一次精彩的皮卡车降噪试验过程

2006-09-20 16:25:35

字体变小 字体变大
一次精彩的皮卡车降噪试验过程

本人有幸观摩了B&K公司叶工(叶志刚)为某公司的柴油发动机皮卡车的降噪试验过程,使本人对汽车加速行驶车外噪声控制过程有了深刻的认识。在整个试验中他可没有大谈特谈什么模态啦,也不开口闭口就是什么声品质声质量等等,避免把人蒙糊涂。
叶工的降噪过程非常简单,他首先用他们B&K公司的3560B PULSE系统把被测车辆在试验场地的加速行驶噪声过程记录下来的同时就得出下面的图形:


图片附件: 1_1132801517.jpg (2006-8-9 06:16, 77.01 K)


图一 整车噪声原始值

从该图的下半部可以看出,试验样车在3257r/min时,加速行驶车外噪声最大,其噪声值达到81.5dB(A)。图的上半部给出了该样车在3257r/min时的频谱图,频谱图中的总值为81.5dB(A),图中的阴影为该系统提供的Delta光标,阴影部分的总值为80.4dB(A),从噪声控制的知识可知阴影部分占总知识能量的了77%,其中最大值为4000Hz处,同时又显示了该频率点为7阶,再把汽车的发动机仓盖打开一看,发现风扇是7叶的,由此估计该噪声主要来自风扇。
消除风扇噪声后,该车的车外加速行驶噪声降低到76.6dB(A),从该频谱图中可以看出1.6kHz以下的成份依然占噪声能量的70%以上。消除了风扇噪声后,该车的变速箱噪声上升为车外噪声主要噪声源。


图片附件: 2_1132801533.jpg (2006-8-9 06:16, 81.5 K)


图二 消除风扇噪声后的整车噪声



图片附件: 3_1132801556.jpg (2006-8-9 06:16, 79.5 K)


图三 为变速箱噪声有无异响的对比图

消除了风扇噪声和变速箱噪声后,该车的加速行驶车外噪声最终为73.6dB(A)。满足了客户的降噪要求。(当然客户是想把该底盘改为SUV车)


图片附件: 4_1132801580.jpg (2006-8-9 06:16, 86.77 K)


图四 消除了风扇噪声和变速箱噪声后的整车噪声

试验刚开始时我还为叶工担心,因为小功率柴油机的转速较高,噪声较大,这种柴油皮卡车的噪声一般很难降到74dB(A)以下的。叶工告诉我说:降噪首先是要识别和分解噪声源,对噪声源排队,降低主要噪声源后再对噪声源排队,再降低最大噪声源。目前国内有些汽车噪声控制人员比较轻视分析,恨不得有一种工具一测就了之。其实他们应该知道医生诊断病情后是要给病人开药方的,同样降噪测量后也是要去想如何开展噪声开展工作。
听完叶工的一席话,我对噪声控制有了更清晰的了解。以往我们总是听别人狂吹模态如何如何好,另外一家神侃声品质有多神,把我们这些刚入门的给忽悠蒙了,不知该用什么设备来降噪。通过本次试验俺可算明白了,简洁实用最重要,特别是要学会分析才是解决问题的关键。

本次试验结束后叶工给俺展示了一些B&K公司声学成象技术,现拿给大家欣赏一下,叶工强调说无论用什么仪器,分析是最重要的。据说国内以有两家购买了该产品。


图片附件: 5_1132801612.jpg (2006-8-9 06:19, 23.48 K)


声学成象测量矩阵



图片附件: 6_1132801625.jpg (2006-8-9 06:19, 62.01 K)


发动机噪声图像



图片附件: untitled_1132801650.jpg (2006-8-9 06:19, 73.67 K)


工程车辆的声源分布图



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值