CN115221599A - 一种底盘异响诊断方法、系统及汽车 - Google Patents

一种底盘异响诊断方法、系统及汽车 Download PDF

Info

Publication number
CN115221599A
CN115221599A CN202110575298.9A CN202110575298A CN115221599A CN 115221599 A CN115221599 A CN 115221599A CN 202110575298 A CN202110575298 A CN 202110575298A CN 115221599 A CN115221599 A CN 115221599A
Authority
CN
China
Prior art keywords
abnormal sound
chassis
sound source
data
chassis abnormal
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
Application number
CN202110575298.9A
Other languages
English (en)
Inventor
钱琛
杨权
林尤滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202110575298.9A priority Critical patent/CN115221599A/zh
Publication of CN115221599A publication Critical patent/CN115221599A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种底盘异响诊断方法、系统及汽车，包括，步骤S1，获取实时的底盘异响数据；步骤S2，对实时的底盘异响数据进行解析，获得解析结果；步骤S3，将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。本发明结合支持向量机(SVM)机器学习分类算法建立底盘异响源诊断模型，综合考虑新发生异响问题的特征，给出异响源零件的概率分布(准确率达到90％以上)，有效提升了异响源诊断的准确率与异响问题的应对效率。

Description

一种底盘异响诊断方法、系统及汽车
技术领域
本发明涉及汽车技术领域，特别是涉及一种底盘异响诊断方法、系统及汽车。
背景技术
目前异响源定位时主要存在以下两方面问题：
1)异响特征(如发生路面、驾驶员操作、声音类型)利用单一，无法考虑异响症状与异响发生条件的关联性及多个异响特征对异响源进行综合判断；
2)异响源定位主要依靠经验，仅能对常见部件的几种异响类型(如离合器“咔吱咔吱”异响、变速器“呼隆呼隆”等)初步判断，异响源的诊断结果带有很大的主观性和随机性。因此，缺少一种有效的异响源诊断方法，往往需要反复试验才能找到异响源零件，浪费了大量工作。
但是，现有底盘异响诊断方法仅能利用异响的单一或部分特征，无法考虑异响症状与发生条件的关联性，仅根据经验对常见的异响问题进行识别，具有很大的主观性和随机性，无法有效诊断异响源。
发明内容
本发明的目的在于，提出一种底盘异响诊断方法、系统及汽车，解决无法考虑异响症状与发生条件的关联性，具有很大的主观性和随机性，无法有效诊断异响源的技术问题。
一方面，提供一种底盘异响诊断方法，包括以下步骤：
步骤S1，获取实时的底盘异响数据；
步骤S2，对实时的底盘异响数据进行解析，获得解析结果；
步骤S3，将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。
优选地，在步骤S2中，所述对底盘异响数据进行解析，具体包括：
对实时的底盘异响数据进行识别，并将识别后的信息按预设的维度类别进行分类；其中，所述预设的维度类别至少包括异响类别、异响声音、异响发生处材质、异响发生时所处路面、异响发生温度、异响发生时行驶状态、异响发生系统及异响发生操作。
优选地，在步骤S3中，所述底盘异响源诊断模型通过以下步骤进行建立：
获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；取所选取的基础训练输入数据对应的输出数据作为扩展训练输出数据；
将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型。
优选地，所述获得基础训练输入数据，具体包括：
将底盘异响历史数据按预设的维度类别进行分类并进行编码，将每个维度中异响问题所属的类别编码转化成对应的one-hot编码，将各个维度的one-hot编码连接成一维行向量，获得基础训练输入数据。
优选地，所述获得基础训练输出数据，具体包括：
对底盘异响历史数据进行解析，获得底盘异响问题源零件信息及总的源零件集合信息并进行编码；将底盘异响源零件编码转化成对应的one-hot编码，获得基础训练输出数据。
优选地，在步骤S3中，所述预先训练的底盘异响源诊断模型通过以下步骤进行训练：
设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；
随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；
将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练。
优选地，在步骤S3中，所述获得底盘异响源诊断结果，具体包括：
将解析结果进行编码并输入到预先训练的底盘异响源诊断模型中，输出各异响源零件的概率分布，获得底盘异响源诊断结果；其中，所述解析结果进行编码时，若存在未知的维度，则将为未知的维度的解析结果全部置0。
另一方面，还提供一种底盘异响诊断系统，用以实现所述的底盘异响诊断方法，包括：
采集模块，用以获取实时的底盘异响数据；并对实时的底盘异响数据进行解析，获得解析结果；
异响诊断模块，用以将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。
优选地，还包括：模型训练模块，用以获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；将扩展训练输入数据输入预设的支持向量机，生成对应的扩展训练输出数据；
将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型；
以及用以设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；
随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；
将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练。
另一方面，还提供一种汽车，通过所述的底盘异响诊断系统对底盘异响进行诊断。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的底盘异响诊断方法、系统及汽车，利用研发过程及售后市场异响经验大数据，结合支持向量机(SVM)机器学习分类算法建立底盘异响源诊断模型，综合考虑新发生异响问题的特征，给出异响源零件的概率分布(准确率达到90％以上)，有效提升了异响源诊断的准确率与异响问题的应对效率。
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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例中一种底盘异响诊断方法的主流程示意图。
图2为本发明实施例中一种底盘异响源诊断模型的建立及训练示意图。
图3为本发明实施例中一种底盘异响诊断系统的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明提供的一种底盘异响诊断方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
步骤S1，获取实时的底盘异响数据；可以通过传感器、交互系统、控制系统等车载设备或系统进行采集，获得全面的数据基础。
步骤S2，对实时的底盘异响数据进行解析，获得解析结果；可以理解的是，可以从多个(本发明实施例设置为8个维度，可以根据实际情况进行调整)维度对实时底盘异响数据进行解析，同样的，对底盘异响历史数据的解析也采用同样的方法。
具体实施例中，对实时的底盘异响数据进行识别，并将识别后的信息按预设的维度类别进行分类；其中，所述预设的维度类别至少包括异响类别、异响声音、异响发生处材质、异响发生时所处路面、异响发生温度、异响发生时行驶状态、异响发生系统及异响发生操作。可以理解的是，异响类别按异响所属的类别进行划分，具体包括摩擦声、空穴异响、电机工作声、磕碰声、清脆金属声、共振异响、撞击声等；异响声音按异响的听觉感知进行划分，并采用拼音描述的方法消除文字描述的“同音不同字”问题，具体包括gaga、geji、kaka、da、deng、piapia、gezhi、bobo等；异响发生处材质按异响发生时不同的作用材质进行划分，具体包括金属-钣金、金属-毛毡、塑料-橡胶、液体、气体-金属等；异响发生时所处路面按异响发生时车辆行驶的路面进行划分，具体包括减速带、颠簸路、短波路、凹坑、长波路、扭曲路等；异响发生温度按异响发生时环境温度划分，具体包括常温、热态、低温等；异响发生时行驶状态按异响发生时车辆的行驶状态进行划分，具体包括原地、停车过程、加速行驶、特性转速、减速行驶等；异响发生系统按异响发生的系统进行划分，具体包括传动、操纵、悬架、电控、制动、悬置、转向等；异响发生操作按异响发生时驾驶员的操作进行划分，具体包括方向盘操作，制动操作，油门操作、离合操作、换挡操作等。
步骤S3，将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。可以理解的是，利用单一或部分异响特征、不能考虑异响症状和发生条件之间的关联的缺点，全面利用底盘异响的特征，利用大数据和SVC机器学习(底盘异响源诊断模型)算法给出异响源零件的概率分布，提升异响源诊断的准确率，减少异响源定位反复试验的工作量。
具体实施例中，如图2所示，首选需要底盘异响历史数据的采集，可以与公司质量管理系统(QMS)对接，收集研发过程及售后市场中的异响问题，并上述对实时底盘异响数据的解析方法相同的方法进行解析，形成底盘异响历史的大数据。
其次，需要建立底盘异响源诊断模型并进行训练，具体的建立过程为，获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；具体地，将底盘异响历史数据按预设的维度类别进行分类并进行编码，将每个维度中异响问题所属的类别编码转化成对应的one-hot编码，将各个维度的one-hot编码连接成一维行向量(本实施例为111位一维行向量)，获得基础训练输入数据；对底盘异响历史数据进行解析，获得底盘异响问题源零件信息及总的源零件集合信息并进行编码；将底盘异响源零件编码转化成对应的one-hot编码(本实施例为44位one-hot编码)，获得基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；取所选取的基础输入数据对应的输出数据作为扩展训练输出数据；可以理解的是，为增加实际诊断应用中的鲁棒性，随机挑选基础训练输入数据，将数据位随机置0，生成2(根据预测效果调试所得)倍数量的新数据，并与基础训练输入数据合并，新输入数据对应的输出数据与基础训练输出数据合并；也就是，将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机(SVM)及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型。
具体的训练过程为，设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；本实施例具体的设置SVC算法的参数(参数值根据预测结果调整)，错误惩罚系数设为10，核函数选用径向核函数/高斯核，核函数系数设为0.1，核函数独立项设为0.1，并启用概率估计以得到各异响源零件的概率分布。随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；本实施例中设定为随机挑选基础训练输入数据的70％作为SVC算法的训练数据，剩余的30％数据作为评价数据；将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练；具体地，评价方法为如概率最大的前三名中包含异响源零件的真值，则认为预测准确(可根据结合经验在概率值前三名的零件中作进一步判断。
再具体地，通过获取的实时的底盘异响数据和训练完的底盘异响源诊断模型可以对异响源进行确定，具体包括：将解析结果进行编码并输入到预先训练的底盘异响源诊断模型中，输出各异响源零件的概率分布，获得底盘异响源诊断结果；其中，所述解析结果进行编码时，若存在未知的维度，则将为未知的维度的解析结果全部置0。可以理解的是，将新发生异响的症状按同样的方式编码，未知维度全部置0；将新发生异响问题的编码输入到训练好的底盘异响源预测SVC模型中，模型预测出各异响源零件的概率分布。
如图3所示，为本发明提供的一种底盘异响诊断系统的一个实施例的示意图。在该实施例中，所述系统用以实现所述的底盘异响诊断方法包括：
采集模块，用以获取实时的底盘异响数据；并对实时的底盘异响数据进行解析，获得解析结果；
异响诊断模块，用以将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。
模型训练模块，用以获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；取所选取的基础输入数据对应的输出数据作为扩展训练输出数据；
将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型；
以及用以设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；
随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；
将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练。
关于底盘异响诊断系统对底盘异响诊断的具体实现过程可以参考底盘异响诊断方法的具体过程，在此不再赘述。
本发明的另一个实施例还提供一种汽车，通过所述的底盘异响诊断系统对底盘异响进行诊断，具体实现过程可以参考底盘异响诊断方法的具体过程，在此不再赘述。
综上，实施本发明的实施例，具有如下的有益效果：
本发明提供的底盘异响诊断方法、系统及汽车，利用研发过程及售后市场异响经验大数据，结合支持向量机(SVM)机器学习分类算法建立底盘异响源诊断模型，综合考虑新发生异响问题的特征，给出异响源零件的概率分布(准确率达到90％以上)，有效提升了异响源诊断的准确率与异响问题的应对效率。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种底盘异响诊断方法，其特征在于，包括以下步骤：
步骤S1，获取实时的底盘异响数据；
步骤S2，对实时的底盘异响数据进行解析，获得解析结果；
步骤S3，将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。
2.如权利要求1所述的方法，其特征在于，在步骤S2中，所述对底盘异响数据进行解析，具体包括：
对实时的底盘异响数据进行识别，并将识别后的信息按预设的维度类别进行分类；其中，所述预设的维度类别至少包括异响类别、异响声音、异响发生处材质、异响发生时所处路面、异响发生温度、异响发生时行驶状态、异响发生系统及异响发生操作。
3.如权利要求2所述的方法，其特征在于，在步骤S3中，所述底盘异响源诊断模型通过以下步骤进行建立：
获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；取所选取的基础输入数据对应的输出数据作为扩展训练输出数据；
将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型。
4.如权利要求3所述的方法，其特征在于，所述获得基础训练输入数据，具体包括：
将底盘异响历史数据按预设的维度类别进行分类并进行编码，将每个维度中异响问题所属的类别编码转化成对应的one-hot编码，将各个维度的one-hot编码连接成一维行向量，获得基础训练输入数据。
5.如权利要求3所述的方法，其特征在于，所述获得基础训练输出数据，具体包括：
对底盘异响历史数据进行解析，获得底盘异响问题源零件信息及总的源零件集合信息并进行编码；将底盘异响源零件编码转化成对应的one-hot编码，获得基础训练输出数据。
6.如权利要求3所述的方法，其特征在于，在步骤S3中，所述预先训练的底盘异响源诊断模型通过以下步骤进行训练：
设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；
随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；
将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练。
7.如权利要求6所述的方法，其特征在于，在步骤S3中，所述获得底盘异响源诊断结果，具体包括：
将解析结果进行编码并输入到预先训练的底盘异响源诊断模型中，输出各异响源零件的概率分布，获得底盘异响源诊断结果；其中，所述解析结果进行编码时，若存在未知的维度，则将为未知的维度的解析结果全部置0。
8.一种底盘异响诊断系统，用以实现如权利要求1-7任一项所述的方法，其特征在于，包括：
采集模块，用以获取实时的底盘异响数据；并对实时的底盘异响数据进行解析，获得解析结果；
异响诊断模块，用以将所述解析结果输入预先训练的底盘异响源诊断模型，获得底盘异响源诊断结果；根据底盘异响源诊断结果确定异响源位置。
9.如权利要求8所述的系统，其特征在于，还包括：模型训练模块，用以获取底盘异响历史数据并对底盘异响历史数据进行解析，获得基础训练输入数据和基础训练输出数据；
随机选取基础训练输入数据并将选取的数据位随机置0，生成扩展训练输入数据；取所选取的基础输入数据对应的输出数据作为扩展训练输出数据；
将扩展训练输入数据与基础训练输入数据合并，获得底盘异响源诊断模型的输入数据；将扩展训练输出数据与基础训练输出数据合并，获得底盘异响源诊断模型的输出数据；
根据底盘异响源诊断模型的输入数据、预设的支持向量机及底盘异响源诊断模型的输出数据，生成底盘异响源诊断模型；
以及用以设置底盘异响源诊断模型的默认参数系数，其中，所述默认参数系数至少包括错误惩罚系数、核函数、核函数独立项参数；
随机选取部分的基础训练输入数据输入底盘异响源诊断模型进行训练，获得训练结果；
将剩余的基础训练输入数据作为评价数据，通过预设的评价规则对所述训练结果进行评价，根据评价结果对底盘异响源诊断模型的默认参数系数进行调整，直到评价结果的准确率达到预设的评价阈值以上完成训练。
10.一种汽车，其特征在于，通过如权利要求8-9任一项所述的底盘异响诊断系统对底盘异响进行诊断。
CN202110575298.9A 2021-05-26 2021-05-26 一种底盘异响诊断方法、系统及汽车 Pending CN115221599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575298.9A CN115221599A (zh) 2021-05-26 2021-05-26 一种底盘异响诊断方法、系统及汽车

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575298.9A CN115221599A (zh) 2021-05-26 2021-05-26 一种底盘异响诊断方法、系统及汽车

Publications (1)

Publication Number Publication Date
CN115221599A true CN115221599A (zh) 2022-10-21

Family

ID=83606080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575298.9A Pending CN115221599A (zh) 2021-05-26 2021-05-26 一种底盘异响诊断方法、系统及汽车

Country Status (1)

Country Link
CN (1) CN115221599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116183241A (zh) * 2023-02-15 2023-05-30 杭州腾励传动科技股份有限公司 一种车辆绕8字急加速异响降低及测试方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116183241A (zh) * 2023-02-15 2023-05-30 杭州腾励传动科技股份有限公司 一种车辆绕8字急加速异响降低及测试方法
CN116183241B (zh) * 2023-02-15 2023-10-03 杭州腾励传动科技股份有限公司 一种车辆绕8字急加速异响降低及测试方法

Similar Documents

Publication Publication Date Title
US20230012186A1 (en) System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks
CN101681531A (zh) 远程诊断建模
CN113761649B (zh) 一种基于一维卷积神经网络的智能汽车轮胎偏磨预测方法
US11875098B2 (en) Apparatus and method for determining friction coefficient of brake friction material
CN114997218B (zh) 一种针对轨道车辆车轮多边形磨耗的识别检测方法
CN106980313B (zh) 一种汽车驾驶方式优化系统及优化方法
CN115221599A (zh) 一种底盘异响诊断方法、系统及汽车
US20230130765A1 (en) Method for Detecting the Load Mass of Commercial Vehicle
Liu et al. Reliability analysis and evaluation of a brake system based on competing risk
CN112287461B (zh) 基于高斯过程回归的汽车驾驶模拟器制动系统建模方法
Zhang et al. Cycle condition identification of loader based on optimized KNN algorithm
CN109408955A (zh) 一种电动汽车的能耗分析方法及系统
CN117972488A (zh) 一种面向作业区的全类型交通冲突检验方法
CN111709160B (zh) 一种基于卡车底盘的行驶动态性能分析优化方法及系统
CN113806977B (zh) 汽车冷却风扇的噪声振动分析方法及系统
US11721141B2 (en) Method of AI-based vehicle diagnosis using CAN data and device thereof
CN114987504A (zh) 一种基于增量学习的动态驾驶员身份识别方法及系统
Gelmini et al. A data-driven, vehicle-independent usage monitoring system for shared fleets: assessing vertical and longitudinal wear
Xiong et al. Study on NVH robustness evaluation method of high-mileage automobile based on systematic sampling
CN117367775B (zh) 一种液压制动系统模拟测试装置及方法
Kordes et al. Automatic Fault Detection using Cause and Effect Rules for In-vehicle Networks.
CN114919558B (zh) 一种摩擦蹄片的磨损监控方法、装置、电子设备及存储介质
CN112035942B (zh) 一种基于驾驶行为的能耗仿真方法和装置
CN116557521B (zh) 一种用于高速变速器的数据处理及相关装置
CN118349802A (zh) 一种基于车联网环境下的驾驶员个性化纵向避险行为预测方法

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