混合动力汽车动力耦合机构处噪声声品质预测

发布时间：2020-03-31 15:08

【摘要】：目前混合动力汽车作为过渡产品在新能源汽车行业占有较大的市场,但是由于动力耦合机构动力源较多、模式切换频繁影响汽车的声品质,这已经成为汽车行业NVH(Noise,Vibration and Harshness)研究的主要课题之一。本文主要研究混合动力汽车动力耦合机构处噪声声品质客观评价方法、主观评价方法和评价模型。采用互补总体经验模态分解(CEEMD)和希尔波特变换(HT)提取声样本的客观参量;采用成对比较法进行主观偏好性评价,最终建立相关向量机(RVM)评价模型。可以利用这个评价模型预测动力耦合机构处噪声的声品质。论文首先研究混合动力汽车动力耦合机构处噪声声品质的主观评价方法。在无人公路上采集稳态工况和非稳态工况动力耦合机构处的噪声信号为样本;利用Artemis对声样本进行预处理;利用成对比较法进行主观偏好性评价;利用SPSS软件对主观评价的结果进行相关性分析。接着利用Artemis软件计算各个声样本的音调度、波动度、响度、粗糙度、尖锐度5个心理声学客观参量;分析主观偏好性和各个客观参量之间的相关性。然后,提出一种基于CEEMD和HT的混合动力汽车动力耦合机构处噪声声品质的客观评价方法。在研究经验模态分解(EMD)、集总经验模态分解(EEMD)和HT基本理论的基础上,利用一组仿真信号证明CEEMD算法可以有效减少EMD算法的模态混叠和EEMD算法的重构误差现象;利用一组仿真信号证明HT算法在时频联合域上时间和频率上的定位优于连续小波变换(CWT);这个客观评价方法将采集到的声样本进行滤波和CEEMD分解,接着基于HT计算分解后相应本征模态函数(IMF)的瞬时频率并进行临界频率带计权,将临界频率带计权能量值作为新的声品质评价的客观参数。最后研究混合动力汽车动力耦合机构处噪声声品质的评价模型。基于提出的客观参数分别建立多元线性回归(MLR)、BP神经网络和RVM声品质评价模型,比较三个模型的预测结果;分别基于心理声学客观参量和提出的客观参量建立RVM声品质评价模型,比较两者的预测精确度。最终的结果表明基于CEEMD-HT和RVM的声品质评价模型的预测精确度更高,更能全面反映混合动力汽车动力耦合机构处噪声的特征,也更加符合评价主体的主观感受。
【图文】：

图 2.1 混合动力汽车行星齿轮机构Fig.2.1 Planetary gear mechanism of hybrid electric vehicle

图 2.2 人听觉系统的结构图Fig.2.2 Structure of human auditory system和计权声压级耳判别声音强度等级大小的参数，记为 N，，单位是宋(Sone)，
【学位授予单位】：江苏大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U469.7

【参考文献】

相关期刊论文 前10条

1 杨川;于德介;徐亚军;;基于EMD与BP神经网络的汽车关门声品质预测[J];汽车工程;2013年05期

2 高印寒;唐荣江;梁杰;赵彤航;张澧桐;;汽车声品质的GA-BP神经网络预测与权重分析[J];光学精密工程;2013年02期

3 刘海;张俊红;倪广健;毕凤荣;刘昱;;基于遗传支持向量机的柴油机辐射噪声品质预测技术[J];振动与冲击;2013年02期

4 高印寒;唐荣江;梁杰;樊宽刚;张澧桐;钱X;;基于径向基函数神经网络的车内噪声品质评价系统[J];吉林大学学报(工学版);2012年06期

5 高印寒;唐荣江;梁杰;赵彤航;卢炳武;姜文君;;基于m伪随机序列的车内空传噪声传递特性辨识[J];吉林大学学报(工学版);2012年06期

6 刘灏;;听觉的“欺骗”效应——心理声学中的声音掩蔽[J];齐鲁艺苑;2012年01期

7 石岩;舒歌群;毕凤荣;;车辆排气噪声声音品质的主观评价与模型预测[J];天津大学学报;2011年06期

8 王敏;乔立山;;一种基于相关向量机的白细胞检出新方法(英文)[J];Transactions of Nanjing University of Aeronautics & Astronautics;2010年03期

9 王杰;张承云;蔡阳生;彭妙颜;曾维坚;;语言清晰度评价指标的实验研究[J];电声技术;2008年04期

10 毛东兴;王勇;姜在秀;;车内噪声品质低沉度参量的数学模型(英文)[J];声学技术;2006年06期

相关会议论文 前1条

1 焦风雷;刘克;毛东兴;;车内噪声声品质研究与相似性空间表示NMDS[A];中国声学学会2005年青年学术会议[CYCA'05]论文集[C];2005年

相关硕士学位论文 前2条

1 李光辉;基于希尔伯特黄变换及其改进方法的信号分析研究与应用[D];成都理工大学;2012年

2 童翔威;RBF神经网络在数据挖掘中的应用研究[D];中南林业科技大学;2009年

本文编号：2609235