本发明涉及汽车车内噪声测量的，具体涉及一种基于支持向量回归预测车内声压级的方法。
背景技术：
1、随着汽车产业的不断提高，以及消费者对出行品质要求的提高，在高速行驶时产生的气动噪声，正逐渐成为乘客和研发人员关注的焦点。目前，研究气动噪声主要依赖于风洞试验和数值模拟。风洞试验是研究气动噪声的一种直接方法，但它要求高度精密的实验设备，高昂的运行成本，并且在国内可供进行声学风洞试验的实验室相对较少。另一方面，气动声学数值模拟可以用来计算车内的声场，但它需要研发人员具备深厚的理论知识和丰富的工程经验。此外，基于瞬态流场的气动声场优化需要大量的计算资源和时间，因此可能导致开发周期延长和成本增加等问题。因此,需要一种能够快速、准确、低成本的预测车内风噪声的方法。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于机器学习可以预测车内声压级的方法。
2、为了实现本发明的上述目的，本发明提供了一种基于机器学习可以预测车内声压级的方法：
3、步骤s1：在进行仿真计算之前，将监测点布置在前侧窗玻璃上，监测点之间的间隔有一定距离，并使其覆盖整个前侧窗玻璃表面；前侧窗玻璃即驾驶座位置排的玻璃称为前侧窗玻璃。
4、步骤s2：进行流体仿真计算，以获取侧窗玻璃的压力场结果和监测点的湍流压力时域数据和声压压力时域数据；其中压力场结果是针对面的压力数据。
5、步骤s3：利用声学软件，将压力场结果转化为流致声源和声致声源，声学软件计算得到车内人耳声压级，根据车内人耳声压级得到对应的总声压级oa和语音清晰度ai；总声压级oa和语音清晰度ai是汽车风噪客观评价的指标。
6、步骤s4：将监测点的湍流压力时域数据和声压压力时域数据转换为湍流压力频域数据和声压压力频域数据，并对频域数据下的点数据进行叠加，然后与声致声源和流致声源进行折减，即湍流压力数据与流致声源进行折减，声压压力数据与声致声源进行折减；从而得到处理后的监测点数据；
7、步骤s5：以车辆特性、处理后的监测点数据，以及车内人耳声压级作为数据集，进行归一化处理后，建立支持向量回归模型；(模型训练过程：采用输入数据集，输出数据集，训练得到模型，在模型训练好后，仅需要输入数据和模型，就可以预测得到输出数据。在训练时，输出数据集也归一化)
8、步骤s6：将车辆特性和处理后的监测点数据输入支持向量回归模型后，进行车内人耳声压级预测。
9、进一步地，所述步骤1监测点位置布置，采用64mm测点的间隔。
10、进一步地，所述步骤2中进行仿真计算时，计算域入口速度保持一致，出口为压力出口，采用的仿真计算模型有：稳态湍流模型为sst k-ω，瞬态湍流模型为iddes。
11、进一步地，所述步骤3中运用声学软件，将前侧窗玻璃面压力场数据转化得到流致声源和声致声源，将声源加载到各车辆相应的声包模型中，计算得到车内主驾人耳处声压级曲线，并计算相应的总声压级oa和语音清晰度ai(语音清晰度按照《gb/t 15485 -1995声学语言清晰度指数的计算方法》进行计算)。
12、进一步地，所述步骤s4中将监测点的湍流压力时域数据和声压压力时域数据转换为湍流压力频域数据和声压压力频域数据，并对频域数据下的点数据进行叠加，然后与声致声源和流致声源进行折减，从而得到处理后的监测点数据；其中湍流压力数据与流致声源进行折减，声压压力数据与声致声源进行折减；并且湍流压力数据与声压压力数据的处理过程相同，声压压力数据的处理包括以下步骤：
13、(1)读取某个点的声压压力数据，进行傅里叶变换将时域的声信号转换为频域，所述傅里叶变换选择使用汉宁窗函数；
14、(2)按照中心频率200hz-6300hz的1/3倍频程范围划分中心频率段；
15、(3)对于第i个中心频率段，首先根据该频带截止频率fu(上限频率)、fl(下限频率)及fs(采样频率)计算其在频率坐标轴上对应的点数，由此从傅里叶变换得到的阵列中截取出[fl,fu]区间内的频谱数据(其他区间幅值均为0)并还原为双边谱；然后进行快速傅里叶逆变换；最后，取快速傅里叶逆变换后复数结果中的实部数据，作为该中心频率段内的声压有效值yc(k)；
16、(4)根据声压有效值，计算某个点第k个中心频率段的声压级，如下式：
17、
18、式中，yc(k)为第k个中心频率段内的声压有效值，pl(k)为第k个中心频率段的声压级，lg是指对数函数，p0为参考声压。
19、(5)根据某个点第k个中心频率段的声压级，叠加计算单个(第k个)频率下不同监测点的声压级，以获得不同频率下声致声压级曲线；
20、
21、式中，lp(k)为单个(第k个)频率下不同监测点的叠加声压级；n为监测点个数；pl(k)为某个点第k个中心频率段的声压级。
22、(6)将(5)叠加的声致声压级和侧窗的声致声源进行折减，建立两者联系。
23、流致声压级同上述过程进行处理，只是在(6)中是与流致声源进行折减。
24、进一步地，所述步骤s5中以车辆特性、监测点处理后的数据，以及车内人耳声压级作为数据集，进行归一化处理后，建立支持向量回归模型；包括以下步骤：
25、(1)建立车内声压级预测的数据集，所述数据集包括输入数据集和输出数据集，所述输入数据集包括车辆特性和监测点折减后数据，车辆特性包括车辆自身的隔声、混响，监测点折减后数据为折减后的声致声源和流致声源；输出数据集为步骤s3的车内人耳声压级；
26、(2)对数据集进行归一化处理，公式如下：
27、
28、式中，x，y分别对应归一化前后数据，xmax，xmin分别对应归一化处理前数据集中数据的最大值和最小值，而ymax，ymin则是归一化处理后数据集中数据的最大值。该过程确保不同特征之间的数据范围差异不会导致不良影响，有助于模型的训练和性能改进。
29、(3)对归一化处理后的数据进行支持向量回归模型训练，支持向量回归模型的核函数采用高斯径向基函数，公式如下：
30、k(x,y)＝e-γ‖x-y‖2 (4)
31、式中，x是输入样本点，y是中心点，γ是控制径向基函数宽带的参数，即核函数参数。
32、(4)确定支持向量回归模型的模型参数，所述模型参数包括惩罚因子c和核函数参数γ。采用交叉验证中的网格搜索算法，给定惩罚因子c和核函数参数γ一定范围，按照指定的步长分别对惩罚因子c和核函数参数γ取值，并将不同取值的惩罚因子c和核函数参数γ进行排列组合，将每一组参数组合进行测试，取性能指标最优的那一组参数作为最终参数的值，从而寻找到最优惩罚因子c和核函数参数γ。性能最优时，参数就是最优惩罚因子c和核函数参数γ；性能指标为相关系数r2，yi表示真实值，表示预测值，i为训练集的样本。
33、当上述模型预测精度较高时，仅需要多个监测点的压力数据、各车辆的特性，结合预测模型，就可以得到车内声压级曲线，并计算得到人耳处总声压级oa和语音清晰度ai。
34、相比于现有技术,本发明的优点及有益效果在于：通过流体速度和压力场计算得到监测点声源大小，结合车辆自身特性，使用模型进行预测，得到主驾位置出人耳的声压级曲线，并计算得到总声压级oa和语音清晰度ai。本发明的方法可以在不完全依赖昂贵声学计算软件的情况下，保障了主驾人耳处声压级预测的计算精度和效率，具有较低的成本和更短的开发周期。
1.一种基于支持向量回归预测车内声压级的方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于支持向量回归预测车内声压级的方法，其特征在于，步骤s2中进行仿真计算时，计算域入口速度保持一致，稳态湍流模型为sst k-ω，瞬态湍流模型为iddes。
3.根据权利要求1所述的基于支持向量回归预测车内声压级的方法，其特征在于，步骤s3中运用声学软件，将前侧窗玻璃面压力场数据转化得到流致声源和声致声源，将声源加载到各车辆相应的声包模型中，计算得到车内主驾人耳处声压级曲线，并计算相应的总声压级oa和语音清晰度ai。
4.根据权利要求1所述的基于支持向量回归预测车内声压级的方法，其特征在于，所述将监测点的湍流压力时域数据和声压压力时域数据转换为湍流压力频域数据和声压压力频域数据，并对频域数据下的点数据进行叠加，然后与声致声源和流致声源进行折减，从而得到处理后的监测点数据；
5.根据权利要求1所述的基于支持向量回归预测车内声压级的方法，其特征在于，所述步骤s5中以车辆特性、监测点处理后的数据，以及车内人耳声压级作为数据集，进行归一化处理后，建立支持向量回归模型；包括以下步骤：
6.根据权利要求5所述的基于支持向量回归预测车内声压级的方法，其特征在于，所述支持向量回归模型的核函数采用高斯径向基函数，并采用交叉验证的方法，寻找最优惩罚因子和核函数参数。
