CN109684742A - 一种基于bp神经网络的摩擦噪声预测方法 - Google Patents

一种基于bp神经网络的摩擦噪声预测方法 Download PDF

Info

Publication number
CN109684742A
CN109684742A CN201811607165.XA CN201811607165A CN109684742A CN 109684742 A CN109684742 A CN 109684742A CN 201811607165 A CN201811607165 A CN 201811607165A CN 109684742 A CN109684742 A CN 109684742A
Authority
CN
China
Prior art keywords
frictional noise
data sample
noise prediction
neural network
network
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
CN201811607165.XA
Other languages
English (en)
Inventor
王书文
王腾迪
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811607165.XA priority Critical patent/CN109684742A/zh
Publication of CN109684742A publication Critical patent/CN109684742A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种基于BP神经网络的摩擦噪声预测方法，用于预测交通工具上的制动器制动过程中产生的摩擦噪声的频率，包括：步骤1，获取摩擦噪声以及与其产生关联的数据样本p1i；步骤2，对数据样本p1i进行归一化处理，分别得到对应的归一化后的数据样本p2i，并将该数据样本p2i分为两组，分别为第一归一化数据样本和第二归一化数据样本；步骤3，利用MATLAB中专门创建BP神经网络的函数newff来建立摩擦噪声预测模型；步骤4，将第一归一化数据样本输入到摩擦噪声预测模型，得到更新的网络权值和更新的网络阈值；步骤5，将第二归一化数据样本输入到摩擦噪声预测模型直至训练误差为0.01时停止训练，确定最终网络权值和最终网络阈值，得到合格的摩擦噪声预测模型。

Description

一种基于BP神经网络的摩擦噪声预测方法
技术领域
本发明涉及一种摩擦噪声预测方法，具体涉及一种基于BP神经网络的摩擦噪声预测方法。
背景技术
在摩擦过程中往往会引发噪声的产生。由摩擦产生的噪声频率范围大、噪声强度高，产生原因和变化规律复杂，摩擦噪声预测一直是摩擦学领域研究的热点问题。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方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”，限制了其预测精度和可靠性，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。因此，需要一种能够解决上述问题的方法。
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BP神经网络的摩擦噪声预测方法。
本发明提供了一种基于BP神经网络的摩擦噪声预测方法，用于预测交通工具上的制动器制动过程中产生的摩擦噪声的频率，具有这样的特征，包括如下步骤：
步骤1，获取摩擦噪声以及与摩擦噪声产生关联的数据样本p1i，其中i＝1，2，…，n；
步骤2，对数据样本p1i进行归一化处理，分别得到对应的归一化后的数据样本p2ii，并将该数据样本p2i分为两组，分别为第一归一化数据样本和第二归一化数据样本；
步骤3，利用MATLAB中专门创建BP神经网络的函数newff来建立摩擦噪声预测模型；
步骤4，将第一归一化数据样本输入到摩擦噪声预测模型，得到更新的网络权值和更新的网络阈值；
步骤5，将第二归一化数据样本输入到摩擦噪声预测模型直至训练误差为0.01时停止训练，确定最终网络权值和最终网络阈值，得到合格的摩擦噪声预测模型。
在本发明提供的基于BP神经网络的摩擦噪声预测方法中，还可以具有这样的特征：其中，步骤1中的数据样本p1i包括接触压力、速度以及摩擦噪音频率。
在本发明提供的基于BP神经网络的摩擦噪声预测方法中，还可以具有这样的特征：其中，步骤2中的归一化处理的公式为：
其中，max(p)为归一化前的最大值，min(p)分别为归一化前的最小值。
在本发明提供的基于BP神经网络的摩擦噪声预测方法中，还可以具有这样的特征：其中，步骤3中的函数newff用于设置神经网络的总层数、每一层包含的总神经元数量以及各层之间的传递函数。
在本发明提供的基于BP神经网络的摩擦噪声预测方法中，还可以具有这样的特征：其中，步骤5中的训练误差包括更新的网络权值的平均值与最终网络权值的平均值之间的第一差值以及更新的网络阈值的平均值与最终网络阈值之间的第二差值。
发明的作用与效果
根据本发明所涉及的基于BP神经网络的摩擦噪声预测方法，因为BP神经网络能够以任意精度逼近任何非线性连续函数，所以具有较强的非线性映射能力；因为BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，从而自适应的将学习内容记忆于网络的权值中，所以具有高度自学习和自适应的能力；因为BP神经网络在经过训练后，能对未见过的模式或有噪声污染的模式，进行正确的预测，所以具有泛化能力；因为BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的，所以BP神经网络具有一定的容错能力。因此，本发明的基于BP神经网络的摩擦噪声预测方法能够应用于复杂的摩擦噪声预测。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例对本发明作具体阐述。
实施例：
本实施例的一种基于BP神经网络的摩擦噪声预测方法，用于预测交通工具上的制动器制动过程中产生的摩擦噪声的频率，包括如下步骤：
步骤1，获取摩擦噪声以及与摩擦噪声产生关联的数据样本p1i，其中i＝1，2，…，n。
数据样本p1i包括接触压力、速度以及摩擦噪音频率。
步骤2，对数据样本p1i进行归一化处理，分别得到对应的归一化后的数据样本p2i，并将该数据样本p2i分为两组，分别为第一归一化数据样本和第二归一化数据样本。
归一化处理的公式为：
其中，max(p)为归一化前的最大值，min(p)分别为归一化前的最小值。
步骤3，利用MATLAB中专门创建BP神经网络的函数newff来建立摩擦噪声预测模型。
函数newff用于设置神经网络的总层数、每一层包含的总神经元数量以及各层之间的传递函数。
步骤4，将所述第一归一化数据样本输入到所述摩擦噪声预测模型，得到更新的网络权值和更新的网络阈值。
步骤5，将所述第二归一化数据样本输入到所述摩擦噪声预测模型直至训练误差为0.01时停止训练，确定最终网络权值和最终网络阈值，得到合格的所述摩擦噪声预测模型。
训练误差包括更新的所述网络权值的平均值与所述最终网络权值的平均值之间的第一差值以及更新的所述网络阈值的平均值与所述最终网络阈值之间的第二差值。
若训练时达不到训练误差，则增加新的数据样本p2i以增加新的第一归一化数据样本来更新网络权值和网络阈值。
实施例的作用与效果
根据本实施例所涉及的基于BP神经网络的摩擦噪声预测方法，因为BP神经网络能够以任意精度逼近任何非线性连续函数，所以具有较强的非线性映射能力；因为BP神经网络在训练时，能够通过学习自动提取输出、输出数据间的“合理规则”，从而自适应的将学习内容记忆于网络的权值中，所以具有高度自学习和自适应的能力；因为BP神经网络在经过训练后，能对未见过的模式或有噪声污染的模式，进行正确的预测，所以具有泛化能力；因为BP神经网络在其局部的或者部分的神经元受到破坏后对全局的训练结果不会造成很大的影响，也就是说即使系统在受到局部损伤时还是可以正常工作的，所以BP神经网络具有一定的容错能力。因此，本实施例的基于BP神经网络的摩擦噪声预测方法能够应用于复杂的摩擦噪声预测。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (5)

1.一种基于BP神经网络的摩擦噪声预测方法，用于预测交通工具上的制动器制动过程中产生的摩擦噪声的频率，其特征在于，包括如下步骤：
步骤1，获取所述摩擦噪声以及与所述摩擦噪声产生关联的数据样本p1i，其中i＝1，2，…，n；
步骤2，对所述数据样本p1i进行归一化处理，分别得到对应的归一化后的数据样本p2i，并将该数据样本p2i分为两组，分别为第一归一化数据样本和第二归一化数据样本；
步骤3，利用MATLAB中专门创建BP神经网络的函数newff来建立摩擦噪声预测模型；
步骤4，将所述第一归一化数据样本输入到所述摩擦噪声预测模型，得到更新的网络权值和更新的网络阈值；
步骤5，将所述第二归一化数据样本输入到所述摩擦噪声预测模型直至训练误差为0.01时停止训练，确定最终网络权值和最终网络阈值，得到合格的所述摩擦噪声预测模型。
2.根据权利要求1所述的基于BP神经网络的摩擦噪声预测方法，其特征在于：
其中，所述步骤1中的数据样本p1i包括接触压力、速度以及摩擦噪音频率。
3.根据权利要求1所述的基于BP神经网络的摩擦噪声预测方法，其特征在于：
其中，所述步骤2中的归一化处理的公式为：
其中，max(p)为归一化前的最大值，min(p)分别为归一化前的最小值。
4.根据权利要求1所述的基于BP神经网络的摩擦噪声预测方法，其特征在于：
其中，所述步骤3中的函数newff用于设置神经网络的总层数、每一层包含的总神经元数量以及各层之间的传递函数。
5.根据权利要求1所述的基于BP神经网络的摩擦噪声预测方法，其特征在于：
其中，所述步骤5中的所述训练误差包括更新的所述网络权值的平均值与所述最终网络权值的平均值之间的第一差值以及更新的所述网络阈值的平均值与所述最终网络阈值之间的第二差值。
CN201811607165.XA 2018-12-27 2018-12-27 一种基于bp神经网络的摩擦噪声预测方法 Pending CN109684742A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811607165.XA CN109684742A (zh) 2018-12-27 2018-12-27 一种基于bp神经网络的摩擦噪声预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811607165.XA CN109684742A (zh) 2018-12-27 2018-12-27 一种基于bp神经网络的摩擦噪声预测方法

Publications (1)

Publication Number Publication Date
CN109684742A true CN109684742A (zh) 2019-04-26

Family

ID=66189901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811607165.XA Pending CN109684742A (zh) 2018-12-27 2018-12-27 一种基于bp神经网络的摩擦噪声预测方法

Country Status (1)

Country Link
CN (1) CN109684742A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111140611A (zh) * 2019-12-13 2020-05-12 一汽解放汽车有限公司 制动器摩擦片磨损预测方法、装置、车辆及存储介质
CN111209698A (zh) * 2019-12-31 2020-05-29 西南交通大学 一种考虑界面不确定性和时变性的摩擦振动噪声预测方法
CN112329342A (zh) * 2020-11-02 2021-02-05 北京信息科技大学 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质
CN113361815A (zh) * 2021-07-05 2021-09-07 中国汽车工程研究院股份有限公司 用于车辆密封胶条的异响风险预测方法及装置
DE102022205730A1 (de) 2022-06-07 2023-12-07 Volkswagen Aktiengesellschaft Konzept zum Auswählen von Audioausschnitten von Bremsquietschgeräuschen in einem Fahrzeug

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN104463359A (zh) * 2014-12-01 2015-03-25 河海大学常州校区 一种基于bp神经网络的疏浚作业产量预测模型分析方法
CN106407675A (zh) * 2016-09-09 2017-02-15 上海理工大学 一种基于贝叶斯网络的摩擦噪音预测方法
CN107544284A (zh) * 2017-07-20 2018-01-05 同济大学 一种复合工况下汽车制动器摩擦噪声控制方法
US20180144261A1 (en) * 2016-11-18 2018-05-24 NantOmics, LLC. Methods and systems for predicting dna accessibility in the pan-cancer genome

