JP2021169973A

JP2021169973A - 異音評価システムおよび異音評価方法

Info

Publication number: JP2021169973A
Application number: JP2020073482A
Authority: JP
Inventors: 周玄山村; Shugen Yamamura; 慧三宅; Satoshi Miyake; 昌之岡本; Masayuki Okamoto; 亮松本; Akira Matsumoto; 成智三浦; Naritomo Miura
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2020-04-16
Filing date: 2020-04-16
Publication date: 2021-10-28
Anticipated expiration: 2040-04-16
Also published as: CN113532628A; US11749033B2; EP3896408A1; JP7294222B2; US20210327175A1; EP3896408B1

Abstract

【課題】車両に搭載される回転体を含む評価対象物の異音の有無を評価するに際して、人の官能評価と相関した高精度なシステムとする。【解決手段】異音評価システムは、車両走行音を取得し、取得した車両走行音を解析して解析データを生成する。続いて、解析データから車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて車両走行音の回転次数毎の特徴量を生成する。次に、評価対象物と同種の学習用対象物について生成された回転次数毎の特徴量と学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する。そして、評価対象物について生成された回転次数毎の特徴量を学習モデルに適用することにより評価対象物について異音の有無を評価し、評価結果を出力する。【選択図】図１

Description

本発明は、異音評価システムおよび異音評価方法に関する。

従来、この種の異音評価システムとしては、車両走行時における異音の有無を判定するものが提案されている（例えば、特許文献１参照）。このシステムでは、まず、車両走行音の録音し、録音した音データを周波数分析（ショートタイムＦＦＴ処理）して所定周波数範囲の周波数−音圧レベル波形を算出する。続いて、周波数−音圧レベル波形について各周波数毎の代表値（最頻値）を結んだ線をバックグラウンドノイズ推定値として算出し、バックグラウンドノイズ推定値を周波数−音圧レベル波形における音圧レベルの高位側に所定オフセット量だけオフセットさせ、これをしきい値レベルとして設定する。そして、周波数−音圧レベル波形においてしきい値レベルを超えた部分の面積を超過面積として算出し、超過面積と予め設定されている判定値とを比較することにより異音の有無を判定する。

特開２０１４−２２２１８９号公報

しかしながら、上述したシステムでは、異音の評価が必ずしも人の官能評価に相関するものではないため、評価結果が適正な結果とならない場合が生じる。このため、人の官能評価と相関する高精度な評価手法の開発が求められていた。

本発明の異音評価システムおよび異音評価方法は、車両に搭載される回転体を含む評価対象物の異音の有無を評価するに際して、人の官能評価と相関した高精度な異音評価システムおよび異音評価方法を提供することを主目的とする。

本発明の異音評価システムおよび異音評価方法は、上述の主目的を達成するために以下の手段を採った。

本発明の異音評価システムは、
車両に搭載される回転体を含む評価対象物について異音の有無を評価する異音評価システムであって、
車両走行音を取得し、取得した車両走行音を解析して解析データを生成する解析手段と、
前記解析データから前記車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて前記車両走行音の回転次数毎の特徴量を生成する特徴量生成手段と、
前記評価対象物と同種の学習用対象物について前記解析手段と前記特徴量生成手段とにより生成された回転次数毎の特徴量と前記学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する学習手段と、
前記評価対象物について前記解析手段と前記特徴量生成手段とにより生成された回転次数毎の特徴量を前記学習モデルに適用することにより前記評価対象物について異音の有無を評価する評価手段と、
前記評価手段による評価結果を出力する出力手段と、
を備えることを要旨とする。

この本発明の異音評価システムでは、車両走行音を取得し、取得した車両走行音を解析して解析データを生成する。続いて、解析データから車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて車両走行音の回転次数毎の特徴量を生成する。次に、評価対象物と同種の学習用対象物について生成された回転次数毎の特徴量と学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する。そして、評価対象物について生成された回転次数毎の特徴量を学習モデルに適用することにより評価対象物について異音の有無を評価し、その評価結果を出力する。学習用対象物について付与する評価結果を人の官能評価に基づいて決定することで、本発明の異音評価システムを、車両に搭載される回転体を含む評価対象物の異音の有無を評価するに際して、人の官能評価と相関したより高精度な評価システムとすることができる。

こうした本発明の異音評価システムにおいて、前記解析手段は、前記回転体の複数の回転数において前記車両走行音を取得し、取得した車両走行音を回転数毎に周波数解析することで前記解析データとして回転数毎および周波数毎の音圧を表わす音圧データを生成し、前記特徴量生成手段は、前記音圧データから前記回転次数成分を抽出するものとしてもよい。こうすれば、簡易な処理により車両走行音の回転次数成分を抽出することができる。

解析データとして音圧データを生成する態様の本発明の異音評価システムにおいて、前記特徴量生成手段は、前記音圧データに基づいて暗騒音成分を推定し、前記音圧データから前記暗騒音成分を除去したデータから前記回転次数成分を抽出するものとしてもよい。人は暗騒音よりも目立つ音を認知し易いと考えられる。このため、音圧データから暗騒音成分を除去したデータから回転次数成分を抽出し、その回転次数成分に基づいて生成される回転次数毎の特徴量で学習・評価することで、より高い精度で評価対象物について異音の有無を評価することができる。

この態様の本発明の異音評価システムにおいて、前記特徴量生成手段は、前記回転次数成分に対して回転次数毎に統計処理を施し、前記回転次数毎の統計値を前記回転次数毎の特徴量として生成するものとしてもよい。これにより、簡易な処理により予測の精度を高めることができる特徴量の決定が可能となり、一層高い精度で異音の有無を評価することができる。ここで、「統計値」には、平均値や分散、標準偏差、最小値、最大値などが含まれる。

また、解析データとして音圧データを生成する態様の本発明の異音評価システムにおいて、前記特徴量生成手段は、前記音圧データから前記回転次数毎に回転数と音圧との関係である第１関係の傾向を導出し、前記音圧データからオクターブ中心周波数における回転数と音圧との関係である第２関係の傾向を導出し、前記回転次数毎に前記第１関係の傾向と前記第２関係の傾向とを比較し、それぞれの比較結果を前記車両走行音の前記回転次数毎の特徴量として生成するものとしてもよい。人はオクターブ中心周波数を基準とした音の傾向の違いを聞いていると考えられる。このため、回転次数における回転数と音圧との関係（第１関係）の傾向とオクターブ中心周波数における回転数と音圧との関係（第２関係）の傾向とを比較してその比較結果を特徴量として学習・評価することで、より高い精度で評価対象物について異音の有無を評価することができる。

この態様の本発明の異音評価システムにおいて、前記特徴量生成手段は、前記第１関係の傾向として前記回転次数毎に回転数と音圧との関係に適用される第１回帰線の傾きを計算し、前記第２関係の傾向としてオクターブ中心周波数における回転数と音圧との関係に適用される第２回帰線の傾きを計算するものとしてもよい。この場合、前記特徴量生成手段は、前記回転次数毎に前記第１回帰線の傾きと前記第２回帰線の傾きとを乗算し、乗算値を前記車両走行音の前記回転次数毎の特徴量として生成するものとしてもよい。これにより、簡易な処理により予測の精度を高めることができる特徴量の決定が可能となり、一層高い精度で異音の有無を評価することができる。

また、本発明の異音評価システムにおいて、前記出力手段は、前記評価対象物についての評価結果と、前記回転次数毎の各特徴量の前記評価結果に対する寄与度とを出力するものとしてもよい。こうすれば、設計者は、各回転次数のうち特徴量の寄与度（重要度）が高い回転次数を確認することで評価対象物について修正すべき箇所を判断することが可能となり、設計が容易となる。

本発明の異音評価方法は、
車両に搭載される回転体を含む評価対象物について異音の有無を評価する異音評価方法であって、
車両走行音を取得し、取得した車両走行音を解析して解析データを生成する第１ステップと、
前記解析データから前記車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて前記車両走行音の回転次数毎の特徴量を生成する第２ステップと、
前記評価対象物と同種の学習用対象物について前記第１ステップと前記第２ステップとにより生成された回転次数毎の特徴量と前記学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する第３ステップと、
前記評価対象物について前記第１ステップと前記第２ステップとにより生成された回転次数毎の特徴量を前記学習モデルに適用することにより前記評価対象物について異音の有無を評価する第４ステップと、
を備えることを要旨とする。

