基于降阶模型实现电动汽车声学优化

电动汽车面临的新的噪声、振动和声振粗糙度挑战

汽车行业的座舱噪声历来由发动机主导。但当发动机被一个完全不同的、安静得多的系统取代时，这无疑改变了设计工程的重心。其他此前常被忽视的噪声源，如路面噪声和空气动力噪声，开始成为乘客耳中不必要声音的主要来源，促使整车厂采取不同路径来调校这些声源。

为了满足对噪声控制处理设计流程的需求，本研究提出了一个联合框架：将Keysight 的 Vibro-Acoustics（VA One）作为预测路面噪声的仿真工具，结合 modeFRONTIER 的流程自动化和设计优化解决方案，以在噪声消除和重量增加之间达到优化设计。

Vibro-Acoustics（VA One）在产品设计中的应用：

路面噪声与阻尼贴片

在物理样机制造之前，振动-声学仿真方法在预测车辆部件和系统的噪声性能方面起着关键作用。常用的仿真技术如有用于模拟结构行为的有限元法，和用于模拟声音传播的边界元法，被广泛应用于高精度预测振动-声学性能。

VA One 第103号求解结果中白车身的某个正则振动模态。该求解可捕捉到指定频率以内的振动模态，使其能够纳入结构动力学和振动相互作用的分析中。

利用VA One进行阻尼贴片优化

本研究使用了一个在VA One 中建立的白车身演示有限元模型。厚度可变的阻尼贴片被策略性地分布在车身地板上，主要目标是在提升声学舒适性的同时，优化其厚度以避免增加的重量影响车辆性能。因此，优化过程只专注于调整每块贴片的厚度，在振动-声学性能与重量约束之间找到理想的平衡。

仿真模拟了路面引起的结构传播噪声，这是重型且需要更硬轮胎的电动汽车座舱内部噪声的主要贡献源。在VA One 模型的每个减震塔上沿垂直方向施加单位力，在白车身上随机分布的点位恢复振动响应，重点分析 20Hz 至 150Hz 的窄带范围。频率不超过 200Hz 的白车身结构模态也被纳入计算。

最初的多目标优化问题包含29个设计变量，每个变量对应车辆内部一块噪声控制处理贴片的厚度。

一旦你能够在计算上复现产品的行为并预测其性能，另一个问题就随之而来：产品可以被设计到什么程度，才能确保在相应领域达到巅峰性能？

借助modeFRONTIER 的集成能力，可以以有序、可控且可重复的方式自动化执行 VA One 的仿真。如此一来，29个设计变量及其组合就能被变化和评估。

modeFRONTIER工作流采用的关键技术

灵敏度分析：用于识别29 块贴片中哪些真正对噪声有影响。通过剔除无关变量，设计空间变得更易管理。

优化算法：本研究采用了NSGA-II（非支配排序遗传算法），这是一种进化策略，用于在相互竞争的目标之间寻找最优权衡，非常适合解决复杂的多目标优化问题。

瓶颈：传统的全尺寸声学仿真计算成本极其高昂。如果仅使用高保真物理模型，全局优化通常只能留到开发后期——那时设计灵活性已经很低的阶段进行。

 

加速优化：响应面模型与降阶模型

实现此自动化后，modeFRONTIER 的各种设计探索和优化能力便可用于此工程设计过程。本研究运用了几种不同的技术：试验设计、灵敏度分析、响应面模型、降阶模型和优化算法。

本研究中进行灵敏度分析的主要目的，是从初始问题中减少设计变量的数量。

该过程遵循以下步骤：

• 生成一个试验设计表

• 评估仿真结果

• 识别对输出影响低的变量

• 从模型中移除无影响的变量

此后，优化问题变得更简单，计算效率也更高。

在其他情境中，灵敏度分析还可以用于：

• 量化关键变量对系统性能的影响，

• 识别特定输出背后的关键驱动因素，

• 以相对较低的计算量获取洞察。

 

modeFRONTIER 的灵敏度分析工具能帮你理解输入与输出之间的关系。全面的分析配合清晰的可视化工具，使研究者能够明了哪些贴片对各输出项的影响最大和最小。那些影响最小的贴片便从模型中被移除。

利用高级算法探索最优设计解决方案

modeFRONTIER 提供的优化算法旨在寻找设计变量的最佳组合，以达成输出值的最小化（或最大化）。可采用的优化策略范围很广：

• 基于梯度的优化：有助于快速获得一个令人满意的结果，尤其是在仿真时间较长时；

• 进化算法：非常适合探索整个设计空间，确保最终结果最有可能是全局最优解；

• 多策略算法：modeFRONTIER 还将前两种算法与试验设计、虚拟化和灵敏度分析相结合，确保在任何一条路径遇到障碍时，总有多种不同路径可以达成目标。

然而，还有一个额外障碍是一些噪声控制处理设计分析所需的纯处理时间太长。由于仿真很耗时，全尺寸声学仿真通常被保留到车辆开发后期——一旦几何和设计参数趋于稳定而设计空间有限时才进行。这种延迟会限制设计灵活性，并增加实施噪声控制修改的成本和精力，因为在此阶段进行重大变更可能会影响多个子系统及生产计划。

基于RSM和ROM的振动-声学优化测试

在本研究中，创建了一个包含150 个设计的试验设计，用于训练 RSM 和 ROM。该数据的生成采用了均匀拉丁超立方方法，确保设计空间被尽可能充分地探索和表征。这一过程耗时约6 小时。

构建用于声学预测的代理模型

所有贴片的质量总和是使用径向基函数RSM 来预测的。径向基函数特别擅长捕捉复杂工程系统中的非线性关系，因为即使基于相对稀疏的数据集，它们也能提供平滑、连续的响应面近似，且精度较高。此外，质量值历来较易通过 RSM 预测，因此模型预测的误差极低。

与此同时，一个ROM 被用于预测声学频谱。该模型同样基于径向基函数技术构建，旨在通过将系统行为投影到一个低维空间来近似全仿真模型，同时保留其基本的物理特性。

研究采用modeFRONTIER 实现的 NSGA-II 算法，进行了多目标进化优化，主要动因是其强大的探索能力，尤其适合在复杂的多维设计空间中进行导航。对于进化算法，传统的高保真仿真往往计算量过大，而本研究中采用的 RSM 和 ROM 使之成为可能。

针对实际优化，选择了三个目标函数：

• 阻尼贴片的总质量之和，

• 噪声频谱的平均值，

• 噪声频谱前三个峰值的均值。

评估优化性能与精度

为评估模型的性能和效率，使用NSGA-II 算法分别独立运行了两次多目标优化，每次均计算 1000 个个体。一次运行使用基于全物理的仿真引擎，另一次则使用 RSM 和 ROM。两次运行的所有优化参数，包括种群大小、交叉和变异概率，均保持一致，以确保结果对比的一致性和公平性。

工程师应在何时使用基于ROM的声学优化？

当仿真时间限制了设计备选方案的探索能力时，基于ROM 的声学优化最具价值。它能让工程师在保留系统基本行为的同时，运行更快的迭代。

这种方法在以下场景尤其有用：

• 早期设计阶段：在设计参数定型之前，工程师需要快速反馈。

• 复杂优化问题：当必须在多个目标（如降噪和减重）之间取得平衡时。

• 计算昂贵的仿真：当全物理模型运行过于耗时，无法反复执行时。

• 设计探索阶段：当需要评估大量变量组合时。

在这些情境下，像modeFRONTIER 这样的工具可以帮助自动化工作流，并将 ROM 和 RSM 模型集成到优化过程中。

结论

Keysight 的 VA One 和 ESTECO 的 modeFRONTIER 是在电动汽车新时代加速设计流程的强大工具。当它们协同使用时，可以让你以快速、可控的方式对产品进行仿真、迭代和评估。此外，ROM 和 RSM 技术让你能够使用运行速度更快的模型，且与标准优化相比几乎毫无损失。

通过利用ROM，优化时间从 39 小时骤降至仅 30 分钟。这带来了：

• 更早的洞察：在概念阶段即可进行声学评估；

• 成本降低：最大限度地减少对物理样机和后期设计变更的依赖；

• 最优性能：在无需承受繁重计算负担的情况下，获得重量和声音的全局最优解。

作者简介：Pedro Luta

Pedro Luta 是 ESTECO 的应用工程师，毕业于巴西 ABC 联邦大学（Federal University of ABC）航空航天工程专业。他拥有优化、螺旋桨系统、空气动力学、声学以及仿真自动化方面的经验，此前曾就职于 Eve Air Mobility。他常驻巴西圣保罗，专注于面向汽车和航空航天应用的仿真流程自动化及降阶建模技术。