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102838A (zh) * 2014-07-14 2014-10-15 河海大学 一种基于小波神经网络和小波技术的变压器噪声预测方法
CN104463359A (zh) * 2014-12-01 2015-03-25 河海大学常州校区 一种基于bp神经网络的疏浚作业产量预测模型分析方法
CN106407675A (zh) * 2016-09-09 2017-02-15 上海理工大学 一种基于贝叶斯网络的摩擦噪音预测方法
US20180144261A1 (en) * 2016-11-18 2018-05-24 NantOmics, LLC. Methods and systems for predicting dna accessibility in the pan-cancer genome
CN107544284A (zh) * 2017-07-20 2018-01-05 同济大学 一种复合工况下汽车制动器摩擦噪声控制方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111140611A (zh) * 2019-12-13 2020-05-12 一汽解放汽车有限公司 制动器摩擦片磨损预测方法、装置、车辆及存储介质
CN111140611B (zh) * 2019-12-13 2021-10-08 一汽解放汽车有限公司 制动器摩擦片磨损预测方法、装置、车辆及存储介质
CN111209698A (zh) * 2019-12-31 2020-05-29 西南交通大学 一种考虑界面不确定性和时变性的摩擦振动噪声预测方法
CN111209698B (zh) * 2019-12-31 2022-05-13 西南交通大学 一种考虑界面不确定性和时变性的摩擦振动噪声预测方法
CN112329342A (zh) * 2020-11-02 2021-02-05 北京信息科技大学 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质
CN112329342B (zh) * 2020-11-02 2023-05-23 北京信息科技大学 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质
CN113361815A (zh) * 2021-07-05 2021-09-07 中国汽车工程研究院股份有限公司 用于车辆密封胶条的异响风险预测方法及装置
DE102022205730A1 (de) 2022-06-07 2023-12-07 Volkswagen Aktiengesellschaft Konzept zum Auswählen von Audioausschnitten von Bremsquietschgeräuschen in einem Fahrzeug
WO2023237274A1 (de) 2022-06-07 2023-12-14 Volkswagen Aktiengesellschaft Konzept zum auswählen von audioausschnitten von bremsquietschgeräuschen in einem fahrzeug

Similar Documents

Publication Publication Date Title
CN109684742A (zh) 一种基于bp神经网络的摩擦噪声预测方法
Chatelain et al. Billion vortex particle direct numerical simulations of aircraft wakes
Lü et al. A unified approach for squeal instability analysis of disc brakes with two types of random-fuzzy uncertainties
US11046293B2 (en) Facilitation of automatic adjustment of a braking system
US9928116B2 (en) Safe consolidation and migration
US20160062900A1 (en) Cache management for map-reduce applications
Müser A dimensionless measure for adhesion and effects of the range of adhesion in contacts of nominally flat surfaces
Bajer et al. The influence of friction-induced damping and nonlinear effects on brake squeal analysis
US9870454B2 (en) Determine security access level based on user behavior
Li et al. Damage identification for beams using ANN based on statistical property of structural responses
Naser et al. Hysteresis loop of the LuGre model
KR20210051343A (ko) 비지도 도메인 적응 장치 및 방법
US20170357935A1 (en) Self-Organizing Software Scan Scheduling Based on Neural Network Cognitive Classification
Zhao et al. Random periodic solution for a stochastic SIS epidemic model with constant population size
US20150339138A1 (en) Enhanced java array
Groß et al. Architectural patterns for handling runtime uncertainty of data-driven models in safety-critical perception
CN110135588A (zh) 用于存储器管理的方法和用于机器学习的系统及方法
US20160247081A1 (en) Worst-case execution time statistical tool
US11409932B1 (en) C-PHY input/output driver modeling using artificial neural network and state space models
JP2023549321A (ja) 量子状態リーク軽減のための戦略的停止
Kalkote et al. Performance of the k-kL model for aerodynamics applications
Balestra et al. Experimental and numerical study of the effect of surface patterning on the frictional properties of polymer surfaces
CN108897598A (zh) 一种优化的虚拟机自动迁移系统和方法
US20230334435A1 (en) Commercial vehicles rotor cracking prediction using recurrent neural network
Shang et al. Squeal simulation and analysis of brake system with pressure and speed dependent friction model and exerting process of pressure

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: 20190426