CN114464213A - 车辆的异常声音检查装置 - Google Patents
车辆的异常声音检查装置 Download PDFInfo
- Publication number
- CN114464213A CN114464213A CN202111190610.9A CN202111190610A CN114464213A CN 114464213 A CN114464213 A CN 114464213A CN 202111190610 A CN202111190610 A CN 202111190610A CN 114464213 A CN114464213 A CN 114464213A
- Authority
- CN
- China
- Prior art keywords
- characteristic value
- sound
- vehicle
- abnormal sound
- value
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 116
- 238000007689 inspection Methods 0.000 title claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims abstract description 104
- 238000011156 evaluation Methods 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 16
- 230000005284 excitation Effects 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002847 sound insulator Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开车辆的异常声音检查装置。在异常声音检查装置的存储装置中存储有神经网络,该神经网络是以将表示变速器发出的声音的特性的原声特性值以及表示到达车室的声音的特性的评价声特性值作为输入且将作为表示位于从变速器向车室的振动传递路径上的车辆部件的振动传递的特性的值的路径部件特性值作为输出的方式进行机器学习而成的。异常声音检查装置的执行装置运算出将原声特性值以及评价声特性值的测量值作为输入的神经网络的输出作为路径部件特性值的推测值。
Description
技术领域
本发明涉及车辆的异常声音检查装置。
背景技术
在日本特开2008-151538中,记载有使用以将车室内的声音的频率分量作为输入并将异常的有无的判定结果作为输出的方式进行机器学习的神经网络,判定变速器等的异常的有无的装置。
发明内容
变速器由于齿轮的齿击等而发出的声音有时在车室内作为不舒服的异常声音而听到。变速器发出的声音通过多个路径到达车室。到达车室的声音根据位于其传递路径的车辆部件的振动传递特性而变化。因此,变速器发出的声音本身即使是设计上能够容许的范围的声音,根据位于直至到达车室为止的声音及振动的传递路径的车辆部件的振动传递特性,有时会作为不舒服的异常声音而被乘客听到。这样,多个车辆部件与异常声音有关。
在使用以往型的解析性的手法来进行用于作为异常声音的原因的车辆部件的确定、异常声音产生的有无的预测等的精密的异常声音检查的情况下,需要测量与异常声音有关的车辆部件各自的振动传递特性。然而,如上所述,与异常声音有关的车辆部件的数量多,另外其中还包括如果不从车辆卸下则无法测量振动传递特性的部件。因此,无法简单地进行精密的异常声音检查。
在此,将作为异常声音的产生源的车辆部件设为声源部件,将位于从声源部件向异常声音的评价位置的振动的传递路径的车辆部件设为路径部件,将表示路径部件的振动传递特性的值设为路径部件特性值,将表示声源部件发出的声音的特性的值设为原声特性值,将表示到达异常声音的评价位置的声音的特性的值设为评价声特性值,将路径部件特性值以及评价声特性值中的一方设为第1特性值,并且将另一方设为第2特性值。此时,车辆的异常声音检查装置具备:存储装置,存储有神经网络,该神经网络是将原声特性值以及第1特性值作为输入,并且将第2特性值作为输出的神经网络,所述神经网络是将原声特性值、第1特性值以及第2特性值的测量值用作训练数据而学习而成的;以及执行装置,进行运算将原声特性值以及第1特性值的测量值作为输入的神经网络的输出作为第2特性值的推测值的推测处理。
在存储于上述异常声音检查装置的存储装置的神经网络中,学习原声特性值、评价声特性值、路径部件特性值的关系。因而,如果使用该神经网络,则能够根据原声特性值以及评价声特性值的测量值进行路径部件特性值的推测值的运算或者根据原声特性值以及路径部件特性值的测量值进行评价声特性值的推测值的运算。由此,即使不将路径部件从车辆卸下来测量,也能够推测其振动传递特性,或者即使不将路径部件安装于车辆,也能够推测在将该路径部件安装于车辆时是否产生异常声音。因而,能够简单地进行精密的异常声音检查。
上述神经网络的输入中可以包括作为表示车辆的行驶状态的量的行驶状态量,并且上述训练数据中可以包括评价声特性值的测量时的行驶状态量的测量值。在这样的情况下,能够以反映基于车辆的行驶状态的原声特性值、评价声特性值的变化的形式,进行神经网络的学习以及上述第2特性值的推测。
此外,作为路径部件特性值,例如可以使用路径部件的振动的传递系数以及相位。另外,作为原声特性值以及评价声特性值,可以使用声音的波形数据以及频谱中的任意一方。
此外,在以将路径部件特性值设为第2特性值的方式构成神经网络的情况下使执行装置构成为进行判定处理,在该判定处理中,根据确认了异常声音的产生的状态下的推测处理中的路径部件特性值的运算值来判定路径部件是否是所述异常声音的原因。在这样的情况下,基于判定处理的判定结果,从而能够确定成为异常声音的原因的路径部件。
附图说明
下面将参照附图说明本发明的示例性实施例的特征、优点以及技术和工业上的意义,其中相同的符号表示相同的元件,其中:
图1是示意地示出车辆的异常声音检查装置的第1实施方式的结构的图。
图2是示意地示出该异常声音检查装置使用的神经网络的结构的图。
图3是该异常声音检查装置的执行装置执行的判定例程的流程图。
图4是示意地示出车辆的异常声音检查装置的第2实施方式使用的神经网络的结构的图。
图5是示意地示出车辆的异常声音检查装置的第3实施方式使用的神经网络的结构的图。
具体实施方式
(第1实施方式)
以下,参照图1~图3,详细地说明车辆的异常声音检查装置的第1实施方式。
<关于作为检查对象的车辆的异常声音>
首先,参照图1,说明本实施方式的异常声音检查装置作为检查的对象的车辆10的驱动系统的结构。在车辆10中,作为驱动源而搭载有引擎11。引擎11的输出经由变速器12、螺旋桨轴13、差动齿轮机构14连结于车轮轴15。引擎11以及变速器12经由引擎支座16以及变速器支座17悬架于车体18。车辆10的驱动系统包括这些引擎11、变速器12、螺旋桨轴13、差动齿轮机构14、车轮轴15等。在这些驱动系统的结构部件与乘客搭乘的车室20之间存在隔音件21。
另外,在车辆10中搭载有电子控制单元19。作为表示车辆10的行驶状态的状态量的行驶状态量从设置于车辆10的各部分的传感器输入到电子控制单元19。作为行驶状态量,包括车速V、引擎11的输出转速NE、输出转矩TE、冷却水温这样的表示引擎11的运转状态的量。另外,变速器12的输出转速NO、输出转矩TO、排档、工作油温这样的表示变速器12的运转状态的量也包含于行驶状态量。然后,电子控制单元19根据所输入的行驶状态量,进行引擎11的运转状态的控制、变速器12的排档的切换控制等车辆10的行驶状态的控制。
在这样的车辆10的行驶过程中,有时在变速器12中产生齿轮的齿击声。而且,该齿击声有时作为乘客感到不舒服的异常声音而传递到车室20。在变速器12中产生的振动经由各种路径到达车室20。搭乘在车室20的乘客听到的声音是经由各路径传递的振动合起来而成的声音。此外,作为从车辆10中的变速器12向车室20的振动的传递路径,例如有下述(I)~(V)的路径。存在如下那样的许多路径:(I)从变速器12经由隔音件21到达车室20的路径。(II)从变速器12经由变速器支座17传递到车体18,从车体18到达车室20的路径。(III)从变速器12经由引擎11以及引擎支座16传递到车体18,从车体18到达车室20的路径。(Ⅳ)从变速器12传递到螺旋桨轴13,从螺旋桨轴13经由车体18到达车室20的路径。(V)从变速器12经由螺旋桨轴13传递到差动齿轮机构14,从差动齿轮机构14经由车体18到达车室20的路径等。在变速器12中产生的齿轮的齿击声作为怎样的声音被车室20内的乘客听到是由位于这样的振动传递路径的车辆部件的振动传递特性大幅左右的。
在以下的说明中,将位于从作为异常声音的产生源的变速器12向作为异常声音的评价位置的车室20的各振动传递路径的车辆部件记载为路径部件。在各路径部件的振动传递特性中,存在制造时的偏差、经年变化。而且,异常声音的原因有时不在于作为产生源的变速器12,而在于路径部件。本实施方式的异常声音检查装置30作为在产生了路径部件为原因的异常声音时进行用于确定成为其原因的路径部件的检查的装置而构成。
<异常声音检查装置的结构>
如图1所示,本实施方式的异常声音检查装置30作为具备执行与异常声音检查相关的处理的执行装置31和存储在该处理中使用的程序、数据的存储装置32的电子计算机而构成。在存储装置32中,存储有用于异常声音检查的神经网络33。
测量装置34连接于异常声音检查装置30。麦克风35、激振试验用的脉冲锤36以及加速度传感器37连接于测量装置34。这样的测量装置34利用于在用于确定成为异常声音的原因的路径部件的异常声音检查中使用的原声特性值以及评价声特性值的测量。原声特性值是表示作为异常声音的产生源的车辆部件发出的声音的特性的值。在以下的说明中,将作为异常声音的产生源的车辆部件记载为声源部件。在本实施方式中,变速器12是声源部件。评价声特性值是表示从声源部件到达异常声音的评价位置的声音的特性的值。在本实施方式中,车室20内的既定的位置被设定为评价位置。
<原声特性值以及评价声特性值的测量>
接下来,说明原声特性值以及评价声特性值的测量。在本实施方式中,使作为异常声音检查的对象的车辆10的引擎11停止,在该车辆10停车的状态下进行原声特性值以及评价声特性值的测量。另外,在测量时,麦克风35设置于作为评价位置而设定的车室20内的既定的位置,加速度传感器37安装于变速器12。然后,在该状态下,进行基于脉冲锤36的变速器12的脉冲激振。测量装置34在脉冲激振后,每隔既定的采样周期获取加速度传感器37以及麦克风35的输出。在本实施方式中,将此时的测量装置34获取到的加速度传感器37的输出的时间序列数据用作原声特性值的测量值。另外,在本实施方式中,将此时的测量装置34获取到的麦克风35的输出的时间序列数据用作评价声特性值的测量值。即,在本实施方式中,将因脉冲激振而产生的变速器12的振动的波形数据作为原声特性值而测量。另外,在本实施方式中,将原声特性值的测量时的车室20内的声音的波形数据作为评价声特性值而测量。
<神经网络的结构>
在异常声音检查时,异常声音检查装置30从测量装置34获取作为检查对象的车辆10中的原声特性值以及评价声特性值的测量值。然后,异常声音检查装置30使用获取到的这些测量值和存储于存储装置32的神经网络33来进行异常声音检查。以下,说明用于这样的异常声音检查的神经网络33的结构。
如图2所示,神经网络33具备具有“n”个节点的输入层、具有“m”个节点的中间层以及具有“p”个节点的输出层。此外,以下的说明中的“i”表示1以上且n以下的任意的整数,“j”表示1以上且m以下的任意的整数,“k”表示1以上且p以下的任意的整数。
在图2中,将向输入层的各节点的输入值表示为X1、X2、…、Xn。原声特性值的测量值被输入到输入值中的X1~Xa,评价声特性值的测量值被输入到Xa+1~Xn。具体而言,在上述激振试验中测量出的加速度传感器37的输出的时间序列数据被输入到X1~Xa。另外,在激振试验中测量出的麦克风35的输出的时间序列数据被输入到Xa+1~Xn。
另外,在图2中,将向中间层的各节点的输入值表示为U1、U2、…、Um,将中间层的各节点的输出值表示为Z1、Z2、…、Zm。中间层的各节点的输入值Uj作为对输入层的输入值X1、X2、…、Xn分别乘以权重Wij而得到的值之和而计算。中间层的各节点的输出值Zj作为将该节点的输入值Uj作为自变量的激活函数F的返回值而计算。在本实施方式中,将Sigmoid函数(S形函数)用作激活函数F。
进而,在图2中,将向输出层的各节点的输入值表示为Y1、Y2、…、Yp。对中间层的各节点的输出值Zj分别乘以权重Vjk而得到的值之和被输入到Y1~Yp。然后,作为输出层的各节点的输入值的Y1~Yp是神经网络33的输出。在该神经网络33中,Y1~Yp表示示出路径部件之一例如螺旋桨轴13的振动传递特性的值。具体而言,Y1~Yb分别表示路径部件的振动传递函数的每个频率的振动传递系数即增益。另外,Yb+1~Yp分别表示该路径部件的振动传递函数的每个频率的相位。
如以上那样,神经网络33构成为将原声特性值以及评价声特性值作为输入,另一方面将路径部件的振动传递特性值作为输出。在这样的本实施方式中,评价声特性值对应于第1特性值,路径部件的振动传递特性值对应于第2特性值。
顺便说一下,在存储装置32中分别存储有与不同的路径部件对应的多个神经网络33。作为设置神经网络33的路径部件,选择成为异常声音的原因的可能性高的部件。即,是通过部件时的振动的变化大、振动传递特性的个体差、经年变化大的路径部件。此外,也可以在神经网络33的输出层的各节点的输入值中包含多个检查对象路径部件的振动传递系数以及相位,将多个路径部件的神经网络33汇总成一个。
<神经网络的学习>
接下来,说明这样的神经网络33的生成方法即该神经网络33的学习。神经网络33的学习由学习用的电子计算机进行。在异常声音检查装置30的存储装置32中,存储有利用学习用的电子计算机完成学习的神经网络33即已学习网络。
在神经网络33的学习时,在同一车型的多个车辆10中,通过激振试验来进行原声特性值、评价声特性值的测量。另外,在各车辆10中,测量路径部件的振动传递特性值。路径部件的振动传递特性值例如通过路径部件单体中的激振试验来测量。然后,针对每个车辆10,制作出将原声特性值、评价声特性值以及路径部件的振动传递特性值汇总成一个的数据组。
神经网络33的学习使用这样制作出的包含多个数据组的训练数据来进行。具体而言,首先,将数据组中的原声特性值以及评价声特性值的值作为X1~Xn的值而输入到神经网络33的输入层。然后,以针对这些输入而神经网络33输出的Y1~Yp的值与数据组中的路径部件的振动传递特性值的值的误差变小的方式,使用误差逆传播法来修正各权重Wij、Vjk的值。反复进行这样的权重Wij、Vjk的修正处理,直至上述误差成为预先决定的值以下。然后,当上述误差成为预先决定的值以下时,判定为神经网络33的学习完成。
<异常声音检查>
接着,说明由本实施方式的异常声音检查装置30进行的异常声音检查的实施方式。在此的异常声音检查是在由用户将产生了异常声音的车辆10带到经销商等时为了确定该异常声音的原因而进行的。在异常声音的原因在于作为其产生源的变速器12的情况即变速器12发出大的声音的情况下,通过人的听觉容易查明其原因在于变速器12。然而,在异常声音的原因在于路径部件的情况下,仅凭人的听觉难以确定原因。在此的异常声音检查是在确认异常声音的原因不在于变速器12而怀疑在于路径部件中的某个部件的情况下进行的检查。
在异常声音检查时,首先,将加速度传感器37设置于检查对象的车辆10的变速器12,将麦克风35设置于车室20。然后,使用测量装置34,按照上述方式测量原声特性值以及评价声特性值。在其测量后,由执行装置31关于路径部件的各个路径部件执行判定是否是异常声音的原因的判定处理。
图3示出为了进行上述判定而执行装置31执行的判定例程的处理次序。针对设置有神经网络33的路径部件的每个路径部件分别单独地执行本例程。此外,在以下的说明中,将作为判定例程的对象的路径部件记载为检查对象部件。
当开始本例程时,执行装置31首先在步骤S100中从测量装置34获取原声特性值以及评价声特性值的测量值。然后,执行装置31接着在步骤S110中运算将这些测量值作为输入的神经网络33的输出。在此运算的神经网络33的输出成为作为检查对象的车辆10的检查对象部件的振动传递特性值即同部件的振动的传递系数以及相位的推测值。
此外,在存储装置32中,预先存储有检查对象部件的振动的传递系数以及相位各自的标准值。然后,执行装置31接着在步骤S120中将其标准值与步骤S110中的振动的传递系数以及相位的运算值进行比较,判定检查对象部件是否是异常声音的原因。即,执行装置31在判断为传递系数以及相位的运算值与标准值的背离大的情况下(S130:是),输出检查对象部件是异常声音的原因这样的判定结果(S140)。相对于此,执行装置31在判断为上述背离不大的情况下(S130:否),输出检查对象部件不是异常声音的原因这样的判定结果(S150)。
<第1实施方式的作用、效果>
在本实施方式中,使用神经网络33推测路径部件的振动传递的特性值。即,神经网络33将表示作为异常声音的产生源的变速器12发出的声音的特性的原声特性值和表示传递到作为异常声音的评价位置的车室20的声音的特性的评价声特性值作为输入,将路径部件的振动传递特性值作为输出。然后,该神经网络33将原声特性值、评价声特性值以及路径部件的振动传递的特性值各自的测量值用作训练数据而学习。
从变速器12传递到车室20的声音的波形反映位于从变速器12向车室20的振动传递路径的车辆部件即路径部件各自的振动传递特性。如果存在于从变速器12向车室20的振动传递路径的路径部件的数量少,则即使通过波形解析等的以往手法,也能够根据原声特性值以及评价声特性值来求出路径部件的振动传递的特性值。然而,在实际的车辆10中,在从变速器12向车室20的振动传递路径中存在多个路径部件,通过以往手法难以求出各路径部件的振动传递特性。相对于此,在上述神经网络33中,即使原声特性值以及评价声特性值与路径部件的振动传递的特性值的关系不清楚,也能够学习它们的关系。
根据以上的本实施方式的车辆的异常声音检查装置,能够起到以下的效果。
(1)通过使用如上所述构成的神经网络33,能够根据基于激振试验的原声特性值以及评价声特性值的测量结果,精度良好地推测路径部件的振动传递的特性值。
(2)通过使用各路径部件的振动传递特性值的推测结果,能够确定成为异常声音的原因的路径部件。
(3)通过变速器12的激振试验测量出原声特性值以及评价声特性值,所以能够简单地进行用于确定异常声音的原因的检查。
(第2实施方式)
接下来,一并参照图4,详细地说明车辆的异常声音检查装置的第2实施方式。此外,在本实施方式中,关于与上述实施方式共同的结构,附加相同的符号,省略其详细的说明。
在第1实施方式中,在车辆10未移动的状态下进行了用于异常声音检查以及神经网络33的学习的原声特性值以及评价声特性值的测量。但是,变速器12发出的声音、各路径部件的振动传递特性根据车辆10的行驶状态而变化。因而,在本实施方式中,在车辆10的行驶过程中进行原声特性值以及评价声特性值的测量。
图4示出本实施方式采用的神经网络33的结构。在图4中,原声特性值的测量值被输入到输入层的各节点中的X1~Xa,评价声特性值的测量值被输入到Xa+1~Xc,车辆10的行驶状态量的测量值被输入到Xc+1~Xn。车辆10的行驶状态量包括车速V、引擎11的输出转速NE以及输出转矩TE、变速器12的输出转速NO以及输出转矩TO。此外,在图4的情况下,神经网络33的中间层以及输出层也是与图3的情况同样的结构。
在本实施方式中的原声特性值以及评价声特性值的测量时,将麦克风35设置于车室20内,并且将加速度传感器37安装于变速器12。然后,在架台上使车辆10行驶。测量装置34根据此时的麦克风35以及加速度传感器37的输出,获取变速器12以及车室20内的声音的波形数据作为原声特性值以及评价声特性值的测量值。另外,测量装置34从车辆10的电子控制单元19获取该车辆10的行驶状态量。这样,在本实施方式中,不通过基于脉冲锤36的激振试验,而是在使车辆10实际地行驶的状态下测量出原声特性值以及评价声特性值。
另外,在本实施方式中,将把原声特性值、评价声特性值、车辆10的行驶状态量以及路径部件的振动传递特性值各自的测量值汇总成一个的数据组用作训练数据,进行神经网络33的学习。训练数据包括包含使用期间等不同的多个车辆10中的在各种行驶状态下测量出的原声特性值、评价声特性值、车辆10的行驶状态量以及路径部件的振动传递特性值的多个数据组。
本实施方式的异常声音检查装置30中的执行装置31运算将原声特性值、评价声特性值以及车辆10的行驶状态量的测量值作为输入的神经网络33的输出作为路径部件的振动传递特性值的推测值,进行异常声音检查。即,本实施方式的执行装置31按照下面的方式执行判定例程。即,本实施方式的执行装置31在图3的步骤S100中与原声特性值以及评价声特性值的测量值一起获取这些测量时的车辆10的行驶状态量的测量值。接着,执行装置31在步骤S110中运算将在步骤S100中获取到的各测量值作为输入的图4的神经网络33的输出作为路径部件的振动传递特性值。然后,本实施方式的执行装置31通过在步骤S120以后与第1实施方式的情况同样地进行处理,从而实施异常声音检查。
如上所述,在第1实施方式中,进行基于脉冲锤36的变速器12的激振试验来测量出原声特性值以及评价声特性值。然后,根据该测量值进行神经网络33的学习。但是,异常声音的产生状况根据车辆10的行驶状态而变化。因此,仅基于激振试验时的测量值,有时无法适当地学习原声特性值以及评价声特性值与路径部件的振动传递特性值的关系。
相对于此,在本实施方式中,根据车辆10的行驶过程中的原声特性值、评价声特性值的测量值,学习神经网络33。因此,能够以反映实际的车辆10的行驶过程中的异常声音的产生状况的形式,学习神经网络33。另外,将车辆10的行驶状态量包含于神经网络33的输入以及该神经网络33的学习用的训练数据。因此,能够以反映车辆10的行驶状态所致的异常声音的产生状况的变化的形式,学习神经网络33。
(第3实施方式)
接下来,一并参照图5,详细地说明车辆的异常声音检查装置的第3实施方式。此外,在本实施方式中,关于与上述实施方式共同的结构,附加相同的符号,省略其详细的说明。
有时根据现有的车型来开发除了一部分的部件以外采用共同的部件的新的车型。从基础的车型变更的部件是与路径部件相当的部件的情况下,有时与该变更相伴地产生不舒服的异常声音。因此,有时在这样的车型的开发时评价是否与部件变更相伴地产生不舒服的异常声音。本实施方式的异常声音检查装置作为进行用于这样的评价的异常声音检查的装置而构成。
图5示出本实施方式采用的神经网络33的结构。在图5中,原声特性值的测量值被输入到输入层的各节点中的X1~Xa,表示路径部件的振动传递的特性的路径部件特性值被输入到Xa+1~Xd,车辆10的行驶状态量的测量值被输入到Xd+1~Xn。另一方面,作为输出层的各节点的值的Y1~Yp是评价声特性值。此外,在作为输入层的输入值的Xa+1~Xd中,包含多个路径部件的路径部件特性值。
在本实施方式中,将包含按照与第2实施方式的情况同样的方式测量出的原声特性值、评价声特性值、车辆10的行驶状态量以及路径部件特性值的测量值的数据组用作神经网络33的训练数据。但是,在本实施方式的情况下,在神经网络33的学习时,数据组中的原声特性值、车辆10的行驶状态量以及路径部件特性值的测量值被输入到输入值。然后,以针对这些输入而神经网络33输出的Y1~Yp的值与数据组中的评价声特性值的测量值的误差变小的方式,修正各权重Wij、Vjk的值,从而推进神经网络33的学习。
在用于评价与部件变更相伴的异常声音的有无的异常声音检查时,通过试制品的激振试验、仿真等,求出变更的路径部件的振动传递特性值。另外,通过车辆10的试制品中的行驶试验、仿真等,测量在车辆10的各行驶状态下变速器12发出的声音的特性值即原声特性值。此外,原声特性值的测量值也可以挪用基础车型的测量值。然后,执行装置31运算将包括变更部件的各路径部件的路径部件特性值、原声特性值的测量值及其测量时的车辆10的行驶状态量作为输入的神经网络33的输出作为评价声特性值的推测值。由此,推测开发中的车型的评价声特性值即在车室20内乘客听到的声音的波形数据。然后,根据其推测结果来进行是否产生不舒服的异常声音的评价。在这样的本实施方式的异常声音检查装置30中,即使不试制实际车辆,或者不制作实际车辆的精密的振动传递的物理模型,也能够确认与部件变更相伴的异常声音的产生的有无。
上述各实施方式能够以如下方式变更而实施。本实施方式以及以下的变更例能够在技术上不矛盾的范围相互组合实施。
·在上述实施方式中,使用安装于变速器12的加速度传感器37测量出原声特性值,但也可以使用设置于变速器12的附近的麦克风来测量原声特性值。
·在上述实施方式中,将车室20内设为异常声音的评价位置。有时变速器12中的齿轮的齿击声泄漏到车外,该声音作为不舒服的异常声音而被车外的人识别。在检查这样的车外的异常声音的情况下,可以在车辆10的外部设定评价位置,在该评价位置处进行评价声特性值的测量。
·也可以将异常声音检查装置30构成为检查变速器12以外的车辆部件发出的声音为原因的异常声音的装置。例如有时引擎11、螺旋桨轴13、差动齿轮机构14也是作为发出成为异常声音的原因的声音的车辆部件的声源部件。
·在上述实施方式中,使用声音的波形数据作为原声特性值以及评价声特性值,但也可以将声音的频谱的数据用作原声特性值、评价声特性值。此外,频谱是将每个频率分量的声音的大小表示成频率的函数的频谱。
·在上述实施方式中,将路径部件的振动传递函数的振动传递系数以及相位用作路径部件特性值。也可以代替上述振动传递系数以及相位的一方或者双方,或者除了这些之外,将相干函数的值用作路径部件特性值。
·在上述实施方式中,将把引擎11作为驱动源的车辆10作为异常声音的检查对象,但也可以将电动汽车、混合动力车等其它驱动方式的车辆作为异常声音的检查对象。
·在上述实施方式中,将神经网络33的中间层设为一层,但也可以设置多个中间层。
Claims (5)
1.一种车辆的异常声音检查装置,具备:
存储装置和执行装置,
在将作为异常声音的产生源的车辆部件设为声源部件,将位于从所述声源部件向所述异常声音的评价位置的振动的传递路径的车辆部件设为路径部件,将表示所述路径部件的振动传递特性的值设为路径部件特性值,将表示所述声源部件发出的声音的特性的值设为原声特性值,将表示到达所述异常声音的评价位置的声音的特性的值设为评价声特性值,将所述路径部件特性值以及所述评价声特性值中的一方设为第1特性值,并且将另一方设为第2特性值时,
所述存储装置存储有神经网络,该神经网络是将所述原声特性值以及所述第1特性值作为输入并且将所述第2特性值作为输出的神经网络,所述神经网络是将所述原声特性值、所述第1特性值以及所述第2特性值的测量值用作训练数据而学习而成的,
所述执行装置进行推测处理,该推测处理将把所述原声特性值以及所述第1特性值的测量值作为输入的所述神经网络的输出作为所述第2特性值的推测值进行运算。
2.根据权利要求1所述的车辆的异常声音检查装置,其中,
所述神经网络的输入中包括作为表示车辆的行驶状态的量的行驶状态量,所述训练数据中包括所述评价声特性值的测量时的所述行驶状态量的测量值。
3.根据权利要求1或者2所述的车辆的异常声音检查装置,其中,
所述路径部件的振动的传递系数以及相位被用作所述路径部件特性值。
4.根据权利要求1~3中的任意一项所述的车辆的异常声音检查装置,其中,
声音的波形数据以及频谱中的任意一方被用作所述原声特性值以及所述评价声特性值。
5.根据权利要求1~4中的任意一项所述的车辆的异常声音检查装置,其中,
所述神经网络将所述路径部件特性值作为所述第2特性值,并且所述执行装置进行判定处理,在该判定处理中,根据确认了所述异常声音的产生的状态下的所述推测处理中的所述路径部件特性值的运算值,判定所述路径部件是否是所述异常声音的原因。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020187217A JP7392633B2 (ja) | 2020-11-10 | 2020-11-10 | 車両の異音検査装置 |
JP2020-187217 | 2020-11-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114464213A true CN114464213A (zh) | 2022-05-10 |
Family
ID=81405080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111190610.9A Pending CN114464213A (zh) | 2020-11-10 | 2021-10-13 | 车辆的异常声音检查装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11978292B2 (zh) |
JP (1) | JP7392633B2 (zh) |
CN (1) | CN114464213A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220194382A1 (en) * | 2020-12-23 | 2022-06-23 | Toyota Jidosha Kabushiki Kaisha | Sound source estimation server, sound source estimation system, sound source estimation device, and sound source estimation method |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3138232A1 (fr) * | 2022-07-19 | 2024-01-26 | Psa Automobiles Sa | Caractérisation et quantification du bruit dans l’habitacle d’un véhicule automobile par l’intelligence artificielle |
CN115257753B (zh) * | 2022-07-29 | 2024-05-28 | 重庆长安汽车股份有限公司 | 一种混合动力车辆爬行工况时异响的评价方法 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3471370B2 (ja) * | 1991-07-05 | 2003-12-02 | 本田技研工業株式会社 | 能動振動制御装置 |
JP3100757B2 (ja) * | 1992-06-02 | 2000-10-23 | 三菱電機株式会社 | 監視診断装置 |
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 |
JPH07248781A (ja) * | 1994-03-08 | 1995-09-26 | Mazda Motor Corp | 振動低減装置の特性設定方法 |
US5995910A (en) * | 1997-08-29 | 1999-11-30 | Reliance Electric Industrial Company | Method and system for synthesizing vibration data |
US6493689B2 (en) * | 2000-12-29 | 2002-12-10 | General Dynamics Advanced Technology Systems, Inc. | Neural net controller for noise and vibration reduction |
US7059820B2 (en) * | 2002-07-19 | 2006-06-13 | Honeywell International, Inc. | Noise control |
US7321809B2 (en) * | 2003-12-30 | 2008-01-22 | The Boeing Company | Methods and systems for analyzing engine unbalance conditions |
JP4241818B2 (ja) | 2006-12-14 | 2009-03-18 | パナソニック電工株式会社 | 内部検査装置 |
AT504424B1 (de) * | 2008-02-08 | 2009-05-15 | Avl List Gmbh | Verfahren zur bestimmung der anteile einzelner übertragungswege |
ATE544054T1 (de) * | 2008-05-01 | 2012-02-15 | Lms Internat Nv | Schwingungs- und/oder akustische übertragungsweganalyse |
KR20100116025A (ko) * | 2009-04-21 | 2010-10-29 | 인하대학교 산학협력단 | 하이브리드 전달경로해석법을 이용한 차량 파워트레인의 구조기인 소음의 예측방법 |
EP3011286B1 (en) * | 2013-06-21 | 2017-08-02 | Brüel & Kjaer Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
EP3163270A4 (en) * | 2014-06-27 | 2018-04-18 | The University of Tokyo | Information processing device, information processing method, program, and recording medium |
US10726863B2 (en) * | 2015-04-27 | 2020-07-28 | Otocon Inc. | System and method for locating mobile noise source |
US20160343180A1 (en) * | 2015-05-19 | 2016-11-24 | GM Global Technology Operations LLC | Automobiles, diagnostic systems, and methods for generating diagnostic data for automobiles |
DE102018207176A1 (de) * | 2018-05-08 | 2019-11-14 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Steuereinheit zur Erkennung von Laufunruhe eines Antriebs |
WO2019228625A1 (en) * | 2018-05-30 | 2019-12-05 | Siemens Industry Software Nv | Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system |
JP2020034379A (ja) * | 2018-08-29 | 2020-03-05 | 株式会社日立製作所 | 振動騒音伝達経路推定システム及び伝達率推定方法 |
KR20200075148A (ko) * | 2018-12-13 | 2020-06-26 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
JP7053705B2 (ja) * | 2020-03-24 | 2022-04-12 | 本田技研工業株式会社 | 異音判定装置および異音判定方法 |
KR20210152206A (ko) * | 2020-06-08 | 2021-12-15 | 현대자동차주식회사 | 딥러닝 기반 차량 nvh 시스템 성능 예측 방법 및 장치 |
-
2020
- 2020-11-10 JP JP2020187217A patent/JP7392633B2/ja active Active
-
2021
- 2021-10-13 CN CN202111190610.9A patent/CN114464213A/zh active Pending
- 2021-10-14 US US17/501,803 patent/US11978292B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220194382A1 (en) * | 2020-12-23 | 2022-06-23 | Toyota Jidosha Kabushiki Kaisha | Sound source estimation server, sound source estimation system, sound source estimation device, and sound source estimation method |
US11780442B2 (en) * | 2020-12-23 | 2023-10-10 | Toyota Jidosha Kabushiki Kaisha | Sound source estimation server, sound source estimation system, sound source estimation device, and sound source estimation method |
Also Published As
Publication number | Publication date |
---|---|
US20220148347A1 (en) | 2022-05-12 |
US11978292B2 (en) | 2024-05-07 |
JP2022076701A (ja) | 2022-05-20 |
JP7392633B2 (ja) | 2023-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114464213A (zh) | 车辆的异常声音检查装置 | |
CN112204362B (zh) | 检测机械系统中的振动和/或声学传递的方法和装置 | |
CN114383711B (zh) | 车辆的异响判定装置 | |
US20220143823A1 (en) | Learning System And Learning Method For Operation Inference Learning Model For Controlling Automatic Driving Robot | |
CN103324155B (zh) | 系统监控 | |
Vaitkus et al. | Application of vibro-acoustic operational transfer path analysis | |
JP4655677B2 (ja) | 動力伝達系の試験装置とその制御方法 | |
Park et al. | Coherence-based sensor set expansion for optimal sensor placement in active road noise control | |
JP2009186481A (ja) | 伝達経路毎の成分を算定するための方法 | |
JP5234775B2 (ja) | 車両挙動試験装置 | |
JP4546752B2 (ja) | 駆動モータを搭載した車両の走行状態模擬装置およびその方法 | |
US20220097717A1 (en) | Operating sound estimation device for vehicle on-board component, operating sound estimation method for vehicle on-board component, and memory medium | |
Reising et al. | Hybrid acoustic synthesis–Assessment of rear final drives in an early stage of development, on the basis of transfer path analyses and test bench measurements | |
US20230038802A1 (en) | Automatic Driving Robot Control Device And Control Method | |
JP7310699B2 (ja) | オイル状態推定装置、車両用制御装置、車両用制御システム、およびデータ解析装置 | |
JP2022131889A (ja) | 異音診断装置 | |
JP2024507246A (ja) | 車両のワイパーシステムのノイズキャンセル | |
Tsokaktsidis et al. | Time domain full vehicle interior noise calculation from component level data by machine learning | |
Khalil et al. | Sensor measurements only with transmissibility operators for fault detection in flexible beams | |
JP2022020940A (ja) | 異常診断システム | |
Bock et al. | Analytical test effort estimation for multisensor driver assistance systems | |
JP2012220379A (ja) | 車両搭載機器の故障診断装置 | |
US11454187B2 (en) | Torque estimation device | |
WO2022230532A1 (ja) | 診断システム | |
CN113609590A (zh) | 车内噪声预测方法、装置、设备及计算机存储介质 |
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 |