广告
用Python如何处理整车路躁结果
2018-07-09 08:18:43· 来源：误入CAE的程序员
整车路躁仿真，是使用虚拟路谱作为激励，得到整车噪声和振动响应。所谓的虚拟路谱，就是路面不平度的功率谱密度（有自谱和互谱），是一种随机激励信号。由于激励为随机信号，所以响应也为随机信号，是一种统计意义上的数值。对于噪声响应，应该确切的说是声压的功率谱密度，单位为Pa^2/Hz，如果是振动响应，应该是加速度的功率谱密度，单位为(mm/s^2)^2/Hz。
整车路躁仿真，是使用虚拟路谱作为激励，得到整车噪声和振动响应。所谓的虚拟路谱，就是路面不平度的功率谱密度（有自谱和互谱），是一种随机激励信号。由于激励为随机信号，所以响应也为随机信号，是一种统计意义上的数值。对于噪声响应，应该确切的说是声压的功率谱密度，单位为Pa^2/Hz，如果是振动响应，应该是加速度的功率谱密度，单位为(mm/s^2)^2/Hz。
说完了仿真，现在大致说一下实验。一般整车路躁实验采集的是时域的麦克声压数据，通过傅里叶变化变成频域，然后再处理成dB(A），所以最后得到的曲线是一条横坐标为频率，纵坐标为dB(A)的曲线。同时，会求一个给定频域段内的RMS（root meam square），就是均方根值，也就是这个频域段内的有效值，这个值就是我们常说的噪声大小。
路躁仿真结果的处理就是要把仿真曲线处理成同实验规格一致，方便理解也方便同实验对标。这就要求两个：后处理的曲线纵坐标应该是A记权的声压级以及在给定频率段的RMS值。
首先第一个，就是要把输出的声压的功率谱密度最终转化成dB(A)。这个还是比较简单的，声压的功率谱密度乘以频率间隔即得到声压的平方（Pa^2），然后开方得到声压大小（Pa），到这个地步应该就比较容易了，采用基准声压2E-5Pa取20倍的log，得到无量纲的声压级——dB,再转成A记权的声压级——dB(A)。
第二个，如何求解给定频域段内的RMS值。这个稍微有点复杂，首先看看LMS test.lab关于RMS的算法的解释：
输出的是线性谱，即：
如果是功率谱，即：
其实本质是一样的，所谓线性谱，就是单位为Pa(或者dB或者dB(A))，所谓功率谱，就是Pa^2，但是至于你处理的是线性谱还是功率谱，其实在"Channel Processing"设置即可，AutoPowers Linear代表线性谱，AutoPowers PSD代表功率谱。
不管是线性谱还是功率谱，其求解的RMS本质来说都是一样的，就是求解曲线与横坐标围城的面积，也就是最终能量功率的概念，抓住这个本质，就很好理解这两者之间的关系，求解RMS（均方根值或者说有效值）也很简单了。那么你会问了，CAE仿真得到的是线性谱还是功率谱呢？首先来看输出的DISPLACEMENT的解释：
和随机响应输出的有关的定义红色圈圈已经标记出来，默认的输出格式为PSDF，即为功率谱密度，当然，也可以输出ATOC自相关函数，CRMS即累加的均方根值，RALL即把前三者全部输出。这样搞清楚了吧，有且只能输出功率谱密度。其实，早最终的结果*.pch文件中可以看到，输出的是功率谱密度：
算法大致搞清楚了，不嫌麻烦可以使用商业软件HyperGraph处理了，但是步骤繁琐，还得自己写脚本，计算两小时，你要花30分钟来处理这个结果，显然不太理想，这个时候Python的数据处理就能排上用场了，简直就是简单又暴力。
这是处理出来的数据，实际实验中声压常用dB(A)，振动响应常用加速度幅值，所以处理出来的结果如下（随便找了Altair模型做的，请忽视实际结果大小）：
说完了仿真，现在大致说一下实验。一般整车路躁实验采集的是时域的麦克声压数据，通过傅里叶变化变成频域，然后再处理成dB(A），所以最后得到的曲线是一条横坐标为频率，纵坐标为dB(A)的曲线。同时，会求一个给定频域段内的RMS（root meam square），就是均方根值，也就是这个频域段内的有效值，这个值就是我们常说的噪声大小。
路躁仿真结果的处理就是要把仿真曲线处理成同实验规格一致，方便理解也方便同实验对标。这就要求两个：后处理的曲线纵坐标应该是A记权的声压级以及在给定频率段的RMS值。
首先第一个，就是要把输出的声压的功率谱密度最终转化成dB(A)。这个还是比较简单的，声压的功率谱密度乘以频率间隔即得到声压的平方（Pa^2），然后开方得到声压大小（Pa），到这个地步应该就比较容易了，采用基准声压2E-5Pa取20倍的log，得到无量纲的声压级——dB,再转成A记权的声压级——dB(A)。
第二个，如何求解给定频域段内的RMS值。这个稍微有点复杂，首先看看LMS test.lab关于RMS的算法的解释：
输出的是线性谱，即：
如果是功率谱，即：
其实本质是一样的，所谓线性谱，就是单位为Pa(或者dB或者dB(A))，所谓功率谱，就是Pa^2，但是至于你处理的是线性谱还是功率谱，其实在"Channel Processing"设置即可，AutoPowers Linear代表线性谱，AutoPowers PSD代表功率谱。
不管是线性谱还是功率谱，其求解的RMS本质来说都是一样的，就是求解曲线与横坐标围城的面积，也就是最终能量功率的概念，抓住这个本质，就很好理解这两者之间的关系，求解RMS（均方根值或者说有效值）也很简单了。那么你会问了，CAE仿真得到的是线性谱还是功率谱呢？首先来看输出的DISPLACEMENT的解释：
和随机响应输出的有关的定义红色圈圈已经标记出来，默认的输出格式为PSDF，即为功率谱密度，当然，也可以输出ATOC自相关函数，CRMS即累加的均方根值，RALL即把前三者全部输出。这样搞清楚了吧，有且只能输出功率谱密度。其实，早最终的结果*.pch文件中可以看到，输出的是功率谱密度：
算法大致搞清楚了，不嫌麻烦可以使用商业软件HyperGraph处理了，但是步骤繁琐，还得自己写脚本，计算两小时，你要花30分钟来处理这个结果，显然不太理想，这个时候Python的数据处理就能排上用场了，简直就是简单又暴力。
这是处理出来的数据，实际实验中声压常用dB(A)，振动响应常用加速度幅值，所以处理出来的结果如下（随便找了Altair模型做的，请忽视实际结果大小）：
广告
广告
最新资讯
-
NVIDIA 发布 2025 财年第三季度财务报告
2024-11-21 13:30
-
Mack卡车为买家推出创新的虚拟现场探索体验
2024-11-21 13:29
-
氢燃料电池卡车从1到100要多长时间？戴姆勒
2024-11-21 13:28
-
聚焦消费者用车极限环境，2024中国汽研汽车
2024-11-21 13:21
-
新能源汽车高寒环境可靠性行驶试验研究
2024-11-21 13:19
广告
广告
