为了降低车室低频噪声,采用对声学贡献较大的车室地板、后地板、前围板、顶棚、前车门内板及后车门内板的厚度参数为因子,以车身质量、车身模态频率、驾驶员头部处声压峰值和声压均方根值为响应,采用最优拉丁超立方试验设计方法采集样...为了降低车室低频噪声,采用对声学贡献较大的车室地板、后地板、前围板、顶棚、前车门内板及后车门内板的厚度参数为因子,以车身质量、车身模态频率、驾驶员头部处声压峰值和声压均方根值为响应,采用最优拉丁超立方试验设计方法采集样本数据进行因子空间设计。利用径向基神经网络方法,建立了4个响应关于6个因子的误差小、精度高的近似模型,并对所建立的近似模型进行误差分析。以驾驶员头部处声压峰值最小为目标函数,板件厚度参数为自变量,驾驶员头部处声压均方根值、车身质量和车身模态频率为约束条件。采用自适应模拟退火算法对板件厚度进行优化设计,其优化结果表明,驾驶员头部处最大声压峰值所在的频率158 Hz处的声压降低了4.45 d B,134 Hz处的声压峰值降低了5.47 d B,在其他声压峰值较高的频率处,测点声压均有不同程度降低,说明在满足约束条件同时,通过优化有效地降低车室空腔噪声,提高车辆的声学舒适性。展开更多
文摘为了降低车室低频噪声,采用对声学贡献较大的车室地板、后地板、前围板、顶棚、前车门内板及后车门内板的厚度参数为因子,以车身质量、车身模态频率、驾驶员头部处声压峰值和声压均方根值为响应,采用最优拉丁超立方试验设计方法采集样本数据进行因子空间设计。利用径向基神经网络方法,建立了4个响应关于6个因子的误差小、精度高的近似模型,并对所建立的近似模型进行误差分析。以驾驶员头部处声压峰值最小为目标函数,板件厚度参数为自变量,驾驶员头部处声压均方根值、车身质量和车身模态频率为约束条件。采用自适应模拟退火算法对板件厚度进行优化设计,其优化结果表明,驾驶员头部处最大声压峰值所在的频率158 Hz处的声压降低了4.45 d B,134 Hz处的声压峰值降低了5.47 d B,在其他声压峰值较高的频率处,测点声压均有不同程度降低,说明在满足约束条件同时,通过优化有效地降低车室空腔噪声,提高车辆的声学舒适性。
