CN113514147B - 车辆噪声识别方法、系统、设备及计算机可读存储介质 - Google Patents
车辆噪声识别方法、系统、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113514147B CN113514147B CN202110540086.7A CN202110540086A CN113514147B CN 113514147 B CN113514147 B CN 113514147B CN 202110540086 A CN202110540086 A CN 202110540086A CN 113514147 B CN113514147 B CN 113514147B
- Authority
- CN
- China
- Prior art keywords
- noise
- noise signal
- similarity
- signal
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 64
- 239000013598 vector Substances 0.000 claims description 56
- 238000012216 screening Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005314 correlation function Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 16
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000012952 Resampling Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Classifications
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种车辆噪声识别方法,具体涉及车辆噪声控制领域,包括:获取第一噪声信号;对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号;将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。本发明通过将待识别的车辆噪声信号与噪声数据库中的噪声进行匹配,识别出待识别车辆噪声信号的类型,与现有的通过工程师或专家进行噪声识别方式相比,提高了噪声识别的效率。
Description
技术领域
本发明涉及一种噪声识别方法,特别是涉及一种车辆噪声识别方法、系统、设备及计算机可读存储介质。
背景技术
汽车发展正向着“智能化、电动化、数字化”等新形态方向发展,整车振动噪声的智能诊断正契合这一新兴主题,对提升汽车感知品质和品牌影响力有重要意义。
由于汽车结构复杂,包含若干部件,每种部件都有可能引起振动噪声,因此,如何确定汽车产生振动噪声的根源是提高汽车NVH(Noise、Vibration、Harshness,噪声、振动与声振粗糙度)性能的关键。目前查找产生振动噪声的原因是依赖于经验丰富的工程师,这种解决问题的方式可能会降低效率增加工作量,导致问题不能及时解决。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种车辆噪声识别方法、系统、设备及计算机可读存储介质,用于解决现有技术中工作效率不高的问题。
为实现上述目的及其他相关目的,本发明提供一种车辆噪声识别方法,所述方法包括:
获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
于本发明的一实施例中,当所述第一最大相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时,该方法还包括:
获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
于本发明的一实施例中,所述第一噪声信号与所述第二噪声信号具有相同的特征参数,包括时域特征参数和频域特征参数,所述时域特征参数包括时域的均值、方根均值、方差、标准差、有效值、陡度、偏度、波形因子,峰值因子、脉冲因子、裕度因子、余隙因子中的一个或多个;所述频域特征参数包括平均频率、重心频率、频率均方根、频率方差中的一个或多个。
于本发明的一实施例中,对所述第一噪声信号的特征参数与所述第二噪声信号的特征参数以相同的顺序进行排序,并建构第一特征参数向量与第二特征参数向量。
于本发明的一实施例中,通过相关函数或均方根误差计算所述第一噪声信号的频域特征谱与所述第二噪声信号的频域特征谱之间的频域特征谱相似度。
于本发明的一实施例中,通过均方根误差计算所述第一噪声信号的特征参数与第二噪声信号的特征参数之间的特征参数相似度。
为实现上述目的及其他相关目的,本发明提供一种车辆噪声识别系统,所述系统包括:
噪声信号获取模块,用于获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
特征提取模块,用于对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
第一筛选模块,用于从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
