用于NVH预测的路面数字化与分类：一种基于真实数据的仿真与验证方法

《Applied Sciences》：Road Surface Digitization and Classification for NVH Prediction: A Simulation and Validation Approach Using Real Data

　　

车辆振动和噪声主要由路面激励驱动，因此基于路面粗糙度对这些现象进行稳健预测成为汽车开发中的核心挑战。本文提出了一种全自动流程，该流程始于对实际测试轨道进行高分辨率激光三角测量扫描，以生成中心线高程剖面。这些剖面由MATLAB例程进行处理和分类，该例程基于ISO 8608进行功率谱密度（PSD）分析，以提取Gh₀粗糙度系数。同时，研究人员将在两种代表性速度下收集的服役中声学和底盘振动数据转换为由统计PSD描述符组成的特征向量。随后，一个回归模型学习从这些特征到Gh₀的映射，评估将车辆载波信号映射到粗糙度指标的可行性。预测的Gh₀值驱动一个剖面合成算法，生成二维高度网格，这些网格以CRG文件形式导出，并导入多体仿真软件（MSC ADAMS）以及驾驶员在环平台。仿真结果密切再现了物理轨道的主要激励特性，展示了虚拟路面生成的初步概念验证流程。虽然交叉验证的回归模型在当前小数据集（）上显示出有限的泛化能力，但端到端工作流为未来数据驱动的NVH仿真建立了所需的基线集成。为了将适用性扩展到单一测试车辆之外，研究人员提出了一组车辆校准变换（Vehicle Calibration Transforms），用于将来自任意车辆的功率谱密度特征适应到校准后的特征域。该完整工作流有望简化虚拟NVH验证、减少原型测试，并支持未来研究中的全NVH仿真器工程。

**研究背景与问题**
车辆噪声、振动与声振粗糙度（NVH）性能是汽车开发中的关键评估指标，其中路面激励是低频段（<500 Hz）NVH现象的主要驱动因素。传统方法依赖物理原型道路测试，成本高、周期长，且难以覆盖多样化的路面条件。现有研究多聚焦于路面粗糙度客观测量（如国际粗糙度指数IRI）或基于车辆响应数据的粗糙度预测，但缺乏将精确路面测量与车辆振动、音频信号相结合，生成可直接用于多体仿真和驾驶员在环（DIL）模拟器的数字路面的端到端方案。本文旨在填补这一空白，通过集成激光扫描、车辆载波信号分析、回归预测与路面合成技术，建立一套工程化框架，实现从真实道路到虚拟激励的自动化映射，为NVH仿真和虚拟验证提供基础流程。论文发表在《Applied Sciences》。

**关键技术方法**
研究人员采用以下主要方法：（1）使用Müller BBM表面无人机（激光三角测量）对由Hessen Mobil提供的十条德国乡村道路（含不同沥青类型）进行高分辨率扫描，获取中心线高程剖面；（2）通过MATLAB例程基于ISO 8608标准进行功率谱密度（PSD）分析，提取Gh₀粗糙度系数和波度w；（3）在50 km/h和80 km/h下采集车内音频和底盘振动PSD数据，提取方差、均值、中位数、标准差等统计描述符构成16维特征向量；（4）采用支持向量回归（SVR）模型学习特征到Gh₀的映射；（5）基于预测的粗糙度参数，使用统计约束的随机行走算法将一维剖面扩展为二维高度网格，并转换为CRG（通用道路格式）文件；（6）将CRG路面导入MSC ADAMS多体仿真软件进行NVH仿真验证。

**研究结果**
**3.1 路面分类与粗糙度参数**
通过重建所有测量路段的高分辨率纵向剖面，并基于PSD按ISO 8608分类，得到覆盖广泛粗糙度等级的ISO类别。不同评估频率（n=0.1 cycles/m vs. n=2 cycles/m）及是否包含宏观/巨型纹理导致分类结果差异：n=0.1 cycles/m倾向于分配更高粗糙度类别，而n=2 cycles/m的组合评估更接近预期乡村道路质量。波度w范围为1.98至4.19，表明长波分量贡献的显著变化。
**3.2 基于车辆载波信号的粗糙度预测**
提取振动和内饰噪声的PSD统计描述符作为特征，训练广义线性回归模型（SVR）映射到Gh₀。训练集R2=0.5940，绝对预测误差低；但留一法交叉验证（LOOCV）结果显示负R2（-0.123），表明模型在当前小样本（10条路段）上泛化能力有限，但仍可用于限定操作范围内的NVH仿真。
**3.3 合成路面与仿真输入**
基于预测的Gh₀和波度，通过统计约束算法生成纵向和横向连续的三维路面，成功转换为CRG格式并导入MSC ADAMS，无需手动修改，可直接用于多体仿真和DIL环境。
**3.4 生成路面上的车辆响应**
多体仿真在合成路面上产生稳定车辆响应，轮载振动信号在结构和幅度范围上与实验测量直接可比。

**验证与讨论**
通过对比物理测试车辆（全电动SUV，传感器安装于轮毂、方向盘、座椅导轨及驾驶员耳位）与仿真在相同速度下的轮载垂直振动PSD，验证了工作流。仿真结果定性再现了不同粗糙度路面的相对激励顺序（较平滑路面振动较低，较粗糙路面振动较高），但定量上存在偏差，主要源于轮胎模型的高频低通滤波效应、合成路面未复现局部缺陷细节以及车辆模型参数不确定性。此外，MSC ADAMS内置ISO路面生成器与本文方法（基于Mú?ka方法）相比，有效粗糙度较低，导致激励明显偏弱，验证了使用测量或PSD一致合成路面进行NVH仿真的必要性。

**结论**
本文提出了一种从激光扫描剖面和车辆载波音频/振动测量，经基于Gh₀的回归预测，到合成CRG路面生成及NVH仿真的端到端框架。预测的Gh₀系数驱动剖面合成例程，生成统计和光谱特性与原始测量高度一致的二维高度网格。导入仿真平台后，这些路面重现了物理轨道的主要激励特征，凸显了基于声学/振动的工作流在补充传统轮廓测量方面的潜力。尽管预测性能受限于小且异质的数据集，但结果证明了信号处理和预测流程的可行性。当前模型在训练集上具有中等预测能力（R2=0.594），但交叉验证负R2表明需要扩展数据集以提高鲁棒性。定量验证揭示，两种路面生成算法均能捕捉约100 Hz以下的激励频带，但低估了高频轮载加速度，推测源于轮胎模型的过度衰减。未来工作需扩展数据集、改进轮胎模型传递函数表征，并开发车辆校准变换（VCT）以将方法推广至不同车辆。该工作流有望简化虚拟NVH验证、减少原型测试，并支持全NVH仿真器工程。