柔性双层隔振系统振动能量解耦方法及应用

宋世哲; 董大伟; 黄燕; 徐昉晖; 张伟; 闫兵

doi:10.3969/j.issn.0258-2724.20210993

柔性双层隔振系统振动能量解耦方法及应用

doi: 10.3969/j.issn.0258-2724.20210993

西南交通大学机械工程学院，四川成都 610031

基金项目: 国家自然科学基金（51875482）

详细信息

作者简介:
宋世哲（1993—），男，博士研究生，研究方向为车辆系统振动控制，E-mail：songshizhe@my.swjtu.edu.cn

通讯作者:
黄燕（1987—），女，讲师，研究方向为振动噪声及其控制，E-mail：huangyan8791@swjtu.edu.cn

中图分类号: TB533.2；O326
计量
- 文章访问数: 631
- HTML全文浏览量: 155
- PDF下载量: 77
- 被引次数: 6
出版历程
- 收稿日期: 2021-11-30
- 修回日期: 2022-03-10
- 网络出版日期: 2022-12-10
- 刊出日期: 2022-03-17

Vibration Energy Decoupling Method and Application for Flexible Double-Layer Vibration Isolation Systems

School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
为解决难以利用能量解耦法设计柔性双层隔振系统的问题，提出一种能够表示柔性设备和中间质量弹性模态特点的多自由度模型；基于该模型，提出采用广义弹性力对柔性隔振系统进行解耦的方法，并推广到柔性结构中；以某内燃动车动力总成双层隔振系统为例，基于所提方法探讨了构架弹性模态下刚体振动与弹性振动的耦合情况；最后通过振动实验台验证了该方法的有效性. 研究结果表明：机组一级隔振系统垂向频率从12 Hz降低到8 Hz后，系统所有模态频率均得到不同幅度的下降，前两阶刚体振动模态频率下降最明显，分别下降50.00%和49.98%；构架弹性模态频率比机组弹性模态频率更低，影响更大，构架弹性模态频率下降8.32%，机组弹性模态频率下降0.80%；在构架弹性振动模态振动中，构架弹性振动能量所占比例提高14.88%，刚体振动能量所占比例降低90.64%，降低一级隔振系统垂向频率能够提高振动解耦效果，减少振动传递.
- 柔性双层隔振系统 /
- 振动解耦 /
- 隔振设计 /
- 动力总成
Abstract:
The original energy decoupling method is not suited to flexible double-layer vibration isolation systems, and therefore a multi-degree of freedom model is developed to represent the flexible characteristics of the equipment and intermediate mass. Then, on the basis of the model, a generalized elastic force is proposed to decouple the flexible vibration isolation system. The decoupling method is then extended to the study of flexible structures. Finally, using a two-layer vibration isolation system of a powertrain as an example, the method is adopted to evaluate the decoupling performance of the elastic mode of the frame. Finally, a vibration test was used to verify the effectiveness of this method. The results show that after the primary vertical frequency of the powerpack decreases from 12 Hz to 8 Hz, all of the modal frequencies of the system are reduced by different extents. The first two order frequencies of the rigid body vibration modes decreased by 50.00% and 49.98%, respectively. The elastic modal frequency of the frame has a greater impact because of its lower natural frequency compared with that of the diesel generator set. The elastic modal frequency of the frame decreased by 8.32%, and that of the diesel generator set decreased by 0.80%. In the elastic vibration mode vibration of the frame, the proportion of the elastic vibration energy of the frame could increase by 14.88%, and the proportion of the rigid body vibration energy could be reduced by 90.64%. Reducing the vertical frequency of the first stage vibration isolation system can improve the vibration decoupling effect and reduce the vibration transmission.
- flexible double-layer vibration isolation system /
- vibration decoupling /
- vibration isolation design /
- powertrain

HTML全文

随着我国西部大开发的不断开展，高海拔隧道建设越来越多，规划建设的某高原铁路沿线海拔多高于3 km，桥隧比在80%以上，拥有数座长度超过20 km的铁路隧道. 为克服高海拔隧道施工低压低氧的困难，保障施工人员工作效率及生理健康，供氧是最直接的改善措施之一. 众多学者对高海拔供氧进行了相关研究，郭春等^[1-2]研究了高海拔供氧标准，得到了不同劳动强度和不同海拔高度下人体最低需氧量；孙志涛^[3]对高海拔施工缺氧进行了分级，得到了高海拔隧道施工氧含量的控制标准；王明年等^[4-5]对高海拔施工供氧技术进行了总结，得到高海拔供氧技术，包含个人携氧供氧、弥散式供氧、综合供氧、氧吧车供氧和室内鼻息式供氧，在不同隧道施工工序下应组合供氧方法和供氧系统，以适应不同劳动强度下施工人员的供氧需求和心理需求；谢文强^[6]对高海拔隧道施工供氧标准进行了研究，得到了不同海拔高度人体所需最小耗氧量和通气量；严涛等^[7]对高海拔供氧参数进行研究，建议海拔高度在3 000 m以上施工进行供氧. 目前高海拔隧道施工供氧方面的研究，主要集中在供氧标准及供氧方式两部分，研究手段基本以理论分析与公式推导为主，缺少现场的实际测试.

在数据拟合方面，BP （back propagation）神经网络目前在多维变量拟合应用中较多，由于BP神经网络自身存在收敛慢、波动大的缺陷^[8-10]，大量学者基于BP神经网络做了较多优化，并进行了应用. Wang 等^[11]通过MEC-BP神经网络对箱梁施工扰度进行了拟合预测，得到MEC-BP神经网络拟合预测结果优于BP神经网络结构；李步遥等^[12]基于MEC-BP神经网络对基坑水平位移进行了反演分析，得到MEC-BP神经网络收敛速度快于GA-BP神经网络^[8]，且结果优于GA-BP （genetic algorithms back propagation）神经网络和BP神经网络；王春晓等^[13]基于MEC-BP神经网络对群桩轴力进行预测，得到MEC-BP神经网络预测精度及准确度明显高于BP神经网络.

本文通过高海拔隧道供氧实验，对高海拔隧道施工人员进行现场测试，并运用MEC-BP神经网络对现场测试数据进行拟合，研究高海拔人员劳动功率和氧浓度对劳动强度的影响规律，其中劳动强度通过平均能量代谢率表示.

1. MEC-BP神经网络模型简介

1.1 BP神经网络

BP神经网络算法^[11]是一种基于输出误差逆向传播的多层前馈神经网络算法，对于三层前馈神经网络，其基本结构由输入层、隐含层、输出层构成，根据神经网络层建立的输入输出函数Q以及误差函数E 分别为

$Q = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}{y_i} - \theta _k} \right) = \psi \left( \sum\limits_{j = 1}^m {{w_{jk}}\varphi \left( \sum\limits_{i = 1}^n {{w_{ik}}{x_i}} - \theta _j \right)} - \theta _k \right),$

(1)

$E = \frac{1}{{2S}}\sum\limits_{t = 1}^S {{{({T_t} - {O_t})}^2}},$

(2)

式中： $\psi ({\text{•}})$ 和 $\varphi ({\text{•}})$ 分别为输出层和隐含层的传递函数； $w_{jk}$ 、 $w _{ik}$ 分别为第k个输出层下的第j个隐含层和第i个输入层的连接权重； $\theta _j$ 、 $\theta _k$ 分别为第j个隐含层和第k个输出层的阈值；S为样本数量； $O$ _t为第t个样本预测输出值； $x_i$ 和 $y_i$ 分别为隐含层输入和输出值； $T_t$ 为实验测试值.

由于BP神经网络算法存在收敛慢和局部最小值的缺陷，接下来引入思维进化算法（MEC）对BP神经网络进行优化.

1.2 MEC算法

MEC算法^[11]是一种基于遗传算法改进的优化算法，运用MEC算法对BP神经网络的权值和阈值进行最优搜索，能提高BP神经网络的收敛速度和精度. 其基本步骤如下：

步骤1　种群初始化. 先将总体随机分成a个个体(m₁，m_2，…，m_a)，通过式（3）对各个体进行打分，并根据分数将个体分为w个优等子种群（每个优等种群包含b个个体）和r个临时子种群（每个临时种群包含h个个体）两大类，这两个种群分别用M_supi和M_temi表达，如式（4）所示.

$S = \frac{1}{{1 + E}} ,$

(3)

$\left\{ \begin{gathered} {M_{\sup i}} = \{ {m_1},{m_2}, \cdots, {m_b}\},\quad i = 1,2, \cdots, w , \\ {M_{{\rm{tem}}i}} = \{ {m_1},{m_2}, \cdots, {m_h}\} ,\quad i = 1,2, \cdots, r . \end{gathered} \right.$

(4)

步骤2　种群内竞争. 选出在每个子种群中得分最高的个体，按照正态分布将得分重新排序并再次进行得分计算，当最高得分者保持不变时，该最高得分者所在子种群即视为成熟，最高得分即代表该子种群得分.

步骤3　种群间竞争. 如果临时子种群（S_temi）得分高于成熟的优等子种群（S_supi），那么成熟的优等种群将会被该临时种群替代. 相反，如果临时种群得分较低，那么该临时种群将会解散，再重新生成新的临时种群，步骤2将产生新的临时种群.

1.3 MEC-BP神经网络拟合预测模型

MEC-BP神经网络拟合预测模型框架如图1所示. 图中：i_max、E_max分别为最大迭代次数和最大误差.

图 1 MEC-BP神经网络框架

Figure 1. MEC-BP neural network framework

下载: 全尺寸图片幻灯片

其基本流程为根据所选数据结构确定BP神经网络结构，通过MEC方法优化获得BP神经网络权值和阈值，进而得到优化的BP神经网络，通过优化的BP神经网络对给予的测试数据进行验证和预测.

2. 高海拔隧道供氧实验

高海拔供氧实验在西藏拉萨达孜区的圭嘎拉隧道进行，实验地点海拔高度约为4 200 m，实验测试对象为现场6名隧道技术施工人员，年龄在20岁～30岁，现场测试及仪器如图2所示.

图 2 现场测试及实验仪器

Figure 2. Field test and experimental instrument diagram

下载: 全尺寸图片幻灯片

实验通过调节供氧端制氧含量来设置供氧浓度，根据相关资料研究的氧浓度安全上限和实验的安全性^{[6, 14]}，供氧浓度设置为20.9%、25.0%和29.0%，通过调节骑行台设置50、75、100 W的骑行功率. 实验中，每位测试人员需在不同的氧浓度和骑行功率下骑行10 min，最后记录肺通量和相关生理参数. 根据相关肺通量和平均能量代谢率关系式^[15-16]，将标准化后的肺通量数值按照式（4）计算平均能量代谢率，现场测试及计算数据如表1所示.

表 1 现场测试及计算数据

Table 1. Field test and calculation data

测试人员编号	氧浓度/%	功率/W	肺通量/(L·min⁻¹)	A/m²	测试环境温度/K	标准肺通气量/ (L·min⁻¹)	平均能量代谢率/ (kJ·(min·m²)⁻¹)
1 号	20.9	50	10.52	1.86	298.15	5.78	0.57
	25.0	50	7.88	1.86	286.15	4.51	0.50
	29.0	50	7.29	1.86	284.15	4.20	0.48
	20.9	75	20.03	1.86	296.15	11.08	0.96
	25.0	75	17.07	1.86	288.15	9.71	0.69
	29.0	75	17.02	1.86	290.15	9.61	0.67
	20.9	100	32.75	1.86	298.15	18.00	2.21
	25.0	100	27.88	1.86	292.15	15.64	1.80
	29.0	100	27.94	1.86	292.15	15.67	1.80
2 号	20.9	50	9.75	1.80	299.15	5.34	0.56
	25.0	50	7.52	1.80	292.15	4.22	0.49
	29.0	50	6.73	1.80	284.15	3.88	0.47
	20.9	75	20.45	1.80	298.15	11.24	1.06
	25.0	75	18.12	1.80	298.15	9.96	0.81
	29.0	75	16.41	1.80	284.15	9.46	0.71
	20.9	100	27.54	1.80	298.15	15.13	1.80
	25.0	100	23.89	1.80	290.15	13.49	1.50
	29.0	100	22.87	1.80	289.15	12.96	1.39
3 号	20.9	50	8.64	1.72	298.15	4.75	0.53
	25.0	50	7.39	1.72	291.15	4.16	0.50
	29.0	50	6.91	1.72	283.15	4.00	0.49
	20.9	75	23.56	1.72	297.15	12.99	1.52
	25.0	75	20.45	1.72	298.15	11.24	1.17
	29.0	75	19.31	1.72	285.15	11.10	1.14
	20.9	100	29.44	1.72	298.15	16.18	2.14
	25.0	100	26.56	1.72	289.15	15.05	1.92
	29.0	100	25.44	1.72	285.15	14.62	1.84
4 号	20.9	50	10.74	1.85	298.15	5.90	0.59
	25.0	50	7.86	1.85	291.15	4.42	0.49
	29.0	50	6.66	1.85	282.15	3.87	0.46
	20.9	75	18.64	1.85	295.15	10.35	0.83
	25.0	75	16.24	1.85	292.15	9.11	0.59
	29.0	75	13.52	1.85	284.15	7.80	0.53
	20.9	100	25.79	1.85	298.15	14.17	1.55
	25.0	100	22.17	1.85	300.15	12.10	1.17
	29.0	100	21.25	1.85	283.15	12.30	1.20
5 号	20.9	50	10.22	1.99	298.15	5.62	0.54
	25.0	50	8.54	1.99	292.15	4.79	0.49
	29.0	50	7.47	1.99	282.15	4.34	0.47
	20.9	75	19.39	1.99	298.15	10.66	0.74
	25.0	75	18.72	1.99	292.15	10.50	0.71
	29.0	75	18.35	1.99	283.15	10.62	0.73
	20.9	100	28.27	1.99	298.15	15.54	1.60
	25.0	100	25.88	1.99	299.15	14.17	1.37
	29.0	100	24.33	1.99	285.15	13.98	1.33
6 号	20.9	50	9.99	1.85	298.15	5.49	0.56
	25.0	50	7.35	1.85	291.15	4.14	0.48
	29.0	50	6.19	1.85	282.15	3.59	0.45
	20.9	75	19.31	1.85	298.15	10.61	0.88
	25.0	75	19.17	1.85	294.15	10.68	0.89
	29.0	75	18.84	1.85	292.15	10.57	0.87
	20.9	100	27.5	1.85	300.15	15.01	1.70
	25.0	100	26.09	1.85	299.15	14.29	1.57
	29.0	100	25.13	1.85	289.15	14.24	1.56

下载: 导出CSV

| 显示表格

$V_{\rm{E}} = \frac{{V_1P_1T}}{{PT_1}} ,$

(5)

$\left\{ \begin{gathered} \lg \; M = 0.094 \; 5\frac{V_{\rm{E}}}{A} - 0.533\;94, \quad V_{\rm{E}} \in (3.0,7.3), \\ M = \dfrac{{{{10}^{0.094\;5\tfrac{{V_{\rm{E}}}}{A} - 0.533\;94}} + 13.26 - {{10}^{1.164\;8 - 0.012\;58\tfrac{{V_{\rm{E}}}}{A}}}}}{2}, \\ \lg (13.26 - M) = 1.164\;8 - 0.012\;58\frac{{V_{\rm{E}}}}{A},\quad V_{\rm{E}} \geqslant 8.0, \\ \quad V_{\rm{E}} \in [7.3,8.0) , \\ \end{gathered} \right.$

(6)

式中： $V_{\rm{E}}$ 为标准状态肺通气量（L/min）； $V_{1}$ 为相应海拔高度下肺通气量（L/min）；P为标准大气压（101.325 kPa）；P₁为相应海拔高度下大气压（实测取60.8 kPa）；T为标准状态温度（273.15 K）；T₁为相应海拔高度下温度（K）；M为平均能量代谢率（kJ/（min•m²））；A为体表面积（m²），如式（7）.

$A = 0.006 \;1H + 0.012\; 4W - 0.009\; 9 \text{，}$

(7)

式中：H为身高（cm）；W为体重（kg）.

从测试数据中看出，高海拔施工人员平均能量代谢率较低，且在100 W时最大平均能量代谢率为2.21 kJ/（min•m²）；高海拔施工人员平均能量代谢率随着功率增加而增加，在相同骑行功率下，平均能量代谢率随着氧浓度增加有减小趋势，且在100 W骑行功率减小较为明显.

3. MEC-BP神经网络算法拟合结果

根据数据特征，输入神经元选2个（功率、氧浓度），隐藏神经元个数取为10个，输出神经元为1个（平均新陈代谢率），种群规模大小取为100，训练数据取前5个人的45个数据，测试数据取最后1个人的9个数据. 神经网络结构如图3所示. 运用MATLAB R2016a对测试数据进行拟合，MEC-BP迭代次数及拟合优度如图4所示. 图5和图6分别给出了GA-BP和BP神经网络拟合优度及均方误差. 根据式（2）计算出MEC-BP、GA-BP、BP神经网络测试值与预测值均方误差分别为0.0139、0.0130、0.0255. 从拟合优度可以看出，MEC-BP神经网络优化算法相对较好，且均方误差较小，在计算过程中收敛速度快，在第4迭代步时验证集拟合均方根误差达到最小值0.054，在短时间内通过训练能达到较高拟合度，且训练、验证和测试的拟合优度较为平稳.

图 3 BP神经网络结构

Figure 3. Structure diagram of BP neural network

下载: 全尺寸图片幻灯片

图 4 MEC-BP迭代收敛及拟合优度

Figure 4. MEC-BP iterative convergence and goodness of fit

下载: 全尺寸图片幻灯片

图 5 GA-BP拟合优度

Figure 5. GA-BP goodness of fit

下载: 全尺寸图片幻灯片

图 6 BP拟合优度

Figure 6. BP goodness of fit

下载: 全尺寸图片幻灯片

从图7可以看出：在骑行功率为50 W时，平均能量代谢率随氧浓度变化不明显；在骑行功率为75 W时，平均能量代谢率随着氧浓度增加而减小，减小梯度小于100 W时变化曲率；在功率100 W时，当氧浓度小于25%时，平均能量代谢率随着氧浓度增加逐渐减小，当氧浓度大于25%时，平均能量代谢率随着氧浓度增加趋于平稳.

图 7 MEC-BP拟合平均能量代谢率变化

Figure 7. MEC-BP fitting average energy metabolic rate change chart

下载: 全尺寸图片幻灯片

4. 结　论

通过在高海拔进行高原供氧实验，运用MEC-BP神经网络优化算法对高海拔供氧测试数据进行了拟合，得到如下结论：

1）通过MEC-BP神经网络拟合的测试数据可以看出，拟合曲线变化规律与现场测试数据变化规律基本一致，验证了MEC-BP神经网络拟合的有效性.

2）通过不同算法对比分析了高原供氧数据拟合结果的准确性，MEC-BP神经网络在测试、验证和训练的拟合优度上相对稳定且精度较高，均方误差较小，拟合效果较好，可为多维数据拟合提供参考.

3）通过高海拔现场测试和MEC-BP神经网络拟合数据得到，50 W和75 W骑行功率下平均能量代谢率随氧浓度变化较小，100 W骑行功率下平均能量代谢率随氧浓度变化较大；25%供氧浓度可以作为4 200 m高海拔较高劳动强度的供氧浓度参考值.

致谢：成都哲学社会科学规划项目（2019CS107）；成都市科技项目（2019-YFYF-00121-SN）.

图 1 双层隔振系统多自由度模型

Figure 1. Multi-degree-of-freedom model of double-layer vibration isolation system

下载: 全尺寸图片幻灯片

图 2 内燃动力总成双层隔振系统结构

Figure 2. Physical diagram of the double-layer isolation system for powertrain of DMU

下载: 全尺寸图片幻灯片

图 3 双层隔振系统4自由度扭转振动动力学模型

Figure 3. 4-degree-of-freedom torsional vibration dynamic model of double-layer vibration isolation system

下载: 全尺寸图片幻灯片

图 4 扭转振动各阶振型

Figure 4. Diagram torsional vibration modes of each order

下载: 全尺寸图片幻灯片

图 5 弹性模态频率变化

Figure 5. Elastic mode frequency variation

下载: 全尺寸图片幻灯片

图 6 构架弹性模态的振动能量百分比分布

Figure 6. Percentage distribution of vibration energy for the elastic mode of the intermediate frame

下载: 全尺寸图片幻灯片

图 7 不同机组垂向频率下的系统振动响应

Figure 7. Vibration response of the system with various vertical frequencies of powertrain

下载: 全尺寸图片幻灯片

图 8 测试现场

Figure 8. Test site

下载: 全尺寸图片幻灯片

表 1 机组垂向频率变化对系统频率和解耦情况的影响

Table 1. Effect of vertical vibration frequencies of powertrain change on frequencies and decoupling of the system

f_g/Hz	模态	频率/ Hz	振动能量百分比/%
f_g/Hz	模态	频率/ Hz	刚体振动	构架弹性振动	机组弹性振动
8	低阶刚体	11.54	100.00	0	0
	高阶刚体	29.33	100.00	0	0
	构架弹性	78.11	13.89	86.06	0.04
	机组弹性	107.82	1.25	0.01	98.74
10	低阶刚体	14.43	100.00	0	0
	高阶刚体	36.66	99.99	0.01	0
	构架弹性	81.10	23.29	76.54	0.17
	机组弹性	108.20	2.40	0.05	97.56
12	低阶刚体	17.31	100.00	0	0
	高阶刚体	43.99	99.99	0.01	0
	构架弹性	84.61	26.48	73.25	0.26
	机组弹性	108.68	2.88	0.07	97.05

下载: 导出CSV

表 2 双层隔振系统振动烈度测试结果

Table 2. Test results for vibration intensity of double-layer isolation system

工况/ （r·min⁻¹）	功率/ kW	机组		构架
工况/ （r·min⁻¹）	功率/ kW	振动烈度/ （mm·s⁻¹）	评定等级	振动烈度/ （mm·s⁻¹）	评定等级
900	37	6.35	A	3.93	A
1000	53	5.59	A	3.45	A
1100	70	7.02	A	3.90	A
1200	91	8.74	B	4.13	A
1400	144	9.07	B	4.46	A
1650	237	13.91	B	8.28	B
1800	307	15.45	B	8.54	B

下载: 导出CSV

参考文献(26)

