CN106407675A - 一种基于贝叶斯网络的摩擦噪音预测方法 - Google Patents
一种基于贝叶斯网络的摩擦噪音预测方法 Download PDFInfo
- Publication number
- CN106407675A CN106407675A CN201610811239.6A CN201610811239A CN106407675A CN 106407675 A CN106407675 A CN 106407675A CN 201610811239 A CN201610811239 A CN 201610811239A CN 106407675 A CN106407675 A CN 106407675A
- Authority
- CN
- China
- Prior art keywords
- friction noise
- bayesian network
- friction
- data sample
- learning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
根据本发明所提供的基于贝叶斯网络的摩擦噪音预测方法,包括以下步骤:步骤1,获取摩擦噪音以及与摩擦噪音产生关联的数据样本;步骤2,对步骤1中的数据样本进行离散化处理;步骤3,进行贝叶斯网络学习,建立贝叶斯网络结构图;步骤4,根据数据样本的集合来更新贝叶斯网络结构图中每个节点在其父节点下的条件概率;步骤5,根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。因为基于贝叶斯网络预测摩擦噪音是利用有向无环图与概率理论的有机结合,将随机变量间的联合概率直观地表达出来,无需考虑声源的复杂外形和各种发生机理,只需对测得的数据进行处理后就能对摩擦噪音进行预测,具有较高的预测精度与可靠性,十分简便快捷。
Description
技术领域
本发明属于机械领域,具体涉及一种摩擦噪音的预测方法。
背景技术
关于摩擦噪音,国内外学者都做了大量的研究,提出了各种理论。关于摩擦噪音的预测方法有基于有限元的制动尖叫建模与分析方法,该方法包括频率域复特征值法与时间域瞬态动力学分析方法,频率域复特征值法不能明确地指出产生制动尖叫的机理,而且线性化的假设由于缺乏对时变的载荷和材料特性等非稳态特征的考虑,常常出现不稳定频率的“过预测”和“欠预测”,限制了其预测精度与可靠性,而时间域瞬态分析法的缺点是需要过长时间的计算以及占用大量的磁盘空间,且数据难以直接应用于设计。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于贝叶斯网络的摩擦噪音预测方法,用于利用概率来预测和描述摩擦噪音的频率和强度,其特征在于,包括以下步骤:
步骤1,获取摩擦噪音以及与摩擦噪音产生关联的数据样本;
步骤2,对步骤1中的数据样本进行离散化处理;
步骤3,进行贝叶斯网络学习,建立贝叶斯网络结构图;
步骤4,根据数据样本的集合来更新贝叶斯网络结构图中每个节点在其父节点下的条件概率;
步骤5,根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。
在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中,还可以具有这样的特征:其中,在步骤1中,数据的获取可以通过实验法或是在实际运营中进行测量。
另外,在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中,还可以具有这样的特征:其中,数据样本包括转速、载荷、温度、摩擦系数以及摩擦噪音。
另外,在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中,还可以具有这样的特征:其中,在步骤3中,贝叶斯网络学习包括参数学习和结构学习。
另外,在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中,还可以具有这样的特征:其中,结构学习通过结构学习算法来实现。
另外,在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中,还可以具有这样的特征:其中,结构学习算法包括K2算法和K3算法。
发明的作用与效果
根据本发明所提供的基于贝叶斯网络的摩擦噪音预测方法,因为基于贝叶斯网络预测摩擦噪音是利用有向无环图与概率理论的有机结合,将随机变量间的联合概率直观地表达出来,所以基于贝叶斯网络预测摩擦噪声的频率及强度无需考虑声源的复杂外形和各种发生机理,也不需要进行长时间的计算,只需对测得的数据进行处理后就能对摩擦噪音进行预测,具有较高的预测精度与可靠性,十分简便快捷。
附图说明
图1是本发明的实施例中摩擦噪音有向无环图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的基于贝叶斯网络的摩擦噪音预测方法作具体阐述。
实施例
基于贝叶斯网络的摩擦噪音预测方法,利用概率来预测和描述摩擦噪音的频率和强度,用于预测各种交通工具上的制动器制动过程中产生的摩擦噪声的频率和强度,以单考虑转速和载荷的影响,预测摩擦噪音频率为例,包括以下步骤:
步骤1,获取摩擦噪音以及与摩擦噪音产生关联的数据样本。
数据样本包括转速、载荷、温度、摩擦系数以及摩擦噪音,通过实验方法获得转速,载荷,摩擦系数,摩擦噪音的数据。
步骤2,对步骤1中的数据样本进行离散化处理。
设转速为v,载荷为Q,摩擦系数为u,摩擦噪音频率为f,将数据按大小均分为4份,完成对数据进行离散化分级处理。
步骤3,进行贝叶斯网络学习,建立贝叶斯网络结构图。
贝叶斯网络学习包括参数学习和结构学习,参数学习指的是已知贝叶斯网络结构,根据数据样本集来更新该网络中每个节点的参数问题;结构学习则是尽可能结合领域专家知识,利用数据样本集找到一个和样本数据匹配度最好的网络结构。结构学习通过结构学习算法来实现,其中,结构学习算法包括K2算法和K3算法。
图1是本发明的实施例中摩擦噪音有向无环图。
通过专家分析或结构学习算法可得到图1的摩擦噪音有向无环图。
步骤4,根据数据样本的集合来更新贝叶斯网络结构图中每个节点在其父节点下的条件概率。
对步骤2离散化的数据进行处理,可得到节点之间的条件概率关系。当转速为V1,载荷为Q1时,摩擦系数为U1的条件概率,即P(U=U1/V=V1,Q=Q1)。
步骤5,根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。
预测摩擦噪音的频率,已知转速为v,v在V1范围内,载荷为Q,Q在Q1范围内。则可以知道摩擦系数u分别属于U1,U2,U3,U4的概率。同理向下推理,根据上一步得到的P(f=Fi/v=V1,Q=Q1,u=Ui),可得到摩擦噪音f的分布情况,即f分别属于F1,F2,F3,F4的概率。
实施例的作用与效果
根据实施例所提供的基于贝叶斯网络的摩擦噪音预测方法,因为基于贝叶斯网络预测摩擦噪音是利用有向无环图与概率理论的有机结合,将随机变量间的联合概率直观地表达出来,所以基于贝叶斯网络预测摩擦噪声的频率及强度无需考虑声源的复杂外形和各种发生机理,也不需要进行长时间的计算,只需对测得的数据进行处理后就能对摩擦噪音进行预测,具有较高的预测精度与可靠性,十分简便快捷。
Claims (6)
1.一种基于贝叶斯网络的摩擦噪音预测方法,用于利用概率来预测和描述摩擦噪音的频率和强度,其特征在于,包括以下步骤:
步骤1,获取摩擦噪音以及与所述摩擦噪音产生关联的数据样本;
步骤2,对步骤1中的所述数据样本进行离散化处理;
步骤3,进行贝叶斯网络学习,建立贝叶斯网络结构图;
步骤4,根据所述数据样本的集合来更新所述贝叶斯网络结构图中每个节点在其父节点下的条件概率;
步骤5,根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。
2.根据权利要求1所述的基于贝叶斯网络的摩擦噪音预测方法,其特征在于:
其中,在步骤1中,所述数据的获取可以通过实验法或是在实际运营中进行测量。
3.根据权利要求1所述的基于贝叶斯网络的摩擦噪音预测方法,其特征在于:
其中,所述数据样本包括转速、载荷、温度、摩擦系数以及摩擦噪音。
4.根据权利要求1所述的基于贝叶斯网络的摩擦噪音预测方法,其特征在于:
其中,在步骤3中,所述贝叶斯网络学习包括参数学习和结构学习。
5.根据权利要求4所述的基于贝叶斯网络的摩擦噪音预测方法,其特征在于:
其中,所述结构学习通过结构学习算法来实现。
6.根据权利要求5所述的基于贝叶斯网络的摩擦噪音预测方法,其特征在于:
其中,所述结构学习算法包括K2算法和K3算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811239.6A CN106407675B (zh) | 2016-09-09 | 2016-09-09 | 一种基于贝叶斯网络的摩擦噪音预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610811239.6A CN106407675B (zh) | 2016-09-09 | 2016-09-09 | 一种基于贝叶斯网络的摩擦噪音预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106407675A true CN106407675A (zh) | 2017-02-15 |
CN106407675B CN106407675B (zh) | 2018-10-23 |
Family
ID=57998807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610811239.6A Active CN106407675B (zh) | 2016-09-09 | 2016-09-09 | 一种基于贝叶斯网络的摩擦噪音预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106407675B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684742A (zh) * | 2018-12-27 | 2019-04-26 | 上海理工大学 | 一种基于bp神经网络的摩擦噪声预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661522A (zh) * | 2009-09-27 | 2010-03-03 | 吉林大学 | 轿车车外噪声分析预测方法 |
US20130257424A1 (en) * | 2012-03-27 | 2013-10-03 | Schlumberger Technology Corporation | Magnetic resonance rock analysis |
EP2720024A2 (en) * | 2012-10-09 | 2014-04-16 | The Boeing Company | Methods and systems for structural health monitoring |
-
2016
- 2016-09-09 CN CN201610811239.6A patent/CN106407675B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661522A (zh) * | 2009-09-27 | 2010-03-03 | 吉林大学 | 轿车车外噪声分析预测方法 |
US20130257424A1 (en) * | 2012-03-27 | 2013-10-03 | Schlumberger Technology Corporation | Magnetic resonance rock analysis |
EP2720024A2 (en) * | 2012-10-09 | 2014-04-16 | The Boeing Company | Methods and systems for structural health monitoring |
Non-Patent Citations (1)
Title |
---|
麦云飞 等: "《滑动速度与高频摩擦噪声关系的试验研究》", 《润滑与密封》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109684742A (zh) * | 2018-12-27 | 2019-04-26 | 上海理工大学 | 一种基于bp神经网络的摩擦噪声预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106407675B (zh) | 2018-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Molnar et al. | Interpretable machine learning–a brief history, state-of-the-art and challenges | |
O'Donovan et al. | IAMM: A maturity model for measuring industrial analytics capabilities in large-scale manufacturing facilities | |
US20170123855A1 (en) | Stage-aware performance modeling for computer cluster sizing | |
Akubathini et al. | Evaluation of Machine Learning approaches for resource constrained IIoT devices | |
CN106407675A (zh) | 一种基于贝叶斯网络的摩擦噪音预测方法 | |
Sala et al. | SQG-Differential Evolution for difficult optimization problems under a tight function evaluation budget | |
Zhou | Out-of-Sample Fusion | |
Sharma et al. | Bias in machine learning algorithms | |
Yousef | Gaussian process regression models for predicting water retention curves: application of machine learning techniques for modelling uncertainty in hydraulic curves | |
Spagnoli et al. | Behaviour monitoring in context: a methodology for measuring the impact of the human factor on smart cities big data and technologies | |
Puri et al. | Recent Developments and Projects | |
WO2023103764A1 (en) | Computer optimization of task performance through dynamic sensing | |
Miglani | NL to PDDL: One-Shot Learning of Planning Domains from Natural Language Process Manuals | |
van Dorp | Statistical modelling of forensic evidence | |
van Velden | Surrogate modelling for airfoil shape optimization | |
Hooijmeijer | Dutch Aircraft Noise Model: Classification comparison with measurements | |
Lu et al. | Study on Civil Aviation Unsafe Incident Prediction Based on Markov Optimization | |
Tegelberg | Evaluating the effects of planning decisions in repetitive construction projects using a discrete-event model | |
Slotboom | The impact of soft time windows with penalties on the objective values of large real-world Vehicle Routing Problems | |
van den Bos | Prognostics for notched carbon/epoxy composites under variable loading using probabilistic methods | |
Vadinský | Towards general evaluation of intelligent systems: using semantic analysis to improve environments in the AIQ test | |
Kwanten | Bayesian Inference Uncertainty Quantication of RANS Turbulence Models | |
Godin et al. | The Link Between Peer Acceptance and Loneliness in Adolescence | |
Zhou | A Machine Learning Approach for Conceptual Cost Estimation | |
Han | A Decision Support Approach to the Selection of Functional Size Measurement Methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |