主要观点总结
本文主要介绍了提高纯电动汽车振声舒适性的重要性，提出一种基于多任务学习与振动声舒适知识图谱相结合的方法，通过实验验证了该方法在提高车内振动声舒适性方面的准确性和鲁棒性。
关键观点总结
关键观点1: 电动汽车的振声舒适性是目前发展的重点
纯电动汽车的声学和振动特性带来了预测和优化的挑战，需要寻求新的解决方案。
关键观点2: 多任务学习方法的应用
通过多任务学习方法，将均方差不确定性解释作为任务相关加权(TDW)，有效平衡不同回归任务之间的损失，提高了预测准确性。
关键观点3: VACKG知识图谱的结合
提出一种基于tw的多任务学习与振动声舒适知识图谱(VACKG)相结合的融合方法，通过层次关系划分降低问题解决的复杂性。
关键观点4: 实验验证
采用真实的电动汽车进行道路试验，采集噪声和振动数据，验证了所提方法在提高车内振动声舒适性方面的准确性和鲁棒性，优于传统预测和优化方法。
关键观点5: 未来展望与免责声明
模型准确性和泛化取决于有效和可靠的训练数据样本的数量，未来将致力于扩展数据集以增强预测和优化性能。同时，文中免责声明提示读者信息来源于期刊文章，不意味着赞同其观点或真实性，仅供参考。
正文
|
提高纯电动汽车的振声舒适性是目前发展的重点。pev的声学和振动特性表现出广泛的频率分布，并且包含许多目标，因此对其预测和优化提出了挑战。传统的仿真和实验方法虽然能够同时分析噪声和振动信息 ，但由于建模复杂，效率低下。本文提出了一种解决方案，通过多任务学习方法，将均方差不确定性解释作为任务相关加权(TDW)，有效地平衡不同回归任务之间的损失。该方法校正了任务之间的偏差预测，确保了在不同特征和频率分布下准确的室内振动声学舒适性预测。在此基础上，提出了一种基于tw的多任务学习与振动声舒适知识图谱(VACKG)相结合的融合方法。通过对PEV噪声和振动的预测与优化，验证了该方法在提高车内振动声舒适性方面的准确性和鲁棒性。
|
|
本研究提出了一种数据与知识融合的方法，将基于tw的多任务学习与知识图谱相结合，提高pev的振声舒适性。采用一辆真实的电动汽车进行道路试验，通过设计实验的实施，采集了车辆内部噪声和座椅振动数据。引入了一种包含均方差不确定性的多任务预测方法，我们将这种不确定性解释为TDW，从而有效地平衡了不同回归任务之间的损失。VACKG按车辆、系统和部件级别建立。根据VACKG的体系结构对PEV内部SPL和SV进行了分层预测。所建立的TDW模型在60 km/h (120 km/h)速度下，低频和中高频sv的MEs分别为2.07%(1.95%)和1.96%(2.67%)，低频和中频sv的MEs分别为3.15%(3.92%)和3.29%(3.68%)。结果表明，该模型优于传统的单一模型和参数共享模型方法。在PEV振动声舒适性优化中，采用VACKG的TDW模型有显著改善。其中，在60 km/h下，低频和中高频SPLs分别从67.63 dB降低到65.47 dB和30.49 dB降低到28.67 dB。同样，对于低频和中频SVs，在60 km/h下，分别从原始值0.299 m/s2降低到0.281 m/s2和0.079 m/s2降低到0.074 m/s2。在120公里/小时的工作条件下，也有类似的改善。VACKG的有效性在于它能够通过层次关系划分将复杂的强非线性问题转化为多个弱非线性问题的融合，从而降低问题解决的复杂性。在实验验证中，该方法在有效性和鲁棒性方面始终优于传统的预测和优化方法。重要的是要承认，对于数据驱动的方法，模型的准确性和泛化取决于是否有足够数量的有效和可靠的训练数据样本。因此，我们致力于在未来的努力中扩展我们的数据集，以增强预测和优化性能。
|
|
有关论文的更多信息请点击左下角
阅读原文
免责声明：本文中的部分资料来源于该期刊文章，转载目的在于传递信息及分享，并不意味赞同其观点或真实性，也不构成其他建议。本公众号仅提供交流平台，供广大读者学习，不为其版权负责。如涉及侵权、隐私等问题，请联系我们及时删除，同时也欢迎广大读者进行投稿交流。
|
