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 PDFInfo
- 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
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.
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
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:
Auch
Darüber hinaus befassen sich
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:
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
Ein beispielhaftes, einzelnes Neuron N eines solchen Netzwerks gemäß
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
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
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
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
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
Die Luftschalldaten L und Körperschalldaten K der Sensoren
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
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
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
Wie der
Wie der
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
Anhand des Ablaufdiagramms der
In einem Schritt S1 wird das Verfahren gestartet. In dem Schritt S1 wird das Bedienelement
Das Verfahren wird anschließend in einem Schritt S3 fortgesetzt, in dem der Körperschallsensor
Darüber hinaus wird in dem Schritt S3 der Verarbeitungseinheit
In einem anschließenden Schritt S5 wird das Bedienelement
In einem darauffolgenden Schritt S7 werden die psychoakustischen Kennwerte abhängig von dem Prüfmodell P und den Körperschalldaten K durch die Verarbeitungsvorrichtung
Die dem Bedienelement
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
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)
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)
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)
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 |
-
2016
- 2016-08-11 DE DE102016114917.9A patent/DE102016114917A1/en active Pending
-
2017
- 2017-08-09 WO PCT/EP2017/070234 patent/WO2018029270A1/en active Application Filing
Patent Citations (4)
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)
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 |