DE102021102712A1 - Method and system for acoustic diagnosis of a motor vehicle based on operating noise - Google Patents
Method and system for acoustic diagnosis of a motor vehicle based on operating noise Download PDFInfo
- Publication number
- DE102021102712A1 DE102021102712A1 DE102021102712.8A DE102021102712A DE102021102712A1 DE 102021102712 A1 DE102021102712 A1 DE 102021102712A1 DE 102021102712 A DE102021102712 A DE 102021102712A DE 102021102712 A1 DE102021102712 A1 DE 102021102712A1
- Authority
- DE
- Germany
- Prior art keywords
- motor vehicle
- analysis
- noise
- data set
- knowledge
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Die vorliegende Erfindung betrifft ein Verfahren zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Dabei werden an einem Analyseort Betriebsgeräusche eines zu diagnostizierenden Kraftfahrzeugs unter mindestens einer vorgebbaren ersten Randbedingung erzeugt. Diese werden unter mindestens einer zweiten Randbedingung aufgenommen, ein entsprechender Datensatz erstellt und vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Dort erfolgt die Auswertung des Datensatzes mittels eines wissensbasierten Systems. Das Auswerteergebnis wird an den Analyseort übermittelt, wo, falls das Auswerteergebnis einen Fehler am Kraftfahrzeug anzeigt, der Fehler repariert wird. Die Erfindung betrifft überdies ein entsprechendes System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.The present invention relates to a method for the acoustic diagnosis of a motor vehicle based on operating noises. In this case, operating noises of a motor vehicle to be diagnosed are generated at an analysis location under at least one predeterminable first boundary condition. These are recorded under at least one second boundary condition, a corresponding data record is created and transmitted from the analysis location to an evaluation device located at a distance from it. There, the data set is evaluated using a knowledge-based system. The evaluation result is transmitted to the analysis site where, if the evaluation result indicates a fault in the motor vehicle, the fault is repaired. The invention also relates to a corresponding system for acoustic diagnosis of a motor vehicle based on operating noises.
Description
Die Erfindung betrifft ein Verfahren zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Sie betrifft überdies ein System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.The invention relates to a method for the acoustic diagnosis of a motor vehicle based on operating noises. It also relates to a system for acoustic diagnosis of a motor vehicle based on operating noise.
Bekanntermaßen wirken in einem Kraftfahrzeug die unterschiedlichsten Bauteile und Bauteilgruppen zusammen. Dabei kommt es immer wieder zu außergewöhnlichen Betriebsgeräuschen, die auf einen Fehler hinweisen, der bereits entstanden ist oder sich ankündigt. In diesem Zusammenhang ist der Begriff „NVH-Messung“ zur Geräuschanalyse bekannt, wobei „NVH“ steht für Noise = Geräusch, V für Vibration und H für Harshness = Rauhigkeit. In diesem Zusammenhang versucht beispielsweise ein Kunde in der Werkstatt, das unnormale Betriebsgeräusch zu beschreiben, wobei er Wort wählt wie „wummern, schmettern, heulen, klopfen, brummen, rauschen, mahlen, klappern, knacken, jaulen, rattern, pfeifen, klingeln, schaben, knistern, klirren, rasseln, summen“. Für eine Kundenbeschwerde, man höre ein klopfendes Geräusch, wenn sich der Motor im Leerlauf befindet, können unterschiedliche Ursachen in Frage kommen, beispielsweise die Nockenwelle, die Ölpumpe, der Kettenspanner, eine falsche Motorsteuerung. Es kann aber auch sein, dass das Betriebsgeräusch normal ist.As is known, the most diverse components and component groups interact in a motor vehicle. There are always unusual operating noises that indicate an error that has already occurred or is about to occur. In this context, the term "NVH measurement" is known for noise analysis, where "NVH" stands for noise = noise, V for vibration and H for harshness = roughness. In this context, for example, a customer in the workshop tries to describe the abnormal operating noise, choosing words such as "thumping, smashing, howling, knocking, humming, hissing, grinding, rattling, cracking, howling, rattling, whistling, ringing, scraping , crackle, jingle, rattle, hum". A customer complaint that there is a knocking noise when the engine is idling can have various causes, for example the camshaft, the oil pump, the chain tensioner, incorrect engine timing. However, it may also be that the operating noise is normal.
In diesem Zusammenhang können werkstattseitig akustische Messungen an Kundenfahrzeugen vorgenommen werden, beispielsweise unter Verwendung mehrerer Sensoren, wie Mikrofone oder Beschleunigungsmesser. Überdies können Betriebsparameter, wie Drehzahl und Geschwindigkeit, erfasst und den aufgezeichneten Messwerten zugeordnet werden. Diese können dann in der Werkstatt oder herstellerseitig vom Fachpersonal gesichtet und angehört werden, um Rückschlüsse auf die Fehlerursache zu treffen. In einem markenunabhängigen Test wurden in diesem Zusammenhang 24 Sound-Dateien erzeugt, die Geräusche von Motoren mit fehlerhafter Nockenwelle sowie fehlerhafter Ölpumpe, allerdings auch Geräusche von Motoren umfassen, die in Ordnung sind. Das Fachpersonal wurde gebeten, die Sound-Dateien in vier Kategorien einzuordnen, und zwar fehlerhafte Nockenwelle, fehlerhafte Ölpumpe, Motor in Ordnung, andere Art von Geräusch.In this context, workshop-side acoustic measurements can be made on customer vehicles, for example using multiple sensors such as microphones or accelerometers. In addition, operating parameters such as engine speed and speed can be recorded and assigned to the recorded measured values. These can then be viewed and listened to by qualified personnel in the workshop or at the manufacturer's site in order to draw conclusions about the cause of the error. In a brand-independent test, 24 sound files were generated in this context, which include the noises of engines with a faulty camshaft and a faulty oil pump, but also noises from engines that are OK. The technical staff was asked to classify the sound files into four categories, namely faulty camshaft, faulty oil pump, engine ok, other kind of noise.
