CN114383711B - 车辆的异响判定装置 - Google Patents

Abstract

车辆的异响判定装置是进行车辆动力传动系统是否发出异响的异响判定的装置，具备执行装置和存储装置。通过一边改变动力传动系统的输入转速一边针对多个频率计测动力传动系统的工作声音的声压而得到的多个声压中的最大值为最大声压。声压超过基准值的频率在计测声压的多个频率整体占的比例为超过比例。存储装置存储有以最大声压和超过比例为输入且以表示异响判定结果的变量即判定结果变量为输出的神经网络。神经网络是将最大声压和超过比例的计测值及根据评价者的感官评价设定的判定结果变量的评价值的、每个车辆的值用作监督数据进行了学习的已学习神经网络。执行装置基于以最大声压和超过比例的计测值为输入的已学习神经网络的输出进行异响判定。

Description

车辆的异响判定装置

技术领域

本公开涉及车辆的异响判定装置，该装置进行车辆的动力传动系统是否发出异响(异常声响)的异响判定。

背景技术

作为一种判定车室内是否产生了令乘员感觉不舒服的异响的车辆的异响判定装置，已知有日本特开2014-222189号公报中记载的装置。在该公报的异响判定装置中，根据车室内的声音相对于车辆的背景噪声的声压之差来判定有无异响。

发明内容

发明所要解决的问题

如此，在上述公报的异响判定装置中，基于声压判定有无异响。然而，是否会被觉得是不舒服的异响并非单纯仅靠声压的大小就能充分地进行评价的。

用于解决问题的技术方案

本公开的一个技术方案涉及的车辆的异响判定装置是进行车辆的动力传动系统是否发出异响的异响判定的装置，具备执行装置和存储装置。在此，通过一边改变动力传动系统的输入转速、一边针对多个频率计测(测量)该动力传动系统的工作(动作)声音的声压而得到的多个声压中的最大值为最大声压。另外，声压超过基准值的频率在计测声压的多个频率整体所占的比例为超过比例。存储装置存储有以最大声压和超过比例为输入且以表示异响判定的结果的变量即判定结果变量为输出的神经网络(Neural Network)。神经网络是将最大声压和超过比例的计测值以及根据由评价者进行的感官评价所设定的判定结果变量的评价值各自的、每个车辆的值用作监督数据而进行了学习的已学习神经网络。执行装置基于以最大声压和超过比例的计测值为输入的已学习神经网络的输出，进行异响判定。

附图说明

图1是示意性地表示车辆的异响判定装置的一个实施方式的构成的图。

图2是表示感官特性校正系数与频率的关系的图表。

图3是表示最大声压和超过比例的运算方式的图。

图4是示意性地表示图1的异响判定装置所具备的神经网络的结构的图。

图5是示意性地表示构成为在车辆行驶中进行异响判定的异响判定装置的变形例的构成的图。

图6是表示学习区域的设定方式的一例的图表。

具体实施方式

以下，参照图1～图4，详细说明车辆的异响判定装置的一个实施方式。

如图1所示，车辆30具有发动机和/或马达等驱动源31。驱动源31产生的动力经由自动变速器32、传动(螺旋，propeller)轴33、差动机34和车轮轴35而向车轮36传送。本实施方式的异响判定装置10构成为，进行从驱动源31向车轮36传送动力的车辆30的动力传动系统是否发出异响的异响判定。

＜异响判定装置的构成＞

对本实施方式的异响判定装置10的构成进行说明。异响判定装置10为电子计算机，具有执行装置11和存储装置12，执行装置11执行异响判定以及用于进行异响判定中所使用的神经网络13的学习的运算处理，存储装置12存储神经网络13。异响判定装置10能够由包括1)按照计算机程序(软件)工作的一个以上的处理器、2)执行各种处理中的至少一部分处理的面向特定用途的集成电路(ASIC)等一个以上的专用硬件电路、或者3)它们的组合的处理电路构成。处理器包括CPU以及RAM和ROM等存储器，存储器存储有构成为使CPU执行处理的程序代码或者指令。存储器即计算机可读介质包括能够由通用或专用的计算机访问的任何可利用的介质。