[1]	JIN X, CHEN K K, JI J T, et al. Intelligent vibration detection and control system of agricultural machinery engine[J]. Measurement, 2019, 145: 503-510. doi: 10.1016/j.measurement.2019.05.059
[2]	WANG M, HU Y Y, SUN Y, et al. An adjustable low-frequency vibration isolation Stewart platform based on electromagnetic negative stiffness[J]. International Journal of Mechanical Sciences, 2020, 181: 105714.14-105714.25.
[3]	SUN Y, GONG D, ZHOU J S, et al. Low frequency vibration control of railway vehicles based on a high static low dynamic stiffness dynamic vibration absorber[J]. Science China Technological Sciences, 2019, 62(1): 60-69. doi: 10.1007/s11431-017-9300-5
[4]	吕振华,范让林,冯振东. 汽车动力总成隔振悬置布置的设计思想论析[J]. 内燃机工程,2004,25(3): 37-43. doi: 10.3969/j.issn.1000-0925.2004.03.010 LYU Zhenhua, FAN Ranglin, FENG Zhendong. A survey of design methods for automotive engine mounting system[J]. Chinese Internal Combustion Engine Engineering, 2004, 25(3): 37-43. doi: 10.3969/j.issn.1000-0925.2004.03.010
[5]	SHANGGUAN W B. Engine mounts and powertrain mounting systems: a review[J]. International Journal of Vehicle Design, 2009, 49(4): 237-258. doi: 10.1504/IJVD.2009.024956
[6]	CHO S. Configuration and sizing design optimisation of powertrain mounting systems[J]. International Journal of Vehicle Design, 2000, 24(1): 35-47.
[7]	WILLIAMS R, HENDERSON F, ALLMAN-WARD M, et al. Using an interactive NVH simulator for target setting and concept evaluation in a new vehicle programme[C]//SAE Technical Paper Series. Warrendale: SAE International, 2005: 2479.1-2479.12.
[8]	范让林,吕振华. 刚体-弹性支承系统振动解耦评价方法分析[J]. 工程力学,2006,23(7): 13-18. doi: 10.3969/j.issn.1000-4750.2006.07.003 FAN Ranglin, LYU Zhenhua. Evaluation approaches of vibration-mode uncoupling for multi-dof rigid-body with elastic mounting system[J]. Engineering Mechanics, 2006, 23(7): 13-18. doi: 10.3969/j.issn.1000-4750.2006.07.003
[9]	HU J F, ZHU D D, CHEN J J, et al. Refined response axis decoupling axiom for a coupled vibrating system with spectrally-varying mount properties[J]. Journal of Vibration and Control, 2018, 24(15): 3233-3248. doi: 10.1177/1077546317735941
[10]	PARK J Y, SINGH R. Effect of non-proportional damping on the torque roll axis decoupling of an engine mounting system[J]. Journal of Sound and Vibration, 2008, 313(3/4/5): 841-857.
[11]	SHANGGUAN W B, LIU X A, LV Z P, et al. Design method of automotive powertrain mounting system based on vibration and noise limitations of vehicle level[J]. Mechanical Systems and Signal Processing, 2016, 76/77: 677-695. doi: 10.1016/j.ymssp.2016.01.009
[12]	陈俊,闫兵,董大伟,等. 子系统参数对双层隔振系统固有特性的影响[J]. 振动与冲击,2015,34(4): 110-116. doi: 10.13465/j.cnki.jvs.2015.04.019 CHEN Jun, YAN Bing, DONG Dawei, et al. Effects of subsystem parameters on natural characteristics of a double-layer vibration isolation system[J]. Journal of Vibration and Shock, 2015, 34(4): 110-116. doi: 10.13465/j.cnki.jvs.2015.04.019
[13]	孙玉华,董大伟,闫兵,等. 双层隔振系统解耦优化研究[J]. 振动.测试与诊断,2014,34(2): 361-365,402. SUN Yuhua, DONG Dawei, YAN Bing, et al. Design and decoupling optimization of two-stage vibration isolation system[J]. Journal of Vibration, Measurement & Diagnosis, 2014, 34(2): 361-365,402.
[14]	WANG Z, MAK C M. Optimization of geometrical parameters for periodical structures applied to floating raft systems by genetic algorithms[J]. Applied Acoustics, 2018, 129: 108-115. doi: 10.1016/j.apacoust.2017.07.018
[15]	WU K, LIU Z W, DING Q, et al. Vibration responses of rotor systems in diesel multiple units under dynamic spatial misalignments and base motions[J]. Journal of Sound and Vibration, 2021, 492: 115-127.
[16]	ZHOU H, LIU H, GAO P, et al. Optimization design and performance analysis of vehicle powertrain mounting system[J]. Chinese Journal of Mechanical Engineering, 2018, 31: 1-13. doi: 10.1186/s10033-018-0219-4
[17]	EL HAFIDI A, MARTIN B, LOREDO A, et al. Vibration reduction on city buses: determination of optimal position of engine mounts[J]. Mechanical Systems and Signal Processing, 2010, 24(7): 2198-2209. doi: 10.1016/j.ymssp.2010.04.001
[18]	JIANG M, LIAO S S, GUO Y, et al. The improvement on vibration isolation performance of hydraulic excavators based on the optimization of powertrain mounting system[J]. Advances in Mechanical Engineering, 2019, 11(5): 86-102.
[19]	ANGROSCH B, PLÖCHL M, REINALTER W. Mode decoupling concepts of an engine mount system for practical application[J]. Proceedings of the Institution of Mechanical Engineers, Part K: Journal of Multi-Body Dynamics, 2015, 229(4): 331-343. doi: 10.1177/1464419314564020
[20]	胡金芳,陈无畏,叶先军. 计及弹性支撑的汽车动力总成悬置系统解耦研究[J]. 中国机械工程,2012,23(23): 2879-2885. doi: 10.3969/j.issn.1004-132X.2012.23.022 HU Jinfang, CHEN Wuwei, YE Xianjun. Decoupling study of a powertrain mounting system with effect of a compliant base[J]. China Mechanical Engineering, 2012, 23(23): 2879-2885. doi: 10.3969/j.issn.1004-132X.2012.23.022
[21]	胡金芳. 计及弹性基础的动力总成悬置系统特性分析与解耦研究[D]. 合肥: 合肥工业大学, 2012.
[22]	吕振华,范让林. 动力总成-悬置系统振动解耦设计方法[J]. 机械工程学报,2005,41(4): 49-54. doi: 10.3321/j.issn:0577-6686.2005.04.010 LYU Zhenhua, FAN Ranglin. Design method for vibration uncoupling of powerplantmounting system[J]. Chinese Journal of Mechanical Engineering, 2005, 41(4): 49-54. doi: 10.3321/j.issn:0577-6686.2005.04.010
[23]	童炜,侯之超. 关于动力总成悬置系统模态能量表达的一个注记[J]. 汽车工程,2013,35(3): 224-228. doi: 10.3969/j.issn.1000-680X.2013.03.006 TONG Wei, HOU Zhichao. A note on the modal energy expressions for powertrain mounting systems[J]. Automotive Engineering, 2013, 35(3): 224-228. doi: 10.3969/j.issn.1000-680X.2013.03.006
[24]	闫兵, 贾尚帅, 王铁成. 内燃动车动力总成振动控制技术及其应用[M]. 成都: 西南交通大学出版社, 2020: 188-189.
[25]	周宇杰,雷刚,贺艳辉,等. 基于惯性参数的动力总成悬置系统解耦分析[J]. 噪声与振动控制,2017,37(6): 94-97. doi: 10.3969/j.issn.1006-1355.2017.06.019 ZHOU Yujie, LEI Gang, HE Yanhui, et al. Decoupling analysis of powertrain mount systems based on inertial parameters[J]. Noise and Vibration Control, 2017, 37(6): 94-97. doi: 10.3969/j.issn.1006-1355.2017.06.019
[26]	铁道部标准所. 柴油机车车内设备机械振动烈度评定方法: GB/T 5913—1986 [S]. 北京: 中国标准出版社, 2004.

