基于测试车辆声学警报系统仿真

11天前浏览305

本文摘要：（由ai生成）

本文讨论了电动汽车低噪音水平对行人安全的影响，以及欧盟法规要求配备车辆声学警报系统(AVAS)的解决方案。通用汽车工程师Wenlong Yang通过仿真设计AVAS系统，利用数值模型、扬声器测试和整车模型集成，提高设计效率和测试稳健性。此外，文章还介绍了提供数字孪生和工业软件解决方案的深圳市优飞迪科技有限公司，该公司拥有丰富经验和知识产权，能为客户提供端到端服务。这些技术和解决方案有助于提升电动汽车的安全性和声学性能。

电气化为汽车制造商开启了一个新时代，其中包括通用汽车 (GM)，该公司在全球范围内有数百万辆汽车在道路上行驶。新的动力系统架构影响着车辆的许多基本方面，必须设计额外的系统来适应电动汽车的独特特性。

在噪音方面，由于没有内燃机，电动汽车变得极其安静，以至于行人或其他道路使用者难以快速感知到汽车的存在，存在明显的安全隐患。欧盟已实施一项法规，要求电动汽车搭配音响系统，以向行人提示车辆的存在。

车辆声学警报系统(AVAS) 需要通过在特定位置发出最低噪音水平来确保合规性，这意味着系统需要提供满足要求的适当声学指向性。

AVAS 系统由通常放置在车辆前部的扬声器组成。在设计扬声器时，采用仿真可确保其充分通过认证流程，因为这样可以快速获得结果，无需构建多个原型。此外，由于对系统进行了彻底研究，因此可确保在测试时减少意外情况。

扬声器通常尺寸很小，直径约为 100 mm，格栅上有非常复杂的图案。因此，在评估其作为车辆一部分的性能时，使用复杂的扬声器模型并不容易实现，因为该模型需要较大的计算资源来解决非常高的频率，通常为 3.5 kHz 。相反，将单极子等通用声源来替代扬声器作为车辆模型的一部分，可产生与实际扬声器等效的声辐射功率。不过另一方面，扬声器产生的声场具有明显的指向性，声学单极子无法准确表示。

负责这项工作的通用汽车高级噪声和振动工程师 Wenlong Yang 表示：“通过这个项目，我们开始开发一种方法，来探索整车模型中AVAS 扬声器的声学指向性，并开发一种具有与物理扬声器相同的声音特性的虚拟扬声器模型”。

所提方法和流程可分为以下几个步骤：

生成数值结果，以进行测试决策

测试扬声器以收集麦克风上的声压级

使用测试数据验证数值模型

将扬声器集成到整车车型上

生成数值数据以进行测试决策

整体流程如图1所示。首先通过数值模型进行虚拟测试（pseudo test），通过扬声器振膜激励计算出麦克风上的声压响应。接下来，通过这些麦克风响应利用逆方法反推一个虚拟扬声器表面的加速度场。再利用此加速度场进行自由场的声压计算，并对比此声压结果与前一步振膜激励计算的声压结果以进行验证。这个流程可以把复杂的扬声器模型简化为一个较为简单的等效边界表面加速度输入。

图1：所提出的流程图

为了提取表面振动情况，使用 Actran 中的反向薄膜（inverse pellicular）分析。该技术可以基于多个麦克风的结果来识别扬声器的振型。为确保识别振型的准确，麦克风的数量必须足以完全代表远场中的声场分布，特别是随着频率的增加，声场空间会变得更加复杂。GM 以虚拟方式测试（pseudo test）了布置不同麦克风数量的情况，从最少布置38个麦克风到最多371 个麦克风（图2）。

图2：使用不同数量的麦克风产生的声场

他们发现，尽管可以用76个麦克风表示1米处3kHz的辐射声场，但实际测试的条件多变，这意味着需要进行稳健性研究。Yang 提到：“实际测试总是受到测量误差的影响。我们在测量传声器位置以及每个传声器的声压测量（包括幅度和相位）时可能会出现误差。因此，我们希望检查这些错误是如何发生的，并为此在输入数据中添加了人工扰动”。这可以通过仿真轻松完成。

评估对象包括三个影响因素：麦克风位置、声压幅度和声压相位。他们发现，尽管在使用76个麦克风时，可以很好地复现特定位置和条件下的振型，但它们不足以确保将该过程转化为物理测试所需的稳健性（图3）。下一阶段需要大约300个麦克风：接下来是物理测试。