40km/h 粗糙路面车内"烦躁"是谁的锅？TPA + 声品质联合诊断，锁定后副车架

3月前浏览297

某款车在 40 km/h 粗糙路面匀速行驶时，主观评价"车内声品质较差"，但传统 A 声压级看不出致命问题。团队用了一套 TPA（传递路径分析）+ GA-BP 声品质预测 的组合拳，从 48 条结构路径里精准揪出"后副车架三个安装点 Z 向"，最后靠衬套刚度下调 15%，把 87 Hz 峰值砍掉 7.3 dB。

图1 NTF函数测量

下面拆一下这条诊断链。

🔍 第一步：频谱先"报警"

对主驾内耳位置做噪声频谱分析，60–200 Hz 频带是底盘悬架系统被路面激励激发的典型区间，且 87 Hz 处有明显峰值——初步判断是底盘件模态问题，但具体哪条路径，还得靠 TPA。

图2 主驾内耳噪声频谱

🔧 第二步：48 条结构路径的 TPA 建模

路噪以结构声为主，空气声贡献小可忽略，TPA 公式简化为：

路径范围：前后副车架安装点、减振器/减震弹簧/拖曳臂车身连接点，共 16 个连接点 × 3 方向 = 48 条结构路径
NTF 测试：半消声室内，PCB 力锤敲各路径点，主驾内耳布麦克风
工况数据：粗糙路面 40 km/h 稳态，按 GB/T 18697 采 15 s

用 Simcenter Testlab 18 的 TPA 模块合成噪声，和实测对比吻合度很高，证明模型可信。

图3 实测噪声与拟合噪声

🧠 第三步：把"声品质"引进来——GA-BP 预测模型

传统 TPA 优化目标是降 A 声压级，但 A 计权不能完整反映人的主观感受。这篇的关键创新点，就是把"烦躁度"作为优化目标。

团队做了 42 组稳态噪声样本（怠速 ~ 120 km/h），心理声学参量选 4 个：

参量	与烦躁度 Spearman 相关系数
A 声压级	0.856
响度	0.813
粗糙度	0.788
尖锐度	0.738

注：4 个参量在 99% 置信区间均显著相关，全部入模。

BP 神经网络拓扑 4-6-1（4 输入 → 6 隐含 → 1 输出烦躁度），但标准 BP 容易陷局部极值，所以用 遗传算法 GA 优化初始权值和阈值：

种群 50，最大代数 150，交叉 0.3，变异 0.05
36 组训练 / 6 组验证

结果：最大误差 7.23%，平均误差 4.10%——模型够用。

图4 GA-BP模型预测精度结果

🎯 第四步：48 条路径的"烦躁度贡献量"排名

把 TPA 得到的各路径频谱 → 逆 FFT → 时域 → 算 4 个心理声学参量 → 丢进 GA-BP → 出每条路径的烦躁度。

部分高贡献路径如下表（注意：单条路径的 A 声级可能比总噪声还大，这是掩蔽效应导致的非线性叠加，也是为什么只看 A 声级会误判）：

路径	A 声级	响度	尖锐度	粗糙度	烦躁度
后副车架左后 Z	51.27	2.02	0.59	0.18	7.28
后副车架右后 Z	48.09	1.29	0.53	0.16	7.26
后副车架右前 Z	51.37	2.00	0.54	0.18	7.10
前副车架左后 Z	46.55	1.48	0.51	0.16	5.80
主驾内耳（总）	57.20	3.77	0.55	0.20	6.56