汽车噪声控制技术的最新进展与发展趋势

对汽车噪声控制技术领域的最新进展及发展趋势进行综述,包括噪声控制技术在汽车新产品设计中的应用(整车级别的声学品质目标设定、系统和元件级别的声振特性目标设定)、NVH仿真分析的置信度、NVH虚拟环境技术、车辆噪声控制的材料及结构技术等相关主题。     

一种用于车内结构声源辨识的方法

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。     

ABS最佳滑移率控制算法的增益修正研究

针对汽车ABS最佳滑移率控制中的控制结果最优化问题,提出了在控制算法中添加增益环节以进行修正的新方法:通过在实际滑移率和轮缸压力控制输出环节中引入增益系数,并采用响应面方法拟合增益系数和制动距离之间的定量关系,从而求出增益系数的最佳值,使系统滑移率控制的迟滞现象得到有效缓解.在MATLAB/Simulink环境下建立了相应的仿真模型,并以富康988EXC1型轿车为例,验证了所提方法的有效性.     

基于DBNs的车辆悬架减振器异响鉴别方法

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.      

汽车悬架减振器结构传递异响的试验研究

针对某型轿车减振器异响的特点,设计并进行了减振器整车道路试验,以找出减振器产生异响的成因.为进一步确认异响产生的部位,以及探索在减振器试验台上实现对此种异响的检测方法,设计了减振器单体台架试验.该试验采用单频率正弦信号对异响减振器进行激励.试验结果表明,该轿车减振器异响为活塞杆异常振动激发车身振动,并辐射到车内的结构传...     

声子晶体在汽车NVH领域的应用前景

论文从声子晶体的基本概念及特征着手,简要介绍了声子晶体的结构、禁带以及缺陷态理论,并进一步探讨了声子晶体在汽车NVH领域的应用前景.     

基于AI选型的汽车悬架系统参数化设计流程构造

建立了用于汽车悬架系统选型的多层前馈型人工神经网络模型,它采用自适应调整的BP算法。选型推理的依据有：轴距、前轮距、后轮距、整备质量、驱动形式、最高车速、制动形式、发动机最大功率和发动机排量。推理结果为前、后悬架的具体型式。经测试,其与实际情况的吻合率,对前悬架达到了100％,对后悬架达到了70％。进而开发出典型悬架型式的三维参数化设计模板,并集成相关技术环节,构造出基于AI选型的悬架系统参数化设计的一般流程。     

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CAN-BUS的电控悬架与助力转向系统集成研究

为克服汽车底盘各电控单元分立控制所带来的局限性,依托CAN-BUS组建车载网络,从而形成了单元之间的数据传输与共享机制.在此背景下,提出了电控悬架与助力转向单元的系统集成方案,进而完成了相应的CAN-BUS控制节点设计.其中,分别在原有分立控制算法的基础上,建立了电控悬架与助力转向单元的控制系统模型,并通过整车转向动力学模型将因转向而引发的车身侧倾效应导人到了电控悬架单元中加以控制,由此实现了单元的协同控制.最后,通过仿真分析验证系统集成方案的有效性.     

面向多层级目标的汽车前围声学包优化研究

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%.