CN116166986A - 一种盘式制动器制动蠕动颤振噪声评估方法 - Google Patents
一种盘式制动器制动蠕动颤振噪声评估方法 Download PDFInfo
- Publication number
- CN116166986A CN116166986A CN202310137466.5A CN202310137466A CN116166986A CN 116166986 A CN116166986 A CN 116166986A CN 202310137466 A CN202310137466 A CN 202310137466A CN 116166986 A CN116166986 A CN 116166986A
- Authority
- CN
- China
- Prior art keywords
- brake
- peristaltic
- flutter
- evaluating
- acceleration signal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- 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
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种盘式制动器制动蠕动颤振噪声评估方法,所述的方法包括以下步骤:1)通过单向加速度计获取制动卡钳处原始加速度信号;2)提取发生制动蠕动颤振时相应的八种物理特征;3)对原始加速度信号进行预处理,提取相应的三种时域特征;4)构建包括所有物理特征和时域特征的一维向量特征,并进行标准化;5)使用训练好的机器学习分类模型对构建的特征进行分析评估得到制动蠕动颤振噪声的评分。与现有技术相比,本发明具有提高制动器制动蠕动颤振噪声评估的准确性、节省大量的人力和时间成本、缩短开发周期和资金投入等优点。
Description
技术领域
本发明涉及制动噪声识别领域,尤其是涉及一种盘式制动器制动蠕动颤振噪声评估方法。
背景技术
汽车低速制动时所产生的蠕动颤振噪声是造成城市交通噪声污染的重要因素之一,不仅会对汽车乘坐舒适程度造成不利影响,同时也会对周边环境造成不利影响。制动蠕动颤振噪声的测试是汽车试验中重要的一部分,也是摩擦片选型的必要环节。但是,目前的制动蠕动颤振噪声测试需要专业评价人员在驾驶室,听汽车产生蠕动颤振噪声,依据主观感受对蠕动颤振噪声打分,判断汽车性能或摩擦片性能。然而,这样的方法需要花费大量的时间和人力,成本高效率低,而且人工判断主观性强,不同的评价人员给出的结果可能也会有差别。
因此,如何实现一种利用智能技术代替人工对盘式制动器制动蠕动颤振噪声进行评估的方法,成为需要解决的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种盘式制动器制动蠕动颤振噪声评估方法。
本发明的目的可以通过以下技术方案来实现:
一种盘式制动器制动蠕动颤振噪声评估方法,所述的方法包括以下步骤:
1)通过单向加速度计获取制动卡钳处原始加速度信号;
2)提取发生制动蠕动颤振时相应的八种物理特征;
3)对原始加速度信号进行预处理,提取相应的三种时域特征;
4)构建包括所有物理特征和时域特征的一维向量特征,并进行标准化;
5)使用训练好的机器学习分类模型对构建的特征进行分析评估得到制动蠕动颤振噪声的评分。
进一步地,所述的原始加速度信号为汽车发生制动蠕动颤振时制动卡钳处的振动加速度信号。
进一步地,所述的八种物理特征包括路面坡度、制动压力下限值、制动压力上限值、挡位、行驶方向、环境温度、盘温和环境湿度;所述的三种时域特征包括平均峰幅值相对标准差、颤振时间比和时域偏度。
进一步地,所述的预处理具体为:将原始加速度信号通过四阶巴特沃斯高通滤波器,然后将输出信号进行平方并乘以放大系数,最后再通过一阶巴特沃斯低通滤波器,得到预处理加速度信号,再通过预处理加速度信号求平均峰幅值相对标准差。
进一步地,所述的四阶巴特沃斯高通滤波器的通频带为0~10KHz;所述的一阶巴特沃斯低通滤波器的通频带为0~550Hz;所述的放大系数如下公式所示:
其中,fhigh为10KHz,flow为550Hz。
进一步地,所述的原始加速度信号按照0.25s为一个周期进行分段。
进一步地,所述的训练好的机器学习分类模型具体为:通过一维向量特征构建样本集,将样本集标准化作为输入,每个加速度信号对应的制动数据由专业评价人员进行主观评分作为标签,对该样本集进行训练得到训练好的机器学习分类模型;所述的样本集标准化为将样本特征值减去训练集的样本特征值的平均再除以训练集的样本特征值的标准差。
进一步地,所述的机器学习分类模型为支持向量机。
一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如上所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法。
与现有技术相比,本发明具有以下有益效果:
一、本发明采用机器学习的方法将制动蠕动颤振噪声进行评分,使用物理特征和加速度信号时域特征作为机器学习训练模型的输入,可以在保证识别准确率和迭代速度的同时有效解决不同时长的制动蠕动颤振噪声时长维度不一的问题。
二、本发明的方法识别速度快,不需人工参与,节省人力和时间成本的同时拥有更高的识别准确性和科学性。
三、本发明通过相应的预处理方法,对原始加速度信号进行处理,更易于处理,后续特征提取更简单。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的信号特征获取示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1和2所示,一种盘式制动器制动蠕动颤振噪声评估方法,所述的方法包括以下步骤:
1)通过单向加速度计获取制动卡钳处原始加速度信号。
所述的原始加速度信号为汽车发生制动蠕动颤振时制动卡钳处的振动加速度信号。单向加速度计以制动踏板信号触发和结束为标准进行采集,将信号保存为wav、excel等格式,只要保证信号不失真即可。
2)提取发生制动蠕动颤振时相应的八种物理特征。
所述的八种物理特征包括路面坡度、制动压力下限值、制动压力上限值、挡位、行驶方向、环境温度、盘温和环境湿度;其中路面坡度和环境湿度以小数表示,如12%坡度用0.12表示,20%湿度用0.2表示;挡位中前进挡表示为1、空挡表示为0、倒挡表示为-1;行驶方向中前进方向表示为1、后退方向表示为-1。
3)对原始加速度信号进行预处理,提取相应的三种时域特征。
所述的三种时域特征包括平均峰幅值相对标准差、颤振时间比和时域偏度。所述的预处理具体为:将原始加速度信号通过四阶巴特沃斯高通滤波器,然后将输出信号进行平方并乘以放大系数,最后再通过一阶巴特沃斯低通滤波器,得到预处理加速度信号,按照0.25s为一个周期将信号分成多段,提取每段信号的峰幅值相对标准差,接着求和按段数取平均,即可得到平均峰幅值相对标准差。而颤振时间比和时域偏度不需加速度信号经过预处理,直接计算提取即可。所述的四阶巴特沃斯高通滤波器的通频带为0~10KHz;所述的一阶巴特沃斯低通滤波器的通频带为0~550Hz;所述的放大系数如下公式所示:
其中,fhigh为10KHz,flow为550Hz。
4)构建包括所有物理特征和时域特征的一维向量特征,并进行标准化。
在做制动蠕动颤振试验时,获取每一条加速度信号的同时,让专业评价人员坐在驾驶室,听麦克风传来的制动蠕动颤振噪声,进行主观评估并打分;分数作为加速度信号的标签。对已有标签的加速度信号按上述特征提取方法提取1维11个元素的向量特征,每个分段的数据量应不少于1000条,以备后续机器学习模型训练使用。
5)使用训练好的机器学习分类模型对构建的特征进行分析评估得到制动蠕动颤振噪声的评分。
所述的训练好的机器学习分类模型具体为:通过一维向量特征构建样本集,将样本集标准化作为输入,每个加速度信号对应的制动数据由专业评价人员进行主观评分作为标签,对该样本集进行训练得到训练好的机器学习分类模型;所述的样本集标准化为将样本特征值减去训练集的样本特征值的平均再除以训练集的样本特征值的标准差。
所述的机器学习分类模型为支持向量机。利用软件内置的支持向量机函数包搭建机器学习分类模型,将打好分的特征进行标准化后,作为支持向量机的输入。数据预留小部分验证集,要保证验证集中包含所有分段。对支持向量机的参数多次迭代选择,观察验证集的准确率,当验证集准确率达到最高时,结束训练,保存训练出来的机器学习分类模型。
使用已训练的机器学习分类模型对待测的制动蠕动颤振信号特征进行评分预测,可得到制动蠕动颤振噪声的评分以及不同评分的概率,最大的概率对应预测的评分,可设定阈值,最大概率低于阈值的应人工复核,而高于阈值的认为评分准确,不需要人工复核。
本发明基于较为成熟的机器学习信号处理技术,使用加速度信号的特征作为机器学习训练模型的输入,保证识别准确率和迭代速度的同时,可以有效解决不同时长的制动蠕动颤振噪声特征维度不一的问题。
本发明提供一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如上所述的方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上所述的方法。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的方法包括以下步骤:
1)通过单向加速度计获取制动卡钳处原始加速度信号;
2)提取发生制动蠕动颤振时相应的八种物理特征;
3)对原始加速度信号进行预处理,提取相应的三种时域特征;
4)构建包括所有物理特征和时域特征的一维向量特征,并进行标准化;
5)使用训练好的机器学习分类模型对构建的特征进行分析评估得到制动蠕动颤振噪声的评分。
2.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的原始加速度信号为汽车发生制动蠕动颤振时制动卡钳处的振动加速度信号。
3.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的八种物理特征包括路面坡度、制动压力下限值、制动压力上限值、挡位、行驶方向、环境温度、盘温和环境湿度;所述的三种时域特征包括平均峰幅值相对标准差、颤振时间比和时域偏度。
4.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的预处理具体为:将原始加速度信号通过四阶巴特沃斯高通滤波器,然后将输出信号进行平方并乘以放大系数,最后再通过一阶巴特沃斯低通滤波器,得到预处理加速度信号,再通过预处理加速度信号求平均峰幅值相对标准差。
6.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的原始加速度信号按照0.25s为一个周期进行分段。
7.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的训练好的机器学习分类模型具体为:通过一维向量特征构建样本集,将样本集标准化作为输入,每个加速度信号对应的制动数据由专业评价人员进行主观评分作为标签,对该样本集进行训练得到训练好的机器学习分类模型;所述的样本集标准化为将样本特征值减去训练集的样本特征值的平均再除以训练集的样本特征值的标准差。
8.根据权利要求1所述的一种盘式制动器制动蠕动颤振噪声评估方法,其特征在于,所述的机器学习分类模型为支持向量机。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137466.5A CN116166986A (zh) | 2023-02-20 | 2023-02-20 | 一种盘式制动器制动蠕动颤振噪声评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137466.5A CN116166986A (zh) | 2023-02-20 | 2023-02-20 | 一种盘式制动器制动蠕动颤振噪声评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116166986A true CN116166986A (zh) | 2023-05-26 |
Family
ID=86419617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137466.5A Pending CN116166986A (zh) | 2023-02-20 | 2023-02-20 | 一种盘式制动器制动蠕动颤振噪声评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116166986A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117901814A (zh) * | 2024-03-15 | 2024-04-19 | 山西承信新能源科技装备有限公司 | 一种基于噪声控制的无轨胶轮车 |
-
2023
- 2023-02-20 CN CN202310137466.5A patent/CN116166986A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117901814A (zh) * | 2024-03-15 | 2024-04-19 | 山西承信新能源科技装备有限公司 | 一种基于噪声控制的无轨胶轮车 |
CN117901814B (zh) * | 2024-03-15 | 2024-05-24 | 山西承信新能源科技装备有限公司 | 一种基于噪声控制的无轨胶轮车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114157513B (zh) | 基于改进卷积神经网络的车联网入侵检测方法及设备 | |
CN110232415B (zh) | 一种基于生物信息特征的列车转向架故障识别方法 | |
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 | |
CN116166986A (zh) | 一种盘式制动器制动蠕动颤振噪声评估方法 | |
CN101169873A (zh) | 一种异常驾驶智能检测系统及其检测方法 | |
CN112193959A (zh) | 电梯异响检测方法及系统 | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN114881076B (zh) | 基于支持向量机的钢轨波磨识别方法、装置、设备及介质 | |
CN114997218A (zh) | 一种针对轨道车辆车轮多边形磨耗的识别检测方法 | |
CN112466118A (zh) | 车辆驾驶行为识别方法、系统、电子设备及存储介质 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN112951271A (zh) | 一种基于声学辅助的隧道交通安全警示方法、系统 | |
CN111738089A (zh) | 一种地铁巡检agv故障检测方法 | |
CN115586023A (zh) | 一种轨道车辆传动系统故障诊断方法及系统 | |
CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN114330430A (zh) | 一种基于大数据特征分析的电梯故障判断方法及系统 | |
CN116644278A (zh) | 基于样本筛选和特征提取的双模型轴承异常检测算法 | |
CN106224067A (zh) | 一种基于数据驱动的汽车三元催化器的故障诊断方法 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及系统 | |
CN115891520A (zh) | 间接式轮胎压力监测方法、装置、车辆及存储介质 | |
CN113505415A (zh) | 一种基于深度学习的桥梁快速检测方法 | |
CN111458116A (zh) | 一种汽车转向管柱装配质量检测方法 | |
CN104590270B (zh) | 一种电制动效果评估方法及装置 | |
CN113836292B (zh) | 生物医学文献摘要的结构化方法、系统、设备及介质 |
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 |