CN111307274A - 基于大数据信息诊断问题噪声源的方法及装置 - Google Patents
基于大数据信息诊断问题噪声源的方法及装置 Download PDFInfo
- Publication number
- CN111307274A CN111307274A CN201911156136.0A CN201911156136A CN111307274A CN 111307274 A CN111307274 A CN 111307274A CN 201911156136 A CN201911156136 A CN 201911156136A CN 111307274 A CN111307274 A CN 111307274A
- Authority
- CN
- China
- Prior art keywords
- noise
- diagnosing
- problematic
- vehicle
- data
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
- G07C5/06—Registering or indicating driving, working, idle, or waiting time only in graphical form
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/30—Sensors
- B60Y2400/304—Acceleration sensors
- B60Y2400/3044—Vibration sensors
-
- 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
- G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
- G01H1/06—Frequency
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45018—Car, auto, vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Abstract
本发明涉及基于大数据信息诊断问题噪声源的方法及装置。一种基于大数据信息诊断问题噪声源的方法包括:通过利用实时噪声测量装置来测量车辆的动力传动系的噪声数据,并将该噪声数据转换为能够通过接口装置输入至用于诊断问题噪声源的便携式装置的信号;通过人工智能的深度学习算法对转换后的信号进行噪声分析,并诊断作为噪声成因的问题噪声源;通过输出诊断结果作为问题噪声源来显示噪声成因,并将诊断结果发送到便携式装置。
Description
技术领域
本发明涉及这样一种技术,该技术基于大数据信息,通过基于深度学习的人工智能来诊断车辆噪声的问题噪声源,特别是非典型噪声,例如动力传动系的噪声。
背景技术
车辆由组装在一起的许多部件组成。在组装的部件中,车辆的动力系统具有固有的噪声和振动特性。
然而,由部件的组合产生的噪声信息是巨大的。此外,正常情况下的工作噪声和异常情况下出现的问题噪声表现不同。如果出现任何问题噪声,则车辆可能处于异常状态。
仅基于具有非常复杂的结构的车辆产生的问题噪声信息,难以确定车辆的哪一部分被损坏。
例如,对于车辆的动力传动系,很难找到出现问题噪声的区域。这是因为车辆的这种问题噪声非典型地发生。
因此,噪声专家已经通过声音检测的评估来诊断噪声,并根据他们过去的经验找到了问题噪声源。但是,即使多个噪声专家使用了传感器或其他测试条件,执行这种诊断也需要花费较长的时间。此外,难以正确地诊断出问题噪声源。
近来,已经努力利用噪声数据来寻找问题噪声源,但是没有适当的解决方案。
特别地,不存在利用噪声数据来找到问题噪声源的便携式装置。
发明内容
本发明的目的是提供一种基于大数据信息来诊断问题噪声源以识别问题噪声源的方法和装置,所述方法和装置利用人工智能技术使噪声数据按类型积累的噪声大数据的资产价值最大。
可以通过以下描述来理解本发明的其他目的和优点,并且参照本发明的实施方案,本发明的其他目的和优点将变得更加明显。本发明所属技术领域的技术人员将明了,本发明的目的和优点可以通过所要求保护的装置和所述装置的组合来实现。
根据本发明的一个方面,一种基于大数据信息诊断问题噪声源的方法包括:通过利用实时噪声测量装置来测量车辆的动力传动系的噪声数据,并将该噪声数据转换为能够通过接口装置输入至便携式装置的信号;通过人工智能的深度学习算法对转换后的信号进行噪声分析,并诊断作为噪声成因的问题噪声源;通过输出诊断结果作为问题噪声源来显示成因,并将诊断结果发送到便携式装置。
根据本发明的另一方面,一种基于大数据信息诊断问题噪声源的方法包括:获取车辆的噪声或振动数据,将噪声或振动数据转换为噪声,然后将噪声转换为第一编码;将车辆的控制器局域网(CAN)数据中出现的发动机转速信息转换为第一编码;通过人工智能的深度学习,基于第一编码诊断问题噪声源。
通过麦克风获取噪声数据,通过振动传感器获取振动数据。
双向方法和门控循环单元(GRU)技术应用于人工智能的深度学习。
注意机制技术应用于人工智能的深度学习。
早期集成学习技术应用于人工智能的深度学习。
人工智能通过便携式装置输出诊断问题噪声源的结果,并配置为能够再现声音以用于识别。
根据本发明的另一方面,一种基于大数据信息诊断问题噪声源的方法包括:准备车辆外部的外部存储数据;获取车辆外部的外部存储数据,并通过重采样将获取的数据转换为第二编码;通过人工智能的深度学习,根据第二编码从噪声或振动中诊断问题噪声源。
重采样的频率是问题噪声的最大频率的两倍。
双向方法和门控循环单元(GRU)技术应用于人工智能的深度学习。
注意机制技术应用于人工智能的深度学习。
早期集成学习技术应用于人工智能的深度学习。
人工智能通过便携式装置输出诊断问题噪声源的结果,并能够再现声音以用于识别。
通过蓝牙将车辆外部的外部存储数据传送为车辆的CAN数据。
根据本发明的另一个方面,一种基于大数据信息诊断问题噪声源的装置包括:麦克风,其用于测量车辆的噪声;振动传感器,其用于获取车辆的振动数据;控制器局域网(CAN)模块,其用于获取车辆的发动机转速;以及控制器,其用于将关于噪声、振动和发动机转速的数据转换为编码,并从人工智能接收诊断结果,其中,所述人工智能通过深度学习,基于所述编码来诊断问题噪声源。
根据本发明的又一方面,一种基于大数据信息诊断问题噪声源的装置包括:输入数据采集器,其用于收集输入数据;控制器,其用于将数据转换为编码并从人工智能接收诊断结果;以及问题噪声诊断单元,其用于通过人工智能的深度学习,基于所述编码来诊断问题噪声源;所述输入数据采集器包括:麦克风,其用于测量车辆的噪声;振动传感器,其用于获取车辆的振动数据;控制器局域网(CAN)模块,其用于获取车辆的发动机转速;以及存储器,其用于存储来自噪声、振动和发动机转速的数据中的问题噪声区域,其中,输入数据采集器和问题噪声诊断单元能够彼此分开。
本发明实施方案的有益效果如下:
首先,考虑到动力传动系的复杂噪声源与问题噪声源混合在一起这一点,作为能够输出关于以随机方式从1到n阶输入的噪声源的诊断结果的多诊断系统的构思,甚至可以诊断出较弱地展示其特征的问题噪声源。
其次,当产生基于关于问题噪声的大数据学习的模型时,可以以随机的方式精确地诊断动力传动系或车辆的复杂且非典型的噪声。
第三,可以在很短的时间内诊断出准确的问题噪声源。
第四,利用GRU、深度神经网络(DNN)、注意机制和早期集成学习算法,可以防止过去的时间内的数据丢失。
第五,由于将注意机制技术应用于进一步赋予学习数据的重要部分的权重,因此可以针对非典型噪声建立准确的学习模型。
第六,可以有效地改善人(专业工程师)进行数据分析和判断所需的工作量。
应理解的是,本申请的以上一般描述和以下具体描述为示例性和说明性的并且旨在进一步解释要求保护的本申请。
附图说明
结合附图,通过接下来的详细描述,将更清楚地理解本发明的上述和其他目标、特征和其他优点,其中:
图1是示出根据本发明示例性实施方案的基于大数据信息诊断问题噪声源的方法的总体流程的流程图;
图2是示出根据本发明示例性实施方案的算法图;以及
图3是示出本发明的另一示例性实施方案的示意图,其中输入数据采集器和问题噪声诊断单元可以彼此分开。
具体实施方式
本发明可以以许多改变的形式来实现并且具有多种实施方案。因此,示例性的具体实施方案在附图中示出并且在以下描述中详细描述。然而,本文中的公开内容并非旨在将本发明内容限制为具体实施方案,并且应理解为覆盖落入本发明内容的精神和范围内的所有修改形式、等同形式和替换形式。
在整个附图和参考附图的描述中,相似的附图标记用于指代相似的元件。
尽管“第一”、“第二”等术语可以在本文中用来描述各种部件,但是这些部件不应该受到这些术语的限制。这些术语仅用于区分一个元件和另一个元件。
例如,第一组件可以称为第二组件,相似地,第二组件可以称为第一组件,而不偏离本发明的范围。术语“和/或”包括多个相关列出项的所有组合或其中的任何一个。
除非另外定义,否则包括技术或科学术语的所有术语具有与本发明所属领域的普通技术人员通常理解的相同含义。
与常用词典中定义的术语相同的术语应解释为包括与现有技术背景中的含义一致的含义,并且除非本文明确地另外定义,否则不应将其解释为理想或过于正式的含义。
在下文中,描述了根据本发明的示例性实施方案的基于大数据信息诊断问题噪声源的方法。
首先,参考图1描述了根据本发明的基于大数据信息诊断问题噪声源的方法。
图1是示出根据本发明示例性实施方案的基于大数据信息诊断问题噪声源的方法的总体流程的流程图。
图2是根据本发明示例性实施方案的用于诊断问题噪声源的装置的算法图。
在步骤S1,首先由输入数据采集器100输入车辆的噪声和振动数据。
在步骤S2,通过便携式装置的控制器将车辆的噪声或振动数据转换为噪声,然后将该噪声转换为第一编码。
然后,在步骤S3,通过控制器将从车辆的CAN数据中出现的发动机转速的信息转换为第一编码。
之后,在步骤S4,通过人工智能的深度学习,基于第一编码来诊断噪声或振动中的问题噪声源。
首先描述本发明的示例性实施方案。
图2是根据本发明示例性实施方案的控制逻辑。用于根据示例性实施方案的控制逻辑的诊断车辆1的问题噪声源的装置包括:输入数据采集器100、外部数据存储装置200、便携式装置300(例如,智能电话和笔记本电脑)和人工智能420。
输入数据采集器100包括:振动传感器111、麦克风112和控制器局域网(CAN)模块113。外部数据存储装置200包括存储器201和云网络202。
用于诊断问题噪声的便携式装置300包括控制器300-1和问题噪声诊断单元310。控制器300-1包括:集成电路压电(ICP)放大器321、模拟/数字(AD)板322、重采样单元323、CAN处理单元324、每分钟转数(RPM)信息单元325、噪声转换器326、第一ASCII转换单元327、第二ASCII转换单元328、显示单元421和声音再现单元422。问题噪声诊断单元310可以是诸如计算机的处理器、中央处理单元(CPU)等。
人工智能420执行深度学习。深度学习包括:双向方法、门控循环单元(GatedRecurrent Unit,GRU)、循环神经网络、注意机制、双向RNN(GRU)和早期集成,它们中的每一个在本领域中都是已知的,因此在此省略其详细描述。
根据本发明示例性实施方案的算法通常遵循以下过程。
噪声数据可以通过麦克风112实时获取,而振动数据可以通过振动传感器111获取。
振动传感器111可以是加速度计传感器。
可以设置一个或更多个麦克风112。
ICP放大器321连接到振动传感器111和麦克风112。ICP放大器321放大从振动传感器111输入的振动数据和从麦克风112输入的噪声数据,并将放大的噪声和振动数据发送到AD板322。
AD板322是AD转换器,其将模拟信号的噪声数据和振动数据转换为能够学习人工智能的数字形式的信号。
噪声转换器326连接到AD板322。
CAN模块113连接到控制器300-1的CAN处理单元324。CAN模块113是用于测量车辆和动力传动系的运行状况的模块,其发送数字信号。
这些噪声数据、振动数据和CAN数据都在第一ASCII转换单元327和第二ASCII转换单元328中转换成第一信号形式。
换句话说,CAN处理单元324将从CAN模块113输入的数据的RPM信息输出到ASCII转换单元327。
另一方面,噪声数据和振动数据经由噪声转换器326发送到第二ASCII转换单元328。
此时,重采样单元323对从外部数据存储装置200输入的频率进行两次采样,并将采样频率发送至第一ASCII转换单元327。
在第一ASCII转换单元327和第二ASCII转换单元328中转换的第一信号输入到人工智能420,然后人工智能420从噪声或振动中诊断问题噪声源。
可以通过显示单元421在视觉上提供诊断结果,并且可以在听觉上提供由于将问题噪声施加到声音再现单元422中的带通滤波器(BPF)而产生的结果。
另一方面,人工智能可以通过便携式装置300的问题噪声诊断单元310输出诊断问题噪声源的结果,并且能够再现声音以用于识别。
便携式装置300是指控制器300-1和问题噪声诊断单元310。
在下文中,描述了本发明的另一示例性实施方案。
图3是根据本发明的另一示例性实施方案的控制逻辑,其中输入数据采集器100和问题噪声诊断单元320可以彼此分开。
用于根据示例性实施方案的控制逻辑的诊断车辆1的问题噪声源的装置包括:输入数据采集器100、外部数据存储装置200、便携式装置300和人工智能420。在这种情况下,便携式装置300能够驱动Windows 10、人工智能专用程序和MATLAB/Labview。
输入数据采集器100可以包括:麦克风112、振动传感器111、CAN模块113、ICP放大器321、AD板322和重采样单元323;麦克风112用于测量车辆的噪声;振动传感器111用于获取车辆的振动数据;重采样单元323用于获取车辆的发动机转速。
外部数据存储装置200包括存储器201和云网络202。存储器201存储来自噪声、振动和发动机转速数据的问题噪声区域。
便携式装置300包括控制器300-1和问题噪声诊断单元320。控制器300-1包括:RPM信息单元325、第一ASCII转换单元327、第二ASCII转换单元328、显示单元421、声音再现单元422和人工智能420。
控制器300-1将数据转换为编码并从人工智能420接收诊断结果。
问题噪声诊断单元320通过人工智能420的深度学习,基于编码从噪声、振动和发动机转速中诊断问题噪声源。
输入数据采集器100和问题噪声诊断单元320或控制器300-1或便携式装置300可以彼此分开。
根据本发明的另一示例性实施方案的算法通常遵循以下过程。
准备车辆外部的外部存储数据200。
获取车辆外部的外部存储数据200并通过在重采样单元323处进行重采样,在第一ASCII转换单元327和第二ASCII转换单元328处将其转换为第二编码。
此时,重采样的频率可以是问题噪声的最大频率的两倍。
换句话说,由于重采样对于预处理输入数据是必需的,因此可以执行重采样,使得重采样的频率是问题噪声的频带的两倍。
例如,在诊断出低于16kHz的问题噪声时,将重采样的频率设置为32kHz。
另一方面,可以通过蓝牙将车辆外部的外部存储数据200传送为车辆的CAN模块113的车辆CAN数据。
人工智能420基于在第一ASCII转换单元327和第二ASCII转换单元328处通过深度学习转换的第二编码,从噪声或振动中诊断问题噪声源。
问题噪声诊断单元320可以包括显示单元421或声音再现单元422中的至少一个。
人工智能420可以在视觉上将对问题噪声源的诊断结果输出到显示单元421,并且在声音再现单元422中再现声音以用于识别。
更具体地,麦克风112测量车辆的噪声。
振动传感器111获取振动数据。
CAN模块113获取车辆的发动机转速(RPM)。
控制器300-1连接到麦克风112、振动传感器111和CAN模块113以接收相应的数据。
控制器300-1将输入数据转换为编码,并从人工智能420接收诊断结果。
人工智能420通过深度学习,基于编码从噪声、振动和发动机转速中诊断问题噪声源。
在这种情况下,可以利用存储器201。
外部数据存储装置200的存储器201是车辆外部的外部数据存储装置,其包含噪声、振动和发动机转速。
存储器201可以是SD存储卡、USB存储器或任何其他云共享存储器中的任何一种。
控制器300-1将从存储器201重采样的数据转换为编码,并从人工智能420接收诊断结果。
人工智能420可以通过深度学习,基于编码从噪声、振动和发动机转速中诊断问题噪声源。
另一方面,双向方法和门控循环单元(GRU)技术应用于人工智能420的深度学习。
GRU是指递归神经网络(RNN)技术中的一种,其中可以借助GRU来构建随时间变化的人工智能的学习模型。
此外,注意机制技术可以应用于人工智能420的深度学习。
注意机制技术可以用于改善过去的时间数据的信息丢失。
注意机制技术是指在时间轴上将权重赋予重要特征向量的学习技术。
换句话说,通过进一步赋予学习数据的重要部分的权重,注意机制技术可以建立关于非典型噪声的准确的学习模型。
在这种情况下,可以将注意机制技术与双向递归神经网络(RNN)(或GRU)结合使用。
此外,早期集成学习技术可以应用于人工智能的深度学习。
早期集成算法是一种加权学习技术,其强调作为GRU上位概念的RNN问题中过去的时间中的数据的重要性。
换句话说,早期集成技术可以用于将初始时间的权重和最终时间的权重平均分配以保持信息。
尽管参考具体实施方案对本发明进行了描述,但是本技术领域的技术人员将明了可以做各种改变和修改,而不偏离所附权利要求所限定的本发明的精神和范围。
Claims (15)
1.一种基于大数据信息诊断问题噪声源的方法,其包括:
通过利用实时噪声测量装置来测量车辆的动力传动系的噪声数据,并将该噪声数据转换为能够通过接口装置输入至用于诊断问题噪声源的便携式装置的信号;
通过人工智能的深度学习算法对转换后的信号进行噪声分析,并诊断作为噪声成因的问题噪声源;
通过输出诊断结果作为问题噪声源来显示噪声成因,并将诊断结果发送到便携式装置。
2.根据权利要求1所述的基于大数据信息诊断问题噪声源的方法,其中,通过麦克风获取噪声数据,通过振动传感器获取振动数据。
3.根据权利要求2所述的基于大数据信息诊断问题噪声源的方法,其中,双向方法和门控循环单元技术应用于深度学习算法。
4.根据权利要求3所述的基于大数据信息诊断问题噪声源的方法,其中,注意机制技术应用于深度学习算法。
5.根据权利要求3所述的基于大数据信息诊断问题噪声源的方法,其中,早期集成学习技术应用于深度学习算法。
6.根据权利要求5所述的基于大数据信息诊断问题噪声源的方法,其中,所述人工智能配置为再现声音以用于识别所述问题噪声源。
7.根据权利要求1所述的基于大数据信息诊断问题噪声源的方法,其中,车辆的噪声数据或振动数据从车辆外部的外部数据存储装置获取,并进行重采样。
8.根据权利要求7所述的基于大数据信息诊断问题噪声源的方法,其中,所述重采样的频率是问题噪声的最大频率的两倍。
9.根据权利要求8所述的基于大数据信息诊断问题噪声源的方法,其中,双向方法和门控循环单元技术应用于深度学习算法。
10.根据权利要求9所述的基于大数据信息诊断问题噪声源的方法,其中,注意机制技术应用于深度学习算法。
11.根据权利要求10所述的基于大数据信息诊断问题噪声源的方法,其中,早期集成学习技术应用于深度学习算法。
12.根据权利要求11所述的基于大数据信息诊断问题噪声源的方法,其中,所述人工智能配置为再现声音以用于识别所述问题噪声源。
13.根据权利要求7所述的基于大数据信息诊断问题噪声源的方法,其中,通过蓝牙将车辆外部的外部存储数据传送为车辆的控制器局域网数据。
14.一种基于大数据信息诊断问题噪声源的装置,其包括:
麦克风,其用于测量车辆的噪声;
振动传感器,其用于获取车辆的振动数据;
控制器局域网模块,其用于获取车辆的发动机转速;以及
控制器,其用于将关于车辆的噪声、振动和发动机转速的数据转换为编码,并从人工智能接收诊断结果,
其中,所述人工智能通过深度学习,基于所述编码来诊断问题噪声源。
15.一种基于大数据信息诊断问题噪声源的装置,其包括:
输入数据采集器,其用于收集输入数据,该输入数据采集器包括:
麦克风,其用于测量车辆的噪声;
振动传感器,其用于获取车辆的振动数据;
控制器局域网模块,其用于获取车辆的发动机转速;以及
存储器,其用于存储来自噪声、振动和发动机转速的数据中的问题噪声区域;
控制器,其用于将关于噪声、振动和发动机转速的数据转换为编码并从人工智能接收诊断结果;以及
问题噪声诊断单元,其用于通过人工智能的深度学习,基于所述编码来诊断问题噪声源,
其中,输入数据采集器和问题噪声诊断单元能够彼此分开。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180160084A KR20200075133A (ko) | 2018-12-12 | 2018-12-12 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
KR10-2018-0160084 | 2018-12-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111307274A true CN111307274A (zh) | 2020-06-19 |
Family
ID=68621118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911156136.0A Pending CN111307274A (zh) | 2018-12-12 | 2019-11-22 | 基于大数据信息诊断问题噪声源的方法及装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11521435B2 (zh) |
EP (1) | EP3667447A1 (zh) |
KR (1) | KR20200075133A (zh) |
CN (1) | CN111307274A (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580796B1 (en) * | 2019-09-12 | 2023-02-14 | United Services Automobile Association (Usaa) | Automatic problem detection from sounds |
JP2022100163A (ja) | 2020-12-23 | 2022-07-05 | トヨタ自動車株式会社 | 音源推定サーバ、音源推定システム、音源推定装置、音源推定方法 |
US20220300856A1 (en) * | 2021-03-19 | 2022-09-22 | Covid Cough, Inc. | Signal data signature classifiers trained with signal data signature libraries and a machine learning derived strategic blueprint |
KR20220155834A (ko) * | 2021-05-17 | 2022-11-24 | 현대자동차주식회사 | 장비 적용을 위한 ai 기반 진단 기술 자동화 방법 |
CN113791728B (zh) * | 2021-08-10 | 2023-03-24 | 广东省科学院智能制造研究所 | 一种工业声学智能感知系统 |
CN113791727B (zh) * | 2021-08-10 | 2023-03-24 | 广东省科学院智能制造研究所 | 一种应用于工业声学智能感知的边端采集设备 |
WO2023035009A1 (en) * | 2021-09-03 | 2023-03-09 | Continental Automotive Systems, Inc. | Data driven explainable method and system for predictive maintenance |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR960012078B1 (ko) | 1993-09-27 | 1996-09-12 | 만도기계 주식회사 | 자동차부품의 고장진단방법 |
KR20040003426A (ko) | 2002-07-03 | 2004-01-13 | 씨멘스 오토모티브 주식회사 | 인공지능형 통합 제어 유닛을 이용한 자기 진단 장치 |
US6925879B2 (en) * | 2003-09-30 | 2005-08-09 | Spx Corporation | Vibration analyzer and method |
US7225108B2 (en) * | 2004-12-06 | 2007-05-29 | Caterpillar Inc | Cross correlation diagnostics tool for vibration analysis |
US7487679B2 (en) * | 2005-05-10 | 2009-02-10 | Eaton Corporation | Vehicle vibration analyzer |
JP2013200143A (ja) | 2012-03-23 | 2013-10-03 | Mitsubishi Electric Corp | 異常音診断装置および異常音診断システム |
KR101371312B1 (ko) | 2012-04-25 | 2014-03-10 | 자동차부품연구원 | 자동차 고장 진단 시스템 |
GB2519704B (en) | 2013-04-26 | 2017-01-04 | Jaguar Land Rover Ltd | Vehicle diagnostics methods and apparatus |
WO2015179632A1 (en) * | 2014-05-22 | 2015-11-26 | Scheffler Lee J | Methods and systems for neural and cognitive processing |
US9824511B2 (en) * | 2015-09-11 | 2017-11-21 | GM Global Technology Operations LLC | Vehicle diagnosis based on vehicle sounds and vibrations |
KR20180029320A (ko) | 2016-09-12 | 2018-03-21 | 현대자동차주식회사 | 자동차 nvh 성능 개선 방법 |
KR101864860B1 (ko) | 2016-09-13 | 2018-06-05 | 오토시맨틱스 주식회사 | 딥러닝을 통한 자동차 상태 진단 방법 |
US10546434B2 (en) * | 2017-04-18 | 2020-01-28 | International Business Machines Corporation | Analyzing and classifying automobile sounds |
KR102324776B1 (ko) | 2017-10-16 | 2021-11-10 | 현대자동차주식회사 | 차량의 소음원인 진단방법 |
KR102474355B1 (ko) * | 2017-10-30 | 2022-12-05 | 현대자동차 주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
KR20200075148A (ko) * | 2018-12-13 | 2020-06-26 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
-
2018
- 2018-12-12 KR KR1020180160084A patent/KR20200075133A/ko not_active Application Discontinuation
-
2019
- 2019-11-12 EP EP19208486.1A patent/EP3667447A1/en active Pending
- 2019-11-13 US US16/682,449 patent/US11521435B2/en active Active
- 2019-11-22 CN CN201911156136.0A patent/CN111307274A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3667447A1 (en) | 2020-06-17 |
US11521435B2 (en) | 2022-12-06 |
US20200193735A1 (en) | 2020-06-18 |
KR20200075133A (ko) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307274A (zh) | 基于大数据信息诊断问题噪声源的方法及装置 | |
CN103871419B (zh) | 一种信息处理方法及电子设备 | |
JP2012120688A (ja) | 呼吸状態分析装置、呼吸状態表示装置およびそれらにおける処理方法ならびにプログラム | |
KR20200075148A (ko) | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 | |
CN102509010A (zh) | 一种远程医疗检测系统 | |
CN113436726B (zh) | 一种基于多任务分类的肺部病理音自动化分析方法 | |
CN113705096A (zh) | 基于小样本深度学习的一类冲击故障诊断 | |
Wei et al. | Intelligent fault diagnosis of rotating machinery using ICD and generalized composite multi-scale fuzzy entropy | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
Morello | Use of TEDS to improve performances of smart biomedical sensors and instrumentation | |
CN106908643A (zh) | 一种探头、示波器、运动识别系统及方法 | |
CN114739667A (zh) | 一种多模态信息融合轴承润滑状态监测装置及方法 | |
CN113001546B (zh) | 一种提高工业机器人运动速度安全性的方法及系统 | |
US20210271957A1 (en) | Anomaly detection using machine-learning based normal signal removing filter | |
CN114184270A (zh) | 一种设备振动数据处理方法、装置、设备及存储介质 | |
WO2020054725A1 (ja) | 診断装置及び診断方法 | |
JP2012228492A (ja) | 生体状態診断方法 | |
CN105395191A (zh) | 基于年龄段检测的人员生理状态检测装置 | |
CN112601490A (zh) | 用于产生指示心脏异常的信息的装置 | |
Rodrigues et al. | Stereotype movement recognition in children with ASD | |
JPH09502261A (ja) | 判断の可能な計測器 | |
CN110793615B (zh) | 风机振动状态检测方法、装置及配合端等效激励确定方法 | |
CN105433939A (zh) | 一种基于年龄段检测的人员生理状态检测方法 | |
Hao et al. | Motor Fault Diagnosis System Based on Single Chip Microcomputer and Artificial Intelligence | |
KR20230021077A (ko) | 생체 내 기능 장애 및 이벤트를 예측하기 위한 장치 및 방법 |
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 |