第一比较模块,用于将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
于本发明的一实施例中,该系统还包括:
特征参数向量构建模块,用于在所述第一最大相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时,获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
第二筛选模块,用于从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
第二比较模块,用于将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
为实现上述目的及其他相关目的,本发明提供一种车辆噪声识别设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现所述的方法。
为实现上述目的及其他相关目的,本发明提供一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行所述的方法。
如上所述,本发明的一种车辆噪声识别方法,包括:获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。本发明通过将待识别的车辆噪声信号与噪声数据库中的噪声进行匹配,识别出待识别车辆噪声信号的类型,与现有的通过工程师或专家进行噪声识别方式相比,提高了噪声识别的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图
图1为本发明于一实施例中的一种车辆噪声识别方法示意图;
图2为本发明于另一实施例中的一种车辆噪声识别方法示意图;
图3为本发明于一实施例中的一种车辆噪声识别系统的示意图;
图4为本发明于另一实施例中的一种车辆噪声识别系统的示意图。
元件标号说明
31、噪声信号获取模块,32、特征提取模块,33、第一筛选模块,34、第一比较模块,41、特征参数向量构建模块,42、第二筛选模块,43、第二比较模块。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图1,本发明提供一种车辆噪声识别方法,所述方法包括:
S11获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
S12对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
S13从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
S14将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
本发明通过将待识别的车辆噪声信号与噪声数据库中的噪声进行匹配,识别出待识别车辆噪声信号的类型,与现有的通过工程师或专家进行噪声识别方式相比,提高了噪声识别的效率。
在本发明中,车辆可以为任何车辆,例如,汽车(例如,轿车和卡车)、船、全地形车辆或任何其他类型的车辆。当然,本领域技术人员可以理解,车辆也可以为其他类型。车辆噪声信号可以为传动系统噪声、吱吱声、嘎嘎声和/或其他此类不同类型的噪声。例如,可将在车辆中经历的噪声和/或车辆所发出的噪声记录下来,可通过车载麦克风或任何其他音频捕获设备将其记录下来。
在本发明中,通过将第一噪声信号的频域特征谱与噪声数据库中的每一个第二噪声信号的频域特征谱进行比对,从而确定出第一噪声信号的噪声类型。
其中,噪声数据库中包括了多个第二噪声信号,是经过专家或工程师确定的精确的噪声信号。
由于在进行车辆噪声信号采集时,可能是通过不同采样频率对不同的噪声信号进行采集,采集到的每个噪声信号的强度不一致,且每个噪声信号都具有背景噪声。因此,需要先对采集的噪声信号进行时域截断和频域滤波,去除背景噪声。然后对去除背景噪声后的噪声信号进行处理,使得噪声信号的信号长度与能量进行统一,使其仅保留信号的频谱形状特征。其中,对去除背景后的噪声信号进行处理的方式包括重采样和归一化,通过重采样和归一化的手段使不同采样频率、不同信号强度的噪声信号的信号长度与能量统一,最后通过主客观对比评价得到精准的噪声信号。
其中,主客观对比是指一个采集的噪声信号经过主观评价和客观评价,得到精准的噪声信号。
主观评价是指一个噪声信号经过专家评价属于什么类型的噪声,对应于该类型的噪声,其噪声解决方案是怎么样的。
客观评价是指一个采集回来的噪声信号,经过滤波等信号处理手段,最终确定的该噪声信号中的某一段信号。例如采集回来的一段“底盘异响”的声音,共计30秒,其中只有10秒的时间是真正的意义上的“底盘异响”,而其余的20秒并不属于“底盘异响”。或者只有在某段频率内的声音才是真正的“底盘异响”,而其他频率的声音并不属于“底盘异响”。
在确定好精准的噪声信号后,可以通过专家或工程师确定每个噪声信号的噪声类型,每一类型的噪声对应的噪声解决方案。噪声数据库中的每一个第二噪声信号对应一种噪声类型,第一种类型的噪声对应一个噪声解决方案。当然,也可以多种类型的噪声同时对应一个噪声解决方案,还可以每一种类型的噪声对应多个噪声解决方案。
在对待识别的车辆噪声信号的类型进行识别时,可以通过车载麦克风采集到第一噪声信号,然后对所述第一噪声信号进行时域截断和频域滤波,去除背景噪声。对滤除背景噪声后的第一噪声信号进行重采样和归一化,使得经过处理后的第一噪声信号的信号长度和能量与噪声数据库中的第二噪声信号的信号长度和能量统一,最后通过主客观对比评价得到精确的噪声信号。其中,主客观评价得到精确的噪声信号的方式可以参照前述对第二噪声信号的处理方式得到。
在进行噪声类型的识别过程中,需要将所述第一噪声信号的频域特征谱与噪声数据库中的每一个所述第二噪声信号的频域特征谱进行比对,因此需要对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱。提取到第一噪声信号的频域特征谱后,将所述第一噪声信号的频域特征谱分别与噪声数据库中的每一个所述第二噪声信号的频域特征谱进行比对,得到多个频域特征谱相似度。若噪声数据库中有40个第二噪声信号,则会得到40个频域特征谱相似度。从40个频域特征谱相似度度筛选出最大的相似度作为第一最大相似度,将所述第一最大相似度与设定的第一相似度阈值进行比对,若第一最大相似度大于或等于设定的第一相似度阈值,则认为第二噪声信号与第一噪声信号非常相似,例如,第一最大相似度为95,第一相似度阈值为93,则此时第一最大相似度大于第一相似度阈值,此时,将第二噪声信号的噪声类型作为第一噪声信号的噪声类型,同时可以确定第一噪声信号对应的噪声解决方案,即为第二噪声信号对应的噪声解决方案。
在一实施例中,可以通过相关函数或均方根误差计算所述第一噪声信号的频域特征谱与所述第二噪声信号的频域特征谱之间的频域特征谱相似度。其中,若采用相关函数计算第一噪声信号的频域特征谱与第二噪声信号的频域特征谱之间的频域特征谱相似度,相关函数的相关系数越大,表示第一噪声信号与第二噪声信号越相似。若采用均方根误差计算第一噪声信号的频域特征谱与第二噪声信号的频域特征谱之间的频域特征谱相似度,均方根误差越小,表示第一噪声信号与第二噪声信号越相似。
上述实施例描述了第一最大相似度大于或等于设定的第一相似度阈值的情况,下面对第一最大相似度小于设定的第一相似度阈值的情况进行说明。
当第一最大相似度远远小于设定的第一相似度阈值,则说有第一噪声信号与第二噪声信号完全不相似,两者并不存在相应的关系,则对于该第一噪声信号,并不能在噪声数据库中找到相似度第二噪声信号。例如,第一最大相似度为70,由于第一最大相似度远远小于第一相似度阈值93,则认为第一噪声信号与第二噪声信号并不存在相应的关系。
当第一最大相似度小于设定的第一相似度阈值,大于或等于第二相似度阈值,例如第一最大相似度为90,第一相似度阈值为93,第二相似度阈值为88,第一最大相似度在第一相似度阈值与第二相似度阈值之间,此时,认为通过频域特征谱并不能判断第一噪声信号与第二噪声信号的关系。因此,需要进一步通过第一噪声信号的参数与第二噪声信号的参数来判断两者间是否存在关系。
因此,在一实施例中,请参阅图2,在所述第一最大相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时,则该方法还包括:
S21获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
S22从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
S23将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
在进行噪声类型的识别过程中,需要将所述第一噪声信号的特征参数向量与噪声数据库中的每一个所述第二噪声信号的特征参数向量进行比对,因此需要对所述第一噪声信号进行特征参数提取,得到所述第一噪声信号的特征参数并构建第一特征参数向量。得到第一噪声信号的第一特征参数向量后,将所述第一噪声信号的第一特征参数向量分别与噪声数据库中的每一个所述第二噪声信号的第一特征参数向量进行比对,得到多个特征参数向量相似度。
若噪声数据库中有40个第二噪声信号,则会得到40个特征参数向量。从40个特征参数向量筛选出最大的相似度作为第二最大相似度,将所述第二最大相似度与设定的第三相似度阈值进行比对,若第二最大相似度大于或等于设定的第三相似度阈值,则认为第二噪声信号与第一噪声信号非常相似,例如,第二最大相似度为95,第三相似度阈值为93,则此时第二最大相似度大于第三相似度阈值,此时,将第二噪声信号的噪声类型作为第一噪声信号的噪声类型,同时可以确定第一噪声信号对应的噪声解决方案,即为第二噪声信号对应的噪声解决方案。
本实施例在通过频域特征谱相似度并不能确定待识别的噪声信号的噪声类型时,会通过提取噪声信号的特征参数并构建特征参数向量来进一步识别噪声类型,提高噪声类型识别的精度。通过对比第一噪声信号与第二噪声信号之间的特征参数向量之间的相似度大小来确定第一噪声信号与第二噪声信号是否具有相关系。
其中,所述第一噪声信号与所述第二噪声信号具有相同的特征参数,包括时域特征参数和频域特征参数,所述时域特征参数包括时域的均值、方根均值、方差、标准差、有效值、陡度、偏度、波形因子,峰值因子、脉冲因子、裕度因子、余隙因子中的一个或多个;所述频域特征参数包括平均频率、重心频率、频率均方根、频率方差中的一个或多个。
在一实施例中,对所述第一噪声信号的特征参数与所述第二噪声信号的特征参数以相同的顺序进行排序,并建构第一特征参数向量与第二特征参数向量。
在一实施例中,通过均方根误差计算所述第一噪声信号的特征参数与第二噪声信号的特征参数之间的相似度。
本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。
