汽車聲學包輕量化設計*

唐中華，賀巖松，馬 濤，張志飛，蒲弘杰，李 云，陳 釗

（1.重慶大學汽車工程學院，重慶 400044；2.東風柳州汽車有限公司，柳州 545005）

前言

車內噪聲按照頻率可分為低頻、中頻和高頻噪聲。車內低頻噪聲可采用有限元法和邊界元法等分析求解［1-2］；而隨著頻率的升高，車身結構在高頻段呈現出“短波長、高模態密度和高模態重疊數”［3］等特性，導致有限元法不適用于高頻噪聲分析；而統計能量法（statistical energy analysis，SEA）可克服這些不適合有限元分析的因素［4］，故可廣泛應用于高頻噪聲研究中［5-8］。Dejong［5］首次嘗試采用統計能量法預測車內噪聲問題，建立了包含34 個子系統和考慮動力總成、路面和風等3 種激勵的整車模型。陳書明等［7］基于統計能量分析原理，建立了47 個車身結構和車外聲腔子系統，成功地預測了汽車車外噪聲。劉加利等［8］利用統計能量法深入研究了高速列車車內氣動噪聲的頻譜特性和速度依賴性等規律。

聲學包是控制車內高頻噪聲的有效措施［9-11］，將不同吸、隔聲材料進行最優組合，不僅可獲得良好的聲學性能，還能實現材料的輕量化［12］。吳憲等［11］以覆蓋率、堵件厚度、PU 泡沫厚度和EVA 面密度為設計變量，對前圍板聲學包進行優化，使聲學包在隔聲性能與質量之間取得最佳平衡。楊曉濤等［13］采用NSGA-Ⅱ遺傳算法對頂棚聲學包Kriging 近似模型進行優化，得到了頂棚4 層吸聲材料的最優組合，兼顧了降噪與輕量化性能。而運用統計能量法搭建整車模型，從整車聲壓和輕量化角度對聲學包進行優化，不僅能獲得最佳聲學包組合，還可以有效降低整車開發成本和縮短開發周期。

為指導車內聲學包的優化，運用統計能量法建立整車模型并計算駕駛員頭部聲腔聲壓，與試驗值對比驗證模型的準確性。根據各子系統對駕駛員頭部聲腔聲壓的貢獻量分析，進而提出內前圍和地板子系統聲學包改進方案。最后，面向車輛的總聲壓級和總質量建立Kriging 近似模型，采用多目標遺傳算法對聲學包材料厚度進行優化，實現聲學包優化設計。

1 SEA整車模型

1.1 SEA基本原理

統計能量法從統計角度出發，將復雜系統分解為多個便于獨立分析的子系統，并用經過空間和頻域上平均處理的模型參數來描述子系統的狀態，故統計能量法結果也是空間和頻域平均的結果［14］。統計能量法中，單個子系統i所處的狀態用模態密度ni和內損耗因子ηi表示，模態密度是表征子系統吸收和儲存能量能力大小的參數，內損耗因子是表征子系統自身對能量衰減強弱的參數。而第i、j 個子系統之間的耦合作用則通過耦合損耗因子ηij表示。多個相互耦合的子系統的功率流平衡方程可表示為

式中：ω 為系統固有頻率；Ei為子系統i 儲存的能量；Pi為子系統i的外部輸入功率；N為子系統個數。

求解式（1）可得到每個子系統的能量，再將子系統的能量按照式（3）轉換成相應的動力學指標，即可完成求解。

1.2 SEA子系統的建立

子系統劃分需滿足模態相似準則，即要求一個子系統所包含的部件必須有相同的動力學特性［14］。在工程應用中，通常結合模型劃分子系統，如不同材料、不同厚度的結構劃分為不同的子系統；為了保證各聲腔子系統的嚴格封閉性，即使可以劃分為同一子系統的結構，也須根據聲腔子系統劃分為兩個或多個子系統［15-16］。

根據子系統劃分原則，建立某款緊湊型SUV 統計能量法整車模型，如圖1所示，共包含16個聲腔子系統和175個結構子系統。聲腔子系統如表1所示；而結構子系統則主要包括玻璃子系統、防火墻子系統、地板子系統、頂棚子系統、立柱子系統和車門子系統等。其中，玻璃子系統用平板單元建模，立柱子系統用梁單元建模，其他結構子系統采用曲面板單元建模。

圖1 統計能量法模型

表1 聲腔子系統

在統計能量法模型中，各子系統之間的耦合方式分為點、線、面3 種形式。線連接是結構子系統之間的主要連接形式，線連接的交點處則為點連接，聲腔與聲腔、聲腔與結構之間則以面連接的形式保證子系統之間的耦合。

1.3 SEA參數計算

統計能量法參數包括模態密度、內損耗因子和耦合損耗因子。采用理論公式［14-15，17］計算各個子系統的模態密度、內損耗因子和各子系統之間的耦合損耗因子。下面分析計算結果。

圖2（a）為左前、左后風窗玻璃和駕駛員側車窗玻璃子系統的模態密度。由圖可知，平板子系統模態密度不隨頻率變化。圖2（b）為聲腔子系統的模態密度，其隨頻率增大而增大。

圖3（a）和圖3（b）分別為玻璃子系統和聲腔子系統的內損耗因子。由圖可見，玻璃和聲腔子系統的內損耗因子隨頻率升高而減小，相對而言，玻璃子系統的內損耗因子變化較平緩。

圖4（a）為左、右防火墻子系統的耦合損耗因子，其隨頻率升高而減小，在中心頻率為630～1 250 Hz的區間減小較快，而中心頻率為1 250～6 300 Hz 的區間減小緩慢；圖4（b）為駕駛員腿部聲腔子系統與左前地板子系統的耦合損耗因子。由圖可知，隨頻率升高而減小，且變化較緩慢。

2 激勵載荷提取與模型驗證

圖2 子系統模態密度

圖3 子系統內損耗因子

圖4 子系統耦合損耗因子

汽車行駛過程中受到的外部激勵可分為結構激勵和聲激勵兩種類型。結構激勵包括路面不平度激勵和動力總成激勵等，聲激勵則包括發動機艙聲輻射激勵、車身表面脈動壓力激勵等。在高頻分析中，聲激勵是主要的噪聲源，因此分析中主要考慮發動機艙的聲輻射激勵、車身表面脈動壓力激勵和動力總成激勵。

2.1 發動機艙聲輻射激勵

發動機艙的聲輻射激勵測試試驗在半消聲室進行，車速為80 km/h。在發動機上側、下側、左側、右側、左防火墻側和右防火墻側分別布置3 個傳聲器，用3 個傳聲器的平均值代表該表面輻射聲壓。發動機上側傳聲器布置見圖5。測試前，先將汽車預熱；測試過程中，車身開閉件、車窗玻璃和空調均為關閉狀態。最后得到發動機艙聲輻射激勵1/3倍頻程圖，如圖6所示。

2.2 動力總成激勵

通過實車道路測試試驗獲取動力總成懸置激勵，車速為80 km/h。測試過程中分別在動力總成左懸置、右懸置和后懸置被動端安裝加速度傳感器。圖7為右懸置被動端加速度傳感器布置圖，圖8為右懸置測試結果。

圖5 發動機上側傳聲器布置圖

圖6 發動機艙聲輻射激勵

圖7 右懸置被動端加速度傳感器布置圖

圖8 右懸置加速度激勵

2.3 車身表面脈動壓力激勵

建立整車計算流體動力學模型，提取車身表面脈動壓力激勵。計算域尺寸為10L×9W×5H，其中L、W、H 分別表示車長、車寬和車高，計算域如圖9 所示。采用Realizable k-ε 湍流模型進行穩態計算，當計算結果收斂后，再以穩態計算結果為初始條件進行瞬態計算提取脈動壓力，瞬態計算以大渦模擬為湍流模型，亞格子模型選用WALE。計算邊界條件設置如表2 所示。車身表面脈動壓力計算結果如圖10所示。

圖9 計算域劃分

圖10 車身各表面脈動壓力級

表2 邊界條件設置

2.4 模型驗證

將試驗測試所得動力總成懸置激勵施加到前大梁和副車架上，發動機艙的輻射噪聲以擴散聲場的形式施加到防火墻上，車身表面脈動壓力激勵以紊流場的形式施加到車身各表面，進行仿真計算，提取駕駛員頭部聲腔聲壓，并與實車道路測試獲取的駕駛員右耳聲壓對比，如圖11所示。仿真與測試結果吻合較好，說明統計能量法模型具有較高的準確性。

圖11 駕駛員頭部聲腔聲壓仿真與測試結果對比

2.5 駕駛員頭部聲腔聲壓貢獻量分析

對駕駛員頭部聲腔聲壓進行貢獻量分析，結果如圖12 所示。由圖可知，在630～2 500 Hz 頻段，對駕駛員頭部聲腔聲壓貢獻量較大的子系統主要為駕駛員腿部聲腔、前風窗玻璃和左前側頂棚。當頻率高于2 500 Hz 后，前風窗玻璃和側窗玻璃成為對駕駛員頭部聲腔貢獻量較大的子系統。

圖12 駕駛員頭部聲腔功率貢獻量分析

由于駕駛員腿部聲腔是對駕駛員頭部聲腔聲壓貢獻量較大的子系統之一，且本文不對聲腔子系統做改進，故又對駕駛員腿部聲腔聲壓進行了貢獻量分析，結果如圖13 所示。由圖可知，對腿部聲腔貢獻量較大的子系統主要為防火墻、左前車門前內板、左輪罩板和左前地板等。

圖13 駕駛員腿部聲腔功率貢獻量分析

因此綜合結果，對駕駛員頭部聲腔聲壓貢獻量較大的子系統主要為防火墻、前車門前內板、前風窗玻璃和前地板等。

3 聲學包的優化設計

防火墻聲學包分為內前圍（駕駛室側）和外前圍（發動機艙側）聲學包。下面選擇內前圍和前地板聲學包，從整車聲壓與輕量化角度對其進行優化。

3.1 聲學包改進方案設計

內前圍聲學包通常為2 層或3 層結構。原車內前圍采用EVA+PU 泡沫（80 kg/m3）2 層布置的形式，在原車聲學包基礎上，將80 kg/m3的PU 泡沫換成31 kg/m3的PU 泡沫，再加1 層毛氈材料，而維持原聲學包27 mm總厚度不變，設計改進方案如表3所示。

前地板聲學包選擇EPDM 為基礎材料，以針刺纖維+毛氈組合結構，保持原聲學包總厚度22 mm不變，原前地板聲學包及其改進方案如表3 所示，各材料參數見表4。

分別計算了改進方案的隔聲性能，并與原聲學包聲學性能對比，結果如圖14和圖15所示。由圖可知，內前圍聲學包和前地板聲學包的改進方案隔聲性能優于原車聲學包，說明內前圍和前地板聲學包改進方案設計合理。最后，建立改進方案的優化模型，對聲學包各層聲學材料厚度做進一步優化。

表3 原車聲學包及改進方案

表4 聲學包材料

圖14 內前圍聲學包

圖15 前地板聲學包

3.2 聲學包改進方案優化

以駕駛員頭部聲腔總聲壓級S、聲學包總質量M為優化目標，以內前圍聲學包毛氈厚度N1、PU 泡沫（31 kg/m3）厚度N2和前地板聲學包EPDM 厚度D1、針刺纖維厚度D2、毛氈厚度D3為優化變量，以聲學材料總厚度作為約束條件建立如下優化模型：

選擇拉丁超立方抽樣方法抽取60 組樣本，并代入模型計算對應樣本的目標值，如表5所示。

表5 樣本值與響應值

通過樣本值與響應值建立三維Kriging 近似模型，選擇決定系數R2評價Kriging 近似模型的精度。計算得到聲學包總質量的Kriging 模型決定系數為0.88，駕駛員頭部聲腔總聲壓級的Kriging 模型決定系數為0.98，均大于0.85，說明近似模型精度滿足分析要求。

采用多目標遺傳算法對聲學包近似模型進行優化。設置遺傳代數為50，每代精英數量為樣本空間的10%，變異率為0.01。經過計算得到296 組不劣解，構成關于駕駛員頭部聲腔總聲壓級和聲學包總質量的帕累托前沿，如表6所示。

最后，引入標準邊界交叉法在帕累托前沿中尋找最優解［18］。首先對296 組解進行標準化處理，將目標值轉為無量綱數；再求解搜索半徑R2，獲得其最小值為0.81。對應的優化變量結果與近似模型目標值如表7所示。

將優化變量結果圓整后代入原模型中，得到駕駛員頭部聲腔總聲壓級為54.03 dB（A），聲學包總質量為8.32 kg，聲學包優化前后對比見表8。與原方案相比，駕駛員頭部聲腔總聲壓級降低0.63 dB（A），聲學包總質量降低了2.18 kg，減質量20.76%。

表6 帕累托前沿

表7 優化結果

表8 聲學包優化前后對比

4 結論

利用統計能量法建立了車內高頻噪聲分析模型，結合車速80 km/h 勻速工況下的激勵數據，預測了駕駛員頭部聲腔聲壓，預測結果與試驗測試數據吻合較好，說明建立的統計能量法模型可用于高頻噪聲分析。

在統計能量法模型上，分析了對駕駛員頭部聲腔聲壓貢獻量較大的子系統，提出了內前圍和前地板聲學包改進方案，并驗證了其可行性。最后，建立了改進方案中各層材料厚度與駕駛員頭部聲腔總聲壓級、聲學包質量Kriging 近似模型，采用多目標遺傳算法對聲學包材料厚度進行了優化。優化后兩個聲學包的總質量減輕了2.18 kg，減質量20.76%；駕駛員頭部聲腔總聲壓級降低了0.63 dB（A），既保證了車內的聲學性能，也實現了輕量化。