Abstract:

摘要： 随着工程机械噪声控制指标日益严格，声品质作为工程机械噪声、振动与声振舒适性(Noise, Vibration，Harshness, NVH)重要指标之一，逐渐受到行业的关注。将可解释机器学习引入声品质预测建模过程，以提高预测精度并增强模型的透明度和可解释性。针对某型压路机存在的噪声和声品质问题，首先通过噪声信号采集与主观评价获取噪声烦恼度，结合灰狼优化变分模态分解(GreyWolf Optimizer-based Variational Mode Decomposition，GWO-VMD)提取噪声频域特征；随后，利用SHAP(SHapley Additive exPlanations)值解释CatBoost 模型的预测结果，成功识别出影响声品质的关键频率；然后结合传递路径分析(Transfer Path Analysis，TPA)进行声品质贡献量分析，找出提升压路机声品质的关键路径为风扇噪声与发动机悬置Y向振动；最后通过结构改进与声学包装的方式，使压路机驾驶室内的声品质得到显著提升，烦恼度评价值从8.87 降低到7.62，减少1.25，这表明优化措施的有效性。实验结果表明，所提出的方法在
预测精度上优于传统方法，且模型的透明度和可解释性更强，对于实际的声品质优化工作具有重要的指导作用，应用前景可观。

关键词: 声学, 声品质, 可解释机器学习, 传递路径分析, 压路机