基于AIWF-IL评价方法的汽车声学包性能优化

基于声学超材料的地毯低频降噪设计优化及试验验证
张俊栋
【期刊名称】《上海汽车》
【年(卷),期】2024()6
【摘要】汽车行业通用的声学包设计主要通过控制噪声传播路径来减弱噪声影响:利用多孔材料和微穿孔结构吸收中高频噪声;选择高面密度材料以隔离中低频噪声。

由于低频噪声波长较长,在有限的布置空间内现有吸、隔声措施难以奏效。

声学超
材料在窄频带内具有高效的吸声效果,而通过特定的结构设计,可实现在较宽频率范
围内的高效吸声。

文章尝试在传统地毯设计中融合声学超材料,借助声学超材料频
率可设计的特点,提高了地毯的低频声学性能。

该方法可为现有地毯设计降噪措施
赋能,解决低频噪声控制痛点。

【总页数】9页(P44-52)
【作者】张俊栋
【作者单位】泛亚汽车技术中心有限公司
【正文语种】中文
【中图分类】TB5
【相关文献】
1.基于声学超材料的冰箱降噪方案设计
2.薄膜声学超材料降噪性能分析及设计
3.声学超材料在低频减振降噪中的应用评述
4.基于声学超材料的低频隔声模型设计
5.
直升机声学超材料舱壁的低频多带隙降噪特性
因版权原因，仅展示原文概要，查看原文内容请购买。

基于混合FE-SEA方法的汽车驾驶室声学包优化设计
王一鸣;卢剑伟
【期刊名称】《农业装备与车辆工程》
【年(卷),期】2024(62)3
【摘要】以某车型为研究对象,基于混合有限元——统计能量方法建立了驾驶室的中频噪声预测模型,通过实车试验,获取待测工况下的激励信号,并验证构建的驾驶室混合FE-SEA模型的准确性;然后分析车内噪声贡献度,确定声学包优化的主要方向,采用拉丁超立方设计方法,以此构建克里金近似模型。

基于遗传算法对声学包布置参数进行优化设计,并验证了优化方案效果。

结果表明,合理优化关键板件的声学包布置参数能够有效降低驾驶室噪声水平。

【总页数】5页(P61-65)
【作者】王一鸣;卢剑伟
【作者单位】合肥工业大学汽车与交通工程学院
【正文语种】中文
【中图分类】U461.4
【相关文献】
1.基于有限元——统计能量数值混响室法的声学包设计与优化
2.利用混合FE-SEA 方法的前围隔声性能优化设计
3.基于统计能量分析方法的工程车辆驾驶室声学包优化
4.某皮卡驾驶室声学包设计和结构优化
5.基于驾驶室悬置性能参数优化的载货汽车平顺性提升方法
因版权原因，仅展示原文概要，查看原文内容请购买。

机械设计与制造72Machinery Design&Manufacture第5期2021年5月基于NSGA-域算法对发动机噪声激励下的整车声学包优化李添翼12,张永仁3,甘进4，邱斌12（1.汽车噪声振动和安全技术国家重点实验室,重庆400039;2.中国汽车工程研究院股份有限公司，重庆401122；3.岚图汽车科技公司，湖北武汉430058；4.武汉理工大学，湖北武汉430070）摘要：通过整车声学包合理设计能有效的改善发动机传至车内的噪声。

基于统计能量法，利用Hypermesh和VAOne 软件搭建整车SEA模型，对比测试与仿真分析的PBNR值验证模型的精度。

前围板作为发动机到驾驶室的主要传递路径，以前围内外侧声学包材料的厚度、属性、堵孔件厚度及声学材料覆盖率为自变量，利用创建的SEA模型得到主驾右耳的PBNR值、声学材料的总质量及总价格并作为响应。

在MATLAB中建立自变量与响应间的数学模型，对各响应赋予一定权重，利用非支配排序遗传算法(NSGA-域)获得Pareto最优解。

通过SEA模型分析最优解及任意三组Pareto解的响应，验证最优解的可信性;对比原声学包响应:PBNR值提高2.0dB、总重量降低8.5%、价格降低3.6%。

分析表明，通过对SEA模型进行PBNR分析结合NSGA-域算法能快速得到整车的最优声学包设计方案。

关键词:发动机噪声;SEA模型；PBNR分析;NSGA-II算法;声学包优化中图分类号:TH16；U491.9+1文献标识码:A文章编号：1001-3997(2021)05-0072-05Vehicle Acoustic Package Optimization Under Engine NoiseExcitation Based on NSGA-II AlgorithmLI Tian-yi12,ZHANG Yong-ren3,GAN Jin4,QIU Bin1,2(1.State Key Laboratory of Vehicle NVH and Safety Technology,Chongqing400039,China;2.China Automotive Engineering Research Institute Co.,Ltd.,Chongqing401122,China;3.Dongfeng Motor Corporation,Hubei Wuhan430058,China;4.Wuhan University of Technology,Hubei Wuhan430070,China)Abstract：The vehicle interior noise transmitted from engine can be effectively optimized via the rational design of vehicle sound package.The SEA model of a car is built by using HyperMesh and VA One softwares based on the statistical energy analysis.The accuracy of the model is verified by comparing simulation PBNR with test results.As the main transfer path from the engine to the vehicle cabin,the properties and thickness of the bulkhead acoustic materials,as well as the thickness of the plugging parts will be taken as independent variables.The power based noise reduction(PBNR)qfdriver''s right ear,total weight and the total price of sound package are obtained in response by the SEA model.The mathematical model between independent variable and response is established in MATLAB,and each response is given to a certain weight,and the Pareto optimal solution is gained by using the non dominated sorting genetic algorithm(NSGA-域).By analyzing the response of the optimal solution and stochastic three Pareto solutions with SEA model,the credibility of the optimal solution is verified as pared with the original sound package,it is found that the PBNR increased by2.0dB,t he total weight decreased by 8.5%,and the price decreased by3.6%.The analysis shows that the PBNR analysis of SEA model combined with NSGA-域algorithm can quickly get the optimal sound package design scheme ofthe whole vehicle.Key Words：Engine Noise；SEA Model；PBNRAnalysis；NSGA-域；Sound Package Optimization1引言在汽车怠速及行驶时，发动机噪声对车内NVH性能有重要影响。

汽车声学包轻量化设计分析摘要：本文旨在研究汽车声学包的轻量化设计，要求在保证声学性能的前提下，尽可能实现轻量化的目标。

针对电动汽车的轻量化设计需求，综合考虑其声源分布，对电动汽车关键声学包部件进行轻量化研究。

关键词：汽车声学包；轻量化设计引言：车内噪声按照频率可分为低频、中频和高频噪声。

车内低频噪声可采用有限元法和边界元法等分析求解；而随着频率的升高，车身结构在高频段呈现出“短波长、高模态密度和高模态重叠数”等特性，导致有限元法不适用于高频噪声分析；而统计能量法可克服这些不适合有限元分析的因素，故可广泛应用于高频噪声研究中。

声学包是控制车内高频噪声的有效措施，将不同吸、隔声材料进行最优组合，不仅可获得良好的声学性能，还能实现材料的轻量化。

如以覆盖率、堵件厚度、PU泡沫厚度和EVA面密度为设计变量，对前围板声学包进行优化，使声学包在隔声性能与质量之间取得最佳平衡。

一、汽车声学包轻量化分析电动汽车的轻量化设计直接影响到续航里程、行驶能耗、安全等方面的性能，汽车轻量化已成为当前汽车工业发展的主要趋势。

声学包作为整车中一个重要子系统，有较强的轻量化需求。

声学包轻量化的前提是不造成整车声学性能的衰减。

声学包材料特征参数（如厚度、密度等）存在一定的不确定性，其声学性能的稳健性是声学包轻量化设计的一个主要考量。

基于声学包样件在制作、运输过程中可能存在的厚度、材料参数（流阻、密度）等方面的不确定因素，研究其对整车声学包性能稳健性的影响。

通过合理的优化分析，可设计出兼顾吸隔声性能与良好声学性能稳健性的轻量化声学包部件。

二、计算原理声学包零部件往往采用单一材料组分，未结合传递路径贡献量差别进行不同组合设计，存在声学包性能过设计且重量无法把控的弊端。

基于统计能量分析原理，综合路径贡献量与声学包方案组合灵敏度指标进行分析，从而实现声学包性能与轻量化平衡优化设计。

1、声学材料Biot参数声学材料的声学行为受5个Biot参数（孔隙率、流阻率、弯曲度、黏性特性长度和热特性长度）以及3个力学参数（杨氏模量、泊松比和损耗因子）影响，其中力学参数只影响弹性质地材料，不考虑力学参数对非弹性质地材料性能影响。

基于经典声学理论的声学包轻量化研究许雪莹【摘要】为了提高电动汽车的续驶里程,声学包的轻量化是重要手段之一,采用经典声学理论对整车前围声学包搭建了隔声模型,该模型采用经典的隔声理论,单层材料采用\"质量定理\"理论,多层结构则采用\"双层墙\"隔声理论,计算了前围隔声垫的整体隔声量,并进行了轻量化研究.同时对整车的隔声性能进行了试验,将模型预测隔声性能与整车隔声试验结果进行了对比.结果表明,在200～8000 Hz频率范围内,仿真与试验结果有较好的一致性,仿真模型能有效预测前围隔声结构的隔声性能并指导轻量化设计.【期刊名称】《汽车技术》【年(卷),期】2018(000)012【总页数】4页(P51-54)【关键词】电动汽车;声学包;轻量化;经典声学理论【作者】许雪莹【作者单位】上海汽车集团股份有限公司商用车技术中心,上海 200438【正文语种】中文【中图分类】U467.4931 前言车身防火墙的结构设计对于阻止发动机噪声在前围中的传播，进而降低车内发动机噪声具有重要作用。

商业化的软件VA-One在声学包前期开发中已有广泛应用[1-5]，虽然可用于评价隔声垫结构设计及总体性能评价，但搭建模型、参数输入及购买软件等成本较高，因此，如何在样件制作或原型车试制前进行前围隔声垫的快速辅助设计和系统匹配成为声学包开发的核心技术。

另外，随着新的乘用车燃料消耗量评价方法及指标（四阶段）—CAFC的实施，降油耗的压力也成为众多传统主机厂面临的难题[6]，如何在既提升整车声学水平，又实现轻量化和低油耗，成为各大主机厂聚焦的热点[7-11]。

在此背景下，本文基于经典声学理论对汽车前围隔声的声学性能进行建模、仿真和试验验证，并针对不同隔声垫结构设计了隔声性能评估方法，在大大缩短研发周期及降低成本的同时获得了最优的声学效果。

2 基于经典声学理论的前围建模方法常见的前围声学包材料组合为PU发泡层加上乙烯-醋酸乙烯共聚物EVA重层。

车载测试中的声学性能评估与改进随着汽车行业的快速发展，车载测试在新车开发和生产过程中变得越来越重要。

除了车辆的机械性能和安全性能外，声学性能也是一项关键考量指标。

好的声学性能可以提供更好的乘坐体验，为乘客带来更好的舒适感。

本文将探讨车载测试中的声学性能评估和改进方法。

一、声学性能评估方法1. 噪音测试：利用专业的噪音测试设备对车辆进行全面的噪音测试。

常用的测试指标包括噪声级别、声压级和谐波失真等。

通过对噪音的测量和分析可以评估车辆的噪音水平，并找出可能的问题源头。

2. 振动测试：通过对车辆的振动进行测试和分析，可以评估车辆的振动水平以及是否存在振动噪音问题。

振动测试可以通过专业的振动仪器进行，也可以通过对车辆进行道路试驾来感受和评估。

3. 声学仿真：利用计算机辅助工程软件对车辆的声学性能进行仿真模拟。

通过建立车辆声学模型，可以预测车辆在不同运行状态下的声学性能，并优化设计。

二、声学性能改进方法1. 噪声隔离措施：通过在车辆结构中增加隔音材料或隔音装置，可以有效减少外部噪声的传入。

例如，在车辆车门和车厢内壁中加入隔音材料，可以有效降低外部交通噪声的侵入。

2. 噪声消除技术：利用主动噪声控制技术或降噪算法，可以实时监测车辆内部的噪声，并通过声学系统对噪声进行实时补偿。

例如，在车辆音响系统中加入主动噪声控制设备，可以减少引擎和道路噪声的影响。

3. 振动阻尼设计：通过调整车辆底盘和悬挂系统的设计参数，可以减少车辆在行驶过程中的振动。

合理的悬挂系统设计和优化可以降低车辆的共振频率，减少振动噪声的产生。

4. 音频调校：通过对车辆多媒体系统的声音效果进行调校，可以提供更好的音质和音场效果。

合理调整音频参数和声音分布，可以改善车辆音响系统的声学性能，提升乘客的听觉享受。

三、车辆声学性能的重要性1. 乘坐舒适性：好的声学性能可以降低车辆噪声和振动对乘客的干扰，提供更好的乘坐体验。

尤其是长时间的驾驶或乘坐过程中，舒适的声学环境可以减少疲劳，提高注意力和专注力。

第４２卷第５期２０２３年１０月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙＶｏｌ ４２Ｎｏ ５Ｏｃｔ ２０２３收稿日期:２０２２－１２－０６基金项目:辽宁省教育厅高等学校基本科研项目(ＬＪＫＭＺ２０２２０６０３)作者简介:刘松(１９９６ )ꎬ男ꎬ硕士研究生ꎮ通信作者:陈克(１９６５ )ꎬ男ꎬ教授ꎬ博士ꎬ研究方向为汽车动力学与控制ꎮ文章编号:１００３－１２５１(２０２３)０５－００８８－０７基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测刘㊀松ꎬ陈㊀克ꎬ王楷焱(沈阳理工大学汽车与交通学院ꎬ沈阳１１０１５９)摘㊀要:为准确预测纯电动汽车车内声品质ꎬ以心理声学客观参量为自变量ꎬ以纯电动汽车车内声品质主观评价值为因变量ꎬ搭建基于改进后的灰狼算法(ＩｍｐｒｏｖｅｄＧｒｅｙＷｏｌｆＯｐｔｉｍｉｚａｔｉｏｎꎬＩＧＷＯ)优化的ＢＰ神经网络预测模型ＩＧＷＯ￣ＢＰꎬ采用ＩＧＷＯ对ＢＰ神经网络的权值和阈值进行优化ꎬ解决ＢＰ神经网络对初值敏感㊁易陷入局部最优的问题ꎮ将其预测结果与ＢＰ神经网络预测结果进行对比分析ꎬ结果显示基于ＩＧＷＯ￣ＢＰ神经网络预测模型可大幅度提高车内声品质预测精度ꎬ表明该模型较适用于纯电动汽车车内声品质预测ꎮ关㊀键㊀词:纯电动汽车ꎻ声品质ꎻＢＰ神经网络ꎻ灰狼算法中图分类号:Ｕ４６７.４＋９３文献标志码:ＡＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００３－１２５１.２０２３.０５.０１４ＳｔｕｄｙｏｎＰｒｅｄｉｃｔｉｏｎｆｏｒＡｃｏｕｓｔｉｃＱｕａｌｉｔｙｏｆＶｅｈｉｃｌｅＢａｓｅｄｏｎＩＧＷＯ￣ＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＬＩＵＳｏｎｇꎬＣＨＥＮＫｅꎬＷＡＮＧＫａｉｙａｎ(ＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１０１５９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｏｒｄｅｒｔｏｍｏｒｅａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅａｃｏｕｓｔｉｃｑｕａｌｉｔｙｏｆｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓꎬｗｉｔｈｐｓｙｃｈｏｌｏｇｉｃａｌａｃｏｕｓｔｉｃｏｂｊｅｃｔｉｖｅｐａｒａｍｅｔｅｒａｓｔｈｅｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅａｎｄｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅａｃｏｕｓｔｉｃｑｕａｌｉｔｙｓｕｂｊｅｃｔｉｖｅｖａｌｕｅａｓｔｈｅｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅꎬＩＧＷＯ￣ＢＰｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｂｕｉｌｔꎬｔｈｅｉｍｐｒｏｖｅｄｇｒｅｙｗｏｌｆａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎬｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｓｅｎ￣ｓｉｔｉｖｅｔｏｔｈｅｉｎｉｔｉａｌｖａｌｕｅａｎｄｅａｓｙｔｏｆａｌｌｉｎｔｏｔｈｅｌｏｃａｌｏｐｔｉｍｕｍｉｓｓｏｌｖｅｄ.ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｎｄｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌꎬｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＩＧＷＯ￣ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｃａｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅｓｏｕｎｄｐｒｅｄｉｃｔｉｏｎａｃｃｕ￣ｒａｃｙꎬｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｍｏｄｅｌｉｓｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｐｒｅｄｉｃｔｉｏｎｆｏｒｔｈｅｓｏｕｎｄｑｕａｌｉｔｙｏｆｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓ.Ｋｅｙｗｏｒｄｓ:ｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅꎻｓｏｕｎｄｑｕａｌｉｔｙꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｇｒａｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎ㊀㊀由于电动汽车没有传统内燃机噪声的掩蔽效应ꎬ动力总成系统中电机与变速器高频噪声变得较为突出[１]ꎬ其比传统燃油汽车驱动系统的噪声更易引起人体不适ꎬ纯电动汽车车内声压级水平虽低ꎬ但是电机产生的电磁噪声却影响着人们的驾乘感受ꎬ仅凭Ａ声级已经不足以反映驾乘人员对车内噪声的主观感受[２]ꎮ目前常用多元线性回归模型[３]㊁ＢＰ神经网络模型[４]对纯电动汽车声品质展开预测ꎬ其中多元线性回归模型是线性的ꎬ但人耳对声音的主观感受过程是非线性的ꎬ因此线性模型预测通常达不到理想精度ꎮ此外ＢＰ神经网络预测模型对初值过于敏感㊁易陷入局部最优和收敛速度慢等问题ꎬ模型预测精度偏低ꎮ灰狼优化算法在最优解方面已经被证明相较遗传算法和其他智能启发式算法有更优的收敛速度和求解精度[５]ꎬ本文选取改进后的灰狼算法(ＩｍｐｒｏｖｅｄＧｒａｙＷｏｌｆＯｐｔｉｍｉｚａｔｉｏｎꎬＩＧＷＯ)对ＢＰ神经网络进行优化ꎬ提高模型收敛速度ꎬ协调其全局搜索和局部搜索性能ꎬ建立基于ＩＧＷＯ￣ＢＰ的神经网络车内声品质预测模型ꎮ１㊀车内噪声的采集及主观评价试验１.１㊀车内噪声信号的采集本文试验采集某国产电动汽车驾驶员右耳处和车辆后排座位中心处的噪声信号ꎮ试验参照ＧＢ/Ｔ１８６９７ ２００２进行[６]ꎮ试验采集以２０ｋｍ/ｈ㊁３０ｋｍ/ｈ㊁５０ｋｍ/ｈ匀速工况和急加速工况下行驶时的车内噪声信号ꎬ将采集的信号导入测试软件进行回放ꎬ筛选无环境噪声干扰的纯电动汽车车内噪声信号２６组ꎮ针对２６组噪声信号ꎬ截取５３个时长为５ｓ㊁满足实验要求的车内噪声样本ꎬ其涵盖了不同时速㊁不同车况下纯电动汽车车内噪声信号ꎬ充分反映纯电动汽车行驶时车内声品质情况ꎮ１.２㊀主观评价试验声品质主观评价方法常用的有语义细分法和等级评分法等[７]ꎬ本文将语义细分法和等级评分法相结合作为主观评价方法ꎮ由于电动汽车存在 噪声低烦躁度高 的现象[８]ꎬ本文选取愉悦与烦躁两个表达情绪的语义词ꎬ以准确表征驾乘人员在车内的真实感受ꎮ评价时ꎬ噪声样本音频会播送两遍ꎬ播送时长为５ｓꎬ播送第一遍时评价者要选择相应语义ꎬ间隔５ｓ后ꎬ进行第二遍播送ꎬ此时需对第一次选择语义评价下的等级进行评定ꎮ主观评价试验采用的评分册如图１所示ꎮ图１㊀主观评价试验采用评分册㊀㊀为确保实验数据的科学性以及准确性ꎬ本次主观评价试验人员选定为年满１８周岁的１２位汽车相关专业的在读研究生ꎮ采用统计分析软件ꎬ对主观评价人员与其对５３个噪声样本的主观评价值进行统计学Ｓｐｅａｒｍａｎ相关系数计算并取绝对值ꎬ其绝对值越大ꎬ表明两变量的相关性越强ꎮＳｐｅａｒｍａｎ相关系数θ计算模型为θ＝１－６ðＢｉ＝１Ｓ２ｉＢ(Ｂ２－１)(１)式中:Ｂ为样本容量ꎻＳｉ为两组样本第ｉ个观察值的秩的差ꎮ一般认为相关系数高于０.７时表示数据可信度高ꎬ满足统计学要求ꎮ计算得到Ｓｐｅａｒｍａｒ相关系数如表１所示ꎬ由表１可知第１２位评价者的相关系数为０.６５４ꎬ低于０.７ꎬ在进行主观评价计算时予以排除ꎬ余下评价者主观评价的平均值作为主观评价结果ꎮ表１㊀Ｓｐｅａｒｍａｎ相关系数主观评价人员θ主观评价人员θ１０.７５０７０.７０７２０.７１９８０.７６２３０.７２７９０.７６９４０.７１１１００.７０７５０.７２６１１０.７６０６０.７２４１２０.６５４２㊀心理声学客观参数及相关分析选取心理声学客观参数中的语义清晰度ＡＩ㊁粗糙度Ｒ㊁响度Ｎ㊁尖锐度Ｓ表征车内声品质情况ꎬ表２为采集的噪声样本ｋ(ｋ＝１ꎬ２ꎬ ꎬ５３)中部分样本９８第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测的心理声学客观参数和满足相关系数要求的主观评价人员对车内声品质进行的主观评价结果Ｑｋꎮ表２㊀心理声学客观参数与主观评价结果３㊀主客观评价相关分析选用Ｐｅａｒｓｏｎ系数表示心理声学客观参数和主观评价结果之间的相关系数Ｐꎬ以明确二者之间是否相关ꎬ其计算公式为Ｐ＝ðｎｋ＝１(Ｈｋ－ Ｈ)(Ｑｋ－ Ｑ)ðｎｋ＝１(Ｈｋ－ Ｈ)２ðｎｋ＝１(Ｑｋ－ Ｑ)２(２)式中: Ｑ为所有主观评价结果的平均值ꎻＨｋ代表客观评价参数的值ꎻ Ｈ代表客观评价参数的平均值ꎮＰ的绝对值置于０与１之间ꎬＰ的绝对值越大ꎬ两者相关性越高ꎬ否则反之ꎮ表３为根据表２计算出的Ｐ值ꎬ从表中可以看到:ＡＩ㊁Ｎ㊁Ｓ与主观评价结果均有很强相关性ꎬ相关系数均在０.６以上ꎻＲ与主观评价结果有较强相关性ꎬ相关系数为０.５０２ꎮ表３㊀心理客观参数与主观评价结果的相关系数心理客观参数ＡＩＲＮＳＰ０.８４３０.５０２０.７３８０.６６９４㊀车内声品质预测模型搭建４.１㊀确定ＢＰ神经网络结构及训练参数ＢＰ神经网络是误差反向传播的前向反馈网络ꎬ其包括输入层㊁隐藏层和输出层ꎬ可实现给定的输入输出映射关系[９－１１]ꎬ选取语义ｈ１＝ＡＩ㊁ｈ２＝Ｒ㊁ｈ３＝Ｎ㊁ｈ４＝Ｓ为输入层向量Ｈ＝(ｈ１ꎬｈ２ꎬｈ３ꎬｈ４)Ｔꎬ车内声品质预测模型拓扑结构如图２所示ꎮ图２㊀神经网络拓扑图㊀㊀选取隐含层节点数为ｍ＝２ｌ＋１个ꎬ其中ｌ为输入层节点数[１２]ꎬ此时ｌ为４个ꎬ则隐藏层节点数为９个ꎬ隐藏层输入向量为ｙ＝(ｙ１ꎬｙ２ꎬ ꎬｙｊꎬ ꎬｙ９)Ｔ(３)以第ｊ个隐藏层神经元为例(ｊ＝１ꎬ２ꎬ ꎬ９)ꎬ此时其输出为ｙｊ＝ｆ１(ｘ)＝ｆ１(ðｌｉ＝１ｗｉｊｈｉ＋θｊ)(４)式中:ｈｉ为输入层第ｉ(ｉ＝１ꎬ２ꎬ３ꎬ４)个神经元的输入ꎻｗ为输入层的权值ꎻθ为输入层阈值ꎮ隐藏层转换函数ｆ１(ｘ)取Ｔａｎｓｉｇ为传递函数ꎬ其计算公式为ｆ１(ｘ)＝２１＋ｅ－２ｘ－１(５)输入的心理声学客观参数通过隐藏层的数据处理ꎬ最终从输出端输出唯一输出层向量ꎬ即车内声品质主观评价预测值ｚｊ(ｊ＝１ꎬ２ꎬ ꎬ９)ꎬ其计算公式为ｚｊ＝ｆ２(ｘ)＝ｆ２(ðｍｊ＝１ｖｉｊｙｊ＋ｑｊ)(６)０９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷式中:ｖ为隐藏层的权值ꎻｑ为隐藏层的阈值ꎻ输出层转换函数ｆ２(ｘ)取线性函数ꎬ令ｆ２(ｘ)＝ｘꎮＢＰ神经网络具有反向传播过程ꎬ通过计算输出层与期望值之间的误差调整网络参数ꎬ从而使误差变小ꎮ其误差函数Ｅ计算公式为Ｅ＝１２ðＡｇ＝１(Ｑｇ－Ｚｇ)２(７)模型训练次数越多ꎬ预测模型精度越高ꎬ为保证ＢＰ神经网络训练模型精度ꎬ模型训练集比例一般不少于样本总数的７０％ꎬ常见训练集和测试集分配比例为７ʒ３与８ʒ２ꎬ为保证本课题预测模型得到充分训练ꎬ预测模型训练样本总数Ａ为４０ꎬ大于样本总数的７０％ꎬＱｇ为样本ｇ期望的车内声品质主观评价值ꎬｚｇ为在样本ｇ作用下的车内声品质主观评价预测值(ｇ＝１ꎬ２ꎬ ꎬ４０)ꎮ为解决ＢＰ神经网络初值敏感等缺陷ꎬ本文采用灰狼算法对其进行优化ꎬ以提高车内声品质预测模型的精度ꎮ４.２㊀灰狼算法灰狼算法旨在模仿自然界灰狼的捕猎行为以解决复杂优化问题ꎮ灰狼群有着严格的金字塔式等级制度ꎬ其中领导狼被命名为α㊁β㊁δ狼ꎬ分别代表着最优解㊁优解和次优解ꎬω狼为狼群中的底层狼ꎬ追随领导狼对猎物进行搜索工作[１３－１５]ꎮ狩猎行为公式为Ｄ＝｜ＣＸｔｐ－Ｘｔ｜(８)Ｃ＝２ｒ１(９)式中:Ｃ为浮动因子ꎻｔ为当前迭代次数ꎻＸｔｐ和Ｘｔ分别为经过ｔ次迭代后猎物位置和灰狼的位置ꎻｒ１为[０ꎬ１]内随机向量ꎮ位置更新公式为Ｘｔ＋１＝Ｘｔｐ－ＭＤ(１０)Ｍ＝２ａ(ｒ２－Ｉ)(１１)ａ＝２－２ˑｔＴ(１２)式中:Ｍ为系数向量ꎻａ为从２到０线性递减的收敛因子ꎻＴ为最大迭代次数ꎬ本文最大迭代次数取１００ꎻｒ２为[０ꎬ１]内随机向量ꎻＩ为单位矩阵ꎮ寻优具体步骤为Ｄｉ＝｜ＣｉＸｔｉ－Ｘｔ｜(１３)Ｘｔ＋１ｉ＝Ｘｔｉ－ＭｉＤｉ(１４)Ｘｔ＋１ｐ＝Ｘｔ＋１α＋Ｘｔ＋１β＋Ｘｔ＋１δ３(１５)式中:Ｄｉ为狼群个体的位置到α㊁β㊁δ狼所在位置的距离(ｉ＝α㊁β㊁δ)ꎬω狼在每轮位置更新的最终位置为Ｘｔ＋１ｐꎬ取其最优作为ＢＰ神经网络的权值和阈值ꎬ优化ＢＰ神经网络ꎬ使模型预测的主观评价值精度更高ꎮ４.３㊀灰狼算法的改进灰狼算法后期容易陷入局部最优ꎬ会影响到模型的预测精度ꎬ其收敛因子ａ对于协调全局搜索和局部搜索性能是重要的因素ꎮ本课题对收敛因子ａ进行优化ꎬ其方案依据曹轲等[１６]提出的基于正切函数的非线性控制参数策略ꎬ如公式(１６)所示ꎮａ＝ａｍａｘ－(ａｍａｘ－ａｍｉｎ)ˑｔａｎπｔ４Ｔ(１６)式中:ａｍａｘ＝２ꎻａｍｉｎ＝０ꎮ改进后收敛因子ａ不再按相同速率递减ꎬ变为非线性递减ꎬ前期下降速率慢ꎬ灰狼算法前期增加了全局搜索能力ꎻ后期下降速率快ꎬ改善了算法局部寻优问题的收敛速率ꎬ改进前后收敛因子对比如图３所示ꎮ图３㊀收敛因子对比图㊀㊀由图３可知ꎬ收敛因子非线性递减提升了寻求最优解的效率和搜索精度ꎬ可以较好平衡局部和全局搜索能力ꎮ为了区分α㊁β㊁δ狼在狼群中的分工不同ꎬ影响力不一ꎬ选用适应度值和基于步长欧氏距离的动态权重位置更新策略ꎬ计算公式为Ｗｉ＝｜Ｘｔ＋１ｉ｜｜Ｘｔ＋１α｜＋｜Ｘｔ＋１β｜＋｜Ｘｔ＋１δ｜(１７)１９第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测ωｉ＝ｆｉｆα＋ｆβ＋ｆδ(１８)Ｘｔ＋１ｐ＝ωα Ｗα Ｘα＋ωβ Ｗβ Ｘβ＋ωδ Ｗδ Ｘδ３(１９)式中:ｆｉ为适应度值(ｉ＝α㊁β㊁δ)ꎻＷｉ分别为灰狼种群对α㊁β㊁δ的学习率ꎮω狼在每轮位置更新的最终值为Ｘｔ＋１ｐꎬ取其最优作为ＢＰ神经网络的权值和阈值ꎬ优化ＢＰ神经网络ꎬ使得模型预测的主观评价值精度更高ꎮ４.４㊀ＩＧＷＯ￣ＢＰ神经网络车内声品质预测模型建立ＩＧＷＯ￣ＢＰ神经网络车内声品质预测模型ꎬ其流程如图４所示ꎮ图４㊀ＩＧＷＯ￣ＢＰ流程图㊀㊀具体流程如下ꎮ１)对噪声样本数据进行处理ꎮ２)定义ＢＰ神经网络拓扑结构ꎮ依据经验ꎬ定义灰狼种群大小为３０ꎬ将ＢＰ神经网络的各层权值㊁阈值设定为改进灰狼算法的求解对象ꎬ并进行全局寻优ꎮ３)确立适应度值函数ꎬ将灰狼个体中的初始参数作为ＢＰ神经网络的初始值ꎬ对神经网络进行训练得到预测输出值Ｚᶄｇ和期望输出Ｑｇꎬ本课题采取平均的均分误差(ＭＳＥ)作为适应度值函数ꎬ其公式为Ｆ＝１ｎðｎｓ＝１(Ｑｇ－Ｚᶄｇ)２(２０)４)根据公式计算第一代狼适应度值ꎬ选取狼群中适应度值最高的３只作为领导狼α㊁β㊁δꎮ５)更新灰狼算法中ｒ１㊁ｒ２㊁ａꎬ根据公式更新每只灰狼位置ꎬ作为ＢＰ神经网络初始参数ꎬ对网络进行训练ꎬ依据公式求得更新后灰狼个体适应度值ꎬ重新确定α㊁β㊁δꎮ６)确定灰狼算法是否达到最大迭代次数１００次ꎬ若未达到返回５)ꎬ否则将获得的权值和阈值赋予ＢＰ神经网络最优初始参数ꎮ７)利用最优初始参数构建ＢＰ神经网络ꎬ输入样本数据ꎬ对ＢＰ神经网络进行训练ꎬ直至满足设定要求ꎬ输出结果ꎮ５㊀预测模型比较５.１㊀收敛性对比选取隐含层节点数为９ꎬ训练次数设计为１０００次ꎬ建立基于ＢＰ神经网络纯电动汽车车内声品质预测模型ꎮ训练目标最小误差设置为０.００１ꎬ其网络训练误差曲线如图５所示ꎮ图５㊀ＢＰ预测模型误差曲线㊀㊀由图５可知ꎬ该预测模型进行函数拟合时ꎬ训练误差缓慢下降ꎬ在迭代次数到达５５０次时(Ｂｅｓｔ线)实现了预期精度目标(Ｇｏａｌ线)ꎬ但是在网络训练过程中也出现局部最优的情况ꎬ影响了网络向全局最优的趋势发展ꎮ因此ꎬＢＰ算法的优越性虽然明显ꎬ但仍然有进一步提高的空间ꎮ为解决基于ＢＰ神经网络纯电动汽车车内声品质预测模型易陷入局部最优㊁收敛速度慢等问题ꎬ采用改进后的灰狼算法对其进行优化ꎬ建立基于ＩＧＷＯ￣ＢＰ神经网络的纯电动汽车车内声品质预测２９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷模型ꎬ对网络模型进行函数拟合ꎬ课题设置最大迭代次数为１００次ꎬ其网络训练误差曲线如图６所示ꎮ图６㊀ＩＧＷＯ￣ＢＰ预测模型误差曲线㊀㊀由图６可知ꎬ基于ＩＧＷＯ￣ＢＰ神经网络的纯电动汽车车内声品质预测模型进行函数拟合时ꎬ在迭代５次以内实现了预测的预期精度ꎬ同时不断收敛至最优适应度值ꎬ在迭代１０次以内实现了适应度值最优ꎬ表明了ＩＧＷＯ￣ＢＰ算法使用自适应调整的控制参数和动态位置权重等可以较好地扩大寻优空间ꎬ有效避免局部最优解并提高算法收敛速度ꎮ５.２㊀预测模型精度对比利用所建立起来的基于ＩＧＷＯ￣ＢＰ和ＢＰ的神经网络纯电动汽车车内声品质预测模型ꎬ对测试样本４１至５３进行评价ꎬ表４为两种模型预测结果与相对误差的对比分析ꎮ表４㊀两种模型对比分析样本序号实际值ＢＰ神经网络模型预测值相对误差/％ＩＧＷＯ￣ＢＰ神经网络模型预测值相对误差/％１７.３７.２８８０.１６４７.２４６０.７４０２６.１６.１８０１.３１１６.１３７０.６０７３４.３４.２７５０.５８１４.２８５０.３４９４６.８６.８５３０.７７９６.８７４１.０８８５４.７４.５７４２.６８１４.６６２０.８０９６７.９７.６３２３.３９２７.６９４２.６０８７６.０６.０５８０.９６７６.０５７０.９５０８４.５４.４９７０.０６７４.５３１０.６８９９５.８６.０４０４.１３８５.９１１１.９１４１０８.６８.１０１５.８０２８.１７０５.０００１１４.８４.９１４２.３７５４.７８７０.２７１１２６.２６.１６９０.５００６.２７８１.２５８１３７.１７.２１８１.６６２７.１０９０.１２７㊀㊀对基于ＩＧＷＯ￣ＢＰ和ＢＰ的神经网络纯电动汽车车内声品质预测模型运算１０次ꎬ选取ＭＳＥ㊁均方根误差(ＲＭＳＥ)㊁平均绝对误差(ＭＡＥ)以及平均绝对百分比误差(ＭＡＰＥ)作为模型的评价指标ꎬ进行比较分析ꎮ由表５给出的两种模型精度数据可以看出ꎬＩＧＷＯ￣ＢＰ模型对声品质预测结果ＭＳＥ为１.７３５％ꎬ比传统ＢＰ神经网络模型的ＭＳＥ少２.６６３％ꎬＭＡＥ为８.５５５％ꎬ比传统ＢＰ神经网络模型的ＭＡＥ少４.３０３％ꎬＭＡＰＥ为１.２５８％ꎬ比传统ＢＰ神经网络模型的ＭＡＰＥ少０.６７１％ꎬＲＭＳＥ为１３.１３７％ꎬ比传统ＢＰ神经网络模型的ＲＭＳＥ少７.５７０％ꎬ说明ＩＧＷＯ￣ＢＰ神经网络有效地提高了纯电动汽车车内声品质预测结果的精确度ꎮ表５㊀两种模型精度分析％误差指标ＢＰ神经网络模型ＩＧＷＯ￣ＢＰ神经网络模型ＭＳＥ４.３９８１.７３５ＭＡＥ１２.８５８８.５５５ＭＡＰＥ１.９２９１.２５８ＲＭＳＥ２０.７０７１３.１３７６㊀结论本文针对纯电动汽车车内声品质预测模型精度不高问题ꎬ提出了基于ＩＧＷＯ￣ＢＰ神经网络纯电动汽车车内声品质预测模型ꎮ模型选取非线性减少的收敛因子和基于适应度值以及基于步长欧氏距离的动态权重位置更新策略ꎬ对传统的ＢＰ神经３９第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测网络模型进行优化ꎬ有效避免了预测模型易陷入局部最优解和收敛速度慢等问题ꎬ大幅提升了预测模型精度ꎬＭＳＥ提升２.６６３％㊁ＲＭＳＥ提升７.５７０％㊁ＭＡＥ提升４.３０３％ꎬ以及ＭＡＰＥ提升０.６７１％ꎬ说明该模型较适用于纯电动汽车车内声品质预测ꎮ参考文献:[１]杨远ꎬ刘海ꎬ陈勇ꎬ等.电驱动动力总成噪声识别与优化[Ｊ].噪声与振动控制ꎬ２０１７ꎬ３７(６):１０２－１０６ꎬ１１４.[２]朱仝ꎬ郑松林ꎬ袁卫平.基于遗传－支持向量回归的车内稳态噪声声品质预测[Ｊ].噪声与振动控制ꎬ２０２０ꎬ４０(３):１７０－１７４ꎬ１９３.[３]陈克ꎬ阳思远ꎬ毛书林.车内声品质主客观评价的相关性分析[Ｊ].沈阳理工大学学报ꎬ２０１７ꎬ３６(１):１０１－１０５.[４]ＭＡＣꎬＣＨＥＮＣꎬＬＩＵＱꎬｅｔａｌ.Ｓｏｕｎｄｑｕａｌｉｔｙｅｖａｌｕａ￣ｔｉｏｎｏｆｔｈｅｉｎｔｅｒｉｏｒｎｏｉｓｅｏｆｐｕｒｅＥｌｅｃｔｒｉｃｖｅｈｉｃｌｅｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉ￣ａｌＥｌｅｃｔｒｏｎｉｃｓꎬ２０１７ꎬ６４(１２):１０２－１０６. [５]ＭＩＲＪＡＬＩＬＩＳ.Ｈｏｗｅｆｆｅｃｔｉｖｅｉｓｔｈｅｇｒｅｙｗｏｌｆｏｐｔｉｍｉ￣ｚｅｒｉｎｔｒａｉｎｉｎｇｍｕｌｔｉ￣ｌａｙｅｒｐｅｒｃｅｐｔｒｏｎｓ[Ｊ].ＡｐｐｌｉｅｄＩｎ￣ｔｅｌｌｉｇｅｎｃｅꎬ２０１５ꎬ４３(１):１５０－１６１.[６]全国声学标准化技术委员会.声学汽车车内噪声测量方法:ＧＢ/Ｔ１８６９７ ２００２[Ｓ].北京:中国标准出版社ꎬ２００２.[７]张勇ꎬ孟天ꎬ王坤祥ꎬ等.车内声品质主观评价模型及中频噪声优化[Ｊ].汽车工程ꎬ２０２０ꎬ４２(５):６５１－６５７ꎬ６６４.[８]王永超ꎬ顾灿松ꎬ陈达亮.纯电动汽车声品质评价及电磁噪声分析[Ｊ].汽车实用技术ꎬ２０１８ꎬ２０１８(４):３－６.[９]蒋思中ꎬ郭宏涛ꎬ安轲ꎬ等.基于ＰＳＯ￣ＢＰ神经网络的带式输送机能耗优化研究[Ｊ].煤炭技术ꎬ２０２２ꎬ４１(１１):２３４－２３６.[１０]于珍珍ꎬ邹华芬ꎬ于德水ꎬ等.融合田间水热因子的甘蔗产量ＧＡ￣ＢＰ预测模型[Ｊ].农业机械学报ꎬ２０２２ꎬ５３(１０):２７７－２８３.[１１]孙利文ꎬ刘海ꎬ王海洋ꎬ等.应用ＧＡ￣ＢＰ神经网络对加速工况车内声品质研究[Ｊ].科学技术与工程ꎬ２０１７ꎬ１７(１７):３４０－３４５.[１２]黄海波ꎬ李人宪ꎬ黄晓蓉ꎬ等.基于Ａｄａｂｏｏｓｔ算法的车内噪声声品质预测[Ｊ].汽车工程ꎬ２０１６ꎬ３８(９):１１２０－１１２５.[１３]杨书杰ꎬ叶霞ꎬ李俊山.基于灰狼算法的ＢＰ神经网络图像恢复算法[Ｊ].微电子学与计算机ꎬ２０１８ꎬ３５(３):１９－２２ꎬ２７.[１４]ＹＡＮＧＣＭꎬＬＩＵＹꎬＷＡＮＧＹＴ.ＡｎｏｖｅｌａｄａｐｔｉｖｅｋｅｒｎｅｌｐｉｃｔｕｒｅｆｕｚｚｙＣ￣ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍＢａｓｅｄｏｎｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒａｌｇｏｒｉｔｈｍ[Ｊ].Ｓｙｍｍｅ￣ｔｒｙꎬ２０２２ꎬ１４(７):１４４２.[１５]侯勇严ꎬ杨澳ꎬ郭文强ꎬ等.基于灰狼算法优化的神经网络短期发电量预测[Ｊ].陕西科技大学学报ꎬ２０２２ꎬ４０(４):１７１－１７７.[１６]曹轲ꎬ谭冲ꎬ刘洪ꎬ等.基于改进灰狼算法优化ＢＰ神经网络的无线传感器网络数据融合算法[Ｊ].中国科学院大学学报ꎬ２０２２ꎬ３９(２):２３２－２３９.(责任编辑:和晓军)(上接第８７页)[１４]马飞ꎬ曹泽阳ꎬ刘晖.基于博弈论的目标分配策略空间构建与搜索[Ｊ].系统工程与电子技术ꎬ２０１０ꎬ３２(９):１９４１－１９４５.[１５]曾松林ꎬ王文恽ꎬ丁大春ꎬ等.基于动态博弈的目标分配方法研究[Ｊ].电光与控制ꎬ２０１１ꎬ１８(２):２６－２９ꎬ７２. [１６]周兴旺ꎬ从福仲ꎬ庞世春ꎬ等.基于贝叶斯混合博弈的空袭火力资源分配决策模型[Ｊ].火力与指挥控制ꎬ２０１６ꎬ４１(７):１８－２２.[１７]赵玉亮ꎬ宋业新ꎬ张建军ꎬ等.基于多策略融合粒子群的无人机对地攻击模糊博弈决策[Ｊ].控制理论与应用ꎬ２０１９ꎬ３６(１０):１６４４－１６５２.[１８]ＬＥＢＯＵＣＨＥＲＣꎬＳＨＩＮＨＳꎬＬＥＭＥＮＥＣＳꎬｅｔａｌ.Ｎｏ￣ｖｅｌｅｖｏｌｕｔｉｏｎａｒｙｇａｍｅｂａｓｅｄｍｕｌｔｉ￣ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｓａｔｉ￣ｏｎｆｏｒｄｙｎａｍｉｃｗｅａｐｏｎｔａｒｇｅｔａｓｓｉｇｎｍｅｎｔ[Ｊ].ＩＦＡＣＰｒｏｃｅｅｄｉｎｇｓＶｏｌｕｍｅｓꎬ２０１４ꎬ４７(３):３９３６－３９４１. [１９]ＧＬＯＶＥＲＦꎬＫＥＬＬＹＪＰꎬＬＡＧＵＮＡＭ.Ｇｅｎｅｔｉｃａｌｇｏ￣ｒｉｔｈｍｓａｎｄｔａｂｕｓｅａｒｃｈ:ｈｙｂｒｉｄｓｆｏｒｏｐｔｉｍｉｚａｔｉｏｎ[Ｊ].ＣｏｍｐｕｔｅｒｓａｎｄＯｐｅｒａｔｉｏｎｓＲｅｓｅａｒｃｈꎬ１９９５ꎬ２２(１):１１１－１３４.(责任编辑:和晓军)４９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷。

