基于整车路噪多层级分解架构的路噪灵敏度分析方法与流程

1.本发明涉及汽车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。


背景技术：

2.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。
3.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。
4.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。
5.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。
6.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。


技术实现要素：

7.本发明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。
8.本发明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：
9.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；
10.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；
11.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；
12.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。
13.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。
14.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。
15.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。
16.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。
17.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。
18.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。
19.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。
20.本发明与现有技术相比具有如下有益效果。
21.1、本发明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。
22.2、本发明为便于工程师操作，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
23.图1为本发明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；
24.图2为单目标双层级分解架构示意图；
25.图3为单目标多层级分解架构示意图；
26.图4为麦弗逊式悬架结构图；
27.图5为前副车架前安装点被动侧层级分解架构图；
28.图6为前副车架后安装点被动侧层级分解架构图；
29.图7为前减振器上安装点被动侧层级分解架构图；
30.图8为麦弗逊悬架层级分解架构图；
31.图9为路噪多层级分解架构图；
32.图10为灵敏度分析结果可视化界面图。
具体实施方式
33.下面结合附图对本发明作详细说明。
34.参见图1，所示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：
35.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。
36.路噪是一个复杂的系统性问题，难以通过简单的输入输出双层级来进行解释，因此需要构建路噪多层级分解架构。要建立多层级分解架构需要先建立双层级分解架构，参见图2，双层级分解架构指研究对象只包含两个层级，为设计变量层级即车身振动参数和设计目标层级即路噪，表达公式为：
[0037][0038]
s.t.hi(x)＝0,i＝1,2,...,i；
[0039]gj
(x)≤0,j＝1,2,...,j。
[0040]
式中，设计变量x＝[x1,x2,
…
,xd]
t
是d维欧式空间rd中的向量；y为设计目标函数，f(x)为层级映射函数；hi(x)＝0、gj(x)≤0为约束条件；lb、ub为目标函数f(x)需要满足的边界条件。
[0041]
多层级分解架构指的是研究对象包含多个层级，一般≥3层级，即包含最低设计变量层级即悬架动力学参数、中间设计变量/中间设计目标层级即悬架和车身的振动、最高设计目标层级及车内路噪。路噪问题涉及零部件众多，传递路径复杂，需建立多层级分解架构进行分解计算。参见图3，所示的单目标多层级分解架构示意图，表达公式为：
[0042]
[0043]
s.t.h
k-i
(x)＝0,i＝1,2,...,i；
[0044]gk-j
(x)≤0,j＝1,2,...,j；
[0045]
k＝0,1,2,...,k；
[0046]
n＝1,2,...,n；
[0047]
m＝1,2,...,m；
[0048]
式中，设计变量x＝[x
k-nm
]
t
是d维欧式空间rd中的向量；k(k＝0,1,2,...,k)为层级数；n(n＝1,2,...,n)和m(m＝1,2,...,m)分别为设计变量隶属的子模型序号与在该子模型中的排序；f
k-n
(x)为第k层级的第n个目标函数；h
k-i
(x)＝0、g
k-j
(x)≤0为约束条件；lb
k-n
、ub
k-n
为各目标函数需要满足的边界条件。
[0049]
以麦弗逊悬架为例阐述建立悬架层级分解架构的方法。参见图4，麦弗逊式悬架由螺旋弹簧、减振器、三角形下摆臂组成，大部分车型还会加上横向稳定杆。麦弗逊式悬架的振动传递路径主要有三条，传递路径一：转向节——下摆臂前衬套——至车身。传递路径二：转向节——下摆臂后衬套——车身。传递路径三：转向节——减振器——车身。
[0050]
首先分析传递路径一，由路面传递到转向节的激励通过转向节和下摆臂连接球铰衬套传递到下摆臂，下摆臂振动再通过前后衬套传递至车身侧，由此建立悬架与车身接附点振动即前副车架前安装点被动侧振动的层级分解架构。参见图5，第一层级为前副车架前安装点被动侧振动加速度，第二层级包括前摆臂前安装点主动侧振动加速度和前摆臂前衬套动刚度，第三层级包括前转向节振动加速度、前摆臂与转向节连接球铰衬套动刚度。
[0051]
同理，由对传递路径二的分析可建立悬架与车身接附点振动即前副车架后安装点被动侧振动的层级分解架构。参见图6，第一层级为前副车架后安装点被动侧振动加速度，第二层级包括前摆臂后安装点主动侧振动加速度和前摆臂后衬套动刚度，第三层级包括前转向节振动加速度、前摆臂与转向节连接球铰衬套动刚度。
[0052]
对于传递路径三，转向节振动通过前减振器、前支柱上安装衬套和螺旋弹簧传递至车身侧，由此建立悬架与车身接附点振动即前减振器上安装点被动侧振动的层级分解架构。参见图7，第一层级为前减振器上安装点被动侧振动加速度，第二层级包括前转向节振动加速度、前减振器速度-阻尼、前支柱上安装衬套动刚度、前弹簧刚度。
[0053]
根据上述分析结果建立麦弗逊式悬架层级分解架构，结果参见图8所示。其它类型悬架层级分解架构的搭建方式可参照麦弗逊式悬架进行。
[0054]
在麦弗逊式悬架层级分解架构建立的基础上，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。以前麦弗逊悬架，后多连杆悬架车型为例，其整车路噪性能层级分解架构如图9所示。
[0055]
参见图9，路噪多层级分解架构可分解为四个层级，第一层级为驾驶员右耳噪声，第二层级为悬架与车身接附点被动侧振动响应，具体包括前副车架前安装点被动侧振动加速度、前副车架后安装点被动侧振动加速度、前减振器上安装点被动侧振动加速度、后纵臂前衬套被动侧振动加速度、后副车架前安装点被动侧振动加速度、后副车架后安装点被动侧振动加速度、后下摆臂内侧被动侧振动加速度、后弹簧被动侧振动加速度、后减振器被动侧振动加速度。
[0056]
第三层级为悬架与车身接附点主动侧振动响应、悬架部件动力学参数，第四层级为来自转向节振动激励和球铰衬套动力学参数。其分解原则为：上层级的设计目标(噪声或
振动)向下分解为相邻下层级的激励(振动)与连接元件动力学参数(衬套刚度、弹簧刚度、减振器阻尼等)，第三层级包括前摆臂前安装点主动侧振动加速度、前摆臂前衬套动刚度、前摆臂后安装点主动侧振动加速度、前摆臂后衬套动刚度、前减振器速度-阻尼、前支柱上安装衬套动刚度、前弹簧刚度、后纵臂衬套动刚度、后横向拉杆主动侧振动加速度、后横向拉杆内侧衬套动刚度、后横向控制臂主动侧振动加速度、后横向控制臂内侧衬套动刚度、后下摆臂内侧主动侧振动加速度、后下摆臂内侧衬套动刚度、后弹簧刚度、后弹簧上橡胶垫圈刚度、后弹簧下橡胶垫圈刚度、后减振器上安装衬套动刚度、后减振器速度-阻尼。第四层级包括前摆臂与转向节连接球铰衬套动刚度、前转向节振动加速度、后转向节振动加速度、后横向拉杆与转向节连接衬套动刚度、后横向控制臂与转向节连接衬套动刚度、后下摆臂与转向节连接衬套动刚度。
[0057]
s2，基于s1所构建的整车路噪性能层级分解架构，采集相关训练样本数据，为建立路噪预测及分析模型提供学习样本。训练样本数据通过道路试验、仿真分析、或者试验与仿真相结合等方式获取，具体可根据项目实际情况进行选择。本实施例通过道路试验的方式对试验车辆进行噪声和振动数据采集。根据整车路噪性能层级分解架构，在转向节位置，悬架与车身接附点的车身端和悬架端布置三向加速度传感器，在车内驾驶员右耳处布置声压传感器，测试工况为粗糙沥青路面匀速60km/h，试验过程按照相应的试验规范执行，最终测得麦克风的声压信号和所有三向加速度传感器的振动信号。
[0058]
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。
[0059]
机器学习模型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。基于机器学习模型开展路噪分析，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。
[0060]
由于机器学习模型的准确度影响最终分析结果，因此，模型的选取和模型参数的设置十分重要。为了较好地拟合出设计变量和设计目标之间的非线性特性，一般选择非线性能力较强的bp神经网络模型、广义回归神经网络模型grnn、极限学习机模型elm、支持向量回归模型svr、深度信念网络模型dbn中的至少一种进行映射。为了获得较好的模型参数，可结合智能优化算法如遗传算法、粒子群算法、模拟退火算法等进行模型参数寻优。不同模型在计算精度和计算效率上各有优势，需根据项目需要选择合适的机器学习模型。
[0061]
由于支持向量回归模型svr能很好地解决小样本、非线性、维数灾难及局部极小等实际问题，计算效率较高的同时还保证了准确性，本实施例选择支持向量回归模型svr构建路噪预测及分析模型。
[0062]
支持向量回归svr是一种基于统计学习理论和结构风险最小化原理的机器学习方法，其回归模型表达公式为：式中，f(x)为路噪预测模型输出的结构声路噪，m为所述路噪预测模型所使用的训练样本数据集中样本点的数量，αi和为拉格朗日乘子，k(xi,xj)为核函数，b为偏置值。
[0063]
本实施例选择径向基函数(radial basis functioon,rbf)为核函数，其表达式为：
[0064]
k(xi,xj)＝exp(-γ||x
i-xj||2),γ＞0；
[0065]
式中，xi为训练路噪预测模型所使用的第i个样本点数据；γ为rbf核宽度。
[0066]
在完成基础路噪数据采集及处理后，基于s1所构建的整车路噪性能层级分解架构和svr算法搭建路噪预测及分析模型。
[0067]
模型搭建完成后，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。
[0068]
s4，基于训练后的整车路噪预测及分析模型，在保证模型精度的前提下，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。
[0069]
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。参见图10所示的可视化界面，图中线条颜色的深浅表示各层级灵敏度的大小，颜色越深说明其灵敏度越高，这样直观的结果图有利于工程师快速的找出灵敏度相对较高的路径，从而便于后续针对某一路径进行具体分析。
[0070]
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，报告生成过程不需要人工参与，提升了工作效率。报告生成后，工程师可根据项目需要实时查看报告或将报告转存至指定路径，便于留档或后续查看。
[0071]
由于路噪涉及整车这个复杂的系统,难以通过输入-输出双层级模型进行预测分析，本发明提出路噪多层级分解方法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。
[0072]
本发明中的灵敏度分析方法并不局限于底盘参数对路噪的灵敏度分析，该方法既可用于车辆各部件振动水平及车内噪声水平的评估、高敏感参数识别、主要传递路径识别，亦可用于车辆操纵稳定性、平顺性、耐久性等车辆其它性能的分析与主要传递路径识别，并可扩展至其它领域。其关键在于层级分解架构的搭建，机器学习模型的选取及搭建，灵敏度分析软件和交互界面的开发。本发明提出的灵敏度分析方法和系统对于车辆其它性能乃至其它领域各种目标灵敏度的分析同样具有借鉴意义。
[0073]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。