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

汽車振動(dòng)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(dòng)產(chǎn)生的兩個(gè)主要來源是來自發(fā)動(dòng)機(jī)/變速器和輪胎與地面的接觸?？紤]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(dòng)變化之間的關(guān)系。通過對噪聲和振動(dòng)的影響因素進(jìn)行數(shù)據(jù)分析來獲得二者變化趨勢?；诰垲惡头诸惖姆椒ㄌ岢隽岁P(guān)于噪聲與振動(dòng)評價(jià)方法的模型。

基于回歸分析和方差分析證明了車內(nèi)振動(dòng)和噪聲主要是由于路面對輪胎作用的激勵(lì)而產(chǎn)生的。同時(shí)還表明，道路表面的粗糙度會(huì)顯著影響到暴露振動(dòng)，同時(shí)會(huì)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(dòng)機(jī)轉(zhuǎn)速變化相一致，利用統(tǒng)計(jì)數(shù)據(jù)分析是必要的。因此，最佳結(jié)構(gòu)的車身設(shè)計(jì)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(dòng)水平進(jìn)行聚類和分類。通過噪聲和振動(dòng)的變化趨勢，所提出的模型能夠區(qū)分振動(dòng)和噪聲之間的舒適度，就噪聲和振動(dòng)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(jià)噪聲與振動(dòng)水平的最好方法。主觀評價(jià)仍然是評價(jià)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(jià)時(shí)，該方法替代主觀評價(jià)方法可作為評價(jià)噪聲和振動(dòng)水平的一個(gè)可選方法。因此，隨著試驗(yàn)的進(jìn)行可以排除受偏見和差異影響的主觀評價(jià)。此外，混合遺傳算法-線性判別式分析利用噪聲和振動(dòng)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?yàn)槠渚_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