基于Virtual Lab的汽车消声器声学性能优化摘要：探讨采用声学有限元软件virtual lab分析消声器声学性能的方法，对市面上的一款内部结构复杂的汽车消声器的插入损失和传递损失进行分析，采用对消声器隔板增加穿孔板结构的方法对原消声器进行了改进，尝试对其声学性能进行优化，优化结果表明了改进措施的有效性。

abstract: in this paper, the method is presented to analyzethe acoustical performance of a muffler with complicatedchambers on the market by using the acoustic fem softwarevirtual lab. insert loss and transmission loss of the mufflerare calculated, and the original acoustical performance isimproved through adding additional perforated structure. the comparison of the insert loss and transmission loss of themodified and original mufflers demonstrates theeffectiveness of the optimization scheme.关键词：有限元；声学分析；消声器；传递损失key words: fem；acoustics analysis；muffler；transmissionloss中图分类号：u46 文献标识码：a 文章编号：1006-4311（2012）11-0045-020 引言消声器的声波符合平面波的规律，早从1950年代开始其相关的理论研究。

135机械装备研发Research & Development of Machinery and Equipment轿车车内声学包多目标优化探析陆 进，刘桂全（东风柳州汽车有限公司，广西 柳州 545000）摘　要：对轿车来说，其车内声学包设计是震动噪声舒适性设计工作中的一个重要构成成分。

车内声学包设计能够在不改变整个轿车车内部件设计以及构件的基础上，对车内噪音进行相应的改善，一定程度上对汽车企业的技术实力的提升具有促进作用，具有一定的研究价值。

在这一背景下，文章对轿车车内声学包多目标的优化进行详细研究，建立轿车混合模型，并验证分析，对优化子系统各层次材料种类进行探究，以期提升轿车车内声学包设计水平，促进我国汽车制造企业的发展。

关键词：轿车；车内声学包；目标优化中图分类号：U467.493 文献标志码：A 文章编号：1672-3872（2019）08-0135-01——————————————作者简介： 陆进（1990—），男，云南玉溪人，本科，助理工程师，研究方向：乘用车声学包类零件设计开发。

通常情况下，轿车产生噪音的主要来源其一是空气中的噪音传播，其二就是固体噪音。

然而，就当前情况分析，能够对空气中噪音问题加以解决的方案主要以吸音、隔音的两种方式为主。

目前我国为了能够降低轿车噪音的主要方式就是轿车声学包，即通过对整个轿车的噪音震动舒适度性能而设计的声学材料安装技术。

另一方面在对轿车的整个噪音、震动、舒适性的开发过程中，声学包的设计在当今成为我国轿车制造中的重要的组成部分。

因此，针对轿车声学包的设计优化研究至关重要。

故而，本文对轿车车内声学包多目标[1]。

另一方面，在全频段振动噪声模拟软件中，按照混合建模的基本原则将单位的频带上模态数小于5的构件建成FE 子系统，同时将其他的构件建成SEA 板子系统；根据建成的FE 和SEA 板子系统建立相应的声腔，将单位SEA 声腔板子系统与FE 子系统之间以线连接的形式藕合。