[發明專利]一種怠速工況下NVH評價結果預測方法有效
| 申請號: | 202111112019.1 | 申請日: | 2021-09-18 |
| 公開(公告)號: | CN113702071B | 公開(公告)日: | 2022-08-16 |
| 發明(設計)人: | 裴永生;陳巖;楊晉;黃欽明 | 申請(專利權)人: | 燕山大學 |
| 主分類號: | G01M17/007 | 分類號: | G01M17/007;G06N3/04;G06N3/08 |
| 代理公司: | 北京市誠輝律師事務所 11430 | 代理人: | 成丹;耿慧敏 |
| 地址: | 066004 河北*** | 國省代碼: | 河北;13 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 工況 nvh 評價 結果 預測 方法 | ||
1.一種怠速工況下NVH評價結果預測方法,其特征在于,所述方法包括:
獲取待測車輛怠速工況下的怠速時域信號;其中,所述待測車輛怠速工況包括所述待測車輛怠速工況時空調關工況及空調開工況;
將所述怠速時域信號轉換為怠速頻域信號;
基于預設階次頻率劃分表,提取所述怠速頻域信號的頻率和階次的特征值;其中,所述預設階次頻率劃分表包括聲音信號和振動信號的階次頻率劃分,其中,聲音信號將主階次、次主階次、次次主階次作為三組階次特征,將0-20000HZ、0-50HZ、50-150HZ、150-300HZ、300-800HZ、800-2000HZ、2000-8000HZ作為七組頻率特征;振動信號一階、主階次、次主階次、次次主階次作為四組階次特征,0-200HZ、0-80HZ、80-200HZ作為三組頻率特征;
將所述頻率和階次的特征值輸入預建神經網絡模型中,預測得到所述待測車輛怠速工況下的NVH評價結果;
其中,所述獲取待測車輛怠速工況下的怠速時域信號,包括:
預熱所述待測車輛;
所述待測車輛在消音環境下,關閉所述待測車輛的空調,所述待測車輛怠速工作第一時長后,獲取所述空調關工況下的第一怠速時域信號;
將所述待測車輛的空調檔位調至 制冷最低檔,所述待測車輛怠速工作第二時長后,獲取所述空調開工況下的第二怠速時域信號;
將所述第一怠速時域信號和所述第二怠速時域信號,作為所述怠速時域信號。
2.根據權利要求1所述的方法,其特征在于,所述消音環境中環境噪聲小于或等于25dB,環境溫度的范圍為0-40℃。
3.根據權利要求1或2所述的方法,其特征在于,所述怠速時域信號包括聲音時域信號和振動時域信號。
4.根據權利要求3所述的方法,其特征在于,所述聲音信號采用A計權處理。
5.根據權利要求1所述的方法,其特征在于,所述預建神經網絡模型的構建,包括:
獲取若干怠速工況下的怠速訓練時域信號;
將所述怠速訓練時域信號轉換為怠速訓練頻域信號;
基于所述預設階次頻率劃分表,提取所述怠速訓練頻域信號的頻率和階次的特征值;
獲取與每個所述怠速訓練時域信號對應的主觀評價分數,每個所述怠速訓練頻域信號提取出的頻率和階次的特征值及對應的所述主觀評價分數,構成一個訓練數據,所有所述訓練數據構成訓練集;
基于所述訓練集訓練BP神經網絡模型,得到所述預建神經網絡模型。
6.根據權利要求5所述的方法,其特征在于,所述基于所述訓練集訓練BP神經網絡模型,得到所述預建神經網絡模型,包括:
基于所述訓練集訓練所述BP神經網絡模型,直至預測誤差小于預設閾值,停止訓練,得到所述預建神經網絡模型。
7.根據權利要求5或6所述的方法,其特征在于,所述BP神經網絡模型包括68個輸入層、15個隱含層、及1個輸出層;所述隱含層的傳遞函數采用tan-sigmoid;所述隱含層到所述輸出層的傳遞函數采用purelin。
8.根據權利要求1或2所述的方法,其特征在于,所述待測車輛包括四缸內燃機車輛和六缸內燃機車輛。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于燕山大學,未經燕山大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202111112019.1/1.html,轉載請聲明來源鉆瓜專利網。





