(19)中华 人民共和国 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 202111411859.8 (22)申请日 2021.11.25 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市武昌珞喻路 1037号华中科技大 学 (72)发明人 黄其柏　李君宇　吴孝巡　吴小文　 张巍瀚　肖剑锋　赵开阳　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 代理人 崔友明 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 111/10(2020.01)G06F 119/10(2020.01) (54)发明名称 基于HSSA -BPNN模型的车辆全态声品质预报 方法 (57)摘要 本发明提供了基于HSSA ‑BPNN模型的车辆全 态声品质预报方法， 利用传感器提供卡车驾驶工 况数据， 通过多软件 联合分析获取驾驶室噪声信 息， 并根据区间化数据处理的方法， 基于混合麻 雀算法改进反向传播神经网络算法， 建立可听声 范围内噪声预测模型， 通过数值计算的方法， 实 现了预报新能源汽车尤其是卡车驾驶室内的噪 声和客观声品质的功能。 本发明解决了汽车的噪 声源不确定且传递路径众多， 而新能源汽车由于 能源系统复杂， 使得驾驶室内的噪声预报和评价 十分困难的问题， 完善了新能源汽 车体验舒适度 的评价方法。 权利要求书3页 说明书6页 附图2页 CN 114065402 A 2022.02.18 CN 114065402 A 1.基于HSSA‑BPNN模型的车辆全态声品质预报方法， 其特 征在于： 包括以下步骤： S1： 分别将i个激光测速仪、 风速仪器、 声级计和加速度传感器安装在车辆上， 声级计安 装在车辆驾驶室内， 分别对应采集车辆在正常驾驶工况下的包括车速vi、 风速ui、 车辆驾驶 室内声压级数据lpi和动力系统振动加速度ai的数据， 作为评 价正常驾驶工况下的车辆驾驶 室噪声的参数； S2： 通过归一 化方法对步骤S1采集到的数据进行 预处理； S3： 建立有限元分析模型， 通过对步骤S2预处理后的数据进行仿真分析获取驾驶室的 理论声压级数据； S4： 将步骤S1采集到的车辆驾驶室内声压级数据lpi作为参考信 号， 与步骤S3仿真得到 的理论声压级数据LPi分别进行区间化， 并一一对应组成 噪声向量； 基于皮尔逊相关系数公 式提取各区间化的噪声向量的输入系数； S5： 基于HSSA‑BPNN算法建立预测模型； S6： 从区间化的车辆驾驶室内声压级数据中选取数据组成训练集， 通过基于 Metropolis准则的改进梯度下降法训练预测模 型， 得到优化的全态可听声 范围内噪声及客 观声品质的神经网络预测模型； S7： 通过预测模型 预测车辆驾驶室内的噪声； S8： 通过数值计算预报车辆驾驶室内的全态声品质。 2.根据权利要求1所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S1中， 具体步骤为： 若车辆为新能源车辆， 新能源车辆的动力系统包括燃料 电池和蓄电池； 新能源车辆的燃料电池位于驾驶室后方， 蓄电池位于前桥与后桥间两侧的 位置， 将若干个加速度传感器分别固定在燃料电池和蓄电池所在的位置 。 3.根据权利要求1所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S2中， 具体步骤为： 设确认车速vi、 风速ui的时间为t， 通过MATLAB对t时间内的数据进行归一化处理； 设Vi 为归一化后的速度， min(vi)为t时间内的最小速度， max(vi)为t时间内的最大速度， 则 归一 化处理公式为： 4.根据权利要求3所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S2中， 取t＝1分钟。 5.根据权利要求1所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S3中， 具体步骤为： S31： 建立有限元分析模型模拟车辆的正常驾驶工况， 读取并连接有限元模型， 设定初 始滤波参数； S32： 读取步骤S2预处 理后的数据并输入有限元模型； S33： 通过COMSOL对输入数据进行仿真和时频转换， 并进行噪声分析； S34： 通过VA  One步骤S33得到 的数据进行噪声声压级分析， 获取与布置在车辆驾驶室 内的声级计相同位置的理论声压级数据LPi。权　利　要　求　书 1/3 页 2 CN 114065402 A 26.根据权利要求2或5所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征 在于： 所述的步骤S3中， 具体步骤为： 在仿真过程中采用Nadam方法分别确 定布置声级计和 加速度传感器的最佳排列位置和数量。 7.根据权利要求5所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S4中， 具体步骤为： S41： 将理论声压级数据LPi区间化得到： 将车辆驾驶室内声压级数据lpi区间化得到： S42： 设 根据皮尔逊相关系数公式确定各区间化的噪声 向量的输 入系数： r取值范围为[ ‑1， 1]， |r|越大， 表明X与Y的相关性越大。 8.根据权利要求7所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S5中， 具体步骤为： S51： 基于 HSSA‑BPNN算法建立可听噪声预测模型； S52： 对步骤S4得到的区间化的数据结果进行相关性分析， 将区间化的车辆驾驶室内声 压级数据 乘以输入系数作为可听噪声预测模型的输入层数据， 将对应的区间化的理论 声压级数据 作为可听噪声预测模型的输出层数据； S53： 输入层和隐藏层使用双曲正切S型传输函数； 输 出层使用softmax 函数； 设n1为隐藏 层神经元数， n为输入层神经元数， m为输出层神经元数， a∈[1， 10]， 则隐藏层个数为 9.根据权利要求8所述的基于HSSA ‑BPNN模型的车辆全态声品质预报方法， 其特征在 于： 所述的步骤S6中， 具体步骤为： S61： 设Y1， Y2……YN分别为预测点的区间化声压级数据， Xk1， Xk2……XkN分别为区间化的 车辆驾驶室内声压级数据 将欧式距离{d1,d2,……dn}按升序排序， 选取前k(1<kn)个样 本作为预测模型的训练样本： S62： 通过基于Metropolis准则的梯度下降法训练预测模型， 得到优化的、 适用于燃料 ‑权　利　要　求　书 2/3 页 3 CN 114065402 A 3