请参阅图3,本发明提供一种车辆噪声识别系统,所述系统包括:
噪声信号获取模块31,用于获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
特征提取模块32,用于对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
第一筛选模块33,用于从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
第一比较模块34,用于将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
本发明通过将待识别的车辆噪声信号与噪声数据库中的噪声进行匹配,识别出待识别车辆噪声信号的类型,与现有的通过工程师或专家进行噪声识别方式相比,提高了噪声识别的效率。
在本发明中,车辆可以为任何车辆,例如,汽车(例如,轿车和卡车)、船、全地形车辆或任何其他类型的车辆。当然,本领域技术人员可以理解,车辆也可以为其他类型。车辆噪声信号可以为传动系统噪声、吱吱声、嘎嘎声和/或其他此类不同类型的噪声。例如,可将在车辆中经历的噪声和/或车辆所发出的噪声通过噪声信号获取模块记录下来,噪声信号获取模块可以为车载麦克风或任何其他音频捕获设备。
在本发明中,第一比较模块通过将第一噪声信号的频域特征谱与噪声数据库中的每一个第二噪声信号的频域特征谱进行比对,从而确定出第一噪声信号的噪声类型。
其中,噪声数据库中包括了多个第二噪声信号,是经过专家或工程师确定的精确的噪声信号。
由于在进行车辆噪声信号采集时,可能是通过不同采样频率对不同的噪声信号进行采集,采集到的每个噪声信号的强度不一致,且每个噪声信号都具有背景噪声。因此,需要先对采集的噪声信号进行时域截断和频域滤波,去除背景噪声。然后对去除背景噪声后的噪声信号进行处理,使得噪声信号的信号长度与能量进行统一,使其仅保留信号的频谱形状特征。其中,对去除背景后的噪声信号进行处理的方式包括重采样和归一化,通过重采样和归一化的手段使不同采样频率、不同信号强度的噪声信号的信号长度与能量统一,最后通过主客观对比评价得到精准的噪声信号。
其中,主客观对比是指一个采集的噪声信号经过主观评价和客观评价,得到精准的噪声信号。
主观评价是指一个噪声信号经过专家评价属于什么类型的噪声,对应于该类型的噪声,其噪声解决方案是怎么样的。
客观评价是指一个采集回来的噪声信号,经过滤波等信号处理手段,最终确定的该噪声信号中的某一段信号。例如采集回来的一段“底盘异响”的声音,共计30秒,其中只有10秒的时间是真正的意义上的“底盘异响”,而其余的20秒并不属于“底盘异响”。或者只有在某段频率内的声音才是真正的“底盘异响”,而其他频率的声音并不属于“底盘异响”。
在确定好精准的噪声信号后,可以通过专家或工程师确定每个噪声信号的噪声类型,每一类型的噪声对应的噪声解决方案。噪声数据库中的每一个第二噪声信号对应一种噪声类型,第一种类型的噪声对应一个噪声解决方案。当然,也可以多种类型的噪声同时对应一个噪声解决方案,还可以每一种类型的噪声对应多个噪声解决方案。
在对待识别的车辆噪声信号的类型进行识别时,可以通过车载麦克风采集到第一噪声信号,然后对所述第一噪声信号进行时域截断和频域滤波,去除背景噪声。对滤除背景噪声后的第一噪声信号进行重采样和归一化,使得经过处理后的第一噪声信号的信号长度和能量与噪声数据库中的第二噪声信号的信号长度和能量统一,最后通过主客观对比评价得到精确的噪声信号。其中,主客观评价得到精确的噪声信号的方式可以参照前述对第二噪声信号的处理方式得到。
在进行噪声类型的识别过程中,需要将所述第一噪声信号的频域特征谱与噪声数据库中的每一个所述第二噪声信号的频域特征谱进行比对,因此需要对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱。提取到第一噪声信号的频域特征谱后,将所述第一噪声信号的频域特征谱分别与噪声数据库中的每一个所述第二噪声信号的频域特征谱进行比对,得到多个频域特征谱相似度。若噪声数据库中有40个第二噪声信号,则会得到40个频域特征谱相似度。从40个频域特征谱相似度筛选出最大的相似度作为第一最大相似度,将所述第一最大相似度与设定的第一相似度阈值进行比对,若第一最大相似度大于或等于设定的第一相似度阈值,则认为第二噪声信号与第一噪声信号非常相似,例如,第一最大相似度为95,第一相似度阈值为93,则此时第一最大相似度大于第一相似度阈值,此时,将第二噪声信号的噪声类型作为第一噪声信号的噪声类型,同时可以确定第一噪声信号对应的噪声解决方案,即为第二噪声信号对应的噪声解决方案。
于一实施例中,请参阅图4,该系统还包括:
特征参数向量构建模块41,用于在所述第一噪声信号与所述第二噪声信号的之间的频域特征谱相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
第二筛选模块42,用于从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
第二比较模块43,用于将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
在进行噪声类型的识别过程中,需要将所述第一噪声信号的特征参数向量与噪声数据库中的每一个所述第二噪声信号的特征参数向量进行比对,因此需要对所述第一噪声信号进行特征参数提取,得到所述第一噪声信号的特征参数并构建第一特征参数向量。得到第一噪声信号的第一特征参数向量后,将所述第一噪声信号的第一特征参数向量分别与噪声数据库中的每一个所述第二噪声信号的第一特征参数向量进行比对,得到多个特征参数向量相似度。
若噪声数据库中有40个第二噪声信号,则会得到40个特征参数向量。从40个特征参数向量筛选出最大的相似度作为第二最大相似度,将所述第二最大相似度与设定的第三相似度阈值进行比对,若第二最大相似度大于或等于设定的第三相似度阈值,则认为第二噪声信号与第一噪声信号非常相似,例如,第二最大相似度为95,第三相似度阈值为93,则此时第二最大相似度大于第三相似度阈值,此时,将第二噪声信号的噪声类型作为第一噪声信号的噪声类型,同时可以确定第一噪声信号对应的噪声解决方案,即为第二噪声信号对应的噪声解决方案。
本实施例在通过频域特征谱相似度并不能确定待识别的噪声信号的噪声类型时,会通过提取噪声信号的特征参数并构建特征参数向量来进一步识别噪声类型,提高噪声类型识别的精度。通过对比第一噪声信号与第二噪声信号之间的特征参数向量的相似度大小来确定第一噪声信号与第二噪声信号是否具有相关系。
上述实施例中提供的系统可执行本发明任意实施例所提供的方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的一种车辆噪声识别方法。
综上所述,本发明的车辆噪声识别方法,包括获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;获取所述第一噪声信号的频域特征谱与噪声数据库中的每一个第二噪声信号的频域特征谱之间的频域特征谱相似度;其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;若所述频域特征谱相似度大于或等于设定的第一相似度阈值,则所述第一噪声信号的噪声类型为所述第二噪声信号对应的噪声类型。本发明通过将待识别的车辆噪声信号与噪声数据库中的噪声进行匹配,识别出待识别车辆噪声信号的类型,与现有的通过工程师或专家进行噪声识别方式相比,提高了噪声识别的效率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、设备和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,通过以上的实施方式的掐述,本领域的技术人员可以清楚地了解到本申请的部分或全部可借助软件并结合必需的通用硬件平台来实现。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,还可以存储在一个计算机可读取存储介质中基于这样的理解,本发明实施例提供一种计算机可读存储介质,包括程序,当其在计算机上运行时,使得计算机执行如图1所示的车辆静态电流控制方法。
本发明实施例提供一种车辆静态电流控制设备,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现如图1所示的方法。
基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可包括其上存储有机器可执行指令的一个或多个机器可读介质,这些指令在由诸如计算机、计算机网络或其他电子设备等一个或多个机器执行时可使得该一个或多个机器根据本申请的实施例来执行操作。例如电力资源管理方法中的各步骤等。机器可读介质可包括,但不限于,软盘、光盘、CD-ROM(紧致盘一只读存储器)、磁光盘、ROM(只读存储器),RAM(随机存取存储器),EPROM(可擦除可编程只读存储器),EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存或适于存储机器可执行指令的其他类型的介质/机器可读介质。其中,所述存储介质可位于本地服务器也可位于第三方服务器中,如位于第三方云服务平台中。在此对具体云服务平台不做限制,如阿里云、腾讯云等。本申请可用于众多通用或专用的计算系统环境或配置中。例如:被配置为分布式系统中一个节点的个人计算机、专用服务器计算机、大型计算机等。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种车辆噪声识别方法,其特征在于,所述方法包括:
获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型;
当所述第一最大相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时,该方法还包括:
获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
2.根据权利要求1所述的车辆噪声识别方法,其特征在于,所述第一噪声信号与所述第二噪声信号具有相同的特征参数,包括时域特征参数和频域特征参数,所述时域特征参数包括时域的均值、方根均值、方差、标准差、有效值、陡度、偏度、波形因子,峰值因子、脉冲因子、裕度因子、余隙因子中的一个或多个;所述频域特征参数包括平均频率、重心频率、频率均方根、频率方差中的一个或多个。
3.根据权利要求2所述的车辆噪声识别方法,其特征在于,对所述第一噪声信号的特征参数与所述第二噪声信号的特征参数以相同的顺序进行排序,并建构第一特征参数向量与第二特征参数向量。
4.根据权利要求1所述的车辆噪声识别方法,其特征在于,通过相关函数或均方根误差计算所述第一噪声信号的频域特征谱与所述第二噪声信号的频域特征谱之间的频域特征谱相似度。
5.根据权利要求1所述的车辆噪声识别方法,其特征在于,通过均方根误差计算所述第一噪声信号的特征参数与第二噪声信号的特征参数之间的特征参数相似度。
6.一种车辆噪声识别系统,其特征在于,所述系统包括:
噪声信号获取模块,用于获取第一噪声信号,其中,所述第一噪声信号为待识别的车辆噪声信号;
特征提取模块,用于对所述第一噪声信号进行特征提取,得到所述第一噪声信号的频域特征谱;
第一筛选模块,用于从噪声数据库中确定出与所述第一噪声信号的频域特征谱之间具有第一最大相似度的第二噪声信号,其中,所述第二噪声信号为噪声数据库中的模板车辆噪声信号,噪声数据库中的每一个模板车辆噪声信号对应一种噪声类型;
第一比较模块,用于将所述第一最大相似度与设定的第一相似度阈值进行比较,当所述第一最大相似度大于或等于设定的第一相似度阈值时,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型;
该系统还包括:
特征参数向量构建模块,用于在所述第一最大相似度小于设定的第一相似度阈值且大于或等于第二相似度阈值时,获取所述第一噪声信号的特征参数,并基于所述特征参数构建第一特征参数向量;
第二筛选模块,用于从噪声数据库中确定出与所述第一特征参数向量之间具有第二最大相似度的第二特征参数向量,其中,第二特征参数向量基于第二噪声信号的特征参数构建;
第二比较模块,用于将所述第二最大相似度与设定的第三相似度阈值进行比较,当所述第二最大相似度大于或等于设定的第三相似度阈值,将所述第二噪声信号对应的噪声类型作为所述第一噪声信号的噪声类型。
7.一种车辆噪声识别设备,其特征在于,包括处理器,所述处理器和存储器耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,包括程序,当其在计算机上运行时,使得计算机执行如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540086.7A CN113514147B (zh) | 2021-05-18 | 2021-05-18 | 车辆噪声识别方法、系统、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540086.7A CN113514147B (zh) | 2021-05-18 | 2021-05-18 | 车辆噪声识别方法、系统、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514147A CN113514147A (zh) | 2021-10-19 |
CN113514147B true CN113514147B (zh) | 2023-10-31 |
Family
ID=78064578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540086.7A Active CN113514147B (zh) | 2021-05-18 | 2021-05-18 | 车辆噪声识别方法、系统、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514147B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113938625B (zh) * | 2021-10-25 | 2024-03-05 | 锐芯微电子股份有限公司 | 图像传感器及其读出方法、装置、计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120103286A (ko) * | 2011-03-10 | 2012-09-19 | 최길준 | 오디오 신호를 이용하여 차량에 대한 관심 대상 이벤트를 감지하기 위한 방법 및 장치 |
KR101601523B1 (ko) * | 2014-11-03 | 2016-03-08 | 현대자동차주식회사 | 차량의 소음원 인식 장치 및 소음 지문을 이용한 소음원 인식 방법 |
FR3028945A1 (fr) * | 2014-11-26 | 2016-05-27 | Peugeot Citroen Automobiles Sa | Dispositif de diagnostic de vehicule automobile |
CN105810213A (zh) * | 2014-12-30 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种典型异常声音检测方法及装置 |
CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160343180A1 (en) * | 2015-05-19 | 2016-11-24 | GM Global Technology Operations LLC | Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles |
CN106815231A (zh) * | 2015-11-30 | 2017-06-09 | 英业达科技有限公司 | 车辆异音辨识系统及车辆异音辨识的方法 |
US10486675B2 (en) * | 2017-11-11 | 2019-11-26 | Brian Hearing | Vehicle brake monitoring through ultrasonic emissions |
-
2021
- 2021-05-18 CN CN202110540086.7A patent/CN113514147B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120103286A (ko) * | 2011-03-10 | 2012-09-19 | 최길준 | 오디오 신호를 이용하여 차량에 대한 관심 대상 이벤트를 감지하기 위한 방법 및 장치 |
KR101601523B1 (ko) * | 2014-11-03 | 2016-03-08 | 현대자동차주식회사 | 차량의 소음원 인식 장치 및 소음 지문을 이용한 소음원 인식 방법 |
FR3028945A1 (fr) * | 2014-11-26 | 2016-05-27 | Peugeot Citroen Automobiles Sa | Dispositif de diagnostic de vehicule automobile |
CN105810213A (zh) * | 2014-12-30 | 2016-07-27 | 浙江大华技术股份有限公司 | 一种典型异常声音检测方法及装置 |
CN109949823A (zh) * | 2019-01-22 | 2019-06-28 | 江苏大学 | 一种基于dwpt-mfcc与gmm的车内异响识别方法 |
Non-Patent Citations (2)
Title |
---|
基于卷积神经网络的汽车噪声定量识别方法;严小俊;赵要珍;曹诚;马扎根;;上海汽车(第06期);全文 * |
船舶辐射噪声信号相似度评估方法研究;郑援;姜斌;李智忠;;信号处理(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113514147A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113074967B (zh) | 一种异音检测的方法、装置、存储介质及电子设备 | |
CN113514147B (zh) | 车辆噪声识别方法、系统、设备及计算机可读存储介质 | |
US9424743B2 (en) | Real-time traffic detection | |
CN108229567B (zh) | 驾驶员身份识别方法及装置 | |
CN109063433B (zh) | 虚假用户的识别方法、装置及可读存储介质 | |
CN111754982A (zh) | 语音通话的噪声消除方法、装置、电子设备及存储介质 | |
CN109116243B (zh) | 一种动力电池的异常检测方法和装置 | |
CN113392874B (zh) | 轨道车辆异常状态诊断方法、装置及终端设备 | |
CN114936149A (zh) | 基于wgan-gp的can总线模糊测试用例生成方法及模糊测试系统 | |
CN113674763A (zh) | 利用线谱特性的鸣笛声识别方法及系统、设备与存储介质 | |
CN116741200A (zh) | 一种机车风机故障检测方法及装置 | |
CN111611821A (zh) | 二维码识别方法、装置、计算机设备和可读存储介质 | |
CN116699400A (zh) | 一种发电机转子短路故障监测系统、方法及可读存储介质 | |
CN115144026A (zh) | 一种基于Tsallis熵的地铁接触轨系统状态特征提取方法及应用 | |
CN115132188A (zh) | 基于语音识别的预警方法、装置、终端设备及存储介质 | |
CN115844402A (zh) | 注意力预测方法、装置、电子设备及计算机可读存储介质 | |
Liang et al. | A rattle signal denoising and enhancing method based on wavelet packet decomposition and mathematical morphology filter for vehicle | |
CN114281664A (zh) | 应用程序负载数据预测方法、装置及存储介质 | |
CN113397563A (zh) | 抑郁分类模型的训练方法、装置、终端及介质 | |
Shul et al. | Localization of rattle noise sources in the vehicle underbody using acceleration signals | |
Fröhlingsdorf et al. | Efficient analysis of the interior noise of electric vehicles | |
CN109873821B (zh) | 车辆指纹生成方法和车辆指纹生成装置 | |
KR20160120407A (ko) | 기계 이상을 평가하는 시스템 및 방법 | |
CN115223575A (zh) | 一种基于语音识别的变电设备声纹识别方法 | |
CN113810500B (zh) | 一种人群聚集风险识别方法及相关设备 |
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 |