CN116579932A - 一种轮胎花纹噪声的预测及优化方法及*** - Google Patents
一种轮胎花纹噪声的预测及优化方法及*** Download PDFInfo
- Publication number
- CN116579932A CN116579932A CN202310340197.2A CN202310340197A CN116579932A CN 116579932 A CN116579932 A CN 116579932A CN 202310340197 A CN202310340197 A CN 202310340197A CN 116579932 A CN116579932 A CN 116579932A
- Authority
- CN
- China
- Prior art keywords
- tire
- noise
- pattern
- pixel
- predicted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000000737 periodic effect Effects 0.000 claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 21
- 230000005236 sound signal Effects 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005086 pumping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C11/00—Tyre tread bands; Tread patterns; Anti-skid inserts
- B60C11/03—Tread patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mechanical Engineering (AREA)
- Tires In General (AREA)
Abstract
本发明公开了一种轮胎花纹噪声的预测及优化方法及***，该方法包括：获取轮胎花纹的每一单节距图像，利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。本发明基于轮胎花纹图像，充分考虑花纹设计的尺寸形状，考虑花纹沟在横向和纵向不同位置的影响差异，实现对轮胎花纹噪声的精准预测，并根据预测的轮胎花纹噪声，优化轮胎花纹。
Description
技术领域
本发明涉及轮胎花纹设计技术领域，尤其涉及一种轮胎花纹噪声的预测及优化方法及***。
背景技术
随着高速交通和汽车领域的快速发展，因车辆导致的交通噪音已经成为了严重的环境问题，并被认为是环境噪声的主要来源。车辆作为交通噪音的主要来源包括发动机噪音、轮胎噪音和车辆结构噪音三个部分。其中轮胎噪声的来源包括胎体结构振动、空气泵浦噪音和轮胎/道路之间的相互作用而发出的噪声。轮胎花纹噪声在轮胎/道路相互作用噪声中占有主导地位。在轮胎花纹设计先期能对花纹噪声进行预测及定性评价具有重要的实用价值和工程意义。
轮胎花纹噪音产生的形式主要是振动和泵吸：振动主要是由于胎面与地面的撞击产生，振动以弹性波的形式通过相邻结构传播，引起周围空气的振动进而产生噪声，此噪声落在相对低的频率范围内；与地面接触时，胎面花纹沟以类似脉冲的形式不断的吸气与排气，产生明显的泵吸噪声。倾斜的花纹沟与横向花纹沟相比，与路面接触时间更长，因此，空气压缩和释放的速度较慢，产生噪音较小；对于纵向花纹沟而言，沟内的气压随时间变化不大，释放沟内空气时遇到阻力而形成的气流可以忽略不计。当胎面花纹块与路面接触时，花纹沟内的空气被压缩，气压增加形成正压；而随着花纹沟离开路面，气压降低，形成负压。基于这两个过程，形成了顶部大、底部小的形状类似于“N”的声压波形，如图1所示，声压波形的形状和压力大小取决于轮胎花纹沟与路面接触的时间。
目前，针对轮胎花纹噪声的解析模型可分为半经验公式模型和简单声源模型这两类。其中，半经验公式模型简单，参数少，仅用有限的几个参数表征轮胎胎面花纹，但简化过多，实用性差，噪声预测结果较差；简单声源模型也比较简单，其将所有类型的花纹都当做一个简单的声源来处理，简化过多，不能真实反映不同花纹的设计参数差异，噪声预测结果较差。
发明内容
为解决上述现有技术的不足，本发明提供了一种轮胎花纹噪声的预测及优化方法及***，基于轮胎花纹图像，充分考虑花纹设计的尺寸形状，并考虑花纹沟在横向和纵向不同位置的影响差异，实现对轮胎花纹噪声的精准预测。
第一方面，本公开提供了一种轮胎花纹噪声的预测及优化方法。
一种轮胎花纹噪声的预测及优化方法，包括：
获取轮胎花纹的每一单节距图像，利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；
基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；
对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
进一步的技术方案，所述计权矩阵的获取方法，包括：
根据轮胎花纹的每一单节距图像，得到轮胎周向花纹图像；
基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，获取测试的实际轮胎噪声信号；
对测试的实际轮胎噪声信号进行处理，分离得到测试的周期性花纹音信号，计算测试信号的均方根值；
基于最小化的测试信号的均方根值和预测噪声周期信号的均方根值，利用粒子群优化算法，计算得到计权矩阵。
进一步的技术方案，所述实际轮胎噪声信号包括周期性花纹音信号和背景噪声信号。
进一步的技术方案，所述方法还包括：
对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式；
基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。
进一步的技术方案，优化轮胎花纹噪声，包括：
固定第一列轮胎花纹，根据错动值和错动步长调整其余列轮胎花纹，形成轮胎花纹错位组合方式；
根据所形成的轮胎花纹错位组合方式，进行轮胎花纹噪声预测；
循环迭代调整操作，以预测轮胎花纹噪声最低的轮胎花纹错位组合方式为当前最优错位组合方式，直至迭代结束，输出当前最优轮胎花纹错位组合方式。
第二方面，本公开提供了一种轮胎花纹噪声的预测及优化***，包括：
轮胎花纹图像获取模块，用于获取轮胎花纹的每一单节距图像；
轮胎花纹图像处理模块，用于利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
轮胎花纹噪声预测模块，用于基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
进一步的技术方案，所述计权矩阵的获取方法，包括：
根据轮胎花纹的每一单节距图像，得到轮胎周向花纹图像；
基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，获取测试的实际轮胎噪声信号；
对测试的实际轮胎噪声信号进行处理，分离得到测试的周期性花纹音信号，计算测试信号的均方根值；
基于最小化的测试信号的均方根值和预测噪声周期信号的均方根值，利用粒子群优化算法，计算得到计权矩阵。
进一步的技术方案，所述***还包括轮胎花纹错位优化模块，用于对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式，基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种轮胎花纹噪声的预测及优化方法及***，基于轮胎花纹图像，充分考虑花纹设计的尺寸形状，实现对轮胎花纹噪声的精准预测，并根据预测的轮胎花纹噪声，优化轮胎花纹，以降低轮胎花纹噪声。
2、本发明充分考虑了花纹沟在横向和纵向不同位置的影响差异，并记以不同的权重，保证轮胎花纹噪声预测的准确性。
3、本发明实现了轮胎噪音的花纹音与其他背景噪音的分离，并通过将试验与理论相结合，使得预测方法具有较高的鲁棒性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为轮胎花纹噪声声压波形的示意图；
图2为本发明实施例一所述轮胎花纹噪声的预测及优化方法的流程图；
图3为本发明实施例一中轮胎花纹的单节距图像；
图4为本发明实施例一中室内单胎噪声转鼓麦克风布置的示意图；
图5为本发明实施例一中轮胎花纹噪声预测值与实验值对比结果；
图6为本发明实施例一中多列轮胎花纹的示意图；
图7为本发明实施例一中轮胎花纹错位优化的结果示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种轮胎花纹噪声的预测及优化方法，如图2所示，包括以下步骤：
获取轮胎花纹的每一单节距图像，利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；
基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；
对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
在本实施例中，首先，获取轮胎花纹的每一单节距图像，利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵。其中，设花纹沟的像素值为1，胎面的像素值为0，如图3所示，得到单节距图像的像素矩阵Pi：
其中，J表示行驶面宽范围内的总像素点数，Ni表示单节距长度方向的像素点数。
则，此时轮胎一周花纹的像素分布可通过轮胎周向像素矩阵Ptire表示，为：
其中，Nb表示总节距数。
考虑到当花纹沟位于不同的纵向以及横向位置时，其发生的权重不同，因此，设花纹沟沿纵向的计权矩阵为X，沿横向的计权矩阵为Y，基于计权矩阵，对单节距图像的像素矩阵进行计权，得到每一单节距图像的像素计权矩阵Pinew，为：
对每一单节距图像的像素矩阵分别计算对应的计权矩阵，则得到轮胎周向的像素计权矩阵Ptirenew，Ptirenew＝P1new∪P2new∪…∪PNbnew。其中，Ptirenew为行数为1、列数为Ni×Nb的矩阵。
然后，基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号。设轮胎滚动速度为V(km/h)，在本实施例中，针对半钢胎，设V＝80km/h，针对全钢胎，设V＝70km/h，每个像素的长度记为d，则获取轮胎旋转一周的预测噪声周期信号f(t)＝P(i)，其中i＝Vt/d。
上述通过轮胎旋转一周得到的信号f(t)为周期信号，对f(t)进行傅里叶级数分解，得到：
其中，a0、An为傅里叶系数，a0表示均值，表示相位角。
针对预测噪声周期信号f(t)所得到的傅里叶级数分解结果，计算均方根RMS值，记为RMS_sim，以该均方根值为轮胎花纹噪声值，，获取预测的轮胎花纹噪声。
上述方案的重点在于计权矩阵的获取及确定，横沟位置的不同，导致轮胎花纹位置不同，影响最终预测的轮胎花纹噪声。上述计权矩阵的获取及确定方法包括：
根据轮胎花纹的每一单节距图像，得到轮胎周向花纹图像；
基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，获取测试的实际轮胎噪声信号；所述实际轮胎噪声信号包括周期性花纹音信号和背景噪声信号；
对测试的实际轮胎噪声信号进行处理，分离得到测试的周期性花纹音信号，计算测试信号的均方根值；
基于最小化的测试信号的均方根值和预测噪声周期信号的均方根值，利用粒子群优化算法，计算得到计权矩阵X和Y。
具体的，基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，其中麦克风布置位置根据ECER117轮胎法规确定，麦克风布置位置为距离测试中心线7.5m处，麦克风高度为1.2m。如图4所示，根据室内测试结果与室外通过噪音测试结果对比，点7位置的麦克风测得结果与通过噪音结果最为接近，因此，选择等效的位置-点7，选用点7处的麦克风测量的1/3倍频谱作为计算系数的识别。
通过上述测试方法，获取测试的实际轮胎噪声信号，该室内测试结果包含了周期性花纹音信号以及其他背景噪声信号，因此，需要对测试结果进行花纹音信号的分离，具体操作包括：
使用转速传感器(即tachometer传感器)，记录轮胎每旋转一圈的时间点t_tacho；
因为在实际测试的过程中，选择稳态速度V进行测试，因此，认为瞬时转频不变，时间点t_tacho对应的瞬时转频rpmt＝60/diff(t_tacho)，其中diff表示差分；
为了保证计算的瞬时转频平滑，令瞬时转频rpmt＝0.5*(rpmt(1:end-1)+rpmt(2:end))，相当于使用3个转速脉冲(即tacho脉冲)，计算中间脉冲所对应的转速rpm；其中，1:end-1表示第一个点到最后一个点的前一个点，2:end表示第二个点到最后一个点；
因为进行了一次差分，因此需要进行时间的对齐，令t_tacho＝t_tacho(2:end-1)；
为了保证与初始时间的一致，对(t_tacho,rpmt)进行线性插值，也即每一个时间点都对应一个转速rpm；
针对每一圈信号进行重采样，其中采样点数与采样频率一致；
对采样获得的每一段数据进行离散傅里叶变换DFT。若在测试过程中，轮胎共旋转N圈，则对N圈计算得到的离散傅里叶变换DFT进行线性平均，得到周期性花纹音信号。
在此基础上，选择800-2500Hz的频率范围，计算所获取的周期性花纹音噪声的均方根值，记为RMS_test，基于最小化的测试信号的均方根值RMS_test和预测噪声周期信号的均方根值RMS_sim，使用matlab优化工具箱，利用粒子群优化算法，求解得到计权矩阵X和Y。其中，粒子群数目选择50。上述在利用粒子群优化算法进行求解的过程中，以RMS_test与RMS_sim差值的平方最小为优化目标，不断迭代求解，最终求解获得计权矩阵X和Y。
利用获取的计权矩阵X和Y，选择新的花纹进行噪声性能仿真与预测，与实际检测结果相对比，对比结果如图5所示，检测结果与预测结果的误差为0.5dB，精度较高。
此外，本实施例还给出了一种轮胎花纹噪声的优化方法，对花纹进行错位优化，包括：对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式，基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。具体的，优化轮胎花纹噪声，包括：
固定第一列轮胎花纹，根据错动值和错动步长调整其余列轮胎花纹，形成轮胎花纹错位组合方式；
根据所形成的轮胎花纹错位组合方式，进行轮胎花纹噪声预测；具体的，针对轮胎花纹的不同列，采用每列对应的计权矩阵，分别获取相应的预测噪声，再计算获取轮胎花纹整体噪声的预测值；在本实施例中，前述计算为直接加和计算，实际上就是本实施例上述所公开的矩阵相乘的方法；
循环迭代调整操作，以预测轮胎花纹噪声最低的轮胎花纹错位组合方式为当前最优错位组合方式，直至迭代结束，输出当前最优轮胎花纹错位组合方式。
具体的，对轮胎花纹进行错位优化，如图6所示，通过固定第1列并错动第2、3、4列的方式，进行花纹错位优化，选择最大错动值为±L，错动步长为m，则第2、3、4列测错位组合方式共有(2×L/)3种。针对每种错位组合方式，基于上述预测方法，分别计算预估噪音。当出现更低的预测轮胎花纹噪声(即RMS值)时，则替换当前的错位组合方式，直至迭代结束，保留最终的测错位组合方式。通过上述优化方案，优化结果如图7所示，错位后，噪声降低1.1dB。
实施例二
本实施例提供了一种轮胎花纹噪声的预测及优化***，包括：
轮胎花纹图像获取模块，用于获取轮胎花纹的每一单节距图像；
轮胎花纹图像处理模块，用于利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
轮胎花纹噪声预测模块，用于基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
进一步的，还包括轮胎花纹错位优化模块，用于对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式，基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的轮胎花纹噪声的预测及优化方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的轮胎花纹噪声的预测及优化方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种轮胎花纹噪声的预测及优化方法，其特征是，包括：
获取轮胎花纹的每一单节距图像，利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；
基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；
对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
2.如权利要求1所述的轮胎花纹噪声的预测及优化方法，其特征是，所述计权矩阵的获取方法，包括：
根据轮胎花纹的每一单节距图像，得到轮胎周向花纹图像；
基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，获取测试的实际轮胎噪声信号；
对测试的实际轮胎噪声信号进行处理，分离得到测试的周期性花纹音信号，计算测试信号的均方根值；
基于最小化的测试信号的均方根值和预测噪声周期信号的均方根值，利用粒子群优化算法，计算得到计权矩阵。
3.如权利要求2所述的轮胎花纹噪声的预测及优化方法，其特征是，所述实际轮胎噪声信号包括周期性花纹音信号和背景噪声信号。
4.如权利要求1所述的轮胎花纹噪声的预测及优化方法，其特征是，还包括：
对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式；
基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。
5.如权利要求4所述的轮胎花纹噪声的预测及优化方法，其特征是，优化轮胎花纹噪声，包括：
固定第一列轮胎花纹，根据错动值和错动步长调整其余列轮胎花纹，形成轮胎花纹错位组合方式；
根据所形成的轮胎花纹错位组合方式，进行轮胎花纹噪声预测；
循环迭代调整操作，以预测轮胎花纹噪声最低的轮胎花纹错位组合方式为当前最优错位组合方式，直至迭代结束，输出当前最优轮胎花纹错位组合方式。
6.一种轮胎花纹噪声的预测及优化***，其特征是，包括：
轮胎花纹图像获取模块，用于获取轮胎花纹的每一单节距图像；
轮胎花纹图像处理模块，用于利用像素值描述单节距图像的花纹分布情况，得到单节距图像的像素矩阵；基于计权矩阵，对单节距图像的像素矩阵进行计权，得到单节距图像的像素计权矩阵，进而得到轮胎周向的像素计权矩阵；
轮胎花纹噪声预测模块，用于基于轮胎周向的像素计权矩阵，获取轮胎旋转一周的预测噪声周期信号；对预测噪声周期信号进行傅里叶级数分解，计算均方根值，获取预测的轮胎花纹噪声。
7.如权利要求6所述的轮胎花纹噪声的预测及优化***，其特征是，所述计权矩阵的获取方法，包括：
根据轮胎花纹的每一单节距图像，得到轮胎周向花纹图像；
基于所述轮胎周向花纹图像的花纹轮胎，进行室内单胎噪音转鼓试验，获取测试的实际轮胎噪声信号；
对测试的实际轮胎噪声信号进行处理，分离得到测试的周期性花纹音信号，计算测试信号的均方根值；
基于最小化的测试信号的均方根值和预测噪声周期信号的均方根值，利用粒子群优化算法，计算得到计权矩阵。
8.如权利要求6所述的轮胎花纹噪声的预测及优化***，其特征是，还包括轮胎花纹错位优化模块，用于对轮胎每列花纹进行错位，形成多种轮胎花纹错位组合方式，基于多种轮胎花纹错位组合方式的预测轮胎花纹噪声，输出当前最优轮胎花纹错位组合方式。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-5中任一项所述的一种轮胎花纹噪声的预测及优化方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-5中任一项所述的一种轮胎花纹噪声的预测及优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310340197.2A CN116579932A (zh) | 2023-03-29 | 2023-03-29 | 一种轮胎花纹噪声的预测及优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310340197.2A CN116579932A (zh) | 2023-03-29 | 2023-03-29 | 一种轮胎花纹噪声的预测及优化方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579932A true CN116579932A (zh) | 2023-08-11 |
Family
ID=87540265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310340197.2A Pending CN116579932A (zh) | 2023-03-29 | 2023-03-29 | 一种轮胎花纹噪声的预测及优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579932A (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005029076A (ja) * | 2003-07-09 | 2005-02-03 | Toyo Tire & Rubber Co Ltd | グルーブワンダリング性に優れる乗用車用タイヤ |
| TW201400326A (zh) * | 2012-06-18 | 2014-01-01 | Univ Nat Taiwan Ocean | 能有效降低噪音之輪胎花紋節距之最佳排序法 |
| CN104102820A (zh) * | 2014-06-27 | 2014-10-15 | 清华大学 | 轮胎花纹噪声解析预报方法及*** |
| CN107379899A (zh) * | 2017-07-07 | 2017-11-24 | 淮阴工学院 | 一种基于无线传感器网络的轮胎状态智能监测*** |
| CN107796639A (zh) * | 2016-08-30 | 2018-03-13 | 上海保隆汽车科技股份有限公司 | 轮胎噪声监测***和监测方法 |
| CN107848344A (zh) * | 2015-08-25 | 2018-03-27 | 大陆轮胎德国有限公司 | 用于确定轮胎胎纹的胎面深度的方法及其控制装置 |
| CN108614935A (zh) * | 2018-04-24 | 2018-10-02 | 哈尔滨工大泰铭科技有限公司 | 一种快速实现轮胎花纹节距噪声预测的方法 |
| US20200094503A1 (en) * | 2016-12-23 | 2020-03-26 | Pirelli Tyre S.P.A. | Process and apparatus for applying noise-reducing elements to a tyre for vehicle wheels |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN112084682A (zh) * | 2020-03-10 | 2020-12-15 | 中策橡胶集团有限公司 | Tbr轮胎噪音测试方法及低噪音轮胎制备 |
| CN113886991A (zh) * | 2021-10-18 | 2022-01-04 | 哈尔滨工业大学 | 一种轮胎花纹冲击噪声的预测方法 |
| CN114643818A (zh) * | 2022-03-07 | 2022-06-21 | 中策橡胶集团股份有限公司 | 一种基于图像识别的轮胎花纹噪声仿真预测方法、设备和程序产品 |
| US20220284470A1 (en) * | 2015-05-20 | 2022-09-08 | Continental Automotive Systems, Inc. | System and method for enhancing vehicle performance using machine learning |
| CN115240059A (zh) * | 2022-07-13 | 2022-10-25 | 江苏海洋大学 | 一种基于改进pso-svm的前视声呐目标识别方法 |
| CN115839696A (zh) * | 2023-02-27 | 2023-03-24 | 清华大学苏州汽车研究院（相城） | 一种轮胎花纹深度测量方法、装置、存储介质及*** |
-
2023
- 2023-03-29 CN CN202310340197.2A patent/CN116579932A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005029076A (ja) * | 2003-07-09 | 2005-02-03 | Toyo Tire & Rubber Co Ltd | グルーブワンダリング性に優れる乗用車用タイヤ |
| TW201400326A (zh) * | 2012-06-18 | 2014-01-01 | Univ Nat Taiwan Ocean | 能有效降低噪音之輪胎花紋節距之最佳排序法 |
| US20200184278A1 (en) * | 2014-03-18 | 2020-06-11 | Z Advanced Computing, Inc. | System and Method for Extremely Efficient Image and Pattern Recognition and Artificial Intelligence Platform |
| CN104102820A (zh) * | 2014-06-27 | 2014-10-15 | 清华大学 | 轮胎花纹噪声解析预报方法及*** |
| US20220284470A1 (en) * | 2015-05-20 | 2022-09-08 | Continental Automotive Systems, Inc. | System and method for enhancing vehicle performance using machine learning |
| CN107848344A (zh) * | 2015-08-25 | 2018-03-27 | 大陆轮胎德国有限公司 | 用于确定轮胎胎纹的胎面深度的方法及其控制装置 |
| CN107796639A (zh) * | 2016-08-30 | 2018-03-13 | 上海保隆汽车科技股份有限公司 | 轮胎噪声监测***和监测方法 |
| US20200094503A1 (en) * | 2016-12-23 | 2020-03-26 | Pirelli Tyre S.P.A. | Process and apparatus for applying noise-reducing elements to a tyre for vehicle wheels |
| CN107379899A (zh) * | 2017-07-07 | 2017-11-24 | 淮阴工学院 | 一种基于无线传感器网络的轮胎状态智能监测*** |
| CN108614935A (zh) * | 2018-04-24 | 2018-10-02 | 哈尔滨工大泰铭科技有限公司 | 一种快速实现轮胎花纹节距噪声预测的方法 |
| CN112084682A (zh) * | 2020-03-10 | 2020-12-15 | 中策橡胶集团有限公司 | Tbr轮胎噪音测试方法及低噪音轮胎制备 |
| CN113886991A (zh) * | 2021-10-18 | 2022-01-04 | 哈尔滨工业大学 | 一种轮胎花纹冲击噪声的预测方法 |
| CN114643818A (zh) * | 2022-03-07 | 2022-06-21 | 中策橡胶集团股份有限公司 | 一种基于图像识别的轮胎花纹噪声仿真预测方法、设备和程序产品 |
| CN115240059A (zh) * | 2022-07-13 | 2022-10-25 | 江苏海洋大学 | 一种基于改进pso-svm的前视声呐目标识别方法 |
| CN115839696A (zh) * | 2023-02-27 | 2023-03-24 | 清华大学苏州汽车研究院（相城） | 一种轮胎花纹深度测量方法、装置、存储介质及*** |
Non-Patent Citations (4)
| Title |
|---|
| JINN-TONG CHIU 等: "Application of a pattern recognition technique to the prediction of tire noise", 《JOURNAL OF SOUND AND VIBRATION》, vol. 350, pages 30 - 40, XP029173556, DOI: 10.1016/j.jsv.2015.04.013 * |
| 冯希金 等: "轮胎噪声研究进展", 《轮胎工业》, vol. 35, no. 09, pages 515 - 523 * |
| 邓兰祥: "基于轿车轮胎花纹噪声模型的优化设计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 02, pages 016 - 378 * |
| 陈理君 等: "轮胎花纹噪声仿真与优化***软件设计", 《轮胎工业》, vol. 04, pages 199 - 203 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111873804B (zh) | 一种电动汽车工况数据生成方法和能耗评价工况生成方法 | |
| EP3696395A1 (en) | State detection system for internal combustion engine, data analysis device, and vehicle | |
| CN109813511B (zh) | 基于移动车辆的桥梁快速测试与参数识别方法 | |
| WO2018005996A1 (en) | System, device, and method for feature generation, selection, and classification for audio detection of anomalous engine operation | |
| CN105527110B (zh) | 汽车燃油经济性的评估方法和装置 | |
| CN105973593A (zh) | 一种基于局部特征尺度分解-近似熵和流形距离的滚动轴承健康评估方法 | |
| US6711508B2 (en) | Method and apparatus for estimating tire air pressure | |
| US11458784B2 (en) | Methods and apparatus to determine tire tread depth | |
| CN112282952B (zh) | 发动机燃烧故障判定方法及装置 | |
| CN113918890B (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
| CN113689038B (zh) | 一种基于多传感器模糊评估的发动机气缸故障预测方法 | |
| CN116579932A (zh) | 一种轮胎花纹噪声的预测及优化方法及*** | |
| CN112668419B (zh) | 一种基于振动信号的发动机排放物预测方法 | |
| CN112857834A (zh) | 一种双小齿轮式电动助力转向器运行噪声评价方法 | |
| CN117390510A (zh) | 一种发动机运行状态预测方法、***及电子设备 | |
| CN112948965A (zh) | 一种基于机器学习和统计验证的汽车行驶工况的构建方法 | |
| CN114383716B (zh) | 一种基于条件功率谱分析的车内噪声识别方法 | |
| CN114643818B (zh) | 一种基于图像识别的轮胎花纹噪声仿真预测方法、设备和程序产品 | |
| CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
| CN112343712B (zh) | 一种发动机悬上振动的敏感性分析方法 | |
| KR102300965B1 (ko) | 다기통 엔진의 실화 진단 방법 및 장치 | |
| CN113155486A (zh) | 动力总成悬置***的耐久度模拟试验方法和*** | |
| CN115638900B (zh) | 一种排气管温度的确定方法、***、存储介质及电子设备 | |
| CN106055857B (zh) | 汽车燃油经济性的评估方法和装置 | |
| CN118072759A (zh) | 噪声分离方法、装置、电子设备及车辆 |
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 |