CN113739905A - 用于定位转向系统中发生的噪声的装置及方法 - Google Patents
用于定位转向系统中发生的噪声的装置及方法 Download PDFInfo
- Publication number
- CN113739905A CN113739905A CN202011601055.XA CN202011601055A CN113739905A CN 113739905 A CN113739905 A CN 113739905A CN 202011601055 A CN202011601055 A CN 202011601055A CN 113739905 A CN113739905 A CN 113739905A
- Authority
- CN
- China
- Prior art keywords
- noise
- steering system
- data
- neural network
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims description 50
- 238000011176 pooling Methods 0.000 claims description 19
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 56
- 238000010801 machine learning Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000004807 localization Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009432 framing Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D5/00—Power-assisted or power-driven steering
- B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
- B62D5/0457—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such
- B62D5/0481—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such monitoring the steering system, e.g. failures
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/0205—Mechanical indicators, e.g. in or near steering wheel
-
- 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
- G01M17/06—Steering behaviour; Rolling behaviour
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D5/00—Power-assisted or power-driven steering
- B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
- B62D5/0457—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Transportation (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
一种用于定位转向系统中发生的噪声的装置及方法,该装置包括:声音接收单元,检测转向系统中的发生的噪声;处理单元,将关于转向系统中的由声音接收单元检测到的噪声的数据输入到神经网络模型中,神经网络模型被配置为预先执行学习并且对转向系统中的噪声发生的位置或部件进行定位;以及存储单元,在该存储单元中存储预先执行学习的神经网络模型。
Description
技术领域
示例性实施方式涉及一种用于定位在车辆的转向系统中的噪声的装置,并且更具体地涉及一种能够使用神经网络模型来定位转向系统中的噪声发生的位置或部件的用于定位在转向系统中的噪声的装置。
背景技术
车辆的转向系统是根据驾驶员的方向盘转向来调整车辆的行驶方向的系统。近年来,已经广泛使用动力转向系统,该动力转向系统利用电机的动力来增强驾驶员转动方向盘所需的作用力。这些动力转向系统的实例包括电机驱动力转向(MDPS)系统和电动动力转向(EPS)系统。
这种使用电机的驱动力的动力转向系统基本上包括电机、转向箱、扭矩传感器和电子控制单元(ECU)。电子控制单元通过扭矩传感器检测方向盘的旋转力并且根据车辆的速度通过将电流施加至电机来控制方向盘的扭矩。转向变速箱通过转向轴接收动力,转换旋转方向,并且通过包括中继杆、横拉杆、转向节臂等的臂驱动前轮。
动力转向系统使用减速器、柱、接头等来适当地传递电机的动力。各种异常声音或噪声发生在这些部件的连接部分中或这些部件本身中。
在现有技术中,噪声专家使用利用昂贵的分析设备分析异常声音或噪声的方法,从而定位在转向系统中的异常声音或噪声发生的位置或部件。更具体地,在现有技术的方法中,重现转向系统中的异常声音或噪声,噪声专家对异常声音或噪声的位置进行估计,传感器安装在位置上并且分析传感器的感测值。
在现有技术的方法中,噪声专家基于他/她的个人判断进行估计。噪声专家分析异常声音或噪声的能力各不相同。因此,将进行错误修复的可能性很高。此外,将传感器直接安装在估计会发生异常声音或噪声的部件上并且重现异常声音或噪声用于分析会花费大量时间。此外,在现有技术中,因为对估计会发生异常声音或噪声的每个部件进行分析,所以噪声分析成本变得过高。
前述内容仅旨在帮助理解本发明的背景技术,而并非旨在意味着本发明落入本领域技术人员已知的相关技术的范围内。
在该背景技术部分中公开的上述信息仅用于增强对本发明的背景的理解,并且因此,其可以包含不构成现有技术的信息。
发明内容
示例性实施方式提供了一种用于定位转向系统中的噪声的装置,该装置能够使用神经网络模型通过声音接收单元(即,麦克风)简单地收集转向系统中的异常声音或噪声,将所收集的信息输入到经历学习的神经网络模型中,并且由此定位转向系统中的异常声音或噪声发生的位置或部件。
本发明的其他特征将在以下描述中阐述,并且部分将从描述中变得明显,或者可以通过本发明的实施而学习到。
根据至少一个实施方式,提供了一种用于定位转向系统中发生的噪声的装置,该装置包括:声音接收单元,检测转向系统中的发生;处理单元,将关于转向系统中的由声音接收单元检测到的噪声的数据输入到神经网络模型中,神经网络模型被配置为预先执行学习并且对转向系统中的噪声发生的位置或部件进行定位;以及存储单元,神经网络模型被存储在该存储单元中。神经网络模型可以基于预先接收的输入数据来执行学习。
在装置中,处理单元可以执行将关于转向系统中的由声音接收单元检测到的噪声的时域数据转换为频域数据的预处理,并且将预处理后的数据输入到神经网络模型中。
在装置中,处理单元可以执行将Mel频率倒谱系数(MFCC)技术应用于关于转向系统中的由声音接收单元检测到的噪声的数据并且可以提取转向系统中的噪声的频率特征的预处理,并将预处理后的数据输入到神经网络模型中。
在装置中,处理单元可以执行生成将关于转向系统中的由声音接收单元检测到的噪声的时域数据转换为频域数据而产生的图像的预处理,并且将通过该预处理生成的图像输入到神经网络模型中。
在装置中,处理单元可以执行将Mel频率倒谱系数(MFCC)技术应用于关于转向系统中的由声音接收单元检测到噪声的数据、提取转向系统中的噪声的频率特征并且将所提取的频率特征生成为图像的预处理,并将通过预处理生成的图像输入到神经网络模型中。
在装置中,处理单元可以将通过预处理生成的图像的区域输入到神经网络模型中。
在装置中,神经网络模型可以是包括卷积层、池化层和全连接层的卷积神经网络模型。
在装置中,卷积层可以使用滤波器对通过预处理生成的图像执行滤波,执行卷积计算并创建特征映射,以便提取通过预处理生成的图像的特征,池化层可以从由卷积层创建的特征映射提取用于每个区域的代表值并且减小特征映射的大小,全连接层可以使用激活功能来加强特征并且对所加强的特征进行分类,并且对于转向系统中的噪声,输出层可以基于由全连接层分类的结果来定位并输出噪声发生的位置或部件。
在装置中,处理单元和存储单元可以以平板个人计算机(PC)的形式实现。
利用用于定位转向系统中的噪声的装置,当通过声音接收单元检测转向系统发生的噪声并且将关于检测到的噪声的音频数据输入到神经网络模型中时,可以获得定位转向系统中的异常声音或噪声发生的位置或部件的结果。由此,可以大大减少用于噪声诊断的分析时间。
此外,利用用于定位转向系统中的噪声的装置,噪声专家或噪声诊断装置对于定位车辆中的噪声不是必需的。此外,不需要替换估计会发生噪声的部件,其中,逐个替换部件以定位噪声发生的位置或部件。由此,可以降低用于定位噪声的成本。因而,可以降低不必要的或错误修复的频率。
根据至少一个实施方式,提供了一种定位转向系统中的发生的噪声的方法,该方法包括:从声音接收单元接收转向系统中的发生的噪声并将噪声转换成表示噪声的数据流;由处理单元将表示噪声的数据流输入到能够预先执行学习的数据分析模型中;以及由数据分析模型对表示噪声的数据流进行分析,并且对转向系统中的噪声发生的位置或部件进行定位。
根据本发明实现的效果不限于上面描述的那些,并且根据下面的描述,上面没有描述的效果对于本领域普通技术人员将是显而易见的。
应当理解,前述一般描述和下面的详细描述是示例性和说明性的,并且旨在提供对所要求保护的本发明的进一步说明。
附图说明
被包括以提供对本发明的进一步理解并结合在本说明书中并且构成本说明书的一部分的附图示出了本发明的实施方式,并且与描述一起用于说明本发明的原理。
图1是示意性地示出由用于定位转向系统中的噪声的装置来定位异常声音或噪声的待诊断的转向系统的视图。
图2是示出根据实施方式的用于定位转向系统中的噪声的装置的框图。
图3是示出根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元的操作的流程图。
图4是示出频谱图的实例的图,该频谱图示出由根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元的快速傅里叶变换的结果。
图5是示出根据实施方式的由用于定位转向系统中的噪声的装置的数据预处理单元最终生成的频谱图的实例的图。
图6是示出根据使用神经网络模型的实施方式的应用于用于定位转向系统中的噪声的装置的神经网络模型的实例的视图。
图7是示出根据实施方式的用于定位转向系统中的噪声的装置的实施示例的视图。
具体实施方式
参考附图,根据以下实施方式的描述,本发明及其实现方法的各种优点和特征将变得显而易见。然而,本发明并不限于在本文中阐述的实施方式,而是可以以许多不同的形式实现。可以提供本实施方式使得本发明的公开内容将是完整的,并且将本发明的范围充分地传达至本领域技术人员,并且因此将本发明限定在权利要求的范围内。贯穿本说明书的相同的参考标号表示相同的元件。
除非另外限定,否则应当理解说明书中使用的全部术语(包括技术和科学术语)具有与本领域技术人员理解的那些相同的含义。此外,除非明确地具体定义,否则由通常使用的词典限定的术语不应理想地或过度正式地限定。将理解,出于本公开的目的,“X、Y和Z的至少一个”可以被解释为仅X、仅Y、仅Z或者X、Y和Z的两项或更多项的任意组合(例如,XYZ、XYY、YZ、ZZ)。除非具体描述为相反,否则在本文中描述的术语“包括”、“配置”、“具有”等将被理解为暗示包括所陈述的部件,并且因此应被解释为包括其他部件,并且不排除任何其他元件。
如在本领域中惯用的,在附图中就功能块、单元和/或模块而言描述并且示出了一些示例性实施方式。本领域技术人员将理解的是,这些块、单元和/或模块由诸如逻辑电路、离散部件、微处理器、硬连线电路、存储器元件、配线连接等的电子(或光)电路物理地实现,其可以使用基于半导体的制造技术或其他制造技术形成。在由微处理器或其他类似的硬件实现块、单元和/或模块的情况下,可以使用软件(例如,微代码)对其进行编程和控制以执行本文所讨论的各种功能,并且可以可选地由固件和/或软件驱动。还可以设想,每个块、单元和/或模块可以由专用硬件实现,或者作为用于执行一些功能的专用硬件和用于执行其他功能的处理器(例如,一个或多个编程的微处理器和相关联的电路)的组合来实现。而且,在不背离本发明构思的范围的情况下,一些示例性实施方式中的每个块、单元和/或模块可以物理地分离成两个或更多个交互和离散的块、单元和/或模块。进一步,在不背离本发明构思的范围的情况下,一些示例性实施方式中的每个块、单元和/或模块可以物理地组合成更复杂的块、单元和/或模块。
下面将参考附图详细描述根据各种实施方式的用于定位转向系统中的噪声的装置。
首先,根据至少一个实施方式的用于定位转向系统中的噪声的装置建立用于定位在由部件组成的转向系统中的异常声音/噪声发生的位置或部件的神经网络模型。然后,该装置使得神经网络模型能够使用学习数据来执行学习,该学习数据包括转向系统中的异常声音或噪声以及异常声音或噪声发生的位置。通过麦克风或其他类型的声音接收单元或声音接收部件收集转向系统中的异常声音或噪声。然后,该装置将关于待诊断的转向系统中的异常声音或噪声的数据输入到经历学习的神经网络模型中用于定位异常声音或噪声。最后,该装置使得神经网络模型能够基于输入的异常声音/噪声数据来定位异常声音/噪声的位置。
图1是示意性地示出由用于定位转向系统中的噪声的装置来定位异常声音或噪声的待诊断的转向系统的视图;
图1中的转向系统是应用所谓的柱装式电机驱动力转向(C-MDPS)的转向系统。在这种转向系统中,用于动力转向的电机单元12安装在转向柱(steering column)11上。图1示出应用C-MDPS的转向系统,其仅是应用本发明的各种转向系统中的一种。本发明不限于图1中的转向系统。
参考图1,当驾驶员转动方向盘时,扭矩传感器测量由驾驶员生成的扭矩并且将扭矩的测量值传递至转向系统控制器。当转向系统控制器以生成与所测量的扭矩对应的转向力的方式控制电机单元12时,电机单元12生成在转向柱11上待施加的转向力。由电机单元12生成的转向力通过包括万向接头14的连杆传递至变速箱(gearbox)16。变速箱16内的齿条和齿轮机构将旋转运动转换为线性运动,由此使车辆转向。
在转向系统的这种结构中,异常声音或噪声主要发生在设置于电机单元12的减速器13、万向接头14、在变速箱16内支承齿条的轭(yoke)15等中。
根据实施方式,预先收集关于在转向系统中发生的异常声音或噪声的数据以及关于异常声音或噪声发生的位置或部件的信息,并且将其用作用于使神经网络模型能够执行学习的学习数据。
图2是示出根据实施方式的用于定位转向系统中的噪声的装置的框图。
参考图2,根据实施方式的用于定位转向系统中的噪声的装置包括麦克风100、处理单元200和存储单元300。麦克风100检测转向系统中的异常声音或噪声发生。处理单元200将在麦克风100中检测到的转向系统中的异常声音或噪声应用于预先执行学习的神经网络模型,并且对检测到的转向系统中的异常声音或噪声发生位置或部件进行定位。预先执行学习的神经网络模型存储在存储单元300中。
麦克风100是用于检测转向系统中发生的异常声音或噪声的装置。因为当在测试领域(诸如,在车辆服务中心处)中操作转向系统时麦克风100仅需要能够检测发生的异常声音或噪声,所以可以使用容易获得的低成本麦克风或者昂贵的高性能麦克风。
处理单元200可以包括数据预处理单元210。数据预处理单元210将关于在麦克风100中收集的异常声音或噪声的数据转换为适合于由神经网络模型进行学习或者应用于神经网络模型的格式。
处理单元200主要执行两种类型的功能。首先,处理单元200使得用于定位转向系统中的异常声音或噪声发生的位置的神经网络模型能够执行学习。其次,处理单元200将关于待诊断的转向系统中的噪声的数据应用于执行学习的神经网络模型,以用于定位异常声音或噪声,并且对异常声音或噪声发生在待诊断的用于定位异常声音或噪声的转向系统中的位置或部件进行定位。
为此,处理单元200可以包括机器学习单元220和噪声定位单元230。机器学习单元220由神经网络模型执行用于学习所需的各种类型的计算和处理。噪声定位单元230将转向系统中的异常声音或噪声应用于神经网络模型,该神经网络模型进行学习并且进行用于定位异常声音或噪声发生的位置所需的各种类型的计算和处理。
用于定位转向系统中的异常声音或噪声发生的位置或部件的神经网络模型存储在存储单元300中。此外,通过神经网络模型进行用于机器学习的学习数据(具体地,由通过处理单元200的数据预处理单元210的转换而产生的学习数据)存储在存储单元300中。除此之外,用于由神经网络模式的学习和对神经网络模式的应用所需的各种数据存储在存储单元300中。
数据预处理
处理单元200的数据预处理单元210执行将关于部件的学习数据和实际所测量的噪声数据转换为适当格式的预处理。由神经网络模型输入学习数据以进行学习,用于定位转向系统中的噪声。将关于部件的实际所测量的噪声数据输入到神经网络模型中。
输入到数据预处理单元210中的数据是关于转向系统中由麦克风100收集的异常声音或噪声的数据。关于由麦克风100收集的异常声音或噪声的数据是在时域中表示的数据。首先,数据预处理单元210将时域异常声音或噪声数据转换为频域异常声音或噪声数据。在该处理中,数据预处理单元210应用能够提取音频数据的特征的Mel频率倒谱系数(Mel-Frequency Cepstrum Coefficient,MFCC)技术。
图3是示出根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元210的操作的流程图。图3中的流程图示出将MFCC技术应用于关于在麦克风100中、在转向系统中检测到的噪声的数据以及提取和成像频域特征的步骤。
音频数据不是非静态数据(即,其可以随着时间具有不同的频域特性)。由此,数据预处理单元210在音频数据被视为静止的短时间内执行成帧(framing)(步骤211)和加窗(windowing)(步骤212),用于转换到频域。成帧和加窗的大小(步骤211和212)使用实验方法近似地调整。
随后,数据预处理单元210对每帧执行快速傅里叶变换(FFT)(步骤213)。
图4是示出频谱图的实例的图,该频谱图示出根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元210的FTT的结果。
图4中的频谱图的水平轴线表示时间(帧),并且其垂直轴线表示频率。白色的强度表示每个时间频率的大小。
随后,数据预处理单元210将Mel滤波器组应用于FFT的结果(步骤214),对由Mel滤波器组滤波的结果执行离散余弦变换(DCT),并且最终创建示出频率特征的频谱图(步骤215)。
图5是示出根据实施方式的由用于定位转向系统中的噪声的装置的数据预处理单元210最终生成的频谱图的实例的图。
图5中的频谱图的水平轴线表示时间(帧),并且其垂直轴线表示频率。白色的强度表示每个时间频率的大小。
从以上描述中,应当理解,将MFCC技术应用于从对关于从麦克风100输入的噪声的数据进行成帧和加窗的步骤到最终执行DCT并且输出DCT的结果的步骤的所有步骤中。
数据预处理单元210将示出通过应用MFCC技术导出的频率特征的频谱图的区域A确定为待输入到神经网络模型中的区域。通过预处理形成的频谱图的区域A的图像在存储单元300中形成。此处,使用实验方法适当地进行调整区域A的大小。
由神经网络模型进行的机器学习
机器学习单元220是使得存储单元300中存储的神经网络模型能够执行学习的元件。
用于由神经网络模型进行学习的数据包括关于由麦克风100收集的转向系统中的噪声的数据以及关于转向系统中的噪声发生的位置或部件的数据。
也就是说,待输入用于学习的数据是关于由麦克风100收集的噪声的数据,并且待输出用于学习的数据是关于转向系统中的噪声发生的位置或部件的数据。具体地,待输入用于学习的数据是由数据预处理单元210生成的频谱图的区域A的图像。
通过对各种转向系统进行测试等来收集包括待输入用于学习的数据和待输出用于学习的数据的学习数据。
图6是示出根据使用神经网络模型的实施方式的可以应用于用于定位转向系统中的噪声的装置的神经网络模型的实例的视图。
参考图6,根据实施方式的应用于用于定位转向系统中的噪声的装置的神经网络模型被实施为卷积神经网络(convolution neural network,CNN),该卷积神经网络(CNN)包括卷积层(convolution layer)61和63、池化层(pooling layer)62和64、全连接层(fully connected layer)65和输出层66。
卷积层61和63使用滤波器对输入图像A执行滤波以提取由数据预处理单元210生成的输入图像的特征,执行卷积计算并且创建特征映射。例如,用k个滤波器创建k个特征映射。滤波器在开始时采用适当的初始值作为数值(加权因子),并且此后通过学习改变为适当的值。
池化层62和64从由卷积层61和63创建的特征映射提取每个区域的代表值。池化层62和64执行最大池化、平均池化等,并且因此减小特征映射的大小,并且与它们减小特征的大小一样多地减小计算量。在最大池化中,使用滤波器对特征映射执行滤波,并且将执行滤波的区域的最大值确定为代表值。在平均池化中,使用滤波器对特征映射执行滤波,并且将执行滤波的区域的平均值确定为代表值。
在图6的实例中,示出了两个卷积层(卷积层61和63)、两个池化层(池化层62和64),但是卷积层的数量和池化层的数量可以在必要时增加或减少。
输出至池化层64的特征映射经历平坦化处理(flattening process),并且然后被输入到全连接层65中。平坦化处理是将从池化层64输出的二维特征映射转换为一维特征映射的处理。在完全连接层65中包括的节点的特征使用激活功能被进一步加强和分类。其分类的特征被传递至输出层66。对于转向系统中的异常声音或噪声,输出层66定位噪声发生的位置或部件并且输出定位的结果。
神经网络模型由机器学习单元220启用以执行学习。例如,机器学习单元220使得神经网络模型能够通过增量规则(delta rule)和反向传播学习(back propagationlearning)来学习神经网络模型的层之间的或节点之间的连接的加权因子、节点状态的参数等,该增量规则和反向传播学习是典型的受监督学习技术。
在由神经网络模型进行的学习完成之后,机器学习单元220将神经网络模型保留的各种参数和加权因子等存储在存储单元300中。
通过神经网络模型定位噪声
如上所描述的,噪声定位单元230使用执行学习的神经网络模型来定位转向系统中的噪声发生的位置或部件。
当麦克风100检测到待诊断的转向系统中发生的噪声以用于定位异常声音或噪声时,数据预处理单元210对关于检测到的噪声的数据进行预处理,生成作为示出频率特征的图像的频谱图,并且然后将频谱图的区域A存储在存储单元300中或将其区域A提供给噪声定位单元230。
随后,噪声定位单元230将预处理后的图像数据输入到在存储单元300中存储的神经网络模型中,对神经网络模型的每一层执行计算处理,并且对定位转向系统中的噪声发生的位置或部件的神经网络模型的结果进行输出。
图7是示出根据实施方式的用于定位转向系统中的噪声的装置的实施示例的视图。
如图7中所示,根据上述实施方式的用于定位转向系统中的噪声的装置在测试领域中实施为便携式平板PC 700和麦克风100的组合,以用于实际定位异常声音或噪声。
在平板PC 700中包括的中央处理单元(CPU)用作处理单元200。在平板PC 700内包括的诸如闪存的存储装置用作存储单元300。
如上所描述的用于执行数据预处理算法的应用和用于使用学习数据定位异常声音或噪声的算法存储在平板PC 700内的存储单元300中。用户执行应用并且通过连接至平板PC 700的麦克风100从待执行测试的车辆来收集异常声音或噪声。此后,使应用程序执行数据预处理算法和用于定位异常声音或噪声的算法。由此,可以定位异常声音或噪声发生在真实车辆的转向系统中的位置、部件等。
更具体地,应用记录在麦克风100中所收集的异常声音或噪声,分析异常声音或噪声,并且显示异常声音或噪声的模式。而且,应用执行由机器学习实现的用于定位异常声音或噪声的算法,并且由此定位异常声音或噪声发生的位置、部件等。
根据上述实施方式的用于定位转向系统中的噪声的装置可以实施为各种计算装置。具体地,根据一个或多个实施方式的用于定位转向系统中的噪声的装置也可以实施为配备有麦克风、存储器和处理器中的全部的个人终端(智能电话)。由神经网络模型进行的学习需要大量的计算。由此,高性能计算装置使得神经网络模型能够执行学习。将执行学习的神经网络模型和用于执行预处理的算法存储在个人终端中。利用个人终端,可以立即在车辆生产线或服务中心等中定位异常声音或噪声发生转向系统中的位置或部件。
如上所描述,当通过麦克风检测在车辆的转向系统中发生的噪声并且然后将关于检测到的噪声的音频数据仅输入到神经网络模型中时,根据一个或多个实施方式的用于定位转向系统中的噪声的装置可以获取定位转向系统中的异常声音或噪声发生的位置或部件的结果,并且由此,可以显著地减少用于噪声诊断的时间。此外,噪声专家或噪声诊断装置不必定位转向系统中的噪声。而且,不需要替换估计会发生噪声的部件,这种替换被逐一冗长地执行以定位噪声发生的位置或部件。由此,可以降低用于定位噪声的成本。而且,可以减少不必要或错误修复的频率。
尽管在上文中已经示出和描述了示例性实施方式,但是本描述不限于以上描述的特定示例性实施方式,在不背离如所附权利要求中公开的本发明的范围和精神的情况下,可以由示例性实施方式所属领域的技术人员进行各种修改。此外,这种修改也应当被理解为落在本发明的范围和精神内。
Claims (20)
1.一种用于定位转向系统中发生的噪声的装置,所述装置包括:
声音接收单元,被配置为检测所述转向系统中发生的噪声;
处理单元,被配置为将关于所述转向系统中的由所述声音接收单元检测到的噪声的数据输入到神经网络模型中,所述神经网络模型被配置为预先执行学习并且对所述转向系统中的噪声发生的位置或部件进行定位;以及
存储单元,在所述存储单元中存储被配置为预先执行学习的所述神经网络模型。
2.根据权利要求1所述的装置,其中,所述处理单元被配置为执行将关于所述转向系统中的由所述声音接收单元检测到的噪声的时域数据转换为频域数据的预处理,并且将预处理后的数据输入到所述神经网络模型中。
3.根据权利要求1所述的装置,其中,所述处理单元被配置为:执行将Mel频率倒谱系数技术应用于关于所述转向系统中的由所述声音接收单元检测到的所述噪声的数据,并且提取所述转向系统中的所述噪声的频率特征的预处理,并将预处理后的数据输入到所述神经网络模型中。
4.根据权利要求1所述的装置,其中,所述处理单元被配置为:执行生成将关于所述转向系统中的由所述声音接收单元检测到的所述噪声的时域数据转换为频域数据而产生的图像的预处理,并且将通过该预处理生成的所述图像输入到所述神经网络模型中。
5.根据权利要求1所述的装置,其中,所述处理单元被配置为:执行将Mel频率倒谱系数技术应用于关于所述转向系统中的由所述声音接收单元检测到所述噪声的数据、提取所述转向系统中的所述噪声的频率特征并将所提取的频率特征生成为图像的预处理,并且将通过所述预处理生成的所述图像输入到所述神经网络模型中。
6.根据权利要求4所述的装置,其中,所述处理单元被配置为:将通过所述预处理生成的所述图像的区域输入到所述神经网络模型中。
7.根据权利要求4所述的装置,其中,所述神经网络模型是包括卷积层、池化层以及全连接层的卷积神经网络模型。
8.根据权利要求7所述的装置,其中,所述卷积层被配置为:使用滤波器对通过所述预处理生成的所述图像执行滤波,执行卷积计算并且创建特征映射,以便提取通过所述预处理生成的所述图像的特征,
所述池化层被配置为从由所述卷积层创建的所述特征映射提取用于每个区域的代表值并且减小所述特征映射的大小,
所述全连接层被配置为使用激活功能来进一步加强所述特征并且对所加强的特征进行分类,并且
对于所述转向系统中的所述噪声,输出层被配置为基于由所述全连接层分类的结果来定位并输出所述噪声发生的位置或部件。
9.根据权利要求5所述的装置,其中,所述处理单元被配置为将通过所述预处理生成的所述图像的区域输入到所述神经网络模型中。
10.根据权利要求5所述的装置,其中,所述神经网络模型是包括卷积层、池化层以及全连接层的卷积神经网络模型。
11.根据权利要求10所述的装置,其中,所述卷积层被配置为:使用滤波器对通过所述预处理生成的所述图像执行滤波,执行卷积计算并创建特征映射,以便提取通过所述预处理生成的所述图像的特征,
所述池化层被配置为从由所述卷积层创建的所述特征映射提取用于每个区域的代表值并且减小所述特征映射的大小,
所述全连接层被配置为使用激活功能来加强所述特征并且对所加强的特征进行分类,并且
对于所述转向系统中的所述噪声,输出层被配置为基于由所述全连接层分类的结果来定位并输出所述噪声发生的位置或部件。
12.根据权利要求1所述的装置,其中,所述处理单元和所述存储单元以平板PC的形式实现。
13.根据权利要求1所述的装置,其中,所述声音接收单元包括麦克风。
14.一种用于定位转向系统中发生的噪声的装置,所述装置包括:
声音接收单元,被配置为检测转向系统中发生的噪声;
处理单元,被配置为将关于所述转向系统中的由所述声音接收单元检测到的所述噪声的数据输入到数据分析模型中,所述数据分析模型被配置为预先执行学习并且定位所述转向系统中的所述噪声发生的位置或部件;以及
存储单元,在所述存储单元中存储被配置为预先执行学习的所述数据分析模型。
15.根据权利要求14所述的装置,其中,所述处理单元被配置为:执行将关于所述转向系统中的由所述声音接收单元检测到所述噪声的时域数据转换为频域数据的预处理,并且将预处理后的数据输入到所述数据分析模型中。
16.根据权利要求14所述的装置,其中,所述处理单元被配置为执行将Mel频率倒谱系数技术应用于关于所述转向系统中的由所述声音接收单元检测到的所述噪声的数据,并且提取所述转向系统中的所述噪声的频率特征的预处理并将预处理后的数据输入到所述数据分析模型中。
17.一种定位转向系统中发生的噪声的方法,所述方法包括以下步骤:
从声音接收单元接收转向系统中发生的噪声并将所述噪声转换成表示所述噪声的数据流;
由处理单元将表示所述噪声的所述数据流输入到能够预先执行学习的数据分析模型中;以及
由所述数据分析模型对表示所述噪声的所述数据流进行分析,并且对所述转向系统中的所述噪声发生的位置或部件进行定位。
18.根据权利要求17所述的方法,还包括:
由存储单元存储被配置为预先执行学习的所述数据分析模型。
19.根据权利要求17所述的方法,其中,所述声音接收单元包括麦克风。
20.根据权利要求17所述的方法,其中,由所述处理单元进行输入包括:
执行将Mel频率倒谱系数技术应用于表示所述转向系统中的所述噪声的所述数据流的预处理;
对表示所述转向系统中的由所述声音接收单元检测到的所述噪声的所述数据流的频率特征进行提取;以及
将具有从所述数据流中提取的所述频率特征的预处理后的数据输入到所述数据分析模型中。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200063820A KR20210147155A (ko) | 2020-05-27 | 2020-05-27 | 조향계 소음 판별 장치 |
KR10-2020-0063820 | 2020-05-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113739905A true CN113739905A (zh) | 2021-12-03 |
Family
ID=78509108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011601055.XA Pending CN113739905A (zh) | 2020-05-27 | 2020-12-29 | 用于定位转向系统中发生的噪声的装置及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11945521B2 (zh) |
KR (1) | KR20210147155A (zh) |
CN (1) | CN113739905A (zh) |
DE (1) | DE102020134555A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284508B (zh) * | 2021-07-21 | 2021-11-09 | 中国科学院自动化研究所 | 基于层级区分的生成音频检测系统 |
Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
CN102853899A (zh) * | 2012-06-01 | 2013-01-02 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种汽车转向噪声测量装置及测量方法 |
CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
CN105473988A (zh) * | 2013-06-21 | 2016-04-06 | 布鲁尔及凯尔声音及振动测量公司 | 确定机动车辆的噪声源的噪声声音贡献的方法 |
DE102015007242A1 (de) * | 2015-06-05 | 2016-12-08 | Audi Ag | Verfahren zum Optimieren von Entscheidungssystemen |
KR101812159B1 (ko) * | 2016-10-12 | 2017-12-26 | 고려대학교 산학협력단 | 딥러닝을 이용한 음향 방향 추정 방법 및 장치 |
CN107609488A (zh) * | 2017-08-21 | 2018-01-19 | 哈尔滨工程大学 | 一种基于深度卷积网络的舰船噪声识别分类方法 |
US20180120264A1 (en) * | 2016-04-21 | 2018-05-03 | Nsk Ltd. | Abnormal noise detection method of steering system and evaluation device of steering system |
CN108254066A (zh) * | 2018-01-03 | 2018-07-06 | 上海工程技术大学 | 基于神经网络的汽车三维动态噪音检测识别系统及方法 |
JP2018139345A (ja) * | 2017-02-24 | 2018-09-06 | 株式会社Jvcケンウッド | フィルタ生成装置、フィルタ生成方法、及びプログラム |
US20190042881A1 (en) * | 2017-12-07 | 2019-02-07 | Intel Corporation | Acoustic event detection based on modelling of sequence of event subparts |
US20190049989A1 (en) * | 2017-11-17 | 2019-02-14 | Intel Corporation | Identification of audio signals in surrounding sounds and guidance of an autonomous vehicle in response to the same |
CN109410976A (zh) * | 2018-11-01 | 2019-03-01 | 北京工业大学 | 双耳助听器中基于双耳声源定位和深度学习的语音增强方法 |
KR20190067441A (ko) * | 2017-12-07 | 2019-06-17 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
CN110010155A (zh) * | 2019-04-11 | 2019-07-12 | 中国一拖集团有限公司 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
CN110068795A (zh) * | 2019-03-31 | 2019-07-30 | 天津大学 | 一种基于卷积神经网络的室内麦克风阵列声源定位方法 |
KR20190110939A (ko) * | 2018-03-21 | 2019-10-01 | 한국과학기술원 | 합성곱 신경망 기반 환경음 인식 방법 및 시스템 |
CN110307994A (zh) * | 2018-03-20 | 2019-10-08 | 本田技研工业株式会社 | 异声检测装置以及异声检测方法 |
CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
CN110341788A (zh) * | 2018-04-05 | 2019-10-18 | 福特全球技术公司 | 用于减少动力转向系统中的噪声和振动的方法和设备 |
CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
CN110503971A (zh) * | 2018-05-18 | 2019-11-26 | 英特尔公司 | 用于语音处理的基于神经网络的时频掩模估计和波束形成 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
KR102056989B1 (ko) * | 2018-12-24 | 2020-02-11 | (주)제이엘케이인스펙션 | 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템 |
CN111178491A (zh) * | 2018-11-09 | 2020-05-19 | 佳能株式会社 | 神经网络模型的训练和应用方法、装置、系统及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9185506B1 (en) * | 2013-12-16 | 2015-11-10 | Amazon Technologies, Inc. | Comfort noise generation based on noise estimation |
WO2018155164A1 (ja) * | 2017-02-24 | 2018-08-30 | 株式会社Jvcケンウッド | フィルタ生成装置、フィルタ生成方法、及びプログラム |
US20210210099A1 (en) * | 2020-01-06 | 2021-07-08 | Soundhound, Inc. | Multi Device Proxy |
-
2020
- 2020-05-27 KR KR1020200063820A patent/KR20210147155A/ko not_active Application Discontinuation
- 2020-12-22 DE DE102020134555.0A patent/DE102020134555A1/de active Pending
- 2020-12-28 US US17/135,503 patent/US11945521B2/en active Active
- 2020-12-29 CN CN202011601055.XA patent/CN113739905A/zh active Pending
Patent Citations (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7103460B1 (en) * | 1994-05-09 | 2006-09-05 | Automotive Technologies International, Inc. | System and method for vehicle diagnostics |
CN102853899A (zh) * | 2012-06-01 | 2013-01-02 | 浙江吉利汽车研究院有限公司杭州分公司 | 一种汽车转向噪声测量装置及测量方法 |
CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
CN105473988A (zh) * | 2013-06-21 | 2016-04-06 | 布鲁尔及凯尔声音及振动测量公司 | 确定机动车辆的噪声源的噪声声音贡献的方法 |
DE102015007242A1 (de) * | 2015-06-05 | 2016-12-08 | Audi Ag | Verfahren zum Optimieren von Entscheidungssystemen |
US20180120264A1 (en) * | 2016-04-21 | 2018-05-03 | Nsk Ltd. | Abnormal noise detection method of steering system and evaluation device of steering system |
KR101812159B1 (ko) * | 2016-10-12 | 2017-12-26 | 고려대학교 산학협력단 | 딥러닝을 이용한 음향 방향 추정 방법 및 장치 |
JP2018139345A (ja) * | 2017-02-24 | 2018-09-06 | 株式会社Jvcケンウッド | フィルタ生成装置、フィルタ生成方法、及びプログラム |
CN107609488A (zh) * | 2017-08-21 | 2018-01-19 | 哈尔滨工程大学 | 一种基于深度卷积网络的舰船噪声识别分类方法 |
US20190049989A1 (en) * | 2017-11-17 | 2019-02-14 | Intel Corporation | Identification of audio signals in surrounding sounds and guidance of an autonomous vehicle in response to the same |
KR20190067441A (ko) * | 2017-12-07 | 2019-06-17 | 한국생산기술연구원 | 딥 러닝과 웨이블렛 변환을 이용한 회전체의 고장 진단 시스템 |
US20190042881A1 (en) * | 2017-12-07 | 2019-02-07 | Intel Corporation | Acoustic event detection based on modelling of sequence of event subparts |
CN108254066A (zh) * | 2018-01-03 | 2018-07-06 | 上海工程技术大学 | 基于神经网络的汽车三维动态噪音检测识别系统及方法 |
CN110307994A (zh) * | 2018-03-20 | 2019-10-08 | 本田技研工业株式会社 | 异声检测装置以及异声检测方法 |
KR20190110939A (ko) * | 2018-03-21 | 2019-10-01 | 한국과학기술원 | 합성곱 신경망 기반 환경음 인식 방법 및 시스템 |
CN110341788A (zh) * | 2018-04-05 | 2019-10-18 | 福特全球技术公司 | 用于减少动力转向系统中的噪声和振动的方法和设备 |
CN110503971A (zh) * | 2018-05-18 | 2019-11-26 | 英特尔公司 | 用于语音处理的基于神经网络的时频掩模估计和波束形成 |
CN109410976A (zh) * | 2018-11-01 | 2019-03-01 | 北京工业大学 | 双耳助听器中基于双耳声源定位和深度学习的语音增强方法 |
CN111178491A (zh) * | 2018-11-09 | 2020-05-19 | 佳能株式会社 | 神经网络模型的训练和应用方法、装置、系统及存储介质 |
KR102056989B1 (ko) * | 2018-12-24 | 2020-02-11 | (주)제이엘케이인스펙션 | 머신러닝 기반의 gre 영상을 활용한 혈전 분류 방법 및 시스템 |
CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
CN110068795A (zh) * | 2019-03-31 | 2019-07-30 | 天津大学 | 一种基于卷积神经网络的室内麦克风阵列声源定位方法 |
CN110010155A (zh) * | 2019-04-11 | 2019-07-12 | 中国一拖集团有限公司 | 基于卷积神经网络和mfcc的颤振识别方法和系统 |
CN110322896A (zh) * | 2019-06-26 | 2019-10-11 | 上海交通大学 | 一种基于卷积神经网络的变压器故障声音识别方法 |
CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
Non-Patent Citations (2)
Title |
---|
GUE-HWAN NAM, ET AL.: "DATA AUGMENTATION USING EMPIRICAL MODE DECOMPOSITION ON NEURAL NETWORKS TO CLASSIFY IMPACT NOISE IN VEHICLE", 《IEEE ICASSP2020》, 9 April 2020 (2020-04-09), pages 731 - 735 * |
JIUWEN CAO, ET AL.: "Urban noise recognition with convolutional neural network", 《MULTIMED TOOLS APPL》, vol. 78, 5 July 2018 (2018-07-05), pages 29021, XP036883838, DOI: 10.1007/s11042-018-6295-8 * |
Also Published As
Publication number | Publication date |
---|---|
KR20210147155A (ko) | 2021-12-07 |
DE102020134555A1 (de) | 2021-12-02 |
US11945521B2 (en) | 2024-04-02 |
US20210370904A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110534118B (zh) | 基于声纹识别和神经网络的变压器/电抗器故障诊断方法 | |
KR102272622B1 (ko) | 기계설비의 기계음을 이용한 딥러닝기반 이상징후 감지시스템 | |
JP5063005B2 (ja) | 音又は振動の異常診断方法及び音又は振動の異常診断装置 | |
JP4942353B2 (ja) | 音又は振動の解析方法及び音又は振動の解析装置 | |
US20060253282A1 (en) | System for automatic recognition of vehicle operating noises | |
JP5804409B2 (ja) | 車載装置の振動解析及び振動源の特定を行う方法及び装置 | |
TW201341775A (zh) | 車輛故障診斷方法以及系統以及其電腦可讀取記錄媒體 | |
CN110765807A (zh) | 驾驶行为分析、处理方法、装置、设备和存储介质 | |
US8688309B2 (en) | Active and stateful hyperspectral vehicle evaluation | |
Kemalkar et al. | Engine fault diagnosis using sound analysis | |
CN113739905A (zh) | 用于定位转向系统中发生的噪声的装置及方法 | |
CN112185335A (zh) | 一种降噪方法、装置、电子设备及存储介质 | |
Suman et al. | Early detection of mechanical malfunctions in vehicles using sound signal processing | |
Mishra et al. | A fault diagnosis approach based on 2D-vibration imaging for bearing faults | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
CN115742954A (zh) | 一种车辆故障提醒方法、装置、设备及存储介质 | |
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 | |
CN112149498A (zh) | 一种面向汽车复杂部件异响的在线智能识别系统及方法 | |
Son et al. | Unsupervised learning for anomaly detection of electric motors | |
CN114707551A (zh) | 面向工业互联网设备故障诊断的多模态数据融合方法 | |
CN112420074A (zh) | 一种汽车后视镜电机异响声音的诊断方法 | |
JP2023108581A (ja) | 異音診断システム | |
CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 | |
CN113033396B (zh) | 基于特征融合的变频管道过球指示装置及过球检测方法 | |
JPH08320251A (ja) | 設備における音響および振動の診断方法 |
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 |