CN116183241B - 一种车辆绕8字急加速异响降低及测试方法 - Google Patents

一种车辆绕8字急加速异响降低及测试方法 Download PDF

Info

Publication number
CN116183241B
CN116183241B CN202310113213.4A CN202310113213A CN116183241B CN 116183241 B CN116183241 B CN 116183241B CN 202310113213 A CN202310113213 A CN 202310113213A CN 116183241 B CN116183241 B CN 116183241B
Authority
CN
China
Prior art keywords
abnormal sound
vehicle
characteristic quantity
improvement
evaluation result
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.)
Active
Application number
CN202310113213.4A
Other languages
English (en)
Other versions
CN116183241A (zh
Inventor
沈海
李伟
周斌
蒋星阳
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.)
Hangzhou Tengli Transmission Technology Co ltd
Original Assignee
Hangzhou Tengli Transmission Technology 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 Hangzhou Tengli Transmission Technology Co ltd filed Critical Hangzhou Tengli Transmission Technology Co ltd
Priority to CN202310113213.4A priority Critical patent/CN116183241B/zh
Publication of CN116183241A publication Critical patent/CN116183241A/zh
Application granted granted Critical
Publication of CN116183241B publication Critical patent/CN116183241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明涉及汽车研发生产技术领域，具体公开了一种车辆绕8字急加速异响降低及测试方法，包括通过检测点获得异响产生区域的异响相关参数；将异响相关参数按照预设特征提取规则生成对应的特征量组；将特征量组输入训练好的异响评测模型，获得异响评测结果；根据异响评测结果生成异响降低策略，本发明通过判断按照研究方案改进的车辆传动部分改进导致的变化幅度是否符合要求，辅助进行生产研发，同时可以在变化幅度符合要求时判断变化幅度相对变化方式是正向还是负向，同时在评测结果不符合要求时可以通过序号i来判断该对车辆改进后其影响的主要方面，辅助判断车辆生产研究的下一步改进方向，提升研究效率。

Description

一种车辆绕8字急加速异响降低及测试方法
技术领域
本发明涉及汽车研发生产技术领域，具体的，涉及一种车辆绕8字急加速异响降低及测试方法。
背景技术
新能源汽车由于没有了发动机的背景噪声后，对于其余零部件导致的轻微异响变得特别敏感，传统燃油车上不存在的异响问题点在新能源车上成为了关注点，固定端万向节在车辆绕八字急加速工况下的异响是目前客户投诉的主要问题点。
目前主机厂对于绕八字异响的解决成为了争取项目开发的关键因素，因此急需通过对新能源车绕八字异响的形成机理分析，通过尺寸配合精度的优化提升零件质量来改善异响的产生；或者是对润滑用的油脂进行品种或者使用方法上的改进来改善异响的产生，其中采用进口的特种油脂改善异响问题在于进口油脂价格是目前油脂价格的4-5倍，无法大批量推广使用，需要精确控制用量，改进零件的尺寸配合精度依靠加工设备的精度也有着极大的局限性，同时常规的测试评价方式评价维度单一，只能获得结构而难以辅助生产过程中的研发，因此需要一套多维度的评价测试方式来辅助在车辆生产设计过程中的研发，鉴于此本发明提出一种车辆绕8字急加速异响降低及测试方法。
发明内容
本发明的目的在于提供一种车辆绕8字急加速异响降低及测试方法，解决以下技术问题：
如何在车辆生产设计过程中高效的辅助研发。
本发明的目的可以通过以下技术方案实现：
一种车辆绕8字急加速异响降低及测试方法，包括：
S1、在测试车辆内设置多个检测点；通过检测点获得异响产生区域的异响相关参数；
S2、将异响相关参数按照预设特征提取规则生成对应的特征量组；
S3、将特征量组输入训练好的异响评测模型，获得异响评测结果；
S4、根据异响评测结果生成异响降低策略；
其中，所述异响评测模型为经过训练的机器学习模型，所述异响评测结果包括合格和不合格。
进一步的：所述将异响相关参数按照预设特征提取规则生成对应的特征量组包括：
将异响相关参数按照车辆绕8字的转向划分为左转部分和右转部分；
对左转部分和右转部分分别按照预设特征提取规则生成对应的特征量组；
对左转部分和右转部分的特征量组输入不同的模型进行训练，并保存训练好的模型用于后续识别。
通过上述技术方案：将特征量组的识别划分为左转部分和右转部分，并在后续的训练模型和识别过程中分组进行，用于减少在左转和右转过程中内圈轮胎和外圈轮胎转速不同导致的内部传动方式不同的影响，增加模型识别和训练的效率。
进一步的：所述将异响相关参数生成对应的特征量组还包括以下步骤：
对异响产生区域的声音进行分析；
截取频谱平坦度低于标准值的连续区域作为异响产生区段；
其中，将处于连续状态且同时包含左转部分和右转部分的异响产生区段按照分界线重新划分为两个异响产生区段，同时标准值由人耳对噪声的感受程度决定，其具体数字由实验数据确定；
在异响产生区间内，将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行解析获得多个三维面域；
从上述多个面域中按照预设特征提取规则获取特征量组。
通过上述技术方案：通过常规方式划分异响产生区段，然后在异响产生区段进行特征的的捕获，减少模型训练过程中的样本识别量，提升模型训练速度。
进一步的：所述将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行关系解析包括：
将油膜厚度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第一关系；
将异响频率数据、异响声压数据和异响时间数据进行多元线性回归分析获得第二关系；
将零件振幅数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第三关系；
将零件温度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第四关系。
进一步的：所述特征量组的预设特征提取规则为：
将多个三维面域的图像以固定的时间数据和声压数据作为中心点进行1*1的划分为最小特征，然后将划分后的最小特征进行相加；
将多个三维面域同一中心的的最小特征集合视为特征量组。
进一步的：所述将特征量输入异响评测模型，获得评测结果的过程为：
从输入的特征量组中分离出时间数据和声压数据；
然后以分离出的时间数据和声压数据为基点从异响评测模型记录的图像上寻找对应的特征量组；
将输入的特征量组与寻找到的特征量组进行比对分析；
通过比对分析结果获得评测结果。
进一步的：所述比对分析的过程为：
S5、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：则判定输入特征量变化幅度合格；
S6、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得则判定输入特征量变化幅度不合格；
其中，Φ为预设判断常量；i的数字指的是第i个解析出的关系，ni是第i关系上取的最小特征的凸起数量，为正自然数；ξi是预设高度补偿系数；hi是第i关系上取的最小特征的高度差；h0是从训练过的模型筛选出的最小特征的高度差；Δh是单位化系数；vi是预设面积补偿系数；s是第i关系上取的最小特征与从训练过的模型筛选出的最小特征之间的重合面积；si是第i关系上取的最小特征的面积；si是从训练过的模型筛选出的最小特征的面积。
通过上述技术方案：可以在特征识别的过程中，判断按照研究方案改进的车辆传动部分的变化幅度是否符合要求。
进一步的：所述比对分析的过程还包括：
S7、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：Hi-H0＞0，则判定输入特征量变化幅度为正向变化；
S8、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得Hi-H0≤0，则判定输入特征量变化幅度为负向变化；
其中Hi是第i关系上取的最小特征的形心高度；H0是从训练过的模型筛选出的最小特征的形心高度。
进一步的：输送根据异响评测结果生成异响降低策略包括：
若评测结果同时满足S5和S7，则改进符合评测要求；
若评测结果同时满足S5和S8，则改进属于负向改进；
若评测结果满足S6和S7，则改进不符合要求，其属于正向改进，同时变化幅度过小；
若评测结果满足S6和S8，则改进不符合要求，其属于负向改进，同时变化幅度过小。
通过上述技术方案：可以在变化幅度符合要求时判断变化幅度相对变化方式是正向还是负向，同时在评测结果不符合要求时可以通过序号i来判断该对车辆改进后其影响的主要方面，辅助判断车辆生产研究的下一步改进方向，提升研究效率。
进一步的：所述油膜厚度数据通过公式：获得最小油膜厚度h0；
其中，表中h0为最小油膜厚度；U1和U2分别是两个接触零件的线速度；
η是温常压下润滑油的动力粘度；α是润滑油的压粘系数；
R是零件的当量半径；
E是零件材料的当量弹性模量；
W＝P/L；其中P是载荷，L是接触线长度。
本发明的有益效果：
(1)本发明通过将特征量组的识别划分为左转部分和右转部分，并在后续的训练模型和识别过程中分组进行，用于减少在左转和右转过程中内圈轮胎和外圈轮胎转速不同导致的内部传动方式不同的影响，增加模型识别和训练的效率。
(2)本发明通过常规方式划分异响产生区段，然后在异响产生区段进行特征的的捕获，减少模型训练过程中的样本识别量，提升模型训练速度，增加车辆研发效率。
(3)本发明可以在特征识别的过程中，判断按照研究方案改进的车辆传动部分改进导致的变化幅度是否符合要求，辅助进行生产研发。
(4)本发明可以在变化幅度符合要求时判断变化幅度相对变化方式是正向还是负向，同时在评测结果不符合要求时可以通过序号i来判断该对车辆改进后其影响的主要方面，辅助判断车辆生产研究的下一步改进方向，提升研究效率。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明整体步骤流程图；
图2是本发明分组步骤流程图；
图3是本发明特征提取过程流程图；
图4是本发明判断分析过程流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图4所示，在一个实施例中，提供了一种车辆绕8字急加速异响降低及测试方法，包括：
S1、在测试车辆内设置多个检测点；通过检测点获得异响产生区域的异响相关参数，异响相关参数包括但不限于温度、振幅、频率等方面；
S2、将异响相关参数按照预设特征提取规则生成对应的特征量组；
S3、将特征量组输入训练好的异响评测模型，获得异响评测结果；
S4、根据异响评测结果生成异响降低策略；
其中，所述异响评测模型为经过训练的机器学习模型，所述异响评测结果包括合格和不合格。
进一步的：所述将异响相关参数按照预设特征提取规则生成对应的特征量组包括：
将异响相关参数按照车辆绕8字的转向划分为左转部分和右转部分，这是考虑到车辆在左转和右转时内外圈轮胎转速不同；
对左转部分和右转部分分别按照预设特征提取规则生成对应的特征量组，显然后续的训练和识别过程中左转部分和右转部分是独立进行的；
对左转部分和右转部分的特征量组输入不同的模型进行训练，并保存训练好的模型用于后续识别。
通过上述技术方案：将特征量组的识别划分为左转部分和右转部分，并在后续的训练模型和识别过程中分组进行，用于减少在左转和右转过程中内圈轮胎和外圈轮胎转速不同导致的内部传动方式不同的影响，增加模型识别和训练的效率。
进一步的：所述将异响相关参数生成对应的特征量组还包括以下步骤：
对异响产生区域的声音进行分析；
截取频谱平坦度低于标准值的连续区域作为异响产生区段；
其中，将处于连续状态且同时包含左转部分和右转部分的异响产生区段按照分界线重新划分为两个异响产生区段，同时标准值由人耳对噪声的感受程度决定，其具体数字由实验数据确定；
在异响产生区间内，将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行解析获得多个三维面域；
从上述多个面域中按照预设特征提取规则获取特征量组。
通过上述技术方案：通过常规方式划分异响产生区段，然后在异响产生区段进行特征的的捕获，减少模型训练过程中的样本识别量，提升模型训练速度。
所述将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行关系解析包括：
将油膜厚度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第一关系；
将异响频率数据、异响声压数据和异响时间数据进行多元线性回归分析获得第二关系；
将零件振幅数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第三关系；
将零件温度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第四关系。
需要说明的是，通过多元线性回归方式解析的关系是建立在异响声压数据和异响的时间数据这两个维度数据上的(即以异响声压数据和异响的时间数据为x轴和y轴)，建立在这两个维度上的原因在于方便在后续提取和分析最小特征时对最小特征进行定位，其中时间的起点为车辆启动时间，显然每个时间点和声压点都对应着多种数据，通过两个维度进行定位，保证在三维空间内提取最小特征的准确性。
所述特征量组的预设特征提取规则为：
将多个三维面域的图像以固定的时间数据和声压数据作为中心点进行1*1的划分为最小特征，当然也可以是1*2或者是1*3，其划分的具体大小不做限制，本实施例中采用1*1的原因是这种划分方式最为基础，出错概率低，然后将划分后的最小特征进行相加，减少相同特征数量；
将多个三维面域同一中心的的最小特征集合视为特征量组。
进一步的：所述将特征量输入异响评测模型，获得评测结果的过程为：
从输入的特征量组中分离出时间数据和声压数据；
然后以分离出的时间数据和声压数据为基点从异响评测模型记录的图像上寻找对应的特征量组；
将输入的特征量组与寻找到的特征量组进行比对分析；
通过比对分析结果获得评测结果。
进一步的：所述比对分析的过程为：
S5、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：则判定输入特征量变化幅度合格；
S6、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得则判定输入特征量变化幅度不合格；
其中，Φ为预设判断常量；i的数字指的是第i个解析出的关系，ni是第i关系上取的最小特征的凸起数量，为正自然数；ξi是预设高度补偿系数；hi是第i关系上取的最小特征的高度差；h0是从训练过的模型筛选出的最小特征的高度差；Δh是单位化系数；vi是预设面积补偿系数；s是第i关系上取的最小特征与从训练过的模型筛选出的最小特征之间的重合面积；si是第i关系上取的最小特征的面积；si是从训练过的模型筛选出的最小特征的面积。
通过上述技术方案：可以在特征识别的过程中，判断按照研究方案改进的车辆传动部分改进导致的变化幅度是否符合要求。
进一步的：所述比对分析的过程还包括：
S7、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：Hi-H0＞0，则判定输入特征量变化幅度为正向变化；
S8、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得Hi-H0≤0，则判定输入特征量变化幅度为负向变化；
其中Hi是第i关系上取的最小特征的形心高度；H0是从训练过的模型筛选出的最小特征的形心高度。
进一步的：输送根据异响评测结果生成异响降低策略包括：
若评测结果同时满足S5和S7，则改进符合评测要求，显然可以朝着这个方向继续改进直到出现负向改进完成研发改进；
若评测结果同时满足S5和S8，则改进属于负向改进，需要调整改进方向；
若评测结果满足S6和S7，则改进不符合要求，其属于正向改进，同时变化幅度过小，需要增加研发改进幅度或者增加改进变量；
若评测结果满足S6和S8，则改进不符合要求，其属于负向改进，同时变化幅度过小，需要调整研发改进方向；
其中，在评测结果不符合要求时，通过满足S6的序号i来判断该对车辆改进后其影响的主要方面，一般情况下，温度与车辆启动时间正相关，油膜厚度与温度和润滑油质量正相关，振幅与油膜厚度正相关，通过这些参数间的相互关系和计算数据，可以辅助确定研究方向。
通过上述技术方案：可以在变化幅度符合要求时判断变化幅度相对变化方式是正向还是负向，同时在评测结果不符合要求时可以通过序号i来判断该对车辆改进后其影响的主要方面，辅助判断车辆生产研究的下一步改进方向，提升研究效率。
进一步的：所述油膜厚度数据通过公式：获得最小油膜厚度h0；本实施例中采用的是格鲁宾公式，在可靠性和检测便捷程度足够的情况下也可以使用其他精度更高的公式辅助判断最小油膜厚度h0；
其中，表中h0为最小油膜厚度；U1和U2分别是两个接触零件的线速度；
η是温常压下润滑油的动力粘度；α是润滑油的压粘系数；
R是零件的当量半径；
E是零件材料的当量弹性模量；
W＝P/L；其中P是载荷，L是接触线长度。
值得说明的是，上述公式将润滑油的主要性质涵盖在内，从而方便计算所需的油脂数据，便于与油脂供应商一起研发一款适合于新能源车使用的固定端万节油脂，达到降低机械摩擦、防止机械磨损的作用，同时还兼顾防止金属腐蚀的保护作用，减低运动表面间的摩擦和磨损。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (5)

1.一种车辆绕8字急加速异响降低及测试方法，其特征在于，包括：
S1、在测试车辆内设置多个检测点；通过检测点获得异响产生区域的异响相关参数；
S2、将异响相关参数按照预设特征提取规则生成对应的特征量组，其过程包括：
将异响相关参数按照车辆绕8字的转向划分为左转部分和右转部分；
对左转部分和右转部分分别按照预设特征提取规则生成对应的特征量组；
对左转部分和右转部分的特征量组输入不同的模型进行训练，并保存训练好的模型用于后续识别；
对异响产生区域的声音进行分析；
截取频谱平坦度低于标准值的连续区域作为异响产生区段；
在异响产生区间内，将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行解析获得多个三维面域；
从上述多个面域中按照预设特征提取规则获取特征量组；
S3、将特征量组输入训练好的异响评测模型，获得异响评测结果，其过程包括：
从输入的特征量组中分离出时间数据和声压数据；
然后以分离出的时间数据和声压数据为基点从异响评测模型记录的图像上寻找对应的特征量组；
将输入的特征量组与寻找到的特征量组进行比对分析；
S4、根据异响评测结果生成异响降低策略；
其中，所述异响评测模型为经过训练的机器学习模型，所述异响评测结果包括合格和不合格，异响评测结果的获得过程包括：
S5、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：则判定输入特征量变化幅度合格；
S6、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得则判定输入特征量变化幅度不合格；
其中，Φ为预设判断常量；i的数字指的是第i个解析出的关系，ni是第i关系上取的最小特征的凸起数量，为正自然数；ξi是预设高度补偿系数；hi是第i关系上取的最小特征的高度差；h0是从训练过的模型筛选出的最小特征的高度差；Δh是单位化系数；vi是预设面积补偿系数；s是第i关系上取的最小特征与从训练过的模型筛选出的最小特征之间的重合面积；si是第i关系上取的最小特征的面积；si是从训练过的模型筛选出的最小特征的面积；
S7、若输入特征量组中每一个最小特征量与对应的最小特征量的比较均满足：Hi-H0＞0，则判定输入特征量变化幅度为正向变化；
S8、若输入特征量组中某一个最小特征量与对应的最小特征量的比较使得Hi-H0≤0，则判定输入特征量变化幅度为负向变化；
其中Hi是第i关系上取的最小特征的形心高度；H0是从训练过的模型筛选出的最小特征的形心高度。
2.根据权利要求1所述的一种车辆绕8字急加速异响降低及测试方法，其特征在于，所述将来源于同一个检测点的异响相关参数三三一组以多元线性回归方式进行关系解析包括：
将油膜厚度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第一关系；
将异响频率数据、异响声压数据和异响时间数据进行多元线性回归分析获得第二关系；
将零件振幅数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第三关系；
将零件温度数据、异响声压数据和异响的时间数据进行多元线性回归分析获得第四关系。
3.根据权利要求2所述的一种车辆绕8字急加速异响降低及测试方法，其特征在于，所述特征量组的预设特征提取规则为：
将多个三维面域的图像以固定的时间数据和声压数据作为中心点进行1*1的划分为最小特征，然后将划分后的最小特征进行相加；
将多个三维面域同一中心的的最小特征集合视为特征量组。
4.根据权利要求3所述的一种车辆绕8字急加速异响降低及测试方法，其特征在于，输送根据异响评测结果生成异响降低策略包括：
若评测结果同时满足S5和S7，则改进符合评测要求；
若评测结果同时满足S5和S8，则改进属于负向改进；
若评测结果满足S6和S7，则改进不符合要求，其属于正向改进，同时变化幅度过小；
若评测结果满足S6和S8，则改进不符合要求，其属于负向改进，同时变化幅度过小；
其中，在评测结果不符合要求时，通过满足S6的序号i来判断该对车辆改进后其影响的主要方面。
5.根据权利要求2所述的一种车辆绕8字急加速异响降低及测试方法，其特征在于，
所述油膜厚度数据通过公式：获得最小油膜厚度h0；
其中，表中h0为最小油膜厚度；U1和U2分别是两个接触零件的线速度；
η是温常压下润滑油的动力粘度；α是润滑油的压粘系数；
R是零件的当量半径；
E是零件材料的当量弹性模量；
W＝P/L；其中P是载荷，L是接触线长度。
CN202310113213.4A 2023-02-15 2023-02-15 一种车辆绕8字急加速异响降低及测试方法 Active CN116183241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310113213.4A CN116183241B (zh) 2023-02-15 2023-02-15 一种车辆绕8字急加速异响降低及测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310113213.4A CN116183241B (zh) 2023-02-15 2023-02-15 一种车辆绕8字急加速异响降低及测试方法

Publications (2)

Publication Number Publication Date
CN116183241A CN116183241A (zh) 2023-05-30
CN116183241B true CN116183241B (zh) 2023-10-03

Family

ID=86432232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310113213.4A Active CN116183241B (zh) 2023-02-15 2023-02-15 一种车辆绕8字急加速异响降低及测试方法

Country Status (1)

Country Link
CN (1) CN116183241B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149498A (zh) * 2020-08-13 2020-12-29 江苏大学 一种面向汽车复杂部件异响的在线智能识别系统及方法
CN112193959A (zh) * 2020-09-25 2021-01-08 浙江新再灵科技股份有限公司 电梯异响检测方法及系统
CN113532628A (zh) * 2020-04-16 2021-10-22 丰田自动车株式会社 异响评价系统以及异响评价方法
CN113742953A (zh) * 2020-05-29 2021-12-03 广州汽车集团股份有限公司 车辆异响分析优化方法、装置、控制器及存储介质
CN114383711A (zh) * 2020-10-06 2022-04-22 丰田自动车株式会社 车辆的异响判定装置
CN115221599A (zh) * 2021-05-26 2022-10-21 广州汽车集团股份有限公司 一种底盘异响诊断方法、系统及汽车
CN115307721A (zh) * 2022-07-15 2022-11-08 东风汽车集团股份有限公司 汽车加速声品质评价方法、装置、设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113532628A (zh) * 2020-04-16 2021-10-22 丰田自动车株式会社 异响评价系统以及异响评价方法
CN113742953A (zh) * 2020-05-29 2021-12-03 广州汽车集团股份有限公司 车辆异响分析优化方法、装置、控制器及存储介质
CN112149498A (zh) * 2020-08-13 2020-12-29 江苏大学 一种面向汽车复杂部件异响的在线智能识别系统及方法
CN112193959A (zh) * 2020-09-25 2021-01-08 浙江新再灵科技股份有限公司 电梯异响检测方法及系统
CN114383711A (zh) * 2020-10-06 2022-04-22 丰田自动车株式会社 车辆的异响判定装置
CN115221599A (zh) * 2021-05-26 2022-10-21 广州汽车集团股份有限公司 一种底盘异响诊断方法、系统及汽车
CN115307721A (zh) * 2022-07-15 2022-11-08 东风汽车集团股份有限公司 汽车加速声品质评价方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116183241A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Gao et al. FEM simulation-based generative adversarial networks to detect bearing faults
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
He et al. Deep learning based approach for bearing fault diagnosis
CN111797567B (zh) 一种基于深度学习网络的轴承故障分类方法及系统
CN111539152B (zh) 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法
EP0637739B1 (en) Testing an internal combustion engine
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN110068462A (zh) 一种电机轴承故障诊断方法及装置
CN113375941B (zh) 高速动车组轴承的开集故障诊断方法
CN112819806B (zh) 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
Zhang et al. A new method for diagnosing motor bearing faults based on Gramian angular field image coding and improved CNN-ELM
CN114462480A (zh) 基于非均衡数据集下的多源传感器轧机故障诊断的方法
CN116183241B (zh) 一种车辆绕8字急加速异响降低及测试方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN113642600B (zh) 一种基于mRMR算法与主成分分析的驾驶行为特征提取方法
CN114970678A (zh) 一种基于孪生神经网络的航发轴承故障诊断方法
CN114970628A (zh) 样本不均衡下基于生成对抗网络的转动部件故障诊断方法
CN114714145A (zh) 一种刀具磨损状态的格拉姆角场增强对比学习监测方法
CN114187272A (zh) 一种基于深度学习的工业零件表面缺陷检测方法
JP3108405B2 (ja) 機器の診断方法
CN114021275B (zh) 一种基于深度卷积模糊系统的滚动轴承故障诊断方法
CN111126455B (zh) 一种基于Lightweight CNN与SVM的磨粒两阶段识别方法
CN112161805A (zh) 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法
Xu et al. CapsFormer: A Novel Bearing Intelligent Fault Diagnosis Framework With Negligible Speed Change Under Small-Sample Conditions

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
GR01 Patent grant
GR01 Patent grant