施引文献

期刊类型引用(2)

1.	杨杰，朱如鹏，陈蔚芳，戴光昊，岳彦炯，尹逊民. 船用双层壳体齿轮箱柔性动力学建模及隔振性能分析研究. 船舶力学. 2024(02): 309-318 . 百度学术
2.	宋世哲，黄燕，董大伟，闫兵. 考虑机组弹性的双层隔振系统刚度匹配方法. 内燃机学报. 2024(02): 176-184 . 百度学术

其他类型引用(4)

附加材料(0)

访问统计

点击查看大图

图(8) / 表(2)

计量

文章访问数: 631
HTML全文浏览量: 155
PDF下载量: 77
被引次数: 6

1. MEC-BP神经网络模型简介
1.1 BP神经网络
1.2 MEC算法
1.3 MEC-BP神经网络拟合预测模型
2. 高海拔隧道供氧实验
3. MEC-BP神经网络算法拟合结果
4. 结　论

柔性双层隔振系统振动能量解耦方法及应用

doi: 10.3969/j.issn.0258-2724.20210993

作者简介: 宋世哲（1993—），男，博士研究生，研究方向为车辆系统振动控制，E-mail：songshizhe@my.swjtu.edu.cn

通讯作者: 黄 燕（1987—），女，讲师，研究方向为振动噪声及其控制，E-mail：huangyan8791@swjtu.edu.cn

计量

出版历程