Bei einer Auswertung der Ergebnisse von hundert Teilnehmern, wurde festgestellt, dass 50,3 % das Geräusch in die falsche Kategorie einordneten. Lediglich 49,7% ordneten das Geräusch in die richtige Kategorie ein. Wird demnach eine Reparatur aufgrund der zugeordneten vermuteten Fehlerkategorie vorgenommen, werden ungefähr 50% der Reparaturkosten erzeugt durch Reparatur des falschen Bauteils.Analyzing the results of 100 participants, it was found that 50.3% put the noise in the wrong category. Only 49.7% classified the noise in the correct category. Accordingly, if a repair is carried out based on the suspected error category assigned, approximately 50% of the repair costs are generated by repairing the wrong component.
In diesem Zusammenhang ist es beispielsweise aus der
Die Aufgabe der vorliegenden Erfindung besteht darin, eine Möglichkeit zur Verbesserung einer akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen bereitzustellen, die eine möglichst zielgerichtete Erkennung eines Fehlers eines Bauteils oder einer Bauteilgruppe ermöglicht, um so Reparaturkosten zu minimieren.The object of the present invention is to provide a possibility for improving an acoustic diagnosis of a motor vehicle based on operating noises, which enables a fault in a component or a component group to be identified as specifically as possible, in order to minimize repair costs.
Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen von Patentanspruch 1 sowie durch ein System mit den Merkmalen von Patentanspruch 11.This object is achieved by a method having the features of patent claim 1 and by a system having the features of patent claim 11.
Der vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass die Ursache für Falschbeurteilungen im Stand der Technik durch zu viele Freiräume bei der Messung und der Auswertung zu sehen ist: So kann ein unterschiedlicher Messaufbau, eine unterschiedliche Messtechnik sowie ein unterschiedlicher Erfahrungsschatz beim zuständigen Fachpersonal zu unterschiedlichen Ergebnissen führen.The present invention is based on the finding that the cause of incorrect assessments in the prior art can be seen in too much freedom in measurement and evaluation: A different measurement setup, a different measurement technique and a different wealth of experience among the responsible specialist staff can lead to different results to lead.
Bei dem erfindungsgemäßen Verfahren ist demnach vorgesehen, dass in einem Schritt a) ein zu diagnostizierendes Kraftfahrzeug an einem Analyseort bereitgestellt wird. In einem Schritt b) werden Betriebsgeräusche des zu diagnostizierenden Kraftfahrzeugs unter mindestens einer vorgebbaren ersten Randbedingung erzeugt. In einem Schritt c) werden die Betriebsgeräusche unter mindestens einer zweiten vorgebbaren Randbedingung aufgenommen und ein entsprechender Datensatz erstellt. Anschließend wird in einem Schritt d) der Datensatz vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Dieser Datensatz wird in einem Schritt e) mittels eines wissensbasierten Systems ausgewertet. Anschließend wird das Auswerteergebnis in einem Schritt f) an den Analyseort übermittelt. Falls das Auswerteergebnis einen Fehler am Kraftfahrzeug anzeigt, wird in einem Schritt g) der Fehler am Analyseort repariert.In the method according to the invention it is therefore provided that in a step a) a motor vehicle to be diagnosed is provided at an analysis location. In a step b), operating noises of the motor vehicle to be diagnosed are generated under at least one predefinable first boundary condition. In a step c), the operating noises are recorded under at least one second predefinable boundary condition and a corresponding data record is created. Then, in a step d), the data set is sent from the analysis location to an evaluation device that is remote from it transmitted. This data record is evaluated in step e) using a knowledge-based system. The evaluation result is then transmitted to the analysis site in a step f). If the evaluation result indicates a fault in the motor vehicle, the fault is repaired at the analysis location in step g).
Mittels der Vorgabe von Randbedingungen kann eine quasi normierte Erzeugung und Aufnahme der Betriebsgeräusche sichergestellt werden. Um bei der Auswertung einen subjektiven Einfluss des Fachpersonals zu unterbinden, wird erfindungsgemäß zur Auswertung ein wissensbasiertes System herangezogen.By specifying boundary conditions, a quasi-standardized generation and recording of the operating noise can be ensured. In order to prevent a subjective influence of the specialist personnel during the evaluation, a knowledge-based system is used for the evaluation according to the invention.
Diese drei Maßnahmen wirken zusammen und führen zu reproduzierbaren Ergebnissen, die frei von subjektiven menschlichen Fehlerquellen sind. Bei einer zu dem oben genannten Beispiel vergleichbaren Analyse wurde eine Trefferquote von mehr als 95% ermittelt. Mittels der vorliegenden Erfindung kann daher in der weit überwiegenden Anzahl der Fälle sichergestellt werden, dass tatsächlich das fehlerbehaftete Bauteil beziehungsweise die Bauteilgruppe repariert wird. Überdies ergibt sich eine Reduktion der Reparaturzeit, da zielgerichtet das fehlerhafte Bauteil repariert werden kann. Es ergibt sich eine Verbesserung der Kundenzufriedenheit durch eine Vergrößerung der Analysekompetenz. Es besteht weiterhin die Möglichkeit, im Rahmen eines Service-Aufenthalts einen akustischen Fingerabdruck zu erzeugen, um ein Bauteil oder eine Bauteilgruppe über die Lebensdauer zu überwachen. Die gesammelten Daten und Ergebnisse können auswertevorrichtungsseitig zur weiteren Verbesserung der Auswertung gesammelt werdenThese three measures work together and lead to reproducible results that are free from subjective human sources of error. In an analysis comparable to the above example, a hit rate of more than 95% was determined. In the vast majority of cases, the present invention can therefore be used to ensure that the defective component or component group is actually repaired. In addition, there is a reduction in the repair time, since the defective component can be repaired in a targeted manner. There is an improvement in customer satisfaction through an increase in analysis competence. There is also the option of generating an acoustic fingerprint during a service visit in order to monitor a component or a component group over its service life. The collected data and results can be collected on the evaluation device side to further improve the evaluation
Eine bevorzugte Ausführungsform zeichnet sich dadurch aus, dass in Schritt b) mindestens eine der folgenden ersten Randbedingungen vorgegeben wird: Drehzahl des Motors, Fahrzeuggeschwindigkeit, Aktivieren oder Betätigen einer vorgebbaren Fahrzeugfunktion, insbesondere mittels eines Bedienelements, sowie Abbremsen aus einer vorgebbaren Geschwindigkeit in den Stillstand innerhalb einer vorgebbaren Zeitdauer. Auf diese Weise werden reproduzierbare Randbedingungen festgelegt für den Verfahrensschritt des Erzeugens von Betriebsgeräuschen des zu diagnostizierenden Fahrzeugs.A preferred embodiment is characterized in that in step b) at least one of the following first boundary conditions is specified: engine speed, vehicle speed, activation or actuation of a specified vehicle function, in particular by means of an operating element, and braking from a specified speed to a standstill within a predetermined period of time. In this way, reproducible boundary conditions are defined for the method step of generating operating noises of the vehicle to be diagnosed.
Bevorzugt wird in Schritt c) mindestens eine der folgenden zweiten Randbedingungen vorgegeben: Messaufbau, insbesondere Sensorposition und Sensoranzahl, sowie Messtechnik, insbesondere Art des Sensors. Hinsichtlich des Sensors kommen insbesondere Mikrofone sowie Beschleunigungssensoren in Betracht. Auf diese Weise werden die Betriebsgeräusche unter reproduzierbaren Randbedingungen aufgenommen, das heißt aufgezeichnet. Durch die Festlegung der Randbedingungen beim Erzeugen sowie beim Aufnehmen der Betriebsgeräusche kann eine reproduzierbare Analyseumgebung geschaffen werden, so dass im Schritt e) beim Auswerten des entsprechenden Datensatzes mittels eines wissensbasierten Systems die Ergebnisse mit Ergebnissen verglichen werden können, die ebenfalls unter Verwendung derselben ersten und zweiten Randbedingungen kreiert wurden. Demnach wird ein Datensatz unter normierten Bedingungen erzeugt, der mit Datensätzen verglichen werden kann, die unter denselben normierten Bedingungen erzeugt wurden.At least one of the following second boundary conditions is preferably specified in step c): measurement setup, in particular sensor position and number of sensors, and measurement technology, in particular type of sensor. With regard to the sensor, microphones and acceleration sensors are particularly suitable. In this way, the operating noises are recorded under reproducible boundary conditions, i.e. recorded. By defining the boundary conditions when generating and recording the operating noises, a reproducible analysis environment can be created, so that in step e) when evaluating the corresponding data set using a knowledge-based system, the results can be compared with results that are also obtained using the same first and second boundary conditions were created. Accordingly, a data set is created under normalized conditions, which can be compared with data sets that were created under the same normalized conditions.
Eine besonders bevorzugte Ausführungsform zeichnet sich dadurch aus, dass vor Schritt b) in Abhängigkeit eines Fehlerverdachts am Analyseort nach Übermittlung des Fehlerverdachts vom Analyseort an eine zentrale Instanz von der zentralen Instanz mindestens die eine erste und/oder die eine zweite Randbedingung vorgegeben wird. Eine besonders zuverlässige und schnelle Auffindung eines potentiellen Fehlers wird dadurch ermöglicht, dass die mindestens eine erste und/oder die mindestens eine zweite vorgebbare Randbedingung im Hinblick auf einen Fehlerverdacht gewählt wird. So würde es wenig Sinn machen, zur Analyse eines außergewöhnlichen Motorgeräuschs die Geräusche bei einem Bremsvorgang zu analysieren. Sofern bei einer ersten Auswertung kein eindeutiges Ergebnis hinsichtlich eines Fehlers vorliegt oder kein Fehler gefunden werden konnte, können die mindestens eine erste und/oder mindestens eine zweite Randbedingung im Hinblick auf einen alternativen Fehlerverdacht in einem sich anschließenden Diagnosevorgang unter Wiederholung der Schritte b) bis g) vorgegeben werden. Dies kann weiter wiederholt werden, bis ein eindeutiges Ergebnis vorliegt.A particularly preferred embodiment is characterized in that before step b) depending on a suspected error at the analysis location after transmission of the suspected error from the analysis location to a central entity, at least one first and/or one second boundary condition is specified by the central entity. A particularly reliable and rapid finding of a potential error is made possible by selecting the at least one first and/or the at least one second predefinable boundary condition with regard to a suspected error. So it would make little sense to analyze the noises during a braking process to analyze an unusual engine noise. If there is no clear result with regard to an error in a first evaluation or no error could be found, the at least one first and/or at least one second boundary condition with regard to an alternative suspected error can be checked in a subsequent diagnostic process by repeating steps b) to g ) are specified. This can be repeated further until a clear result is obtained.
Als Fehlerverdacht können folgende Geräuscharten zur Auswahl bereitgestellt werden: Motorgeräusch, Bremsengeräusch, Getriebegeräusch, Windgeräusch, Innenraumgeräusch. Mit anderen Worten gibt der Fehlerverdacht im Wesentlichen eine grobe Orientierung im Hinblick auf geeignet zu wählende erste und/oder zweite Randbedingungen. Wie bereits erwähnt, kann bei einer Konkretisierung des Fehlerverdachts eine neuere spezifischere Vorgabe der ersten und/oder zweiten Randbedingungen folgen. Wenn beispielsweise für den Fehler lediglich zwei bestimmte Bauteile in Betracht kommen, können die ersten und/oder zweiten Randbedingungen bauteilspezifisch gewählt werden, so dass zwei aufeinanderfolgende Diagnosen unter Wiederholung der Schritte b) bis g) vorgenommen werden.The following types of noise can be made available for selection as suspected errors: engine noise, brake noise, transmission noise, wind noise, interior noise. In other words, the suspected error essentially provides a rough orientation with regard to first and/or second boundary conditions to be selected in a suitable manner. As already mentioned, if the suspected fault becomes more specific, a newer, more specific specification of the first and/or second boundary conditions can follow. If, for example, only two specific components come into consideration for the error, the first and/or second boundary conditions can be selected component-specifically, so that two consecutive diagnoses are carried out while repeating steps b) to g).
Bevorzugt wird in Schritt e) ein bestimmtes wissensbasiertes System aus einer Vielzahl von wissensbasierten Systemen in Abhängigkeit des Fehlerverdachts ausgewählt. In diesem Zusammenhang ist es von Vorteil, wenn mehrere der wissensbasierten Systeme zur Auswahl, insbesondere in Abhängigkeit des Fehlerverdachts, bereitgestellt werden: maschinelles Lernen, neuronales Netzwerk, Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs. Beispielsweise eignen sich die wissensbasierten Systeme maschinelles Lernen sowie neuronales Netzwerk besonders gut bei der Analyse von Motorgeräuschen oder Getriebegeräuschen. Die Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs eignet sich besonders bei der Analyse eines Bremsengeräuschs.In step e), a specific knowledge-based system from a large number of scientific sensor-based systems depending on the suspected error. In this context, it is advantageous if several of the knowledge-based systems are made available for selection, in particular depending on the suspected error: machine learning, neural network, maximum peak search within a specifiable frequency range. For example, the knowledge-based systems of machine learning and neural networks are particularly well suited to the analysis of engine noise or gear noise. The maximum peak search within a definable frequency range is particularly suitable for analyzing brake noise.
Vor Schritt e) wird bevorzugt mindestens ein Fahrzeugparameter aus der folgenden Gruppe an die zentrale Instanz übermittelt und in Schritt e) berücksichtigt: Typ des Kraftfahrzeugs, Typ des Motors, Gesamtlaufleistung, Datum des letzten Kundendienstes, Laufleistung seit letztem Kundendienst, bisherige Reparaturen am Kraftfahrzeug, bisherige Unfallschäden des Kraftfahrzeugs.Before step e), at least one vehicle parameter from the following group is preferably transmitted to the central entity and taken into account in step e): type of motor vehicle, type of engine, total mileage, date of the last customer service, mileage since the last customer service, previous repairs to the motor vehicle, Previous accident damage to the motor vehicle.
Auf diese Weise kann festgestellt werden, ob das Betriebsgeräusch für dieses Kraftfahrzeug normal ist, ob bei vergleichbaren Kraftfahrzeugen diesen Typs dieselben Betriebsgeräusche aufgetreten sind, was dort gegebenenfalls die Fehlerursache war, sowie ob die Ursache in einem mangelhaften Service oder in einer mangelhaften Reparatur zu finden ist. Diese Fahrzeugparameter können in dem wissensbasierten System angewendet werden, insbesondere bei der Auswertung des Datensatzes des zu diagnostizierenden Kraftfahrzeugs sowie bei den dort vorliegenden Datensätzen.In this way it can be determined whether the operating noise is normal for this motor vehicle, whether the same operating noises have occurred in comparable motor vehicles of this type, what may have been the cause of the fault there, and whether the cause can be found in poor service or in poor repairs . These vehicle parameters can be used in the knowledge-based system, in particular when evaluating the data set of the motor vehicle to be diagnosed and the data sets available there.
Im Schritt e) wird bevorzugt mindestens eines der folgenden Ergebnisse bereitgestellt: kein Fehler feststellbar; Fehler feststellbar, jedoch nicht oder nicht eindeutig klassifizierbar; Klassifikation des Fehlers mit Angabe des fehlerhaften Bauteils oder der fehlerhaften Bauteilgruppe. Wie bereits erwähnt, können bei einem nicht eindeutig klassifizierbaren Fehler die Diagnoseschritte d) bis g) wiederholt werden, insbesondere unter Variation der ersten und/oder zweiten Randbedingungen. Das Ergebnis kann einen Zahlenwert darstellen, wobei vorgegeben wird, innerhalb welchem Zahlenbereich ein Zahlenwert als Ergebnis kein Fehler feststellbar klassifiziert wird, innerhalb welchem Zahlenbereich eine Klassifikation des Fehlers angenommen wird und innerhalb welchem Zahlenbereich die Feststellung eines Fehlers angenommen wird, der jedoch nicht oder nicht eindeutig klassifizierbar ist. Der Zahlenwert kann eine Wahrscheinlichkeit darstellen.In step e), at least one of the following results is preferably provided: no error detectable; Errors can be identified, but not or not clearly classifiable; Classification of the error with specification of the defective component or the defective group of components. As already mentioned, in the case of an error that cannot be clearly classified, the diagnostic steps d) to g) can be repeated, in particular by varying the first and/or second boundary conditions. The result can represent a numerical value, with it being specified within which numerical range a numerical value is classified as the result no error detectable, within which numerical range a classification of the error is assumed and within which numerical range the determination of an error is assumed, which, however, is not or not clearly is classifiable. The numerical value can represent a probability.
Bevorzugt wird innerhalb von Schritt e) vor der Anwendung eines wissensbasierten Systems auf den übermittelten Datensatz der übermittelte Datensatz gemäß mindestens einem der folgender Kriterien bearbeitet: Auswahl eines Frequenzbereichs, Auswahl eines Zeitbereichs, Auswahl eines Lautstärkebereichs, Anwendung eines Filters. Dies kann manuell erfolgen, um die Daten, mit denen das wissensbasierte System gespeist wird, im Hinblick auf eine möglichst deutliche Wahrnehmung des außergewöhnlichen Betriebsgeräuschs zu optimieren. Das jeweilige Betriebsgeräusch kann optional nach Anwendung der entsprechenden Kriterien abgespielt werden, so dass manuell entschieden werden kann, ob der unnormal klingende Geräuschanteil des Betriebsgeräuschs deutlicher zu hören ist als zuvor. Dies führt dazu, dass die Auswertung mittels des wissensbasierten Systems schneller konvergiert und zu besonders zuverlässigen und eindeutigen Ergebnissen führt.Within step e), before a knowledge-based system is applied to the transmitted data set, the transmitted data set is preferably processed according to at least one of the following criteria: selection of a frequency range, selection of a time range, selection of a volume range, use of a filter. This can be done manually in order to optimize the data feeding the knowledge-based system with a view to the clearest possible perception of the unusual operating noise. The respective operating noise can optionally be played back after applying the corresponding criteria, so that a manual decision can be made as to whether the abnormal-sounding noise component of the operating noise can be heard more clearly than before. The result of this is that the evaluation using the knowledge-based system converges more quickly and leads to particularly reliable and unambiguous results.
Weitere vorteilhafte Ausführungsformen ergeben sich aus den Unteransprüchen.Further advantageous embodiments emerge from the dependent claims.
Die oben genannte Aufgabe wird auch gelöst durch ein erfindungsgemäßes System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Dieses System umfasst eine Aufnahmevorrichtung zum Aufnehmen von Betriebsgeräuschen eines zu diagnostizierenden Kraftfahrzeugs an einem Analyseort, eine Recheneinrichtung am Analyseort zum Erstellen eines entsprechenden Datensatzes aus den aufgenommenen Betriebsgeräuschen, eine Auswertevorrichtung, die an einem vom Analyseort entfernten Ort angeordnet und ausgelegt ist, den Datensatz mittels eines wissensbasierten Systems auszuwerten, um einen Fehler am Kraftfahrzeug aufzufinden, eine erste Sende-/Empfangsvorrichtung am Analyseort zum Übermitteln des Datensatzes vom Analyseort an die vom Analyseort entfernte Auswertevorrichtung und zum Empfangen eines Ergebnisses der Auswertevorrichtung, sowie eine zweite Sende-/Empfangsvorrichtung am Ort der Auswertevorrichtung zum Empfangen des Datensatzes vom Analyseort und zum Übermitteln eines Ergebnisses der Auswertevorrichtung an die erste Sende-/Empfangsvorrichtung.The above-mentioned object is also achieved by a system according to the invention for the acoustic diagnosis of a motor vehicle based on operating noises. This system comprises a recording device for recording operating noises of a motor vehicle to be diagnosed at an analysis location, a computing device at the analysis location for creating a corresponding data set from the recorded operating noises, an evaluation device which is arranged and designed at a location remote from the analysis location, the data set using a evaluate knowledge-based system in order to find a fault in the motor vehicle, a first transceiver at the analysis site for transmitting the data set from the analysis site to the evaluation device remote from the analysis site and for receiving a result of the evaluation device, and a second transceiver at the site of the evaluation device for receiving the data set from the analysis location and for transmitting a result of the evaluation device to the first transceiver.
Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Systems, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Systems hier nicht noch einmal beschrieben.The invention also includes developments of the system according to the invention, which have features as have already been described in connection with the developments of the method according to the invention. For this reason, the corresponding developments of the system according to the invention are not described again here.
Das in den Ansprüchen erwähnte Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen oder Lastkraftwagen, oder als Personenbus oder Motorrad ausgestaltet.The motor vehicle mentioned in the claims is preferably designed as a motor vehicle, in particular as a passenger car or truck, or as a passenger bus or motorcycle.
Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. Die Erfindung umfasst also auch Realisierungen, die jeweils eine Kombination der Merkmale mehrerer der beschriebenen Ausführungsformen aufweisen, sofern die Ausführungsformen nicht als sich gegenseitig ausschließend beschrieben wurden.The invention also includes the combinations of features of the described embodiments. The invention also includes implementations that each have a combination of the features of several of the described embodiments, provided that the embodiments were not described as mutually exclusive.
Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:
-
1 einen Signalflussgraphen für ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens; -
2 Beispiele für im Rahmen der Auswertung erzeugte Muster bzw. Bilder, die unterschiedlichen Fehlerquellen zugeordnet sind; -
3 als ein Beispiel eines wissensbasierten Systems ein neuronales Netzwerk auf der Basis von Faltung (convolutional neuronal network) in Anwendung auf ein beispielhaftesMuster gemäß 2 ; -
4 eine Benutzeroberfläche der Auswertevorrichtung mit Auswahlmöglichkeiten für Frequenzbereich, Zeitbereich sowie Lautstärkebereich; -
5 ein Beispiel für ein erstes Auswerteergebnis des wissensbasierten Systems; -
6 ein zweites Auswerteergebnis des wissensbasierten Systems; und -
7 ein Ausführungsbeispiel eines erfindungsgemäßen Systems zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.
-
1 a signal flow graph for an embodiment of the method according to the invention; -
2 Examples of patterns or images generated as part of the evaluation, which are assigned to different error sources; -
3 as an example of a knowledge-based system, a convolutional neural network applied to an example pattern according to FIG2 ; -
4 a user interface of the evaluation device with selection options for the frequency range, time range and volume range; -
5 an example of a first evaluation result of the knowledge-based system; -
6 a second evaluation result of the knowledge-based system; and -
7 an embodiment of a system according to the invention for acoustic diagnosis of a motor vehicle based on operating noises.
Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred embodiments of the invention. In the exemplary embodiments, the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another and that each also develop the invention independently of one another. Therefore, the disclosure is also intended to encompass combinations of the features of the embodiments other than those illustrated. Furthermore, the described embodiments can also be supplemented by further features of the invention that have already been described.
In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.In the figures, the same reference symbols designate elements with the same function.
In Schritt 130 wird der Datensatz vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Die Auswertevorrichtung kann beispielsweise in einem zentralen Server, bevorzugt beim Hersteller oder einer mit der Fehleranalyse beauftragten Firma, angeordnet sein. Die Übermittlung kann per Funk oder drahtgebunden erfolgen.In
In Schritt 140 wird der Datensatz mittels eines wissensbasierten Systems ausgewertet. Bevorzugt wird ein bestimmtes wissensbasiertes System aus einer Vielzahl von wissensbasierten Systemen in Abhängigkeit eines Fehlerverdachts ausgewählt. Bevorzugt werden folgende wissensbasierte Systeme zur Auswahl bereitgestellt: maschinelles Lernen, neuronales Netzwerk, Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs. Bevorzugt wird vor Schritt 110 in Abhängigkeit eines Fehlerverdachts am Analyseort nach Übermittlung des Fehlerverdachts vom Analyseort an eine zentrale Instanz, bevorzugt am Ort der Auswertevorrichtung, von der zentralen Instanz mindestens die eine erste und/oder eine zweite Randbedingung vorgegeben. Schritt 140 umfasst demnach insbesondere einen Abgleich mit einem trainierten Algorithmus oder mit Vorgabewerten. In Schritt 140 kann bei Motorgeräuschen beispielsweise ein maschinelles Lernen oder ein neuronales Netzwerk sinnvoll sein, um die aus den Messdaten erzeugten akustischen Bilder und Muster zu klassifizieren. Bei Bremsengeräuschen kann auch eine einfachere Analysemethode angewendet werden, zum Beispiel eine Maximalpeak-Suche des Frequenzbereichs, um daraus die bestimmende Quietschfrequenz zu ermitteln, welche anschließend mit einem vorgegebenen Frequenzwert abgeglichen wird, um eine Reparaturempfehlung aufgrund der verschiedenen Tonhöhen, die von unterschiedlicher Komponenten der Bremsanlage ausgehen, abzugebenIn
Als Fehlerverdacht werden bereitgestellt: Motorgeräusch, Bremsengeräusch, Getriebegeräusch, Windgeräusch, Innenraumgeräusch.The following are provided as suspected faults: engine noise, brake noise, transmission noise, wind noise, interior noise.
In Schritt 150 wird das Auswerteergebnis an den Analyseort übermittelt, bevorzugt ebenfalls wieder per Funk oder drahtgebunden.In
Wird im Schritt 160 festgestellt, dass das Auswerteergebnis ein eindeutiges Ergebnis darstellt, das heißt entweder erstens kein Fehler gefunden wurde oder zweitens ein Fehler des Kraftfahrzeugs gefunden wurde, bevorzugt mit Klassifikation des Fehlers unter Angabe des fehlerhaften Bauteils oder der fehlerhaften Bauteilgruppe, wird in Schritt 170 das Verfahren beendet, entweder im ersten Fall ohne Reparatur oder im zweiten Fall mit Reparatur des Fehlers am Analyseort. Ergibt sich in Schritt 160 jedoch, dass zwar ein Fehler feststellbar ist, jedoch nicht oder nicht eindeutig klassifizierbar ist, wird das Verfahren zurückverzweigt zu Schritt 110 und wiederholt.If it is determined in
Alternativ oder im Falle, dass selbst nach einer vorgebbaren Anzahl von Wiederholungen kein eindeutiges Ergebnis vorliegt, kann eine Aufforderung versendet werden, dass die Messergebnisse an den Hersteller zur manuellen Einzelfallanalyse/-überprüfung gesendet werden sollen.Alternatively, or in the event that there is no clear result even after a predeterminable number of repetitions, a request can be sent that the measurement results should be sent to the manufacturer for manual individual case analysis/checking.
Bild A zeigt ein Muster, das sich bei einer fehlerhaften Nockenwelle ergibt. Es treten Spektralanteile, d.h. Wiederholungen, bei dem 0,5-fachen der Motordrehzahl n auf, deren Tonhöhe zwischen 800 und 3500 Hz beträgt. Bild B zeigt ein Muster, das sich bei einer defekten Ölpumpe ergibt. Es treten Spektralanteile bei dem 1-fachen der Motordrehzahl n auf. Die Tonhöhe beträgt zwischen 800 und 2500 kHz. Bild C zeigt ein Bild, das sich bei einem defekten Kettenspanner ergibt. Es treten Spektralanteile bei dem 0,5/3-fachen der Motordrehzahl n auf. Die Frequenz beträgt ungefähr 1200 Hz. Bild D zeigt das Ergebnis einer falschen Motorsteuerung nach einer Reparatur. Es treten Spektralanteile mit dem halbfachen der Motordrehzahl n auf. Die Tonhöhe beträgt ungefähr 50 Hz. Bild E zeigt ein Bild, das sich bei einem fehlerfreien Kraftfahrzeug ergibt. Insbesondere durch Vergleich der Bilder A, B, C und D mit Bild E lassen sich die Unterschiede, die charakteristisch für den jeweiligen Fehler sind, deutlich erkennen.Image A shows a pattern that results from a faulty camshaft. Spectral components, i.e. repetitions, occur at 0.5 times the engine speed n, the pitch of which is between 800 and 3500 Hz. Image B shows a pattern that results from a defective oil pump. Spectral components occur at 1 times the engine speed n. The pitch is between 800 and 2500 kHz. Picture C shows a picture that results from a defective chain tensioner. Spectral components occur at 0.5/3 times the engine speed n. The frequency is approximately 1200 Hz. Figure D shows the result of incorrect engine timing after repair. Spectral components occur with half the engine speed n. The pitch is approximately 50 Hz. Image E shows an image that results from a fault-free motor vehicle. In particular, by comparing images A, B, C and D with image E, the differences that are characteristic of the respective defect can be clearly seen.
Im Rahmen der Auswertung wird demnach eine Rohsignalaufnahme für eine Mustererkennung aufbereitet. Die für die Mustererkennung aufbereiteten Bilder sind
Grundsätzlich besteht die Struktur eines klassischen gefalteten neuronalen Netzwerks aus einem oder mehreren Convolutional Layer, gefolgt von einem Pooling-Layer. Diese Einheit kann sich prinzipiell beliebig oft wiederholen. Bei ausreichend Wiederholungen spricht man dann von Deep Convolutional Neural Networks, die in den Bereich Deep Learning fallen. In der Regel liegt die Eingabe als zweidimensionale Matrix (vorliegend die Pixel eines Graustufen- oder Farbbilds) vor. Dementsprechend sind die Neuronen im Convolutional Layer angeordnet. Die Aktivierung jedes Neurons wird über eine diskrete Faltung berechnet. Dabei wird schrittweise eine vergleichsweise kleine Faltungsmatrix (Filterkernel) über die Eingabe bewegt. Die Eingabe eines Neurons im Convolutional Layer berechnet sich als inneres Produkt des Filterkernels mit dem aktuell unterlegenden Bildausschnitt. Dementsprechend reagieren benachbarte Neuronen im Convolutional Layer auf sich überlappende Bereiche (ähnliche Frequenzen in Audiosignalen oder lokale Umgebungen in Bildern).Basically, the structure of a classic folded neural network consists of one or more convolutional layers, followed by a pooling layer. In principle, this unit can be repeated as often as you like. With sufficient repetitions, one then speaks of deep convolutional neural networks, which fall into the area of deep learning. Typically, the input is a two-dimensional matrix (here, the pixels of a grayscale or color image). Accordingly, the neurons are arranged in the convolutional layer. The activation of each neuron is calculated via a discrete convolution. A comparatively small convolution matrix (filter kernel) is moved step by step over the input. The input of a neuron in the convolutional layer is calculated as the inner product of the filter kernel with the currently underlying image section. Accordingly, neighboring neurons in the convolutional layer respond to overlapping areas (similar frequencies in audio signals or local environments in images).
Hervorzuheben ist, dass ein Neuron in diesem Layer nur auf Reize in einer lokalen Umgebung des vorherigen Layers reagiert. Dies folgt dem biologischen Vorbild des rezeptiven Feldes. Zudem sind die Gewichte für alle Neuronen eines Convolutional Layer identisch. Das führt dazu, dass beispielsweise jedes Neuron im ersten Convolutional Layer kodiert, zu welcher Intensität eine Kante in einem bestimmten lokalen Bereich der Eingabe vorliegt. Die Kantenerkennung als erster Schritt der Bilderkennung besitzt hohe biologische Plausibilität.It should be emphasized that a neuron in this layer only responds to stimuli in a local environment of the previous layer. This follows the biological example of the receptive field. In addition, the weights for all neurons of a convolutional layer are identical. This means that, for example, each neuron in the first convolutional layer encodes the intensity of an edge in a specific local area of the input. Edge detection as the first step in image recognition has high biological plausibility.
Der mittels diskreter Faltung ermittelte Input eines jeden Neurons wird nun von einer Aktivierungsfunktion in den Output verwandelt, der die relative Feuerfrequenz eines echten Neurons modellieren soll.The input of each neuron, determined by discrete convolution, is now transformed by an activation function into the output intended to model the relative firing frequency of a real neuron.
Im folgenden Schritt, dem Pooling, werden überflüssige Informationen verworfen. Zur Objekterkennung in Bildern etwa ist die exakte Position einer Kante im Bild von vernachlässigbarem Interesse - die ungefähre Lokalisierung eines Features ist hinreichend. Es gibt verschiedene Arten des Pooling. Mit Abstand am stärksten verbreitet ist das Max-Pooling, wobei aus jedem 2 x 2 Quadrat auf Neuronen des Convolutional Layers nur die Aktivität des aktivsten (daher „max“) Neurons für die weiteren Berechnungsschritte beibehalten wird. Die Aktivität der übrigen Neuronen wird verworfen. Trotz der Datenreduktion verringert sich in der Regel die Performance des Netzwerks nicht durch das Pooling.In the next step, pooling, superfluous information is discarded. For object recognition in images, for example, the exact position of an edge in the image is of negligible interest - the approximate localization of a feature is sufficient. There are different types of pooling. By far the most widespread is max-pooling, whereby only the activity of the most active (hence "max") neuron from each 2 x 2 square on neurons of the convolutional layer is retained for the further calculation steps. The activity of the remaining neurons is discarded. Despite the data reduction, the performance of the network does not generally decrease as a result of pooling.
Nach einigen sich wiederholenden Einheiten, bestehend aus Convolutional und Pooling Layer, kann das Netzwerk mit einem oder mehreren Fully-Connected-Layern entsprechend der Architektur des mehrlagigen Perzeptrons abschließen. Es wird vor allem bei der hier gewünschten Klassifizierung angewendet. Die Anzahl der Neuronen im letzten Layer korrespondiert dann üblicherweise zu der Anzahl an Objektklassen, die das Netz unterscheiden soll. Die Ausgabe der letzten Schicht des CNNs wird in der Regel durch eine Softmax-Funktion einer translations- aber nicht skaleninvarianten Normalisierung über alle Neuronen im letzten Layer in eine Wahrscheinlichkeitsverteilung überführt.After a few repeating units, consisting of convolutional and pooling layers, the network can terminate with one or more fully connected layers according to the architecture of the multi-layer perceptron. It is primarily used for the classification required here. The number of neurons in the last layer then usually corresponds to the number of object classes that the network should distinguish. The output of the last layer of the CNN is usually converted into a probability distribution over all neurons in the last layer by a softmax function of a translation-but not scale-invariant normalization.
Mit Bezug auf
CNNs werden in aller Regel überwacht trainiert. Während des Trainings wird dabei für jeden gezeigten Input der passende One-Hot-Vektor bereitgestellt. Via Back-Propagation wird der Gradient eines jeden Neurons berechnet und die Gewichte in Richtung des steilsten Abfalls der Fehleroberfläche angepasst.CNNs are usually trained under supervision. During training, the appropriate one-hot vector is provided for each input shown. The gradient of each neuron is calculated via back-propagation and the weights are adjusted in the direction of the steepest descent of the error surface.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- DE 102012025033 A1 [0005]DE 102012025033 A1 [0005]
Claims (11)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021102712.8A DE102021102712A1 (en) | 2021-02-05 | 2021-02-05 | Method and system for acoustic diagnosis of a motor vehicle based on operating noise |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021102712.8A DE102021102712A1 (en) | 2021-02-05 | 2021-02-05 | Method and system for acoustic diagnosis of a motor vehicle based on operating noise |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021102712A1 true DE102021102712A1 (en) | 2022-08-11 |
Family
ID=82493805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021102712.8A Pending DE102021102712A1 (en) | 2021-02-05 | 2021-02-05 | Method and system for acoustic diagnosis of a motor vehicle based on operating noise |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021102712A1 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10315344A1 (en) | 2003-04-03 | 2004-12-30 | Audi Ag | Defective car component detection procedure uses subsystem component identification and failure description modules to select and implement test sequence |
DE102007015140A1 (en) | 2007-03-29 | 2008-10-02 | Volkswagen Ag | Diagnosis device for implementing diagnosis of mechatronical system, has evaluation unit including analysis unit and test proposing unit that determines and proposes implementable diagnostic examination |
DE102012025033A1 (en) | 2012-12-19 | 2014-06-26 | Audi Ag | Method for performing remote diagnosis of fault condition in car, involves sending control command to monitoring device for detecting trace data when no error class is found in diagnostic request |
DE102019117817A1 (en) | 2019-07-02 | 2021-01-07 | Bayerische Motoren Werke Aktiengesellschaft | Device and method for analyzing vehicle noise |
-
2021
- 2021-02-05 DE DE102021102712.8A patent/DE102021102712A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10315344A1 (en) | 2003-04-03 | 2004-12-30 | Audi Ag | Defective car component detection procedure uses subsystem component identification and failure description modules to select and implement test sequence |
DE102007015140A1 (en) | 2007-03-29 | 2008-10-02 | Volkswagen Ag | Diagnosis device for implementing diagnosis of mechatronical system, has evaluation unit including analysis unit and test proposing unit that determines and proposes implementable diagnostic examination |
DE102012025033A1 (en) | 2012-12-19 | 2014-06-26 | Audi Ag | Method for performing remote diagnosis of fault condition in car, involves sending control command to monitoring device for detecting trace data when no error class is found in diagnostic request |
DE102019117817A1 (en) | 2019-07-02 | 2021-01-07 | Bayerische Motoren Werke Aktiengesellschaft | Device and method for analyzing vehicle noise |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102008021362B3 (en) | Noise-generating object i.e. letter sorting machine, condition detecting method, involves automatically adapting statistical base-classification model of acoustic characteristics and classifying condition of noise-generating object | |
EP1088211B1 (en) | Acoustic diagnostic system and method | |
DE102008047473B4 (en) | Method and device for locating a defective component of a vehicle | |
DE102007051261A1 (en) | Motor vehicle's acoustic behavior evaluating method, involves classifying characteristics of preprocessed acoustic signals into classes, and comparing classes of acoustic signals with reference classification | |
DE102017200855A1 (en) | Method and system for diagnosing components of a vehicle | |
DE102015208895A1 (en) | Diagnostic data extraction device and vehicle diagnostic device | |
DE102019115237A1 (en) | METHOD AND DEVICE FOR MONITORING A VEHICLE ENGINE BEARING | |
EP3393875A1 (en) | Method for the improved detection of objects by a driver assistance system | |
DE102006000916B3 (en) | Vehicle parameter evaluation method involves sampling parameters at different sample times to generate data samples and including data samples in sample set | |
DE10235416A1 (en) | Motor vehicle fault diagnosis method in which microphones are used to record the sound originating from various vehicle sections and the sound is compared with reference sound recordings in order to indicate a fault | |
DE102011086352A1 (en) | Method and diagnostic system to support guided troubleshooting in technical systems | |
DE102008060194B4 (en) | Method and motor vehicle for vehicle fleet qualification management | |
DE19857462A1 (en) | Method to test individual components of vehicle; involves measuring data for all components that affect individual component in different operating states and generating signal course for individual component | |
DE102021102712A1 (en) | Method and system for acoustic diagnosis of a motor vehicle based on operating noise | |
DE102011114058A1 (en) | Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound | |
DE102019119250A1 (en) | Method for determining a load of a driver when driving on a route | |
DE102022203238A1 (en) | Method for classifying operating points using sound signals | |
DE102005014308A1 (en) | Method of guiding a user in the diagnosis of complex systems such as in vehicles using a computer program to analyze the data and provide steps to carry out a diagnosis | |
DE112020007629T5 (en) | Method and device for detecting bearing errors based on the hearing properties of the human ear | |
DE102018210689A1 (en) | Method for determining a defect in a motor vehicle component as a function of an interference noise, and diagnostic system | |
DE102022121526B3 (en) | Method for acoustically checking a motor vehicle, in particular on a test bench, and test bench | |
DE102018009451A1 (en) | Method for checking at least one vehicle and electronic computing device | |
LU500099B1 (en) | modeling process | |
DE102013005405A1 (en) | Method and device for determining the acoustic properties of a vehicle interior | |
DE102021209414A1 (en) | Diagnosis of a motor vehicle in driving conditions by audio analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |