CN112149498B - 一种面向汽车复杂部件异响的在线智能识别***及方法 - Google Patents
一种面向汽车复杂部件异响的在线智能识别***及方法 Download PDFInfo
- Publication number
- CN112149498B CN112149498B CN202010811107.XA CN202010811107A CN112149498B CN 112149498 B CN112149498 B CN 112149498B CN 202010811107 A CN202010811107 A CN 202010811107A CN 112149498 B CN112149498 B CN 112149498B
- Authority
- CN
- China
- Prior art keywords
- abnormal sound
- sound signal
- fbank
- automobile
- module
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005236 sound signal Effects 0.000 claims abstract description 89
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000013136 deep learning model Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种面向汽车复杂部件异响的在线智能识别***及方法，涉及信号处理与模式识别技术领域。本发明根据用户使用汽车过程中一些异响问题的反馈，有针对性地于样车实验环境下采集异响信号，并经过分类人工标注，整理入库，存储于云端服务器；测试人员根据指导于移动智能设备下载相应软件，采集待识别异响信号，经过前处理与分析，通过无线网络或移动数据网络上传至云端服务器，再交由训练好的深度学习模型实现异响的在线智能识别。本发明解决了汽车复杂部件异响台架试验繁琐、人工听音不一致、识别结果不准确等问题，实现了简单、高效识别汽车复杂部件的异响。
Description
技术领域
本发明涉及信号处理与模式识别技术领域，尤其涉及一种面向汽车复杂部件异响的在线智能识别***及方法。
背景技术
声品质是传统汽车与新能源车辆的关键性能之一，异响则是影响整车声品质的决定性因素。异响控制水平体现了整车厂在汽车设计、加工、装配等方面的综合能力，逐渐成为影响消费者购买决定和使用满意度的关键因素之一。
自主品牌及合资品牌汽车异响问题突出，投诉量居高不下。异响问题严重影响用户的驾乘体验，同时某些异响问题是汽车故障的前奏，不及时发现，会带来安全隐患。
异响具有问题源头广、随机发生、形成机理复杂、特征不明显的特点，识别难度很大。针对内饰、车身、动力总成、刹车、转向等***的异响问题，目前主要依靠主观感受及台架测试的方式进行识别诊断，其效率较低且对测试人员经验要求较高。
随着数字信号处理、机器学习的快速发展，运用声音识别技术的相关方法实现对汽车异响的自动识别，在现实中具有重要的意义。目前的声音识别方法中，对于特征参数的提取与声学建模仍然以传统的浅层模型居多。常用的浅层模型有隐马尔科夫模型(HiddenMarkov Model,HMM)、高斯混合模型(Gaussian Mixed Model,GMM)、支持向量机(SupportVector Machine,SVM)等，它们对于复杂数据的建模表征能力存在不足，模型训练量大且计算时间较长，识别效果和准确率不佳，无法快速准确地实现异响的在线识别。
发明内容
针对上述存在的问题，本发明提供一种面向汽车复杂部件的在线智能识别***及方法，解决汽车复杂部件异响台架试验繁琐、人工听音不一致、识别结果不准确等问题，以实现简单、高效识别汽车复杂部件的异响。
为实现上述目的，本发明具体技术方案如下：一种面向汽车复杂部件异响的在线智能识别方法，包括如下步骤：
1)构建汽车复杂部件异响信号样本WT-FBank图谱，并上传至云端服务器。
2)构建一种基于经典模型LeNet-5架构的卷积神经网络模型CNN。
3)利用训练模型搭建模块，结合分类器支持向量机SVM，训练异响信号样本WT-FBank图谱，获得训练好的CNN模型与训练好的SVM识别模型。
4)利用异响采集模块实时采集已启动的待检测车辆异响信号。
5)利用前处理与分析模块预处理待检测异响信号，获得待检测异响信号的WT-FBank特征，构建待检测异响信号WT-FBank图谱。
6)利用智能识别模块，将检测异响信号WT-FBank图谱输入至训练好的CNN模型提取待检测异响信号的特征，并转化为稀疏低维特征向量，输入至训练好的SVM识别模型进行智能匹配，输出识别类别结果返回至移动智能设备端，并利用自动更新模块，完善数据库。
7)判断异响信号检测是否结束，如果未结束，则转步骤4)，继续检测新的异响信号并进行识别，否则结束异响信号检测。
进一步地，上述步骤1)中所述构建汽车复杂部件异响信号样本WT-FBank图谱，并上传至云端服务器包括如下步骤：
1.1)利用声音采集设备采集启动状态下汽车复杂部件的异响信号样本。
1.2)对异响信号样本进行人工标注，建立汽车复杂部件异响信号样本库。
1.3)利用前处理与分析模块预处理异响信号样本，即提取异响信号样本的WT-FBank特征，构建异响信号样本WT-FBank图谱，并上传至云端服务器存储。
进一步地，上述步骤3)中获得训练好的CNN模型与训练好的SVM识别模型，包括如下步骤：
3.1)将异响信号样本WT-FBank图谱输入至CNN模型中，得到全局平均池化后的特征。
3.2)将全局平均池化后的特征输入至Softmax函数中，计算输出值与期望值间的误差。
3.3)根据误差，采用反向传播算法，反向逐层更新各层的权重、偏置项参数，直至达到训练误差精度为止，得到训练好的CNN模型。
3.4)将汽车复杂部件异响信号样本WT-FBank图谱输入至已训练好的CNN模型进行特征提取，并转化为低维特征向量，输入相应类别标签。
3.5)将提取的低维特征向量和对应标签输入至SVM分类器完成训练，得到训练好的SVM识别模型。
进一步地，上述步骤1.3)和所述步骤5)中，前处理与分析模块预处理过程包括如下步骤：
4.1)利用小波阈值降噪和经验模态分解降噪方法对采集模块采集的异响信号进行降噪处理，滤除掉其中不重要的信息以及背景噪声。
4.2)通过一阶高通滤波器对降噪后的信号进行预加重，补偿信号高频分量在传输过程中的过大衰减。
4.3)对预加重后的信号加汉明窗分帧成短时信号x(i)，帧长为N。
4.4)将短时信号x(i)进行小波变换，转换为频域信号，并计算其短时能量谱Wi(ω)，计算公式如下：
Wi(ω)＝|Wi(f)|2＝|Xi(ejω)|2，0≤i≤N-1
式中，i是指第i帧，Wi(f)即Xi(ejω)为经过小波变换后的频域信号，Wi(ω)为短时能量谱。
4.5)使用梅尔滤波器组对所得能量谱Wi(ω)进行滤波处理，并计算滤波器输出的对数能量s(m)，即WT-FBank特征，计算公式如下：
式中，s(m)为对数能量，Hm(ω)为梅尔滤波器的频率响应，其中m是指第m个梅尔滤波器。
4.6)将各帧WT-FBank特征拼接在一起得到WT-FBank图谱。
进一步地，本发明还提供一种面向汽车复杂部件异响的在线智能识别***，包括异响采集模块、前处理与分析模块、数据库构建模块、训练模型搭建模块、智能识别模块、自动更新模块；其中，异响采集模块用于采集启动的问题车辆中待识别异响；前处理与分析模块用于对异响采集模块采集的部件异响信号进行前处理与分析，获得可以表征该部件异响声音的特征图谱；数据库构建模块用于利用异响数据构建汽车复杂部件异响数据库并存储至云端服务器；训练模型搭建模块用于搭建训练模型；智能识别模块用于识别部件异响信号的特征图谱，输出分类结果；自动更新模块定期将新识别出的各种异响数据添加进云端数据库，并重新训练模型，用于数据库扩充。
与现有技术相比，本发明克服了传统方法台架实验繁琐、过度依赖专家先验知识的不足，简单可行且识别高效；有效提升了识别效果与准确率，更适合于汽车异响的在线识别；本发明提供了借助移动智能设备与云端服务器的***构建思路，不仅可以为各主机厂与4S店提供异响识别诊断服务，同时也为使用者个人提供检测异响的应用方案，进一步提升传统汽车与新能源车辆的声品质性能。
附图说明
图1为本发明的面向汽车复杂部件异响的在线识别***组成示意图。
图2为本发明中在线智能识别异响的方法流程图。
图3为本发明中异响信号WT-FBank特征图谱提取流程图。
具体实施方式
以下将结合附图所示的各实施方式对本发明进行详细描述，但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
图1所示为本发明的一种面向汽车复杂部件异响的在线智能识别***的组成示意图，面向汽车复杂部件异响的在线识别***包括异响采集模块、前处理与分析模块、数据库构建模块、训练模型搭建模块、智能识别模块、自动更新模块。其中：
异响采集模块，利用移动智能设备(智能手机或平板)外接产品级麦克风，用于采集启动的问题车辆中待识别异响。相对于传统的基于实验室专业数采设备外加高精度声传感器的异响采集设备，手持式的设备操作更为便捷简单，满足采集精度的同时且成本较低，也便于确定异响声源表现明显的位置区域。车辆的异响问题涵盖各个复杂部件，包括主副仪表板、座椅导轨、门窗开闭件、车身附件、底盘和动力传动***等。
前处理与分析模块，用于对异响采集模块采集的部件异响信号进行前处理与分析，获得可以表征该部件异响声音的特征图谱。即通过移动智能设备APP对采集到的待识别部件异响信号进行前处理与分析，获得可以表征该部件异响声音的特征图谱，并将图谱显示在移动智能设备屏幕上。
数据库构建模块，用于利用异响数据构建汽车复杂部件异响数据库并存储至云端服务器。即根据用户使用汽车过程中问题的反馈，有针对性地于样车实验环境下采集常见的复杂部件异响信号，并进行分类人工标注，构建汽车复杂部件异响数据库并存储至云端服务器。
训练模型搭建模块，用于搭建训练模型。即基于深度学习方法训练建立好的异响数据库中的数据，获得训练好的模型，以供待测异响信号输入，从而实现在线识别功能。
智能识别模块，用于识别部件异响信号的特征图谱，输出分类结果。即将前处理与分析后获得的待检测可表征某汽车部件异响特征的图谱，通过无线网络或者移动数据网络上传至云端服务器，输入至训练好的识别模型进行在线智能匹配，输出分类结果返回至移动智能设备APP端。
自动更新模块，定期将新识别出的各种异响数据添加进云端数据库，并重新训练模型，用于数据库扩充。
上述异响采集模块和前处理与分析模块的功能主要借助移动智能设备来实现，数据库构建模块、训练模型搭建模块、智能识别模块和自动更新模块的功能均通过云端服务器来实现。
如图2所示，本发明为一种面向汽车复杂部件异响的在线智能识别方法，包括以下步骤：
1)构建汽车复杂部件异响信号样本WT-FBank图谱，并上传至云端服务器；作为本发明的优选实施例，包括如下步骤：
1.1)利用声音采集设备采集启动状态下汽车复杂部件的异响信号样本；
1.2)对异响信号样本进行人工标注，建立汽车复杂部件异响信号样本库；
本发明具体实施例中，给采集的汽车各复杂部件异响信号人工定义标签，采集样本具体包含座椅振动异响、侧门饰板异响、车窗密封条异响、空调出风口异响、主副仪表盘异响、车身附件异响，将上述样本依次分别定义数字标签1—6，不同的数字标签代表不同的异响类型。
1.3)利用前处理与分析模块预处理异响信号样本，即提取异响信号样本的WT-FBank特征，构建异响信号样本WT-FBank图谱，并上传至云端服务器存储；
本发明具体实施例中，特征图谱是建立在上述前处理的基础之上，提取的是小波变换(Wavelet Transform，WT)优化改进的FBank(Filter Banks)特征，简称WT-FBank特征。FBank是语音识别领域模拟人耳听觉特性提出的参数，是传统的声学特征参数梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)计算时剔除离散余弦变换得到的特征，减少了计算量的同时，便于后续识别模型更好地利用该特征相关性，从而达到良好的识别效果。同样的，不同于传统的特征提取建立在快速傅里叶变换的基础之上，快速傅里叶变换过程中时间和频率上的分辨率是保持不变的，不能同时达到最佳效果，无法满足在低频时有较好的频率分辨率，高频时有较好的时间分辨率，而小波变换弥补了上述不足，在时频两域都具有表征局部特性的能力，可充分适应异响信号的时频特点。
如图3所示，作为本发明的优选实施例，提取异响信号WT-FBank特征，构建WT-FBank图谱，包括如下步骤：
1.3.1)利用小波阈值降噪和经验模态分解降噪方法对采集模块采集的异响信号进行降噪处理，滤除掉其中不重要的信息以及背景噪声；
1.3.2)通过一阶高通滤波器对降噪后的信号进行预加重，补偿信号高频分量在传输过程中的过大衰减；
1.3.3)对预加重后的信号加汉明窗分帧成短时信号x(i)，帧长为N；
1.3.4)将短时信号x(i)进行小波变换，转换为频域信号，并计算其短时能量谱Wi(ω)，计算公式如下：
Wi(ω)＝|Wi(f)|2＝|Xi(ejω)|2，0≤i≤N-1
式中，i是指第i帧，Wi(f)即Xi(ejω)为经过小波变换后的频域信号，Wi(ω)为短时能量谱；
1.3.5)使用梅尔滤波器组对所得能量谱Wi(ω)进行滤波处理，并计算滤波器输出的对数能量s(m)，即WT-FBank特征，计算公式如下：
式中，s(m)为对数能量，Hm(ω)为梅尔滤波器的频率响应，其中m是指第m个梅尔滤波器(共有M个)。
本发明具体实施例中，采用的滤波器为三角滤波器。梅尔滤波器组是在梅尔频率内将三角滤波器加于滤波器组上而形成，在频率轴上等间隔分配每个三角滤波器的中心频率。
1.3.6)将各帧WT-FBank特征拼接在一起得到WT-FBank图谱。
2)构建一种基于经典模型LeNet-5架构的卷积神经网络模型(ConvolutionalNeural Network，CNN)。其中，CNN模型包括：数据输入层、特征提取层与分类输出层。
本发明具体实施例中，数据输入层为WT-FBank图谱经过裁剪得到尺寸为36*36的二维特征图输入；特征提取层由传统的卷积层、激活层和池化层组成，依靠依次循环堆叠结构，前一层输出作为后一层输入，从而构建深层特征提取层，设置卷积层中卷积核大小为3*3，个数为10，卷积窗滑动步长为1，池化操作采用最大池化方式，池化窗大小为2*2，以修正线性单元(ReLU)作为卷积后激活层的激活函数；分类输出层由全连接层和Softmax分类器组合形成，设置模型迭代次数为50，训练精度要求达90％以上。考虑到全连接层结构参数过多、计算量较大，易造成测试耗时过长，不利于实时快速识别，故在此采用一种新的方法：在最后一组特征提取层的卷积层后使用全局平均池化层代替传统的全连接层，即将上一层特征图的像素用平均值来替代，从而得到低维的特征向量。
3)利用训练模型搭建模块，结合分类器支持向量机SVM，训练异响信号样本WT-FBank图谱，依次获得训练好的CNN模型与训练好的SVM识别模型。作为本发明的优选实施例，包括如下步骤：
3.1)将构建好的异响信号样本WT-FBank图谱输入至所述CNN模型中，得到全局平均池化后的特征；
3.2)将全局平均池化后的特征输入至Softmax函数中，计算输出值与期望值间的误差。
在一种可实现的方式中，选用交叉熵函数作为误差代价函数，计算公式如下：
式中，n为训练样本数量，t为训练模型输出值，y为期望值，E为期望值与输出值误差。
3.3)根据误差，采用反向传播算法，反向逐层更新各层的权重、偏置项参数，要求达到计算误差最小的目的，且等到训练误差精度或迭代步数满足预设目标时停止训练。此时，将保存模型优化改进过的参数，获得已训练好的CNN模型。
在一种可实现的方式中，此处采用梯度下降法求解最小误差，计算公式如下：
式中，ω′、b′分别为更新后权重、偏置项参数，ω、b分别为当前网络权重、偏置项参数，ε为当前网络学习速率参数。
3.4)将汽车复杂部件异响信号样本WT-FBank图谱输入至已训练好的CNN模型进行特征提取，并转化为低维特征向量，输入相应类别标签。
3.5)将提取的低维特征向量和对应标签输入至SVM分类器完成训练，得到最终训练好的SVM识别模型。
4)利用异响采集模块实时采集已启动的待检测车辆异响信号。本发明具体实施例中，异响采集模块由智能手持设备外接麦克风构成。
5)利用前处理与分析模块预处理待检测异响信号，即获得待检测车辆异响信号WT-FBank特征，构建待检测车辆异响信号WT-FBank图谱；
6)利用智能识别模块，将检测异响信号WT-FBank图谱输入至训练好的CNN模型提取待检测异响信号的特征，并转化为稀疏低维特征向量，输入至训练好的SVM识别模型进行智能匹配，输出识别类别结果返回至移动智能设备端，最后利用自动更新模块，不断完善数据库；
7)判断异响信号检测是否结束，如果未结束，则继续步骤4)，检测新的异响信号并进行识别，否则结束异响信号检测。
不同于传统的CNN，改进的CNN算法模型中设计了全局平均池化层代替了传统CNN中全连接层部分，极大地减少了模型训练参数量和计算时间。然后在全局均值池化层之后再并行连接Softmax层和SVM分类器，用于最终的识别分类结果输出。将CNN强大的深层特征提取和数据挖掘能力与SVM针对有限样本良好的泛化能力优势互补结合，使得提出的方法更适合于汽车异响的在线识别。
Claims (4)
1.一种面向汽车复杂部件异响的在线智能识别方法，其特征在于，包括如下步骤：
1)构建汽车复杂部件异响信号样本WT-FBank图谱，并上传至云端服务器；
2)构建一种基于经典模型LeNet-5架构的卷积神经网络模型CNN；
3)利用训练模型搭建模块，结合分类器支持向量机SVM，训练异响信号样本WT-FBank图谱，获得训练好的CNN模型与训练好的SVM识别模型；
4)利用异响采集模块实时采集已启动的待检测车辆异响信号；
5)利用前处理与分析模块预处理待检测异响信号，获得待检测异响信号的WT-FBank特征，构建待检测异响信号WT-FBank图谱；
6)利用智能识别模块，将检测异响信号WT-FBank图谱输入至训练好的CNN模型提取待检测异响信号的特征，并转化为稀疏低维特征向量，输入至训练好的SVM识别模型进行智能匹配，输出识别类别结果返回至移动智能设备端，并利用自动更新模块，完善数据库；
7)判断异响信号检测是否结束，如果未结束，则转步骤4)，继续检测新的异响信号并进行识别，否则结束异响信号检测；
所述前处理与分析模块预处理过程包括如下步骤：
4.1)利用小波阈值降噪和经验模态分解降噪方法对采集模块采集的异响信号进行降噪处理，滤除掉其中不重要的信息以及背景噪声；
4.2)通过一阶高通滤波器对降噪后的信号进行预加重，补偿信号高频分量在传输过程中的过大衰减；
4.3)对预加重后的信号加汉明窗分帧成短时信号x(i)，帧长为N；
4.4)将短时信号x(i)进行小波变换，转换为频域信号，并计算其短时能量谱Wi(ω)，计算公式如下：
Wi(ω)＝|Wi(f)|2＝|Xi(ejω)|2，0≤i≤N-1
式中，i是指第i帧，Wi(f)即Xi(ejω)为经过小波变换后的频域信号，Wi(ω)为短时能量谱；
4.5)使用梅尔滤波器组对所得能量谱Wi(ω)进行滤波处理，并计算滤波器输出的对数能量s(m)，即WT-FBank特征，计算公式如下：
式中，s(m)为对数能量，Hm(ω)为梅尔滤波器的频率响应，其中m是指第m个梅尔滤波器；
4.6)将各帧WT-FBank特征拼接在一起得到WT-FBank图谱。
2.如权利要求1所述的面向汽车复杂部件异响的在线智能识别方法，其特征在于，所述步骤1)中所述构建汽车复杂部件异响信号样本WT-FBank图谱，并上传至云端服务器包括如下步骤：
1.1)利用声音采集设备采集启动状态下汽车复杂部件的异响信号样本；
1.2)对异响信号样本进行人工标注，建立汽车复杂部件异响信号样本库；
1.3)利用前处理与分析模块预处理异响信号样本，即提取异响信号样本的WT-FBank特征，构建异响信号样本WT-FBank图谱，并上传至云端服务器存储。
3.如权利要求1所述的面向汽车复杂部件异响的在线智能识别方法，其特征在于，所述步骤3)中获得训练好的CNN模型与训练好的SVM识别模型，包括如下步骤：
3.1)将异响信号样本WT-FBank图谱输入至CNN模型中，得到全局平均池化后的特征；
3.2)将全局平均池化后的特征输入至Softmax函数中，计算输出值与期望值间的误差；
3.3)根据误差，采用反向传播算法，反向逐层更新各层的权重、偏置项参数，直至达到训练误差精度为止，得到训练好的CNN模型；
3.4)将汽车复杂部件异响信号样本WT-FBank图谱输入至已训练好的CNN模型进行特征提取，并转化为低维特征向量，输入相应类别标签；
3.5)将提取的低维特征向量和对应标签输入至SVM分类器完成训练，得到训练好的SVM识别模型。
4.如权利要求1所述的面向汽车复杂部件异响的在线智能识别方法，其特征在于，以上方法基于面向汽车复杂部件异响的在线智能识别***实现，包括异响采集模块、前处理与分析模块、数据库构建模块、训练模型搭建模块、智能识别模块、自动更新模块；所述异响采集模块，用于采集启动的问题车辆中待识别异响；所述前处理与分析模块，用于对异响采集模块采集的部件异响信号进行前处理与分析，获得可以表征该部件异响声音的特征图谱；所述数据库构建模块，用于利用异响数据构建汽车复杂部件异响数据库并存储至云端服务器；所述训练模型搭建模块，用于搭建训练模型；所述智能识别模块，用于识别部件异响信号的特征图谱，输出分类结果；所述自动更新模块，定期将新识别出的各种异响数据添加进云端数据库，并重新训练模型，用于数据库扩充。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811107.XA CN112149498B (zh) | 2020-08-13 | 2020-08-13 | 一种面向汽车复杂部件异响的在线智能识别***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010811107.XA CN112149498B (zh) | 2020-08-13 | 2020-08-13 | 一种面向汽车复杂部件异响的在线智能识别***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112149498A CN112149498A (zh) | 2020-12-29 |
| CN112149498B true CN112149498B (zh) | 2024-05-14 |
Family
ID=73887955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010811107.XA Active CN112149498B (zh) | 2020-08-13 | 2020-08-13 | 一种面向汽车复杂部件异响的在线智能识别***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112149498B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115512716A (zh) * | 2021-06-23 | 2022-12-23 | 华晨宝马汽车有限公司 | 用于识别车辆异响的方法、设备和*** |
| CN114486289A (zh) * | 2022-02-14 | 2022-05-13 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种整车异响的测试方法、装置、存储介质和车载终端 |
| CN116183241B (zh) * | 2023-02-15 | 2023-10-03 | 杭州腾励传动科技股份有限公司 | 一种车辆绕8字急加速异响降低及测试方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109060371A (zh) * | 2018-07-04 | 2018-12-21 | 深圳万发创新进出口贸易有限公司 | 一种汽车零部件异响检测装置 |
| CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
-
2020
- 2020-08-13 CN CN202010811107.XA patent/CN112149498B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109060371A (zh) * | 2018-07-04 | 2018-12-21 | 深圳万发创新进出口贸易有限公司 | 一种汽车零部件异响检测装置 |
| CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112149498A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149498B (zh) | 一种面向汽车复杂部件异响的在线智能识别***及方法 | |
| CN103310789B (zh) | 一种基于改进的并行模型组合的声音事件识别方法 | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN105206270B (zh) | 一种组合pca和rbm的孤立数字语音识别分类***及方法 | |
| CN102483916B (zh) | 声音特征量提取装置和声音特征量提取方法 | |
| CN109859767A (zh) | 一种用于数字助听器的环境自适应神经网络降噪方法、***及存储介质 | |
| Hilger et al. | Quantile based histogram equalization for noise robust speech recognition | |
| CN103065629A (zh) | 一种仿人机器人的语音识别*** | |
| CN103456301A (zh) | 一种基于环境声音的场景识别方法及装置及移动终端 | |
| CN109192200B (zh) | 一种语音识别方法 | |
| CN104658538A (zh) | 一种基于鸟鸣声的移动式鸟类识别方法 | |
| CN111462729A (zh) | 基于音素对数似然比和稀疏表征的快速语种识别方法 | |
| CN112908344B (zh) | 一种鸟鸣声智能识别方法、装置、设备和介质 | |
| KR101065188B1 (ko) | 진화 학습에 의한 화자 적응 장치 및 방법과 이를 이용한 음성인식 시스템 | |
| Ambrosini et al. | Deep neural networks for road surface roughness classification from acoustic signals | |
| CN112180318B (zh) | 声源波达方向估计模型训练和声源波达方向估计方法 | |
| CN117457031A (zh) | 基于语音全局声学特征和局部频谱特征的情绪识别方法 | |
| CN116153337B (zh) | 合成语音溯源取证方法及装置、电子设备及存储介质 | |
| CN117332293A (zh) | 一种基于声音Mel频率特征的货车超载检测方法 | |
| CN113744725B (zh) | 一种语音端点检测模型的训练方法及语音降噪方法 | |
| Rao et al. | Glottal excitation feature based gender identification system using ergodic HMM | |
| CN107919115B (zh) | 一种基于非线性谱变换的特征补偿方法 | |
| CN112735477B (zh) | 语音情感分析方法和装置 | |
| CN116013272A (zh) | 声音识别模型的训练方法、装置、电子设备及存储介质 | |
| CN111627454A (zh) | 环境语音采集处理方法、装置、设备及可读存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |