CN111064327B - 一种基于声品质的驱动电机优化方法及系统 - Google Patents
一种基于声品质的驱动电机优化方法及系统 Download PDFInfo
- Publication number
- CN111064327B CN111064327B CN201911403956.5A CN201911403956A CN111064327B CN 111064327 B CN111064327 B CN 111064327B CN 201911403956 A CN201911403956 A CN 201911403956A CN 111064327 B CN111064327 B CN 111064327B
- Authority
- CN
- China
- Prior art keywords
- motor
- sound quality
- frequency band
- noise
- parameters
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K15/00—Methods or apparatus specially adapted for manufacturing, assembling, maintaining or repairing of dynamo-electric machines
- H02K15/0006—Disassembling, repairing or modifying dynamo-electric machines
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种基于声品质的驱动电机优化方法及系统,包括以下步骤:噪声信号采集:采集电机噪声样本;声品质预测模块的建立:对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;声品质敏感频带的识别:确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;电机声品质的优化:分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。本发明以声品质为电机噪声评价指标,能够反映人对电机噪声的主观感受,更加符合人耳对电机噪声的听觉感受。
Description
技术领域
本发明属于新能源车辆技术领域,尤其涉及一种新能源车辆的基于声品质的电机优化方法及系统。
背景技术
汽车的NVH性能是电动汽车必须要考虑的重要指标,与传统汽车相比,其以电动机代替发动机作为动力源,靠电机拥有的较大的调速区和较宽的转矩范围特性实现多工况行驶。驱动电机系统是电动汽车的三大核心系统之一,是车辆行驶的主要驱动系统,其特性决定了车辆的主要性能指标,直接影响车辆动力性、经济性和用户驾乘感受。
车用电机的宽调速、高转矩的牵引特性需求和小尺寸、轻量化的结构设计要求往往导致电机电磁力幅值大、电机结构刚度较差,容易产生较大的电磁振动和电磁噪声,影响驾乘的舒适性。因此,在电机设计时不仅需要考虑电机的电磁性能指标,电机的振动噪声特性也需要引起重视。
然而,目前国内外针对电机电磁振动和噪声问题的研究还仅仅局限在降低电磁力幅值和噪声声压级上,没有考虑到电机声品质问题。传统的电机噪声研究目标是实现声压级或声功率级的降低,该指标仅代表噪声能量,不能全面反映人的主观感受。
发明内容
针对上述技术问题,本发明提供一种基于声品质的驱动电机优化方法及系统,用于识别电机声品质敏感频带及其对应激励源,能够在不影响电机其他性能的前提下,达到改善电机声品质的优化目标。本发明以声品质为电机噪声评价指标,能够反映人对电机噪声的主观感受,更加符合人耳对电机噪声的听觉感受。
本发明解决其技术问题所采用的技术方案是:一种基于声品质的驱动电机优化方法,包括以下步骤:
噪声信号采集:采集电机噪声样本;
声品质预测模块的建立:对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
声品质敏感频带的识别:确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;
电机声品质的优化:分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
上述方案中,所述噪声信号采集步骤中,采集不同转速、不同转矩的电机噪声样本。
上述方案中,所述声品质预测模块的建立步骤具体为:
对采集得到的噪声样本进行主观评价试验和心理声学客观参量计算,利用GA遗传算法和BP神经网络将主观评价试验结果和心理声学客观参量关联,对主观评价分值和心理声学客观参量进行相关性分析,选取相关性较强的心理声学客观参量建立电机声品质预测模型。
进一步的,所述声品质预测模块的建立步骤中心理声学客观参量包括响度、粗糙度、波动度、音调度、A计权声压级。
上述方案中,所述声品质敏感频带的识别步骤具体为:
设计带阻滤波器(BSF);
以每个噪声样本bark尺度带宽为带阻滤波器的带宽;
利用带阻滤波器对噪声样本进行滤波,得到滤波后的噪声样本;
利用电机声品质预测模型,分别计算得到滤波前后的噪声样本声品质S1和S2;
计算每个频带的敏感度系数Sensitivity coefficient:
若敏感度系数大于0,则认为该频带与电机声品质呈正相关;
比较每个频带的敏感度系数,敏感度系数较大的频带确定为敏感频带。
进一步的,所述带阻滤波器分别以覆盖人耳听阈的24临界频带为阻带上下截至频率。
进一步的,所述带阻滤波器采用海明窗法基于有限脉冲响应数字滤波器进行设计。
上述方案中,所述电机声品质的优化步骤具体为:
通过对电机受到的径向电磁力进行频谱分析,确定敏感频带对应的激励源,即电机的结构参数和控制参数;
所述结构参数包括定子齿槽形状、尺寸和转子磁极尺寸;
所述控制参数包括控制电压和电流大小;
对结构参数和控制参数进行优化。
一种实现所述基于声品质的驱动电机优化方法的系统,其特征在于,包括信号采集模块、声品质预测模块、声品质敏感频带识别模块和优化模块;
所述信号采集模块用于采集电机噪声样本;
所述声品质预测模块用于对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
所述声品质敏感频带识别模块用于确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;
所述优化模块用于分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
上述方案中,所述信号采集模块包括麦克风传感器和扭矩传感器;
所述麦克风传感器用于采集噪声信号;所述扭矩传感器用于采集电机的扭矩。
与现有技术相比,本发明的有益效果是:本发明以声品质为电机噪声评价指标,能够反映人对电机噪声的主观感受,更加符合人耳对电机噪声的听觉感受;本发明利用带阻滤波器来识别电机噪声敏感频带,能够更加准确有效地改善电机声品质;本发明对结构参数和控制参数进行优化,在不影响电机其他性能的前提下,达到改善电机声品质的优化目标。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一实施方式的结构框图;
图2为本发明一实施方式的实施流程图;
图3为本发明一实施方式声品质预测模块中GA-BP神经网络的工作原理图;
图4为本发明一实施方式识别敏感频带流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
图1所示为本发明所述基于声品质的驱动电机优化系统的一种较佳实施方式,所述基于声品质的驱动电机优化系统包括信号采集模块、声品质预测模块、声品质敏感频带识别模块和优化模块;
所述信号采集模块用于采集不同转速、不同转矩的电机噪声样本;
所述声品质预测模块用于对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
所述声品质敏感频带识别模块用于确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;
所述优化模块用于分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
根据本实施例,优选的,所述信号采集模块包括麦克风传感器和扭矩传感器;所述麦克风传感器用于采集噪声信号;所述扭矩传感器用于采集电机的扭矩。优选的,信号采集模块在负载扭矩为0、50、100N.m,电机转速为0-6000rpm条件下采集得到60组电机噪声样本。
本发明所述基于声品质的驱动电机优化方法包括以下步骤:
噪声信号采集:采集电机噪声样本;
声品质预测模块的建立:对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
声品质敏感频带的识别:确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;
电机声品质的优化:分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
根据本实施例,优选的,所述噪声信号采集步骤中,采集不同转速、不同转矩的电机噪声样本。
根据本实施例,优选的,所述声品质预测模块的建立步骤具体为,如图2所示:
对采集得到的噪声样本进行主观评价试验和心理声学客观参量计算,利用GA遗传算法和BP神经网络将主观评价试验结果和心理声学客观参量关联,对主观评价分值和心理声学客观参量进行相关性分析,选取相关性较强的心理声学客观参量建立电机声品质预测模型。
所述声品质预测模块的建立步骤中心理声学客观参量包括响度、粗糙度、波动度、音调度、A计权声压级。
图3所示为声品质预测模块的声品质预测模型所用的GA-BP神经网络的工作原理图,其中,遗传算法(GA)是用于优化BP神经网络的初始权值和阈值。由于BP神经网络需要一定的样本进行训练后才可以预测,所以在建立预测模型前要进行主观评价和心理声学参数计算。
主观评价:将主观烦恼度作为声品质评价指标,采用等级评分法,进行主观评价试验,具体打分如下表:
非常坏 | 坏 | 很差 | 差 | 不满意 | 可接受 | 满意 | 较好 | 好 | 很好 | 极好 |
