元模型，计算轮胎静态加载力学分析；建立轮胎稳态和瞬态滚动状态下的动力学分析；建立接地区花纹沟噪声数值模型；花纹沟内部流场特性；采用涡声理论建立流场与声场之间的联系，通过求解Lamb矢量得到花纹沟泵吸噪声声源分布位置。该现有技术通过建立带混合花纹的轮胎
‑
路面有限元模型，对轮辋、路面简化处理，建立的轮胎的非线性特征不完整，无法准确轮胎噪声。

技术实现思路

[0007]本专利技术为克服上述现有技术对轮胎噪声预测时考虑因素单一，无法高效准确的进行轮胎噪声预测的缺陷，提供一种基于多模态融合的轮胎噪声预测方法与系统，考虑轮胎噪声多角度影响因素，利用多模态数据联合预测，实现对轮胎噪声的高效预测，为轮胎结构
及胎面花纹设计、低噪声轮胎开发提供依据，降低试验成本，提高开发效率。
[0008]为解决上述技术问题，本专利技术的技术方案如下：
[0009]本专利技术提供了一种基于多模态融合的轮胎噪声预测方法，包括：
[0010]S1：获取轮胎样本的噪声多模态数据集，并对轮胎样本进行噪声测试，获得轮胎噪声实测声压级；
[0011]S2：构建轮胎噪声预测模型；
[0012]S3：利用所述噪声多模态数据集对所述轮胎噪声预测模型进行训练，输出轮胎噪声预测声压级；
[0013]S4：设置评估函数，根据所述轮胎噪声实测声压级和所述轮胎噪声预测声压级对所述轮胎噪声预测模型进行评估优化，调整模型参数，获得优化后的轮胎噪声预测模型；
[0014]S5：获取待预测轮胎的噪声多模态数据，输入所述优化后的轮胎噪声预测模型，获得待预测轮胎的噪声预测结果。
[0015]优选地，所述轮胎样本的噪声多模态数据集包括轮胎结构性参数和胎面花纹图像；
[0016]轮胎结构性参数包括轮胎结构参数、胎面花纹参数和花纹节距参数；
[0017]所述轮胎结构参数包括轮胎断面高度、轮胎断面宽度、扁平比、轮辋直径；
[0018]所述胎面花纹参数包括纵沟槽数、纵沟槽平均宽度、花纹深度、花纹块宽度、横沟槽宽度、横沟槽距离、花纹对称特征、横沟槽开口角度和横沟槽深度；
[0019]所述花纹节距参数包括节距单元平均长度、节距比、花纹左右节距错位、节距花纹块面积、节距花纹槽面积、基本节距数和节距总数。
[0020]优选地，利用室内转毂法、滑行法和拖车法中的一种或多种，对相应的轮胎样本进行噪声测试，获得轮胎噪声实测声压级。
[0021]轮胎噪声影响因素众多，在运行条件相同的条件下，与轮胎结构参数、胎面花纹参数和花纹节距参数相关，是轮胎设计阶段最主要的设计因素。轮胎结构参数和花纹节距参数可以通过特征参数进行描述，但胎面花纹复杂，胎面花纹块、花纹槽之间的结构关系难以完全通过简单的特征参数进行描述，还需要通过胎面花纹图像，如计算机辅助设计(ComputerAidedDesign，CAD)图像或者胎面扫描图像提取更为丰富的图像特征。利用轮胎结构性参数和胎面花纹图像组成噪声多模态数据集，与单一模态数据相比，能够提取到更丰富的特征，以达到更准确的预测效果。
[0022]优选地，在利用所述噪声多模态数据集对所述轮胎噪声预测模型进行迭代训练前，还需对所述噪声多模态数据集进行归一化处理。
[0023]优选地，构建的轮胎噪声预测模型包括依次连接的特征提取层、特征拼接层、预测层和支持向量回归输出层；
[0024]所述特征提取层包括两个并列设置的第一特征提取子网络和第二特征提取子网络；所述第一特征提取子网络和所述第二特征提取子网络的输出均与所述特征拼接层的输入连接。
[0025]优选地，所述第一特征提取子网络为卷积神经子网络，包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；
[0026]所述第二特征提取子网络为人工神经子网络，包括依次连接的输入层、隐含层和
输出层。
[0027]优选地，所述预测层为全连接神经网络。
[0028]优选地，所述步骤S3的具体方法为：
[0029]设置所述轮胎噪声预测模型的模型参数、初始学习率、最小批训练样本数、总迭代次数和梯度下降算法，将所述噪声多模态数据集输入所述轮胎噪声预测模型中进行训练，所述第一特征提取子网络对所述胎面花纹图像进行特征提取，获得轮胎图像特征；所述第二特征提取子网络对轮胎结构性参数进行特征提取，获得轮胎描述特征；所述特征拼接层将所述轮胎图像特征和所述轮胎描述特征进行连接，获得轮胎多模态融合特征；所述预测层根据所述轮胎多模态融合特征进行轮胎噪声预测，通过支持向量回归输出层输出轮胎噪声预测声压级。
[0030]将噪声多模态数据集输入所述轮胎噪声预测模型中，利用卷积神经子网络只自适应提取图像特征的特点，提取胎面花纹图像的特征，构成轮胎图像特征；利用人工神经子网络提取轮胎结构性参数的特征，构成轮胎描述特征；在特征拼接层采用拼接的方式，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模态融合的轮胎噪声预测方法，其特征在于，包括：S1：获取轮胎样本的噪声多模态数据集，并对轮胎样本进行噪声测试，获得轮胎噪声实测声压级；S2：构建轮胎噪声预测模型；S3：利用所述噪声多模态数据集对所述轮胎噪声预测模型进行训练，输出轮胎噪声预测声压级；S4：设置评估函数，根据所述轮胎噪声实测声压级和所述轮胎噪声预测声压级对所述轮胎噪声预测模型进行评估优化，调整模型参数，获得优化后的轮胎噪声预测模型；S5：获取待预测轮胎的噪声多模态数据，输入所述优化后的轮胎噪声预测模型，获得待预测轮胎的噪声预测结果。2.根据权利要求1所述的基于多模态融合的轮胎噪声预测方法，其特征在于，所述轮胎样本的噪声多模态数据集包括轮胎结构性参数和胎面花纹图像；轮胎结构性参数包括轮胎结构参数、胎面花纹参数和花纹节距参数；所述轮胎结构参数包括轮胎断面高度、轮胎断面宽度、扁平比、轮辋直径；所述胎面花纹参数包括纵沟槽数、纵沟槽平均宽度、花纹深度、花纹块宽度、横沟槽宽度、横沟槽距离、花纹对称特征、横沟槽开口角度和横沟槽深度；所述花纹节距参数包括节距单元平均长度、节距比、花纹左右节距错位、节距花纹块面积、节距花纹槽面积、基本节距数和节距总数。3.根据权利要求1所述的基于多模态融合的轮胎噪声预测方法，其特征在于，利用室内转毂法、滑行法和拖车法中的一种或多种，对相应的轮胎样本进行噪声测试，获得轮胎噪声实测声压级。4.根据权利要求1所述的基于多模态融合的轮胎噪声预测方法，其特征在于，在利用所述噪声多模态数据集对所述轮胎噪声预测模型进行迭代训练前，还需对所述噪声多模态数据集进行归一化处理。5.根据权利要求1
‑
4任一项所述的基于多模态融合的轮胎噪声预测方法，其特征在于，构建的轮胎噪声预测模型包括依次连接的特征提取层、特征拼接层、预测层和支持向量回归输出层；所述特征提取层包括两个并列设置的第一特征提取子网络和第二特征提取子网络；所述第一特征提取子网络和所述第二特征提取子网络的输出均与所述特征拼接层的输入连接。6.根据权利要求5所述的基于多模态融合的轮胎噪声预测方法，其特征在于，所述第一特征提取子网络为卷积神经子网络，包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层和全连接层；所述第二特征提取子网络为人工神经子网络，包括依次连接的输入层、隐含层和输出层。7.根据权利要求5所述的基于多模态融合的...

【专利技术属性】
技术研发人员：贾小利，庞剑，
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：