原文传递
基于机器学习的轮胎噪声预测方法研究
| 论文题名： | 基于机器学习的轮胎噪声预测方法研究 |
| 关键词： | 汽车轮胎;噪声预测;回归模型;机器学习 |
| 摘要： | 车辆引起的交通噪声已成为城市噪声污染的重要因素，随着新能源汽车的保有量增加，轮胎/路面噪声作为汽车的主要噪声源之一的现状越来越凸显。轮胎噪声预测是低噪声轮胎优化设计的基础，预测模型有助于在轮胎的开发阶段，建立轮胎各项设计参数与轮胎噪声性能之间的映射关系，为具有低噪声性能的轮胎设计提供参考依据。 本文采用机器学习方法对TBR卡车子午线轮胎的噪声声压进行预测。具体研究内容与成果如下： （1）以轮胎惯性滑行测试法得到134组样本轮胎的A计权声级作为目标输出；结合轮胎发声机理及影响因素从轮胎结构设计的角度对每条样本轮胎的结构特征、花纹特征进行参数化表征，得到31组特征参数作为模型的输入，构建轮胎噪声预测数据集。对原始数据进行预处理与特征选择，获取模型所需的输入变量。 （2）分别采用八种有监督的回归模型进行轮胎噪声预测，对比分析各单一模型的回归结果，其中最优回归模型RF在测试集上的拟合优度达到了0.7123。为提高模型的预测能力，提出了一种基于Blending集成策略的多模型融合的轮胎噪声预测方法，基于单一模型的回归表现，引入适应度指标来制定Blending第一层基模型的七种组合策略，并分别通过均匀融合与线性融合的方式，对各集成策略下的回归结果进行对比分析，得到回归结果最优的模型，在测试集上的拟合优度达到了0.9894，测试轮胎样本的绝对误差被有效控制在±0.2dB以内。 （3）基于XGBoost、GBRT、RF模型进行特征重要性分析，根据各模型的特征重要性指标分别构建特征子集，并采用一种混合特征选择方法从多尺度特征集中构建最佳特征子集，高效定位能够表征轮胎噪声水平的重要参数。对比不同特征策略下的集成学习效果可知，混合特征策略通过损失2.537%的拟合优度，能够降低集成模型45.24%的训练时间、减少68%的输入特征，提高了模型的预测效率，并将测试轮胎样本的绝对误差有效地控制在±0.5dB以内。 （4）获取轮胎结构描述性统计参数与胎面花纹图像两种模态的信息作为网络的输入，以实测路面通过噪声作为输出，构建轮胎噪声多模态数据集。对比三种预训练迁移模型Resnet18、VGG16、InceptionV3在轮胎花纹图像数据集上的预测表现，并采用预测效果最佳的Resnet18作为轮胎花纹图像特征提取器，并与轮胎结构特征进行特征级融合，构建TLMF-TRNP模型实现轮胎噪声预测。TLMF-TRNP模型能够通过多模态信息之间的互补来建立复杂的非线性关系，在小规模的轮胎噪声数据集上达到了理想的预测精度，将测试样本轮胎的绝对误差有效地控制在±0.4dB以内。 |
| 作者： | 李豪文 |
| 专业： | 车辆工程 |
| 导师： | 梁晨 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