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
使用SPSS统计分析软件对评分结果进行相关性分析,剔除与其他评价结果的相关系数较低的评价值。
客观评价:常见的心理声学客观参量有响度、粗糙度、波动度、尖锐度、音调度、语义清晰度、A计权声压级等
响度计算(Zwicker模型):
其中:N′为临界频带的特征响度,ETQ为听阈下的激励,E0为参考声压所对应的激励,N为总体响度;
尖锐度模型:
其中:S为尖锐度,k为加权系数,一般取0.11,g(Z)为不同Bark域内的权重系数函数,N‘为临界频带的特征响度,N为总体响度;
粗糙度模型:
其中:R为粗糙度,ΔLE为掩蔽深度,N′max为第z个临界频带内的最大特征响度,N′min为第z个临界频带内的最小特征响度;
波动度计算模型:
其中,F为波动度,ΔLE为掩蔽深度,计算公式同上,fmod为调制频率,f0为调制基频,取4Hz。
首先,使用SPSS软件根据Pearson系数对心理声学客观参量与主观评价分值进行线性相关分析,计算相关系数。
Pearson系数:
其中,n为样本数,xi、yi代表样本观测值,i为样本序号。
以响度与主观评价分值相关性计算为例:
其中,N为响度,S为主观评价分值,Ni、Si分别代表第i组噪声样本的响度和主观评价分值。
Pearson相关系数的绝对值越大,相关性越强。相关系数越接近于1,相关度越强,相关系数越接近于0,相关度越弱。
通常情况下通过以下取值范围判断变量的相关强度:
根据相关系数大小,选择与主观烦恼度相关性较大的心理声学客观参量,包括响度、粗糙度、波动度、音调度、A计权声压级参与到下一步的电机声品质评价模型的建立。
利用Matlab软件建立GA-BP神经网络模型,然后进行数据训练并设置相关神经元权重系数。
如图3所示,首先,确定三层神经网络结构,确定初始BP神经网络结构的权值和阈值。利用GA算法对初始值进行编码,产生初始种群。计算适应度函数和个体适应度,若达到循环200次要求,则输出权值和阈值,否则变异产生新物种重新计算适应度函数和个体适应度。按BP算法训练网络使精度达到10-4,即可得到基于遗传算法的BP神经网络。
分析前已经采集得到60组不同转速、不同转矩的电机噪声样本,以其中50组样本数据进行神经网络训练,10组样本数据对所建立模型误差进行检验。将包括响度、粗糙度、波动度、音调度、A计权声压级值和主观评价结果输入到GA-BP神经网络模型,得到电机声品质评价模型。
建立BP神经网络模型:
(1)确定各层节点数
构建三层神经网络模型,输入层为5个客观参量,即输入层节点数为n=5,输出层为电机声品质主观评价分值,即输入层节点数为l=1;隐含层节点数m的选取没有最优的选取方式,可遵照如下经验公式确定
其中,α为[1-10]区间内的常数
由以上公式计算取整得出隐含层神经元个数m初始值分别为4、5、6、7、8、9、10、11、12、13。通常采用试凑法来确定m的值,初始值从4开始逐渐增加来对网络进行训练,通过对比均方误差和相关系数来寻找最佳的隐含层节点个数。
(2)样本归一化
对于输入的5个心理声学客观参量,它们的单位以及量纲都是不同的,因此为了与主观评价分值相统一,需要进行归一化处理。公式如下:
其中:x表示需要进行归一化处理的心理声学客观参量数值;xi为第i组样本的心理声学客观参量数值,xmin为全部样本心理声学客观参量的最小值,xmax为全部样本心理声学客观参量的最大值。
传递与误差函数:
BP神经网络的传递函数常用的有三种,其函数表达式如下
purelin(n)=n
其中,n表示输入层节点数。
对于隐含层的传递函数取tansig,考虑到本试验中输出层仅有一个神经元的特点,所以输出层传递函数选purelin,误差函数选MSE。
GA遗传算法优化BP神经网络:
(1)确定变异概率
变异概率是遗传算法中的一个重要参数,它对算法的收敛性、最终解的性能有重要影响。通常,变异概率较大会影响算法的收敛性,因此在实际应用研究中变异概率的取值都较小,变异概率的取值一般在[0.001,0.01]之间。考虑到网络结构和数据特点,变异概率确定为0.005。
(2)确定种群大小
实际应用研究中种群个数的取值一般为几十到几百之间,考虑到计算机的计算速度,暂定种群大小取50个。
(3)训练遗传算法
进行遗传算法训练前对输入、输出变量的数值进行归一化处理,这样可以大大减少计算量,提高训练效率和精度。
将经过归一化处理的数据带入神经网络模型,训练次数为100次。
根据本实施例,优选的,如图4所示,所述声品质敏感频带的识别步骤具体为:
设计带阻滤波器(BSF);
以每个噪声样本bark尺度带宽为带阻滤波器的带宽;
利用带阻滤波器对噪声样本进行滤波,得到滤波后的噪声样本;
利用电机声品质预测模型,分别计算得到滤波前后的噪声样本声品质S1和S2;
计算每个频带的敏感度系数Sensitivity coefficient:
若敏感度系数大于0,则认为该频带与电机声品质呈正相关;
比较每个频带的敏感度系数,敏感度系数较大的频带确定为敏感频带。
所述声品质敏感频带识别模块中的所述带阻滤波器采用海明窗法基于有限脉冲响应数字滤波器进行设计。
所述带阻滤波器分别以覆盖人耳听阈的24临界频带为阻带上下截至频率。所述带阻滤波器设计流程包括:首先,人耳听阈为20-20000HZ,由于人耳对不同频率声音敏感度不同,所以以24个临界频带来划分人耳听阈范围。以第一个临界频带20-100HZ为例,确定所设计带阻滤波器下截至频率为20HZ,上截至频率为100HZ。然后,基于海明窗法设计FIR滤波器,得到所需带阻滤波器。分别以每个临界频带贷款为滤波器带宽,经过24次滤波,每个初始噪声样本可以得到24个滤波样本。
所述电机声品质的优化步骤具体为:
通过对电机受到的径向电磁力进行频谱分析,确定敏感频带对应的激励源,即电机的结构参数和控制参数;
所述结构参数包括定子齿槽形状、尺寸和转子磁极尺寸;
所述控制参数包括控制电压和电流大小;
对结构参数和控制参数进行优化。
所述优化模块,通过对电机受到的径向电磁力进行频谱分析,可以确定敏感频带对应的激励源,即电机的结构参数和控制参数。结构参数主要包括定子齿槽形状、尺寸和转子磁极尺寸等参数,控制参数主要包括控制电压和电流大小。对相应的结构参数和控制参数进行更改,以达到改善电机声品质的目的。例如,若判断1080HZ-1270HZ频段为电机声品质敏感频带,通过频谱分析和模态分析,发现转子径向2阶模态频率为1127HZ,考虑改变转子斜极的分布和倾斜角度。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于声品质的驱动电机优化方法,其特征在于,包括以下步骤:
噪声信号采集:采集电机噪声样本;
声品质预测模块的建立:对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
声品质敏感频带的识别:确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带,所述声品质敏感频带的识别步骤具体为:设计带阻滤波器(BSF),所述带阻滤波器分别以覆盖人耳听阈的24临界频带为阻带上下截至频率;以每个噪声样本bark尺度带宽为带阻滤波器的带宽;利用带阻滤波器对噪声样本进行滤波,得到滤波后的噪声样本;利用电机声品质预测模型,分别计算得到滤波前后的噪声样本声品质S1和S2;计算每个频带的敏感度系数Sensitivity coefficient:
若敏感度系数大于0,则认为该频带与电机声品质呈正相关;
比较每个频带的敏感度系数,敏感度系数较大的频带确定为敏感频带;
电机声品质的优化:分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
2.根据权利要求1所述的基于声品质的驱动电机优化方法,其特征在于,所述噪声信号采集步骤中,采集不同转速、不同转矩的电机噪声样本。
3.根据权利要求1所述的基于声品质的驱动电机优化方法,其特征在于,所述声品质预测模块的建立步骤具体为:
对采集得到的噪声样本进行主观评价试验和心理声学客观参量计算,利用GA遗传算法和BP神经网络将主观评价试验结果和心理声学客观参量关联,对主观评价分值和心理声学客观参量进行相关性分析,选取相关性较强的心理声学客观参量建立电机声品质预测模型。
4.根据权利要求3所述的基于声品质的驱动电机优化方法,其特征在于,所述声品质预测模块的建立步骤中心理声学客观参量包括响度、粗糙度、波动度、音调度、A计权声压级。
5.根据权利要求1所述的基于声品质的驱动电机优化方法,其特征在于,所述带阻滤波器采用海明窗法基于有限脉冲响应数字滤波器进行设计。
6.根据权利要求1所述的基于声品质的驱动电机优化方法,其特征在于,所述电机声品质的优化步骤具体为:
通过对电机受到的径向电磁力进行频谱分析,确定敏感频带对应的激励源,即电机的结构参数和控制参数;
所述结构参数包括定子齿槽形状、尺寸和转子磁极尺寸;
所述控制参数包括控制电压和电流大小;
对结构参数和控制参数进行优化。
7.一种实现权利要求1-6任意一项所述基于声品质的驱动电机优化方法的系统,其特征在于,包括信号采集模块、声品质预测模块、声品质敏感频带识别模块和优化模块;
所述信号采集模块用于采集电机噪声样本;
所述声品质预测模块用于对采集到的电机噪声样本进行主观评价和心理声学客观参量计算,建立电机声品质预测模型;
所述声品质敏感频带识别模块用于确定与电机声品质呈正相关的频带,分析计算每个频带的敏感度系数,确定电机声品质敏感频带;
所述优化模块用于分析电机声品质敏感频带对应的激励源,即电机的结构参数和控制参数,对电机结构参数和控制参数进行优化,以改善电机声品质。
8.根据权利要求7所述的基于声品质的驱动电机优化方法的系统,其特征在于,所述信号采集模块包括麦克风传感器和扭矩传感器;
所述麦克风传感器用于采集噪声信号;所述扭矩传感器用于采集电机的扭矩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403956.5A CN111064327B (zh) | 2019-12-31 | 2019-12-31 | 一种基于声品质的驱动电机优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911403956.5A CN111064327B (zh) | 2019-12-31 | 2019-12-31 | 一种基于声品质的驱动电机优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111064327A CN111064327A (zh) | 2020-04-24 |
CN111064327B true CN111064327B (zh) | 2021-06-18 |
Family
ID=70305147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911403956.5A Active CN111064327B (zh) | 2019-12-31 | 2019-12-31 | 一种基于声品质的驱动电机优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111064327B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111982274B (zh) * | 2020-07-22 | 2022-09-09 | 江苏大学 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
CN111985788A (zh) * | 2020-07-29 | 2020-11-24 | 中国第一汽车股份有限公司 | 汽车电器件声品质测试评价方法 |
CN113053350B (zh) * | 2021-03-14 | 2023-11-17 | 西北工业大学 | 一种基于噪声主观评价抑制的有源控制误差滤波器设计方法 |
CN113299261B (zh) * | 2021-05-21 | 2023-10-20 | 北京安声浩朗科技有限公司 | 主动降噪方法、装置、耳机、电子设备及可读存储介质 |
CN113421539B (zh) * | 2021-07-19 | 2023-10-10 | 北京安声浩朗科技有限公司 | 主动降噪方法、装置、电子设备及计算机可读存储介质 |
CN113686584A (zh) * | 2021-08-13 | 2021-11-23 | 潍柴动力股份有限公司 | 发动机怠速声品质优化方法、系统以及发动机 |
AT525967B1 (de) * | 2022-04-26 | 2023-10-15 | Avl List Gmbh | Verfahren und System zum Ermitteln von Daten von hör- und/oder spürbaren Schwingungen eines Elektromotors eines elektrischen Antriebssystems eines Kraftfahrzeugs |
AT525968B1 (de) * | 2022-04-26 | 2023-10-15 | Avl List Gmbh | Verfahren und System zum Bewerten eines Elektromotors eines elektrischen Antriebssystems eines Kraftfahrzeugs hinsichtlich seiner im Betrieb hör- und/oder spürbaren Schwingungen |
CN117407650B (zh) * | 2023-12-13 | 2024-04-09 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种驱动电机系统噪声品质等级评价方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0361150B1 (de) * | 1988-09-30 | 1994-12-14 | Siemens Aktiengesellschaft | Verfahren zum synchronisierten Umtasten eines Polarisationszustandes eines optischen Sendesignals eines optischen Übertragungssystems mit Überlagerungsempfang und Vorrichtung zur Durchführung des Verfahrens |
US5177560A (en) * | 1991-11-06 | 1993-01-05 | Hewlett-Packard Company | Optical spectrum analyzer having adjustable sensitivity |
ATE460007T1 (de) * | 1999-09-01 | 2010-03-15 | Qualcomm Inc | Breitbandresonanzschaltung für einen spannungsgesteuerter oszillator mit hoher geräuschimmunität |
CN101609667B (zh) * | 2009-07-22 | 2012-09-05 | 福州瑞芯微电子有限公司 | Pmp播放器中实现卡拉ok功能的方法 |
CN101672690A (zh) * | 2009-09-27 | 2010-03-17 | 吉林大学 | 基于听觉模型的车内噪声烦躁度客观量化评价方法 |
CN102790941A (zh) * | 2012-07-27 | 2012-11-21 | 东华大学 | 一种车用喇叭系统 |
CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
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 |
CN106112697B (zh) * | 2016-07-15 | 2018-07-17 | 西安交通大学 | 一种基于3σ准则的铣削颤振自动报警阈值设定方法 |
CN106933146B (zh) * | 2017-03-14 | 2023-04-14 | 吉林大学 | 电动轿车行人警示音控制方法 |
CN109211570A (zh) * | 2018-11-12 | 2019-01-15 | 吉林大学 | 一种电驱动动力总成系统噪声源分离识别方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
-
2019
- 2019-12-31 CN CN201911403956.5A patent/CN111064327B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111064327A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111064327B (zh) | 一种基于声品质的驱动电机优化方法及系统 | |
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 | |
Ma et al. | Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model | |
CN108827452B (zh) | 一种永磁同步轮毂电机的噪声评价方法 | |
CN109747575B (zh) | 一种基于阶次优化的多模式车内声品质优化系统 | |
CN1879449A (zh) | 助听器和减少噪声的方法 | |
CN101231847B (zh) | 一种结构振动噪声主动控制方法及其装置 | |
Ma et al. | Sound quality evaluation of noise of hub permanent-magnet synchronous motors for electric vehicles | |
CN108490349A (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
CN111653289B (zh) | 一种回放语音检测方法 | |
CN103471709A (zh) | 乘用车车内噪声声品质预测方法 | |
CN106568501B (zh) | 低噪声产品的声品质客观参量近场检测方法 | |
CN112653980B (zh) | 一种智能助听器交互式自验配方法 | |
CN108357445A (zh) | 车内掩蔽声品质自适应控制系统和方法 | |
Ma et al. | A novel sound quality evaluation method of the diagnosis of abnormal noise in interior permanent-magnet synchronous motors for electric vehicles | |
CN108461078B (zh) | 电机高频噪声的掩蔽方法和装置 | |
CN106303874A (zh) | 一种数字助听器的自适应验配方法 | |
CN110751959A (zh) | 一种汽车噪声不舒适度评价方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN113343384B (zh) | 一种变速器变转速工况下声品质主客观评价方法 | |
CN116390013A (zh) | 一种基于神经网络深度学习的助听器自验配的方法 | |
CN110503937B (zh) | 一种声品质优化系统及其方法 | |
CN116933620A (zh) | 一种噪声品质评价及模型搭建方法 | |
CN114358321A (zh) | 一种电机异响机器学习检测方法 | |
WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |