-
HINTERGRUND
-
1. Gebiet
-
Die vorliegende Offenbarung betrifft ein Verfahren zum leichten Diagnostizieren einer Geräuschursache eines Fahrzeugs durch Vergleichen von Schallinformationen, die in einem Fahrzeug erzeugt werden, mit Daten in einem Server für künstliche Intelligenz.
-
2. Beschreibung der verwandten Technik
-
Im Allgemeinen wird das von der Kraftmaschine, dem Getriebe, etc., die an einem Fahrzeug montiert sind, erzeugte Geräusch durch eine Person durch Anhören des Geräusches oder durch Durchführen einer Einzelanalyse nach dem Messen des Gesamtgeräusches des Fahrzeugs diagnostiziert.
-
In diesem Fall werden jedoch die Kosten und der Arbeitskostensatz, die zum Identifizieren der Ursache eines Problems mit dem Fahrzeug erfordert werden, erhöht und nur ein Fachmann kann die Ursache des Problems mit dem Fahrzeug akkurat identifizieren. Folglich ist es für Durchschnittspersonen schwierig, das Problem mit dem Fahrzeug zu identifizieren.
-
Aus der
US 2017 / 0 206 718 A1 ist ein Verfahren zum Diagnostizieren einer Ursache eines Geräusches eines Fahrzeugs bekannt, wobei das Verfahren Folgendes aufweist: Empfangen eines Schallquellensignals durch ein in dem Fahrzeug installiertes Mikrofon durch eine Steuerung; nach dem Empfangen Übertragen des empfangenen Schallquellensignals zu einem Künstliche-Intelligenz-Server durch die Steuerung; und Extrahieren von Bezugsdaten, die dem Schallquellensignal entsprechen, aus einem im Voraus gespeicherten Bezugsdatenkennfeld durch Vergleichen des empfangenen Schallquellensignals mit dem Bezugsdatenkennfeld durch den Künstliche-Intelligenz-Server; und nach dem Extrahieren übertragen der extrahierten Bezugsdaten zu der Steuerung durch den Künstliche-Intelligenz-Server und Ausgeben eines Ausgangssignals, das Informationen über die Ursache des Geräusches des Fahrzeugs enthält, an eine Diagnoseeinrichtung durch die Steuerung basierend auf den empfangenen Bezugsdaten.
-
Die
DE 10 2016 208 048 A1 offenbart Automobile, Automobildiagnosesysteme und Verfahren zur Erzeugung von Diagnosedaten für Automobile. Ein Verfahren zur Erzeugung von Diagnosedaten für ein Automobil beinhaltet das Erfassen einer akustischen Wellenform, die durch eine Automobilkomponente erzeugt wurde, mit einem Schallsensor. Das Verfahren wandelt die akustische Wellenform in ein elektrisches Wellenformdatensignal. Das Verfahren beinhaltet die Identifizierung eines Muster im elektrischen Wellenformdatensignal. Ferner klassifiziert das Verfahren das Muster als Hinweis auf ein ausgewähltes Leistungsproblem.
-
Außerdem ist in der
US 5 828 993 A die orthogonale Transformation sequentieller digitaler Vokalgeräuschdaten für eine vorbestimmte Anzahl von Daten beschrieben, um Leistungsspektrumdaten zu erhalten. Die Leistungsspektrumdaten werden in eine Datenumwandlungsform umgewandelt, bei der ein Merkmal, das einem Phonem der Vokalgeräuschdaten entspricht, extrahiert wird. Die so in die Datenumwandlungsform umgewandelten Daten werden mit Referenzdatenmustern verglichen, die sich auf das der Datenumwandlungsform entsprechende Merkmal beziehen, um Korrelationsdaten zwischen den umgewandelten Daten und den Referenzdaten zu erhalten. Pitches werden in einer Frequenzrichtung extrahiert auf der Grundlage der Leistungsspektrumdaten oder der konvertierten Daten extrahiert. Leistungswerte werden auf der Grundlage der Stimmklangdaten oder der Leistungsspektrumdaten extrahiert. Die Korrelationsdaten, Tonhöhen und Leistungswerte werden dann nacheinander kodiert. Die kodierten Daten werden dekodiert und auf der Grundlage der dekodierten Leistungswerte und Tonhöhen werden zu jedem Phonem gehörige Signale gebildet. Die Signale werden miteinander synthetisiert, um vokale Tonsignale zu reproduzieren.
-
Es sollte klar sein, dass die vorangehende Beschreibung des Hintergrunds der Erfindung lediglich zum Zweck des Förderns eines Verständnisses des Hintergrunds der vorliegenden Erfindung dient und dieselbe nicht als Eingeständnis auszulegen ist, dass die vorliegende Erfindung dem Stand der Technik entspricht, der jemandem mit Fähigkeiten in der Technik bekannt ist.
-
ZUSAMMENFASSUNG
-
Die vorliegende Offenbarung erfolgte daher in Anbetracht der oben erwähnten Probleme und eine Aufgabe der vorliegenden Offenbarung ist, ein Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs durch Analysieren eines von einem in einem Fahrzeug vorgesehenen Mikrofon empfangenen Schallquellensignals durch einen Server für künstliche Intelligenz bzw. Künstliche-Intelligenz-Server und präzises Identifizieren der Geräuschursache des Fahrzeugs zu liefern.
-
Nach einem Aspekt der vorliegenden Offenbarung können die oben erwähnten und andere Aufgaben durch ein Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs bewältigt werden, wobei das Verfahren Folgendes enthält: Empfangen eines Schallquellensignals durch ein in dem Fahrzeug installiertes Mikrofon durch eine Steuerung; nach dem Empfangen Senden des empfangenen Schallquellensignals zu einem Künstliche-Intelligenz-Server durch die Steuerung und Extrahieren von Bezugsdaten, die dem Schallquellensignal entsprechen, aus einem im Voraus gespeicherten Bezugsdatenkennfeld durch Vergleichen des empfangenen Schallquellensignals mit dem Bezugsdatenkennfeld durch den Künstliche-Intelligenz-Server; und nach dem Extrahieren Übertragen der extrahierten Bezugsdaten zu der Steuerung durch den Künstliche-Intelligenz-Server und Ausgeben eines Ausgangssignals an eine Diagnoseeinrichtung, das Informationen über die Geräuschursache des Fahrzeugs enthält, basierend auf den empfangenen Bezugsdaten durch die Steuerung, wobei das Extrahieren das Umwandeln des empfangenen Schallquellensignals in einen spezifischen Parameter unter Verwendung eines neuronalen Netzwerkes bzw. neuronalen Netzes durch den Künstliche-Intelligenz-Server und Vergleichen des umgewandelten spezifischen Parameters mit dem Bezugsdatenkennfeld enthält, um die entsprechenden Bezugsdaten zu extrahieren, und das neuronale Netz ein faltendes neuronales Netz bzw. neuronales Faltungsnetz (CNN; engl. Convolutional Neural Network) oder tiefes neuronales Netz (DNN; engl. Deep Neural Network) ist, das zusätzlich Daten über die Drehzahl (RPM; engl. revolutions per minute) der Kraftmaschine bzw. des Motors verwendet.
-
Das Mikrofon kann in einem Innenraum des Fahrzeugs oder auf einer Seite einer Kraftmaschine installiert sein.
-
Das Extrahieren kann das Extrahieren der Bezugsdaten durch den Künstliche-Intelligenz-Server unter Verwendung der Schallquelleninformationen für eine Gesamtzeit des empfangenen einzelnen Schallquellensignals enthalten.
-
Die Bezugsdaten können Informationen über eine Vielzahl von geräuschverursachenden Fahrzeugkomponenten und Geräuschassoziationsverhältnis-Informationen über die Fahrzeugkomponenten enthalten, wobei das Ausgeben enthalten kann, dass die Steuerung das Ausgangssignal an die Diagnoseeinrichtung basierend auf den empfangenen Bezugsdaten derart ausgibt, dass die Vielzahl von Fahrzeugkomponenten in einer absteigenden Reihenfolge der Geräuschassoziationsverhältnisse aufgelistet werden.
-
Nach dem Verfahren zum Diagnostizieren der Ursache des Geräusches eines Fahrzeugs mit der oben beschriebenen Struktur können die Kosten und der Arbeitskostensatz, die zum Identifizieren der Geräuschursache erfordert werden, wenn ein Problem mit dem Fahrzeug auftritt, verringert werden.
-
Ferner ermöglicht das Verfahren Durchschnittspersonen ohne Fachkenntnissen, die Geräuschursache eines Fahrzeugs leicht zu identifizieren.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
Beispielhafte Aspekte sind in den Zeichnungen veranschaulicht. Es ist vorgesehen, dass die hierin offenbarten Ausführungsformen und Figuren als veranschaulichend und nicht beschränkend zu betrachten sind.
- 1 ist ein Ablaufplan, der ein Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs nach einer Ausführungsform der vorliegenden Anmeldung veranschaulicht;
- 2 ist ein Blockdiagramm, das eine Einrichtung zum Diagnostizieren einer Geräuschursache eines Fahrzeugs nach einer Ausführungsform der vorliegenden Anmeldung veranschaulicht; und
- 3 veranschaulicht eine Betätigung einer Diagnoseeinrichtung nach einer Ausführungsform der vorliegenden Anmeldung.
-
DETAILLIERTE BESCHREIBUNG
-
Nun wird auf verschiedene Ausführungsformen eines Verfahrens zum Diagnostizieren einer Geräuschursache eines Fahrzeugs der vorliegenden Erfindung detailliert Bezug genommen werden, deren Beispiele in den beiliegenden Zeichnungen veranschaulicht sind. Nach Möglichkeit werden überall in den Zeichnungen die gleichen Bezugsnummern verwendet werden, um auf gleiche oder ähnliche Teile Bezug zu nehmen.
-
1 ist ein Ablaufplan, der ein Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs nach einer Ausführungsform der vorliegenden Offenbarung veranschaulicht, und 2 ist ein Blockdiagramm, das eine Einrichtung zum Diagnostizieren einer Geräuschursache eines Fahrzeugs nach einer Ausführungsform der vorliegenden Erfindung veranschaulicht.
-
In Bezug auf die 1 und 2 kann ein Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs eine Steuerung 100 enthalten, die im Schritt S10 ein Schallquellensignal durch ein in dem Fahrzeug installiertes Mikrofon 110 empfängt. Nach dem Empfangsschritt S10 überträgt die Steuerung 100 das empfangene Schallquellensignal zu einem Künstliche-Intelligenz-Server 120. Der Künstliche-Intelligenz-Server 120 vergleicht dann das empfangene Schallquellensignal mit einem im Voraus gespeicherten Bezugsdatenkennfeld und extrahiert Bezugsdaten, die dem Schallquellensignal entsprechen, aus dem Bezugsdatenkennfeld im Schritt S20. Nach dem Extraktionsschritt S20 überträgt der Künstliche-Intelligenz-Server 120 die extrahierten Bezugsdaten zu der Steuerung 100 und die Steuerung 100 gibt ein Ausgangssignal, das Informationen über die Ursache des Geräusches des Fahrzeugs enthält, basierend auf den empfangenen Bezugsdaten im Schritt S30 an eine Diagnoseeinrichtung 130 aus.
-
Wenn der Fahrzeughalter oder ein Mechaniker eine Diagnose einer Geräuschursache des Fahrzeugs durch die Diagnoseeinrichtung 130 ausführt, führt die Steuerung 100 zunächst den Empfangsschritt S10 durch.
-
Das Mikrofon 110 ist in dem Fahrzeug installiert. Insbesondere kann das Mikrofon 110 in dem Innenraum des Fahrzeugs oder auf der Seite der Kraftmaschine installiert sein. Daher kann die Steuerung 100 einen Ton aus dem Innenraum des Fahrzeugs, der einen in demselben fahrenden Insassen aufweist, einen von dem Motorraum erzeugten Ton und dergleichen durch das Mikrofon 110 als Schallquellensignale empfangen.
-
Die Steuerung 100, die ein Schallquellensignal durch den Empfangsschritt S10 gesammelt bzw. erfasst hat, überträgt das Schallquellensignal zu dem Künstliche-Intelligenz-Server 120. Der Künstliche-Intelligenz-Server 120 vergleicht das empfangene Schallquellensignal mit einem im Voraus gespeicherten Bezugsdatenkennfeld und extrahiert Bezugsdaten, die dem Schallquellensignal entsprechen.
-
Der Künstliche-Intelligenz-Server 120 erfasst Geräuschdaten gemäß verschiedenen Ausfall- bzw. Störungssituationen und klassifiziert dieselben in auf Deep Learning basierende Big-Data-Typen, um ein Bezugsdatenkennfeld mit einer Vielzahl von abgebildeten Bezugsdaten sicherzustellen. Wenn ein Schallquellensignal von der Steuerung 100 empfangen wird, vergleicht der Künstliche-Intelligenz-Server 120 danach das Schallquellensignal mit dem Bezugsdatenkennfeld und extrahiert die Bezugsdaten mit Charakteristiken ähnlich denen einer Geräuschursache gemäß dem Schallquellensignal bei S20.
-
Hier kann der Künstliche-Intelligenz-Server 120 in Form eines Web-Servers derart vorgesehen sein, dass der Fahrzeughalter oder der Mechaniker auf den Server leicht zugreifen kann, um das Geräusch zu diagnostizieren.
-
Wenn der Künstliche-Intelligenz-Server 120 die Bezugsdaten extrahiert, überträgt der Künstliche-Intelligenz-Server 120 die Bezugsdaten zu der Steuerung 100 und die Steuerung 100 gibt Geräuschursacheninformationen über das Fahrzeug an die Diagnoseeinrichtung 130 basierend auf den empfangenen Bezugsdaten derart aus, dass der Fahrzeughalter oder der Mechaniker die Geräuschursache des Fahrzeugs durch die Diagnoseeinrichtung 130 identifizieren kann.
-
Die Diagnoseeinrichtung 130 enthält vorzugsweise eine Displayeinheit, so dass der Fahrer oder Mechaniker die Ursache des Geräusches des Fahrzeugs identifizieren kann. Die Informationen über die Ursache des Geräusches des Fahrzeugs können an die Displayeinheit ausgegeben werden.
-
Genauer kann der Künstliche-Intelligenz-Server 120 in dem Extraktionsschritt S20 das empfangene Schallquellensignal in Bilddaten umwandeln und dann die umgewandelten Bilddaten mit dem Bezugsdatenkennfeld vergleichen, um entsprechende Bezugsdaten zu extrahieren.
-
Das heißt, der Künstliche-Intelligenz-Server 120 kann das Schallquellensignal eines Schalltyps in Bilddaten eines Bildtyps auf der Basis einer Zeit oder Frequenz umwandeln und den Merkmalsvektor, der die umgewandelten Bilddaten repräsentiert, mit dem Bezugsdatenkennfeld vergleichen, wobei dadurch Bezugsdaten des entsprechenden Geräuschtyps extrahiert werden. Vorzugsweise werden die in dem Künstliche-Intelligenz-Server 120 gespeicherten Bezugsdaten in Form von Bildern bereitgestellt.
-
Durch Umwandeln des Schallquellensignals in Bilddaten und Extrahieren der entsprechenden Bezugsdaten, wie oben beschrieben wurde, kann ein spezifisches Geräusch aus dem Schallquellensignal extrahiert werden, das eine Mischung aus verschiedenen Geräuschquellen ist, um Deep Learning durchzuführen oder eine Analyse durch akkurates Vergleichen des Geräusches mit den entsprechenden Bezugsdaten durchzuführen.
-
Der Künstliche-Intelligenz-Server 120 kann das Schallquellensignal unter Verwendung eines Gabor-Filters und eines Mel-Filters in Bilddaten umwandeln.
-
Alternativ kann der Künstliche-Intelligenz-Server 120 im Extraktionsschritt S20 das empfangene Schallquellensignal in einen spezifischen Parameter unter Verwendung eines neuronalen Netzes umwandeln und dann den umgewandelten spezifischen Parameter mit den Bezugsdaten vergleichen, wobei dadurch entsprechende Bezugsdaten extrahiert werden.
-
Hier kann das neuronale Netz ein neuronales Faltungsnetz (CNN) oder ein tiefes neuronales Netz (DNN) sein oder zusätzlich Motor-RPM- bzw. Motordrehzahl-Daten verwenden.
-
Das DNN und das CNN sind neuronale Netze, die eine Genauigkeit des maschinellen Lernens in der künstlichen Intelligenz verbessern. Das DNN und das CNN führen eine Zeit- /Frequenzfilterung an Schallquellensignalen durch und klassifizieren dieselben dann in Geräuschtypen durch spezifische Parameter, wie beispielsweise Fahrzeugort oder Fahrzeugkomponente.
-
Folglich kann der Künstliche-Intelligenz-Server 120 zwischen verschiedenen Geräuschtypen von dem Schallquellensignal durch Extrahieren von Bezugsdaten, die den umgewandelten spezifischen Parametern entsprechen, unterscheiden und einen Vergleich und eine Analyse durchführen, wobei dadurch das Unterscheidungsvermögen und die Genauigkeit der Analyse der Ursache des Fahrzeuggeräusches verbessert werden.
-
Ferner können die neuronalen Netze die Charakteristiken einer Geräuschquelle, die sich aus der Drehzahl (RPM) des Motors ergibt, von einer Geräuschquelle, die sich nicht aus der Drehzahl ergibt, durch zusätzliches Anwenden der Motordrehzahl-Informationen weiter unterscheiden, um eine spezielle Bedingung zum Unterscheiden zwischen den Fahrzeuggeräuschquellen zu reflektieren. Daher kann die Genauigkeit der Geräuschquellenklassifikation in dem Fahrzeug verbessert werden.
-
Indessen kann der Künstliche-Intelligenz-Server 120 in dem Extraktionsschritt S20 die Bezugsdaten unter Verwendung der Schallquelleninformationen für die gesamte Zeit des empfangenen Einzel-Schallquellensignals extrahieren.
-
Herkömmliche Künstliche-Intelligenz-Algorithmen generieren Lernmodelle in Einheiten von 20-40s unter Verwendung eines formelhaften Schallquellensignals (30 Sekunden) und Führen ein Lernen unter Verwendung des entsprechenden Ergebnisses durch. Dies verschlechtert jedoch die Fähigkeit zum Unterscheiden zwischen Geräuschquellen in dem Schallquellensignal mit verschiedenen, vermischten Schallquellen, wie beispielsweise Fahrzeuggeräuschquellen.
-
In Anbetracht dessen kann die vorliegende Technologie die Genauigkeit des Lernmodells verbessern und die Bezugsdaten durch Anwenden eines Lernalgorithmus unter Verwendung des langfristigen Lernens der Gesamtheit von einem Schallquellensignal akkurat extrahieren. Daher können sowohl die in einer kurzen Zeit erzeugte Geräuschquelle als auch die in einer langen Zeit erzeugte Geräuschquelle gelernt werden.
-
Alternativ kann bei dem Verfahren zum Diagnostizieren einer Ursache eines Geräusches eines Fahrzeugs der Künstliche-Intelligenz-Server 120 in dem Extraktionsschritt S20 das empfangene Schallquellensignal in Bilddaten umwandeln, die umgewandelten Bilddaten in einen spezifischen Parameter unter Verwendung eines neuronalen Netzes umwandeln und dann den umgewandelten spezifischen Parameter mit den Bezugsdaten vergleichen, um die entsprechenden Bezugsdaten zu extrahieren.
-
Das heißt, da der Künstliche-Intelligenz-Server 120 eine Umwandlung des von der Steuerung 100 empfangenen Schallquellensignals in zwei Schritten durchführt und dann das Schallquellensignal mit den Bezugsdaten zur Analyse vergleicht, kann der Künstliche-Intelligenz-Server 120 zwischen Geräuschtypen basierend auf Merkmalsvektoren der Bilddaten akkurat unterscheiden und den Vorteil des neuronalen Netzes zum Unterscheiden zwischen verschiedenen Typen des Geräusches aufweisen. Daher kann die Ursache des Geräusches des Fahrzeugs akkurat und distinguierbar diagnostiziert werden.
-
Hier können die Bezugsdaten Informationen über eine Vielzahl von Fahrzeugkomponenten, die ein Geräusch verursachen, und Geräuschassoziationsverhältnis-Informationen über die Fahrzeugkomponenten enthalten. In dem Ausgabeschritt S30 kann die Steuerung 100 ein Ausgangssignal an die Diagnoseeinrichtung 130 basierend auf den empfangenen Bezugsdaten derart ausgeben, dass die Vielzahl von Fahrzeugkomponenten in absteigender Reihenfolge der Geräuschassoziationsverhältnisse aufgelistet wird.
-
3 veranschaulicht eine Betätigung einer Diagnoseeinrichtung 130 nach einer Ausführungsform. In Bezug auf 3 generiert die Steuerung ein Ausgangssignal basierend auf den Bezugsdaten, die von dem Künstliche-Intelligenz-Server empfangen werden, und überträgt dasselbe, um durch die Displayeinheit der Diagnoseeinrichtung 130 Informationen auszugeben, die angeben, ob das Geräusch des Fahrzeugs dem Geräusch spezifischer Fahrzeugkomponenten und dem Geräuschassoziationsverhältnis der entsprechenden Fahrzeugkomponenten entspricht.
-
Hier enthalten die Bezugsdaten neben Informationen über eine Vielzahl von geräuschverursachenden Fahrzeugkomponenten und Geräuschassoziationsverhältnis-Informationen einen geräuschverursachenden Fahrzeugort und Geräuschassoziationsverhältnis-Informationen über den Ort.
-
Folglich kann der Fahrzeughalter oder ein Mechaniker durch Überprüfen der Displayeinheit der Diagnoseeinrichtung 130 leicht identifizieren, welche Fahrzeugkomponente der Vielzahl von Fahrzeugkomponenten mit der Ursache des Geräusches zusammenhängt.
-
Wie aus der obigen Beschreibung ersichtlich ist, können nach dem Verfahren zum Diagnostizieren der Ursache eines Geräusches eines Fahrzeugs mit der oben beschriebenen Struktur die Kosten und der Arbeitskostensatz, die zum Identifizieren der Geräuschursache beim Auftreten eines Problems mit dem Fahrzeug erfordert werden, verringert werden.
-
Ferner ermöglicht das Verfahren Durchschnittspersonen, die keine Fachkenntnisse haben, die Ursache eines Geräusches eines Fahrzeugs leicht zu identifizieren.
-
Zwar wurde eine Anzahl beispielhafter Aspekte oben erörtert, aber jemand mit Fähigkeiten in der Technik wird erkennen, dass weiterhin weitere Modifikationen, Permutationen, Ergänzungen und Sub-Kombinationen derselben der offenbarten Merkmale noch möglich sind. Es ist daher vorgesehen, dass die folgenden beiliegenden Ansprüche und Ansprüche, die hiernach eingebracht werden, interpretiert werden, all solche Modifikationen, Permutationen, Ergänzungen und Sub-Kombinationen zu enthalten, die innerhalb des wahren Wesens und Bereiches derselben sind.