(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210755117.5 (22)申请日 2022.06.29 (71)申请人 西南交通大 学 地址 610000 四川省成 都市二环路北一段 (72)发明人 黄海波　丁渭平　郑志伟　杨明亮　 王大一　吴昱东　朱洪林　戴沛松　 (74)专利代理 机构 成都智言知识产权代理有限 公司 51282 专利代理师 李勇 (51)Int.Cl. G06F 30/20(2020.01) (54)发明名称 一种机理与数据相结合的胎噪不确定性优 化方法 (57)摘要 本发明公开了一种机理与数据相结合的胎 噪不确定性优化方法， 属于汽车声学包开发领 域。 包括： 1、 将吸隔声性能、 成本、 重量三个目标 进行层次化多目标分解， 形成胎噪层级分解架 构； 2、 根据胎噪层级分解架构， 进行基础数据 收 集； 3、 建立胎 噪预测模型； 4、 对数据进行扰动后 输入胎噪预测模 型， 然后将预测结果与扰动前的 结果进行对比， 计算出底层 级材料不同厚度的面 积占比对的灵敏度； 5、 通过区间求解策略进行面 向胎噪正向设计的全局优化和面向胎噪的整改 优化； 6、 对不同的车型时按照 传递路径将子模型 进行组合封装， 实现不同车型胎噪的预测。 本发 明将胎噪机理与智能算法相结合， 实现了胎噪的 准确预测， 可适应不同车型， 提升了胎噪问题研 究效率。 权利要求书3页 说明书11页 附图9页 CN 115130303 A 2022.09.30 CN 115130303 A 1.一种机理与数据相结合的胎噪不确定性优化方法， 其特 征在于， 包括以下步骤： 步骤1： 对汽车胎噪传递路径进行分析， 并将吸隔声性能、 成本、 重量三个目标进行层次 化多目标分解， 形成整车级、 系统级、 部件级、 材 料级的胎噪层级分解架构； 步骤2： 根据胎噪层级分解架构， 进行基础数据收集， 所述基础数据包括吸隔声性能指 标、 声学包部件成本、 重量以及结构参数和材 料参数； 步骤3： 以胎噪层级分解架构为基础， 将胎噪层级分解架构中各个节点按照不同层级划 分为不同的子模 型， 针对每个子模 型引入改良的Transfomer 算法来学习不同节点间的数据 关系， 从而建立多任务融合的胎噪预测模型； 步骤4： 对低层级数据进行上下扰动后输入胎噪预测模型， 然后将高层级预测结果与扰 动前的结果进 行对比， 各层级之间按照叠加累乘的关系计算出底层级 材料不同厚度的面积 占比对顶层级噪声衰减量、 总成本和总重量的灵敏度； 步骤5： 基于胎噪层级分解架构和预测模型， 通过区间求解策略进行面向胎噪正向设计 的全局优化和面向胎噪的整改优化； 步骤6： 基于多种车型的胎 噪传递路径， 构建标准化的胎噪层级分解架构， 并将胎 噪层 级分解架构中的子模 型标准化， 以数据输入输出作为接口， 胎噪传递路径作为数据流方向， 在面对不同的车 型时按照传递路径将子模型进行组合封装， 实现不同车 型胎噪的预测。 2.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法， 其特征在 于， 步骤1包括以下步骤： 步骤1.1： 对汽车胎噪传递路径进行分析： 不同传递路径的贡献值和形成总的目标点处 的响应由以下公式表达： Ki＝Ti*Si                         (1) 其中， K为目标点处的总响应， i为第i条传递路径， n为传递路径数量， Ki为第i条传递路 径对目标点处响应的贡献量， Ti为传递路径i到目标点的传递 函数， Si传递路径i的激励； 步骤1.2： 整车级目标分解： 汽车胎噪的整车级目标包括整车吸隔声性能、 总重量和总 成本， 所述整车吸隔声性能为噪声源到接 收点处的噪声衰减量， 总重量和总成本则为各路 径的声学包总重量和总成本； 整 车级目标向下分解为数个系统级目标， 包括车门系统、 地板 系统、 尾门系统、 前围系统、 轮毂包系统、 发动机舱、 乘员舱系统和行李舱系统， 在系统级目 标中， 板件类构成的系统主要起隔声作用， 采用传递损失衡量其隔声性能， 空腔类系统主要 起吸声作用， 用吸声量衡量 其吸声性能； 步骤1.3： 系 统级目标分解： 系 统级目标为各个系统的传递损失、 吸声量、 成本及重量， 将系统拆分为多个部件， 并将系统目标分解到 部件中， 用多个部件目标来 替代系统目标； 步骤1.4： 部件级目标分解： 部件级目标为各个部件的吸隔声性能指标、 成本及重量， 将 部件级目标分解到 部件的结构参数和材 料参数中， 从而实现部件级目标分解。 3.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法， 其特征在 于， 步骤2具体包括以下步骤： 步骤2.1： 通过消声室 ‑混响室试验或者 驻波管试验方法测试隔声性能；权　利　要　求　书 1/3 页 2 CN 115130303 A 2步骤2.2： 通过混响箱试验测试吸声性能， 测试时， 分别测量有和没有试件情况下混响 箱的混响时间， 试吸声性能由试件吸声系数表征， 试件吸声系数用以下公式计算得 出： 其中， T1、 T2分别为放入试件前和放入试件后的混响时间， S2是试件面积， α为混响室的 平均吸声系数。 4.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法， 其特征在 于， 步骤3具体包括以下步骤： 步骤3.1： 搭建以Encoder—Decoder为基础的Transfomer模型； 步骤3.2： 在Transfomer模型的基础 上， 对多任务损失函数中人为设定的权值方法进行 优化， 使模型在反馈传播中根据不同任务损失的大小差异对权值进行自动迭代更新； S＝∑ωiSi 其中S为总损失函数， ωi为第i个任务的损失权重， Si为第i个任务的损失， m为任务数 量， Si( τ )是单个任务中的第 τ个子损失； 步骤3.3： 以胎噪层级分解架构为基础， 将层级分解架构中各个节点按照不同层级划分 为不同的子模 型， 针对每个子模 型引入改进的Transfomer模型从而构建整体的胎噪预测模 型， 然后按照指定格式整理数据样本， 将数据样本按比例划分为训练集、 测试集和验证集， 对胎噪预测 模型进行训练， 训练时以均方误差作为模型评价指标， 将Encoder—Decoder的 层数N和多头注意力模块的头数h作为 寻优参数， 最后得到多任务融合的胎噪预测模型。 5.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法， 其特征在 于， 步骤4具体包括以下步骤： 步骤4.1： 设定扰动系数， 针对胎噪层级分解架构中的每个子模型， 对一个输入数据中 与面积相关的参数进 行扰动， 其他输入固定不变， 然后输入胎噪预测模型进行预测， 以此类 推对所有子模型的每 个输入都进行一次扰动并记录预测结果； 步骤4.2： 将预测结果和原始结果进行对比计算， 最后将计算结果处理后再按照层级间 叠加累乘的关系获得所有路径下的不同材料的面积占比对噪声衰减量、 总成本和总面积的 灵敏度； 其中res为贡献量， Y为原 始结果， Yp为预测结果， 为干扰系数。 6.根据权利要求1所述的一种机理与数据相结合的胎噪不确定性优化方法， 其特征在 于， 步骤5具体包括以下步骤： 步骤5.1： 对各个材料不同厚度的面积占比、 各个部件的重量以及各个系统 的重量设定 可变区间以及置信百分比； 步骤5.2： 基于胎噪层级分解架构和胎噪预测模型， 按照区间求解策略流程进行目标优 化， 具体包括： 面向胎噪正向设计的全局优化： 利用NSGA2遗传算法进行多目标优化， 基于胎噪层级分 解架构中不同厚度面积占比、 部件重量和系统重量的可变区间， 以噪声总衰减量、 总成本和权　利　要　求　书 2/3 页 3 CN 115130303 A 3