CN111325313A - 识别问题噪声源的噪声数据人工智能装置和预处理方法 - Google Patents

识别问题噪声源的噪声数据人工智能装置和预处理方法 Download PDF

Info

Publication number
CN111325313A
CN111325313A CN201911153630.1A CN201911153630A CN111325313A CN 111325313 A CN111325313 A CN 111325313A CN 201911153630 A CN201911153630 A CN 201911153630A CN 111325313 A CN111325313 A CN 111325313A
Authority
CN
China
Prior art keywords
noise
artificial intelligence
data
source
identifying
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
CN201911153630.1A
Other languages
English (en)
Inventor
李东喆
郑仁秀
张埈赫
鲁炅真
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.)
Hyundai Motor Co
Industry University Cooperation Foundation IUCF HYU
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors Corp
Industry University Cooperation Foundation IUCF HYU
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
Priority claimed from KR1020180160833A external-priority patent/KR102681637B1/ko
Application filed by Hyundai Motor Co, Kia Motors Corp, Industry University Cooperation Foundation IUCF HYU filed Critical Hyundai Motor Co
Publication of CN111325313A publication Critical patent/CN111325313A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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 TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/10—Applications
    • G10K2210/128—Vehicles
    • G10K2210/1282—Automobiles
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/30—Means
    • G10K2210/301—Computational
    • G10K2210/3028—Filtering, e.g. Kalman filters or special analogue or digital filters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

一种用于识别问题噪声的来源的噪声数据人工智能学习方法可以包括用于识别问题噪声来源的噪声数据预处理方法，该方法包括：在随时间采样的噪声中选择问题噪声的单位帧；将单位帧划分为N个片段；分析N个片段中每个片段的频率特性，并通过对数梅尔滤波器提取每个段的频率分量；通过平均N个片段的信息，将特征参数作为一个代表帧输出，其中，通过根据噪声数据预处理方法根据时间变化提取的特征参数进行的人工智能学习应用双向RNN。

Description

识别问题噪声源的噪声数据人工智能装置和预处理方法
技术领域
本发明涉及一种用于识别问题噪声源的噪声数据人工智能装置和预处理方法，例如，用于诸如车辆噪声，特别是动力传动系的噪音的不规则噪声的基于深度学习的人工智能问题噪声源诊断技术
背景技术
车辆是其中组装有许多零件的成品车身。
车辆的动力系统具有固有的噪声和振动特性。
然而，由许多零件的组合产生的噪声信息非常大。
该噪声不同于正常情况下的工作噪声和异常情况下的问题噪声。
当产生问题噪声时，车辆经常处于异常状态。
然而，仅通过使用由结构非常复杂的车辆产生的问题噪声信息来确定车辆的哪个部分有故障是非常困难的。
例如，在车辆的动力传动的情况下，很难找到发生问题噪声的区域。
这是因为车辆的问题噪声不规则地发生。
因此，通常，噪声专家通过声音评估来诊断问题噪声，并且根据他们过去的经验找到问题噪声的来源。
目前，即使许多噪声专家使用传感器或其他测试条件，也可能花费很长时间。
然而，很难准确地诊断出问题噪声的来源。
近来，已经努力通过使用噪声数据来寻找问题噪声的来源，但是没有适当的解决方案。
包括在本发明的背景技术部分中的信息仅用于增强对本发明的一般背景的理解，并且不能被视为对该信息形成了已经为本领域技术人员所知的现有技术的承认或任何形式的暗示。
发明内容
本发明的各个方面旨在提供一种用于识别问题噪声的来源的噪声数据人工智能装置和预处理方法，以通过使用人工智能技术，针对每种类型的噪声数据使累积的噪声大数据的资产价值最大化。
本发明包括用于识别问题噪声的来源的噪声数据人工智能学习方法，所述方法包括：用于识别问题噪声的来源的噪声数据预处理方法，包括：在随时间采样的噪声中选择问题噪声的单位帧；将所述单位帧(unit frame)划分为N个片段；分析N个片段中每个片段的频率特性，并通过应用对数梅尔滤波器提取每个片段的频率分量；和通过平均N个片段上的信息，将特征参数作为一个代表帧输出，其中，通过根据噪声数据预处理方法根据时间变化提取的特征参数进行的人工智能学习应用双向RNN。
此外，采样在问题频带的两倍的范围内采样。
此外，随着时间的单位帧和下一单位帧之间设置重叠。
此外，人工智能学习还被配置为应用深度神经网络(DNN)。
此外，人工智能学习还应用注意力机制。
此外，人工智能学习被配置为额外地应用早期集成算法(Early stage ensemblealgorithm)。
此外，当不断收集问题噪声学习数据的时间轴时，另外应用联合训练的RNNs算法的集成模型，该集成模型使用用于提高精度的时间频率图和发动机RPM频率图。
此外，在利用用于识别问题噪声的来源的噪声数据人工智能学习方法实现的噪声数据人工智能诊断装置中，通过该装置的输入装置直接测量车辆或动力传动的噪声，或者通过存储介质提供存储的噪声数据。
首先，有可能应用多诊断系统的概念，该多诊断系统被配置为在考虑动力传动中的复杂噪声来源的概率技术中来输出为从第1到第n的噪声来源输入的诊断结果，从而诊断具有低特性的问题噪声的来源。
其次，有可能基于动力传动问题噪声的大数据生成学习的模型，从而概率性地精确诊断复杂且不规则的动力传动噪声或车辆噪声。
第三，可以在非常短的时间内准确地诊断出问题噪声的来源。
第四，可以使用GRU、DNN、注意力机制和早期集成算法，以防止过去时间的数据丢失。
第五，可以通过应用注意力机制来额外地应用学习数据的重要部分的权重，从而准确地建立用于不规则噪声的学习模型。
第六，可以有效地提高人(专业工程师)进行数据分析和确定所需的工作。
本发明的方法和装置具有其他特征和优点，这些特征和优点将从附图或在附图中更详细地阐述或在附图中变得更加明显，所述附图和本文的以下详细描述一起用于解释某些特征。本发明的原理。
附图说明
图1是根据本发明示例性实施例的整个流程图。
图2示出了根据本发明示例性实施例的针对每种类型的噪声数据预处理。
图3示出了根据本发明示例性实施例的通过将任何噪声数据输入至人工智能学习模型来进行诊断的过程。
图4示出了根据本发明示例性实施例的在人工智能学习中使用的时间频率图。
图5示出了根据本发明示例性实施例的发动机RPM-频率图。
可以理解，附图不一定按比例绘制，其呈现了示出本发明的基本原理的各种特征的稍微简化的表示。包括例如特定尺寸、方向、位置和形状的如本文所包括的本发明的特定设计特征将部分地由特定预期的应用和使用环境来确定。
在附图中，在附图的所有的若干附图中，相同的附图标记指代本发明的相同或等同部分。
具体实施方式
现在将详细参考本发明的各个实施例，其示例在附图中示出并且在下文描述。尽管将结合本发明的示例性实施例描述本发明，但是应该理解，本说明书并不旨在将本发明限制于那些示例性实施例。另一方面，本发明旨在不仅覆盖本发明的示例性实施例，而且覆盖可以包括在如所附权利要求书所定义的本发明的精神和范围之内的各种替代、修改、等同形式和其他实施例。
可以根据本发明的各个方面进行各种修改并产生各种实施例，使得特定的实施例在附图中示出并且在说明书中详细描述。然而，可以理解的是，并不旨在将本发明限制为特定的包括形式，而是包括落入本发明的精神和技术范围内的所有修改、等同形式和替代形式。
在描述每个附图中，相同的附图标记用于相同的元件。
术语“第一”、“第二”等可以用于示出不同的组件，但是这些组件可以不受术语的限制。这些术语用于将一个元件与另一个元件区分开。
例如，在不脱离本发明的范围的情况下，第一组件可以被称为第二组件，并且类似地，第二组件也可以被称为第一组件。术语“和/或”包括多个相关列出的项目或多个相关列出的项目中的任何一个的组合。
除非另有定义，否则本文所使用的包括技术和科学术语在内的所有术语具有与本发明的示例性实施方式所属的本领域的普通技术人员通常所理解的相同的含义。
将进一步理解的是，诸如在常用词典中定义的那些术语，可以被附加地解释为具有与在相关技术的环境中的含义一致的含义，并且将不被理想化地解释或过于正式的意义，除非在申请中明确定义。
将描述本发明的用于识别问题噪声的来源的噪声数据预处理方法。
任何噪声是不知道与诊断所需的问题噪声的类型和来源有关的信息的噪声。
如稍后将描述的，本发明可以与任何噪声同时使用经测量的发动机RPM信息。
同时，如果需要，可以在没有发动机RPM信息的情况下通过使用任何噪声作为输入来诊断。
图1是根据本发明示例性实施例的整个流程图。在当前情况下，参考图2的噪声数据预处理设备100-1描述整个流程图。
首先，通过噪声数据预处理设备100-1的噪声数据输入单元110输入任何噪声S1。
在通过噪声数据学习单元100随时间采样的噪声中，针对问题噪声选择单位帧S2。
单位帧通过片段划分器200被划分为N个片段S3。
当前，随时间采样是在有问题的频带的两倍的范围内进行采样。
在本发明的示例性实施例中，采样操作被称为噪声大数据的预处理。
考虑到动力传动的特性，诊断学习需要大数据的预处理，且分析动力传动的噪声特性很重要。
噪声大数据的预处理用于学习以提取具有高精度的学习的特征参数。
优选地，作为噪声大数据的预处理中使用的方法，通过频率采样来执行重新采样，该频率采样是要被诊断的噪声频率的两倍。
此外，在具有时间的单位帧和下一单位帧之间设置重叠。
在单位帧之间也可能存在重叠。
即使将一个单位帧划分为N个片段，也可能存在重叠。
重叠是为了防止数据丢失。
通过片段分析器300和平均值产生器400，通过应用对数梅尔滤波器来分析每个片段的频率特性并且提取频率分量S4。
对数梅尔滤波器用于同时使用低频分量和高频分量。
通过学习模型积分器500、学习模型生成器600和特征参数提取器610，通过平均与片段有关的信息，将特征向量(特征参数)输出为一个代表性帧S5。
特征参数是无量纲的概念，特征向量是具有维度的概念，并且特征参数可以是比特征向量更高的概念。
然而，本文中，特征向量和特征参数可被理解为相似的概念。
在本发明的示例性实施例中，采样操作被称为噪声大数据的预处理。
同时，输出特征向量可以用作人工智能学习机700的人工智能学习的输入值。
人工智能学习机700的人工智能逻辑710最终通过使用特征向量来识别问题噪声的来源S6。
可以以与深度学习或机器学习、机器学习等类似的方式来理解人工智能逻辑710。
人工智能学习根据时间的变化利用特征参数，因此，可以确认所有的作为动力传动的噪声特性的不规则特征。
目前，人工智能学习可以应用双向RNN(GRU：门控循环单元)。
门控循环单元(GRU)是循环神经网络(RNN)技术之一，因此可以根据时间的变化来构建人工智能学习模型。
同时，可以认为人工智能学习可以另外应用深度神经网络(DNN)。
深度神经网络(DNN)可以用作用于提高多对一概率准确性的算法。
目前，可能最好应用soft max技术。
多对一诊断技术是一种用于诊断时间流的问题噪声的来源的技术。
此外，可能优选的是，人工智能学习另外应用注意力机制。
注意力机制可以用于改善过去时间数据的信息丢失。
注意力机制是一种用于在时间轴上加权重要特征向量的学习技术。
也就是说，注意力机制可以通过另外应用学习数据的重要部分的权重来为不规则噪声建立准确的学习模型。
目前，优选地通过组合双向RNN(GRU)来应用。
因此，人工智能学习可以附加地应用早期集成算法。
早期集成算法是一种加权学习技术，加权学习技术用于强调循环神经网络(RNN)的问题中过去时间数据的重要性，RNN是GRU的上位概念。
也就是说，可以通过将初始时间和最终时间的权重平均划分，使用早期集成技术来维护信息。
图2示出了根据本发明示例性实施例的针对每种类型的噪声数据预处理。
图3示出了根据本发明示例性实施例的通过将任何噪声数据输入至人工智能学习模型来进行诊断的过程。
参照图2和图3，噪声数据人工智能诊断装置1可以提供一种使用用于识别问题噪声的来源的噪声数据人工智能学习方法实现的装置。噪声数据人工智能诊断装置1包括输入设备3、噪声数据预处理设备100-1、人工智能学习机700、问题噪声来源识别器800和问题噪声确定器900。
输入设备3可以通过噪声测量传感器3-1直接测量车辆或动力传动的噪声，或者通过存储介质3-2提供存储的噪声数据。即，存储介质3-2存储噪声数据，因此，也可以将噪声数据应用于人工智能学习模型。
噪声数据预处理设备100-1包括噪声数据学习单元100、噪声数据输入单元110、片段划分器200、片段分析器300、平均值生成器400、学习模型积分器500、学习模型生成器600和特征参数提取器610。
噪声数据人工智能诊断装置1的操作如下。
首先，由噪声数据学习单元100针对每个单位时间学习每种问题类型的噪声数据。
待输入噪声数据输入单元110的噪声数据是任何噪声。
目前，选择单位帧并且选择重叠范围。
存在各种类型的车辆噪声，并且不规则地发生的车辆噪声的类型如下。
也就是说，作为根据时间长度产生的问题噪声，存在在短时间内产生的问题噪声和在长时间内产生的问题噪声。
此外，作为根据频率分量产生的问题噪声存在特定频率分量的问题噪声。
本发明的每种类型的噪声数据预处理都考虑了时间特性和频率分量特性。
即，时间轴被划分为一个帧单位以包括随时间变化以及从低频分量到高频分量的噪声特性。
划分为一帧单位的原因是为了准确地确定随时间变化的噪声特性。
因此，设置了一个划分帧和下一帧之间的重叠。
目前，重叠的比率被均匀地应用。
一帧由片段划分器200划分为N个片段(即，总共九个片段)，并且由片段分析器300分析每个片段的频率特性以应用对数梅尔滤波器。
输出应用对数梅尔滤波器的结果作为平均值生成器400的平均值。
这对应于用于从低频带到高频带增加频率特性的效率的后处理操作。
此后，提取随时间的各个数据的特征，然后将其集成到学习模型集成器500的一个学习模型中。
接下来，使用在发生相同故障现象时收集的振动大数据的基于特征向量(参数)的学习特征学习模型通过学习模型生成器600生成。
人工智能学习机700可以通过使用特征参数提取器610的提取的特征向量(参数)来识别问题噪声的来源，从而获得问题噪声来源识别器800的分类结果。
此外，人工智能学习机700可以输出所有噪声中的高度有意义的数据作为问题噪声确定器900的关注结果。
问题噪声确定器900的关注结果可用于应用一种技术，该技术用于在噪声、振动、粗糙度(NVH)专家组分析噪声时使用，并弥补了对不规则时间数据进行分析的最新数据的权重增加，初始数据的权重减小的缺点。
图4示出了根据本发明示例性实施例的人工智能学习使用的时间频率图711。图5示出了根据本发明示例性实施例的发动机RPM-频率图721。
当不断收集问题噪声学习数据的时间轴时，可以使用联合训练的RNNs算法的Ensemble模型来提高准确性。
联合训练的RNNs算法的集成(Ensemble)模型是一种利用时间频率图711和发动机RPM-频率图721的算法。
联合训练的RNNs算法的集成模型也称为联合时间和RPM图分析技术。
目前，不断收集问题噪声学习数据的时间轴的情况表示基于相同时间进行同步的情况。
例如，当所有学习数据和用于诊断的输入数据的时间轴均为10秒时，在相同时间测量数据的情况下，在时间轴上定期收集噪声数据。
同时，作为用于识别问题噪声源的使用噪声数据人工智能学习方法实现的设备的又一示例性实施例，可以将任何噪声和发动机RPM信号应用于可测量的便携式设备。
结果，可以通过应用基于PC或基于分析器的系统来分析任何测得的噪声。
本发明是一种通过使用噪声数据在非常短的时间内准确地诊断问题噪声的来源的技术，并且可以在约5秒内输出问题噪声源识别器800的诊断结果。
为了方便解释和准确地定义所附权利要求，术语“较高”、“较低”、“向内”、“向外”、“向上”、“向下”、“上”、“下”、“正面”、“后面”、“背面”、“内部”、“外部”、“向内地”、“向外地”、“内部的”、“外部的”、“内”、“外”、“向前”和“向后”参照附图中所显示的特征的位置来描述示例性实施例的该特征。还将理解，术语“连接”或其派生词既指直接连接又指间接连接。
为了说明和描述的目的，已经给出了本发明的特定示例性实施例的前述描述。它们并不旨在穷举或将本发明限制为所公开的精确形式，并且显然，根据上述教导，许多修改和变化是可能的。选择和描述示例性实施例以解释本发明的某些原理及其实际应用，以使本领域的其他技术人员能够制造和利用本发明的各种示例性实施例及其各种替代和修改方案。本发明的范围旨在由所附的权利要求书及其等同物来限定。

Claims (8)

1.一种用于识别问题噪声的来源的噪声数据人工智能学习方法，所述方法包括：
用于识别问题噪声的来源的噪声数据预处理方法，该预处理方法包括：
在随时间采样的噪声中选择问题噪声的单位帧；
将所述单位帧划分为N个片段；
分析N个片段中每个片段的频率特性，并通过应用对数梅尔滤波器提取每个片段的频率分量；和
通过平均N个片段的信息，作为一个代表帧，输出特征参数，
其中，通过噪声数据预处理方法基于随时间变化提取的特征参数进行的人工智能学习应用双向RNN。
2.根据权利要求1所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，所述采样被配置为在有问题的频带的两倍的范围内采样。
3.根据权利要求1所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，根据时间的单位帧和下一单位帧之间设置重叠。
4.根据权利要求1所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，所述人工智能学习还被配置为应用深度神经网络(DNN)。
5.根据权利要求4所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，所述人工智能学习被配置为额外地应用注意力机制。
6.根据权利要求5所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，所述人工智能学习被配置为额外地应用早期集成算法。
7.根据权利要求6所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，当以一定的时间轴收集问题噪声学习数据时，
额外地应用RNNs算法的集成模型，所述RNNs算法的集成模型为了提高精度而联合使用时间频率图和发动机RPM-频率图。
8.一种噪声数据人工智能诊断装置，其用于实现根据权利要求7所述的用于识别问题噪声的来源的噪声数据人工智能学习方法，
其中，通过所述装置的输入设备直接测量车辆或动力传动的噪声，或者通过存储介质提供存储的噪声数据。
CN201911153630.1A 2018-12-13 2019-11-22 识别问题噪声源的噪声数据人工智能装置和预处理方法 Pending CN111325313A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2018-0160833 2018-12-13
KR1020180160833A KR102681637B1 (ko) 2018-12-13 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법

Publications (1)

Publication Number Publication Date
CN111325313A true CN111325313A (zh) 2020-06-23

Family

ID=68609941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911153630.1A Pending CN111325313A (zh) 2018-12-13 2019-11-22 识别问题噪声源的噪声数据人工智能装置和预处理方法

Country Status (4)

Country Link
US (1) US11494643B2 (zh)
EP (1) EP3667664A1 (zh)
JP (1) JP7462400B2 (zh)
CN (1) CN111325313A (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200075133A (ko) * 2018-12-12 2020-06-26 현대자동차주식회사 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치
JP7392633B2 (ja) * 2020-11-10 2023-12-06 トヨタ自動車株式会社 車両の異音検査装置
CN112560173B (zh) * 2020-12-08 2021-08-17 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置
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
CN113017613B (zh) * 2021-03-03 2022-05-06 四川大学华西医院 基于人工智能的心冲击波信号处理方法及计算机设备
KR20220155834A (ko) * 2021-05-17 2022-11-24 현대자동차주식회사 장비 적용을 위한 ai 기반 진단 기술 자동화 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090115635A1 (en) * 2007-10-03 2009-05-07 University Of Southern California Detection and classification of running vehicles based on acoustic signatures
CN105118502A (zh) * 2015-07-14 2015-12-02 百度在线网络技术（北京）有限公司 语音识别系统的端点检测方法及系统
CN106710599A (zh) * 2016-12-02 2017-05-24 深圳撒哈拉数据科技有限公司 一种基于深度神经网络的特定声源检测方法与系统
KR20180029543A (ko) * 2016-09-13 2018-03-21 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
CN108648748A (zh) * 2018-03-30 2018-10-12 沈阳工业大学 医院噪声环境下的声学事件检测方法
CN108989541A (zh) * 2017-05-30 2018-12-11 现代自动车株式会社 基于情境的会话启动装置、系统、车辆和方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR960012078B1 (ko) 1993-09-27 1996-09-12 만도기계 주식회사 자동차부품의 고장진단방법
JP2012018066A (ja) 2010-07-07 2012-01-26 Panasonic Electric Works Sunx Co Ltd 異常検査装置
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
GB2519704B (en) 2013-04-26 2017-01-04 Jaguar Land Rover Ltd Vehicle diagnostics methods and apparatus
US9336259B1 (en) * 2013-08-08 2016-05-10 Ca, Inc. Method and apparatus for historical analysis analytics
GB2518663A (en) * 2013-09-27 2015-04-01 Nokia Corp Audio analysis apparatus
JP6359123B2 (ja) 2015-01-21 2018-07-18 三菱電機株式会社 検査データ処理装置および検査データ処理方法
KR101741309B1 (ko) 2015-02-17 2017-05-30 한국전자통신연구원 차량의 고장 진단 장치 및 방법
US10319374B2 (en) 2015-11-25 2019-06-11 Baidu USA, LLC Deployed end-to-end speech recognition
KR20180029320A (ko) 2016-09-12 2018-03-21 현대자동차주식회사 자동차 nvh 성능 개선 방법
US11178272B2 (en) * 2017-08-14 2021-11-16 Cellcontrol, Inc. Systems, methods, and devices for enforcing do not disturb functionality on mobile devices
KR102324776B1 (ko) 2017-10-16 2021-11-10 현대자동차주식회사 차량의 소음원인 진단방법
CN108445868B (zh) 2018-03-26 2020-12-29 安徽省爱夫卡电子科技有限公司 一种基于现代信号处理技术的汽车智能故障诊断系统及方法
US10803885B1 (en) * 2018-06-29 2020-10-13 Amazon Technologies, Inc. Audio event detection
US10726830B1 (en) * 2018-09-27 2020-07-28 Amazon Technologies, Inc. Deep multi-channel acoustic modeling
KR20200041098A (ko) 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
US11210565B2 (en) * 2018-11-30 2021-12-28 Microsoft Technology Licensing, Llc Machine learning model with depth processing units

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090115635A1 (en) * 2007-10-03 2009-05-07 University Of Southern California Detection and classification of running vehicles based on acoustic signatures
CN105118502A (zh) * 2015-07-14 2015-12-02 百度在线网络技术（北京）有限公司 语音识别系统的端点检测方法及系统
KR20180029543A (ko) * 2016-09-13 2018-03-21 오토시맨틱스 주식회사 딥러닝을 통한 자동차 상태 진단 방법
CN106710599A (zh) * 2016-12-02 2017-05-24 深圳撒哈拉数据科技有限公司 一种基于深度神经网络的特定声源检测方法与系统
CN108989541A (zh) * 2017-05-30 2018-12-11 现代自动车株式会社 基于情境的会话启动装置、系统、车辆和方法
CN108648748A (zh) * 2018-03-30 2018-10-12 沈阳工业大学 医院噪声环境下的声学事件检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAIWEI LIANG等: "Convolutional Recurrent Neural Network for Fault Diagnosis of High-Speed Train Bogie", 《HINDAWI COMPLEXITY》, vol. 2018, 23 October 2018 (2018-10-23), pages 1 - 14 *
雷亚国: "混合智能技术及其在故障诊断中的应用研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 January 2012 (2012-01-15), pages 029 - 12 *

Also Published As

Publication number Publication date
US20200193291A1 (en) 2020-06-18
JP2020095258A (ja) 2020-06-18
JP7462400B2 (ja) 2024-04-05
EP3667664A1 (en) 2020-06-17
KR20200075148A (ko) 2020-06-26
US11494643B2 (en) 2022-11-08

Similar Documents

Publication Publication Date Title
CN111325313A (zh) 识别问题噪声源的噪声数据人工智能装置和预处理方法
Sawalhi et al. Vibration response of spalled rolling element bearings: Observations, simulations and signal processing techniques to track the spall size
CN107209512B (zh) 用于机器的声学或振动分析的学习阶段的方法、系统及计算机程序
Martin-del-Campo et al. Online feature learning for condition monitoring of rotating machinery
CN109341848B (zh) 一种隧道运营阶段的安全监测系统
KR102271558B1 (ko) 빅데이터를 활용한 인공지능 두피영상 진단 분석 시스템 및 이를 이용한 제품 추천 시스템
CN111183345B (zh) 用于搜索能够影响旋转机械动力传输装置的缺陷的方法和装置
EP3667447A1 (en) Method and device for diagnosing problematic noise source based on big data information
US20190078974A1 (en) Process and device for the supervision of the kinematics of an epicyclic planetary gearbox
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
CN110018322B (zh) 一种基于深度学习的转速检测方法及系统
CN110398362B (zh) 一种机器人rv减速器故障诊断和定位方法
CN113705096A (zh) 基于小样本深度学习的一类冲击故障诊断
RU2445598C1 (ru) Способ диагностики технического состояния газотурбинного двигателя
CN113140229A (zh) 基于神经网络的声音检测方法、工业声学检测系统及方法
CN109934136B (zh) 基于Duffing振子和本征模式分量的滚动轴承故障诊断方法
CN115901249A (zh) 结合特征优选与多策略优化svdd的滚动轴承性能退化评估方法
CN113865872B (zh) 基于小波包重构成像和cnn的轴承故障诊断方法
CN115931359B (zh) 一种涡轮泵轴承故障诊断方法及装置
JPH1123411A (ja) 異音判定装置及び異音判定方法
RU133300U1 (ru) Устройство диагностики состояния ступичного подшипника
KR102681637B1 (ko) 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법
Kalimuthukumar et al. Early-detection of Parkinson’s disease by patient voice modulation analysis through MFCC Feature extraction technique
Hemmer et al. Simulation-driven deep classification of bearing faults from raw vibration data
Kahaei et al. Detection of bearing faults using Haar wavelets

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