Stochastic assessment of electric powertrain whining noise under early-stage design uncertainties - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail (Preprint/Prepublication) Année : 2023

Stochastic assessment of electric powertrain whining noise under early-stage design uncertainties

Évaluation stochastique du bruit gémissant du groupe motopropulseur électrique dans le cadre d'incertitudes de conception initiales

Résumé

Despite the advantage of being quieter than traditional internal combustion engine vehicles, electric vehicles are often distinguished by high-frequency tonal components, which can be perceived as unpleasant to the occupants and the environment. To ensure optimal acoustic comfort in electric vehicles, it is important to analyze the NVH behavior of e-powertrains during the early stages of the design process which poses inherent uncertainties, such as varying operating conditions, partial knowledge of design parameters, dispersion in measurementbased data, etc. To effectively address these uncertainties, it is necessary to use fast and comprehensive stochastic models during the design phase. In this work, a probabilistic framework is presented to estimate the electric powertrain's interior whining noises considering the structure-borne contribution. Hence, two different stochastic metamodels are developed for efficient quantification and propagation of uncertainties from electric motor stage to powertrain mounting system. Multivariate Bayesian regression models help to incorporate prior knowledge on the uncertain parameters and generate the respective posterior distributions using Markov chains Monte Carlo (MCMC) techniques. For this particular application, the data is generated through weakly-coupled multi-physical domains estimated using semi-analytical approaches and combined with measured vehicle transfer functions. Importantly, the validation of each domain is conducted separately to ensure accurate representation. The results obtained from the developed probabilistic framework will aid in the early design stages by guiding engineers in making informed decisions to optimize NVH performance.
Malgré l'avantage d'être plus silencieux que les véhicules à moteur à combustion interne traditionnels, les véhicules électriques se distinguent souvent par des composants sonores à haute fréquence, qui peuvent être perçus comme désagréables pour les occupants et l'environnement. Pour garantir un confort acoustique optimal dans les véhicules électriques, il est important d'analyser le comportement NVH des groupes motopropulseurs électriques dès les premières étapes du processus de conception, ce qui pose des incertitudes inhérentes, telles que des conditions de fonctionnement variables, une connaissance partielle des paramètres de conception, une dispersion des données de mesure. , etc. Pour répondre efficacement à ces incertitudes, il est nécessaire d'utiliser des modèles stochastiques rapides et complets pendant la phase de conception. Dans ce travail, un cadre probabiliste est présenté pour estimer les bruits de gémissement intérieurs du groupe motopropulseur électrique en tenant compte de la contribution solidienne. Par conséquent, deux métamodèles stochastiques différents sont développés pour une quantification et une propagation efficaces des incertitudes depuis l'étage du moteur électrique jusqu'au système de montage du groupe motopropulseur. Les modèles de régression bayésienne multivariée aident à intégrer les connaissances préalables sur les paramètres incertains et à générer les distributions a posteriori respectives à l'aide des techniques de chaînes de Markov Monte Carlo (MCMC). Pour cette application particulière, les données sont générées à travers des domaines multiphysiques faiblement couplés estimés à l'aide d'approches semi-analytiques et combinés avec des fonctions de transfert de véhicule mesurées. Il est important de noter que la validation de chaque domaine est effectuée séparément pour garantir une représentation précise. Les résultats obtenus à partir du cadre probabiliste développé aideront dès les premières étapes de conception en guidant les ingénieurs dans la prise de décisions éclairées pour optimiser les performances NVH.
Fichier principal
Vignette du fichier
MANUSCRIPT.pdf (5.82 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04253330 , version 1 (22-10-2023)

Identifiants

  • HAL Id : hal-04253330 , version 1

Citer

Vinay Prakash, Olivier Sauvage, Jérôme Antoni, Laurent Gagliardini, Nicolas Totaro. Stochastic assessment of electric powertrain whining noise under early-stage design uncertainties. 2023. ⟨hal-04253330⟩
126 Consultations
38 Téléchargements

Partager

Gmail Facebook X LinkedIn More