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产品NVH（振动、噪声与声振粗糙度）的重要指标之一，逐渐受到行业的关注。传统的NVH优化方法多依赖物理样机和试验迭代，不仅开发周期长、成本高，而且难以准确反映人耳对声品质的主观感知特征，难以满足当前高质量开发的要求。针对某型压路机存在的声品质问题，本案例提出了一种融合传递路径分析（TPA）与可解释机器学习的声品质优化方法。具体研究工作如下：

（1）基于传递路径分析的噪声贡献量分析：基于经典TPA方法，构建了包含27条结构与空气路径的压路机NVH测试模型，并通过传递函数试验与工况加载实验，识别各路径在不同工况下对驾驶室内噪声的贡献量。结果显示，发动机在4.5阶与12阶振动频率下的激励，以及风扇所产生的湍流噪声，在215-230Hz与476Hz附近形成显著噪声峰值，是主要的空气与结构路径贡献源。

（2）基于可解释机器学习的声品质建模：结合灰狼优化变分模态分解提取噪声信号频域特征，构建烦恼度主观评分数据集，应用CatBoost模型进行声品质预测，并引入模型可解释性分析方法量化特征贡献度。结果表明，224Hz与465Hz频率特征对声品质影响最显著，通过传递路径分析进行虚拟声品质优化，表明针对发动机悬置与风扇路径的优化对于声品质的提升是有效的。

（3）面向声品质的结构－声学改进设计：基于频率识别结果，构建车架、驾驶室和发动机舱有限元模型，开展模态分析与结构－声学耦合仿真。针对476Hz的模态问题，提出驾驶室地板加筋、车架局部拓扑优化等结构改进方案；针对215—230Hz低频宽带噪声问题，选用中低频吸隔声材料设计声学包装，仿真结果表明，改进措施能够有效控制驾驶室内的噪声。

（4）改进方案部署与验证：在实车样机上集成优化方案，实测数据显示，驾驶室噪声由85.62dB降低至80.64dB，机外噪声由110.38dB降至109.11dB，烦恼度评分由8.87降至7.62，验证了本方法在整机NVH性能优化中的有效性和推广价值。

关键词：压路机；传递路径分析方法；声品质；可解释机器学习