基于數(shù)據(jù)聚類和混合分類模型的車內(nèi)噪聲與振動水平評估

?

基于數(shù)據(jù)聚類和混合分類模型的車內(nèi)噪聲與振動水平評估

汽車振動和聲學(xué)舒適性是吸引客戶購買汽車的重要標(biāo)準(zhǔn)，其在某種程度上影響駕駛者的表現(xiàn)。振動產(chǎn)生的兩個主要來源是來自發(fā)動機(jī)/變速器和輪胎與地面的接觸。考慮到輪胎與地面的接觸影響，研究了噪聲的聲品質(zhì)與車內(nèi)特定部位的振動變化之間的關(guān)系。通過對噪聲和振動的影響因素進(jìn)行數(shù)據(jù)分析來獲得二者變化趨勢。基于聚類和分類的方法提出了關(guān)于噪聲與振動評價方法的模型。

基于回歸分析和方差分析證明了車內(nèi)振動和噪聲主要是由于路面對輪胎作用的激勵而產(chǎn)生的。同時還表明，道路表面的粗糙度會顯著影響到暴露振動，同時會影響車內(nèi)噪聲的產(chǎn)生。在這種情況下，為了識別出車內(nèi)某部分與發(fā)動機(jī)轉(zhuǎn)速變化相一致，利用統(tǒng)計數(shù)據(jù)分析是必要的。因此，最佳結(jié)構(gòu)的車身設(shè)計應(yīng)考慮與車內(nèi)聲學(xué)控制密切相關(guān)的因素。

所提出的分層聚類算法和混合遺傳算法（神經(jīng)網(wǎng)絡(luò)與線性判別式分析）兩種算法能夠基于提供的數(shù)據(jù)有效地對噪聲和振動水平進(jìn)行聚類和分類。通過噪聲和振動的變化趨勢，所提出的模型能夠區(qū)分振動和噪聲之間的舒適度，就噪聲和振動而言分為5組，分別是非常令人愉快的、較令人愉快、適中、較令人煩躁、非常令人煩躁。

這種基于聚類和分類的方法不能作為評價噪聲與振動水平的最好方法。主觀評價仍然是評價車內(nèi)噪聲環(huán)境的最佳方法。在車廂內(nèi)沒有進(jìn)行主觀評價時，該方法替代主觀評價方法可作為評價噪聲和振動水平的一個可選方法。因此，隨著試驗的進(jìn)行可以排除受偏見和差異影響的主觀評價。此外，混合遺傳算法-線性判別式分析利用噪聲和振動的輸入數(shù)據(jù)已成功定位對聲振的煩惱度。由結(jié)果可知，混合遺傳算法-線性判別式分析對比混合遺傳算法-神經(jīng)網(wǎng)絡(luò)具有較高的效率，因為其精確率較高。

刊名：Applied Acoustics（英）

刊期：2015年第87期

作者：Z.M. Nopiah et al

編譯：郭永奇