技术特征：
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、支持向量回归模型、深度信念网络模型中的至少一种。5.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。6.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：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。7.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：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。8.根据权利要求7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：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。
技术总结
本发明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。
技术研发人员：贾小利 杨亮 余雄鹰 李兴泉
受保护的技术使用者：重庆长安汽车股份有限公司
技术研发日：2022.04.29
技术公布日：2022/8/8