论文部分内容阅读
提出了统计声学能量流(SAEF)方法和声品质客观评价参数改进算法,结合两者可以准确地预测高速列车车内全频噪声以及响度、尖锐度和粗糙度。为了验证上述方法的有效性和预测结果的可靠性,需要从以下4个方面开展相关工作：首先,提取准确的多物理场耦合激励。当列车匀速直线行驶在空旷的环境下,引起车内振动与噪声响应的激励源主要由二系悬挂力、空气动力噪声、轮轨噪声和设备噪声组成。这些激励源产生于不同的物理效应,其中二系悬挂力是机械力,空气动力噪声是流体噪声,以及轮轨噪声是结构辐射噪声,分别基于刚性多体动力学(MBD)、大涡模拟—间接边界元分析(LES-IBEA)和快速多极边界元分析(FMBEA)进行预测,得到350 km/h下50～4000 Hz频段的激励结果并通过了试验的直接或间接验证。设备噪声由于包含复杂的声源而无法准确模拟,因此通过试验测取,发现其特征近似于混响声场。其次,完成了多物理场耦合激励下的车内全频噪声预测。采用有限元—边界元分析(FEA-BEA)、混合有限元—统计能量分析(FEA-SEA)和统计能量分析(SEA)等方法分别计算了低频、中频和高频车内噪声,各分析频段内的仿真与试验声压级误差总体控制在3 dB以内,符合工程要求。其中,提出了低中高频段的划分准则,将其作为高速列车车内声学分析方法选取的依据；搭建了详细的整备车体有限元模型,包括白车身、内饰系统和牵引传动系统,模型精度通过了整备车体模态试验的验证,前5阶仿真与试验整体模态的振型高度一致且频率误差小于10%；中频和高频声学模型均基于该整备车体有限元模型搭建,从而提升整个分析频段内的车内噪声预测准确度。再次,针对上述声学方法的弊端(比如分析频段的局限性),提出了SAEF方法并将其应用于车内全频噪声的预测。SAEF方法只关注激励源声能经车体组合板件隔声性能的衰减后到达车内声腔的过程,即声能从车外到车内的流动。SAEF模型由四个部分组成,分别是车外声腔SEA子系统、白车身结构SEA子系统、车内声腔SEA子系统、以及子系统之间的面连接或线连接。其中,车外声腔子系统用于加载多物理场耦合声激励,是声能流动的源头；白车身结构子系统与车内声腔子系统的连接面上定义板件的隔声性能,是声能的传递路径；车内声腔子系统用于提取车内各区域的声学响应。计算得到多物理场耦合激励下的车内全频噪声,并通过了搭载试验的验证。最后,提出了声品质客观评价核心参数(响度、尖锐度和粗糙度)的改进算法,考虑了外耳、中耳和内耳的声传递函数,提升算法的完整性和准确性,并将其应用于高速列车车内声品质的预测。详细分析了声品质数学模型的权重系数,提出了有效降低响度、尖锐度和粗糙度的优化流程。基于主动优化为主、被动优化为辅的策略,完成了车内噪声及声品质的优化,车内中心声压级下降1.2 dB(A),响度、尖锐度和粗糙度分别下降11.2%、6.8%和4.9%,优化效果可以被入耳所感知。