この本発明の異音評価方法では、車両走行音を取得し、取得した車両走行音を解析して解析データを生成する。続いて、解析データから車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて車両走行音の回転次数毎の特徴量を生成する。次に、評価対象物と同種の学習用対象物について生成された回転次数毎の特徴量と学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する。そして、評価対象物について生成された回転次数毎の特徴量を学習モデルに適用することにより評価対象物について異音の有無を評価する。学習用対象物について付与する評価結果を人の官能評価に基づいて決定することで、本発明の異音評価方法を、車両に搭載される回転体を含む評価対象物の異音の有無を評価するに際して、人の官能評価と相関したより高精度な評価方法とすることができる。

本発明の第１実施例としての異音評価システムの概略構成図である。学習行程の一例を示すフローチャートである。評価音のキャンベル線図の一例を示す説明図である。不要項目削除・回転数整形処理の処理前データと処理後データとを示す説明図である。特徴量生成処理の一例を示すフローチャートである。暗騒音成分の一例を示す説明図である。音圧元データから暗騒音成分を除去する様子を示す説明図である。暗騒音成分を除去した後の音圧データの各注目次数における次数線上の突出量を示す説明図である。注目次数毎および統計値毎の特徴量の一例を示す説明図である。教師データの一例を示す説明図である。評価行程の一例を示す説明図である。評価結果の一例を示す説明図である。第２実施例の特徴量生成処理を示すフローチャートである。音圧元データの注目次数毎の回転数と音圧レベルとの関係に適用される一次回帰式を示す説明図である。音圧元データのオクターブ中心周波数毎の回転数と音圧レベルとの関係に適用される一次回帰式を示す説明図である。注目次数毎およびオクターブ中心周波数毎の特徴量（計算式）を示す説明図である。基準音（暗騒音）と評価音との比較例を示す説明図である。第２実施例の教師データを示す説明図である。第２実施例の評価結果を示す説明図である。

次に、本発明を実施するための形態を実施例を用いて説明する。

図１は、本発明の第１実施例としての異音評価システムの概略構成図である。実施例の異音評価システム１０は、車両に搭載される回転体を含む評価対象物、例えば、エンジンを備える自動車において当該エンジンにより駆動されるギヤオイルポンプからの異音（ギヤの歯数の整数倍に等しい次数（以下、注目次数という）で発生する異音）の有無を評価するものとして構成されるものである。この異音評価システム１０は、図示するように、複数のマイクロフォン１１ａ〜１１ｄと、各マイクロフォン１１ａ〜１１ｄで収集された音を解析する解析装置１２と、得られた解析データを処理するコンピュータ２０と、を備える。複数のマイクロフォン１１ａ〜１１ｄは、車両における評価対象物（ギヤオイルポンプ）の近傍にそれぞれ設置され、複数の回転数において車両の走行音を評価対象物の評価すべき評価音として収集する。解析装置１２は、複数のマイクロフォン１１ａ〜１１ｄでそれぞれ収集された評価音を回転数毎に高速フーリエ変換（ＦＦＴ）する。

コンピュータ２０は、入力装置としてキーボードやマウスを備えると共に出力装置としてディスプレイ２１を備えた汎用のパーソナルコンピュータに専用のアプリケーションソフトウエアがインストールされたものとして構成されている。コンピュータ２０は、人工知能モジュール３０を備え、解析装置１２からの評価音の音データを学習済みの人工知能（学習モデル）に適用することで、評価音に異音が含まれるか否かを評価する。人工知能モジュール３０は、解析装置１２から入力された評価音の音データを後段の処理に適したデータに調整する前処理部３１と、音データから評価音の特徴量を生成する特徴量生成部３２と、教師有り学習により学習モデルを生成する学習部３３と、評価対象物の評価音を学習モデルに適用することで評価対象物を評価する評価部３４と、を有する。

次に、こうして構成された異音評価システム１０の動作について説明する。特に、評価対象物と同種の学習用対象物について学習モデルを生成する学習行程と、評価対象物について評価音に異音が含まれるか否かを評価する評価行程とを説明する。まず、学習行程について説明する。

図２は、学習行程の一例を示すフローチャートである。学習行程では、まず、評価対象物と同種の学習用対象物についての製品の形状設計や出図を行ない（ステップＳ１００）、これに基づく製品の製作と車両への組み付けとを行なう（ステップＳ１１０）。続いて、学習用対象物を搭載する車両に複数のマイクロフォン１１ａ〜１１ｄを設置し、学習用対象物の所定回転数範囲（例えば１０００〜７０００ｒｐｍ）における複数の回転数で車両の走行音をマイクロフォン１１ａ〜１１ｄにより収集して記録する（ステップＳ１２０）。具体的には、アクセルオフによるエンジンブレーキを作動させた状態で第１車速から第１車速よりも低い第２車速に至るまで走行しながらその走行音を複数（４つ）のマイクロフォン１１ａ〜１１ｄでそれぞれ収集（録音）する。また、異なる学習対象物を搭載した車両を同様に第１車速から第２車速に至るまで走行させ、それぞれの車両の走行音を複数のマイクロフォン１１ａ〜１１ｄでそれぞれ収集（録音）する。これにより、学習用対象物の数をｎとし、使用するマイクロフォン１１ａ〜１１ｄの数をｍとすると、ｎ×ｍの数の音データが生成されることになる。これらの音データは、学習用対象物についての評価すべき評価音として解析装置１２へ出力される。

解析装置１２は、入力した評価音を回転数毎に高速フーリエ変換（ＦＦＴ）すると共に変換したデータを人の聴覚特性を考慮してＡ特性変換する（ステップＳ１３０）。これにより、マイクロフォン１１ａ〜１１ｄで収集された複数の評価音は、それぞれ回転数毎および周波数毎の音圧レベルを表わすキャンベル線図（図３参照）に対応した音圧データに変換される。解析装置１２により変換された複数の音圧データは、所定形式のデータファイル（ＣＳＶファイル）としてコンピュータ２０（人工知能モジュール３０）へそれぞれ出力される。

解析装置１２から複数の評価音の音圧データが人工知能モジュール３０に入力されると、人工知能モジュール３０の前処理部３１は、入力された各評価音の音圧データのうち不要項目を削除する不要項目削除処理を行なうと共に回転数を整形する回転数整形処理を行なう（ステップＳ１４０）。不要項目削除処理は、例えば、図４に示すように、データファイルの先頭に含まれるヘッダ情報を削除する処理が該当する。また、回転数整形処理は、例えば、図４に示すように、データファイル中の回転数の測定値が一定値刻みとなるように丸める丸め処理が該当する。これにより、複数の評価音の音圧データにおいてデータ毎にそれぞれ異なる回転数の値を揃えることができ、後段の処理を適正に行なうことができる。なお、丸め処理は、例えば、全測定値について前後の差分をとり、最大差分値の半分の値で丸めることにより行なうことができる。これにより、適正な丸め値を自動的に生成することができる。

続いて、前処理部３１は、各評価音の音圧データの処理範囲（後段の処理で使用するデータの範囲）を指定する（ステップＳ１５０）。この処理は、音圧データの全回転数範囲と全周波数範囲とのうち解析に使用する回転数範囲と周波数範囲とを指定する処理である。例えば、音圧データの全回転数範囲が１０００〜７０００ｒｐｍである場合、２０００ｒｐｍ前後から４５００ｒｐｍ前後までの回転数範囲を処理範囲として指定し、データの全周波数範囲が２５〜２０ｋＨｚである場合、２ｋ〜１０ｋＨｚ程度の周波数範囲を指定することができる。これにより、処理範囲を絞ることで計算量を減らして解析に要する時間を短縮することができる。また、全周波数範囲のうちＦＦＴで誤差が生じ易い周波数範囲の端部や人の可聴域のうち感度の低い低周波数範囲を削除することで、後段の処理を適正に行なうことができる。前処理部３１で前処理が施された各評価音の音圧データは、特徴量生成部３２へ出力される。

特徴量生成部３２は、各評価音の音圧データを入力すると、入力した音圧データに基づいて各評価音の特徴量を生成する（ステップＳ１６０）。図５は、特徴量生成処理の一例を示すフローチャートである。特徴量生成処理では、特徴量生成部３２は、まず、各評価音の音圧データ（音圧元データ）に含まれる暗騒音成分を計算する（ステップＳ２００）。この処理は、図６に示すように、回転数毎の周波数と音圧レベルとの関係に所定次数の回帰線（例えば、３次や４次）を適用し、適用した回帰線上の値を対応する回転数および対応する周波数における暗騒音（周辺音）の音圧レベルとみなすことにより行なわれる。これにより、暗騒音を直接に録音することが困難な場合であっても、適正な暗騒音を推定することができる。続いて、音圧元データから暗騒音成分を除去する（ステップＳ２１０）。この処理は、図７に示すように、回転数（ｒｐｍ）および周波数（Ｈｚ）のうち一方を行成分とし他方を列成分とした音圧レベルの隣接行列（キャンベル線図に相当）において、音圧元データの音圧レベルの値から、暗騒音の音圧レベルの値を減算することにより行なわれる。したがって、音圧元データから暗騒音成分を減算して得られる音圧データの値は、暗騒音の音圧レベルよりも突出した値（突出量）となる。次に、音圧元データから暗騒音成分を減算して得られる音圧データから次数線上の値（突出量）を抽出する（ステップＳ２２０）。図３に示すキャンベル線図を考えると、同一次数の成分は、右斜め上に延びる直線上に表われる。したがって、図８に示すように、キャンベル線図に相当する音圧データの隣接行列において、学習用対象物の注目次数α，β，…と一致する次数の範囲を右斜め上の直線上に指定し、指定した範囲において値を抽出することにより次数線上の突出量を抽出することができる。そして、抽出した次数線上の突出量に統計処理を施すことにより注目次数α，β，…毎に統計値を計算すると共に得られた統計値を対応する注目次数α，β，…の特徴量に設定して（ステップＳ２３０）、特徴量生成処理を終了する。本実施例では、統計処理は、注目次数α，β，…毎に、次数線上の突出量の平均値、分散、標準偏差、最小値および最大値のうちの一部または全部をそれぞれ計算することにより行なわれる。なお、注目次数α，β，…毎および統計値毎の特徴量の一例を図９に示す。こうした処理を各評価音について繰り返し実行することにより、各評価音の特徴量が設定される。特徴量生成部３２により生成された各評価音の特徴量は、学習部３３へ出力される。

図２の学習行程に戻って、学習部３３は、各評価音の特徴量に基づいて各評価音についての教師データを作成する（ステップＳ１７０）。教師データの一例を図１０に示す。図示するように、教師データは、異なる複数（ｎ個）の学習用対象物についてそれぞれ複数（ｍ個）のマイクロフォン１１ａ〜１１ｄで録音して得られた複数（ｎ×ｍ個）の評価音において、それぞれ、評価音の特徴量（各統計値）を入力とすると共にその評価音について予め人による官能評価が行なわれて付与された評点を出力とした入出力の組として作成される。そして、作成した各評価音についての教師データを使用して機械学習（教師有り学習）を行なうことで、入力と出力との関係である学習モデルを生成して（ステップＳ１８０）、学習行程が完了する。学習部３３の学習アルゴリズムとしては、例えば、決定木やランダムフォレスト、ｋ近傍法、ロジスティック回帰、サポートベクターマシン（ＳＶＭ）、ニューラルネットワーク（ＮＮ）、ディープラーリングなどの種々の手法を用いることができる。しかし、本実施例では、精度が高く、モデルが可視化し易く、複数の特徴量を含むデータに対して評価を行なう際に各特徴量の重要度（評点に対する各特徴量の寄与率）を算出可能であることなどから、ランダムフォレストを用いるものとした。

次に、評価行程について説明する。図１１は、評価行程の一例を示す説明図である。評価行程のステップＳ２００〜２６０は、処理対象が学習用対象物の評価音ではなく評価対象物の評価音である点を除いて、上述した学習行程のステップＳ１００〜Ｓ１６０と同様であるため、その説明を省略する。

ステップＳ２７０において、評価部３４は、評価対象物についての注目次数α，β，…毎および統計値（分散や平均値、最大値など）毎の各特徴量を入力として、学習行程により生成された学習モデルに適用することにより出力としての評点を導出する（ステップＳ３００）。上述したように、学習アルゴリズムとして用いるランダムフォレストは複数の決定木を組み合わせるため、評価音の評点に加えて、各特徴量の評点に対する寄与率（重要度）も導出することができる。そして、導出した評点と寄与率とをディスプレイ２１に出力して（ステップＳ３１０）、ステップＳ２００に戻り、評価結果に基づく修正設計等を行なう。評価結果の一例を図１２に示す。図示するように、評価結果は、評価対象物の異音の有無についての評点（例えば、最高点を５．０として０．１刻みで評価し、３．０以上が合格）と、評価対象物の各注目次数α，β，…毎および統計値（分散や平均値、最大値など）毎に導出された寄与率とが出力される。これにより、設計者は、注目次数α，β，…のうち寄与率が高い次数がどの次数であるかや高い寄与率がその次数のどの統計値にあらわれているかを確認することにより、評価対象物について修正すべき箇所を判断することが可能となり、設計が容易となる。

このように、第１実施例では、車両の走行音（評価音）を回転数毎に周波数分析して得られた音圧元データから暗騒音成分を除く。続いて、暗騒音成分を除いた音圧データの各注目次数における次数線上の値（暗騒音成分よりも突出した突出量）を抽出する。そして、抽出した突出量に基づいて評価音の注目次数毎の特徴量を設定する。このようにするのは、人は暗騒音（基準音）よりも目立つ音を認知し易いと考えられることに基づく。したがって、暗騒音成分を超える次数線上の突出量に基づいて特徴量を設定して学習・評価を行なうことで、評価対象物の異音の有無について高い精度で評価することができる。

以上説明した第１実施例の異音評価システム１０では、車両走行音を取得し、取得した車両走行音を解析して解析データを生成する。続いて、解析データから車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて車両走行音の回転次数毎の特徴量を生成する。次に、学習用対象物について生成された回転次数毎の特徴量と学習用対象物について予め付与された評点との組み合わせを教師データとして学習モデルを生成する。そして、評価対象物について生成された回転次数毎の特徴量を学習モデルに適用することにより評価対象物について異音の有無を評価し、その評価結果を出力する。これにより、本実施例の異音評価システム１０を、車両に搭載される回転体を含む評価対象物について、人の官能評価と相関したより高精度な評価システムとすることができる。

また、第１実施例の異音評価システム１０では、複数の回転数において車両走行音（評価音）を取得し、取得した車両走行音を回転数毎に周波数解析することで回転数毎および周波数毎の音圧レベルを表わす音圧元データを生成する。そして、音圧元データから次数線上の値を回転次数成分として抽出する。これにより、簡易な処理により車両走行音の回転次数成分を抽出することができる。

さらに、第１実施例の異音評価システム１０では、音圧元データから暗騒音成分を推定し、音圧元データから暗騒音成分を除去し、残りの音圧データから車両走行音の回転次数成分を抽出する。人は暗騒音よりも目立つ音を認知し易いと考えられる。このため、音圧データから暗騒音成分を除去したデータから回転次数成分を抽出し、その回転次数成分に基づいて生成される回転次数毎の特徴量で学習・評価することで、より高い精度で評価対象物について異音の有無を評価することができる。

また、第１実施例の異音評価システム１０では、回転次数成分に対して回転次数毎に統計処理を施し、回転次数毎に得られた統計値を回転次数毎の特徴量として生成する。これにより、簡易な処理により推定の精度を高めることができる特徴量の決定が可能となり、一層高い精度で異音の有無を評価することができる。

また、第１実施例の異音評価システム１０では、複数の特徴量を学習モデルに適用することで評価結果として、複数の特徴量のそれぞれの重要度（特徴量の評価結果に対する寄与度）を出力する。これにより、設計者は、各回転次数のうち特徴量の重要度が高い回転次数を確認することで評価対象物について修正すべき箇所を判断することが可能となり、設計が容易となる。

第２実施例の異音評価システムでは、評価音を回転数毎に周波数分析して得られた音圧元データにおいて、注目次数毎の次数線上の回転数と音圧レベルとの関係の傾向と、オクターブ中心周波数での回転数と音圧レベルとの関係の傾向とを比較することにより、その比較結果を注目次数毎の特徴量として設定する。

図１３は、第２実施例の特徴量生成処理を示すフローチャートである。なお、特徴量生成処理を除く学習行程や評価行程については、第１実施例と同様であり、重複するから説明を省略する。第２実施例の特徴量生成処理では、まず、解析装置１２により回転数毎に周波数分析して得られた回転数毎および周波数毎の音圧レベルを表わす音圧データ（暗騒音成分を除いていない音圧元データ）に対して、各注目次数α，β，…の次数線上の値（音圧レベル）を抽出する（ステップＳ４００）。続いて、注目次数α，β，…毎に、抽出した次数線上の値における回転数と音圧レベルとの関係に一次回帰線を適用することにより一次回帰線の傾きａα，ａβ，…を計算する（ステップＳ４１０）。音圧元データの注目次数毎の回転数と音圧レベルとの関係に適用される一次回帰式を図１４に示す。次に、オクターブ中心周波数（２ｋＨｚ，４ｋＨｚ，８ｋＨｚ）毎に、オクターブ中心周波数での各回転数における音圧レベルを抽出し、回転数と音圧レベルとの関係に一次回帰線を適用することにより一次回帰線の傾きａ₂₀₀₀，ａ₄₀₀₀，ａ₈₀₀₀を計算する（ステップＳ４２０）。音圧元データのオクターブ中心周波数毎の回転数と音圧レベルとの関係に適用される一次回帰式（一次回帰線）を図１５に示す。そして、注目次数毎およびオクターブ中心周波数毎に両傾きを乗算し、その乗算値を注目次数毎およびオクターブ中心周波数毎の特徴量に設定して（ステップＳ４３０）、特徴量生成処理を終了する。なお、注目次数毎およびオクターブ中心周波数毎の特徴量（計算式）の一例を図１６に示す。

このように、第２実施例では、評価音の各回転数毎および各周波数毎の音圧レベルを表わす音圧データに対して、注目次数における次数線上の回転数と音圧レベルとの関係に適用される一次回帰線の傾き（評価音）と、オクターブ中心周波数での回転数と音圧レベルとの関係に適用される一次回帰線の傾き（基準音）とを計算する。そして、注目次数毎およびオクターブ中心周波数毎に両傾き（傾向）を乗算することにより、注目次数毎およびオクターブ中心周波数毎に乗算値を特徴量として設定する。これは、人は基準音（オクターブ中心周波数）との時間変化の違いを認知し易いと考えられることに基づく。したがって、図１７（ａ），（ｂ）に示すように、基準音と評価音の傾き（傾向）が同方向を示す場合には、人は評価音を異音として感じ難い一方、図１７（ｃ），（ｄ）に示すように、基準音と評価音の時間的な傾き（傾向）が逆方向を示す場合には、人は評価音を異音として感じ易い。こうした観点から、第２実施例では、学習用対象物についての注目次数毎およびオクターブ中心周波数毎の乗算値を特徴量として設定し、学習用対象物について予め付与された評点との組を教師データ（図１８参照）として機械学習を行なって学習モデルを生成する。そして、評価対象物についての注目次数毎およびオクターブ中心周波数毎の乗算値を特徴量として学習モデルに適用することにより、第１実施例と同様に、評価対象物の異音の有無について高い精度で評価することができる。なお、第２実施例の評価結果の一例を図１９に示す。図示するように、評価結果は、評価対象物の異音の有無についての評点と、評価対象物の各注目次数α，β，…毎およびオクターブ中心周波数（２０００Ｈｚ，４０００Ｈｚ，８０００Ｈｚ）毎に導出された寄与率とが出力される。これにより、設計者は、注目次数α，β，…のうち寄与率が高い次数がどの次数であるかや高い寄与率がその次数のどのオクターブ中心周波数にあらわれているかを確認することにより、評価対象物について修正すべき箇所を判断することが可能となり、設計が容易となる。

上述した第２実施例では、比較計算を乗算により行なうものとしたが、減算によって行なうものとしてもよい。すなわち、注目次数における次数線上の回転数と音圧レベルとの関係の傾向とオクターブ中心周波数での回転数と音圧レベルとの関係の傾向とを比較できるものであれば、如何なる計算方法を用いるものとしてもよい。

なお、第１実施例や第２実施例では、本発明を異音評価システムに適用して説明したが、異音評価方法の形態としてもよい。

実施例の主要な要素と課題を解決するための手段の欄に記載した発明の主要な要素との対応関係について説明する。実施例では、解析装置１２が「解析手段」に相当し、人工知能モジュール３０の特徴量生成部３２が「特徴量生成手段」に相当し、人工知能モジュール３０の学習部３３が「学習手段」に相当し、人工知能モジュール３０の評価部３４が「評価手段」に相当し、ディスプレイ２１が「出力手段」に相当する。

なお、実施例の主要な要素と課題を解決するための手段の欄に記載した発明の主要な要素との対応関係は、実施例が課題を解決するための手段の欄に記載した発明を実施するための形態を具体的に説明するための一例であることから、課題を解決するための手段の欄に記載した発明の要素を限定するものではない。即ち、課題を解決するための手段の欄に記載した発明についての解釈はその欄の記載に基づいて行なわれるべきものであり、実施例は課題を解決するための手段の欄に記載した発明の具体的な一例に過ぎないものである。

以上、本発明を実施するための形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において、種々なる形態で実施し得ることは勿論である。

本発明は、異音評価システムの製造産業に利用可能である。

１０異音評価システム、１１ａ〜１１ｄマイクロフォン、１２解析装置、２０コンピュータ、２１ディスプレイ、３０人工知能モジュール、３１前処理部、３２特徴量生成部、３３学習部、３４評価部。

Claims

車両に搭載される回転体を含む評価対象物について異音の有無を評価する異音評価システムであって、
車両走行音を取得し、取得した車両走行音を解析して解析データを生成する解析手段と、
前記解析データから前記車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて前記車両走行音の回転次数毎の特徴量を生成する特徴量生成手段と、
前記評価対象物と同種の学習用対象物について前記解析手段と前記特徴量生成手段とにより生成された回転次数毎の特徴量と前記学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する学習手段と、
前記評価対象物について前記解析手段と前記特徴量生成手段とにより生成された回転次数毎の特徴量を前記学習モデルに適用することにより前記評価対象物について異音の有無を評価する評価手段と、
前記評価手段による評価結果を出力する出力手段と、
を備える異音評価システム。
請求項１に記載の異音評価システムであって、
前記解析手段は、前記回転体の複数の回転数において前記車両走行音を取得し、取得した車両走行音を回転数毎に周波数解析することで前記解析データとして回転数毎および周波数毎の音圧を表わす音圧データを生成し、
前記特徴量生成手段は、前記音圧データから前記回転次数成分を抽出する、
異音評価システム。
請求項２に記載の異音評価システムであって、
前記特徴量生成手段は、前記音圧データに基づいて暗騒音成分を推定し、前記音圧データから前記暗騒音成分を除去したデータから前記回転次数成分を抽出する、
異音評価システム。
請求項３に記載の異音評価システムであって、
前記特徴量生成手段は、前記回転次数成分に対して回転次数毎に統計処理を施し、前記回転次数毎の統計値を前記回転次数毎の特徴量として生成する、
異音評価システム。
請求項２に記載の異音評価システムであって、
前記特徴量生成手段は、前記音圧データから前記回転次数毎に回転数と音圧との関係である第１関係の傾向を導出し、前記音圧データからオクターブ中心周波数における回転数と音圧との関係である第２関係の傾向を導出し、前記回転次数毎に前記第１関係の傾向と前記第２関係の傾向とを比較し、それぞれの比較結果を前記車両走行音の前記回転次数毎の特徴量として生成する、
異音評価システム。
請求項５に記載の異音評価システムであって、
前記特徴量生成手段は、前記第１関係の傾向として前記回転次数毎に回転数と音圧との関係に適用される第１回帰線の傾きを計算し、前記第２関係の傾向としてオクターブ中心周波数における回転数と音圧との関係に適用される第２回帰線の傾きを計算する、
異音評価システム。
請求項６に記載の異音評価システムであって、
前記特徴量生成手段は、前記回転次数毎に前記第１回帰線の傾きと前記第２回帰線の傾きとを乗算し、乗算値を前記車両走行音の前記回転次数毎の特徴量として生成する、
異音評価システム。
請求項１ないし７いずれか１項に記載の異音評価システムであって、
前記出力手段は、前記評価対象物についての評価結果と、前記回転次数毎の各特徴量の前記評価結果に対する寄与度とを出力する、
異音評価システム。
車両に搭載される回転体を含む評価対象物について異音の有無を評価する異音評価方法であって、
車両走行音を取得し、取得した車両走行音を解析して解析データを生成する第１ステップと、
前記解析データから前記車両走行音の回転次数成分を抽出し、抽出した回転次数成分に基づいて前記車両走行音の回転次数毎の特徴量を生成する第２ステップと、
前記評価対象物と同種の学習用対象物について前記第１ステップと前記第２ステップとにより生成された回転次数毎の特徴量と前記学習用対象物について予め付与された評価結果との組み合わせを教師データとして学習モデルを生成する第３ステップと、
前記評価対象物について前記第１ステップと前記第２ステップとにより生成された回転次数毎の特徴量を前記学習モデルに適用することにより前記評価対象物について異音の有無を評価する第４ステップと、
を備える異音評価方法。