工地的噪音越来越大？减少驾驶室震动，让上班也像在家一样悠闲

阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

文 | 南柯归洵

编辑 | 南柯归洵

前言

随着环保意识和相关法律法规的不断提高，无论是汽车行业还是工程机械行业，越来越多的客户开始更加关注极其的振动和噪声危害。

目前工程机械市场上的竞争日益激烈，同类机型在常规方面的性能成本越来越近，各大厂商为了增加自己的产品竞争力，就选择将竞争和技术方向，侧重于提高整车的振动舒适性水平。

驾驶员通常能够直接感受到驾驶室的振动性能，在实际操作过程中，驾驶室振动水平过高会导致驾驶员出现各种不良反应，如精力不足、反应迟钝等。

因此驾驶室设计不仅要考虑安全性和经济性，还要考虑驾驶员的舒适性，那么我们应该通过什么方式来降低驾驶室振动，从而提高驾驶员的舒适性呢？

乘坐舒适性

驾驶室支架作为驾驶室隔振的核心系统，及其对整车振动舒适性能的影响，具有十分重要的意义。

为了提高驾驶员的乘坐舒适性，除了考虑工作装置、发动机、履带等主要振动源外，必须从源头上减少振动，所以隔离驾驶室振动的振动源，成为了我们最主要的改进方向。

从一开始我们就知道，只要能够优化驾驶室支架的设计，可以一定程度上减少从机架传递到驾驶室的振动幅度。

所以驾驶室支架的性能的好坏，会直接影响到驾驶室的振动水平，从而在提高驾驶室振动舒适性方面起着至关重要的作用。

驾驶室参数信息获取和安装系统的匹配分析以及优化过程，都需要结合实验设计和有限元分析进行深入的理论研究。

然而在这个过程中，传统的支架系统设计和优化过程还面临着很多的障碍。

一方面是技术难点，因为这样意味着在工程机械驾驶室支架系统设计，和我们要进行优化的实际项目中，会存在许多相互冲突的要求和条件，而同时满足是一件非常困难的事情。

另一方面则是因为驾驶室安装系统参数众多，因此微小的参数变化都将导致安装系统性能的重大变化，这也就给提高支架的隔振性能带来了非常大技术难题。

并且在驾驶室支架系统的优化中，还需要基于车辆坐标系进行解耦优化、隔振优化和鲁棒性优化。

然而这些都需要借助驾驶室仿真模型和数学模型，在反复的迭代中进行调整，根本就无法达到快速优化的目的。

特别是因为我们要满足多个安装座的精度要求的同时，还要完成不同方向刚度的最佳匹配的任务，这就会导致安装系统开发周期长，效率低的问题。

挂载系统设计

现在预测工程机械驾驶室支架刚度的方法有很多，其中就有基于机制和数据挖掘方法的传统有限元计算，进而基于数据驱动的方法。

然而这些数据驱动方法也有它的不足，就比如在面对橡胶的时候，他们的劣势就会显现出来。

橡胶作为一种非线性材料，他的的特性导致在机械运用上与金属有很大的不同，因为橡胶支架没有合适的刚度计算公式。

不管有这种情况随着技术的发展也有了一些改变，随着橡胶材料超弹性理论的成熟和计算机技术的发展，我们也可以应用一些有限元软件来计算和研究橡胶支架。

在19世纪40年代的时候，就有两位学者组成了一种由橡胶和液压阻尼装置组成的阻尼机构，并且还成功的申请了专利。

之后他们制作了弹簧的轴对称有限元模型，并且计算了橡胶主弹簧的力和变形曲线，再使用ANSYS计算出轴对称橡胶主发条体积灵活性问题，给出了边界条件的设置方法和仿真的最终结果。

还有学者为了分析不同振动模式对乘坐舒适性的影响，选择建立了一个整车模型进行仿真，并通过改变支架相对于车身的位置来显著提高乘坐舒适性。

在这个研究的基础上，有人通过大量实验分析了驾驶室支架系统刚度、阻尼对前纵向、横向加速度、垂直座椅位移、垂直座椅速度和垂直座椅加速度的影响，然后根据分析结果设计了驾驶室支架系统的参数，在很大程度上降低了驾驶室的位移和加速度。

但是想要采用有限元方法的话，需要结合实验设计对悬架橡胶的刚度，以及驾驶室系统进行广泛的理论研究进行分析，因为该方法导致建模过程耗时且效率低下，不利于快速优化。

和传统的有限元方法相比，预测安装件刚度的数据挖掘方法可以摒弃复杂的调查和复杂的建模过程，显著提高预测和优化效率。

同时为了识别磁流变液压支架的正负力学模型，重庆大学的研究团队以磁流变支架的动力学特性为训练数据，比较了BP神经网络和GA-BP神经网络两种算法的模型识别精度。

最终的结果表明，采用GA-BP神经网络的磁流变液压支架正负模型收敛速度更快，识别精度更高，这种方法有助于控制磁流变支架，流变安装用于控制系统。

在这之后同济大学的团队则以响度、粗糙度、锐度、抖动和语音清晰度为输入参数，以主观评价分数为输出参数，利用支架建立了电动汽车动力噪声质量预测模型。

并且利用向量机算法，以及粒子群算法对模型进行了优化，最终的结果显示，该预测模型具有较高的准确度，平均误差仅为2%。

之后还有人选择利用先进的混合神经网络（AHNN）摩擦分量模型，利用动力总成测功机试验台获得的数据对模型进行训练，最后预测了变速时变速箱的动力学参数。

同时也有人使用改进的决策树模型来模拟赛车模拟中驾驶员的行为，以此来平衡机器与逻辑工作时的准确性和人类工作时的准确性。

另一部分学者使用遗传算法和随机森林分类器进行变速箱故障检测，分类准确率超过97%。

之后为了针对电动汽车充电需求增加，一位国内的学者提出了一种，基于随机森林算法和单个充电站负荷数据的电动汽车充电负荷预测方法。

并且通过这个方法确定了当前数据在算法中的应用形式，验证了预测算法的准确性和可靠性，这表明使用数据挖掘方法预测安装刚度是可行的，不过对于评估预测安装刚度的要求更高了。

驾驶室支架的评估方法可分为以下两类：一类是安装系统级别，以解耦速率作为边界条件约束安装座的刚度，通过设置适当安装的刚度，可以最大限度地提高主要振动方向的解耦率。

第二个是整车层面，主要取决于系统的隔振性能分析，其中振动传递通过车架进入驾驶室系统，再次将支架的刚度作为边界条件受到隔振性能的约束。

刚度预测的可行性

这些研究证明了数据挖掘技术用于安装刚度预测的可行性，针对悬置系统刚度等非线性连续数值变量，利用数据挖掘方法建立动力总成参数与悬置刚度的映射关系。

并且引入解耦率、驾驶室悬置系统隔振率等工程评价指标，作为多元回归预测模型的边界条件，规避了传统的复杂建模过程，实现了对挂载刚度的直接预测以及对挂载系统的快速优化。

经过这些研究之后，有学者对驾驶室支架刚度预测进行了一些实验，取得了有效的结果，但是在工程机械驾驶室安装刚度的预测和评价中仍然存在一些常见问题。

比如在以往驾驶室支架刚度预测研究中，大多采用传统的有限元方法，这就导致建模复杂度增加，预测优化效率降低。

再加上一些学者通过使用基于数据驱动的数据挖掘方法，其中没有引入多输出模型，并且由于每个安装座的各向同性刚度之间存在相关性，最终导致单输出预测结果导致对安装座预测刚度的置信度较低。

工程机械驾驶室支架系统

结合了这些宝贵的经验之后，我们在研究工程机械驾驶室支架系统时，一开始就选择绕过传统复杂的建模过程。

提出在安装系统设计和优化设计中引入多目标回归森林（MRF），并将安装参数与MRFs方法相结合，以实现多点安装刚度预测的方式，之后还以系统解耦率、隔振率等工程评价指标作为边界条件。

对比了另外两种多输出回归方法之后，我们找到了比较满意的多目标预测模型方法，建立了一套高置信度的安装系统刚度预测模型。

在避免了复杂建模过程的情况下，我们建立了驾驶室参数与安装刚度的映射关系，解决了支架系统开发中技术难度大、数据挖掘率低、开发周期长等问题，应用于工程中驾驶室支架系统的优化当中。

多目标回归森林模型

从目前工程机械驾驶室安装座设计的研究现状可以看出，安装件的优化设计主要集中在支架刚度的优化上，在动力学建模中，安装座通常简化为三个相互垂直的线性弹簧，并且安装座在每个方向上单独提供刚度。

然而由于安装座间各向同性刚度的相关性，当将挂载刚度作为模型调优的预测目标时，必然会影响其他模型，因此需要考虑目标之间的相关性。

建立安装刚度的多输出模型，多目标回归的优点主要在于多目标回归模型通常小于具有多个单目标的模型，多目标模型可以更好地识别不同目标变量之间的依赖关系，模型预测效果更好。

MRF是可以同时预测多个连续目标的数据树，在内部它是一个二叉树结构，将数据分成两个子集，每个节点都有优化基础。

多个目标的优化基础是将单个变量的平方误差之和替换为多个变量的平方误差之和，重复除法过程，直到满足停止条件，最后生成一个决策树，以叶节点的中值或平均值作为预测结果。

其实MRFs算法可以更好地处理安装刚度预测模型输入特征之间的交互作用，并且生成的结果具有高度的可解释性。

在MRFs模型构建过程中添加噪声数据或特征变化时，这个算法的鲁棒性也非常好，可以自动检测变量之间的相互作用，并以最小的信息损失处理元素变量中的缺失值。

如果以工程机械驾驶室安装系统为研究对象，布置了左前安装座、右前悬置、左后悬架、右后悬置，相应安装系统的布置是平装的，每个弹性支架的刚度坐标系平行于驾驶室的质心坐标系。

结论

通过最后的结果来看，MRFs模型优化后，各自由度方向的解耦率均高于多SVR和MLPR模型，并且只有MRFs模型在优化后与原始状态相比显著提高了隔振率，而其他模型在某些方向上甚至有所下降。

MRF在安装系统刚度预测方面的优势之后，我们解决了传统有限元设计方法与传统数据挖掘方法开发难度高、鲁棒性低等缺点，并且为悬载系统刚度预测提供了指导方向。

如果你喜欢我的写的文章，麻烦请点个“关注”，欢迎在评论区与我一同探讨，谢谢。

END