CN110006664A - 基于神经网络的汽车制动噪声专家检测方法 - Google Patents

基于神经网络的汽车制动噪声专家检测方法 Download PDF

Info

Publication number
CN110006664A
CN110006664A CN201910268162.6A CN201910268162A CN110006664A CN 110006664 A CN110006664 A CN 110006664A CN 201910268162 A CN201910268162 A CN 201910268162A CN 110006664 A CN110006664 A CN 110006664A
Authority
CN
China
Prior art keywords
neural network
noise
expert
detection method
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910268162.6A
Other languages
English (en)
Inventor
闵杰
杨建虹
艾杰轶
高晓林
汤恒林
汤碧红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI HORIZON ELECTRONIC TECHNOLOGY Co Ltd
Original Assignee
SHANGHAI HORIZON ELECTRONIC TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANGHAI HORIZON ELECTRONIC TECHNOLOGY Co Ltd filed Critical SHANGHAI HORIZON ELECTRONIC TECHNOLOGY Co Ltd
Priority to CN201910268162.6A priority Critical patent/CN110006664A/zh
Publication of CN110006664A publication Critical patent/CN110006664A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种汽车技术领域的基于神经网络的汽车制动噪声专家检测方法，包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。本发明利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。

Description

基于神经网络的汽车制动噪声专家检测方法
技术领域
本发明涉及的是一种汽车技术领域的制动噪声检测方法，特别是一种基于神经网络的汽车制动噪声专家检测方法。
背景技术
在对机动车产品的测试过程中，对制动片的刹车检测是重要的一环。在机动车制动时取决于刹车片的质量不同，有几率会产生制动噪声。除了影响用户体验外，制动噪声的产生概率本身也与刹车片的质量高度相关。因此，制动噪声的检测也能对刹车片的质量控制有所参考。现有的噪声检测方法是：1.收集了刹车片振动与麦克风数据2.由人耳对噪声进行检查，配合快速傅里叶变换的频谱分析判断刹车片在制动过程中是否产生噪声，以及噪声的类型。这一检测过程要求检测员有高度的行业经验，灵敏的听觉***，且培训成本高；此外，检验员往往要长期暴露在噪声环境下，对听觉***与身心健康有着极大的负面影响。因此需要一种计算机辅助的噪声检测***，减轻检验员工作负荷与压力，提高检测可靠性与一致性。
发明内容
本发明针对现有技术的不足，提出了一种基于神经网络的汽车制动噪声专家检测方法，利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。
本发明是通过以下技术方案来实现的，本发明包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。
进一步地，在本发明中，第一步神经网络的训练包括以下步骤：
第一，从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息；
第二，通过专业检验员对每次刹车记录中是否有噪声进行标记，将标记信息以电子表格形式，电子表格中包含的信息有：音频文件路径名、有无噪声、噪声发生的时间段。
第三，基于Python编写脚本，对第二步中的数据集进行分割、分类，训练集中有噪声与无噪声的音频数量比例保持在1：1；
第四，对规整过后的数据集进行随机化，并将数据集分为三部分：训练集、验证集与测试集，训练集用于优化网络参数，验证集用于验证优化后的参数对新数据的效果，避免模型的过度拟合问题，测试集用于横向比较不同模型的效果；
第五，基于Python的开源机器学习模组，PyTorch构建对于噪声判断的神经网络模型，用第四部中预备的数据集对模型进行优化、比对，选取效用最优的模型。
更进一步地，在本发明中，第二步神经网络的噪声检测包括以下步骤：
第一，神经网络选取后，对新的测量数据进行检测；
第二，人工抽检新的测量数据；
第三，将神经网络与人工抽检检测进行比对，判断神经网络的有效性。
更进一步地，在本发明中，神经网络的训练第二步中的电子表格形式为*.csv格式或者*.xlsx格式。
更进一步地，在本发明中，神经网络的训练第三步中训练集、验证集与测试集数据比例为6：2：2。
与现有技术相比，本发明具有如下有益效果为：利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明的实施例作详细说明，本实施例以本发明技术方案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
具体实施例图1所示。
第一步，神经网络的训练：
a、从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息。
b、通过专业检验员对每次刹车记录中是否有噪声进行标记。将标记信息以电子表格形式，如*.csv格式或者*.xlsx格式保存。电子表格中包含的信息有：音频文件路径名，有无噪声，噪声发生的时间段。
c、基于Python编写脚本，对步骤b中的数据集进行分割，分类。训练集中有噪声与无噪声的音频数量比例大概保持在1：1。
d、对规整过后的数据集进行随机化，并以6：2：2的比例将数据集分为三部分：训练集，验证集与测试集。训练集用于优化网络参数，验证集用于验证优化后的参数对新数据的效果，避免模型的过度拟合问题，测试集用于横向比较不同模型的效果。
e、基于Python的开源机器学习模组，PyTorch构建对于噪声判断的神经网络模型。用步骤d中预备的数据集对模型进行优化，比对，选取效用最优的模型。第二步，神经网络的噪声检测：
a、神经网络选取后，对新的测量数据进行检测。
b、人工抽检新的测量数据
c、将神经网络与与人工抽检检测进行比对，判断神经网络的有效性。
第三步，神经网络的改进：
基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。

Claims (5)

1.一种基于神经网络的汽车制动噪声专家检测方法，其特征在于包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。
2.根据权利要求1所述的基于神经网络的汽车制动噪声专家检测方法，其特征在于所述第一步神经网络的训练包括以下步骤：
第一，从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息；
第二，通过专业检验员对每次刹车记录中是否有噪声进行标记，将标记信息以电子表格形式，电子表格中包含的信息有：音频文件路径名、有无噪声、噪声发生的时间段。
第三，基于Python编写脚本，对第二步中的数据集进行分割、分类，训练集中有噪声与无噪声的音频数量比例保持在1：1；
第四，对规整过后的数据集进行随机化，并将数据集分为三部分：训练集、验证集与测试集，训练集用于优化网络参数，验证集用于验证优化后的参数对新数据的效果，避免模型的过度拟合问题，测试集用于横向比较不同模型的效果；
第五，基于Python的开源机器学习模组，PyTorch构建对于噪声判断的神经网络模型，用第四部中预备的数据集对模型进行优化、比对，选取效用最优的模型。
3.根据权利要求1所述的基于神经网络的汽车制动噪声专家检测方法，其特征在于所述第二步神经网络的噪声检测包括以下步骤：
第一，神经网络选取后，对新的测量数据进行检测；
第二，人工抽检新的测量数据；
第三，将神经网络与人工抽检检测进行比对，判断神经网络的有效性。
4.根据权利要求2所述的基于神经网络的汽车制动噪声专家检测方法，其特征在于所述第二步中的电子表格形式为*.csv格式或者*.xlsx格式。
5.根据权利要求2所述的基于神经网络的汽车制动噪声专家检测方法，其特征在于所述第三步中训练集、验证集与测试集数据比例为6：2：2。
CN201910268162.6A 2019-04-03 2019-04-03 基于神经网络的汽车制动噪声专家检测方法 Pending CN110006664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910268162.6A CN110006664A (zh) 2019-04-03 2019-04-03 基于神经网络的汽车制动噪声专家检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910268162.6A CN110006664A (zh) 2019-04-03 2019-04-03 基于神经网络的汽车制动噪声专家检测方法

Publications (1)

Publication Number Publication Date
CN110006664A true CN110006664A (zh) 2019-07-12

Family

ID=67169830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910268162.6A Pending CN110006664A (zh) 2019-04-03 2019-04-03 基于神经网络的汽车制动噪声专家检测方法

Country Status (1)

Country Link
CN (1) CN110006664A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238825A (zh) * 2020-01-10 2020-06-05 东南大学 面向组合试验路面的智能驾驶自动紧急制动性能测试方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1571982A (zh) * 2002-03-26 2005-01-26 科学与工业研究会 存在仪器噪声和测量误差时人工神经网络模型改进的性能
CN202711022U (zh) * 2012-06-26 2013-01-30 上海好耐电子科技有限公司 远程车载数据采集***
CN105825241A (zh) * 2016-04-15 2016-08-03 长春工业大学 基于模糊神经网络的驾驶员制动意图辨识方法
CN108256689A (zh) * 2018-02-06 2018-07-06 华中科技大学 一种非晶合金热塑性成形性能的人工神经网络预测方法
CN109062177A (zh) * 2018-06-29 2018-12-21 无锡易通精密机械股份有限公司 一种基于神经网络的机械设备故障诊断方法与***
CN109387565A (zh) * 2018-10-12 2019-02-26 山东理工大学 一种通过分析声音信号检测刹车片内部缺陷的方法
CN109543749A (zh) * 2018-11-22 2019-03-29 云南大学 基于深度学习的绘画情感分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1571982A (zh) * 2002-03-26 2005-01-26 科学与工业研究会 存在仪器噪声和测量误差时人工神经网络模型改进的性能
CN202711022U (zh) * 2012-06-26 2013-01-30 上海好耐电子科技有限公司 远程车载数据采集***
CN105825241A (zh) * 2016-04-15 2016-08-03 长春工业大学 基于模糊神经网络的驾驶员制动意图辨识方法
CN108256689A (zh) * 2018-02-06 2018-07-06 华中科技大学 一种非晶合金热塑性成形性能的人工神经网络预测方法
CN109062177A (zh) * 2018-06-29 2018-12-21 无锡易通精密机械股份有限公司 一种基于神经网络的机械设备故障诊断方法与***
CN109387565A (zh) * 2018-10-12 2019-02-26 山东理工大学 一种通过分析声音信号检测刹车片内部缺陷的方法
CN109543749A (zh) * 2018-11-22 2019-03-29 云南大学 基于深度学习的绘画情感分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张建南 等: ""基于神经网络方法的车内噪声自适应主动控制"", 《设计 计算 研究》 *
徐鹏: "《监狱智能化安全防范关键技术研究》", 30 December 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111238825A (zh) * 2020-01-10 2020-06-05 东南大学 面向组合试验路面的智能驾驶自动紧急制动性能测试方法

Similar Documents

Publication Publication Date Title
US9109971B2 (en) Respiratory condition analysis apparatus, respiratory condition display apparatus, processing method therein, and program
US7892189B2 (en) Movement analysis display apparatus and movement analyzing method
CN107209512B (zh) 用于机器的声学或振动分析的学习阶段的方法、***及计算机程序
JP6882397B2 (ja) 異音等検出システム、装置、方法及びプログラム
CN109211546B (zh) 基于降噪自动编码器及增量学习的旋转机械故障诊断方法
CN105841797A (zh) 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置
CN108305680B (zh) 基于多元生物学特征的智能帕金森症辅助诊断方法和装置
CN110987434A (zh) 一种基于去噪技术的滚动轴承早期故障诊断方法
CN111513730B (zh) 基于多通道生理数据的心理压力预测方法和***
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及***
JP2012018066A (ja) 異常検査装置
CN110632484A (zh) 一种基于elm的gis局部放电缺陷诊断分类***及方法
KR20220080815A (ko) 생체신호 기반 퇴행성 뇌질환 예측 및 훈련 시스템
CN110196098B (zh) 基于心率变化的车辆声品质评价方法
CN110006664A (zh) 基于神经网络的汽车制动噪声专家检测方法
JP3966500B2 (ja) 異音による不良検査装置
KR102123149B1 (ko) 침 근전도 신호를 이용한 말초신경병증 감별 장치
CN113796873B (zh) 穿戴式动态心电信号分类方法及***
CN109409216A (zh) 基于子载波动态选择的速度自适应室内人体检测方法
JP3885297B2 (ja) 異音判定装置及び異音判定方法
Al-Mulla et al. Statistical class separation using sEMG features towards automated muscle fatigue detection and prediction
CN107271184B (zh) 一种滚动轴承故障诊断的核回归分解方法及***
US8326557B2 (en) Detection of an abnormal signal in a compound sampled
CN105489228A (zh) 一种基于频域图处理的干罗音识别方法
KR20240074822A (ko) 차량 제동 시스템에 의해 발생하는 소음을 인공지능을 사용하여 식별 및 특성화하는 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190712