DE102017221701B4 - Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs - Google Patents

Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs Download PDF

Info

Publication number
DE102017221701B4
DE102017221701B4 DE102017221701.4A DE102017221701A DE102017221701B4 DE 102017221701 B4 DE102017221701 B4 DE 102017221701B4 DE 102017221701 A DE102017221701 A DE 102017221701A DE 102017221701 B4 DE102017221701 B4 DE 102017221701B4
Authority
DE
Germany
Prior art keywords
reference data
vehicle
sound source
noise
source 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.)
Active
Application number
DE102017221701.4A
Other languages
English (en)
Other versions
DE102017221701A1 (de
Inventor
Dong Chul Lee
In Soo Jung
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.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Motors Corp
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 Hyundai Motor Co, Kia Motors Corp filed Critical Hyundai Motor Co
Publication of DE102017221701A1 publication Critical patent/DE102017221701A1/de
Application granted granted Critical
Publication of DE102017221701B4 publication Critical patent/DE102017221701B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
    • G01H3/04—Frequency
    • G01H3/08—Analysing frequencies present in complex vibrations, e.g. comparing harmonics present
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
    • G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/048—Marking the faulty objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4427—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with stored values, e.g. threshold values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/11—File system administration, e.g. details of archiving or snapshots
    • G06F16/116—Details of conversion of file system types or formats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/15—Failure diagnostics
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/10—Applications
    • G10K2210/128—Vehicles
    • G10K2210/1282—Automobiles
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
    • H04R2499/00—Aspects covered by H04R or H04S not otherwise provided for in their subgroups
    • H04R2499/10—General applications
    • H04R2499/13—Acoustic transducers and sound field adaptation in vehicles

Abstract

Verfahren zum Diagnostizieren einer Ursache eines Geräusches eines Fahrzeugs, wobei das Verfahren Folgendes aufweist:Empfangen (S10) eines Schallquellensignals durch ein in dem Fahrzeug installiertes Mikrofon (110) durch eine Steuerung (100) ;nach dem Empfangen Übertragen des empfangenen Schallquellensignals zu einem Künstliche-Intelligenz-Server (120) durch die Steuerung (100) und Extrahieren von Bezugsdaten, die dem Schallquellensignal entsprechen, aus einem im Voraus gespeicherten Bezugsdatenkennfeld durch Vergleichen (S20) des empfangenen Schallquellensignals mit dem Bezugsdatenkennfeld durch den Künstliche-Intelligenz-Server (120); undnach dem Extrahieren Übertragen der extrahierten Bezugsdaten zu der Steuerung (100) durch den Künstliche-Intelligenz-Server (120) und Ausgeben (S30) eines Ausgangssignals, das Informationen über die Ursache des Geräusches des Fahrzeugs enthält, an eine Diagnoseeinrichtung (130) durch die Steuerung (100) basierend auf den empfangenen Bezugsdaten;wobei das Extrahieren Folgendes aufweist:Umwandeln des empfangenen Schallquellensignals in einen spezifischen Parameter unter Verwendung eines neuronalen Netzes durch den Künstliche-Intelligenz-Server (120) und Vergleichen des umgewandelten spezifischen Parameters mit dem Bezugsdatenkennfeld, um die entsprechenden Bezugsdaten zu extrahieren; undwobei das neuronale Netz ein neuronales Faltungsnetz oder ein tiefes neuronales Netz ist, das zusätzlich Motordrehzahl-Daten verwendet.

Description

  • 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.

Claims (4)

  1. Verfahren zum Diagnostizieren einer Ursache eines Geräusches eines Fahrzeugs, wobei das Verfahren Folgendes aufweist: Empfangen (S10) eines Schallquellensignals durch ein in dem Fahrzeug installiertes Mikrofon (110) durch eine Steuerung (100) ; nach dem Empfangen Übertragen des empfangenen Schallquellensignals zu einem Künstliche-Intelligenz-Server (120) durch die Steuerung (100) und Extrahieren von Bezugsdaten, die dem Schallquellensignal entsprechen, aus einem im Voraus gespeicherten Bezugsdatenkennfeld durch Vergleichen (S20) des empfangenen Schallquellensignals mit dem Bezugsdatenkennfeld durch den Künstliche-Intelligenz-Server (120); und nach dem Extrahieren Übertragen der extrahierten Bezugsdaten zu der Steuerung (100) durch den Künstliche-Intelligenz-Server (120) und Ausgeben (S30) eines Ausgangssignals, das Informationen über die Ursache des Geräusches des Fahrzeugs enthält, an eine Diagnoseeinrichtung (130) durch die Steuerung (100) basierend auf den empfangenen Bezugsdaten; wobei das Extrahieren Folgendes aufweist: Umwandeln des empfangenen Schallquellensignals in einen spezifischen Parameter unter Verwendung eines neuronalen Netzes durch den Künstliche-Intelligenz-Server (120) und Vergleichen des umgewandelten spezifischen Parameters mit dem Bezugsdatenkennfeld, um die entsprechenden Bezugsdaten zu extrahieren; und wobei das neuronale Netz ein neuronales Faltungsnetz oder ein tiefes neuronales Netz ist, das zusätzlich Motordrehzahl-Daten verwendet.
  2. Verfahren nach Anspruch 1, wobei das Mikrofon (110) in einem Innenraum des Fahrzeugs oder auf einer Seite einer Kraftmaschine installiert ist.
  3. Verfahren nach Anspruch 1, wobei das Extrahieren Folgendes aufweist: Extrahieren der Bezugsdaten unter Verwendung von Schallquelleninformationen für eine Gesamtzeit des empfangenen einzelnen Schallquellensignals durch den Künstliche-Intelligenz-Server (120).
  4. Verfahren nach Anspruch 1, wobei die Bezugsdaten Informationen über eine Vielzahl von geräuschverursachenden Fahrzeugkomponenten und Geräuschassoziationsverhältnis-Informationen über die Fahrzeugkomponenten aufweisen, wobei das Ausgeben Folgendes aufweist: Ausgeben des Ausgangssignals an die Diagnoseeinrichtung (130) durch die Steuerung (100) basierend auf den empfangenen Bezugsdaten derart, dass die Vielzahl von Fahrzeugkomponenten in absteigender Reihenfolge der Geräuschassoziationsverhältnisse aufgelistet wird.
DE102017221701.4A 2017-10-16 2017-12-01 Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs Active DE102017221701B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170133858A KR102324776B1 (ko) 2017-10-16 2017-10-16 차량의 소음원인 진단방법
KR10-2017-0133858 2017-10-16

Publications (2)

Publication Number Publication Date
DE102017221701A1 DE102017221701A1 (de) 2019-04-18
DE102017221701B4 true DE102017221701B4 (de) 2023-10-05

Family

ID=65909912

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017221701.4A Active DE102017221701B4 (de) 2017-10-16 2017-12-01 Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs

Country Status (3)

Country Link
US (1) US20190114849A1 (de)
KR (1) KR102324776B1 (de)
DE (1) DE102017221701B4 (de)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11593610B2 (en) * 2018-04-25 2023-02-28 Metropolitan Airports Commission Airport noise classification method and system
KR20200041098A (ko) * 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
KR102518662B1 (ko) * 2018-11-29 2023-04-07 현대자동차주식회사 주변소음을 이용한 주행안전 제어시스템 및 그의 제어방법
US20200184991A1 (en) * 2018-12-05 2020-06-11 Pascal Cleve Sound class identification using a neural network
KR20200075133A (ko) 2018-12-12 2020-06-26 현대자동차주식회사 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치
KR20200075148A (ko) 2018-12-13 2020-06-26 현대자동차주식회사 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법
KR102316671B1 (ko) 2019-12-05 2021-10-22 주식회사 포스코건설 Cnn을 이용한 음향 처리방법
KR20210073883A (ko) 2019-12-11 2021-06-21 현대자동차주식회사 양방향 차량상태정보 제공이 가능한 정보공유 플랫폼, 이를 갖는 시스템, 그리고 이의 방법
KR20210088240A (ko) 2020-01-06 2021-07-14 현대자동차주식회사 무빙계 부품의 상태 진단 장치 및 방법
JP7053705B2 (ja) * 2020-03-24 2022-04-12 本田技研工業株式会社 異音判定装置および異音判定方法
JP7452171B2 (ja) * 2020-03-26 2024-03-19 トヨタ自動車株式会社 異音の発生箇所特定方法
JP7294222B2 (ja) 2020-04-16 2023-06-20 トヨタ自動車株式会社 異音評価システムおよび異音評価方法
JP2022100163A (ja) 2020-12-23 2022-07-05 トヨタ自動車株式会社 音源推定サーバ、音源推定システム、音源推定装置、音源推定方法
CN113218495B (zh) * 2021-04-30 2022-06-21 马勒汽车技术（中国）有限公司 发动机的活塞噪声的测试方法及装置
KR102633953B1 (ko) * 2022-02-07 2024-02-06 주식회사 서연이화 머신러닝 기반 차량의 bsr 식별 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5828993A (en) 1995-09-26 1998-10-27 Victor Company Of Japan, Ltd. Apparatus and method of coding and decoding vocal sound data based on phoneme
DE102016208048A1 (de) 2015-05-19 2016-11-24 Gm Global Technology Operations, Llc Automobile, diagnosesysteme und verfahren zur erzeugung von diagnosedaten für automobile
US20170206718A1 (en) 2016-01-19 2017-07-20 Robert Bosch Gmbh Methods and systems for diagnosing a vehicle using sound

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0732999A (ja) * 1993-07-22 1995-02-03 Jidosha Kiki Co Ltd 車載の電子制御システムの診断方法
JP4978440B2 (ja) 2007-11-27 2012-07-18 株式会社デンソー 冷却制御装置
CA2610388C (en) 2007-11-29 2009-09-15 Westport Power Inc. Method and apparatus for using an accelerometer signal to detect misfiring in an internal combustion engine
KR100963685B1 (ko) * 2008-05-21 2010-06-15 울산대학교 산학협력단 기계 작동음 및 진동 신호의 영상 신호 변환을 통한 고장진단 장치 및 방법
KR20130068717A (ko) 2011-12-16 2013-06-26 박종현 주행 중인 자동차의 진동 및 소음을 이용한 안전진단 및 경고시스템
US9640186B2 (en) 2014-05-02 2017-05-02 International Business Machines Corporation Deep scattering spectrum in acoustic modeling for speech recognition

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5828993A (en) 1995-09-26 1998-10-27 Victor Company Of Japan, Ltd. Apparatus and method of coding and decoding vocal sound data based on phoneme
DE102016208048A1 (de) 2015-05-19 2016-11-24 Gm Global Technology Operations, Llc Automobile, diagnosesysteme und verfahren zur erzeugung von diagnosedaten für automobile
US20170206718A1 (en) 2016-01-19 2017-07-20 Robert Bosch Gmbh Methods and systems for diagnosing a vehicle using sound

Also Published As

Publication number Publication date
KR20190042203A (ko) 2019-04-24
KR102324776B1 (ko) 2021-11-10
DE102017221701A1 (de) 2019-04-18
US20190114849A1 (en) 2019-04-18

Similar Documents

Publication Publication Date Title
DE102017221701B4 (de) Verfahren zum Diagnostizieren einer Geräuschursache eines Fahrzeugs
DE102016208048B4 (de) Automobile, diagnosesysteme und verfahren zur erzeugung von diagnosedaten für automobile
DE102006008482B4 (de) Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle
DE19828409B4 (de) Schaltung zur Erkennung eines Unfallgeräusches
DE19524782C2 (de) Verfahren zur Innenraumüberwachung in einem Kraftfahrzeug
DE102008021362B3 (de) Verfahren und Vorrichtung zum Erkennen eines Zustandes einer zu untersuchenden geräuscherzeugenden Maschine
DE102007051261A1 (de) Verfahren und Vorrichtung zur akustischen Beurteilung eines Kraftfahrzeuges
WO2005111598A1 (de) Vorrichtung und verfahren zur beurteilung einer güteklasse eines zu prüfenden objekts
EP2883073B1 (de) Verfahren und vorrichtung zum klassifizieren von wasserfahrzeugen
DE102015208895A1 (de) Diagnostische-Daten-Extraktionsvorrichtung und Fahrzeugdiagnostikvorrichtung
DE102021124047A1 (de) Fehlerdiagnosemethode offener Menge für Hochgeschwindigkeits-EMU-Lager
DE102020107775A1 (de) Erkennung und Interpretation akustischer Signale und Ereignisse im Fahrzeugaußen- und/oder Innenraum
DE102021004970A1 (de) Verfahren und Vorrichtung zur individuellen Erzeugung von Sound-Signaturen eines Fahrzeuges
DE102011114058A1 (de) Verfahren und Vorrichtung zu akustischen Beurteilung eines Bauteils
DE4124501A1 (de) Neuronales netz mit automatischer zellbildung
DE102008060194B4 (de) Verfahren und Kraftfahrzeug für ein Fahrzeugflotten-Qualifikationsmanagement
WO2022258302A1 (de) Verfahren zur diagnostizierung einer krankheit, vorzugsweise einer atemwegserkrankung
DE19705471C2 (de) Verfahren und Schaltungsanordnung zur Spracherkennung und zur Sprachsteuerung von Vorrichtungen
DE102020134555A1 (de) Vorrichtung zum lokalisieren von geräusch in einem lenksystem
DE102020116636A1 (de) Verfahren für eine Überwachung wenigstens einer durch eine rotierende Maschine angetriebenen Arbeitsmaschine
DE102019209228A1 (de) Verfahren und Vorrichtung zum Überprüfen der Robustheit eines künstlichen neuronalen Netzes
DE112018006597T5 (de) Sprachverarbeitungsvorrichtung und Sprachverarbeitungsverfahren
DE102019005149B4 (de) Klassifizierung von Audiodaten
DE102021102712A1 (de) Verfahren und System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen
DE10230547B4 (de) Verfahren und Vorrichtung zur Prüfung eines Hohlkörpers

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R016 Response to examination communication
R018 Grant decision by examination section/examining division