排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
2.
一种用于车内结构声源辨识的方法 总被引:1,自引:0,他引:1
结合“声学互易性原理”及车内噪声有限元分析,提出一种车内结构声源辨识的方法。该方法可以摆脱对试验的依赖,因而能够应用于车身结构的图纸设计阶段。然后,采用该方法对某型国产轿车的车内结构声源进行辨况,发现对驾驶员右耳位置处噪声贡献最大的车身结构板块为右前车项,这一结论与采用相关分析法所得结论相一致。最后,基于车内降噪优化模型对右前车顶进行降噪处理,获得了明显的降噪效果。 相似文献
3.
4.
针对人工经验提取特征进行减振器异响鉴别的复杂性与不可扩展性的问题,分析了深度信念网络(deep belief networks,DBNs)在减振器异响鉴别中的应用,并结合减振器整车与台架试验提出了完整的减振器异响鉴别流程.该方法只需将收集到的减振器活塞杆顶端振动加速度信号作为输入,经过DBNs模型逐层特征学习便可进行减振器异响鉴别.同时将鉴别结果与经典的BP神经网络、支持向量机以及传统的3种人工特征提取方法进行对比分析.结果表明:在输入仅为原始信号的条件下,深度信念网络模型对减振器异响鉴别的准确率为96.7%,表明了深度信念网络在减振器异响甄别中的优越性,具有广泛的工程应用前景. 相似文献
5.
6.
7.
8.
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。 相似文献
9.
10.
为了研究汽车声学包设计参数对其多性能目标的影响,首先,改进了传统的深度信念网络(DBNs)方法,并提出SVR-DBNs (support vector regression-deep belief networks)模型,提升了模型映射的准确度;其次,从车辆噪声传递关系与层级目标分解角度出发,提出了一种多层级目标预测与分析方法;最后,将所提方法应用于具体车型的前围声学包性能、重量与成本多目标预测与优化分析.研究结果表明:SVR-DBNs方法对前围声学包性能、重量与成本目标预测准确度均在0.975以上,优于传统的反向传播神经网络(BPNN)、SVR与DBNs模型;基于SVR-DBNs模型的优化结果与实测结果接近,两者加权目标相对误差为1.09%(平均传递损失(MTL)、重量和成本相对误差绝对值分别为1.44%、1.04%与0.71%),优化后的实测结果较前围声学包原始状态性能、重量和成本分别提升了5.51%、9.01%与4.40%. 相似文献