DE102016114917A1 - Method and system for testing a control element and method and system for creating a test model - Google Patents

Method and system for testing a control element and method and system for creating a test model Download PDF

Info

Publication number
DE102016114917A1
DE102016114917A1 DE102016114917.9A DE102016114917A DE102016114917A1 DE 102016114917 A1 DE102016114917 A1 DE 102016114917A1 DE 102016114917 A DE102016114917 A DE 102016114917A DE 102016114917 A1 DE102016114917 A1 DE 102016114917A1
Authority
DE
Germany
Prior art keywords
operating element
borne
actuation
sound sensor
test model
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
DE102016114917.9A
Other languages
German (de)
Inventor
Minjie Zou
Laura Folk
Torsten Linnemann
Julien Provost
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.)
Bayerische Motoren Werke AG
Technische Universitaet Muenchen
Original Assignee
Bayerische Motoren Werke AG
Technische Universitaet Muenchen
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 Bayerische Motoren Werke AG, Technische Universitaet Muenchen filed Critical Bayerische Motoren Werke AG
Priority to DE102016114917.9A priority Critical patent/DE102016114917A1/en
Priority to PCT/EP2017/070234 priority patent/WO2018029270A1/en
Publication of DE102016114917A1 publication Critical patent/DE102016114917A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R13/00—Elements for body-finishing, identifying, or decorating; Arrangements or adaptations for advertising purposes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K15/00—Acoustics not otherwise provided for

Abstract

Es werden ein Verfahren und System zur Prüfung eines Bedienelements (13) für ein Fahrzeug angegeben. Bei dem Verfahren wird ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt und eine Betätigung des Bedienelements (13) durchgeführt. Dabei wird ein Messsignal des Körperschallsensors (13) umfassend Körperschalldaten (K) repräsentativ für einen durch die Betätigung hervorgerufenen Körperschall ermittelt. Ein Prüfmodell (P) wird bereitgestellt, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten (K) und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls. Abhängig von dem Messsignal und dem Prüfmodell (P) wird ein Gütekennwert (G) ermittelt, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei Betätigung des Bedienelements (13). Es werden ferner ein Verfahren und System zur Erstellung eines Prüfmodells angegeben.A method and system for testing a control element (13) for a vehicle are specified. In the method, a structure-borne sound sensor (23) is coupled to the operating element (13) and an actuation of the operating element (13) is carried out. In this case, a measurement signal of the structure-borne sound sensor (13) comprising structure-borne noise data (K) is determined representative of a structure-borne noise caused by the actuation. A test model (P) is provided which is representative of a relationship between structure-borne sound data (K) and a psychoacoustic perception of an airborne sound produced upon actuation of the operating element (13). Depending on the measurement signal and the test model (P), a characteristic value (G) is determined, which is representative of a user-perceived harmonic sound when the operating element (13) is actuated. There is also provided a method and system for creating a test model.

Figure DE102016114917A1_0001
Figure DE102016114917A1_0001

Description

Die Erfindung betrifft ein Verfahren zur Prüfung eines Bedienelements für ein Fahrzeug sowie ein korrespondierendes System. Darüber hinaus betrifft die Erfindung ein Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements für ein Fahrzeug sowie ein korrespondierendes System.The invention relates to a method for testing a control element for a vehicle and a corresponding system. In addition, the invention relates to a method for creating a test model for testing a control element for a vehicle and a corresponding system.

Mit der Entwicklung von elektrischen Fahrzeugen kommt in der Automobilindustrie der subjektiven Wahrnehmung von Fahrzeuginnenraumgeräuschen erhöhte Wichtigkeit zu. Speziell beim ersten Kontakt mit dem Fahrzeug können Geräusche von Betriebskomponenten ein entscheidender Faktor für Kunden in einem Autohaus sein.With the development of electric vehicles, the subjective perception of vehicle interior noise is becoming increasingly important in the automotive industry. Especially at the first contact with the vehicle, noise from operating components can be a deciding factor for customers in a dealership.

Bisherige Studien wie M. C. Bezat et al., "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", The Journal of the Acoustical Society of America, vol. 123, no. 5, Seiten 3253–3253, 2008 ; A. M. Willemsen et al., "Characterization of sound quality of impulsive sounds using loudness based metric", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, Seiten 3397–3404 ; M. Höchsteiter et al., "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26. Konferenz Elektronische Sprachsignalverarbeitung, 25.–27.03.2015, Eichstätt, G. Wirsching, Ed., 2015, Seiten 264–271 ; und M. Höchstetter et al., "Psychoacoustic prediction of singular impulsive sounds", ATZ worldwide, vol. 117, no. 7–8, Seiten 58–63, 2015 haben gezeigt dass die subjektive Wahrnehmung von nichtstationären Geräuschen hochgradig korreliert ist mit den psychoakustischen Parametern Lautheit und Schärfe. Gebräuchliche Messtechniken hierbei stellen Mikrophone und Kunstköpfe dar, um die vom Menschen wahrgenommenen Geräusche zu quantifizieren. Durch ihre hohen Kosten und der Komplexität der Testsysteme sind diese für sogenannte „End-of-line Tests“ in Produktionsstätten jedoch ungeeignet. Überdies wird ein unter Nutzung solcher gebräuchlicher Messtechniken erzieltes Ergebnis hochgradig durch Umgebungslärm gestört.Previous studies like MC Bezat et al., "Relations between acoustic parameters and perceptual properties: an approach by regression tree applied to car door closure sounds," The Journal of the Acoustical Society of America, vol. 123, no. 5, pages 3253-3253, 2008 ; AM Willemsen et al., "Characterization of sound quality of impulsive sounds using loudness based metrics", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, pages 3397-3404 ; M. Höchsteiter et al., "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26th Conference Electronic Speech Signal Processing, 25.-27.03.2015, Eichstätt, G. Wirsching, Ed., 2015, pages 264- 271 ; and M. Höchstetter et al., Psychoacoustic Prediction of Singular Impulsive Sounds, ATZ worldwide, vol. 117, no. 7-8, pages 58-63, 2015 have shown that the subjective perception of non-stationary sounds is highly correlated with the psychoacoustic parameters loudness and sharpness. Common measuring techniques are microphones and artificial heads to quantify the sounds perceived by humans. Due to their high costs and the complexity of the test systems, however, these are unsuitable for so-called "end-of-line tests" in production facilities. Moreover, a result obtained using such conventional measurement techniques is greatly disturbed by environmental noise.

Aus der Literatur sind darüber hinaus Beschleunigungssensoren bekannt. Im Gegensatz zu den oben genannten Messtechniken, bei denen Signalwellen in der Luft durch Messung der Druckänderung über die Zeit gemessen werden, misst ein Beschleunigungssensor strukturelle Vibrationen, insbesondere strukturelle Vibrationsbeschleunigungen. Hier und im Folgenden können Beschleunigungssensoren auch als Körperschallsensoren bezeichnet werden und umgekehrt.In addition, acceleration sensors are known from the literature. In contrast to the measurement techniques mentioned above, in which signal waves in the air are measured by measuring the pressure change over time, an acceleration sensor measures structural vibrations, in particular structural vibration accelerations. Here and below, acceleration sensors can also be referred to as structure-borne sound sensors and vice versa.

Die meisten Studien, die sich mit Psychoakustik beschäftigen, basieren auf Messungen von Signalwellen in der Luft. Die Forschung zur Messung psychoakustischer Parameter mit Beschleunigungssensoren war weniger ausgiebig. Nur eine Studie ist derzeit bekannt: Moritz et al., "Wahrnehmung von Getriebegeräuschen – Übertragung psychoakustischer Analysen auf Körperschallsignale" in DAGA 2015; 41. Jahrestagung für Akustik, ser. Paper ID 000057, März 2015, Seiten 113–116 beschreibt die Korrelation zwischen luftübertragenen und strukturübertragenen Geräuschen von Motorlärm, welcher eine Art stationäres Geräusch darstellt. Dabei wurde festgestellt, dass Lautheit berechnet von beiden Sensoren linear korreliert ist, Schärfe jedoch nicht.Most studies dealing with psychoacoustics are based on measurements of signal waves in the air. The research to measure psychoacoustic parameters with accelerometers was less extensive. Only one study is currently known: Moritz et al., "Perception of Transmission Noises - Transmission of Psychoacoustic Analyzes to Structure-borne Sound Signals" in DAGA 2015; 41st Annual Conference on Acoustics, ser. Paper ID 000057, March 2015, pages 113-116 describes the correlation between airborne and pattern transmitted noise from engine noise, which is a type of stationary noise. It was found that loudness calculated by both sensors is linearly correlated, but not sharpness.

Wang et al. "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategie Technology, the 1st International Forum on. IEEE, 2006, Seiten 33–36 . zeigt, dass ein künstliches neuronales Netzwerk (Artificial Neural Network, ANN) fähig ist, bestehende Hörermodelle zur Lautheit in der Luft anzunähern. Wang et al. "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategy Technology, the 1st International Forum on. IEEE, 2006, pages 33-36 , shows that an artificial neural network (ANN) is able to approximate existing handset models to loudness in the air.

Auch S.-K. Lee et al., "Objective evaluation of the rumbling sound in passenger cars based on an artificial neural network", Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, Seiten 457–469, 2005 ; H.-H. Lee et al., "Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no. 5, Seiten 860–869, 2009 ; M. Paulraj et al., "Classification of interior noise comfort level of proton model cars using artificial neural network", Advanced Computing and Communication Systems (ICACCS), 2013 International Conference on. IEEE, 2013, Seiten 1–7 ; und Y. Xing et al., "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, Seiten 875–892, 2016 beschäftigen sich mit der Fahrzeugakustik.Also S.-K. Lee et al., "Objective evaluation of rumbling sound in passenger cars based on an artificial neural network", Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, pages 457-469, 2005 ; H.-H. Lee et al., "Objective evaluation of interior noise booming in a passenger car on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no. 5, pages 860-869, 2009 ; Paulraj et al., International Classification of Interference Comfort Level of Proton Model Cars Using Artificial Neural Network (ICACCS), 2013 International Conference on. IEEE, 2013, pages 1-7 ; and Y. Xing et al., "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, pages 875-892, 2016 deal with the vehicle acoustics.

Darüber hinaus befassen sich M. Sivanandam et al., Introduction to artificial neural networks, Vikas publishing House PVT LTD, 2009 ; und H. B. Demuth et al., "Neural network design", 2014 mit neuronalen Netzwerken.In addition, deal M. Sivanandam et al., Introduction to artificial neural networks, Vikas Publishing House PVT LTD, 2009 ; and HB Demuth et al., "Neural network design", 2014 with neural networks.

Eine Aufgabe, die der Erfindung zugrunde liegt, ist es, ein Verfahren und korrespondierendes System zu schaffen, das zu einer effizienten und kostengünstigen Prüfung eines Bedienelements für ein Fahrzeug beiträgt. Ferner ist es eine Aufgabe, die der Erfindung zugrunde liegt, ein Verfahren und korrespondierendes System zu schaffen, das es ermöglicht ein Prüfmodell zu erstellen, das die effiziente und kostengünstige Prüfung eines Bedienelements ermöglicht. An object of the invention is to provide a method and corresponding system which contributes to an efficient and cost-effective testing of a control element for a vehicle. Furthermore, it is an object of the invention to provide a method and corresponding system that makes it possible to create a test model that allows the efficient and cost-effective testing of a control element.

Die Aufgaben werden gelöst durch die unabhängigen Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.The objects are achieved by the independent claims. Advantageous embodiments are characterized in the subclaims.

Gemäß einem ersten Aspekt betrifft die Erfindung ein Verfahren zur Prüfung eines Bedienelements für ein Fahrzeug.According to a first aspect, the invention relates to a method for testing a control element for a vehicle.

Bei dem Verfahren gemäß dem ersten Aspekt wird zunächst ein Körperschallsensor mit dem Bedienelement gekoppelt. Anschließend wird eine Betätigung des Bedienelements durchgeführt und ein Messsignal des Körperschallsensors ermittelt. Das Messsignal umfasst Körperschalldaten, die repräsentativ sind für einen durch die Betätigung hervorgerufenen Körperschall.In the method according to the first aspect, a structure-borne sound sensor is first coupled to the operating element. Subsequently, an actuation of the operating element is performed and a measurement signal of the structure-borne noise sensor is determined. The measurement signal comprises structure-borne noise data, which are representative of a structure-borne noise caused by the actuation.

Des Weiteren wird ein Prüfmodell bereitgestellt, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls. Abhängig von dem Messsignal und dem Prüfmodell wird daraufhin ein Gütekennwert ermittelt, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei Betätigung des Bedienelements.Furthermore, a test model is provided that is representative of a relationship between structure-borne sound data and a psychoacoustic perception of an airborne sound produced when the control element is actuated. Depending on the measurement signal and the test model, a quality characteristic value is then determined, which is representative of a user-perceived euphony upon actuation of the operating element.

In vorteilhafter Weise ermöglicht die Messung mittels des Körperschallsensors ein zuverlässiges und kostengünstiges Prüfen des Bedienelements bereits bei der Herstellung. Insbesondere trägt die Messung mittels des Körperschallsensors zu einer Robustheit gegenüber Rauschen bei. Ein Einsatz von teuren und komplexen Mikrophonanordnungen und Kunstköpfen kann vermieden werden.Advantageously, the measurement by means of the structure-borne sound sensor allows a reliable and cost-effective testing of the operating element already during production. In particular, the measurement by means of the structure-borne sound sensor contributes to a robustness to noise. Use of expensive and complex microphone arrays and artificial heads can be avoided.

Insbesondere kann die psychoakustische Wahrnehmung im Vergleich zu solchen Messtechniken früher während der Herstellung des Bedienelements ermittelt und evaluiert werden. Beispielsweise kann das Verfahren gemäß dem ersten Aspekt so für eine sogenannte „end-of-line“-Anwendung psychoakustischer Analysen als Qualitätskontrolle eingesetzt werden. Die Ermittlung des Gütekennwerts abhängig von dem Prüfmodell ermöglicht dabei eine einheitliche, reproduzierbare Prüfung von Bedienelementen. In particular, the psychoacoustic perception can be determined and evaluated earlier during the manufacture of the control element compared to such measurement techniques. For example, the method according to the first aspect can thus be used for a so-called "end-of-line" application of psychoacoustic analyzes as quality control. The determination of the quality factor depending on the test model allows a uniform, reproducible testing of controls.

Der Körperschallsensor wird mit dem Bedienelement insbesondere mechanisch derart gekoppelt, dass der durch Betätigung hervorgerufene Körperschall durch den Körperschallsensor erfasst werden kann. Vorzugsweise handelt es sich hierbei um eine reversible Kopplung, bei der der Körperschallsensor von dem Bedienelement nach der Prüfung entfernt werden kann. Beispielsweise eignet sich hierfür ein Verkleben der Komponenten, beispielhaft mittels Wachs.In particular, the structure-borne sound sensor is mechanically coupled to the operating element in such a way that the structure-borne noise caused by actuation can be detected by the structure-borne sound sensor. This is preferably a reversible coupling in which the structure-borne sound sensor can be removed from the operating element after the test. For example, gluing of the components, for example by means of wax, is suitable for this purpose.

Bei dem hervorgerufenen Körperschall handelt es sich insbesondere um ein nichtstationäres Signal, das beispielsweise impulsartig auftreten kann.The induced structure-borne noise is, in particular, a nonstationary signal which can occur, for example, like a pulse.

Die Betätigung des Bedienelements kann insbesondere automatisiert erfolgen.The actuation of the operating element can in particular be automated.

In einer vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die Ermittlung des Gütekennwerts zunächst ein Ermitteln der psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls abhängig von dem Messsignal und dem Prüfmodell. Anschließend erfolgt ein Vergleichen der psychoakustischen Wahrnehmung mit einem vorgegebenen Referenzkennwert und/oder mit einem vorgegebenen Referenzbereich, sowie ein Ermitteln des Gütekennwerts abhängig von dem Vergleich.In an advantageous embodiment according to the first aspect, the determination of the quality characteristic value first comprises determining the psychoacoustic perception of an airborne sound produced upon actuation of the operating element as a function of the measurement signal and the test model. Subsequently, the psychoacoustic perception is compared with a predetermined reference characteristic value and / or with a predefined reference region, and the quality characteristic value is determined as a function of the comparison.

In vorteilhafter Weise ermöglicht dies eine einfache Unterscheidung des Wohlklangs der Betätigung geprüfter Bedienelemente.Advantageously, this allows a simple distinction of the sound of the operation of checked controls.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die psychoakustische Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls wenigstens einen psychoakustischen Kennwert. Der psychoakustische Kennwert ist repräsentativ für zumindest eines aus Lautheit und/oder Schärfe des Luftschalls.In a further advantageous embodiment according to the first aspect, the psychoacoustic perception of an airborne sound produced when the operating element is actuated comprises at least one psychoacoustic characteristic value. The psychoacoustic characteristic value is representative of at least one of loudness and / or sharpness of the airborne sound.

Ein derartiger psychoakustischer Kennwert trägt zu einer besonders aussagekräftigen Bewertung bei der Unterscheidung des Wohlklangs der Betätigung geprüfter Bedienelemente bei. Such a psychoacoustic characteristic contributes to a particularly meaningful evaluation in distinguishing the well-being of the operation of tested controls.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die Betätigung des Bedienelements ein Durchführen wenigstens einer vorgegebenen Betätigungsbewegung mit einer vorgegebenen Kraft und einer vorgegebenen Geschwindigkeit.In a further advantageous embodiment according to the first aspect, the operation of the operating element comprises performing at least one predetermined actuating movement with a predetermined force and a predetermined speed.

In vorteilhafter Weise ermöglicht dies eine Prüfung von Bedienelementen auf besonders einheitliche, reproduzierbare Weise.This advantageously makes it possible to test operating elements in a particularly uniform, reproducible manner.

Gemäß einem zweiten Aspekt betrifft die Erfindung ein Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements für ein Fahrzeug. Bei dem Verfahren gemäß dem zweiten Aspekt werden zunächst ein Luftschallsensor und ein Körperschallsensor mit dem Bedienelement gekoppelt. Anschließend wird eine Betätigung des Bedienelements durchgeführt, und jeweils ein Messsignal des Luftschallsensors und des Körperschallsensors ermittelt. Das Messsignal umfasst Luftschalldaten, die repräsentativ sind für einen durch die Betätigung hervorgerufenen Luftschall beziehungsweise Körperschalldaten, die repräsentativ sind für einen durch die Betätigung hervorgerufenen Körperschall.According to a second aspect, the invention relates to a method for creating a test model for testing a control element for a vehicle. In the method according to the second aspect, an airborne sound sensor and a structure-borne sound sensor are first coupled to the control element. Subsequently, an actuation of the operating element is carried out, and in each case determines a measurement signal of the airborne sound sensor and the structure-borne sound sensor. The measurement signal comprises airborne sound data which are representative of an airborne sound or structure-borne sound data produced by the actuation, which are representative of a structure-borne noise caused by the actuation.

Schließlich wird abhängig von den Luftschalldaten und den Körperschalldaten ein Prüfmodell ermittelt, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls.Finally, depending on the airborne sound data and the structure-borne noise data, a test model is determined which is representative of a relationship between structure-borne noise data and a psychoacoustic perception of an airborne sound produced when the control element is actuated.

Die Kopplung des Körperschallsensors mit dem Bedienelement sowie die Betätigung des Bedienelements kann insbesondere analog zu dem ersten Aspekt erfolgen. Bei der Kopplung des Luftschallsensors mit dem Bedienelement handelt es sich um eine akustische Kopplung, die insbesondere kontaktfrei erfolgen kann. Beispielsweise wird der Luftschallsensor hierbei in einem vorgegebenen Abstand zu dem Bedienelement angeordnet.The coupling of the structure-borne sound sensor with the operating element as well as the actuation of the operating element can in particular be carried out analogously to the first aspect. In the coupling of the airborne sound sensor with the operating element is an acoustic coupling, which can be made in particular without contact. For example, the airborne sound sensor is arranged at a predetermined distance from the operating element.

In einer vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt umfasst das Ermitteln des jeweiligen Messsignals ein Aufzeichnen von Luftschalldaten durch den Luftschallsensor beziehungsweise ein Aufzeichnen von Körperschalldaten durch den Körperschallsensor. Das jeweilige Aufzeichnen erfolgt innerhalb einer Zeitspanne zwischen 0,5s und 15s. Insbesondere beträgt die Zeitspanne des jeweiligen Analysezeitfensters 2s. Das jeweilige Aufzeichnen kann auch eine Aufnahme längerer Zeitspannen mit anschließender Unterteilung in einzelne Zeitabschnitte bezeichnen.In an advantageous embodiment according to the first and / or the second aspect, the determination of the respective measurement signal comprises a recording of airborne sound data by the airborne sound sensor or a recording of structure-borne noise data by the structure-borne sound sensor. The respective recording takes place within a time span between 0.5s and 15s. In particular, the time span of the respective analysis time window is 2s. The respective recording may also signify a recording of longer periods of time with subsequent subdivision into individual time segments.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt umfasst das Prüfmodell ein erstes Modell zur statischen Evaluierung und ein zweites Modell zur dynamischen Evaluierung.In a further advantageous embodiment according to the first and / or the second aspect, the test model comprises a first model for static evaluation and a second model for dynamic evaluation.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt umfasst das Prüfmodell ein künstliches neuronales Netzwerk.In a further advantageous embodiment according to the first and / or the second aspect, the test model comprises an artificial neural network.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt weist das Prüfmodell zur statischen Evaluierung zwischen 5 und 15 erste Neuronen, insbesondere 10 erste Neuronen auf. In a further advantageous embodiment according to the first and / or the second aspect, the test model for static evaluation has between 5 and 15 first neurons, in particular 10 first neurons.

In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt weist das Prüfmodell zur dynamischen Evaluierung zwischen 25 und 40 zweite Neuronen, insbesondere 30 zweite Neuronen auf.In a further advantageous embodiment according to the first and / or the second aspect, the test model for dynamic evaluation has between 25 and 40 second neurons, in particular 30 second neurons.

Gemäß einem dritten Aspekt betrifft die Erfindung ein System zur Prüfung eines Bedienelements für ein Fahrzeug. Das System gemäß dem dritten Aspekt umfasst einen Körperschallsensor, welcher zur Aufnahme eines bei Betätigung des Bedienelements hervorgerufenen Körperschalls ausgebildet ist. Der Körperschallsensor ist dabei mit dem Bedienelement gekoppelt. Des Weiteren umfasst das System gemäß dem dritten Aspekt eine Verarbeitungseinheit, die mit dem Körperschallsensor signaltechnisch gekoppelt ist. Die Verarbeitungseinheit ist hierbei ausgebildet, ein Verfahren gemäß dem ersten Aspekt durchzuführen.According to a third aspect, the invention relates to a system for testing a control element for a vehicle. The system according to the third aspect comprises a structure-borne sound sensor, which is designed to receive a structure-borne sound caused by actuation of the operating element. The structure-borne noise sensor is coupled to the operating element. Furthermore, the system according to the third aspect comprises a processing unit, which is signal-technically coupled to the structure-borne sound sensor. The processing unit is in this case designed to carry out a method according to the first aspect.

Gemäß einem vierten Aspekt betrifft die Erfindung ein System zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements für ein Fahrzeug. Das System gemäß dem vierten Aspekt umfasst einen Luftschallsensor und einen Körperschallsensor, welche zur Aufnahme eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls beziehungsweise zur Aufnahme eines bei Betätigung des Bedienelements hervorgerufenen Körperschalls ausgebildet sind. Der Körperschallsensor und der Luftschallsensor sind hierzu mit dem Bedienelement gekoppelt. Das System gemäß dem vierten Aspekt umfasst überdies eine Verarbeitungseinheit, die mit dem Luftschallsensor und dem Körperschallsensor signaltechnisch gekoppelt ist. Die Verarbeitungseinheit ist ausgebildet, ein Verfahren gemäß dem zweiten Aspekt durchzuführen.According to a fourth aspect, the invention relates to a system for creating a test model for testing a control element for a vehicle. The system according to the fourth aspect comprises an airborne sound sensor and a structure-borne sound sensor, which for receiving a upon actuation of the operating element caused airborne sound or for receiving a caused by actuation of the operating element structure-borne sound are formed. The structure-borne sound sensor and the airborne sound sensor are for this purpose coupled to the operating element. The system according to the fourth aspect further comprises a processing unit, which is signal-coupled with the airborne sound sensor and the structure-borne sound sensor. The processing unit is configured to perform a method according to the second aspect.

Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnungen näher erläutert.Embodiments of the invention are explained in more detail below with reference to the schematic drawings.

Es zeigen: Show it:

1 ein erstes System zur Erstellung eines Prüfmodells, 1 a first system for creating a test model,

2 ein zweites System zur Prüfung eines Bedienelements, 2 a second system for testing a control element,

3 eine Architektur eines vorwärtsgekoppelten Mehrschichtnetzwerks, 3 an architecture of a feedforward multilayer network,

4 ein Neuron eines künstlichen, neuronalen Netzwerks, 4 a neuron of an artificial neural network,

5 eine Anordnung zur Erstellung des Prüfmodells, 5 an arrangement for creating the test model,

6 durch das erste System ermittelte Luft- und Körperschalldaten mit darin gekennzeichnetem Stimulus, 6 airborne and structure-borne noise data determined by the first system with a stimulus identified therein,

7 Trainings- und Testresultate zu statischen Parametern, 7 Training and test results on static parameters,

8 Trainings- und Testresultate zu dynamischen Parametern, und 8th Training and test results on dynamic parameters, and

9 ein Ablaufdiagramm eines Verfahrens zur Prüfung eines Bedienelements für ein Fahrzeug. 9 a flowchart of a method for testing a control element for a vehicle.

Elemente gleicher Konstruktion oder Funktion sind figurenübergreifend mit den gleichen Bezugszeichen versehen. Elements of the same construction or function are provided across the figures with the same reference numerals.

In den letzten Jahren haben psychoakustische Eindrücke von Produkten zunehmend an Wichtigkeit in zahlreichen Design- und Herstellungssektoren gewonnen. Herkömmliche Messaufbauten basieren jedoch auf Mikrophonen und sind teuer und empfindlich gegenüber Rauschen, Umgebungsgeräuschen und/oder Störgeräuschen. Es wird daher ein Verfahren zur Abschätzung psychoakustischer Parameter aus Messdaten eines Beschleunigungssensors unter Verwendung künstlicher neuronaler Netzwerke (Artificial Neural Network, ANN) angegeben. Das Verfahren wurde in dem im Folgenden beschriebenen Ausführungsbeispiel erfolgreich an Automobilinterieurkomponenten angewendet, welche nichtstationäre Geräusche bei Betätigung abgeben. Wie anhand der folgenden Figuren beschrieben wird, werden – um das Verfahren zu entwickeln und abzustimmen – die Betriebsgeräusche zunächst simultan sowohl durch ein Mikrophon als auch durch einen Beschleunigungssensor aufgezeichnet. Statische und dynamische psychoakustische Parameter werden daraufhin aus den Messdaten des Mikrophons ermittelt gemäß einem Hörermodell. Schließlich wird eine Beziehung zwischen den psychoakustischen Parametern und den Messdaten des Beschleunigungssensors angenähert mittels eines vorwärtsgekoppelten neuronalen Mehrschichtnetzwerks (engl. feed forward multilayer neural network). In recent years, psychoacoustic impressions of products have become increasingly important in many design and manufacturing sectors. However, conventional measurement setups are based on microphones and are expensive and sensitive to noise, ambient noise, and / or noise. Therefore, a method for estimating psychoacoustic parameters from measurement data of an acceleration sensor using artificial neural networks (ANN) is provided. The method has been successfully applied to automotive interior components that emit non-stationary sounds upon actuation in the embodiment described below. As will be described with reference to the following figures, in order to develop and tune the method, the operating sounds are first recorded simultaneously both by a microphone and by an acceleration sensor. Static and dynamic psychoacoustic parameters are then determined from the measured data of the microphone according to a handset model. Finally, a relationship between the psychoacoustic parameters and the measurement data of the acceleration sensor is approximated by means of a feed-forward multilayer neural network.

Mit Psychoakustik wird die Lehre der menschlichen Wahrnehmung von Geräuschen bezeichnet. Die Empfindlichkeit des menschlichen Ohrs wechselt als eine Funktion der Frequenz. Menschliches Hören kombiniert Geräusche mit nahen Frequenzen in vierundzwanzig Frequenzbänder. Es ist komplex die Wahrnehmung zu evaluieren, da individuelle Unterschiede auftreten. Viel Aufwand wurde darauf verwendet psychoakustische Parameter zu nutzen um akustisch wahrgenommene Qualität subjektiv zu evaluieren, zum Beispiel Lautheit, Schärfe, Rhythmus, Rauheit und so weiter. Es wurde herausgefunden, dass die Empfindung von nichtstationären Geräuschen hochgradig korreliert ist mit den psychoakustischen Parametern Lautheit und Schärfe. Lautheit beschreibt die menschliche Wahrnehmungscharakteristik bezüglich der Tonstärke. In diesem Ausführungsbeispiel wird die Lautheit als psychoakustischer Kennwert gemessen und ermittelt gemäß dem Hörermodell nach Zwickers in ISO 532B mit der Einheit sone. Schärfe ist eine Empfindung, die sich auf die Tonspektrumsdichte bezieht und die empfundenen Wohlklang beeinflusst. Schärfe ist hochgradig abhängig von dem hohen Frequenzanteil in den Geräuschen. Es gibt keinen ISO Standard zur Berechnung der Schärfe. In diesem Ausführungsbeispiel wird die Schärfe ebenfalls als psychoakustischer Kennwert gemessen und ermittelt mit der Einheit acum gemäß Zwicker, was eine der beliebtesten Methoden darstellt.Psychoacoustics is the teaching of the human perception of sounds. The sensitivity of the human ear changes as a function of frequency. Human hearing combines sounds with near frequencies into twenty-four frequency bands. It is complex to evaluate perception as individual differences occur. Much effort has been put into using psychoacoustic parameters to subjectively evaluate acoustically perceived quality, for example loudness, sharpness, rhythm, roughness and so on. It has been found that the sensation of non-stationary sounds is highly correlated with the psychoacoustic parameters of loudness and sharpness. Loudness describes the human perception characteristic with regard to the sound intensity. In this embodiment, the loudness is measured as a psychoacoustic characteristic value and determined according to the listener model according to Zwickers in ISO 532B with the unit sone. Sharpness is a sensation that relates to the sound spectrum density and influences the perceived euphony. Sharpness is highly dependent on the high frequency component in the noise. There is no ISO standard for calculating the Sharpness. In this embodiment, the sharpness is also measured as a psychoacoustic characteristic and determined with the acum unit according to Zwicker, which represents one of the most popular methods.

3 zeigt ein beispielhaftes, vorwärtsgekoppeltes neuronales Mehrschichtnetzwerk, welches aus einer Eingangsschicht E, einer Ausgangsschicht A und einer oder mehreren verborgenen Schichten V besteht. ANNs sind mächtige Werkzeuge um Eingänge x auf gewünschte Ausgänge y abzubilden, wenn die Eingangs-/Ausgangsbeziehungen komplex und nichtlinear sind. Ein ANN ist ein Datenverarbeitungssystem, das sich wie eine Verallgemeinerung des mathematischen Modells der menschlichen Wahrnehmung entwickelt. 3 FIG. 12 shows an exemplary forward-coupled neural multilayer network consisting of an input layer E, an output layer A, and one or more hidden layers V. ANNs are powerful tools to map inputs x to desired outputs y when the input / output relationships are complex and nonlinear. An ANN is a data processing system that evolves like a generalization of the mathematical model of human perception.

Ein beispielhaftes, einzelnes Neuron N eines solchen Netzwerks gemäß 3 ist in 4 dargestellt, bei dem die Eingänge x1, xi, xn einer vorherigen Schicht mit w1, wi, wn gewichtet, in einen Summenblock ∑ geführt, mit einem Bias b addiert, mit einer Aktivierungsfunktion F prozessiert und schließlich in Ausgang y ausgegeben werden. Formal kann ein Neuron definiert sein wie folgt:

Figure DE102016114917A1_0002
An exemplary single neuron N of such a network according to 3 is in 4 in which the inputs x 1 , x i , x n of a previous layer are weighted with w 1 , w i , w n , fed into a summation block Σ, added with a bias b, processed with an activation function F and finally in output y be issued. Formally, a neuron can be defined as follows:
Figure DE102016114917A1_0002

Wobei n die Anzahl der Eingänge x1, xi, xn und z die Summe der gewichteten Eingänge x1, xi, xn ist.Where n is the number of inputs x 1 , x i , x n and z is the sum of the weighted inputs x 1 , x i , x n .

Bevor ein ANN benutzt wird sollte es zunächst trainiert und validiert werden mit einer Serie an Trainingsdaten. In der Trainingsphase adaptieren sich Netzwerkparameter selbst als Antwort auf eine Menge an Lernbeispielen aus dem Datenbestand. Die Adaption wird iterativ fortgesetzt bis ein Fehler zwischen dem Ausgang y des ANN und einem gewünschten Ausgang (Vorgabewert) unterhalb einer Toleranzschwelle liegt. So konfiguriert sich das Netzwerk selbst und lernt die gewünschte Eingangs-Ausgangsbeziehung.Before an ANN is used it should first be trained and validated with a series of training data. In the training phase, network parameters adapt themselves in response to a set of learning examples from the dataset. The adaptation is continued iteratively until an error between the output y of the ANN and a desired output (default value) is below a tolerance threshold. This is how the network configures itself and learns the desired input-output relationship.

Im vorliegenden Ausführungsbeispiel ist in dem Flussdiagramm der 1 ein erstes System 1 zur Erstellung eines Prüfmodells P zur Prüfung eines Bedienelements 11 für ein Fahrzeug gezeigt. Das erste System 1 weist zwei Zweige auf, die die jeweils unterschiedliche Behandlung von mikrophon- und beschleunigungssensorbasierten Messdaten spezifizieren. Der obere Zweig zeigt einen herkömmlichen Weg um psychoakustische Parameter zu erhalten. Mittels eines Mikrophons 21 wird ein Messsignal ermittelt, umfassend Luftschalldaten L, die an eine Verarbeitungsvorrichtung 31 weitergeleitet werden. Aus den Luftschalldaten L können gemäß dem Hörermodell nach E. Zwicker et al., Psychoacoustics: Facts and models, Springer Science&Business Media, 2013, vol. 22 psychoakustische Parameter ermittelt werden.In the present embodiment, in the flowchart of 1 a first system 1 for creating a test model P for testing a control element 11 shown for a vehicle. The first system 1 has two branches that specify the different treatment of microphone and acceleration sensor-based measurement data. The top branch shows a conventional way to get psychoacoustic parameters. By means of a microphone 21 a measurement signal is determined comprising airborne sound data L sent to a processing device 31 to get redirected. From the airborne sound data L can according to the model of the listener E. Zwicker et al., Psychoacoustics: Facts and Models, Springer Science & Business Media, 2013, vol. 22 psychoacoustic parameters are determined.

Der untere Zweig beschreibt einen Weg, um Qualitätsabschätzungen aus beschleunigungssensorbasierten Messdaten mit Hilfe der Verarbeitung durch ein künstliches neuronales Netzwerk zu erhalten. Mittels eines Beschleunigungssensors 23 wird ein Messsignal ermittelt, umfassend Körperschalldaten K, die ebenfalls an die Verarbeitungsvorrichtung 31 weitergeleitet werden.The lower branch describes a way to obtain quality estimates from acceleration sensor-based measurement data by processing through an artificial neural network. By means of an acceleration sensor 23 a measurement signal is determined, comprising structure-borne sound data K, which is also sent to the processing device 31 to get redirected.

Das ANN wird trainiert durch Messungen die Beziehung zwischen den Körperschalldaten K, den Luftschalldaten L sowie den Ergebnissen aus der herkömmlichen Berechnung zu erlernen. Das trainierte ANN kann auch als Prüfmodell P bezeichnet werden. The ANN is trained by measurements to learn the relationship between the structure-borne sound data K, the airborne sound data L and the results of the conventional calculation. The trained ANN can also be referred to as the test model P.

Sobald das ANN trainiert ist kann der obere Zweig eliminiert werden. Ein derartiges zweites System 2 gemäß dem vorliegenden Ausführungsbeispiel ist anhand des Flussdiagramms der 2 dargestellt. Hierbei kann die Qualitätsabschätzung einer neuen Komponente wie einem dem Bedienelement 11 ähnlichen Bedienelement 13 lediglich unter Verwendung des unteren Zweigs durchgeführt werden. Das heißt, einzig beschleunigungssensorbasierte Messdaten, also die Körperschalldaten K, werden bei weiterer Nutzung erforderlich.Once the ANN is trained, the upper branch can be eliminated. Such a second system 2 According to the present embodiment is based on the flowchart of 2 shown. Here, the quality estimation of a new component such as the control element 11 similar control 13 only be performed using the lower branch. That is, only acceleration sensor-based measurement data, so the structure-borne sound data K, are required for further use.

Die Erstellung des Prüfmodells kann in drei Hauptschritte untergliedert werden: Geräuschmessung, Datenvorbereitung für ANNs und ANN-Modellierung. Messungen können beispielsweise mit einem Echtzeitmesssystem PAK (Prüfstands-Akustik-Messsystem wie beispielsweise von der Firma Müller BBM VibroAkustik Systeme, das sich für Schall- und Schwingungsmessungen universell einsetzen und den Aufgaben entsprechend anpassen und erweitern lässt) und die Verarbeitung mit dem Computerprogramm „Matlab“ auf einem Computer durchgeführt werden. Körperschalldaten K des Beschleunigungssensors 23 werden zuerst einer Merkmalsextraktion unterzogen, die den ANNs als Eingänge x zugeführt werden. Luftschalldaten L werden genutzt, um Vorgabewerte der ANNs zu berechnen, insbesondere die der Lautheit und der Schärfe. Basierend darauf wird eine passende ANN-Struktur bestimmt.The design of the test model can be divided into three main steps: noise measurement, data preparation for ANNs and ANN modeling. Measurements can be made, for example, with a real-time measuring system PAK (test bench acoustics measuring system, for example from the company Müller BBM VibroAkustik Systeme, which can be used universally for sound and vibration measurements and can be adapted and expanded according to the tasks) and the processing with the computer program "Matlab". be done on a computer. Structure-borne noise data K of the acceleration sensor 23 are first subjected to a feature extraction, which are fed to the ANNs as inputs x. Airborne sound data L is used to calculate default values of ANNs, in particular those of loudness and sharpness. Based on this, an appropriate ANN structure is determined.

Ein Datenbestand ist erforderlich um das ANN zu trainieren und maximale Genauigkeit zu erreichen. Beispielsweise werden hierzu gemäß dem vorliegenden Ausführungsbeispiel in einer Semifreifeldraum bzw. Reflexionsarmen Raum 25 (siehe 5) durch Betätigung hervorgerufene Geräusche von Bedienelementen 11, also Betriebsgeräusche derselben Komponente von verschiedenen Fahrzeugen, aufgenommen. Sowohl ein Kondensatormikrophon 21 als auch ein triaxialer piezoelektrischer Beschleunigungssensor 23 können für die Messung eingesetzt werden. Das Mikrophon 21 ist gegenüber der Komponente 11 in konstantem Abstand angeordnet, während der Beschleunigungssensor 23 direkt auf der Oberfläche der Komponente 11 mit Wachs fixiert wird gemäß ISO 5348 . Alle Komponenten 11 werden in verschiedenen hinsichtlich aller zur Verfügung stehenden Betätigungsrichtungen betrieben, wodurch realistische Betriebsbedingungen simuliert werden können. A database is required to train the ANN and achieve maximum accuracy. For example, according to the present embodiment, in a semiflot space or reflection arms, space becomes available for this purpose 25 (please refer 5 ) caused by operation noises of controls 11 , So operating noise of the same component of different vehicles recorded. Both a condenser microphone 21 as well as a triaxial piezoelectric acceleration sensor 23 can be used for the measurement. The microphone 21 is opposite the component 11 arranged at a constant distance while the acceleration sensor 23 directly on the surface of the component 11 is fixed with wax according to ISO 5348 , All components 11 are operated in different respect to all available directions of actuation, whereby realistic operating conditions can be simulated.

Die Luftschalldaten L und Körperschalldaten K der Sensoren 21, 23 des vorliegenden Ausführungsbeispiels sind in 6 als Originalaufnahmen dargestellt. Jede Aufnahme umfasst eine Dauer von 15s bei einer Abtastrate von 48kHz. In den 15s werden vollständige Betriebsaktionen wiederholt einschließlich Betätigung und Freigabe. Diese Aktionen können auch als Stimuli S bezeichnet werden, wobei zwei korrespondierende Stimuli S in 6 exemplarisch hervorgehoben sind. Jede Aufnahme umfasst fünf bis sechs Stimuli S. In diesem Ausführungsbeispiel wird jedes davon ausgeschnitten mit der gleichen Dauer von 2s. Insgesamt wurden in dem Ausführungsbeispiel elf Komponenten 11, 13 vermessen. Ohne die entfernten, fälschlich aufgenommenen Stimuli S umfasst der Datenbestand in diesem Ausführungsbeispiel zweihunderteinundzwanzig Stimuli S des Mikrophons 21 und zweihunderteinundzwanzig Stimuli S des Beschleunigungssensors 23.The airborne sound data L and structure-borne noise data K of the sensors 21 . 23 of the present embodiment are in 6 shown as original recordings. Each recording has a duration of 15s with a sampling rate of 48kHz. In the 15s, complete operations are repeated, including actuation and release. These actions may also be referred to as stimuli S, with two corresponding stimuli S in 6 are highlighted as examples. Each shot contains five to six stimuli S. In this embodiment, each is cut out with the same duration of 2s. Overall, in the embodiment, eleven components 11 . 13 measured. Without the removed, erroneously received stimuli S, the data in this embodiment comprises two hundred twenty-one stimuli S of the microphone 21 and two hundred twenty-one stimuli S of the acceleration sensor 23 ,

Um ANNs gebührend und korrekt zu trainieren werden die Luftschalldaten L und die Körperschalldaten K vorverarbeitet, um die gewünschten Eingänge x und Vorgabewerte zu bestimmen. Was nichtstationäre Geräusche betrifft sind dynamische Charakteristika genauso wichtig wie die Gesamtevaluierung. Daher besteht der Vorgabewert aus zwei Teilen: statischen Gesamtparametern und Parametern, die den dynamischen Status verfolgen. Beide Teile werden ausgewählt mit Bezug zu den psychoakustischen Parametern Lautheit und Schärfe. Zwei ANNs werden getrennt eingesetzt für die verschiedenen Vorgabewerte, da sie von verschiedenen Komplexitätsgraden sind. Des Weiteren können zwei getrennte ANNs einfacher durch zukünftige Nutzer angewandt werden. Um die ANNs zu trainieren wird der Datenbestand in zwei Teile geteilt. Berechnete Parameter des Mikrophons 21, Lautheit und Schärfe, stellen dem ANN Trainingsvorgabewerte bereit, und extrahierte Merkmale des Beschleunigungssensors 23 werden den ANNs als Eingänge x zugeführt.In order to adequately and properly train ANNs, the airborne sound data L and the structure-borne noise data K are preprocessed to determine the desired inputs x and default values. As far as nonstationary noise is concerned, dynamic characteristics are just as important as the overall evaluation. Therefore, the default value consists of two parts: total static parameters and parameters that track the dynamic state. Both parts are selected with reference to the psychoacoustic parameters Loudness and Sharpness. Two ANNs are used separately for the different default values since they are of different degrees of complexity. Furthermore, two separate ANNs can be more easily applied by future users. To train the ANNs, the database is divided into two parts. Calculated parameters of the microphone 21 Loudness and sharpness provide the ANN with training preset values and extracted features of the accelerometer 23 are fed to the ANNs as inputs x.

In einem ersten Schritt der Vorverarbeitung erfolgt eine Berechnung psychoakustischer Parameter: Dabei werden die Vorgabewerte vorbereitet für das ANN. Psychoakustische Parameter, Lautheit und Schärfe, werden berechnet aus den Luftschalldaten L, die in statische und dynamische Parameter unterteilt werden.In a first step of preprocessing, psychoacoustic parameters are calculated: the default values are prepared for the ANN. Psychoacoustic parameters, loudness and sharpness, are calculated from the airborne sound data L, which are divided into static and dynamic parameters.

Statische Parameter zeigen die Gesamtevaluierung einer Messung, welche durch zwei statische Werte repräsentiert wird, das heißt, Gesamtlautheit und Gesamtschärfe. Diese evaluieren einen der Stimuli S als Ganzes. Dynamische Parameter, die auch als zeitvariierende Parameter bezeichnet werden können, beziehen sich hier und im Folgenden auf die Zeitserie von zeitabhängiger Lautheit und zeitabhängiger Schärfe (im englischen auch als „instantaneous loudness“ bzw. „instantaneous sharpness“ bezeichnet). Unter Berücksichtigung, dass temporäre Hörereffekte einen Einfluss haben, wenn eine Geräuschdauer kürzer als 200ms beträgt, werden hinsichtlich der zeitvariierenden Parameter die jeweiligen Stimuli S in 20ms Abschnitte unterteilt und die entsprechenden Parameterwerte bezogen auf jeden dieser Abschnitte berechnet.Static parameters show the overall evaluation of a measurement represented by two static values, that is, overall loudness and overall sharpness. These evaluate one of the stimuli S as a whole. Dynamic parameters, which can also be referred to as time-varying parameters, relate here and below to the time series of time-dependent loudness and time-dependent sharpness (also referred to as "instantaneous loudness" or "instantaneous sharpness" in English). Taking into account that temporary listener effects have an influence when a noise duration is shorter than 200ms, with respect to the time-varying parameters, the respective stimuli S are divided into 20ms sections and the corresponding parameter values are calculated based on each of these sections.

In einem darauffolgenden Schritt erfolgt eine Merkmalsextraktion, bei der die Eingänge x des ANN von dem Beschleunigungssensor 23 bereitgestellt werden. Als Originaldaten werden zahlreiche Vibrationsbeschleunigungswerte aus den Körperschalldaten K verwendet, welche mit hoher Abtastrate gemessen sind und in dieser Form eine unnötig hohe Informationsdichte für das ANN darstellen. Daher wird das Datenvolumen des Eingangs x reduziert, indem Merkmale aus den Körperschalldaten K extrahiert werden, um eine höhere Effizienz zu gewährleisten. Extrahierte Merkmale sollten repräsentativ sein für den jeweiligen psychoakustischen Ausschlag. Da der Beschleunigungssensor 23 eine von dem Mikrophon 21 unterschiedliche Frequenzantwort aufweist werden die Signale im Frequenzraum analysiert. Korrespondierend zu den zwei Sätzen an Vorgabewerten lassen sich die Eingangsinformationen ebenfalls in statische und dynamische Merkmale unterteilen. Hinsichtlich der statischen Merkmale wird jeder Stimulus S als Ganzes betrachtet, bei dem keine zeitbezogenen Faktoren in das Merkmal einbezogen werden. Originaldaten werden mit einem Butterworthfilter in vierundzwanzig Frequenzbänder zwischen 0kHz und 15.5kHz gefiltert. Jedes Band erhält zehn Abtastpunkte. Die zweihundertundvierzig Punkte im Spektrum werden anschließend ausgewählt, das statische Merkmal des Signals zu repräsentieren. Statt einer Verarbeitung der gesamten Stimuli S wird diese mit der Zeit durchgeführt. Eine 240-Punkt Spektral- und Temporalmatrix wird alle 20ms berechnet.In a subsequent step, a feature extraction takes place in which the inputs x of the ANN from the acceleration sensor 23 to be provided. As original data, numerous vibration acceleration values from the structure-borne noise data K are used, which are measured at a high sampling rate and in this form represent an unnecessarily high information density for the ANN. Therefore, the data volume of the input x is reduced by extracting features from the structure-borne sound data K to ensure higher efficiency. Extracted features should be representative of the particular psychoacoustic rash. Because the acceleration sensor 23 one from the microphone 21 has different frequency response, the signals are analyzed in the frequency domain. Corresponding to the two sets of default values, the input information can also be subdivided into static and dynamic features. With regard to the static features, each stimulus S as a whole is considered, with no time related factors included in the feature. Original data is filtered with a Butterworth filter into twenty-four frequency bands between 0kHz and 15.5kHz. Each volume receives ten sample points. The two hundred and forty-four points in the spectrum are then selected to represent the static feature of the signal. Instead of processing the entire stimuli S, this is done over time. A 240-point spectral and temporal matrix is calculated every 20ms.

Daraus ergeben sich zwei Sätze an Merkmalsdaten für jeden Stimulus S, welche zu den zwei Typen an Vorgabewerten korrespondieren. Aus statischer Sicht wird jeder Stimulus S mit einem frequenzbasierten Vektor (240 × 1) ausgestattet. Aus dynamischer Sicht ist er mit einer zeit- und frequenzbasierten 240×100-Matrix ausgestattet. This results in two sets of feature data for each stimulus S which correspond to the two types of default values. From a static point of view, each stimulus S is equipped with a frequency-based vector (240 × 1). From a dynamic point of view, it is equipped with a time- and frequency-based 240 × 100 matrix.

In einem letzten Schritt erfolgt die Modellierung künstlich neuronaler Netzwerke. Dabei werden vorwärtsgekoppelte Mehrschicht ANNs eingesetzt um psychoakustische Parameter aus den Körperschalldaten K abzuschätzen. Zwei ANN-Modelle werden separat entwickelt für statische und dynamische Zielparameter. ANNs können als Annäherung nichtlinearer Funktionen betrachtet werden. Hierbei kann der Levenberg-Marquadt Algorithmus eingesetzt werden, der präzise Ergebnisse liefert und effizient bei ANNs von moderater Größe arbeitet. Es handelt sich dabei um ein iteratives Verfahren, das nach einem lokalen Minimum der multivariaten Kostenfunktion sucht. Der Algorithmus ist hinlänglich bekannt und wird hier nicht näher behandelt. In diesem Ausführungsbeispiel werden beide Netzwerke mit dem Levenberg-Marquadt Algorithmus trainiert.The last step is the modeling of artificial neural networks. Here, forward-coupled multi-layer ANNs are used to estimate psychoacoustic parameters from the structure-borne noise data K. Two ANN models are developed separately for static and dynamic target parameters. ANNs can be considered as an approximation of nonlinear functions. Here, the Levenberg-Marquadt algorithm can be used, which provides accurate results and works efficiently for ANNs of moderate size. It is an iterative process that searches for a local minimum of the multivariate cost function. The algorithm is well known and will not be discussed here. In this embodiment, both networks are trained with the Levenberg-Marquadt algorithm.

In beiden ANNs wird in diesem Ausführungsbeispiel eine dreischichtige Struktur gewählt. Zur statischen Parameterabschätzung werden zehn Neuronen N in der verborgenen Schicht V eingesetzt. In dem ANN für dynamische Parameter werden dreißig Neuronen N in der verborgenen Schicht V eingesetzt, da größere Netzwerke für höhere Nichtlinearität zwischen Eingängen x und Vorgabewerten erforderlich sind. Eine noch weitere Erhöhung der Anzahl führte in Experimenten jedoch nicht mehr zu einer starken Verbesserung. Die zur Verfügung stehenden Daten können in drei Sätze eingeteilt werden, beispielsweise 70% für Trainingszwecke, 15% für Validierungszwecke und 15% für Testzwecke. Das ANN konfiguriert seine Netzwerkparameter hauptsächlich gemäß der Eingangs-Ausgangsbeziehung der Trainingsdaten. Validierungsdaten vergleichen die ANN Ausgänge y und die Vorgabewerte und überprüfen die Abbruchbedingungen des Trainings. Sie validieren die Leistung des ANN im Trainingsprozess und werden eingesetzt um die nachträgliche Leistung der ANN zu evaluieren. In anderen Worten überprüft der Testsatz, ob der untere Zweig in 2 mit weiteren Daten alleine arbeiten kann. In Tabelle 1 ist ein Überblick der Einstellungen dargestellt. ANN für statische Parameter ANN für dynamische Parameter Struktur 10 verborgene Neuronen 30 verborgene Neuronen Trainingsalgorithmus Levenberg-Marquardt Datenaufteilung 70% Training, 15% Validierung, 15% Test Aktivierungsfunktion Verborgene Schicht: tan-sigmoid, Ausgangsschicht: linear Plattform der Implementierung Software: Matlab R2013b Hardware: Laptop Intel Core i7-4720HQ CPU@2.2GHz, RAM 16GB Tabelle 1 – Konfiguration der ANNs In both ANNs, a three-layered structure is chosen in this embodiment. For static parameter estimation, ten neurons N are inserted in the hidden layer V. In the ANN for dynamic parameters, thirty neurons N are inserted in the hidden layer V, as larger networks are required for higher nonlinearity between inputs x and default values. However, a further increase in the number of experiments no longer led to a strong improvement. The available data can be divided into three sets, for example 70% for training purposes, 15% for validation purposes and 15% for testing purposes. The ANN configures its network parameters mainly according to the input-output relationship of the training data. Validation data compares the ANN outputs y and the default values and checks the termination conditions of the training. They validate the performance of the ANN in the training process and are used to evaluate the subsequent performance of the ANN. In other words, the test set checks whether the lower branch is in 2 can work with more data alone. Table 1 shows an overview of the settings. ANN for static parameters ANN for dynamic parameters structure 10 hidden neurons 30 hidden neurons training algorithm Levenberg-Marquardt data Distribution 70% training, 15% validation, 15% test activation function Hidden layer: tan-sigmoid, initial layer: linear Platform of implementation Software: Matlab R2013b Hardware: Laptop Intel Core i7-4720HQ CPU@2.2GHz, 16GB RAM Table 1 - Configuration of the ANNs

Wie der 7 zu entnehmen können mit dem ANN für statisches Evaluieren zufriedenstellende Ergebnisse auf äußerst effiziente Weise erreicht werden. Die statischen Parameter Gesamtlautheit und Gesamtschärfe werden erfolgreich abgeschätzt aus der gewählten Merkmalsinformation der Körperschalldaten K. Beide Parameter können gleichzeitig ohne zusätzliche Aufbereitung erlangt werden. Es besteht dabei eine hohe Korrelation R zwischen ANN Ausgängen y und Vorgabewerten im Trainingsprozess, die einen Wert größer als 0.999 erreicht. Dies zeigt, dass das Netzwerk gut darin ist, die Eingangs-Ausgangsbeziehung in den Trainingsdaten zu finden. Auch im Test ist die Korrelation sehr hoch und erreicht einen Wert von über 0.991, was eine Verallgemeinerungsfähigkeit des Netzwerks untermauert. 7 zeigt die Ergebnisse des Trainings und des Testprozesses gemäß dem vorliegenden Ausführungsbeispiel. Jeder Kreis repräsentiert eines der Stimuli S, dargestellt durch die Vorgabewerte (Gesamtlautheit und Gesamtschärfe) auf der horizontalen Achse und den ANN Ausgängen y auf der vertikalen Achse. Die Passlinie zeigt die lineare Regression zwischen den Vorgabewerten und den erzeugten Ausgängen y, die mit dem Ausdruck neben der vertikalen Achse beschrieben werden können, der mit der Formel Ausgang y = β·Vorgabewert + e beschrieben wird, wobei β den Regressionskoeffizienten und e den Fehler bezeichnet.Again 7 With ANN static evaluation, satisfactory results can be achieved most efficiently. The static parameters total loudness and overall sharpness are successfully estimated from the selected feature information of the structure-borne sound data K. Both parameters can be obtained simultaneously without additional processing. There is a high correlation R between ANN outputs y and default values in the training process, which reaches a value greater than 0.999. This shows that the network is good at finding the input-output relationship in the training data. Also in the test, the correlation is very high and reaches a value of over 0.991, which underpins a generalizability of the network. 7 shows the results of the training and the test process according to the present embodiment. Each circle represents one of the stimuli S represented by the default values (total loudness and overall sharpness) on the horizontal axis and the ANN outputs y on the vertical axis. The pass line shows the linear regression between the default values and the generated outputs y, which can be described by the expression beside the vertical axis, which is represented by the formula Output y = β · default value + e where β denotes the regression coefficient and e denotes the error.

Wie der 8 zu entnehmen beträgt bei Evaluieren des ANN für dynamische Parameter die Korrelation zwischen Ausgängen y und gewünschten Parametern 0.953 für den Trainingsprozess, und 0.928 für den Testprozess. Es gibt mehr Trainingsdaten für dieses ANN, da die Eingangsmerkmale und Vorgabewerte mit der Zeit variieren. Eine Berücksichtigung zeitbezogener Faktoren führt auch zu einer höheren Komplexität der Eingangs-Ausgangsbeziehung. Die gute Leistung des ANN-Verfahrens wird jedoch durch Erhöhung der Anzahl an Neuronen N in diesem ANN gewährleistet. 8 zeigt die Ergebnisse der Trainings- und Testprozesse gemäß dem vorliegenden Ausführungsbeispiel. Jeder Kreis repräsentiert einen 20ms Abschnitt eines Stimulus S, dargestellt durch die Vorgabewerte auf der horizontalen Achse und den ANN Ausgängen y auf der vertikalen Achse. Again 8th For example, when evaluating the ANN for dynamic parameters, the correlation between outputs y and desired parameters is 0.953 for the training process, and 0.928 for the test process. There is more training data for this ANN because the input characteristics and default values vary over time. Consideration of time-related factors also leads to a higher complexity of the input-output relationship. However, the good performance of the ANN method is ensured by increasing the number of neurons N in this ANN. 8th shows the results of the training and testing processes according to the present embodiment. Each circle represents a 20 ms section of stimulus S represented by the default values on the horizontal axis and the ANN outputs y on the vertical axis.

Die Abschätzung der statischen Parameter ist in diesem Ausführungsbeispiel akkurat. Der mittlere quadratische Fehler (root-mean-square error, RMSE) der Abschätzung der Gesamtlautheit liegt dabei bei 0.616 sone, und der RMSE der Gesamtschärfe bei 0.028 acum. Der maximale Fehler der Gesamtlautheit liegt bei 2.8 sone und bei 0.2 acum für die Gesamtschärfe.The estimation of the static parameters is accurate in this embodiment. The root-mean-square error (RMSE) of the total loudness estimate is 0.616 sone, and the RMSE of the overall sharpness is 0.028 acum. The maximum error of the overall loudness is 2.8 sone and 0.2 acum for the overall sharpness.

Im Vergleich sind die Fehler der Abschätzungen für dynamische Parameter höher. Der RMSE der zeitabhängigen Lautheit liegt bei 1.272 sone und der RMSE der zeitabhängigen Schärfe bei 0.693 acum. Der maximale Fehler der zeitabhängigen Lautheit liegt bei 25.4 sone und bei 2.4 acum für die zeitabhängige Schärfe. In comparison, the errors of the estimates for dynamic parameters are higher. The RMSE of the time-dependent loudness is 1.272 sone and the RMSE of the time-dependent sharpness is 0.693 acum. The maximum error of the time-dependent loudness is 25.4 sone and 2.4 acum for the time-dependent sharpness.

Da der Trainingsprozess ein unabhängiger Prozess ist, der nicht während der Anwendungsphase stattfindet, ist auch die Trainingszeit nicht ausschlaggebend, wenn das Verfahren in der Herstellung der Bedienelemente 11, 13 eingesetzt wird. Vielmehr liegt ein Fokus hier auf der Wiederaufrufbarkeit. Sobald das Netzwerk trainiert ist kann es nahezu in Echtzeit angewandt, das heißt, wiederaufgerufen werden. Für einen einzelnen 2s Stimulus S, welcher bei 48kHz abgetastet ist, benötigt das ANN in diesem Ausführungsbeispiel 0.01s im Durchschnitt um die statischen Parameter zu generieren und 1s, um die einhundert zeitabhängigen dynamischen Parameter zu generieren. Tabelle 2 zeigt die durchschnittliche Verarbeitungszeit für einen Stimulus S in Matlab, einschließlich der benötigten Zeit um die Merkmale zu extrahieren und ein ANN wiederaufzurufen. Im Ganzen beträgt die Verarbeitungszeit des vorgeschlagenen Verfahrens weniger als 2s. Dauer der statischen Evaluierung Dauer der dynamischen Evaluierung Merkmalsextraktion 0,13s 0,17s ANN Anwendung 0,01s 1,00s Gesamtdauer 0,14s 1,17s Tabelle 2 – Verarbeitungszeit des Verfahrens für einen einzelnen Stimulus Since the training process is an independent process that does not take place during the application phase, the training time is also not critical if the procedure in the manufacture of the controls 11 . 13 is used. Rather, a focus here is on the recallability. Once the network is trained it can be applied almost in real time, that is, recalled. For a single 2s stimulus S sampled at 48kHz, the ANN in this embodiment requires an average of 0.01s to generate the static parameters and 1s to generate the one hundred time-dependent dynamic parameters. Table 2 shows the average processing time for a Stimulus S in Matlab, including the time needed to extract the features and recall an ANN. On the whole, the processing time of the proposed method is less than 2s. Duration of static evaluation Duration of dynamic evaluation feature extraction 0,13s 0,17s ANN application 0.01s 1.00s total duration 0,14s 1,17s Table 2 - Processing time of the procedure for a single stimulus

Anhand des Ablaufdiagramms der 9 sind die einzelnen Schritte eines Verfahrens zur Prüfung eines Bedienelements 13 für ein Fahrzeug gemäß dem vorliegenden Ausführungsbeispiel dargestellt.With reference to the flowchart of 9 are the individual steps of a method for testing a control element 13 for a vehicle according to the present embodiment.

In einem Schritt S1 wird das Verfahren gestartet. In dem Schritt S1 wird das Bedienelement 13 bereitgestellt, beispielsweise im Anschluss an seine bzw. als letzter Schritt in seiner Herstellung (sogenanntes „end-of-line“). In a step S1, the method is started. In step S1, the operating element becomes 13 provided, for example, following his or as the last step in its production (so-called "end-of-line").

Das Verfahren wird anschließend in einem Schritt S3 fortgesetzt, in dem der Körperschallsensor 23 mit dem Bedienelement 13 mechanisch gekoppelt wird, beispielhaft manuell. Der Körperschallsensor 23 kann dabei insbesondere an einer vorgegebenen Position in einer vorgegebenen Orientierung auf dem Bedienelement 13 angebracht werden, das hierzu beispielhaft eine Markierung aufweist.The method is then continued in a step S3, in which the structure-borne sound sensor 23 with the control 13 is mechanically coupled, for example, manually. The structure-borne sound sensor 23 can in particular at a predetermined position in a predetermined orientation on the control 13 be attached, which has a marker for this purpose, for example.

Darüber hinaus wird in dem Schritt S3 der Verarbeitungseinheit 31 das zugehörige Prüfmodell P bereitgestellt, mit dem das entsprechende System 3 mit ähnlichen Bedienelementen 11 trainiert wurde.In addition, in the step S3, the processing unit 31 provided the associated test model P, with which the corresponding system 3 with similar controls 11 was trained.

In einem anschließenden Schritt S5 wird das Bedienelement 13 wenigstens einmal betätigt unter Zuführung einer vorgegebenen Kraft in einer vorgegebenen Geschwindigkeit und in einer vorgegebenen Bewegung, beispielsweise maschinell. Hierbei wird durch den Körperschallsensor 23 der durch die Betätigung hervorgerufene Körperschall aufgezeichnet und die ermittelten Körperschalldaten K an die Verarbeitungsvorrichtung 31 weitergeleitet.In a subsequent step S5, the operating element 13 actuated at least once while supplying a predetermined force in a predetermined speed and in a predetermined movement, for example by machine. This is due to the structure-borne sound sensor 23 the structure-borne noise caused by the operation recorded and the determined structure-borne sound data K to the processing device 31 forwarded.

In einem darauffolgenden Schritt S7 werden die psychoakustischen Kennwerte abhängig von dem Prüfmodell P und den Körperschalldaten K durch die Verarbeitungsvorrichtung 31 ermittelt. Bei den psychoakustischen Kennwerten kann es sich wie bereits erläutert insbesondere um Gesamtlautheit, Gesamtschärfe, zeitabhängige Lautheit und zeitabhängige Schärfe handeln. In a subsequent step S7, the psychoacoustic characteristics are dependent on the test model P and the structure-borne sound data K by the processing device 31 determined. As already explained, the psychoacoustic characteristic values can be, in particular, overall loudness, overall sharpness, time-dependent loudness and time-dependent sharpness.

Die dem Bedienelement 13 zugeordneten psychoakustischen Kennwerte werden in einer ersten Ausführungsvariante im folgenden Schritt S9 mit einem vorgegebenen Referenzkennwert verglichen. In einer zweiten Ausführungsvariante werden die psychoakustischen Kennwerte in dem Schritt S9 mit einem vorgegebenen Referenzbereich verglichen.The control element 13 associated psychoacoustic characteristics are compared in a first embodiment in the following step S9 with a predetermined reference characteristic. In a second embodiment, the psychoacoustic characteristics are compared in step S9 with a predetermined reference range.

Abhängig von dem Vergleich wird in einem nachfolgenden Schritt S11 ein Gütekennwert G ermittelt. Übersteigt gemäß der ersten Ausführungsvariante beispielsweise die Gesamtlautheit den vorgegebenen Referenzkennwert, so wird dem Bedienelement 13 ein niedriger Gütekennwert G zugeordnet, das Bedienelement 13 wird in diesem Fall beispielsweise ausgemustert. Liegen gemäß der zweiten Ausführungsvariante beispielhaft die zu dem Bedienelement 13 ermittelten Kennwerte der zeitabhängigen Schärfe allesamt in dem vorgegebenen Referenzbereich, so wird dem Bedienelement 13 ein hoher Gütekennwert G zugeordnet.Depending on the comparison, a quality characteristic value G is determined in a subsequent step S11. If, for example, the total loudness exceeds the predetermined reference characteristic value according to the first embodiment variant, then the operating element will become 13 a low quality factor G assigned, the operating element 13 in this case, for example, will be retired. Lying according to the second embodiment, the example to the operating element 13 determined characteristic values of the time-dependent sharpness all in the predetermined reference range, then the control element 13 a high quality factor G assigned.

Das Verfahren wird anschließend beendet.The process is subsequently terminated.

In diesem Ausführungsbeispiel wurde ein Verfahren zur Evaluierung der Korrelation zwischen beschleunigungssensorbasierten Messdaten und herkömmlichen mikrophonbasierten Messdaten mit speziellem Bezug zu psychoakustischen Parametern angegeben. Sowohl statische Parameter wie Gesamtlautheit und Gesamtschärfe als auch dynamische Parameter wie zeitabhängige Lautheit und zeitabhängige Schärfe wurden mit zwei unabhängigen ANNS berücksichtigt. Die Betriebsgeräusche der Fahrzeuginterieurkomponenten wurden vermessen und zweihunderteinundzwanzig Stimuli S genutzt, um die ANNs zu trainieren und zu testen. Wie erläutert zeigen die Ergebnisse, dass die ANNs fähig sind, psychoakustische Parameter aus Beschleunigungssensorsignalen abzuschätzen. Die Abschätzung von statischen Parametern ist akkurat und effizient. ANN Ausgänge y sind hochgradig korreliert mit den Vorgabewerten, die aus Mikrophonsignalen errechnet wurden. Dahingegen ist die Abschätzung dynamischer Parameter nicht ganz so robust, vereinzelt treten hohe Fehler auf. In Zukunft könnten Maßnahmen zur Optimierung der ANN Struktur oder Extraktion alternativer Merkmale aus den Beschleunigungssensorsignalen untersucht werden. Insgesamt können statische psychoakustische Parameter von Betriebsgeräuschen abgeschätzt und evaluiert werden mit einem Beschleunigungssensor.In this exemplary embodiment, a method for evaluating the correlation between acceleration-sensor-based measurement data and conventional microphone-based measurement data with special reference to psychoacoustic parameters was specified. Both static parameters such as overall loudness and overall sharpness as well as dynamic parameters such as time-dependent loudness and time-dependent sharpness were taken into account with two independent ANNS. The operating noise of the vehicle interior components was measured and two hundred twenty-one stimuli S were used to train and test the ANNs. As explained, the results show that the ANNs are capable of estimating psychoacoustic parameters from accelerometer signals. The estimation of static parameters is accurate and efficient. ANN outputs y are highly correlated with the default values calculated from microphone signals. On the other hand, the estimation of dynamic parameters is not quite so robust, occasionally high errors occur. In the future, measures for optimizing the ANN structure or extracting alternative features from the accelerometer signals could be investigated. Overall, static psychoacoustic parameters of operating noise can be estimated and evaluated using an accelerometer.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

1, 31, 3
System system
11, 1311, 13
Bedienelement operating element
2121
Mikrophon microphone
2323
Beschleunigungssensor accelerometer
2525
Semifreifeldraum Semi anechoic chamber
3131
Verarbeitungseinheit processing unit
PP
Prüfmodell test model
GG
Gütekennwert Quality parameter
LL
Luftschalldaten Airborne sound data
KK
Körperschalldaten Acoustic emission data
x, x1, xi, xn x, x 1 , x i , x n
Eingang entrance
yy
Ausgang output
Ee
Eingangsschicht input layer
VV
Verborgene Schicht Hidden layer
AA
Ausgangsschicht output layer
NN
Neuron neuron
SS
Stimulus stimulus
w1, wi, wn w 1 , w i , w n
Gewichte weights
bb
Bias bias
FF
Aktivierungsfunktion activation function
zz
Summe total
S1...S11S1 ... S11
Verfahrensschritte steps

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte Nicht-PatentliteraturCited non-patent literature

  • M. C. Bezat et al., "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", The Journal of the Acoustical Society of America, vol. 123, no. 5, Seiten 3253–3253, 2008 [0003] MC Bezat et al., "Relations between acoustic parameters and perceptual properties: an approach by regression tree applied to car door closure sounds," The Journal of the Acoustical Society of America, vol. 123, no. 5, pages 3253-3253, 2008 [0003]
  • A. M. Willemsen et al., "Characterization of sound quality of impulsive sounds using loudness based metric", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, Seiten 3397–3404 [0003] AM Willemsen et al., "Characterization of sound quality of impulsive sounds using loudness based metrics", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, pages 3397-3404 [0003]
  • M. Höchsteiter et al., "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26. Konferenz Elektronische Sprachsignalverarbeitung, 25.–27.03.2015, Eichstätt, G. Wirsching, Ed., 2015, Seiten 264–271 [0003] M. Höchsteiter et al., "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26th Conference Electronic Speech Signal Processing, 25.-27.03.2015, Eichstätt, G. Wirsching, Ed., 2015, pages 264- 271 [0003]
  • M. Höchstetter et al., "Psychoacoustic prediction of singular impulsive sounds", ATZ worldwide, vol. 117, no. 7–8, Seiten 58–63, 2015 [0003] M. Höchstetter et al., Psychoacoustic Prediction of Singular Impulsive Sounds, ATZ worldwide, vol. 117, no. 7-8, pages 58-63, 2015 [0003]
  • Moritz et al., "Wahrnehmung von Getriebegeräuschen – Übertragung psychoakustischer Analysen auf Körperschallsignale" in DAGA 2015; 41. Jahrestagung für Akustik, ser. Paper ID 000057, März 2015, Seiten 113–116 [0005] Moritz et al., "Perception of Transmission Noises - Transmission of Psychoacoustic Analyzes to Structure-borne Sound Signals" in DAGA 2015; 41st Annual Conference on Acoustics, ser. Paper ID 000057, March 2015, pages 113-116 [0005]
  • Wang et al. "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategie Technology, the 1st International Forum on. IEEE, 2006, Seiten 33–36 [0006] Wang et al. "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategy Technology, the 1st International Forum on. IEEE, 2006, pp. 33-36 [0006]
  • S.-K. Lee et al., "Objective evaluation of the rumbling sound in passenger cars based on an artificial neural network", Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, Seiten 457–469, 2005 [0007] S.-K. Lee et al., "Objective evaluation of rumbling sound in passenger cars based on an artificial neural network", Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, pages 457-469, 2005 [0007]
  • H.-H. Lee et al., "Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no. 5, Seiten 860–869, 2009 [0007] H.-H. Lee et al., "Objective evaluation of interior noise booming in a passenger car on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no. 5, pp. 860-869, 2009 [0007]
  • M. Paulraj et al., "Classification of interior noise comfort level of proton model cars using artificial neural network", Advanced Computing and Communication Systems (ICACCS), 2013 International Conference on. IEEE, 2013, Seiten 1–7 [0007] Paulraj et al., International Classification of Interference Comfort Level of Proton Model Cars Using Artificial Neural Network (ICACCS), 2013 International Conference on. IEEE, 2013, pages 1-7 [0007]
  • Y. Xing et al., "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, Seiten 875–892, 2016 [0007] Y. Xing et al., "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, pages 875-892, 2016 [0007]
  • M. Sivanandam et al., Introduction to artificial neural networks, Vikas publishing House PVT LTD, 2009 [0008] M. Sivanandam et al., Introduction to artificial neural networks, Vikas Publishing House PVT LTD, 2009 [0008]
  • H. B. Demuth et al., "Neural network design", 2014 [0008] HB Demuth et al., "Neural Network Design", 2014 [0008]
  • ISO 532B [0048] ISO 532B [0048]
  • E. Zwicker et al., Psychoacoustics: Facts and models, Springer Science&Business Media, 2013, vol. 22 [0053] E. Zwicker et al., Psychoacoustics: Facts and Models, Springer Science & Business Media, 2013, vol. 22 [0053]
  • ISO 5348 [0058] ISO 5348 [0058]

Claims (12)

Verfahren zur Prüfung eines Bedienelements (13) für ein Fahrzeug, bei dem – ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt wird, – eine Betätigung des Bedienelements (13) durchgeführt wird, – ein Messsignal des Körperschallsensors (13) ermittelt wird, umfassend Körperschalldaten (K), die repräsentativ sind für einen durch die Betätigung hervorgerufenen Körperschall, – ein Prüfmodell (P) bereitgestellt wird, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten (K) und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls, und – abhängig von dem Messsignal und dem Prüfmodell (P) ein Gütekennwert (G) ermittelt wird, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei Betätigung des Bedienelements (13).Method for testing a control element ( 13 ) for a vehicle in which - a structure-borne sound sensor ( 23 ) with the operating element ( 13 ), - an actuation of the operating element ( 13 ), - a measurement signal of the structure-borne sound sensor ( 13 ), comprising structure-borne sound data (K) which are representative of a structure-borne noise caused by the actuation, - a test model (P) which is representative of a relationship between structure-borne sound data (K) and a psychoacoustic perception of an actuation of the operating element ( 13 ) and, depending on the measurement signal and the test model (P), a characteristic value (G) is determined which is representative of a user-perceived euphony upon actuation of the operating element ( 13 ). Verfahren nach Anspruch 1, wobei die Ermittlung des Gütekennwerts (G) umfasst: – Ermitteln der psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls abhängig von dem Messsignal und dem Prüfmodell (P), – Vergleichen der psychoakustischen Wahrnehmung mit einem vorgegebenen Referenzkennwert und/oder mit einem vorgegebenen Referenzbereich, und – Ermitteln des Gütekennwerts (G) abhängig von dem Vergleich. The method according to claim 1, wherein the determination of the quality characteristic value (G) comprises: determining the psychoacoustic perception of a person pressing the operating element 13 ) dependent on the measurement signal and the test model (P), - Comparing the psychoacoustic perception with a predetermined reference characteristic and / or with a predetermined reference range, and - Determining the figure of merit (G) depending on the comparison. Verfahren nach einem der vorstehenden Ansprüche, bei dem die psychoakustische Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls wenigstens einen psychoakustischen Kennwert umfasst, der repräsentativ ist für zumindest eines aus Lautheit und/oder Schärfe des Luftschalls.Method according to one of the preceding claims, in which the psychoacoustic perception of a person when operating the operating element ( 13 ) comprises at least one psychoacoustic characteristic which is representative of at least one of loudness and / or sharpness of the airborne sound. Verfahren nach einem der vorstehenden Ansprüche, bei dem die Betätigung des Bedienelements (13) umfasst: – Durchführen wenigstens einer vorgegebenen Betätigungsbewegung mit einer vorgegebenen Kraft und einer vorgegebenen Geschwindigkeit.Method according to one of the preceding claims, in which the actuation of the operating element ( 13 ) comprises: - performing at least one predetermined actuating movement with a predetermined force and a predetermined speed. Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements (13) für ein Fahrzeug, bei dem – ein Luftschallsensor (21) und ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt werden, – eine Betätigung des Bedienelements (13) durchgeführt wird, – jeweils ein Messsignal des Luftschallsensors (21) und des Körperschallsensors (13) ermittelt wird, umfassend Luftschalldaten (L), die repräsentativ sind für einen durch die Betätigung hervorgerufenen Luftschall beziehungsweise Körperschalldaten (K), die repräsentativ sind für einen durch die Betätigung hervorgerufenen Körperschall, und – abhängig von den Luftschalldaten (L) und den Körperschalldaten (K) ein Prüfmodell (P) ermittelt wird, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten (K) und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls. Method for creating a test model for testing a control element ( 13 ) for a vehicle in which - an airborne sound sensor ( 21 ) and a structure-borne sound sensor ( 23 ) with the operating element ( 13 ), - an actuation of the operating element ( 13 ), - in each case one measurement signal of the airborne sound sensor ( 21 ) and the structure-borne sound sensor ( 13 ), comprising airborne sound data (L) which are representative of an airborne sound or structure-borne sound data (K) caused by the actuation, which are representative of a structure-borne noise caused by the actuation, and - depending on the airborne sound data (L) and the structure-borne noise data ( K) a test model (P) is determined, which is representative of a relationship between structure-borne sound data (K) and a psychoacoustic perception of an operating element ( 13 ) caused airborne sound. Verfahren nach einem der vorstehenden Ansprüche, bei dem das Ermitteln des jeweiligen Messsignals umfasst: – Aufzeichnen von Luftschalldaten (L) durch Luftschallsensor (21) beziehungsweise Körperschalldaten (K) durch den Körperschallsensor (23) innerhalb einer Zeitspanne zwischen 0,5 Sekunden und 15 Sekunden, insbesondere 2 Sekunden.Method according to one of the preceding claims, in which the determination of the respective measurement signal comprises: - recording of airborne sound data (L) by airborne sound sensor ( 21 ) or structure-borne noise data (K) by the structure-borne sound sensor ( 23 ) within a time interval between 0.5 seconds and 15 seconds, in particular 2 seconds. Verfahren nach einem der vorstehenden Ansprüche, bei dem das Prüfmodell (P) ein erstes Modell zur statischen Evaluierung und ein zweites Modell zur dynamischen Evaluierung umfasst.Method according to one of the preceding claims, in which the test model (P) comprises a first model for static evaluation and a second model for dynamic evaluation. Verfahren nach einem der vorstehenden Ansprüche, bei dem das Prüfmodell (P) ein künstliches neuronales Netzwerk umfasst.Method according to one of the preceding claims, in which the test model (P) comprises an artificial neural network. Verfahren nach Anspruch 8, bei dem das Prüfmodell (P) zur statischen Evaluierung zwischen 5 und 15 erste Neuronen (N) aufweist. Method according to Claim 8, in which the static evaluation test model (P) has between 5 and 15 first neurons (N). Verfahren nach einem der Ansprüche 8 oder 9, bei dem das Prüfmodell (P) zur dynamischen Evaluierung zwischen 25 und 40 zweite Neuronen (N) umfasst.Method according to one of Claims 8 or 9, in which the dynamic evaluation evaluation model (P) comprises between 25 and 40 second neurons (N). System zur Prüfung eines Bedienelements (13) für ein Fahrzeug, umfassend – einen Körperschallsensor (23), welcher zur Aufnahme eines bei Betätigung des Bedienelements (13) hervorgerufenen Körperschalls ausgebildet und mit dem Bedienelement (13) gekoppelt ist, und – eine Verarbeitungseinheit (31), die mit dem Körperschallsensor (23) signaltechnisch gekoppelt und ausgebildet ist, ein Verfahren nach einem der Ansprüche 1 bis 4 und 6 bis 10 durchzuführen.System for testing a control element ( 13 ) for a vehicle, comprising - a structure-borne sound sensor ( 23 ), which is used to hold one upon actuation of the operating element ( 13 ) formed structure-borne sound and with the operating element ( 13 ), and - a processing unit ( 31 ), which with the structure-borne sound sensor ( 23 ) is technically coupled and configured to perform a method according to one of claims 1 to 4 and 6 to 10. System zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements (13) für ein Fahrzeug, umfassend – einen Luftschallsensor (21) und einen Körperschallsensor (23), welche zur Aufnahme eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls beziehungsweise Körperschalls ausgebildet und mit dem Bedienelement (13) gekoppelt sind, und – eine Verarbeitungseinheit (31), die mit dem Luftschallsensor (21) und dem Körperschallsensor (23) signaltechnisch gekoppelt und ausgebildet ist, ein Verfahren nach einem der Ansprüche 5 bis 10 durchzuführen.System for creating a test model for testing a control element ( 13 ) for a vehicle, comprising - an airborne sound sensor ( 21 ) and a structure-borne sound sensor ( 23 ), which for receiving one upon actuation of the operating element ( 13 ) formed airborne sound or structure-borne noise and with the operating element ( 13 ), and - a processing unit ( 31 ) with the airborne sound sensor ( 21 ) and the structure-borne sound sensor ( 23 ) is technically coupled and configured to carry out a method according to one of claims 5 to 10.
DE102016114917.9A 2016-08-11 2016-08-11 Method and system for testing a control element and method and system for creating a test model Pending DE102016114917A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102016114917.9A DE102016114917A1 (en) 2016-08-11 2016-08-11 Method and system for testing a control element and method and system for creating a test model
PCT/EP2017/070234 WO2018029270A1 (en) 2016-08-11 2017-08-09 Method and system for testing an operating element and method and system for creating a test model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102016114917.9A DE102016114917A1 (en) 2016-08-11 2016-08-11 Method and system for testing a control element and method and system for creating a test model

Publications (1)

Publication Number Publication Date
DE102016114917A1 true DE102016114917A1 (en) 2018-02-15

Family

ID=59745875

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102016114917.9A Pending DE102016114917A1 (en) 2016-08-11 2016-08-11 Method and system for testing a control element and method and system for creating a test model

Country Status (2)

Country Link
DE (1) DE102016114917A1 (en)
WO (1) WO2018029270A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007027502A1 (en) * 2007-06-14 2008-12-18 Bayerische Motoren Werke Aktiengesellschaft Noise testing method for motor vehicle, involves determining measurable factors, which are objective to noise, where each factor is multiplied with constant regression coefficients determined by uniquely performed audiometry
US20110282654A1 (en) * 2010-05-17 2011-11-17 Yohei Takechi Quality evaluation method and quality evaluation apparatus
DE102011114058A1 (en) * 2011-09-22 2013-03-28 Volkswagen Aktiengesellschaft Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound
DE102014212733A1 (en) * 2014-07-01 2016-01-07 Bayerische Motoren Werke Aktiengesellschaft Auditory examination of noises

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854993A (en) * 1996-12-10 1998-12-29 Caterpillar Inc. Component machine testing using neural network processed vibration data analysis
DE102007023118A1 (en) * 2007-05-16 2008-01-03 Daimlerchrysler Ag Noise vibration harshness measuring system for collecting and recording of noise vibration harshness emissions of product particularly of vehicle, has receiving medium formed to accommodate subjective feeling of one or more test person

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007027502A1 (en) * 2007-06-14 2008-12-18 Bayerische Motoren Werke Aktiengesellschaft Noise testing method for motor vehicle, involves determining measurable factors, which are objective to noise, where each factor is multiplied with constant regression coefficients determined by uniquely performed audiometry
US20110282654A1 (en) * 2010-05-17 2011-11-17 Yohei Takechi Quality evaluation method and quality evaluation apparatus
DE102011114058A1 (en) * 2011-09-22 2013-03-28 Volkswagen Aktiengesellschaft Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound
DE102014212733A1 (en) * 2014-07-01 2016-01-07 Bayerische Motoren Werke Aktiengesellschaft Auditory examination of noises

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
A. M. Willemsen et al., "Characterization of sound quality of impulsive sounds using loudness based metric", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, Seiten 3397–3404
E. Zwicker et al., Psychoacoustics: Facts and models, Springer Science&Business Media, 2013, vol. 22
H. B. Demuth et al., "Neural network design", 2014
H.-H. Lee et al., "Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no. 5, Seiten 860–869, 2009
ISO 532B
ISO 5348
LEE, Hyun-Ho ; LEE, Sang-Kwon: Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks. In: Applied Ergonomics, Vol. 40, 2009, S. 860-869. - ISSN 0003-6870 *
M. C. Bezat et al., "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", The Journal of the Acoustical Society of America, vol. 123, no. 5, Seiten 3253–3253, 2008
M. Höchsteiter et al., "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26. Konferenz Elektronische Sprachsignalverarbeitung, 25.–27.03.2015, Eichstätt, G. Wirsching, Ed., 2015, Seiten 264–271
M. Höchstetter et al., "Psychoacoustic prediction of singular impulsive sounds", ATZ worldwide, vol. 117, no. 7–8, Seiten 58–63, 2015
M. Paulraj et al., "Classification of interior noise comfort level of proton model cars using artificial neural network", Advanced Computing and Communication Systems (ICACCS), 2013 International Conference on. IEEE, 2013, Seiten 1–7
M. Sivanandam et al., Introduction to artificial neural networks, Vikas publishing House PVT LTD, 2009
Moritz et al., "Wahrnehmung von Getriebegeräuschen – Übertragung psychoakustischer Analysen auf Körperschallsignale" in DAGA 2015; 41. Jahrestagung für Akustik, ser. Paper ID 000057, März 2015, Seiten 113–116
S.-K. Lee et al., "Objective evaluation of the rumbling sound in passenger cars based on an artificial neural network", Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, Seiten 457–469, 2005
Wang et al. "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategie Technology, the 1st International Forum on. IEEE, 2006, Seiten 33–36
Y. Xing et al., "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, Seiten 875–892, 2016

Also Published As

Publication number Publication date
WO2018029270A1 (en) 2018-02-15

Similar Documents

Publication Publication Date Title
DE60023517T2 (en) CLASSIFICATION OF SOUND SOURCES
DE112017001830B4 (en) VOICE ENHANCEMENT AND AUDIO EVENT DETECTION FOR A NON-STATIONARY NOISE ENVIRONMENT
DE602004001241T2 (en) Device for suppressing impulsive wind noise
DE60123161T2 (en) Method and apparatus for speech recognition in a variable noise environment
DE112010003461B4 (en) Speech feature extraction apparatus, speech feature extraction method and speech feature extraction program
DE112016006218B4 (en) Sound Signal Enhancement Device
DE102007051261A1 (en) Motor vehicle's acoustic behavior evaluating method, involves classifying characteristics of preprocessed acoustic signals into classes, and comparing classes of acoustic signals with reference classification
DE102008021362B3 (en) Noise-generating object i.e. letter sorting machine, condition detecting method, involves automatically adapting statistical base-classification model of acoustic characteristics and classifying condition of noise-generating object
DE10030105A1 (en) Speech recognition device
EP1733223A1 (en) Device and method for assessing the quality class of an object to be tested
DE602004000716T2 (en) Noise adaptation system for a speech model, method for noise adaptation and program for noise adaptation for speech recognition
DE102016003133B4 (en) Method for automatically determining an individual function of a DPOAE level map of a human or animal hearing
DE102016125104A1 (en) DYNAMIC SWITCHING OF ACOUSTIC MODELS TO IMPROVE RECOGNITION OF CHARMED LANGUAGE SIGNALS
DE102020214847A1 (en) ALLOPHONE INSPECTION DEVICE AND INSPECTION PROCEDURE THEREOF
DE102012000931A1 (en) Method for diagnosing audio system of motor vehicle, involves emitting test signal acoustically by loud speaker of audio system of motor vehicle, where test signal is received by microphone for generating microphone signal
DE102014207437B4 (en) Speech recognition with a plurality of microphones
EP1739654B1 (en) Method for operating a multiple microphone system in a motor vehicle and multiple microphone system
DE4010028A1 (en) Speech recognition for e.g. aircraft control
DE102022106036A1 (en) CONTEXT-DEPENDENT SIGNAL PROCESSING FOR THE VEHICLE'S VOICE ASSISTANT
DE102015221764A1 (en) Method for adjusting microphone sensitivities
DE102016114917A1 (en) Method and system for testing a control element and method and system for creating a test model
DE102019206859A1 (en) Product test method, product test device and product test system for testing electronic assemblies
DE102008060194B4 (en) Method and motor vehicle for vehicle fleet qualification management
CN112735468A (en) MFCC-based automobile seat motor abnormal noise detection method
DE4012337A1 (en) METHOD FOR RECOGNIZING LANGUAGE

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed