CN109211570A - 一种电驱动动力总成系统噪声源分离识别方法 - Google Patents
一种电驱动动力总成系统噪声源分离识别方法 Download PDFInfo
- Publication number
- CN109211570A CN109211570A CN201811337183.0A CN201811337183A CN109211570A CN 109211570 A CN109211570 A CN 109211570A CN 201811337183 A CN201811337183 A CN 201811337183A CN 109211570 A CN109211570 A CN 109211570A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- electric drive
- time
- drive power
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
本发明属于汽车技术领域,具体的说是一种电驱动动力总成系统噪声源分离识别方法。该方法包括以下步骤:步骤一、信号采集阶段;步骤二、预处理阶段;步骤三、分离阶段;步骤四、合并阶段;步骤五、识别阶段;本发明是一种电驱动动力总成系统噪声源分离识别方法,通过计算机盲源分离识别技术对电驱动动力总成噪声源进行分离与识别研究,实现在不解体情况下以最小成本代价下对其噪声源信号进行识别过程,解决了现有电驱动动力总成系统的噪声源分离识别方法便捷性不足的特点,同时应用了部分心理声学理论,使分离识别结果更加符合客观实际。
Description
技术领域
本发明属于汽车技术领域,具体的说是一种电驱动动力总成系统噪声源分离识别方法。
背景技术
伴随着现代汽车产业、运输业的蓬勃发展,汽车产生的噪声已逐渐成为当代城市中的最为主要的噪声源之一,对不同年龄段的人的日常学习、生活和健康都会产生十分严重的影响,由汽车产生的噪声被称为“城市新公害”。
伴随着全球能源危机和环境污染问题的日渐加重,世界上各大汽车厂家、科研单位都将研究的重心转移到节能环保的电动汽车技术上。由于其具有二氧化碳零排放、且小型化、低噪声等许多特点,电动汽车的发展逐渐加速。
电驱动汽车与传统内燃机汽车有着显而易见的不同,电驱动汽车采用电驱动系统供给能量。与内燃机汽车相比,电动汽车在整车布置和关键零部件都发生了变化,NVH特性也发生了显而易见的变化。
随着汽车技术的广泛发展,人们对乘坐舒适性的要求日益增加,对于工程技术人员来讲,需要不断在汽车NVH性能上进行改进。
虽然发动机噪声不再存在,进而也就没有了进排气噪声,但由于独特的驱动电机存在会产生电磁噪声,而电磁噪声的所在频段是人耳敏感频段,如果控制或设计不合理,它将会产生比传统内燃机汽车还差的噪声品质。
作为电驱动汽车的主要噪声来源以及驱动系统关键零部件的驱动电机,在高负荷区,对乘员乘坐舒适性影响很大。而有关电驱动动力总成系统的声品质评价系统目前还没有相关的报道,因此有必要对其声品质系统进行开发。首当其冲的就是对系统内部噪声源进行分离识别。
随着电驱动动力总成系统的集成化、模块化设计,难以通过有效的实验手段对噪声源进行分离与识别,并进一步对系统噪声进行优化设计。
发明内容
本发明提供了一种电驱动动力总成系统噪声源分离识别方法,通过计算机盲源分离识别技术对电驱动动力总成噪声源进行分离与识别研究,实现在不解体情况下以最小成本代价下对其噪声源信号进行识别过程,解决了现有电驱动动力总成系统的噪声源分离识别方法便捷性不足的特点。
本发明技术方案结合附图说明如下:
一种总成系统噪声源分离识别方法,该方法包括以下步骤:
步骤一、信号采集阶段;
在整个数据采集系统开始工作之前,首先对各传感器位置进行设定,即将双通道传感器布置到要求的位置;其次对各传感器进行标定,以减少其传感器误差,最后待动力总成系统稳定运行后,开始对数据进行采集,并将采集到的信号送入预处理阶段;
步骤二、预处理阶段;
当信号采集完成后,通过数据传输模块将数据传输至信号处理部分,首先对其进行预处理;预处理具体的处理步骤包含去均值、去趋势项以及一阶差分处理,以减少测试信号中随机误差的成分;
步骤三、分离阶段;
将预处理后的信号作为双输入两输出RobustICA算法的输入,将输出信号作Gammatone滤波器组的输入信号进行时频域划分,之后建立二值掩蔽矩阵,最后利用时频掩蔽效应以及波形重构的方式完成对信号的分离;
步骤四、合并阶段;
根据步骤三得到的分离结果对同源噪声进行合并,基于信号峰值的分布特点进行同源噪声合并,得到最终的分离结果;
步骤五、识别阶段;
根据电机与变速器工作原理的不同,在时频域内对分离结果进行分析讨论;采用连续小波变换进行时频域分析;通过时频域内特性分析电驱动动力总成的噪声状态,最后给出相应评价。
所述的步骤三的具体方法如下:
31)对经过预处理的信号代入两输入两输出的RobustICA算法;
32)将RobustICA算法的输出结果代入计算听觉场景分析模型中,首先进行听觉外围处理,应用Gammatone滤波器组模型进行处理,将信号从时域变换到时频域;具体方法为:
Gammatone滤波器组模拟耳蜗冲击响应,其冲击响应的表达式为:其中(1≤j≤N)
式中,t为时间;n为滤波器阶数;j为各个滤波器的序号,fj为中心频率,bj是衰减因子,N为Gammatone滤波器组中滤波器的个数;其中bj与滤波器等效矩形带宽ERB有关,决定了滤波器响应的衰减程度;
上式中:
33)对处理后的信号进行特征提取与组织,利用掩蔽效应生成掩蔽矩阵的方法进行特征提取与组织;掩蔽矩阵的定义为:
BM1(w,t)=1,if|Y1(w,t)|>τ|Y2(w,t)|
BM2(w,t)=1,if|Y1(w,t)|<τ|Y2(w,t)|
其中τ为稀疏度控制系数,初始化的掩蔽矩阵中的元素全部为0;if表示需要满足一定条件,Y1(w,t)、Y2(w,t)分别表示时域信号经时频域变换后得到的结果;w表示频率,t表示时间;BM表示经计算得到的掩蔽矩阵。
34)将预处理后的原始信号与掩蔽矩阵相乘,并通过逆Gammatone滤波器进行波形重构,得到最终的分离结果。
所述的步骤五的具体方法如下:
在识别过程中引入连续小波变换代替工程中常用的频域分析,使分离得到的信号可以在时频域中表达出来,一方面表达出频域分析中信号的频率信息,另一方面表达出时域上的噪声周期信息;采用复值Morlet小波函数,适合分析具体瞬态响应的电驱动动力总成噪声源信号;其基函数定义为:
式中:t为时间,w0为中心频率,j为复数单位,e为自然常数,π为圆周率;
所述的最终评价方法具体方法如下:
通过步骤五的时频域表示,通过得到的小波变换图对结果进行分析;结合电驱动动力总系统中各机构频率特性以及运动中的旋转零部件震动周期性规律进行分析,并将分离得到的噪声分离结果与对应的振动信号进行相关性分析,确定分离结果的正确性;最后将得到的分离结果按幅值大小进行排序,得到最终的评价结果。
本发明的有益效果为:
1、本发明避免对电驱动系统进行解体的同时,实现噪声源的分离与识别;并且分离结果较传统方法来说可视性更强;同时减少工程技术人员的工作量和试验成本;
2、本发明更接近人的直观感受。基于部分心里声学假设,考虑了噪声对人的直接影响。本发明所述的方法中应用了基于人耳模型的Gammatone滤波器组,其特点是集合人耳基底膜频率选择特性和频谱分析特性,同时结合噪声源特性,可以更好的分析噪声源对人耳的直接影响,从而形成一种更加符合客观实际的分析方法;
3、本发明可视性强;相对于工程应用交到的频域分析方法,本方法应用了时频分析方法,即在时域和频域内同时进行分析。由于稳定工作状态下的电机与变速器存在一定的周期性,因此其噪声也肯定存在一定的周期规律,可以通过其频率特性与周期规律更直观的对噪声信号进行相应的评价。
4、本发明效率高;本发明所述方法避免对总成模块的拆解。传统的噪声源分离方法需要对测试零部件进行拆解,对其噪声指标进行分别分析,由于本发明中所述方法避免对总成系统进行拆解,因此实验效率较高。
附图说明
图1为本发明的工作流程图;
图2为实验环境中对布点的要求图;
图3为Gammatone滤波器组的响应曲线图;
图4为某电驱动总成在某工况下的噪声分离结果图。
具体实施方式
参阅图1,一种电驱动动力总成系统噪声源分离识别方法,该方法包括以下步骤:
步骤一、信号采集阶段;
在整个数据采集系统开始工作之前,首先对各传感器位置进行设定,具体位置参考图2。测点布置的意义在于减少测点的近场效应,因此将测点布置在离机体表面1m处,两麦克风间距8cm是考虑的真实条件下对人耳进行模拟。即将双通道传感器布置到要求的位置;其次对各传感器进行标定,以减少其传感器误差,最后待动力总成系统稳定运行后,开始对数据进行采集,并将采集到的信号送入预处理阶段;
所述的采集过程应满足一定的要求,同时选择合适的采样频率;本申请使用一种双通道的信号采集方法。
步骤二、预处理阶段;
当信号采集完成后,通过数据传输模块将数据传输至信号处理部分,由于在信号采集过程中,需要经过采集系统的各个采集模块,因此测试得到的实际信号受到测试过程中多种因素叠加的影响,包含了多种干扰成分,使采集到的信号与源信号之间存在差异,因此需要对实测信号进行预处理,减少随机误差的成分。首先对其进行预处理;预处理具体的处理步骤包含去均值、去趋势项以及一阶差分处理,减少由于传感器频率范围外低频性能不稳定以及传感器周围环境干扰等因素的影响,以至于数据偏离基线的现象。
所述的去均值过程用于将采集的噪声信号的均值项去除,提高原始信号的准确性。
所述的去趋势过程用于将采集的噪声信号的趋势部分去除,减少趋势项产生的偏移对后续计算产生影响。
所述的数据的采集与处理过程采取一定的数据接口,以控制数据流走向。以降低各模块之间的耦合性,提高其独立性。
步骤三、分离阶段;
该步骤为本方法中最重要的阶段。将预处理后的信号作为双输入两输出RobustICA算法的输入,将输出信号作Gammatone滤波器组的输入信号进行时频域划分,之后建立二值掩蔽矩阵,最后利用时频掩蔽效应以及波形重构的方式完成对信号的分离;
步骤三的具体方法如下:
31)对经过预处理的信号代入两输入两输出的RobustICA算法;
32)将RobustICA算法的输出结果代入计算听觉场景分析模型中,首先进行听觉外围处理,应用Gammatone滤波器组模型进行处理,将信号从时域变换到时频域;具体方法为:
利用Gammatone滤波器组模拟耳蜗冲击响应,如附图3所示,其冲击响应的表达式为:其中(1≤j≤N)
式中,t为时间;n为滤波器阶数;j为各个滤波器的序号,fj为中心频率,bj是衰减因子,N为Gammatone滤波器组中滤波器的个数;其中bj与滤波器等效矩形带宽ERB有关,决定了滤波器响应的衰减程度;
上式中:
33)对处理后的信号进行特征提取与组织,利用掩蔽效应生成掩蔽矩阵的方法进行特征提取与组织;掩蔽矩阵的定义为:
BM1(w,t)=1,if|Y1(w,t)|>τ|Y2(w,t)|
BM2(w,t)=1,if|Y1(w,t)|<τ|Y2(w,t)|
其中τ为稀疏度控制系数,初始化的掩蔽矩阵中的元素全部为0;if表示需要满足一定条件,Y1(w,t)、Y2(w,t)分别表示时域信号经时频域变换后得到的结果;w表示频率,t表示时间;BM表示经计算得到的掩蔽矩阵。
34)将预处理后的原始信号与掩蔽矩阵相乘,并通过逆Gammatone滤波器进行波形重构,得到最终的分离结果。
步骤四、合并阶段;
根据步骤三得到的分离结果对同源噪声进行合并,基于信号峰值的分布特点进行同源噪声合并,得到最终的分离结果;
所述的合并阶段并不总是需要,由于使用的Gammatone滤波器组存在低频密集,高频稀疏的特性。一般来说,混叠现象出现在低频段,高频段现象不明显,因此需要对具体分离结果做出具体分析后进行合并处理。对于不需要合并的信号则直接进入下一步骤。
步骤五、识别阶段;
根据电机与变速器工作原理的不同,在时频域内对分离结果进行分析讨论;采用连续小波变换进行时频域分析;通过时频域内特性分析电驱动动力总成的噪声状态,最后给出相应评价。
所述的步骤五的具体方法如下:
在识别过程中引入连续小波变换代替工程中常用的频域分析,使分离得到的信号可以在时频域中表达出来,一方面表达出频域分析中信号的频率信息,另一方面表达出时域上的噪声周期信息;采用复值Morlet小波函数,适合分析具体瞬态响应的电驱动动力总成噪声源信号;其基函数定义为:
式中:t为时间,w0为中心频率,j为复数单位,e为自然常数,π为圆周率;
所述的最终评价方法具体方法如下:
通过步骤五的时频域表示,通过得到的小波变换图对结果进行分析;结合电驱动动力总系统中各机构频率特性以及运动中的旋转零部件震动周期性规律进行分析,并将分离得到的噪声分离结果与对应的振动信号进行相关性分析,确定分离结果的正确性。最后将得到的分离结果按幅值大小进行排序,得到最终的评价结果。首先结合机构的特性进行分析,例如电驱动总成中的电机噪声以及变速器、差速器中各齿轮啮合噪声、传动轴扭振产生的噪声,对噪声频率、阶次进行分析;其次对时频变换图中的噪声周期性进行分析。通常来说,旋转机械中的噪声会呈现一定的周期性,通过对其周期性的观察,可以进一步确认噪声源的位置。例如电机噪声中电磁径向力产生的噪声和定子齿槽谐波产生的噪声为最主要的噪声源,其频率都应该为基频或其倍频。且电磁径向力在电机工作过程中一直存在,因此电磁径向力产生的噪声在周期性上表现的连续,而定子齿槽谐波噪声与电机中定子齿槽数有关,其在一个周期内产生的噪声点数应与定子齿槽数保持一致。在变速器与差速器等结构中,主要噪声为齿轮啮合噪声和传动轴扭振产生的噪声,根据不同的传动比,其周期性应当满足一定的规律,本方法通过对频率和周期特性同时进行分析,提高分析的准确性。通过对所有噪声分析完成后,对分析认定得到的噪声根据其分量的幅值大小列出一个表图,对各噪声源幅值大小进行评判。
参阅图4,图4是对某电驱动动力总成噪声源进行分析后得到的最终结果。在某转速下,分析了在不同载荷下噪声的变化情况。并通过上述的分析方法,对噪声成分进行了认定,从图中可以看出,该电驱动动力总成中变速器噪声较电机噪声更加明显,可以借此对电驱动动力总成系统进行重新设计,对各零部件噪声进行优化。
Claims (3)
1.一种电驱动动力总成系统噪声源分离识别方法,其特征在于,该方法包括以下步骤:
步骤一、信号采集阶段;
在整个数据采集系统开始工作之前,首先对各传感器位置进行设定,即将双通道传感器布置到要求的位置;其次对各传感器进行标定,以减少其传感器误差,最后待动力总成系统稳定运行后,开始对数据进行采集,并将采集到的信号送入预处理阶段;
步骤二、预处理阶段;
当信号采集完成后,通过数据传输模块将数据传输至信号处理部分,首先对其进行预处理;预处理具体的处理步骤包含去均值、去趋势项以及一阶差分处理,以减少测试信号中随机误差的成分;
步骤三、分离阶段;
将预处理后的信号作为双输入两输出RobustICA算法的输入,将输出信号作Gammatone滤波器组的输入信号进行时频域划分,之后建立二值掩蔽矩阵,最后利用时频掩蔽效应以及波形重构的方式完成对信号的分离;
步骤四、合并阶段;
根据步骤三得到的分离结果对同源噪声进行合并,基于信号峰值的分布特点进行同源噪声合并,得到最终的分离结果;
步骤五、识别阶段;
根据电机与变速器工作原理的不同,在时频域内对分离结果进行分析讨论;采用连续小波变换进行时频域分析;通过时频域内特性分析电驱动动力总成的噪声状态,最后给出相应评价。
2.根据权利要求1所述的一种电驱动动力总成系统噪声源分离识别方法,其特征在于,所述的步骤三的具体方法如下:
31)对经过预处理的信号代入两输入两输出的RobustICA算法;
32)将RobustICA算法的输出结果代入计算听觉场景分析模型中,首先进行听觉外围处理,应用Gammatone滤波器组模型进行处理,将信号从时域变换到时频域;具体方法为:
Gammatone滤波器组模拟耳蜗冲击响应,其冲击响应的表达式为:其中(1≤j≤N)
式中,t为时间;n为滤波器阶数;j为各个滤波器的序号,fj为中心频率,bj是衰减因子,N为Gammatone滤波器组中滤波器的个数;其中bj与滤波器等效矩形带宽ERB有关,决定了滤波器响应的衰减程度;
上式中:
33)对处理后的信号进行特征提取与组织,利用掩蔽效应生成掩蔽矩阵的方法进行特征提取与组织;掩蔽矩阵的定义为:
BM1(w,t)=1,if|Y1(w,t)|>τ|Y2(w,t)|
BM2(w,t)=1,if|Y1(w,t)|<τ|Y2(w,t)|
其中τ为稀疏度控制系数,初始化的掩蔽矩阵中的元素全部为0;if表示需要满足一定条件,Y1(w,t)、Y2(w,t)分别表示时域信号经时频域变换后得到的结果;w表示频率,t表示时间;BM表示经计算得到的掩蔽矩阵。
34)将预处理后的原始信号与掩蔽矩阵相乘,并通过逆Gammatone滤波器进行波形重构,得到最终的分离结果。
3.根据权利要求1所述的一种电驱动动力总成系统噪声源分离识别方法,其特征在于,所述的步骤五的具体方法如下:
在识别过程中引入连续小波变换代替工程中常用的频域分析,使分离得到的信号可以在时频域中表达出来,一方面表达出频域分析中信号的频率信息,另一方面表达出时域上的噪声周期信息;采用复值Morlet小波函数,适合分析具体瞬态响应的电驱动动力总成噪声源信号;其基函数定义为:
式中:t为时间,w0为中心频率,j为复数单位,e为自然常数,π为圆周率;
所述的最终评价方法具体方法如下:
通过步骤五的时频域表示,通过得到的小波变换图对结果进行分析;结合电驱动动力总系统中各机构频率特性以及运动中的旋转零部件震动周期性规律进行分析,并将分离得到的噪声分离结果与对应的振动信号进行相关性分析,确定分离结果的正确性;最后将得到的分离结果按幅值大小进行排序,得到最终的评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337183.0A CN109211570A (zh) | 2018-11-12 | 2018-11-12 | 一种电驱动动力总成系统噪声源分离识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811337183.0A CN109211570A (zh) | 2018-11-12 | 2018-11-12 | 一种电驱动动力总成系统噪声源分离识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109211570A true CN109211570A (zh) | 2019-01-15 |
Family
