CN112204362B - 检测机械系统中的振动和/或声学传递的方法和装置 - Google Patents
检测机械系统中的振动和/或声学传递的方法和装置 Download PDFInfo
- Publication number
- CN112204362B CN112204362B CN201880094013.6A CN201880094013A CN112204362B CN 112204362 B CN112204362 B CN 112204362B CN 201880094013 A CN201880094013 A CN 201880094013A CN 112204362 B CN112204362 B CN 112204362B
- Authority
- CN
- China
- Prior art keywords
- input
- response
- neural network
- network device
- signal
- 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
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G01H1/12—Measuring characteristics of vibrations in solids by using direct conduction to the detector of longitudinal or not specified vibrations
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
用于检测机械系统中振动和/或声学传递的方法和装置,本申请提供了一种用于检测机械系统中的振动声学传递的方法和装置。该方法包括:在操作机械系统时,在多个输入点中的每个输入点处获取指示作用在输入点上的机械负载的输入信号,并且在响应点处获取指示机械响应的响应信号;使用在输入点处获取的输入信号并使用在响应点处获取的响应信号训练神经网络设备;并且,对于输入点中的每个输入点:仅将在相应输入点处获取的输入信号提供给经训练的神经网络设备,并从神经网络设备获得指示相应输入信号对响应信号的预测贡献的贡献信号。可以仅基于操作数据来检测振动声学传递,从而减少执行传递分析的时间和成本。
Description
技术领域
本发明涉及机械系统的振动和/或声学分析的领域,并且尤其涉及一种用于检测机械系统中的振动和/或声学传递的方法和装置。
背景技术
在机械系统诸如机动车辆中,观察者可在接收器位置诸如驾驶员或乘客座椅处经历诸如噪声、振动和平顺性(NVH)的感觉。在车辆工程学中,需要确定构成所体验的NVH的激励源。
传递路径分析(TPA)是一种用于跟踪振动声学能量经由多个结构及空气传递路径从激励源传递到多个接收器位置的已知方法。执行TPA通常包括获取在操作测试期间作用在机械系统上的机械负载;以及估计表征多个传递路径的多个系统响应函数(SRF)。可以在激励测试中估计SRF。激励测试可以是耗时的过程,需要拆卸车辆主体并在其主动与被动组件之间的界面位置处为车辆主体装配力传感器。
EP2113755A1公开了一种用于表征物理系统的与振动和/或声学传递路径有关的数据的方法。
US2016/0343180A1公开了一种汽车诊断系统,其中该方法包括识别电波形数据信号里的模式。US2005/149234A1应对分析引擎不平衡状况。US5602761涉及基于振动分析的准确机器监控技术。US5995910A涉及用于训练神经设备来合成相关于机器操作的振动数据。
发明内容
本发明的一个目的是提供一种能够改善对机械系统中的振动和/或声学传递的检测的方法和装置。
根据第一方面,提出了一种用于在包括多个机械相互作用元件的机械系统中检测振动和/或声学传递的方法。该方法包括:
a)在根据操作模式操作机械系统的同时,在机械系统的多个输入点中的每个输入点处获取指示在操作期间作用在该输入点上的机械负载的输入信号,并在机械系统的响应点处获取指示机械系统在该响应点处的机械响应的响应信号;
b)使用在多个输入点处获取的输入信号作为训练输入数据并使用在响应点处获取的响应信号作为训练输出数据来训练神经网络设备;以及,
对于多个输入点中的每个输入点:c)仅将在相应输入点处获取的输入信号提供给经训练的神经网络设备;以及
d)仅响应于被提供给经训练的神经网络设备的、在相应输入点处获取的输入信号,从该经训练的神经网络设备获得指示在相应输入点处获取的输入信号对在响应点处获取的响应信号的预测贡献的贡献信号。
所提出的方法可以有利的使得能够获得作用在输入点上的机械负载对响应点处的响应信号的贡献的预测,而无需估计机械系统的表征数据诸如系统传递函数。可不需要激励测试。可以仅基于操作数据(在操作期间获取的输入信号)有利地检测机械系统中的振动和/或声学传递。该方法可以有利地允许在机械系统中快速且成本有效地检测振动声学传递。
包括多个机械相互作用元件的机械系统的示例包括车辆、汽车、飞机、机械设备。
机械相互作用元件的示例包括车辆主体、悬架、支柱塔、轮胎、马达、发动机、机舱、面板、座椅、窗户、引擎盖、门、其各个零件等。
多个机械相互作用的元件可以被联接以便经由多个结构和/或空气传递路径相互作用。
操作机械系统可以包括操作被包括在机械系统中的主激励源。主激励源可以是马达、发动机等。
特别地,在车辆的情况下,操作机械系统可以指在道路上驾驶车辆和/或在测试台上操作车辆。
操作模式可以是待供应至马达、发动机、离合器等以控制机械系统的操作的操作参数的时间序列,诸如功率、每分钟的转数、挡位等。
操作机械系统可以包括激励机械系统。特别地,机械相互作用元件中的一个或多个可以被主激励源和/或一个或多个次级激励源激励。
次级激励源可以表示由机械系统的机械相互作用元件中的一个与外部元件之间的外部机械相互作用所产生的激励源。这种外部机械相互作用可响应于对机械系统进行操作而发生。次级激励源的示例是轮胎,轮胎响应于车辆被马达驱动而与道路(外部元件)在外部相互作用。
当根据操作模式操作机械系统时,响应于机械系统被激励,机械负载可以作用在机械系统上。
机械负载可以是声学和/或振动机械负载。
作用在机械系统上的机械负载可以沿多个传递路径传递通过系统。
可以使用多个传感器例如加速度计、麦克风、力传感器、压力计、应变仪等在多个输入点处和响应点处检测振动和/或机械负载。
优选地,可以将多个输入点中的每个输入点分配给第一多个机械相互作用元件中的、在操作期间机械系统在该处激励的一个机械相互作用元件。
优选地,可以将响应点分配给第二多个机械相互作用元件中的、在操作期间激励机械系统时响应于沿多个传递路径传递的负载的一个机械相互作用元件。
可以通过将对应的传感器放置在相应的机械相互作用元件处来分配相应的输入点和响应点。
当机械系统是机动车辆时,输入点的位置的示例包括在马达轴承处、在刮水器马达支架处、在支柱轴承处、在排气管支架等处的位置,并且响应点的位置的示例包括在驾驶员座椅处、在乘客座椅处、在头枕等处的位置。
相应的输入信号和响应信号可以分别是由相应的传感器提供的信号,诸如加速度信号,诸如声学信号和/或振动信号、力信号、压力信号、应变信号等。
可以分别获取相应的信号诸如相应的输入信号和响应信号作为一系列读数。相应的读数可以是振动和/或声频值、力值、压力值、应变值等。
在相应的信号中,相应的读数可以与一个或多个参数相关联。一个或多个参数可以包括时间。一个或多个参数可以包括当获取各个读数时在操作期间使用的操作模式的操作参数。
换句话说,相应的信号可以是时域信号、每分钟转数域信号等。
神经网络设备可以被配置为实现具有机器学习能力和/或人工智能的神经网络。该神经网络可以包括多个人工神经元。神经网络的人工输入神经元的数量可以对应于输入点的数量。神经网络的人工输出神经元的数量可以对应于响应点的数量。人工输出神经元的数量可以是一个或多个。特别地,机械系统的每个输入点可以与神经网络的输入神经元中的对应一个相关联,并且机械系统的响应点可以与神经网络的输出神经元相关联。
神经网络设备可被配置为响应于被训练而通过调节神经网络的内部结构来执行机器学习。训练可包括向神经网络设备重复提供训练输入数据和训练输出数据的能力。
当训练时,神经网络设备可以被配置为响应于被提供输入数据,基于训练期间神经网络设备所学习的信息来提供输出数据。
在本文,机器学习能力和/或人工智能可指代神经网络设备通过多个输入数据和输出数据的样本的训练,可以获取预测与训练期间使用的输入数据不同的输入数据的输出数据的能力。
具体地,通过利用机械系统的所获取的多个输入信号和所获取的响应信号的多个样本进行训练,神经网络设备可以获取预测其他多个输入信号(相同的输入信号和/或其他输入信号的组合)的响应信号的能力。
向神经网络设备提供相应的信号作为输入数据或训练输入数据可以指代将信号中包括的读数一个接一个地馈送到由神经网络设备所实现的神经网络的输入神经元中的对应一个神经元。在本文,可以将相应读数与相关联的参数一起馈送到神经元,该相关参数诸如是包括在与相应读数相关联的信号中的操作参数。
从经训练的神经网络设备获取信号作为输出数据可以指代从由神经网络设备所实现的神经网络的输出神经元读取读数,并从以此方式获得的多个读数中形成信号。
仅将在一个输入点处获取的输入信号作为输入数据提供给经训练的神经网络设备可以指代将输入信号提供给输入神经元中的对应一个神经元,不将输入信号提供到神经网络的任何其他输入神经元,或者将连续为零的信号提供到神经网络的任何其他输入神经元。
即,在根据步骤a)和步骤b)中的操作数据进行训练之后,在步骤c)和步骤d)中,当假设由仅包括在多个输入点中的相应一个处获取的一个输入信号的相应多个输入信号激励时,神经网络设备可被用于预测机械系统的行为。
即,贡献信号可以是用于相应的单个输入信号的相应的预测响应信号。
换句话说,步骤c)和步骤d)可以被描述为执行将多个输入信号分解为相应的单个输入信号并确定与相应的单个输入信号相对应的预测响应信号。
所提出的方法是在这样的假设下设计的:与多个输入信号中的单个输入信号的假设激励相对应的预测响应信号也可以指示当机械系统被多个输入信号激励时单个输入信号对实际响应信号的贡献。
相应输入信号对响应信号的预测贡献也可以称为输入信号的被传递到响应信号中的一部分。
因此,获得贡献信号可以对应于检测机械系统中的振动和/或声学传递。
即,所提出的方法可以有利地能够基于操作数据和机器学习来检测机械系统中的振动和/或声学传递,而无需拆卸机械系统以确定系统特征数据,无需执行激励测试,无需识别传递路径、估计系统传递函数等。
由此,可以识别原型的振动和/或声学传递,并且可以采取适当的校正措施。
特别地,可以加速车辆设计过程并且可以降低成本。
根据实施方式,该方法还包括通过确定多个贡献信号的总和来测试经训练的神经网络设备;从响应信号中减去多个贡献信号的总和;如果相减的结果小于预定阈值,则确定神经网络设备被充分地训练;否则,确定神经网络设备没有得到充分地训练。
由此,可以验证所提出的方法的准确性,并且可以有利地增加所确定的贡献信号的置信度。
响应于确定神经网络设备没有被充分地训练,可以重复步骤b)和/或步骤a)及步骤b),直到确定神经网络设备被充分地训练为止。
另选地,响应于确定神经网络设备没有被充分地训练,可以向操作者显示或传输警告消息。
可选地,响应于确定神经网络设备未被充分地训练,可以改变由神经网络设备实现的神经网络、多个输入点、操作模式等中的至少一个。在该改变之后,可以重复步骤a)和步骤b)。
确定多个贡献信号的总和并从响应信号中减去该总和可以包括加上和减去包括在相应信号中的对应的各个读数。
将相减结果(其可以是信号)与预定阈值(其可以是标量值)进行比较可以指代将相减结果的均方根值、总能含量等与预定阈值进行比较。
根据另一实施方式,步骤b)中的训练是监督训练,其包括:将训练输入数据提供给神经网络设备以获得预测输出数据;以及调节由神经网络装置的相应神经元应用的权重,以减小预测输出数据与训练输出数据之间的偏差。
可以使用监督训练、加强训练和无监督训练中的一种来训练神经网络设备。然而,根据实施方式的监督训练可以具有能够训练神经网络设备以便基于所获取的输入信号和所获取的响应信号来获得人工知识的优点。
根据另一实施方式的变型,步骤b)中的训练还可包括:将训练输出数据提供给神经网络设备以获得预测的输入数据;以及调节由神经网络设备的相应神经元应用的权重,以减小预测输入数据与训练输入数据之间的偏差。
即,步骤b)的训练可以包括顺推和逆推。
使用顺推和逆推的监督训练可以有利地提高神经网络设备以及所提出方法结果的准确性和置信度。
根据另一实施方式,步骤b)包括将输入信号和响应信号分成多个预定长度的批次;并且,对于批次中的每个,使用输入信号的相应部分作为训练输入数据以及响应信号的相应部分作为训练输出数据来训练神经网络设备。
相应批次可以包括相应信号的多个对应部分。
预定长度可以短于相应信号的总长度。在本文,“长度”可以指代包括在相应信号部分中的多个读数。
优选地,作为非限制性示例,长度可以在100与1000个读数之间。长度为100可有益地实现快速训练。1000个读数的长度可有益地提供更准确的结果。
通过在训练期间将输入信号和响应信号分成具有较短长度的多个批次,可以有利地提高神经网络设备的机器学习性能。
应当注意,随后将所有批次作为训练输入数据和训练输出数据提供给神经网络设备,并且针对批次中的每个执行顺推和逆推也可以称为训练的“时期”。
根据实施方式,步骤b)中的训练可以包括多个时期。
换句话说,步骤b)中的训练可以重复多次。
次数或时期的数量可以是1或更大的预定数目。更优选地,作为非限制性示例,时期的数量可以是1000。
另选地,可以重复步骤b)中的训练,直到两个随后的时期之间的、预测输出数据与训练输出数据之间的偏差的改变量和/或两个随后的时期之间的、预测输入数据和训练输入数据之间的偏差的改变量小于预定阈值。
即,可以重复训练直到相应偏差收敛为止。由此,可以更可靠地训练神经网络设备。
根据另一实施方式,该方法还包括,在根据不同于第一操作模式的第二操作模式操作机械系统的时候,在多个输入点中的每个输入点处获取第二输入信号,并且在机械系统的响应点处获取第二响应信号;并且使用第二输入信号作为输入信号以及使用第二响应信号作为响应信号执行步骤c)和步骤d)。
因此,当以在神经网络设备的训练期间所使用的操作模式未涵盖的方式进行操作时,也可以有利地利用神经网络设备的人工智能和/或机器学习能力来检测机械系统中的声学和/或振动传递。
即,在机械系统的评估期间,最初,当获取操作数据(输入信号和响应信号)时,可以使用所获取的操作数据来训练神经网络设备,然后可以将其用于提供在训练期间使用的相同操作数据的输入信号的相应预测贡献。
一旦已经训练神经网络设备,就可以获取另外的操作数据,并且可以使用神经网络设备来提供另外的操作数据的输入信号的相应预测贡献。其中,根据步骤b)的进一步训练可不是必需的,并且可以省略。
根据第二方面,提出了一种用于使用经训练的神经网络设备来检测包括多个机械相互作用元件的机械系统中的振动和/或声学传递的方法,该神经网络设备被训练用于执行对机械系统中的振动和/或声学传递的检测。该方法包括:a')在根据操作模式操作机械系统时,在机械系统的多个输入点中的每个输入点处获取指示在操作期间作用在输入点上的机械负载的输入信号,以及在机械系统的响应点处获取指示机械系统在响应点处的机械响应的响应信号。该方法还包括,对于多个输入点中的每个输入点:c)仅将在相应输入点处获取的输入信号作为输入数据提供给经训练的神经网络设备;以及d)仅响应于被提供给经训练的神经网络设备的、在相应输入点处获取的输入信号,获得来自该经训练的神经网络设备作为输出数据的、指示在输入点处获取的输入信号对在响应点处获取的响应信号的预测贡献的贡献信号。
尽管第一方面涉及训练和使用神经网络设备的方法,但是第二方面涉及使用先前训练的神经网络设备来获得相应的贡献信号。
参考第一方面的方法描述的实施方式和特征作必要修改后应用于第二方面的方法。
根据第一方面或第二方面的实施方式,该方法还包括:生成并显示将响应信号分解为在多个输入点中的每个输入点处获取的输入信号的预测贡献。
所显示的分解可以是贡献信号中的每个的图形表示。通过查看所显示的分解,工程师可以容易地在多个贡献中识别出大的贡献。由此工程师可以了解哪些输入点主要对响应信号有所贡献。工程师可以使用此信息来采取对策,以减少响应信号并改善机械系统的NVH特性。
根据第一方面或第二方面的另一实施方式,该方法还包括:比较在多个输入点中的每个输入点处获取的输入信号的预测贡献;识别在多个预测贡献中预测贡献最大的输入信号;并在获取被识别的输入信号的输入点处改变机械系统。
在输入点处改变机械系统可以包括例如在输入点处增加机械相互作用元件中的一个或多个的刚度,在输入点附近布置阻尼元件,在响应点附近布置噪声和/或振动消除源和/或改变机械系统的设计。
所提出的方法可以有利地在机械系统诸如机动车辆的设计过程中用作设计辅助。
根据第一方面或第二方面的另一实施方式,神经网络设备被配置为实现包括输入层、输出层和至少一个隐藏层的循环神经网络,每层包括至少一个神经元。
相应的神经元可以被配置为接收一个或多个输入;将权重应用到相应的输入,确定加权输入的总和,对加权输入的总和应用传递函数;并提供将传递函数应用于加权输入的总和的结果作为输出。
循环神经网络可以是人工神经网络,其中神经元之间的连接沿序列形成循环或非循环有向图。
循环神经网络可以有利地包括内部状态或存储器,从而使其能够处理输入数据的序列,诸如包括多个读数的输入信号。
输入层可以包括多个输入神经元,其中,根据所提出的方法,每个输入神经元与相应的输入点相关联。
根据所提出的方法,输出层可以包括与响应点相关联的输出神经元。
相应的隐藏层可以包括内部神经元,内部神经元可以增加循环神经网络的机器学习能力和/或人工引擎。
至少有一个隐藏层。更优选地,隐藏层的数量可以是五个。
根据另一实施方式,输入层和输出层的神经元各自配置有线性激活函数,并且至少一个隐藏层的神经元各自配置有S形激活函数。
具体地,S形函数可以是双曲正切函数。
根据另一实施方式,循环神经网络是长短期记忆。
长短期记忆或LSTM可以是包含多个LSTM单元的循环神经网络。每个LSTM单元可以包括信元、输入门、输出门和遗忘门作为人工神经元。
实现LSTM可有益地提高神经网络设备学习和预测机械系统的复杂行为的能力。
根据另一实施方式,循环神经网络的神经元总数在10与250之间。
更优选地,作为非限制性示例,神经元的数量可以是100。
第一方面或第二方面的任何实施方式可以与第一方面或第二方面的任何实施方式结合以获得第一方面或第二方面的另一实施方式。
根据第三方面,本发明涉及一种计算机程序产品,包括程序代码,用于当在至少一个计算机上运行时执行用于检测机械系统中的振动和/或声学传递的上述方法。
计算机程序产品诸如计算机程序构件可以被实施为存储卡、USB棒、CD-ROM、DVD或可以从网络中的服务器下载的文件。例如,可以通过从无线通信网络传递包括计算机程序产品的文件来提供这种文件。
根据第四方面,提出了一种用于在包括多个机械相互作用元件的机械系统中检测振动和/或声学传递的装置。所提出的装置包括神经网络设备,并且还包括:
获取单元,被配置为a)在根据操作模式操作机械系统的时候,在机械系统的多个输入点中的每个输入点处获取指示操作期间作用在该输入点上的机械负载的输入信号,并且在机械系统的响应点处获取指示机械系统在该响应点处的机械响应的响应信号;
训练单元,被配置为b)使用在多个输入点处获取的输入信号作为训练输入数据并使用在响应点处获取的响应信号作为训练输出数据来训练神经网络设备;以及
预测单元,被配置为针对多个输入点中的每个输入点:c)仅将在相应输入点处获取的输入信号作为输入数据提供给经训练的神经网络设备;以及d)仅响应于被提供给经训练的神经网络设备的、在相应输入点处获取的输入信号,获得来自该经训练的神经网络设备作为输出数据的、指示在相应输入点获取的输入信号对在响应点处获取的响应信号的预测贡献的贡献信号。
参考根据第一方面的方法描述的实施方式和特征作必要修改后应用于第四方面的装置。
根据第五方面,提出了一种用于在包括多个机械相互作用元件的机械系统中检测振动和/或声学传递的装置。
所提出的装置包括经训练的神经网络设备,该经训练的神经网络设备经过训练以执行对机械系统中的振动和/或声学传递的检测,并且还包括:
获取单元,被配置为a')在根据操作模式操作机械系统的同时,在机械系统的多个输入点中的每个输入点处获取指示在操作期间作用于该输入点上的机械负载的输入信号,并在机械系统的响应点处获取指示机械系统在该响应点处的机械响应的响应信号;
预测单元,其被配置为针对多个输入点中的每个输入点:c)仅将在各个输入点处获取的输入信号作为输入数据提供给经训练的神经网络设备;d)仅响应于被提供给经训练的神经网络设备的、在相应输入点处获取的输入信号,获得来自该经训练的神经网络设备作为输出数据的、指示在相应输入点处获取的输入信号对在响应点处获取的响应信号的预测贡献的贡献信号。
参考根据第二方面的方法描述的实施方式和特征作必要修改后应用于第五方面的装置。
相应实体,诸如神经网络设备、获取单元、训练单元和/或预测单元可以在硬件和/或软件中实现。如果所述的实体在硬件中实现,则该实体可以体现为设备,例如计算机或处理器或者系统例如计算机系统的一部分。如果所述的实体在软件中实现,则该实体可以体现为计算机程序产品、函数、例程、程序代码或可执行对象。
本发明的其他可能的实现方式或替代解决方案还包括以上或以下关于实施方式描述的特征的组合(在本文未明确提及)。本领域技术人员还可以向本发明的最基本形式添加单独的或孤立的方面和特征。
附图说明
通过下面的描述和从属权利要求,并结合附图,本发明的其他实施方式、特征和优点将变得显而易见,其中:
图1示出根据第一示例性实施方式的用于检测机械系统中的振动声学传递的方法。
图2示出根据第一示例性实施方式的用于检测机械系统中的振动声学传递的装置。
图3是示出图1的步骤S20的概念细节的方框图。
图4、图5和图6是示出图1的步骤S30的概念细节的方框图。
图7示出根据第一示例性实施方式的优选改进的将响应信号分解成多个贡献信号的图形分解。
图8示出根据第二示例性实施方式的用于检测机械系统中的振动声学传递的方法。
图9示出根据第二示例性实施方式的用于检测机械系统中的振动声学传递的装置。
图10示出根据第三示例性实施方式的用于检测机械系统中的振动声学传递的方法。
图11示出根据第三示例性实施方式的用于检测机械系统中的振动声学传递的装置。
在附图中,除非另外指出,否则相同的附图标记表示相同或功能上等效的元件。
具体实施方式
首先,将参考图2简要地描述包括多个相互作用的机械元件的机械系统的示例。
图2尤其示出了原型汽车5(在下文称为“汽车”)作为机械系统的一种可能示例。特别地,汽车5包括多个机械相互作用的元件,诸如例如马达51、前轮52、后轮53、后门54和座椅55。
当汽车5在道路或测试台(未示出)上行驶时,声学和/或振动机械负载可以在多个激励源处作用在机械系统5上。具体地,马达51的振动(主激励源),由轮52、53的旋转和/或由轮52、53与道路或测试台(未示出)之间的机械相互作用或由晃动的门诸如后门54等(第二激励源)引起的振动可以被输入到机械系统5。
输入到机械系统5的这些声学和/或振动机械负载可以沿各种结构和/或空气传递路径传递通过汽车5,并且最终可以到达坐在座椅55中的乘客。该乘客可以经历令人不快的噪音、振动或不舒适(NVH)的感觉。
在原型汽车5的设计期间,期望知道激励源51、52、53、54中的每个对NVH感觉贡献的量。所提出的方法和装置可以有利地用于提供所需的信息以实现适当的纠正措施。
图1示出根据第一示例性实施方式的用于在图2所示的机械系统5中检测振动声学传递的方法。在图1中,矩形表示方法步骤,箭头表示方法步骤的执行顺序。
图2在汽车5旁边示出根据第一示例性实施方式的用于检测机械系统5中的振动声学传递的装置1。在图2中,矩形示出相应的实体、单元设备和/或装置,并且箭头示出了信号流。
将同时参考图1和图2描述第一示例性实施方式。
图2的装置1包括获取单元10、训练单元20、预测单元30和神经网络设备7。
当方法开始时(S),在图1所示的方法的步骤S10中,从汽车5获取操作数据。
更具体地,在步骤S11中,根据操作模式来操作汽车5。根据一种变型,汽车5可以在道路(未示出)上行驶,并且可以以预定的时间间隔记录操作参数诸如马达51的rpm值(每分钟转数),并将其与时间关联作为操作模式来存储。根据另一变型,汽车5可以根据预定的操作模式在测试台(未示出)上操作。
当汽车5以这种方式操作时,在步骤S12中,装置1的获取单元10从位于汽车5中的多个输入点61-64获取多个输入信号ei。
在本文,输入点61-64中的每个可以位于主激励源51和多个次级激励源52-54中的相应一个处或附近。相应的输入信号ei是指示在相应的输入点61-64处作用在机械系统5上的机械负载的信号。
相应的输入信号ei可以是力信号、加速度信号、声学或振动信号、噪声信号、应变信号,并且可以使用位于相应输入点61-64处的力传感器、加速度计、麦克风、应变仪等(未示出)来获取。
同时,在根据步骤S11操作汽车5并且根据步骤S12获取输入信号ei的时候,获取单元10还从位于汽车5中的响应点65获取响应信号r。
具体地,响应点可以位于乘客经历令人不快的NVH感觉的位置处或附近,诸如在座椅55的头枕处。
而且,响应信号r可以是力信号、加速度信号、声学或振动信号、噪声信号、应变信号,并且可以使用位于响应点65处的力传感器、加速度计、麦克风、应变仪等来获取。
获取单元10将多个输入信号ei和响应信号r提供给训练单元20。
在图1所示的方法的步骤S20中,训练单元20使用所获取的机械系统5的操作数据来训练神经网络设备7,以使神经网络设备7学习机械系统5的行为。
更具体地,训练单元S20将多个输入信号ei作为训练输入数据提供给神经网络设备7,并且还将响应信号r作为训练输出数据提供给神经网络设备7,以训练神经网络设备7。
训练单元20将多个输入信号ei和响应信号r提供给预测单元30。
在步骤S30中,预测单元30使用神经网络设备7来获得多个贡献信号ci,该贡献信号指示在相应输入点61-64处获取的输入信号ei对在响应点6 5处获取的响应信号r的预测贡献。
更具体地,针对多个输入点61-64中的每个执行一次步骤S31和S32。
在步骤S31中,预测单元30仅将在相应输入点(61-64中的一个)处获取的输入信号ei作为输入数据提供给经训练的神经网络设备7。
响应于在步骤S31中仅将在相应输入点(61-64中的一个)处获取的输入信号ei提供给经训练的神经网络设备7,预测单元在步骤S32中从经训练的神经网络设备7获得输出数据。根据以这种方式获得的输出数据,预测单元30形成贡献信号ci。
以这种方式获得的相应贡献信号ci被认为指示了相应输入信号ei对响应信号r的预测贡献。相应输入信号ei对响应信号r的预测贡献也可以称为相应输入信号ei的传递通过机械系统5并成为响应点65处的部分的响应信号r的一部分或量。
提供多个贡献信号ci作为图1的方法和图2的装置1的输出,并且方法结束(E)。
现在将参考图3-图6描述第一示例性实施方式的优选进一步改进的概念细节。
图3是示出图1的步骤S20的概念细节的方框图,并且图4、图5和图6是示出图1的步骤S30的概念细节的方框图。
具体地,在步骤S20(图1)中,如图3的方框图所示,使用多个获取的输入信号e1、e2、...、en作为训练输入数据并且使用所获取的响应信号r作为训练输出数据来训练神经网络设备7。
训练可以作为监督训练来进行,包括顺推和逆推,如图3中的双射箭头所示。
具体地,输入信号e1、e2、...、en和响应信号r中的每个可以被分成预定长度的多个对应部分。该预定长度可以在100与1000个读数之间。包括输入信号e1、e2、...、en和响应信号中的每个的预定长度的对应部分的相应集合也可以被称为批次。
在监督训练的顺推期间,对于批次中的每个,将输入信号e1、e2、...、en中的每个的对应部分作为训练输入数据提供给神经网络设备7,并且将响应于训练输入数据从神经网络设备7获得的输出数据与该批次的响应信号的对应部分进行比较。调节由神经网络设备7的相应神经元应用的权重,以便减小从神经网络设备7获得的输出数据与该批次的响应信号r的对应部分之间的偏差。
在监督训练的逆推期间,对于批次中的每个,将响应信号r的对应部分作为训练输出数据提供给神经网络设备7,以相反的方式操作神经网络设备7,并将响应于训练输出数据从神经网络设备7获得的训练输入数据与该批次的输入信号e1、e2、...、en的对应部分进行比较。调节由神经网络设备7的相应神经元应用的权重,以便减小从神经网络设备7获得的输入数据与该批次输入信号e1、e2、...、en的对应部分之间的偏差。
在完成批次中的每个的顺推和逆推之后,就完成了一个训练时期。
在本文应当注意,相应的信号e1、e2、...、en、r可包括多个读数,并且每个读数可以与在根据步骤S11中的操作模式获取用于操作机械系统5的相应读数时使用的操作参数相关联。
与每个读数一起,可以将相应的相关联的操作参数作为训练输入数据和/或训练输入数据的一部分提供给神经网络设备7。因此,神经网络设备7可以学习机械系统5在由操作参数所限定的不同操作条件下的行为。
步骤S20可以继续以重复上述训练步骤,从而完成预定次数的时期和/或直到获得训练输出数据与响应信号r(顺推)之间的相应偏差,以及训练输入数据与多个输入信号e1、e2、...、en之间的相应偏差的收敛。
以这种方式,可以获得经训练的神经网络设备7。
具体地,在步骤S30(图1)中,针对多个输入点中的每个输入点,即针对多个输入信号e1、e2、...、en中的每个重复步骤S31和S31。
具体地,在图1所示的S30的循环的第一次迭代中,如图4所示,在步骤S31中仅将输入信号e1提供给经训练的神经网络设备7(图1)。输入信号e2、...、en没有提供给经训练的神经网络设备7。根据在步骤S32中响应于输入信号e1从经训练的神经网络设备7获得的输出数据(图1),形成贡献信号ci。贡献信号ci被认为是在对应输入点(图2中的61)处获取的输入信号ei对在响应点(图2中的65)处获取的响应信号r的贡献的预测。
接下来,如图5所示,仅输入信号e2被提供给经训练的神经网络设备7。根据响应于输入信号e2从经训练的神经网络设备7获得的输出数据,形成指示输入信号e2对响应信号r的预测贡献的贡献信号c2。
以这种方式针对输入信号ei中的每个重复步骤S31和S32(图1)。
最终,如图6所示,仅输入信号en被提供给经训练的神经网络设备7。根据响应于输入信号en从经训练的神经网络设备7获得的输出数据,形成指示输入信号en对响应信号r的预测贡献的贡献信号cn。
仅仅是为了促进理解,还可以以下面的方式描述步骤S30(图2),其中参考图2至图6:
经训练的神经网络设备7可用于针对输入点61-64中的每个来预测机械系统5在机械负载仅作用于相应的单个输入点(61-64中的一个)上的假设情况下的行为。在本文,在图4至图6的每个中由神经网络设备提供的输出数据可以被认为是当假设机械系统5仅被相应单个输入点(61-64中的一个)处的相应单个输入信号e1、e2、...、en激励时预测在响应点65处在机械系统5中生成的相应的预测假设响应信号。
通过以这种方式使用神经网络设备7来预测机械系统5在假设机械负载仅作用于输入点61-64中的相应单个输入点上的情况下的行为,可以有利地检测机械系统5中的机械负载的传递,而无需求助于常规的传递路径分析(TPA)。
可以有利地克服TPA的缺点,诸如复杂的计算以及必须部分地拆卸机械系统6以能够执行激励测试。
图7示出根据第一示例性实施方式的优选改进将响应信号r分解成多个贡献信号c1、c2、c3的示例性图形分解8。
将参考图7和图2描述优选的发展。
根据优选的改进,装置1可以被配置为根据响应信号r和多个贡献信号c1、c2、c3生成图形分解的数字表示。装置1可以包括和/或连接到显示设备(未示出)。响应于被提供有数字表示,显示设备(未示出)可以显示类似于图7中所示的示例性数字表示8的数字表示。
在图7所示的示例性图形分解8中,在水平轴上绘制操作参数诸如每分钟转数。相应的信号r、c1、c2、c3在垂直轴上彼此重叠。空矩形表示在相应的操作参数范围内的相应信号的低振动声学负载(db0)。阴影线的矩形表示中等的振动声学负载(db1)。相反阴影线的矩形表示较高的振动声学负载(db2)。三倍阴影线的矩形表示很高的振动声学负载(db3)。在一个示例中,振动声学负载可以以分贝为单位。
如图7中可见,在响应点65处获得的响应信号r在0rpm到3000rpm的宽工作参数范围内指示高或非常高的振动声学负载。需要在响应点65处改善NVH体验的对策。
同样如图7所示,贡献信号c1、c2和c3构成响应信号r的分解。即,响应信号r的相应部分可以表示为贡献信号c1、c2、c3的对应(沿水平轴的相同位置)部分的总和。
示例性分解8包括以下信息:根据神经网络设备7做出的预测,在从0rpm到1000rpm的操作参数范围内,对响应信号r的最大贡献是在第一输入点(诸如在马达51处的第一输入点61附近)处获取的输入信号e1的贡献c1。因此,可以在第一输入点61处在从0rpm到1000rpm的操作参数范围内采取对策。
示例性分解8还包括以下信息:在第三输入点63(诸如靠近后轮53的后轴)处获取的输入信号e3对响应信号r的贡献c3在2000rpm到3000rpm的操作参数范围内高。因此,可以在第三输入点63处在从2000rpm到3000rpm的操作参数范围内采取对策。
相应的对策可以包括在相应的输入点(61-64中的一个)处改变机械系统5。例如,可以在输入点61、63的区域中增加刚度,可以布置阻尼器元件,或者可以改变机械系统5的设计以改变相应的输入点61、63的位置,和/或相应输入点61、63与响应点65之间的传递路径。
相应的对策可以由工程师手动地采取,或者可以基于装置1输出的贡献信号ci由设计辅助设备(未示出)自动采取。
根据另一个优选的改进,装置1可以将贡献信号ci输出到设计辅助设备等,以便在不生成图形分解8的情况下改变机械系统5。
图8示出根据第二示例性实施方式的用于检测机械系统5中的振动声学传递的方法,并且图9示出根据第二示例性实施方式的对应装置2。
第二示例性实施方式类似于第一示例性实施方式,并且相同的附图标记表示相同的元件。下面参考图8和图9仅描述第二示例性实施方式与第一示例性实施方式之间的区别。
根据第二示例性实施方式的装置2还包括测试单元40。测试单元40被配置为在已经根据步骤S10-S30以类似于第一示例性实施方式的方式获得多个贡献信号ci之后执行第二示例性实施方式的方法的步骤S40。
在步骤S40中,测试单元40确定多个贡献信号ci的总和。即,测试单元40确定总和信号,其中,通过将贡献信号ci中的每个的相应读数相加来获得每个读数。然后,测试单元40继续以从响应信号r中减去总和信号,以获得结果信号。测试单元40计算结果信号的均方根值。
如果均方根值低于预定阈值,则测试单元40确定神经网络设备7已被充分训练。否则,测试单元40确定神经网络设备7没有被充分训练。
换句话说,仅为了便于理解,参考图7,测试单元40可以验证贡献信号c1、c2、c3是否正确地加到响应信号r。如果贡献信号c1、c2、c3没有正确地加到响应信号r,则由神经网络设备做出的预测是不准确的,这可指示神经网络设备7没有被充分训练。
当测试单元40在步骤S40中确定神经网络设备7没有被充分训练时,测试单元40通知训练单元20神经网络设备7没有被充分训练。
之后,根据一种变型,该方法返回到步骤20以使用先前获取的相同输入信号ei和相同响应信号r重复训练,以便使用与步骤S20的先前执行中相同的训练输入数据和训练输出数据执行神经网络设备7的更大强度的训练。
根据另一变型,当确定神经网络设备7没有被充分训练时,测试单元40返回到步骤S10。也就是说,根据相同或不同的操作模式在步骤S11中重复机械系统5的操作,以获取另外的操作数据。之后,重复步骤S20,以使用新获取的操作数据作为训练输入数据和训练输出数据对神经网络设备7进行更多训练。
当测试单元40在步骤S40中确定神经网络设备7已被充分训练时,测试单元40通知训练单元20神经网络设备7已被充分训练,并且该方法结束E。
根据本示例性实施方式,当使用相同的或不同的操作模式使用相同的机械系统5和相同的神经网络设备7完全重复根据图8的方法时,可以消除/省略步骤S20,即,当已经向训练单元20通知神经网络设备7已被充分训练时,可以不执行根据步骤S20的训练。
应当注意,当在使用与在训练神经网络设备7时使用的操作模式不同的第二操作模式来操作汽车5的同时获取另外的操作数据(诸如第二多个输入信号ei和第二响应信号r)时,可以经历在先前训练步骤S20期间未经历的操作条件。然而,神经网络设备7可以有利地能够获得指示在训练期间未经历的操作条件期间第二多个输入信号ei中的各个信号的预测贡献的贡献信号ci,并且有利地,不需要另外的训练。
图10示出根据第三示例性实施方式的用于检测机械系统5中的振动声学传递的方法,并且图11示出根据第三示例性实施方式的对应装置3。
第三示例性实施方式类似于第一示例性实施方式,并且相同的附图标记表示相同的元件。
参考图10和图11,第三示例性实施方式与第一示例性实施方式的不同之处在于,装置3包括预先训练的神经网络设备71,并且不包括训练单元(图2中的20)。对应地,图10所示的方法不包括训练步骤(图2中的S20)。
经训练的神经网络设备71可以是先前已经使用步骤诸如根据第一或第二示例性实施方式的方法的步骤S10和S20(图2)来训练的神经网络设备。
经训练的神经网络设备71可以安装在汽车5中。如已经针对第一和第二示例性实施方式所讨论的,训练后的神经网络设备71可以具有关于机械传递汽车5的机械系统的人工知识。该知识可用于实现汽车5的各种功能。例如,经训练的神经网络设备71也可以用于控制汽车5的音频系统、噪声消除系统等,即使在汽车5的设计阶段期间未预见的操作条件下也是如此。
将简要讨论示例性实施方式的实际示例性使用情况。
构建了用于检测原型汽车5中的振动和/或声学传递的装置1、2。
装置1、2的神经网络设备7被配置为实现循环神经网络。循环神经网络包括几层人工神经元,并且特别地为输入层、输出层和五个隐藏层。更特别地,循环神经网络被配置为长短期记忆。输入层和输出层的神经元配置有线性激活函数。五个隐藏层的神经元配置有S形的双曲正切激活函数。在每一层之间实现了0.2的下降。LSTM的神经元总数为100。
原型汽车根据包括5个加速操作运行的操作模式操作,所有运行均以50%的油门在4档进行。分别获取输入和响应信号,每个信号包含27136个读数。
对神经网络设备7进行1000个读数的批次训练。在不到1000个时期内就获得了收敛。
使用根据实施方式的方法并且使用常规传递路径分析(TPA)两者来确定各个输入信号ei的贡献信号ci和针对多个输入信号ei的预测响应信号。
确认两种方法之间的有用协议水平。
尽管已经根据优选的示例性实施方式描述了本发明,但是对于本领域技术人员显而易见的是,在所有示例性实施方式中都可以进行修改。
在示例性实施方式中,监督训练已经被描述为训练神经网络设备7的方法。然而,可以替代地使用无监督训练方法。
已经将汽车5描述为机械系统5的示例。然而,本发明也可以用于航空工程、机械工程等中。
图7所示的图形分解8仅是示例。图形分解8可以包括不同的,诸如更大量的操作范围和不同(更大)量的贡献信号ci。可视化贡献信号ci的其他方式可以用于图形分解8,诸如多个图形、曲线图、饼状图等。
应当理解,相应的神经网络设备被实现为在受训练之后接收多个输入信号并生成多个输出信号,其中,使用通过前述训练过程获取的人工智能来生成输出信号。输入信号和输出信号可以包括参考数据或表示物理可观察量的编码数据。在实施方式中,这样的量是机械系统的机械或振动负载、频率或另一机械刺激和/或NVH贡献的量度。在实施方式中,生成输入信号和/或输出信号并通过网络传递这些信号,并且信号的内容至少被相应存储设备临时存储。
方法和设备的公开实施方式允许在汽车或车辆设计自动化中进行有效的传递路径分析。
Claims (15)
1.一种用于在包括多个机械相互作用元件(51-55)的机械系统(5)中检测振动和/或声学传递的方法,所述方法包括:
a)(S10)在根据第一操作模式操作(S11)所述机械系统(5)的时候,在所述机械系统(5)的多个输入点(61-64)中的每个输入点处获取(S12)指示操作期间作用在所述输入点上的机械负载的输入信号(ei),并且在所述机械系统(5)的响应点(65)处获取(S13)指示所述机械系统(5)在所述响应点(65)处的机械响应的响应信号(r);
b)使用在所述多个输入点(61-64)处获取的所述输入信号(ei)作为训练输入数据并使用在所述响应点(65)处获取的所述响应信号(r)作为训练输出数据,来训练(S20)神经网络设备(7);以及
(S30)对于所述多个输入点(61-64)中的每个输入点:
c)仅将在相应输入点(61-64)处获取的所述输入信号(ei)作为输入数据,提供(S31)给经训练的神经网络设备(7);以及
d)仅响应于被提供给所述经训练的神经网络设备(7)的在所述相应输入点处获取的所述输入信号(ei),获得(S32)从所述经训练的神经网络设备输出作为输出数据的、指示在所述相应输入点处获取的所述输入信号(ei)对在所述响应点(65)处获取的所述响应信号(r)的预测贡献的贡献信号(ci)。
2.根据权利要求1所述的方法,其中,所述方法还包括通过以下步骤测试(S40)所述经训练的神经网络设备(7)
-确定多个贡献信号(ci)的总和;
-从所述响应信号(r)中减去所述多个贡献信号(ci)的所述总和;
-如果相减的结果小于预定阈值,则确定所述神经网络设备(7)被充分地训练;以及
-否则,确定所述神经网络设备(7)没有被充分地训练。
3.根据权利要求1或2所述的方法,其中,步骤b)中的训练是监督训练,包括:
-将所述训练输入数据提供给所述神经网络设备(7),以获得预测的输出数据;以及
-调节由所述神经网络设备(7)的相应神经元应用的权重,以减小所述预测的输出数据与所述训练输出数据之间的偏差。
4.根据权利要求1或2所述的方法,其中,步骤b)包括
-将所述输入信号(ei)和所述响应信号(r)分成预定长度的多个批次;以及,
对于每个所述批次,
-使用所述输入信号(ei)的相应部分作为所述训练输入数据并且使用所述响应信号(r)的相应部分作为所述训练输出数据来训练所述神经网络设备(7)。
5.根据权利要求1或2所述的方法,其中,所述方法还包括:
-在根据不同于所述第一操作模式的第二操作模式操作所述机械系统的时候,在所述多个输入点(61-64)中的每个输入点处获取第二输入信号,并在所述机械系统的所述响应点(65)处获取第二响应信号;以及
-使用所述第二输入信号作为所述输入信号(ei)并且使用所述第二响应信号作为所述响应信号(ri),执行步骤c)和步骤d)(31、32)。
6.一种使用经训练的神经网络设备(7)用于检测包括多个机械相互作用元件(51-55)的机械系统(5)中的振动和/或声学传递的方法,所述经训练的神经网络设备被训练用于执行对在所述机械系统(5)中的振动和/或声学传递的检测,所述方法包括:
a')(S10)在根据操作模式操作(S11)操作所述机械系统(5)的时候,在所述机械系统(5)的多个输入点(61-64)中的每个输入点处获取(S12)指示操作期间作用在所述输入点上的机械负载的输入信号(ei),并在所述机械系统的响应点处获取(S13)指示所述机械系统(5)在所述响应点(65)处的机械响应的响应信号(r);
(S30)对于所述多个输入点(61-64)中的每个输入点:
c)仅将在相应输入点(61-64)处获取的所述输入信号(ei)作为输入数据提供(S31)给所述经训练的神经网络设备(7);以及
d)仅响应于被提供给所述经训练的神经网络设备(7)的在所述相应输入点处获取的所述输入信号(ei),获得(S32)来自所述经训练的神经网络设备(7)作为输出数据的、指示在所述输入点(61-64)处获取的所述输入信号(ei)对在所述响应点(65)处获取的所述响应信号(r)的预测贡献的贡献信号(ci),
其中,所述神经网络设备(7)的训练(S20)使用在所述多个输入点(61-64)处获取的所述输入信号(ei)作为训练输入数据,并且使用在所述响应点(65)处获取的所述响应信号(r)作为训练输出数据;并且(S30)针对所述多个输入点(61-64)中的每个。
7.根据权利要求6所述的方法,其中,所述方法还包括生成并显示将所述响应信号(r)分解(8)为在所述多个输入点中的每个输入点处获取的所述输入信号(ei)的预测贡献。
8.根据权利要求6所述的方法,其中,所述方法还包括比较在所述多个输入点(61-64)中的每个输入点处获取的所述输入信号(ei)的预测贡献;识别在多个预测贡献中预测贡献最大的输入信号(ei);在获取所识别的输入信号(ei)的输入点(61-64)处改变所述机械系统(5)。
9.根据权利要求6所述的方法,其中,所述神经网络设备(7)被配置为实现循环神经网络,所述循环神经网络包括输入层、输出层和至少一个隐藏层,每个层包括至少一个神经元。
10.根据权利要求9所述的方法,其中,所述输入层和所述输出层的神经元各自配置有线性激活函数,并且所述至少一个隐藏层的神经元各自配置有S形激活函数。
11.根据权利要求9或10所述的方法,其中,所述循环神经网络是长短期记忆。
12.根据权利要求9或10所述的方法,其中,所述循环神经网络的神经元总数在10与250之间。
13.一种计算机可读存储介质,在所述计算机可读存储介质上存储有程序代码,用于在至少一个计算机上运行时执行根据权利要求1-12中任一项所述的方法。
14.一种用于检测包括多个机械相互作用元件(51-55)的机械系统(5)中的振动和/或声学传递的装置(1、2),所述装置(1、2)包括神经网络设备(7)并且还包括:
获取单元(10),被配置为a)在根据操作模式操作所述机械系统(5)的时候,在所述机械系统(5)的多个输入点(61-64)中的每个输入点处获取指示在操作期间作用在所述输入点(61-64)上的机械负载的输入信号(ei),并在所述机械系统(5)的响应点(65)处获取指示所述机械系统(5)在所述响应点(65)处的机械响应的响应信号(r);
训练单元(20),被配置为b)使用在所述多个输入点(61-64)处获取的所述输入信号(ei)作为训练输入数据,并使用在所述响应点处获取的所述响应信号(r)作为训练输出数据,来训练神经网络设备(7);以及
预测单元(30),被配置为,对于所述多个输入点(61-64)中的每个输入点:
c)仅将在相应输入点(61-64)处获取的所述输入信号(ei)作为输入数据提供给经训练的神经网络设备(7);以及
d)仅响应于被提供给所述经训练的神经网络设备(7)的在所述相应输入点(61-64)处获取的所述输入信号(ei),获得来自所述经训练的神经网络设备(7)作为输出数据的、指示在所述相应输入点(61-64)处获取的所述输入信号(ei)对在所述响应点(65)处获取的所述响应信号(r)的预测贡献的贡献信号(ci)。
15.一种用于检测包括多个机械相互作用元件(51-55)的机械系统(5)中的振动和/或声学传递的装置(3),所述装置(3)包括经训练的神经网络设备(7),所述经训练的神经网络设备被训练用于执行对所述机械系统(5)中的振动和/或声学传递的检测,并且还包括:
获取单元(10),被配置为a')在根据操作模式操作所述机械系统(5)的时候,在所述机械系统(5)的多个输入点(61-64)中的每个输入点处获取指示在操作期间作用在所述输入点(61-64)上的机械负载的输入信号,并在所述机械系统(5)的响应点(65)处获取指示所述机械系统(5)在所述响应点(65)处的机械响应的响应信号(r);
预测单元(30),被配置为,对于所述多个输入点(61-64)中的每个输入点:
c)仅将在相应输入点(61-64)处获取的所述输入信号(ei)作为输入数据提供给所述经训练的神经网络设备(7);以及
d)仅响应于被提供给所述经训练的神经网络设备(7)的在所述相应输入点(61-64)处获取的所述输入信号(ei),获得来自所述经训练的神经网络设备(7)作为输出数据的、指示在所述相应输入点(61-64)处获取的所述输入信号(ei)对在所述响应点(65)处获取的所述响应信号(r)的预测贡献的贡献信号(ci),
其中,所述神经网络设备(7)的训练(S20)使用在所述多个输入点(61-64)处获取的所述输入信号(ei)作为训练输入数据,并且使用在所述响应点(65)处获取的所述响应信号(r)作为训练输出数据;并且(S30)针对所述多个输入点(61-64)中的每个。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2018/064236 WO2019228625A1 (en) | 2018-05-30 | 2018-05-30 | Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112204362A CN112204362A (zh) | 2021-01-08 |
CN112204362B true CN112204362B (zh) | 2022-10-04 |
Family
ID=62567627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880094013.6A Active CN112204362B (zh) | 2018-05-30 | 2018-05-30 | 检测机械系统中的振动和/或声学传递的方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11187619B2 (zh) |
EP (1) | EP3775801B1 (zh) |
CN (1) | CN112204362B (zh) |
WO (1) | WO2019228625A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3980735B1 (en) * | 2019-07-22 | 2024-06-12 | Siemens Industry Software NV | Method and apparatus for estimating electromagnetic forces active in an electric machine |
DE102020213899A1 (de) | 2020-11-04 | 2022-05-05 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein | Sensorsystem |
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 |
CN113465732B (zh) * | 2021-08-13 | 2022-04-05 | 重庆大学 | 基于emd-dnn的振动台结构位移响应预测方法及装置 |
CN113465733B (zh) * | 2021-08-13 | 2022-04-05 | 重庆大学 | 基于eemd-dnn的振动台结构位移响应预测方法及装置 |
CN113963676B (zh) * | 2021-10-20 | 2022-06-03 | 深圳技术大学 | 一种乘用车噪声控制方法 |
CN116415339A (zh) * | 2023-06-06 | 2023-07-11 | 四川名人居门窗有限公司 | 基于结构应力跟踪的门窗风险预测方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602671A (en) * | 1990-11-13 | 1997-02-11 | Texas Instruments Incorporated | Low surface energy passivation layer for micromechanical devices |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
CN106168541A (zh) * | 2015-05-19 | 2016-11-30 | 通用汽车环球科技运作有限责任公司 | 汽车、诊断系统及生成汽车诊断数据的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5367612A (en) * | 1990-10-30 | 1994-11-22 | Science Applications International Corporation | Neurocontrolled adaptive process control system |
JP3345930B2 (ja) * | 1993-01-06 | 2002-11-18 | 日産自動車株式会社 | アクティブコントロール装置 |
US5602761A (en) * | 1993-12-30 | 1997-02-11 | Caterpillar Inc. | Machine performance monitoring and fault classification using an exponentially weighted moving average scheme |
US6137886A (en) * | 1994-07-18 | 2000-10-24 | Cooper Tire & Rubber Company | Active vibration control method and apparatus |
US6601054B1 (en) * | 1999-08-16 | 2003-07-29 | Maryland Technology Corporation | Active acoustic and structural vibration control without online controller adjustment and path modeling |
US6493689B2 (en) * | 2000-12-29 | 2002-12-10 | General Dynamics Advanced Technology Systems, Inc. | Neural net controller for noise and vibration reduction |
US7321809B2 (en) | 2003-12-30 | 2008-01-22 | The Boeing Company | Methods and systems for analyzing engine unbalance conditions |
ATE544054T1 (de) * | 2008-05-01 | 2012-02-15 | Lms Internat Nv | Schwingungs- und/oder akustische übertragungsweganalyse |
-
2018
- 2018-05-30 WO PCT/EP2018/064236 patent/WO2019228625A1/en active Search and Examination
- 2018-05-30 CN CN201880094013.6A patent/CN112204362B/zh active Active
- 2018-05-30 US US17/058,640 patent/US11187619B2/en active Active
- 2018-05-30 EP EP18730283.1A patent/EP3775801B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602671A (en) * | 1990-11-13 | 1997-02-11 | Texas Instruments Incorporated | Low surface energy passivation layer for micromechanical devices |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
CN101072984A (zh) * | 2004-12-06 | 2007-11-14 | 卡特彼勒公司 | 机械的振动分析系统和方法 |
CN106168541A (zh) * | 2015-05-19 | 2016-11-30 | 通用汽车环球科技运作有限责任公司 | 汽车、诊断系统及生成汽车诊断数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
US11187619B2 (en) | 2021-11-30 |
EP3775801A1 (en) | 2021-02-17 |
EP3775801B1 (en) | 2022-04-20 |
US20210208026A1 (en) | 2021-07-08 |
CN112204362A (zh) | 2021-01-08 |
WO2019228625A1 (en) | 2019-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112204362B (zh) | 检测机械系统中的振动和/或声学传递的方法和装置 | |
CN106525445B (zh) | 基于车辆声音和振动的车辆诊断 | |
KR101864860B1 (ko) | 딥러닝을 통한 자동차 상태 진단 방법 | |
KR102329665B1 (ko) | 차량의 구동 거동을 판단 및/또는 최적화하기 위한 시스템 | |
JP4583028B2 (ja) | 変化する傾斜を有する道路上で駆動されている車両の質量を推定する方法および道路の傾斜を推定する方法 | |
CN110525511A (zh) | 用于被动和主动监控并评估电动转向系统的系统 | |
US20190311558A1 (en) | Method and apparatus to isolate an on-vehicle fault | |
CN114464213A (zh) | 车辆的异常声音检查装置 | |
US6687585B1 (en) | Fault detection and isolation system and method | |
CN114383711A (zh) | 车辆的异响判定装置 | |
Gosavi | Automotive buzz, squeak and rattle (BSR) detection and prevention | |
Sturm et al. | Robust NVH development of steering systems using in-situ blocked forces from measurements with low-noise driver simulators | |
Fischer et al. | Measurement and analysis of the interior noise and the transfer path of acoustic phenomena into the driver cabin of a battery electric vehicle | |
Tsokaktsidis et al. | Time domain full vehicle interior noise calculation from component level data by machine learning | |
Wagner et al. | High frequency source characterization of an e-motor using component-based TPA | |
van der Seijs et al. | Road noise: embedding suspension test benches in sound & vibration design using virtual points and the transfer path analysis framework | |
van der Seijs et al. | Road noise NVH: embedding suspension test benches in NVH design using Virtual Points and the TPA framework | |
Almirón et al. | Structure-Borne Prediction on a Tire-Suspension Assembly Using Experimental Invariant Spindle Forces | |
Kordes et al. | Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks. | |
Shi et al. | Rubber Stiffness Optimization for Floor Vibration Attenuation of a Light Bus Based on Matrix Inversion TPA | |
Bianciardi et al. | NVH prediction and real-time auralization for virtually assembled vehicles: an overview of the technology | |
Al-Dhahebi et al. | Genetic and random search algorithms for optimising vehicle interior noise and vibration | |
CN113591228B (zh) | 一种噪声传递路径分析及优化方法 | |
Van der Auweraer et al. | Modal and Path Contribution Models from In‐Operation Data: Review and New Approaches | |
Palled et al. | ACOUSTIC DYNAMOMETER MEASUREMENTS AND VIRTUAL PROTOTYPING OF A VEHICLE TO ADDRESS THE LOW FREQUENCY NOISE IN A PASSENGERS CABIN |
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 |