[发明专利]车内结构声路躁预测方法、装置、车辆及可读存储介质

说明书

本发明涉及一种车内结构声路躁预测方法、装置、车辆及可读存储介质、包括，获取影响车内结构声路躁的影响因子数据；将影响因子数据输入至预先训练好的CNN‑SVR路躁预测模型；其中，CNN‑SVR路躁预测模型的模型结构包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、SVR回归输出层；利用CNN‑SVR路躁预测模型输出车内驾驶员右耳声压级。本发明基于CNN‑SVR算法的路噪预测模型，实现对车内结构声路躁的准确预测，上述CNN‑SVR路噪预测模型相较于传统整车路噪CAE模型不受制于非线性元件建模(衬套、减振器、轮胎等)、网格大小等因素的影响，从而有效避免对路躁复杂机理的研究，为产品开发和问题整改提供模型基础，进而提高工作效率。

技术领域

本发明涉及汽车NVH性能技术领域，具体涉及一种车内结构声路躁预测方法、装置、车辆及可读存储介质。

背景技术

路噪是影响汽车NVH性能的主要因素之一，亦是影响客户购买倾向的重要因素，改善路噪能有效提高产品的市场竞争力。路噪主要分为结构传播声和空气传播声，常常引起用户抱怨的“敲鼓声”、“隆隆声”、“轮胎空腔声”等多集中在20～300Hz频率范围内，主要表现为结构路径传递，研究整车路噪结构声的预测方法具有重要的工程意义。

目前，应用较为广泛的方法是通过CAE(Computer Aided Engineering)仿真方法建立整车模型开展路噪预测。CN201911017187.5《基于制动抖动和路噪性能的悬架系统多学科优化设计方法》中建立包含模态轮胎系统、底盘系统和内饰车身系统的整车有限元仿真模型，并将采集到的路面谱PSD(power spectral density)激励作为整车有限元模型的输入，开展路噪性能仿真分析。但整车有限元模型建模及计算工作量大、周期长，且涉及到轮胎、衬套、减振器等部件的非线性特性表达，存在很多参数难以获取的现实问题，模型精度难以保证。

发明内容

本发明的目的之一在于提供一种车内结构声路躁预测方法、装置、车辆及可读存储介质，基于CNN-SVR算法的路噪预测模型，实现对路躁的准确预测，从而有效避免对路躁复杂机理的研究，为产品开发和问题整改提供模型基础，进而提高工作效率。

为了实现上述目的，本发明采用的技术方案如下：

一种车内结构声路躁预测方法，其中，该方法包括：

获取影响车内结构声路躁的影响因子数据；

将影响因子数据输入至预先训练好的CNN-SVR路躁预测模型；其中，CNN-SVR路躁预测模型的模型结构包括依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、SVR回归输出层；

利用CNN-SVR路躁预测模型输出车内驾驶员右耳声压级。

进一步，在获取影响车内结构声路躁的影响因子数据之后，方法还包括：

对影响因子数据进行归一化处理和矩阵化处理。

进一步，第一卷积层的激活函数为ReLU函数，卷积核个数为16,卷积核尺寸为3×3，步长为1；

第二卷积层的激活函数为ReLU函数，卷积核个数为32,卷积核尺寸为3×3，步长为1。

进一步，第一池化层和第二池化层均采用最大值池化的方式，尺寸均为2×2，步长均为2。

进一步，影响因子数据包括轮胎转向节振动数据和底盘关重参数数据。

进一步，CNN-SVR路躁预测模型的训练过程，包括：

获取模型训练样本数据；其中，模型训练样本数据包括多个历史影响因子数据，以及对每个历史影响因子数据标记的特定车内驾驶员右耳声压级，每个历史影响因子数据均为进行归一化处理和矩阵化处理后的数据；