异响判定装置10连接于计测装置20，计测装置20是用于计测在异响判定以及神经网络13的学习中使用的数据的装置。在计测装置20上连接有用于计测异响的麦克风21。在计测异响时，计测装置20也与车辆30的控制单元37连接。而且，计测装置20从控制单元37取得车速、加速器(油门)操作量这类的表示车辆30的状态的信息。加速器操作量是油门踏板等加速装置的操作量。

＜异响的计测＞

接着，说明计测装置20所进行的异响计测。在将车辆30设置于底盘测功机(chassis dynamometer)的状态下进行异响计测。麦克风21设置在预先确定的异响计测位置。在本实施方式中，以车辆30的乘员感到的异响作为判定对象，在车室内设置有麦克风21。此外，在以从车辆30漏出到车外的异响作为判定对象的情况下，在车外设置麦克风21即可。

在计测异响时，计测装置20对在使车辆30在底盘测功机上模拟行驶的状态下动力传动系统的输入转速、即从驱动源31输入到自动变速器32的转速发生既定量变化的期间内的麦克风21的输出进行记录。另外，计测装置20从车辆30的控制单元37取得异响计测期间的车速和加速器操作量并进行记录。此外，有时在动力传动系统的输入转速的变化期间，车速、加速器操作量的值会发生变化。在这种情况下，对于车速和加速器操作量的各值，可以记录输入转速的变化开始时的值、该变化结束时的值、或者输入转速的变化期间的平均值等作为在异响计测期间的值。

计测装置20通过频谱解析，求取在计测期间麦克风21所计测的声音的每个频率的声压、即计测声音的频谱。此外，对每个频率的声压进行计测的频率的范围设为有可能被识别为异响的声音的频率范围、例如可听区。

而且，计测装置20根据频谱求取下面的两个值、即最大声压和超过比例。最大声压表示通过针对多个频率进行计测而得到的多个声压中的最大值。另外，超过比例表示声压超过基准值的频率在计测声压的多个频率整体所占的比例。

此外，在本实施方式中，计测装置20在进行最大声压和超过比例的运算之前，先对每个频率的声压的计测值实施感官特性校正，感官特性校正是用于补偿每个频率的听觉灵敏度的差异的校正。计测装置20使用感官特性校正后的声压的值，分别求取最大声压和超过比例。使用感官特性校正系数进行感官特性校正，感官特性校正系数根据频率设定值。计测装置20通过对各频率的声压的计测值乘以与该频率对应的感官特性校正系数的值，求取校正后的声压的值。

图2表示感官特性校正系数与频率的关系。对于人而言，存在容易听到的频率和难以听到的频率。因此，即使是声压相同的声音，如果频率不同，有时也会感觉是不同大小的声音。与各频率对应的感官特性校正系数的值基于下记关于这种人的听觉灵敏度的频率特性的调查结果而设定。即，在该调查中，预先将特定频率F0的既定声压的声音设定为基准音。而且，实施下记由多个评价者所作的关于声音大小的感官评价。首先，在让评价者听过基准音后，一边改变声压一边让评价者听与基准音不同的其他频率的声音。然后，求取在评价者感觉到声音大小变得与基准音相同时的上述其他频率的声音的声压。将评价者感觉到声音大小与基准音相同的声压记作感官等声压。在上述感官评价中，按每个频率求出从多个评价者得到的感官等声压的平均值。而且，对于与各频率对应的感官特性校正系数的值，设定将基准音的声压除以该频率的感官等声压的平均值所得的商。

在图3中，关于异响计测的结果、即每个频率的声压的计测结果的一例，用虚线(点划线)表示了实施感官特性校正前的值，用实线表示了实施校正后的值。另外，图3中的“B”表示了每个频率的声压的计测范围整体的频率范围的宽度。另外，图3中的“b1”、“b2”、“b3”和“b4”表示了感官特性校正后的各频率的声压超过基准值的频率范围各自的宽度。在图3的情况下，求出感官特性校正后的声压的值中的最大值Pmax，作为最大声压的值。另外，求出将“b1”、“b2”、“b3”与“b4”的和除以“B”所得的商，作为超过比例的值。

＜神经网络的结构＞

接下来，参照图4说明神经网络13的结构。神经网络13具备：具有4个节点的输入层；具有“n”个节点的中间层；以及具有2个节点的输出层。另外，以下的说明中的“i”表示大于等于1且小于等于4的任意整数。另外，以下的说明中的“j”表示大于等于1且小于等于n的任意整数。

在图4中，将输入层的4个节点的输入值分别表示为X1、X2、X3、X4。输入值X1为最大声压，输入值X2为超过比例。另外，输入值X3为车速，输入值X4为加速器操作量。

另外，在图4中，将中间层的“n”个节点的输入值分别表示为U1、U2、…、Un，将中间层的“n”个节点的输出值分别表示为Z1、Z2、…、Zn。中间层的各节点的输入值Uj被作为对输入层的输入值X1、X2、X3、X4各自乘以权重Wij所得到的值之和而算出。中间层的各节点的输出值Zj被作为以该节点的输入值Uj为自变量的激活函数F的返回值而算出。在本实施方式中，使用Sigmoid函数作为激活函数F。

输出层的两个节点中的一方的输入值A1被输入对中间层的“n”个节点的输出值Zj的每一个乘以权重Vj1所得到的值之和。另外，输出层中的另一方节点的输入值A2被输入对中间层的“n”个节点的输出值Zj的每一个乘以权重Vj2所得到的值之和。而且，输出层的两个节点的输出值Y1、Y2被作为以各个节点的输入值A1、A2为自变量的Softmax函数G的返回值而算出。由此，输出层的两个节点的输出值Y1、Y2被计算为分别取大于等于0且小于等于1的值并且输出值Y1、Y2的合计为1。在该神经网络13中，输出值Y1被当作是表示作为异响判定的结果而被判定为无异响的似然的合格似然变量。另外，输出值Y2被当作是表示作为异响判定的结果而被判定为有异响的似然的不合格似然变量。在本实施方式中，这些合格似然变量和不合格似然变量相当于表示异响判定的结果的变量即判定结果变量。

如上这样构成的神经网络13成为以最大声压、超过比例、车速和加速器操作量为输入且以有异响和无异响各自的判定的似然为输出的神经网络。

＜神经网络的学习＞

接着，对这样的神经网络13的生成方法、即该神经网络13的学习进行说明。

在进行神经网络13的学习时，在同一车型的多个车辆30中以上述的方式进行各种行驶状态下的异响计测。另外，与异响计测一同进行有无异响的判定。有无异响的判定通过由多个评价者所作的感官评价进行。在感官评价中，各评价者聆听在异响计测时由麦克风21录下的声音，进行关于该声音的感知的评价。该评价通过各评价者对关于声音的规则性、沉闷感、混响感、大小、高低、圆润感这类的音感的多个评价项目的每个项目打分来进行。然后，根据各评价者的感官评价的结果，判定该声音是否为令人不舒服的异响。

而且，制作很多将每次异响计测的最大声压、超过比例、车速、加速器操作量以及判定结果变量的值汇总为一个的数据集。神经网络13的学习使用由这样的很多的数据集构成的监督数据进行。此外，各数据集中的合格似然变量和不合格似然变量的值如下所述来设定。即，在通过感官评价判定为无异响的情况下，合格似然变量的值设定为“1”，不合格似然变量的值设定为“0”。另外，在通过感官评价判定为有异响的情况下，合格似然变量的值设定为“0”，不合格似然变量的值设定为“1”。

在神经网络13的学习中，按每个数据集进行以下处理。首先，将各数据集中的最大声压、超过比例、车速以及加速器操作量的值分别作为输入层的输入值X1～X4的值而输入到神经网络13。然后，使用误差逆传播法，修正各权重Wij、Vj1、Vj2的值以使得对于这些输入的输出层的两个输出值Y1、Y2与数据集的合格似然变量和不合格似然变量各自的误差减小。反复进行这样的权重Wij、Vj1、Vj2的修正处理直到上述误差成为预先确定的值以下。而且，当上述误差成为预先确定的值以下时，判定为神经网络13的学习完成。

在本实施方式中，异响判定装置10的执行装置11进行这样的神经网络13的学习处理。而且，在进行神经网络13的学习时，异响判定装置10将根据上述的异响计测的结果所制作的监督数据存储于存储装置12。也可以为，在有别于异响判定装置10的装置中进行这样的神经网络13的学习，将已学习的神经网络13存储于存储装置12。

＜异响判定＞

接下来，说明本实施方式的异响判定装置10的异响判定的实施方式。本实施方式的异响判定装置10例如用于以下用途。即，以客观的基准针对用户怀疑产生异响而带到经销商等的车辆30判定是否实际产生了因动力传动系统的异常引起的异响这一用途。

在异响判定时，首先，在判定对象的车辆30中进行上述的异响计测。计测装置20将根据计测结果所求出的最大声压和超过比例的值、以及从车辆30的控制单元37取得的异响计测时的车速和加速器操作量的值发送到异响判定装置10。异响判定装置10的执行装置11将从计测装置20接收到的最大声压、超过比例、车速和加速器操作量的值分别作为输入值X1～X4的值而输入到神经网络13的输入层。然后，执行装置11运算对于该输入的神经网络13的输出层的输出值Y1、Y2。

如上所述，输出值Y1是表示作为异响判定的结果而被判定为无异响的似然的合格似然变量，输出值Y2是表示作为异响判定的结果而被判定为有异响的似然的不合格似然变量。由此，如果作为输出值Y1和输出值Y2，分别运算出接近“1”的值和接近“0”的值，则产生异响的可能性低。与此相对地，如果作为输出值Y1和输出值Y2，分别运算出接近“0”的值和接近“1”的值，则产生异响的可能性高。在本实施方式中，判定阈值预先设定为大于“0.5”且小于“1”的值。执行装置11在输出值Y1为判定阈值以上的值的情况下判定为无异响，另一方面，在输出值Y2为判定阈值以上的值的情况下判定为有异响。另外，执行装置11在输出值Y1、Y2均小于判定阈值的情况下保留判定结果。

此外，有时异响只在特定的行驶状态下发出。在确定了被怀疑有异响发出的行驶状态的情况下，在该行驶状态下进行异响的计测及判定即可。与此相对地，在没有确定被怀疑有异响发出的行驶状态的情况下，分别在多个行驶状态下进行异响的计测及判定即可。

可以将异响判定装置10和计测装置20双方均设置于相同的设施例如经销商来实施这样的异响判定。另外，即使将异响判定装置10设置在与计测装置20有别的地方，也可以实施同样的异响判定。例如，仅将计测装置20设置于经销商，而将异响判定装置10设置于数据中心。在这种情况下，将异响判定装置10与计测装置20通过互联网等广域通信线路连接。而且，通过经由广域通信线路的异响判定装置10与计测装置20之间的计测结果和判定结果的收发，能够实施异响判定。

＜实施方式的作用、效果＞

车辆30的动力传动系统产生的工作声音的大小和音质根据车辆30的行驶状态而变化。另外，动力传动系统的工作声音包含与齿轮等动力传动系统的构成部件的转速成正比的频率成分。这样的频率成分的频率随着动力传动系统的输入转速的变化一起变化。在本实施方式中，车辆30的控制单元37一边改变输入转速，计测装置20一边计测动力传动系统的工作声音的每个频率的声压。而且，计测装置20求取通过对多个频率进行计测而得到的多个声压中的最大值作为最大声压的值，另外，求取声压超过基准值的频率在计测声压的多个频率整体所占的比例作为超过比例的值。

在动力传动系统的输入转速的变化过程中，如果明显地产生大的工作声音，哪怕只是一瞬间，也会被识别为令人不舒服的异响。在这种情况下，最大声压的值变大。另一方面，即使是大小为如果仅是瞬间产生则不会被识别为异响的程度的工作声音，如果在输入转速的变化过程中频繁地或者连续地产生，有时也会被识别为令人不舒服的异响。如上所述，当输入转速变化时，工作声音的频率也随着该变化一起变化。由此，在输入转速的变化过程中，如果高频地或者连续地产生一定以上的声压的工作声音，则会在很多频率下观测到一定以上的声压，超过比例的值会变大。

如此，最大声压和超过比例分别成为从各不相同的观点来看的异响判定的指标值。由此，如果基于最大声压和超过比例双方进行异响判定，则有可能能够精确地判定有无异响。然而，是否为令人不舒服的异响是人的敏感性、感官性的问题，最大声压和超过比例各自对于这样的异响的识别的贡献程度不是能简单求取的。

对此，在本实施方式的异响判定装置10中，存储装置12存储有以最大声压和超过比例为输入且以表示异响判定的结果的判定结果变量即合格似然变量和不合格似然变量为输出的神经网络13。而且，将最大声压和超过比例的计测值以及根据由评价者进行的感官评价所设定的判定结果变量的评价值各自的、每个车辆30的值用作监督数据，进行神经网络13的学习。因此，即使预先不知道最大声压和超过比例各自对于异响的识别的贡献程度，也能够实施基于最大声压和超过比例的适当的异响判定。

根据本实施方式，能够获得以下效果。

(1)对于动力传动系统的工作声音，异响判定装置10使用作为该工作声音的声压大小的指标值的最大声压和作为该工作声音的连续性和/或产生频率的指标值的超过比例，判定有无异响。因此，不仅是单纯地声压大的声音，对于连续产生、高频地反复产生的声音，也能使其反映感觉不舒服的人的敏感性而进行异响判定。

(2)异响判定装置10使用以最大声压和超过比例为输入且以表示异响判定的结果的合格似然变量和不合格似然变量为输出、并且将上述输入和输出的每个车辆30的值用作监督数据而进行了学习的神经网络13，判定有无异响。因此，即使不清楚最大声压和超过比例各自对于异响的识别的贡献程度，也能够适当地实施基于这些最大声压和超过比例的异响判定。

(3)动力传动系统的工作声音的频率和/或声压根据车辆的行驶状态而变化。另外，根据车辆的行驶状态，在车辆30中的除了动力传动系统以外的部分产生的声音、即背景噪声的大小也发生变化。而且，背景噪声大时，动力传动系统的工作声音难以被识别为异响。在本实施方式中，将车速和加速器操作量用作表示车辆30的行驶状态的状态变量，并且使神经网络13的输入包括这些状态变量。因此，能反映由车辆30的行驶状态引起的工作声音和/或背景噪声的变化而进行神经网络13的学习及异响判定。

(4)在本实施方式中，计测装置20进行用于补偿人的每个频率的听觉灵敏度的差异的感官特性校正。计测装置20对每个频率的声压的计测值乘以根据频率设定值的感官特性校正系数来求取感官特性校正后的声压。计测装置20使用校正后的声压的值求取最大声压和超过比例。由此，反映存在容易听到的频率和难以听到的频率的、人的听觉灵敏度的频率特性，进行神经网络13的学习和异响判定。

上述实施方式可以如下变更来实施。上述实施方式和以下的变更例可以在技术上不矛盾的范围内相互组合而实施。

·也可以将异响判定装置搭载于车辆。在图5中表示搭载于车辆30的情况下的异响判定装置的一个构成例。在图5的情况下，异响判定装置100具备执行装置101以及存储装置102。存储装置102存储有在外部的装置中被学习的神经网络103。神经网络103的构成与上述实施方式的相同。另外，对异响判定装置100连接有设置于车辆30的麦克风21以及车辆30的控制单元37。图5的情况下的异响判定装置100兼备作为上述实施方式中的计测装置20的功能，异响判定装置100自己根据麦克风21的检测结果求取最大声压和超过比例。执行装置101运算以最大声压的计测值、超过比例的计测值、车速和加速器操作量为输入的神经网络103的输出。车速和加速器操作量是在异响计测时从控制单元37取得的值。而且，执行装置101根据运算出的神经网络103的输出，判定有无异响。

·动力传动系统中的产生异响的部位有时会根据车辆30的行驶状态而不同。另外，即使是在相同部位产生的异响，其声压和/或音质有时也会根据车辆30的行驶状态而变化。再者，根据车辆30的行驶状态，背景噪声有时会变化，动力传动系统的工作声音的听取容易度会改变。在由车辆30的行驶状态引起的、异响的产生状况和/或周围的环境条件的差异大的情况下，存在无法适当地学习神经网络13而导致异响判定的精度恶化之虞。在那样的情况下，例如如图6所示，设定根据车辆30的行驶状态划分出的多个学习区域。在图6的情况下，设定有根据车速和加速器操作量划分出的9个学习区域C1～C9。而且，按每个学习区域设置单独的神经网络13，并且也按每个学习区域分别进行神经网络13的学习。在这种情况下，在各个学习区域内，进行与该学习区域内的异响的产生状况和环境条件相应的神经网络13的学习。因此，即使在由车辆30的行驶状态引起的、异响的产生状况和/或周围的环境条件的差异大的情况下，也能够适当地实施异响判定。

·在上述实施方式中，使用对每个频率的声压的计测值实施感官特性校正后的值求取了最大声压和超过比例的值，但也可以不进行感官特性校正而使用每个频率的声压的计测值本身求取最大声压和超过比例的值。

·在上述实施方式中，神经网络13的输入包括表示车辆30的行驶状态的状态变量，具体而言是车速和加速器操作量。也可以对神经网络13的输入加入除车速和加速器操作量以外的表示车辆30的行驶状态的参数、例如驱动源31的输出转矩和自动变速器32的齿轮级等。另外，也可以从神经网络13的输入中省去车速和加速器操作量中的一方或者双方。

·在仅在预先确定的特定的行驶状态下进行异响的计测等情况下，也可以仅将最大声压和超过比例这两个值作为神经网络13的输入值，不使输入包括表示车辆30的行驶状态的状态变量。

·在上述实施方式中，将神经网络13构成为以表示作为异响判定的结果而被判定为无异响的似然的变量即合格似然变量以及表示作为异响判定的结果而被判定为有异响的似然的变量即不合格似然变量为输出。也可以将神经网络13构成为以除此之外的表示异响判定的结果的变量为输出。

·在上述实施方式中，神经网络13的中间层为1层，也可以将神经网络13构成为具有2层以上的中间层。

·作为在上述实施方式的神经网络13中使用的激活函数，也可以将Sigmoid函数以外的函数用作激活函数。

Claims (6)

1.一种车辆的异响判定装置，是进行车辆的动力传动系统是否发出异响的异响判定的装置，

具备执行装置和存储装置，

通过一边改变所述动力传动系统的输入转速、一边针对多个频率计测该动力传动系统的工作声音的声压而得到的多个声压中的最大值为最大声压，

声压超过基准值的频率在计测声压的多个频率整体所占的比例为超过比例，

所述存储装置存储有以所述最大声压和所述超过比例为输入且以表示所述异响判定的结果的变量即判定结果变量为输出的神经网络，所述神经网络是将每个车辆的所述最大声压和所述超过比例的计测值以及根据由评价者进行的感官评价所设定的所述判定结果变量的评价值用作监督数据而进行了学习的已学习神经网络，

所述执行装置构成为，基于以所述最大声压和所述超过比例的计测值为输入的所述已学习神经网络的输出，进行所述异响判定。

2.根据权利要求1所述的车辆的异响判定装置，

所述已学习神经网络的输入包括表示计测所述最大声压和所述超过比例时的所述车辆的行驶状态的状态变量。

3.根据权利要求2所述的车辆的异响判定装置，

所述状态变量包括车速和加速器操作量中的至少一方。

4.根据权利要求1至3中任一项所述的车辆的异响判定装置，

使用对按所述频率得到的声压的计测值实施用于补偿人的每个频率的听觉灵敏度的差异的感官特性校正后的值运算所述最大声压和所述超过比例。

5.根据权利要求1至3中任一项所述的车辆的异响判定装置，

所述执行装置和所述存储装置搭载于所述车辆。

6.根据权利要求4所述的车辆的异响判定装置，

所述执行装置和所述存储装置搭载于所述车辆。