一种用于详细分析噪声传递机理表征风噪声源和机体响应的新方法

摘要

车内因外部气流引起的噪音，即风噪声，是一种声音震动现象，需要通过系统仿真方法实现其预测。与大多数来自发动机或路面输入的其他噪音不同，在模拟风噪声时的主要困难之一是风噪声有两种不同类型的来源，即对流和声学来源（通常称为声压和水动压）。因此，为了合成车内声压级(SPL)，必须考虑对两种类型来源的车身敏感性(车内SPL和外部声源)。特别是对于对流输入的敏感性尚未得到很好的理解和确定。更重要的是风噪声的高频特性（主要能量范围延伸至4000 Hz）,限制了计算机辅助工程（CAE）在确定车身敏感性方面的有效应用，例如从侧窗玻璃传递到乘员耳朵的情况。本文提出了一种新的分析风噪声的方法，该方法不受噪声源固有特性的限制(即对流和声学成分的混合)。为了应对这种双输入的复杂性，建立了一个新的传输模型，将噪声源简单地描述为撞击人体表面的“力”，而不考虑噪声源的类型和用于人体对力的灵敏度的噪声传递函数(NTFs)。该模型可以定量合成车内噪声，也可以高精度地分析噪声源和/或车身灵敏度。

引言

提高乘客舱的安静程度以增强驾驶员和乘客的舒适性对于增强车辆的市场竞争力至关重要。为了在欧洲和美国特别是高速驾驶时提高车内的静音性，有必要减少空气动力噪音，即风噪声，因为在高速行驶时它是主要的噪音组成部分，而不是发动机或轮胎噪音。与此同时，为了提高环境性能，人们提出使用更薄的车身面板和玻璃零部件来减轻车辆重量，但这也使得车内隔音变得更加困难。因此，有必要减少噪音源本身。在这种背景下，为了同时提高静音性和减轻车辆重量，有必要定量地了解产生风噪声的机制以及它如何传递到乘客舱内的机制。

许多技术已经被提出和报道，用于定量确定风噪声，包括风噪声源的表征和传递响应系统的建模。然而，在车辆工程中使用的技术尚未达到满足所有要求的水平，包括高频率下的良好预测准确性，合理的计算时间（包括模型准备时间）和可接受的成本等。统计能量分析（Statistical Energy Analysis，SEA）是一种有效的方法，可以以高精度识别高频率的车内噪音成分，文献中也有汽车制造商应用SEA的例子。然而，SEA并没有足够的空间分辨率来阐明引起风噪声的机制，而这正是我们研究中感兴趣的问题，因此有必要进行新方法的研究。

风噪声源被划分为两种类型的混合物，即由对流引起的压力波动（在这里称为伪声音）和声学波动。因此，有必要为每种类型定义相应的传递函数。虽然在这方面可以形成定性的假设，但定量地证明它们的困难构成了一个问题。

在这里描述的方法将风噪声的激励源视为由计算流体动力学（CFD）计算得出的壁面压力波动所引起的微小力，而不将它们分成伪声音和声学波。在这里，“激励源”一词的含义广泛，包括噪音源。研究了一种新的模型，用于动态地连接激励源和传递响应系统。结果，这种新开发的方法使得从输入的详细分布和传递响应系统的角度，可以定量和可视化地处理风噪声现象。因此，这种方法现在能够以高精度定量分析车内风噪声。

风噪声相关

车辆的风噪声可以广泛分为窄带和宽带噪声两个区域。对于窄带风噪声，也被称为异常噪声，通常主要采取措施处理噪声源，而很少采取措施（包括隔音）来处理传递响应系统。相比之下，对于没有奇怪噪声的宽带风噪声，需要对噪声源和传递响应系统都采取综合措施，因为驾驶员和乘客可以感知到允许的噪声水平已经确定。因此，有必要清楚地识别产生宽带风噪声的激励源机制和传递响应系统到车厢内的机制。本文讨论的是宽带风噪声，需要从激励源和传递响应系统这两个方面进行有效处理。

涉及定义和评估激励源和传递函数的问题

在试图阐明风噪声的机制时，涉及到定义和评估噪声源的问题，噪声源由两种噪声源组成，包括伪声和声波，以及它们相应的传递响应系统。关于激励源，例如，可以使用表面传声器测量车身表面的压力波动，但由于下面解释的原因，很难准确评估激励源的分布。

图1展示了在同一车辆上使用两个不同膜片直径的麦克风所测得的声压级。膜片直径较大的麦克风在较高频率上显示较低的声压级。造成这一现象的原因是因为麦克风膜片上的涡旋（伪声音）数量受到麦克风尺寸和风速的影响，如图2所示。麦克风捕捉到的伪声音频率在此定义为膜片上每秒经过的涡旋数。在较高频率下，涡旋之间的距离变得越来越小，因此膜片上的涡旋数量增加。随着涡旋数量的增加，膜片的效果逐渐减弱，导致较大声压接收面积的麦克风在较高频率上显示较低的声压级。这种效应特别适用于高波数特征的伪声音。

图1. 用表面传声器测量噪声源的例子

图2. 使用表面传声器测量压力波动分布的概念示意

图3显示了通过将表面麦克风测得的压力波动（单位为Pa）乘以传递损失（以Pa/Pa表示）计算得出的车内风噪声水平。可以看到，预测值至少比测量值高出20 dB，导致与车内实际噪声水平不一致。造成这种差异的原因是传递损失是一个指标，用于表示车身对声学波的敏感性，但并不表示车身对伪声音的敏感性，而伪声音是表面麦克风测得的压力波动的主要组成部分。简而言之，用外部麦克风测得的声压级与车内噪声水平之和并不非常相关。这种不一致性源于尚未针对分别构成风噪声激励源的声学波和伪声音定义合适的传递函数，如图4中的模型所示。

图3. 风噪声预测精度的现状

图4. 不将激励源分离为声波和伪声的室内噪声模型(模型见图3)

定量分析车内噪声方法

因此，进行了一项调查，以确定是否可以通过使用车身灵敏度（即噪声传递函数，NTF，以Pa/N表示）作为适合的传递响应系统，解决图4中车内噪声模型的问题。图4中的模型的困难在于需要为声学波和伪声音分别定义独立的传递响应系统。在图5中所示的车内噪声模型中，声学波和伪声音被解释为作用在局部车身表面上的“力”，而不是将它们分开。理论上认为，这种方法允许将模型替换为图6中的模型，在该模型中，激励源（即输入力）和传递函数（NTF）被动态地连接在一起。

图5. 将激励源分离为声波和伪声的车内噪声模型

图6. 新的不分离激励源的动态内部噪声模型

试验车辆验证

接着，使用一辆测试车辆对图6中的车内噪声模型进行了验证。验证过程的第一步是从CFD计算中提取的壁面压力波动计算激励力。然后，将计算得到的激励力乘以实验测得的车身灵敏度（NTF），以预测车内噪声水平。预测值随后与风洞测试中测得的数据进行了对比。

评估条件及规格

在计算模型和风洞测试中，使用了一辆中型尼桑轿车。车辆速度（即风速）为120公里/小时，方向为直行方向，评估点为驾驶员外耳处，在此处施加了输入力。为了在风洞测试中仅评估前门窗玻璃的输入，使用隔音材料遮挡了测试车辆的所有其他部分。

激励源评估：激励力 [N]

在激励力评估中使用的分析软件是EXA的PowerFLOW®，该软件基于非稳态LatticeBoltzmann方程。在门窗玻璃上提取了平均间距约为1.5毫米的壁面压力（输入力[N]）（见图7和图8）。

图7.CFD模拟

作为激励源分布的一个示例，图8显示了2500赫兹的瞬时壁面压力波动。在A柱后方观察到强烈的压力波动，同时伴随着正负压力值的聚集。这些结果表明，窗玻璃表面受到明显的伪声音压力作用。

图8. 2500 Hz时前门窗玻璃的激励源分布示例

传递函数评价:车身灵敏度(NTF)(Pa / N)

在传递函数评估中使用了实际测量值。车身灵敏度（NTF [Pa/N]）在大约2000个点处进行了测量，平均测量间隔为10毫米，从前门窗玻璃（接受激励力）到驾驶员外耳。为了测量这么多NTF值，使用了激光多普勒测振仪。所有的NTF值在图9中用绿色 区域表示，并且在一个任意选择的点处，用红线绘制了一个NTF值，作为个体NTF值的概念表示。

图9. 测量车身灵敏度(NTF)的例子

作为传递函数分布的一个示例，图10显示了2500赫兹时刻的瞬时NTF值。乍看之下，可能会觉得其密度（分辨率）比图8中的低，但实际上它们是相同的。这种表面上的差异归因于NTF值的特性，即其低频分布的空间尺度比激励源要大。此外，图10中本研究的结果表明，NTF的峰值和谷值在空间上不是静止的，而是交替出现。

图10. 前门窗户玻璃在2500hz时的体灵敏度(NTF)分布示例

动态模型验证

下一步，图6中的动态车内噪声模型进行了验证。使用CFD模拟计算得到的输入力[N]和实验测得的车身灵敏度（NTF [Pa/N]）进行了向量乘积，并求和。然后将得到的车内噪声水平与风洞测试中测得的噪声水平进行比较，如图11所示。从图中的结果可以看出，预测值和测量值在频谱形状和水平上非常吻合。从这个结果可以得出结论，使用动态地连接激励源和传递函数的新模型，可以使两者都得到量化，从而便于对车内噪声进行准确的分析。

虽然这里没有给出，但将压力波动的时间历史数据乘以NTF(即时域卷积)值来产生内部噪声，这被证实会给人一种类似于风洞试验中测量到的噪声的听觉印象。

图11. 提出的方法试验车辆验证

使用新方法风噪声结果验证

正如前文所示，使用新的动态模型可以使车内风噪声在激励源和传递函数（NTF）方面得到量化分析。此外，获取激励源分布和传递函数（NTF）分布的可视化表示，可以清晰地展现噪声源和NTF的热点位置，从而有助于有效实施改进措施。这样的可视化工具可以帮助工程师更好地了解风噪声的产生机制，并针对性地改进车辆设计或降低噪声传递，从而提高车内宁静度，增强驾驶员和乘客的舒适性，提高车辆的市场竞争力。

本节描述了本研究中用于研究激励源和传递响应系统的方法。

研究激发源的方法

与大多数传统方法一样，CFD模拟用于评估激励源，而车内噪声则是通过可视化力输入和传递函数来进行评估的。这种方法可以帮助识别激励源输入较大的位置，并有助于进行迭代改进。以下是本研究中进行的实际激励源调查的一个示例。

图12和图13展示了对上游车身形状进行的改变的结果示例，以修改车辆周围的流动状态。这些改变旨在抑制气流进入前门窗玻璃的体积（速度）以及A柱和侧镜周围的局部压力波动的发生。从图12中的前门窗玻璃上的激励力分布的检查可以看出，A柱附近的压力波动较图8中的较低。此外，图13显示激励源对前门窗玻璃的输入减少了2-3 dB。

图12. 车身改装后前门窗玻璃的激励源分布

图13. 前门窗玻璃激振力比较

传递函数的求值方法

前门窗玻璃的车身灵敏度（NTF）之前已经在一些表面点进行了测量，以粗略估计玻璃的灵敏度，但在本研究中，NTF分布得到了更高的空间分辨率。因此，NTF分布的特性得到了量化和动态化的澄清，并获得了用于评估和设计的指导方针。以下是获得的评估结果。