ID=64995195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811337183.0A Pending CN109211570A (zh) | 2018-11-12 | 2018-11-12 | 一种电驱动动力总成系统噪声源分离识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109211570A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631691A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 一种电力设备噪声分离效果验证方法、系统、分离设备及介质 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN111064327A (zh) * | 2019-12-31 | 2020-04-24 | 江苏大学 | 一种基于声品质的驱动电机优化方法及系统 |
CN111487063A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种参数自适应的内燃机噪声源分离方法 |
CN112304632A (zh) * | 2020-07-08 | 2021-02-02 | 重庆长安汽车股份有限公司 | 一种描述人耳感知的瞬态调制评价方法 |
CN113569340A (zh) * | 2020-10-26 | 2021-10-29 | 重庆交通大学 | 面向整车振动抑制的磁流变悬置时频特征多目标优化方法 |
CN117688515A (zh) * | 2024-02-04 | 2024-03-12 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
-
2018
- 2018-11-12 CN CN201811337183.0A patent/CN109211570A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
Non-Patent Citations (2)
Title |
---|
胡峰松 等: "基于Gammatone滤波器的听觉特征提取", 《计算机工程》 * |
钱思冲 等: "基于计算听觉场景分析的内燃机噪声源分离方法", 《内燃机学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631691A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 一种电力设备噪声分离效果验证方法、系统、分离设备及介质 |
CN110631691B (zh) * | 2019-09-09 | 2021-06-11 | 国网湖南省电力有限公司 | 一种电力设备噪声分离效果验证方法、系统、分离设备及介质 |
CN110686899A (zh) * | 2019-09-21 | 2020-01-14 | 天津大学 | 一种内燃机噪声源识别方法 |
CN110686899B (zh) * | 2019-09-21 | 2021-01-29 | 天津大学 | 一种内燃机噪声源识别方法 |
CN111064327A (zh) * | 2019-12-31 | 2020-04-24 | 江苏大学 | 一种基于声品质的驱动电机优化方法及系统 |
CN111487063A (zh) * | 2020-03-20 | 2020-08-04 | 天津大学 | 一种参数自适应的内燃机噪声源分离方法 |
CN112304632A (zh) * | 2020-07-08 | 2021-02-02 | 重庆长安汽车股份有限公司 | 一种描述人耳感知的瞬态调制评价方法 |
CN113569340A (zh) * | 2020-10-26 | 2021-10-29 | 重庆交通大学 | 面向整车振动抑制的磁流变悬置时频特征多目标优化方法 |
CN113569340B (zh) * | 2020-10-26 | 2023-09-05 | 重庆交通大学 | 面向整车振动抑制的磁流变悬置时频特征多目标优化方法 |
CN117688515A (zh) * | 2024-02-04 | 2024-03-12 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
CN117688515B (zh) * | 2024-02-04 | 2024-05-17 | 潍柴动力股份有限公司 | 空压机的声品质评价方法、装置、存储介质与电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109211570A (zh) | 一种电驱动动力总成系统噪声源分离识别方法 | |
CN102360187B (zh) | 语谱图互相关的驾驶员汉语语音控制系统及方法 | |
CN104819846A (zh) | 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法 | |
CN106952649A (zh) | 基于卷积神经网络和频谱图的说话人识别方法 | |
CN110490071A (zh) | 一种基于mfcc的变电站声信号特征提取方法 | |
CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
CN111982274B (zh) | 一种基于声品质贡献系数的电机噪声源识别方法及系统 | |
Hong et al. | Separation of fault features from a single-channel mechanical signal mixture using wavelet decomposition | |
Ji et al. | Parallel sparse filtering for intelligent fault diagnosis using acoustic signal processing | |
CN101672690A (zh) | 基于听觉模型的车内噪声烦躁度客观量化评价方法 | |
Jiang et al. | A fault diagnostic method for induction motors based on feature incremental broad learning and singular value decomposition | |
Zhao et al. | Underdetermined blind source extraction of early vehicle bearing faults based on EMD and kernelized correlation maximization | |
CN106383028A (zh) | 一种齿轮箱故障的诊断方法 | |
He et al. | Wavelet transform based on inner product for fault diagnosis of rotating machinery | |
Liang et al. | Application of instantaneous rotational speed to detect gearbox faults based on double encoders | |
Lu et al. | Sound quality prediction for power coupling mechanism of HEV based on CEEMD-HT and RVM | |
Torii et al. | An objective assessment method of combustion noise characteristics in vehicle interiors | |
CN114065809A (zh) | 一种乘用车异响识别方法、装置、电子设备以及存储介质 | |
Fu et al. | Research on the design method of pure electric vehicle acceleration motion sense sound simulation system | |
Fang et al. | Contribution of acoustic harmonics to sound quality of pure electric powertrains | |
Liu et al. | Research on noise source separation and sound quality prediction for electric powertrain | |
Liu et al. | Sinc-based Multiplication-Convolution Network for Small-sample Fault Diagnosis and Edge Application | |
CN202067537U (zh) | 语谱图互相关的驾驶员汉语语音控制系统 | |
Kim et al. | Statistical classification of vehicle interior sound through upsampling-based augmentation and correction using 1D CNN and LSTM | |
Li et al. | A novel bearing fault diagnosis method based on LMD and wavelet packet energy entropy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |