基于声固耦合非线性系统的汽车车内噪声计算研究

采用具有线性和非线性连接子结构的自由界面模态综合法，建立整车系统声固耦合非线性动力学模型。用该模型对发动机激励产生的车内噪声进行数值仿真，并通过试验对仿真结果进行验证。     

基于声固耦合的车内噪声分析

在介绍车室声腔声学系统建模方法和声固耦合系统有限元方程式的基础上,针对某轿车建立了车室声固耦合有限元模型。利用Abaqus对白车身结构,车内声腔结构以及声固耦合模型进行了模态分析,并通过对耦合前后模型的模态对比,得到了对车身振动以及噪声影响最大的频率段。同时通过模拟实验条件对声固耦合模型施加正弦激励,得到车内噪声声压场分布,从而为以后车内NVH性能的改进提供了参考。     

神经网络技术在车内噪声预测上的应用

本文根据神经网络理论，建立了单一工况下由发动机悬置点振动信号预测车内特定点低频噪声的神经网络模型，并针对驾驶员耳旁噪声进行了实验研究，结果表明：基于神经网络的单一工况车内噪声观测模型，可以频域内很好地预测出特定点的车内噪声。     

悬架系统对轿车车内噪声的影响预测

轿车车内噪声直接影响其乘坐的舒适性，已成为企业亟待解决的问题，本文利用新车设计阶段所能获得的汽车车身及悬架系统基本参数，运用ＭＡＴＬＡＢ＆ＡＮＳＹＳ软件对车内噪声进行预测，并就桑塔纳２０００型轿车进行了建模预测及试验验证，获得了较好的效果。     

车身结构振动与车内噪声耦合的研究

本文介绍了汽车车身结构振动和乘座室空腔内部噪声的模态分析方法，并利用声－固耦合理论对车身结构振动与车内噪声之间的耦合关系进行了研究，为降低由结构振动所引起的车内低频噪声提供了结构修改和声学修改的措施。     

基于台架的真空泵车内噪声计算方法研究

真空泵噪声问题是电动汽车突出问题之一,如何基于台架噪声预测真空泵车内噪声成为一项重要的研究课题。基于台架噪声声源转换,结合声传函(Acoustic Transfer Function,ATF)测试结果,推导了真空泵车内噪声的计算公式,并进行试验验证。试验结果表明,该计算方法准确有效,与试验误差在1.5dB(A)左右。该计算方法对车辆噪声子系统目标分解选型具有重要参考价值。     

用选择性声强技术识别车内噪声及其成因

识别车内噪声的方法有许多。其中,将测试部位噪声信号作为参考信号,与噪声源的声强进行相关分析以确定声源的位置和响应频谱的方法称为选择性声强技术。本文运用此技术,通过对国产轿车给定工况下的测试分析,确定出试验车发动机舱内最大噪声的位置和驾驶员耳旁辐射噪声产生的原因,为进一步降低该车噪声提供了参考依据。     

基于ATV的车内低频噪声贡献量分析与改进

在研究汽车车内噪声的过程中,判断低频噪声的主要来源和降低车内低频噪声水平是一个难点。运用声传递向量（ATV）技术,以某轿车为例,建立车内声学空腔边界元模型,对车内低频噪声进行仿真;通过对声传递向量以及声压频响函数的计算,进一步对低频段的噪声贡献量分析,为判断低频噪声的主要来源提供了一种分析方法。选取车内驾驶员右耳畔声压响应的6个峰值点,采用幅值—相位图对场点声压进行模拟,对车身板件声学贡献量进行排序,发现防火墙和前挡风玻璃的结构振动对车内低频噪声的产生可能有重要影响,为进一步的改进提供一定的参考依据。改进设计后,车内低频噪声水平得到一定程度抑制。     

基于声学传递向量法的车内低频噪声分析与控制

基于声学传递向量(ATV)法对声学贡献问题分析进行了分析和讨论;针对某型轿车建立了车内空腔的有限元和边界元模型,并将边界元方法与ATV法结合起来研究了车身板件声学贡献的特点和确定方法;在此基础上对车内噪声进行了分析与控制.     

车内低频振动噪声的虚拟传递路径分析

传递路径分析法是诊断汽车振动噪声问题准确有效的方法。试验传递路径分析耗时耗力且需要实制样车,为在整车开发初期诊断汽车振动噪声问题,对整车虚拟传递路径分析法进行了研究。首先建立了包含底盘的整车声固耦合有限元模型,采用频率响应法预测车内声学振动响应,发现驾驶员右耳声压在38 Hz处以及驾驶员座椅导轨振动在59 Hz处存在较大峰值。在有限元模型基础上建立了整车虚拟传递路径分析模型,该模型合成的声学振动结果与频率响应法结果吻合较好,验证了模型的正确性。利用虚拟传递路径法对两处峰值作诊断分析,根据分析结果对贡献量大的路径进行优化。优化结果表明,38 Hz处驾驶员右耳声压降低2 dB,59 Hz处座椅振动改善效果明显。     

加速工况下车内噪声品质烦躁度的评价研究

以9种B级轿车从50→120 km/h加速时的噪声信号为评价对象,采用等级评分方法对车内噪声品质烦躁度进行了主观评价试验.分析计算了各噪声样本的主要心理声学客观参数,并通过相关分析和多元线性回归分析,建立了车内噪声品质烦躁度评价的数学模型.结果表明,在加速工况下影响B级轿车车内噪声品质烦躁度的3个参数分别为响度、粗糙度和A计权声压级.     

车内噪声品质偏好性主客观评价及相关性分析

以5种轿车典型运行工况下后排乘员耳旁噪声样本为评价对象,利用自适应分组成对比较法对车内噪声品质进行了偏好性主观评价试验。计算了各样本的主要心理声学参数,通过相关分析和线性多元回归分析,建立了以响度和尖锐度描述车内噪声品质偏好性结果的数学模型。通过各组间的关联样本将各组评价结果进行反演构建,得到的总体样本评价结果与传统成对比较法评价结果一致性好,且节省了50%的评价时间。     

动力传动系统振动特性对车内噪声影响分析

动力传动系统弯振与扭振是引起诸多后驱汽车车内轰鸣声的共性问题。某前置后驱柴油机汽车在全油门加速工况时,动力传动系统的多个耦合弯振频率及其3阶扭振造成车内多个转速下的噪声峰值。通过进行动力传动系统扭振计算分析与弯扭振试验研究,采用减小动力传动系统激励源与改变该系统弯扭刚度的方法,解决了由于动力传动系统弯扭振动特性引发的NVH问题。     

车内自适应有源消声系统次级声源布放试验

在构建车内双次级声源有源消声系统的基础上,对系统中次级声源的布放进行了试验研究,分析了双次级声源的布放、次级声源与误差传声器的相对位置对车内消声区域和消声效果的影响,确定了次级声源和误差传声器的合理布放方案。研究表明,当误差传声器与次级声源的数目相同、误差传声器位于次级扬声器的中心线上,且与次级声源相距200 mm左右时消声效果最好。讨论了不同车型车内次级声源和误差传声器布置的可行性,给出了客车、货车和轿车车内次级声源和误差传声器布放的合理方案,可为多次级声源车内有源消声系统的设计提供参考。     

基于A柱-后视镜车内气动噪声数值模拟与预测

针对后视镜引起的前侧窗与车内气动噪声问题,采用计算流体力学(CFD)方法对某商用车进行车外后视镜区域数值模拟和车内噪声预测的研究。稳态分析采用RANS模型中SST(Menter)k-ω模型,瞬态分析采用基于SST(Menter)k-ω的分离涡模拟(DES);通过分析后视镜侧窗区域的稳态静压力与瞬态动压力、速度和涡量云图,揭示了因A柱后视镜而产生车窗表面的湍流压力脉动的机理;同时求解瞬态流场获得两侧车窗表面湍流压力脉动载荷。采用声学FEM方法将车窗表面湍流压力脉动作为边界条件来计算气动噪声的传播,基于车内声学空间不同频率的声压级云图分布规律,说明了车内气动噪声主要集中在中低频段和声压级最大的分布区域;驾驶员左耳旁声压级曲线展示了20-2500 Hz频段内声压级变化规律。最后进行实车道路滑行测试,证实了气动噪声在车速80-110 km/h时较为明显的结论;采用CFD结合声学有限元的方法可较为准确地预测车内100-2500 Hz气动噪声的声压级,为优化后视镜、降低驾驶室内气动噪声提供仿真和试验的技术方案。     

汽车气动噪声外辐射声场的数值仿真

从Lighthill声类比理论出发,将流体动力学技术与边界元法结合起来,在某轿车边界元模型中,导入流场边界脉动压力数据,并经转换和计算获得汽车表面附近的气动偶极子声源边界条件;采用直接边界元算法进行汽车气动噪声外辐射声场的数值仿真.结果表明:轿车表面的偶极子声源强度随频率增大而降低;在120km/h车速和2000Hz频率时后视镜附近声场的气动噪声声压级可达78dB左右;在同一频率下,轿车在纵向对称面上的气动声源辐射强度要大于地平面上的气动声源辐射强度.     

基于CNN和LSTM融合特征提取的车内声品质评价模型研究

基于深度学习方法建立的车内声品质评价模型不需要高度依赖声学理论和经验知识,可以有效提取深层次特征,客观高效地获得符合主观感受的评价结果。为获取噪声中符合人耳对声音感受的频率信息,便于在深度学习中进行特征提取,采用对数梅尔频谱和时频遮掩相结合的方法对采集到的噪声样本进行预处理。为有效提取车内噪声深层次特征,融合卷积神经网络（Convolution Neural Network,CNN）和长短时记忆网络（Long Short-Term Memory Network,LSTM）各自的优点,建立了融合特征提取层。使用全连接和Softmax输出单元组合构建了分类器模块。在合适的超参数下,模型通过充足的训练获得了96.88%的训练准确度。使用大量样本对模型进行验证,得到93.69%的验证准确度;采用混淆矩阵对模型进一步验证,总体的预测评价等级与真实评价等级偏差不大,证明模型的预测结果与主观评价结果具有很好的一致性。     

支持向量机在汽车加速车内声品质预测中的应用

应用支持向量机方法对汽车加速时车内声品质进行预测。以噪声样本的响度、尖锐度、粗糙度、AI指数等客观评价参量作为输入因子,主观烦躁度评价结果作为输出因子,利用支持向量机回归方法建立了汽车加速车内声品质的预测模型。对比结果表明,与多元线性回归模型相比,基于支持向量机的汽车加速车内声品质预测模型能够更准确地反映客观评价参量与主观烦躁度之间的非线性映射关系,预测精度更高。