CN116663672A - 一种电动汽车动力总成嗡鸣声的评测系统和方法 - Google Patents
一种电动汽车动力总成嗡鸣声的评测系统和方法 Download PDFInfo
- Publication number
- CN116663672A CN116663672A CN202310439975.3A CN202310439975A CN116663672A CN 116663672 A CN116663672 A CN 116663672A CN 202310439975 A CN202310439975 A CN 202310439975A CN 116663672 A CN116663672 A CN 116663672A
- Authority
- CN
- China
- Prior art keywords
- model
- buzzing
- scoring
- evaluating
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 239000000725 suspension Substances 0.000 claims description 22
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims 1
- 230000000996 additive effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电动汽车动力总成嗡鸣声的评测系统和方法;将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按比例随机划分为训练集和测试集;利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用训练集和测试集进行训练,得到用于对电动汽车动力总成嗡鸣声进行评分的噪声预测模型。本发明采用机器学习方法来对系统进行评测,排除了各种主观干扰因素,使结果具有一致性;利用客观测量方式代替主观评测人员进行判断,简便易用,降低了车辆开发期间的成本;采用多个机器学习进行叠加学习训练,相比采用其它算法的模型,本发明所述模型的预测精度最高。
Description
技术领域
本发明属于整车噪声测量技术领域,具体涉及一种电动汽车动力总成嗡鸣声的评测系统和方法。
背景技术
随着我国汽车工业的发展,客户对汽车的需求除了可靠性外,对舒适性的要求也越来越高,当电动车在运行时,驱动电机中的电磁力和转矩脉动会引起的振动和噪声,这种力波通过磁轭向外传播,使铁心产生振动变形而产生电磁噪声;再通过壳体放大后,经过悬置固定点和空气传播两种路径传递至驾驶舱内,从而会产生一种嗡鸣声;这种嗡鸣声会给驾乘人员带来不好的乘车体验,因此需要对这种噪声的分贝控制在人耳能接受的合理范围内;但每个人的听觉灵敏度不同,所以无法对此类噪声进行客观的判断强度,且这种噪声一般不容易辨别的,只能靠人工主观评价进行判断,人工判断由于存在听觉灵敏度差异,会导致标准不一致,从而无法使车辆的噪声水平一致,进而使产品的质量水平不一致导致客户抱怨。
发明内容
为了能对电动汽车动力总成产生的噪声进行客观的测量和评判,本发明提出了一种电动汽车动力总成嗡鸣声的评测方法和系统;
实现本发明目的之一的一种电动汽车动力总成嗡鸣声的评测系统,包括:数据集建立模块和噪声预测模型构建模块;
所述数据集建立模块用于将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;所述不同状态包括驱动电机的不同转速下状态;
所述噪声预测模型构建模块用于利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分。
进一步地,所述驱动电机振动的相关数据包括电机壳体多个方向的悬置点的振动加速度和/或电机转速和/或驾驶舱A声级。
进一步地,得到噪声预测模型的方法包括:
将主观评测人员在电机的不同状态下的主观评分作为目标变量,悬置点的多个方向的振动加速度、电机转速和驾驶舱A声级作为训练变量构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用训练集和测试集对多个机器学习模型进行叠加学习训练,得到噪声预测模型。
所述多个机器学习模型进行叠加学习训练的方法包括五折交叉验证法。
进一步地,所述多个机器学习模型包括基于CN2 laplace的模型和/或基于CN2entropy的模型和/或Logistic Regression的模型。
CN2算法是一种基于归纳逻辑的分类器学习算法。
所述CN2-Laplace是CN2算法的一种变体,使用Laplace校准来评估规则的质量,Laplace校准是一种平滑技术,能减轻数据稀缺或分类不平衡带来的问题。CN2-Laplace的主要步骤如下:
(1)初始化一个空的规则集;
(2)搜索最佳规则,即具有最高Laplace评分的规则,Laplace评分计算公式为:(p+1)/(p+n+2),其中p和n分别为规则正确和错误分类的实例数量;
(3)将找到的最佳规则添加到规则集中;
(4)从训练数据中移除被该规则覆盖的实例;
(5)如果训练数据不为空,重复步骤(2)-(4),否则终止算法。
所述CN2-Entropy是CN2算法的另一种变体,使用熵(entropy)作为评估规则质量的标准。熵是衡量信息量的一种方法,可以表示数据的不确定性。CN2-Entropy的主要步骤与CN2-Laplace相似,但在评估规则质量时使用熵,计算公式为:H(c|R)=-∑(P(c|R)*log2(P(c|R))),其中c表示类别,R表示规则,P(c|R)表示给定规则R时,实例属于类别c的概率。
所述逻辑回归是一种广泛应用于分类问题的线性模型,它通过使用logistic函数(或称Sigmoid函数)将线性回归输出映射到[0,1]区间,从而估计给定输入实例属于某个类别的概率,其主要步骤如下:
(1)定义逻辑回归模型:对于二分类问题,模型表示为:P(Y=1|X)=1/(1+exp(-(w0+w1*x1+...+wn*xn))),其中Y表示目标变量,X表示特征向量,w表示权重;
(2)选择一个损失函数,通常使用交叉熵损失函数(cross-entropy loss);
(3)使用梯度下降或其他优化算法来最小化损失函数,从而找到最佳权重;
(4)利用找到的最佳权重来预测新实例的类别,通常概率大于0.5的实例被归为正类,否则归为负类。
更进一步地,所述多个机器学习模型包括基于CN2 laplace的模型、基于CN2entropy的模型和Logistic Regression的模型,可使得模型的预测精度最高。
实现本发明目的之二的一种电动汽车动力总成嗡鸣声的评测方法,包括如下步骤:
S1、将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;
S2、利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分。
有益效果:
1、采用机器学习方法来对系统进行评测,排除了各种主观干扰因素,使结果具有一致性;
2、利用客观测量方式代替主观评测人员进行判断,简便易用,可以降低车辆开发期间的成本;
3、本发明采用多个机器学习进行叠加学习训练,尤其是基于CN2laplace的模型、基于CN2 entropy的模型和Logistic Regression的模型得到的噪声预测模型,相比采用其它算法的模型,本发明所述模型的预测精度最高,使得可以更好的对电动汽车动力总成进行更准确的评测。
附图说明
图1是本发明所述方法实施例的流程图;
图2是本发明所述的悬置点的安装位置示意图;
图3是本发明所述的机器学习模型的示意图。
具体实施方式
下列具体实施方式用于对本发明权利要求技术方案的解释,以便本领域的技术人员理解本权利要求书。本发明的保护范围不限于下列具体的实施结构。本领域的技术人员做出的包含有本发明权利要求书技术方案而不同于下列具体实施方式的也是本发明的保护范围。
本实施例提供一种电动汽车动力总成嗡鸣声的评测系统,包括数据集建立模块和噪声预测模型构建模块;
所述数据集建立模块用于将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;驱动电机振动的相关数据包括电机壳体多个方向的悬置点的振动加速度和/或电机转速和/或驾驶舱A声级;
所述噪声预测模型构建模块用于利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分。
本实施例还提供一种电动汽车动力总成嗡鸣声的评测方法,包括如下步骤:
步骤一、获取驱动电机振动的相关数据
以8级48阶的电机为例子,8阶为电机转子磁极的阶次,48阶为电机定子齿的阶次,而这类型的声音主要就是由8阶通过电机壳体产生的,如果电驱总成的第一阶模态设计不好,正好在8阶之内,会产生非常恼人的噪声,所以也称其为主阶次噪声。
由于电机引起的各种激励最终通过电驱总成壳体的悬置点传递至车身的,所以各种激励下悬置点的振动情况可以间接反应壳体的振动情况,针对这种类型的声音,需要收集以下参数:
(1)X/Y/Z三个方向的悬置点的振动加速度
每辆车的悬置作用是连接发动机和车辆的节点,整个动力总成的振动(除了转速波动外)都是通过悬置点传递至车身的,其固定点也是多样的,普通乘用车一般多是三个点,本实施例所选的悬置点位置如图2所示,本发明中悬置点的选择适于多种悬置安装方式,包括但不限于以下三种悬置安装方式:三点支撑式、三点钟摆式和三点平面式。
悬置点的振动加速度的获取方法包括:通过所述三个位置的振动传感器获取;
(2)电机转速
通过在电机输出端安装转速传感器获取电机转速;
(3)驾驶舱A声级
通过在驾驶舱人耳旁安装麦克风测量A声级;
(4)主观评测人员在不同转速下的主观评分
准备一台项目阶段具有代表性的整车,该整车已完成隔音方面的演变和变速箱软件的更新;在晴好且安静的环境下,在笔直、干燥、路面噪音小且足够长的一个跑道上进行主观评分;所需要的实验设备要求具有以下的采集数据通道能力:变速箱输入轴的转速INNER和OUTER(2000Hz);转速(2000Hz);纵向加速(2000Hz);变速箱的机油温度(1Hz);然后通过TCU和ECU进行数据的读取;评分的具体过程如下:
S101、选定一个主观评测人员,在座舱内匀速驾驶车辆;
S102、使车辆处于某个档位的怠速状态;
S103、从初始转速0km/h开始,急加速直到V km/h,持续10s,记录此时的转速、振动并对整个过程进行评分;设N=V;
S104、松开油门直到N-V1 km/h,本实施例中V1=5;
S105、急油门再次踩下,直到转速至(N+V2)km/h,持续设定时长,记录此时的转速、振动并评分;本实施例中V2=10;
S106、使N=N+V2,当转速N小于设定值时,返回步骤S104,否则执行步骤S107;
S107、重复步骤S102~S106多次获得多个不同转速下的转速、振动和评分,直至满足数据集样本数量的要求。
其中步骤S104松油门的好处一是为了评价收油门时电机反拖的NVH噪声;二是实现后面步骤中的急加速。
假设本实施例中V设定为10,S106中所述设定值为100km/h,采用上述方法,可以分别测得车速为10、20、30、40……100km/h时的电机转速,多个悬置点的多个方向下的振动以及由主观评测人员在每个状态下的评分。
由于需要大量数据,因此从初始转速开始重复上述操作多次,直至得到的样本数满足数量要求。
其中由主观评测人员进行评分的规则包括:设定多个评分值,评分低的一到两个评分值对应一个主观感受,超过中值后的每个评分值对应一个主观感受,评分值越高代表主观感觉越舒适,标准评测人根据主观感受对感受到的噪声进行主观评分。具体地,可根据下述表1中的评分规则进行主动评分;
表1主动评测分值表
所记录的数据如下表2所示;要说明的是,所述标准评测人须具有NVH评测资质,经过专业培训,其作为机器学习的对象,成为一个泛标准。
表2客观数据采集表
步骤二、将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;
步骤三、利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分;
具体地,获取各项测量数据后,使用数据挖掘软件Orange建立如图3所示的机器学习模型,并将主观评测人员在不同转速下的主观评分作为目标变量,悬置点的X/Y/Z三个方向的振动加速度、电机转速和驾驶舱A声级作为训练变量对所述机器学习模型进行训练得到噪声预测模型,通过实验发现,采用CN2 laplace(CN2拉普拉斯度量法),CN2 entropy(CN2信息熵度量法)以及Logistic Regression(线性回归)进行叠加学习训练的多重算法叠加能够使模型更加准确,其评分预测精确度达到0.95,高于采用单一算法或多重其它算法的模型的预测精确度。
所述多重算法叠加中的叠加(Stacking)是通过模型对原始数据拟合的堆叠进行建模,首先通过多个基学习器(本实施例为3个)学习原数据,每个基学习器均会对原始数据进行输出,将所述输出按照列的方式进行堆叠,构成了(m,p)维的新数据,m代表样本数,p代表基学习器的个数;最后将新的样本数据交给第二层模型进行拟合。本实施例中的堆叠方法如下:
设定选择100个样本,本实施例以堆叠方法选用5折交叉验证法,A、B、C分别代表三个基学习器,本实施例中A、B、C依次为CN2 laplace(CN2拉普拉斯度量法)、CN2 entropy(CN2信息熵度量法)和Logistic Regression(线性回归)。
1、将原始数据集按8:2的比例划分为训练集和测试集;
2、将训练集分为5份(K=5),则每份包含16个样本。
3、对于每个基学习器(A、B和C)进行以下操作:
a.对于5折交叉验证中的每一折,使用其中的4份(共64个样本)作为训练数据,训练每个基学习器;然后用训练好的每个基学习器对剩下的1份子集(16个样本)进行预测,得到预测结果;
b.将5折交叉验证的预测结果按照顺序堆叠起来,形成一个新的训练集;这个新训练集的维度为(m,p),其中m为训练集的样本数(80),p为基学习器的个数(3)。
4、使用这个新训练集(80,3),训练一个元学习器(第二层模型);
5、在测试集上分别用基学习器A、B和C进行预测,得到每个其学习器的预测结果。
6、将基学习器A、B和C的预测结果按列堆叠,形成一个新的测试集;新测试集的维度同样为(m,p),其中m为测试集的样本数(20),p为基学习器的个数(3);
7、使用训练好的元学习器对新的测试集进行预测,得到最终的Stacking预测结果。
当噪声预测模型的原始数据集足够时(最小数据量为100组数据,数据量越大,模型越准确),可对噪声预测模型进行训练,训练完毕后就可以使用此最终的噪声预测模型进行实际噪声评分预测,对需要预测的车辆进行包括转速,声级,悬置点的X/Y/Z三个方向的振动加速度的采集,将所采集的数据输入噪声预测模型会输出对应的评分。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种电动汽车动力总成嗡鸣声的评测系统,其特征在于,包括数据集建立模块和噪声预测模型构建模块;
所述数据集建立模块用于将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;
所述噪声预测模型构建模块用于利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分。
2.如权利要求1所述的电动汽车动力总成嗡鸣声的评测系统,其特征在于,所述驱动电机振动的相关数据包括电机壳体多个方向的悬置点的振动加速度和/或电机转速和/或驾驶舱A声级。
3.如权利要求1或2所述的电动汽车动力总成嗡鸣声的评测系统,其特征在于,得到噪声预测模型的方法包括:
将主观评测人员在电机的不同状态下的主观评分作为目标变量,悬置点的多个方向的振动加速度、电机转速和驾驶舱A声级作为训练变量构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用训练集和测试集对多个机器学习模型进行叠加学习训练,得到噪声预测模型。
4.如权利要求3所述的电动汽车动力总成嗡鸣声的评测系统,其特征在于,所述多个机器学习模型包括基于CN2laplace的模型和/或基于CN2entropy的模型和/或LogisticRegression的模型。
5.如权利要求3或4所述的电动汽车动力总成嗡鸣声的评测系统,其特征在于,所述多个机器学习模型进行叠加学习训练的方法包括五折交叉验证法。
6.如权利要求1、2、4任一项所述的电动汽车动力总成嗡鸣声的评测系统,其特征在于,数据集构建的方法包括:
S101、选定一个主观评测人员,在座舱内匀速驾驶车辆;
S102、使车辆处于某个档位的怠速状态;
S103、在设定的初始转速下,缓踩油门急加速,直到转速为Vkm/h,持续设定时长,记录此时的转速、振动并评分;设N=V;
S104、松开油门直至转速至N-V1km/h,V1>0;
S105、缓油门再次踩下,直到转速至(N+V2)km/h,V2>V1,持续设定时长,记录此时的转速、振动并评分;
S106、使N=N+V2,当转速N小于设定值时,返回步骤S104,否则执行步骤S107;
S107、重复步骤S102~S106多次获得多个不同转速下的转速、振动和评分,直至满足数据集样本数量的要求。
7.一种如权利要求1所述系统的电动汽车动力总成嗡鸣声的评测方法,其特征在于,包括如下步骤:
S1、将驱动电机振动的相关数据、主观评测人员在驱动电机的不同状态下对驾驶舱内嗡鸣声的主观评分按照设定比例随机划分为训练集和测试集;
S2、利用多个机器学习模型构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用所述训练集和测试集进行训练,得到噪声预测模型;该噪声预测模型用于对电动汽车动力总成嗡鸣声进行评分。
8.如权利要求7所述的电动汽车动力总成嗡鸣声的评测方法,其特征在于,所述步骤S1中驱动电机振动的相关数据包括电机壳体多个方向的悬置点的振动加速度和/或电机转速和/或驾驶舱A声级。
9.如权利要求7所述的电动汽车动力总成嗡鸣声的评测方法,其特征在于,步骤S2得到噪声预测模型的方法包括:
将主观评测人员在电机的不同状态下的主观评分作为目标变量,悬置点的多个方向的振动加速度、电机转速和驾驶舱A声级作为训练变量构建对电动汽车动力总成嗡鸣声进行噪声评分的机器评分模型,该机器评分模型调用训练集和测试集对多个机器学习模型进行叠加学习训练,得到噪声预测模型。
10.如权利要求9所述的电动汽车动力总成嗡鸣声的评测方法,其特征在于,所述多个机器学习模型包括基于CN2laplace的模型和/或基于CN2entropy的模型和/或LogisticRegression的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310439975.3A CN116663672A (zh) | 2023-04-23 | 2023-04-23 | 一种电动汽车动力总成嗡鸣声的评测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310439975.3A CN116663672A (zh) | 2023-04-23 | 2023-04-23 | 一种电动汽车动力总成嗡鸣声的评测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663672A true CN116663672A (zh) | 2023-08-29 |
Family
ID=87726864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310439975.3A Pending CN116663672A (zh) | 2023-04-23 | 2023-04-23 | 一种电动汽车动力总成嗡鸣声的评测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663672A (zh) |
-
2023
- 2023-04-23 CN CN202310439975.3A patent/CN116663672A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101864860B1 (ko) | 딥러닝을 통한 자동차 상태 진단 방법 | |
CN101672690A (zh) | 基于听觉模型的车内噪声烦躁度客观量化评价方法 | |
US20150199955A1 (en) | Engine sound simulation for electric vehicles | |
CN112204362B (zh) | 检测机械系统中的振动和/或声学传递的方法和装置 | |
CN111982274B (zh) | 一种基于声品质贡献系数的电机噪声源识别方法及系统 | |
Ma et al. | A novel sound quality evaluation method of the diagnosis of abnormal noise in interior permanent-magnet synchronous motors for electric vehicles | |
CN109591693A (zh) | 一种电动汽车运动声品质主动发声系统 | |
KR20210088240A (ko) | 무빙계 부품의 상태 진단 장치 및 방법 | |
CN108827452A (zh) | 一种永磁同步轮毂电机的噪声评价方法 | |
CN110427709B (zh) | 基于遗传算法的声品质阶次均衡优化及主动发声设计方法 | |
CN113776652B (zh) | 整车传动系统噪音评价方法、装置、设备及存储介质 | |
CN113515808B (zh) | 一种动力总成的噪声预测方法 | |
JP2001188985A (ja) | 車両の走行診断方法及び走行条件提示方法及び車両の走行診断装置 | |
US11556792B2 (en) | Method and apparatus for predicting performance of vehicle NVH system based on deep learning | |
CN116663672A (zh) | 一种电动汽车动力总成嗡鸣声的评测系统和方法 | |
CN112197894A (zh) | 基于整车的变速箱平均效率获取方法及系统 | |
CN116538286A (zh) | 一种计及nvh特性的商用车换挡系统及方法 | |
US20230239639A1 (en) | Abnormal sound diagnosis system | |
CN116796158A (zh) | 收集车辆智能化评估数据的方法、系统及车辆 | |
Cao et al. | Sound pressure level control methods for electric vehicle active sound design | |
Chen et al. | Sound quality analysis and prediction of vehicle interior noise based on grey system theory | |
CN108733944B (zh) | 方向盘抖振性能的评价方法及装置 | |
CN112560161B (zh) | 一种车辆加速影响程度确定方法、装置及上位机 | |
CN112051073B (zh) | 车辆传动阻力测量方法、测试系统及存储介质 | |
CN114065402B (zh) | 基于hssa-bpnn模型的车辆全态声品质预报方法 |
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 |