正如图9中的NTF示例（即红色波形）所示，对于如此复杂的波形，很难在数值上模拟所有个别峰值和谷值的特性。然而，通过图14所示的取平均值的方法，我们确认了从平板上的噪声辐射模型（方程1）在很大程度上可以进行近似。换句话说，使用平均NTF值可以使我们在定量和动态方面理解传递函数的特性。

其中， P/F：车身灵敏度（NTF），即噪声传递函数，表示声压P与驱动力F之比 

ρ：空气密度

ρg: 玻璃密度

r：从车窗玻璃到驾驶员外耳的距离 

h：玻璃厚度

式(1)由式(2)中的瑞利积分推导而来，但将其应用于一个非常简化的模型。

其中，

ω为角频率，k = ω/c为声波数，v为垂直于表面s的速度。模型简化为声辐射表面上的速度为常数;也就是说，表面是一个活塞和无限刚性挡板的一部分。因此，利用P的大小，可以将式(2)简化为:

由于ωv对应于表面的加速度，驱动力F可以通过表面的质量(ρgSh)和加速度的乘积一起来确定：

最后，将式(3)中的P除以由此得到的驱动力F，得到式(1)。

方程(1)可能看起来相当粗糙，但它已被证明是实用的，并且相当好地预测了高频范围(例如300 Hz以上)的NTF。

图14. 前门窗户玻璃平均NTF值

由于本研究的目的是定量确定风噪声的机制，所以车身灵敏度（NTF），即本研究中的传递函数，被测量了约2000个点，与输入端相同。然而，如果目标是评估平均NTF值，测量点数可以减少到约100个，仍然可以准确确定图10中的分布。如图15所示，使用100个测量点与使用2000个测量点得到的平均NTF值之间的差异在1 dB以内，对于实际应用来说不会产生任何问题。

图15. 100个测量点与2000个测量点平均NTF值的比较

此外，使用平均NTF值还有望通过数值模拟来预测高频率的车内噪声，而这在以前被认为是难以实现的。通过数值模拟来预测整个车辆系统的高频率车身灵敏度（NTF）将涉及巨大的计算时间和对吸音和隔音材料的考虑。由于在本研究中发现使用平均NTF值可以动态地解释风噪声，因此决定尝试通过有限元法（FEM）来验证这种新方法。预计这种新方法未来可以应用于特定的结构研究，比如考虑窗玻璃形状或边界条件等。

在验证过程中使用了用于预测低频车身灵敏度（NTF）的Nastran模型。所得结果表明，在频率范围内达到2 kHz，平均NTF值和车内噪声水平的预测值与测量数据吻合良好（图16和图17）。由此得出结论，这种良好的一致性验证了新的理论。值得注意的是，目前还在进行验证练习，使用ACTRAN软件来确定是否可以在2 kHz以上的频率范围内再现车身灵敏度（NTF），这需要考虑窗玻璃的共振效应以及车内吸声和减震特性。

图16. 前门窗户玻璃上预测和测量的NTF平均水平的比较

图17. 利用Nastran模型获得的室内噪声预测精度

总结/结论

迄今为止，由于分离两种类型的噪声源以及识别传递灵敏度到车厢的方法复杂，导致了风噪声机制（由声波和伪声混合）未能定量确定。在本文中，我们将这两种类型的噪声源定义为不加区分的力，并构建了一个动态模型，通过这些力将激励源和传递函数相连接。这个模型使得风噪声的机制得到了量化处理。结果表明，通过激励源和传递函数的分析，可以高精度地对车内噪声进行定量分析。

通过在传递函数的评估中使用实验测得的平均车身灵敏度（NTF）值，还表明系统可以用简单的方程进行近似。预计这种新方法将有助于有限元法预测高频宽带车内风噪声，这在过去被认为是难以实现的。

文献来源：

Fukushima T, Takagi H, Enomoto T, et al. A new method of characterizing wind noise sources and body response for a detailed analysis of the noise transmission mechanism[J]. SAE International Journal of Passenger Cars-Mechanical Systems, 2016, 9(2016-01-1304): 475-481.