基于可解释机器学习的压路机声品质建模与优化方法OA

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(Grey Wolf 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。