KR20210147155A - 조향계 소음 판별 장치 - Google Patents

조향계 소음 판별 장치 Download PDF

Info

Publication number
KR20210147155A
KR20210147155A KR1020200063820A KR20200063820A KR20210147155A KR 20210147155 A KR20210147155 A KR 20210147155A KR 1020200063820 A KR1020200063820 A KR 1020200063820A KR 20200063820 A KR20200063820 A KR 20200063820A KR 20210147155 A KR20210147155 A KR 20210147155A
Authority
KR
South Korea
Prior art keywords
noise
steering system
neural network
network model
microphone
Prior art date
Application number
KR1020200063820A
Other languages
English (en)
Inventor
서재용
남규환
조현철
Original Assignee
현대모비스 주식회사
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 현대모비스 주식회사 filed Critical 현대모비스 주식회사
Priority to KR1020200063820A priority Critical patent/KR20210147155A/ko
Priority to DE102020134555.0A priority patent/DE102020134555A1/de
Priority to US17/135,503 priority patent/US11945521B2/en
Priority to CN202011601055.XA priority patent/CN113739905A/zh
Publication of KR20210147155A publication Critical patent/KR20210147155A/ko

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
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D5/00—Power-assisted or power-driven steering
    • B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
    • B62D5/0457—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such
    • B62D5/0481—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such monitoring the steering system, e.g. failures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • B62D15/0205—Mechanical indicators, e.g. in or near steering wheel
    • 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
    • G01M17/06—Steering behaviour; Rolling behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D5/00—Power-assisted or power-driven steering
    • B62D5/04—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear
    • B62D5/0457—Power-assisted or power-driven steering electrical, e.g. using an electric servo-motor connected to, or forming part of, the steering gear characterised by control features of the drive means as such
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Abstract

조향계에서 발생하는 소음을 검출하는 마이크; 상기 마이크에서 검출된 조향계의 소음 데이터를 사전 학습된 신경망 모델에 적용하여 상기 마이크에서 검출된 조향계의 소음이 발생한 위치 또는 부품을 판단하는 처리부; 및 상기 사전 학습된 신경망 모델을 저장하는 저장부를 포함하는 조향계 소음 판별 장치가 개시된다.

Description

조향계 소음 판별 장치{APPARATUS OF DAIGNOSING NOISE QUALITY OF MOTOR}
본 발명은 차량의 조향계 소음 판별 장치에 관한 것으로, 더욱 상세하게는 신경망 모델을 이용하여 조향계 소음이 발생하는 위치 및 부품을 판단할 수 있는 조향계 소음 판별 장치에 관한 것이다.
차량의 조향계는 운전자의 스티어링 휠 조작에 따른 차량의 주행 방향을 조정하는 시스템으로, 최근 MDPS(Motor Driven Power Steering) 또는 EPS(Electric Power Steering) 등으로 알려진 모터의 동력을 이용하여 운전자의 조타력을 보조하는 장치가 적용되고 있다.
이러한 모터 동력을 이용한 파워 스티어링 시스템은, 기본적으로 모터, 스티어링 기어박스, 토크센서, 전자 컨트롤 유닛(ECU)을 포함할 수 있다. 컨트롤 유닛은, 토크센서를 통해 스티어링 휠의 회전력을 감지하여 차속에 따라 모터에 전류를 인가하여 스티어링 휠의 토크를 제어하며, 스티어링 기어박스는 스티어링 샤프트를 통하여 구동력을 전달받아 회전방향을 변환하여, 릴레이 로드, 타이 로드, 너클암 등으로 구성된 암을 통해 전륜을 회전시킬 수 있다.
파워 스티어링 시스템은 모터의 동력을 적절히 전달하기 위해 감속기와 컬럼 및 조인트 등을 사용하게 되므로, 이러한 부품들이 서로 연결되는 부위나 부품 자체에서 다양한 이음 또는 소음이 발생할 수 있다.
종래에는 이러한 조향계에서 발생하는 이음 또는 소음의 위치나 부품의 판별을 위해 평가 전문가가 고가의 분석 장비를 이용하여 분석하는 방식이 적용되었다. 더욱 구체적으로 종래에는, 조향계의 이음이나 소음을 재현시키고 평가 전문가가 해당 이음/소음의 위치를 추정한 후 해당 위치에 센서를 부착한 후 센서의 센싱값을 분석하는 방식이 사용되었다.
이러한 종래의 방식은, 분석 전문가가 개인적인 판단에 의한 추정이 이루어지므로 전문가 마다 분석 역량의 편차가 크며 오정비가 발생할 가능성이 매우 높다. 또한, 직접 이음/소음 발생이 예상되는 부품에 센서를 장탈착하고 다시 소음을 재현하는 등 분석에 소요되는 시간이 매우 길어지는 문제가 발생한다. 또한, 종래에는, 이음/소음 발생이 예상되는 부품마다 분석을 하게 되므로 과정비가 발생하게 되는 문제가 있다.
상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.
이에 본 발명은, 신경망 모델을 이용하여 조향계의 이음/소음을 단순히 마이크를 통해 수집하고 수집된 정보를 훈련된 인공 신경망 모델에 적용하여 조향계 내에서 이음/소음이 발생하는 위치 및 부품을 용이하게 판단할 수 있는 조향계 소음 판별 장치를 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
조향계에서 발생하는 소음을 검출하는 마이크;
상기 마이크에서 검출된 조향계의 소음 데이터를 사전 학습된 신경망 모델에 적용하여 상기 마이크에서 검출된 조향계의 소음이 발생한 위치 또는 부품을 판단하는 처리부; 및
상기 사전 학습된 신경망 모델을 저장하는 저장부;
를 포함하는 조향계 소음 판별 장치를 제공한다.
본 발명의 일 실시형태에서, 상기 처리부는, 상기 마이크에서 검출된 조향계의 소음 데이터를 시간 차원에서 주파수 차원으로 변환하는 전처리를 수행하고, 전처리된 데이터를 상기 신경망 모델의 입력으로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 처리부는, 상기 마이크에서 검출된 조향계의 소음 데이터에 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하여 상기 마이크에서 검출된 조향계의 소음의 주파수 특성을 추출하는 전처리를 수행하고, 전처리된 데이터를 상기 신경망 모델의 입력으로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 처리부는, 상기 마이크에서 검출된 조향계의 소음 데이터를 시간 차원에서 주파수 차원으로 변환한 이미지를 생성하는 전처리를 수행하고 전처리에 의해 생성된 이미지를 상기 신경망 모델의 입력으로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 처리부는, 상기 마이크에서 검출된 조향계의 소음 데이터에 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하여 상기 마이크에서 검출된 조향계의 소음의 주파수 특성을 추출하고 추출된 주파수 특성을 이미지로 생성하는 전처리를 수행하고, 전처리에 의해 생성된 이미지를 상기 신경망 모델의 입력으로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 처리부는, 상기 전처리에 의해 생성된 이미지의 일부 영역을 상기 신경망 모델의 입력으로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 신경망 모델은, 컨벌루션 레이어, 풀링(Pooling) 레이어 및 전연결(Fully Connected) 레이어를 포함하는 컨벌루션 신경망 모델일 수 있다.
본 발명의 일 실시형태에서, 상기 컨벌루션 레이어는, 상기 전처리에 의해 생성된 이미지의 특징을 추출하기 위해 상기 전처리에 의해 생성된 이미지에 필터를 적용하여 컨벌루션 연산을 수행하여 특징 지도를 작성하고, 상기 풀링 레이어는 상기 컨벌루션 레이어에서 작성된 특징 지도에서 영역별 대표값을 추출하여 상기 특징 지도의 사이즈를 감소시키며, 상기 전연결 레이어는 활성화 함수를 이용하여 특징을 더 강조하고 분류하며, 상기 출력 레이어는 상기 전연결 레이어의 분류 결과에 기반하여 조향계의 이음/소음에 따른 소음 발생 위치 또는 부품을 결정하여 출력할 수 있다.
본 발명의 일 실시형태에서, 상기 처리부 및 상기 저장부는 태블릿 PC의 형태로 구현될 수 있다.
상기 조향계 소음 판별 장치에 따르면, 차량 조향계에서 발생하는 소음을 마이크를 통해 검출한 후 검출된 음성 데이터를 신경망 모델에 적용하기만 하면 조향계 이음/소음의 위치나 부품에 대한 판단 결과를 획득할 수 있으므로, 소음 진단을 위한 시간을 현저하게 감소시킬 수 있다.
또한, 상기 조향계 소음 판별 장치에 따르면, 소음 판단을 위한 소음 전문가나 소음 진단 장치가 필요하지 않으며 소음 발생 위치 또는 부품을 판별하기 위해 직접 해당 부품을 하나씩 교환해볼 필요가 없으므로 소음 판별을 위한 비용과 과정비/오정비 발생을 감소시킬 수 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치에 의한 이음/소음 발생 위치 판별의 대상이 되는 조향계를 계략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 블록 구성도이다.
도 3은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부의 동작을 도시한 흐름도이다.
도 4는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부의 고속 푸리에 변환의 결과를 나타낸 스펙트로그램(spectrogram)의 일례를 도시한 그래프이다.
도 5는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부에 의해 최종적으로 생성된 스펙트로그램의 일례를 도시한 그래프이다.
도 6은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치에 적용되는 신경망 모델의 일례를 도시한 도면이다.
도 7은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 구현예를 도시한 도면이다.
이하, 첨부의 도면을 참조하여 다양한 실시 형태에 따른 조향계 소음 판별 장치를 상세하게 설명하기로 한다.
본 발명의 여러 실시형태에 따른 조향계 소음 판별 장치는, 조향계를 구성하는 각 부품 중 이음/소음을 발생시키는 위치나 부품을 판단하기 위한 신경망 모델을 수립하고, 마이크 등을 통해 수집된 조향계의 이음/소음과 그 발생 위치를 포함하는 학습 데이트를 이용하여 신경망 모델을 학습시킨 후, 학습된 신경망 모델에 판별 대상 조향계의 이음/소음 데이터를 입력시켜 입력된 데이터에 따른 이음/소음 위치를 판단하도록 한다.
도 1은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치에 의한 이음/소음 발생 위치 판별의 대상이 되는 조향계를 계략적으로 도시한 도면이다.
도 1에 도시된 조향계는 조향 컬럼(11)에 파워 스티어링을 위한 모터 유닛(12)이 구비된 소위 C-MDPS(Column mounted Motor Driven Power Steering)이 적용된 조향계이다. 도 1은 비록 C-MDPS가 적용된 조향계를 도시하고 있으나, 이는 본 발명이 적용될 수 있는 여러 형태의 조향계 중 하나를 예시적으로 도시한 것일 뿐, 본 발명이 이에 한정되는 것은 아니다.
도 1을 참조하면, 운전자가 스티어링 휠을 회전시키면 토크 센서가 운전자에 의한 토크를 검출하고 그 검출값을 조향계 제어 유닛으로 전달한다. 조향계 제어 유닛은 검출된 토크에 대응되는 조타력을 발생시키도록 모터 유닛(12)을 제어하면 모터 유닛(12)에 의해 조향 컬럼(11)에 조타력이 발생하게 된다. 모터 유닛(12)에 의해 발생한 조타력은 유니버셜 조인트(14)를 구비하는 링크 바를 통해 기어박스(16)에 전달되고 기어박스(16) 내의 랙앤피니언 구조에 의해 회전 운동이 직선 운동으로 변환되어 조향이 이루어지게 된다.
이와 같은 조향계 구조에서는 주로 모터 유닛(12)에 구비된 감속기(13)와 유니버셜 조인트(14) 및 기어 박스(16) 내의 랙바를 지지하는 요크(15) 등에서 이음/소음이 발생할 수 있다.
본 발명의 일 실시형태에서는, 이러한 조향계에서 발생하는 이음/소음 데이터 및 해당 이음/소음 데이터가 발생하는 위치 또는 부품에 대한 정보를 사전에 수집하여 신경망 모델을 학습시키기 위한 학습 데이터로 이용할 수 있다.
도 2는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 블록 구성도이다.
도 2를 참조하면, 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치는, 조향계에서 발생하는 이음/소음을 검출하는 마이크(100)와, 마이크(100)에서 검출된 조향계의 이음/소음을 사전 학습된 신경망 모델에 적용하여 검출된 조향계의 이음/소음이 발생한 위치/부품을 판단하는 처리부(200)와, 사전 학습된 신경망 모델을 저장하는 저장부(300)를 포함하여 구성될 수 있다.
마이크(100)는 조향계에서 발생하는 이음/소음을 검출하는 수단이다. 마이크(100)는 정비소와 같은 테스트 필드에서 조향계 조작 시 발생하는 이음/소음을 검출할 수만 있으면 되므로 고가의 고성능 마이크뿐만 아니라 주변에서 쉽게 구할 수 있는 저가형 마이크를 사용하여도 무방하다.
처리부(200)는, 마이크(100)에서 수집된 이음/소음 데이터를 신경망 모델의 학습 또는 신경망 모델에 적용하는데 적합한 형태로 변환하는 데이터 전처리부(210)를 포함할 수 있다.
처리부(200)는 크게 두가지의 기능을 수행할 수 있다. 첫째로, 처리부(200)는 조향계의 이음/소음이 발생한 위치를 판별하기 위한 신경망 모델을 학습시킬 수 있다. 다음으로, 처리부(200)는 판별 대상 조향계의 소음 데이터를 학습된 신경망 모델에 적용하여 판별 대상 조향계에서 발생하는 이음/소음의 발생 위치 또는 부품을 판별할 수 있다.
이를 위해, 처리부(200)는 신경망 모델의 학습에 필요한 다양한 연산 및 처리를 수행하는 기계 학습부(220)와 학습된 신경망 모델에 적용하여 이음/소음 발생의 위치를 판단하는데 필요한 다양한 연산 및 처리를 수행하는 소음 판별부(230)을 포함할 수 있다.
저장부(300)는 조향계에서 발생하는 이음/소음의 발생 위치 또는 부품 판별에 사용되는 신경망 모델을 저장할 수 있다. 또한, 저장부(300)는 신경망 모델의 기계 학습에 사용되는 학습 데이터, 특히 처리부(200)의 데이터 전처리부(210)에 의해 변환된 학습 데이터를 저장할 수 있으며, 그 외 신경망 모델의 학습 및 적용에 요구되는 다양한 데이터를 저장할 수 있다.
데이터의 전처리
처리부(200) 내의 데이터 전처리부(210)는 조향계 소음 판별을 위한 신경망 모델의 학습을 위해 입력 받은 학습 데이터 및 이 신경망 모델에 적용하고자 하는 대상의 실측 소음 데이터를 적절한 형태로 변환하는 전처리를 수행할 수 있다.
데이터 전처리부(210)로 입력되는 데이터는 마이크(100)에 의해 수집된 조향계의 이음/소음 데이터일 수 있다. 마이크(100)에 의해 수집된 데이터는 시간 차원으로 표현된 데이터일 수 있으며, 데이터 전처리부(210)는 우선 이 시간 차원의 이음/소음 데이터를 주파수 차원으로 변환할 수 있다. 이 과정에서, 데이터 전처리부(210)는 음성 데이터의 특성을 추출할 수 있는 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용할 수 있다.
도 3은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부의 동작을 도시한 흐름도이다. 도 3에 도시된 흐름도는 마이크(100)로부터 검출된 조향계 소음 데이터에 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하여 주파수 차원의 특성을 추출하여 이미지화 하는 과정을 도시한다.
음성 데이터는 정적인 데이터가 아니므로(non-stationary), 데이터 전처리부(210)는 음성 데이터가 정적인(stationary) 것으로 간주될 수 있는 짧은 시간 동안의 주파수 차원 변환을 위해 프레이밍(framing)(211) 및 윈도우잉(windowing)(212)를 수행할 수 있다. 프레이밍 및 윈도우잉(211, 212)의 사이즈는 실험적인 방법을 이용하여 적절하게 튜닝될 수 있다.
이어, 데이터 전처리부(210)는 각 프레임에 대해 고속 푸리에 변환(Fast Fourier Transform: FFT)를 수행할 수 있다(213).
도 4는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부의 고속 푸리에 변환의 결과를 나타낸 스펙트로그램의 일례를 도시한 그래프이다.
도 4에 도시된 스펙트로그램의 가로축은 시간(프레임)을 나타내며 세로축은 주파수를 나타낸다. 또한, 백색의 진하기는 각 시간에서 주파수의 크기(magnitude)를 나타낸다.
이어, 데이터 전처리부(210)는 고속 푸리에 변환된 결과에 멜 필터 뱅크(Mel Filter bank)를 적용하고(214) 멜 필터 뱅크에 의해 필터링 된 결과에 이산 코사인 변환(Discrete Cosine Transform: DCT)를 적용하여 최종적으로 주파수 특성을 나타내는 스펙트로그램을 작성할 수 있다(215).
도 5는 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 데이터 전처리부에 의해 최종적으로 생성된 스펙트로그램의 일례를 도시한 그래프이다.
도 5에 도시된 스펙트로그램의 가로축은 시간(프레임)을 나타내며 세로축은 주파수를 나타낸다. 또한, 백색의 진하기는 각 시간에서 주파수의 크기(magnitude)를 나타낸다.
전술한 것과 같이, 마이크(100)에서 입력된 소음 데이터를 프레이밍 및 윈도우잉 하는 과정에서부터 최종적으로 이산 코사인 변환하여 출력하는 과정이 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하는 과정으로 이해될 수 있다.
데이터 전처리부(210)는 MFCC(Mel Frequency Cepstrum Coefficient) 기법의 적용을 통해 도출된 주파수 특성을 나타내는 스펙트로그램에서 일부 영역(A)를 신경망 모델의 입력으로 결정할 수 있으며, 전처리를 통해 형성된 스펙트로그램의 일부 영역(A)의 이미지는 저장부(300)에 저장될 수 있다. 여기서, 일부 영역(A)의 사이즈는 실험적인 방법을 통해 적절하게 튜닝될 수 있다.
신경망 모델의 기계 학습
기계 학습부(220)는 저장부(300)에 저장된 신경망 모델을 학습하는 요소이다.
신경망 모델의 학습에 사용되는 데이터는 마이크(100)에 의해 수집되는 조향계의 소음 데이터와 수집된 소음 데이터를 발생시킨 조향계의 위치 또는 부품에 대한 데이터가 될 수 있다.
즉, 학습 입력은 마이크(100)에 의해 수집되는 조향계의 소음 데이터이고, 학습 출력은 소음 데이터를 발생시킨 조향계의 위치 또는 부품이 될 수 있다. 특히, 학습 입력은 데이터 전처리부(210)에 의해 생성된 스펙트로그램의 일부 영역(A)의 이미지가 될 수 있다.
학습 입력 및 학습 출력을 포함하는 학습 데이터는 여러 조향계를 대상으로 한 시험 등을 통해 수집될 수 있다.
도 6은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치에 적용되는 신경망 모델의 일례를 도시한 도면이다.
도 6을 참조하면, 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치에 적용되는 신경망 모델은 컨벌루션 레이어(61, 63), 풀링(Pooling) 레이어(62, 64), 전연결(Fully Connected) 레이어(65) 및 출력 레이어(66)을 포함하는 컨벌루션 신경망(Convolution Neural Network: CNN)으로 구현될 수 있다.
컨벌루션 레이어(61, 63)는, 데이터 전처리부(210)에 의해 생성된 이미지 입력의 특징을 추출하기 위해 입력 이미지(A)에 필터를 적용하여 컨벌루션 연산을 수행하여 특징 지도(feature map)를 만들 수 있다. 예를 들어, k개의 필터로 k개의 특성지도를 만들 수 있다. 필터가 갖는 수치(가중치)는 최초에 적절한 초기값을 갖고 이후 학습을 통해 적절한 값으로 변경될 수 있다.
풀링 레이어(62, 64)는 컨벌루션 레이어(61, 63)에서 제작된 특징 지도에서 영역별 대표값을 추출할 수 있다. 풀링 레이어는 특징 지도에 필터를 적용하여 필터가 적용된 영역의 최대값을 대표값으로 결정하는 최대 풀링(Max-Pooling) 또는 특징 지도에 필터를 적용하여 필터가 적용된 영역의 평균값을 대표값으로 결정하는 평균 풀링(Average-Pooling) 등의 방법을 적용하여 특징 지도의 사이즈를 감소시키고 그에 따른 연산량을 줄일 수 있다.
도 6의 예에서는 두 개의 컨벌루션 레이어(61, 63)와 두 개의 풀링 레이어(62, 64)가 적용된 것으로 도시되고 있으나 그 개수는 필요에 따라 감소되거나 더 추가될 수 있다.
풀링 레이어(64)에 출력되는 특징 지도는 평탄화(flattening)을 통해 전연결 레이어(65)로 입력된다. 평탄화는 풀링 레이어(64)에서 출력된 2차원 특징 지도를 1차원으로 전개하는 과정이다. 전연결 레이어(65)에 포함된 노드들은 활성화 함수를 이용하여 특징을 더 강조하고 분류하여 출력 레이어(66)에 전달하고, 출력 레이어(66)는 조향계의 이음/소음에 따른 소음 발생 위치 또는 부품을 결정하여 출력할 수 있다.
이러한, 신경망 모델은 기계 학습부(220)에 의해 학습될 수 있다. 예를 들어, 기계 학습부(220)는, 대표적인 지도학습 기법인 델타 규칙(delta rule)과 오류 역전파 학습(back propagation learning)을 통해, 신경망 모델의 레이어 또는 노드 간의 연결 가중치, 노드의 상태 파라미터 등을 학습시킬 수 있다.
기계 학습부(220)는 신경망 모델에 대한 학습이 완료된 이후 신경망 모델이 갖는 각종 파라미터나 가중치 등을 저장부에 저장할 수 있다.
신경망 모델의 소음 판별
소음 판별부(230)는 전술한 것과 같이 학습된 신경망 모델을 이용하여 조향계 내 소음 발생 위치나 부품을 판별할 수 있다.
소음 판별 대상 조향계에서 발생하는 소음을 마이크(100)가 검출하면, 데이터 전처리부(210)에서 검출된 소음 데이터에 대한 전처리를 수행하여 주파수 특성이 나타나는 이미지인 스펙트로그램을 생성한 후 스펙트로그램의 일부 영역(A)을 저장부(300)에 저장하거나 소음 판별부(230)로 제공할 수 있다.
이어, 소음 판별부(230)는 저장부(300)에 저장된 신경망 모델에 전처리된 이미지 데이터를 적용하여 신경망 모델의 각 레이어에서 이루어지는 연산 처리를 수행하고, 신경망 모델에서 판별된 조향계의 소음 발생 위치 또는 부품에 대한 판단 결과를 출력한다.
도 7은 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치의 구현예를 도시한 도면이다.
이상에서 설명한 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치는, 도 7에 도시된 것과 같이, 실제 이음/소음 판별을 위한 테스트 필드에서 휴대용 태블릿(700)과 마이크(100)로 구현될 수 있다.
태블릿(700)의 내부에 구비된 중앙 처리 장치(CPU: Central Processing Unit)가 처리부(200)가 될 수 있으며, 태블릿(700)의 내부에 구비된 플래시 메모리 등의 저장 장치가 저장부(300)가 될 수 있다.
태블릿(700) 내의 저장부(300)에는 전술한 것과 같은 데이터 전처리 알고리즘 및 학습된 데이터를 이용하여 이음/소음을 판별할 수 있는 알고리즘을 수행하기 위한 어플리케이션이 저장될 수 있으며, 사용자는 어플리케이션을 실행하고 태블릿에 연결된 마이크(100)를 통해 테스트 대상 차량에서 이음/소음을 수집한 후 어플리케이션에서 데이터 전처리 알고리즘 및 이음/소음 판별 알고리즘을 실행하게 함으로써 실제 차량의 조향계 이음/소음 발생 위치, 발생 부품 등을 판별하게 할 수 있다.
더욱 구체적으로, 어플리케이션은 마이크에서 수집된 이음/소음을 녹음하고, 녹음된 데이터를 분석하여 소음의 패턴을 표시되게 할 수 있으며, 기계 학습을 통해 구현된 이음/소음 판별 알고리즘을 실행하여 이음/소음 발생 위치, 발생 부품 등을 판별하게 할 수 있다.
이상에서 설명한 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치는 다양한 컴퓨팅 장치로 구현될 수 있다. 특히, 본 발명의 일 실시형태에 따른 조향계 소음 판별 장치는, 마이크와 메모리 및 프로세서를 모두 구비하는 개인용 단말(스마트폰)에서도 구현될 수 있다. 많은 연산이 요구되는 신경망 모델의 학습은 고성능 컴퓨팅 장치를 통해 수행한 후 학습된 신경망 모델과 전처리 수행 알고리즘을 개인용 단말에 저장하면, 차량 생산 라인 또는 차량 정비 업소 등에서 바로 조향계의 이음/소음의 발생 위치나 부품을 판단할 수 있게 된다.
이상에서 설명한 바와 같이, 본 발명의 다양한 실시형태에 따른 조향계 소음 판별 장치는, 단순히 차량 조향계에서 발생하는 소음을 마이크를 통해 검출한 후 검출된 음성 데이터를 신경망 모델에 적용하기만 하면 조향계 이음/소음의 위치나 부품에 대한 판단 결과를 획득할 수 있으므로, 소음 진단을 위한 시간을 현저하게 감소시킬 수 있다. 또한, 소음 판단을 위한 소음 전문가나 소음 진단 장치가 필요하지 않으며 소음 발생 위치 또는 부품을 판별하기 위해 직접 해당 부품을 하나씩 교환해볼 필요가 없으므로 소음 판별을 위한 비용과 과정비/오정비 발생을 감소시킬 수 있다.
이상에서 본 발명의 특정한 실시형태에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 기술분야에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.
100: 마이크 200: 처리부
210: 데이터 전처리부 220: 기계 학습부
230: 소음 판별부 300: 저장부

Claims (9)

  1. 조향계에서 발생하는 소음을 검출하는 마이크;
    상기 마이크에서 검출된 조향계의 소음 데이터를 사전 학습된 신경망 모델에 적용하여 상기 마이크에서 검출된 조향계의 소음이 발생한 위치 또는 부품을 판단하는 처리부; 및
    상기 사전 학습된 신경망 모델을 저장하는 저장부;
    를 포함하는 조향계 소음 판별 장치.
  2. 청구항 1에 있어서, 상기 처리부는,
    상기 마이크에서 검출된 조향계의 소음 데이터를 시간 차원에서 주파수 차원으로 변환하는 전처리를 수행하고, 전처리된 데이터를 상기 신경망 모델의 입력으로 제공하는 것을 특징으로 하는 조향계 소음 판별 장치.
  3. 청구항 1에 있어서, 상기 처리부는,
    상기 마이크에서 검출된 조향계의 소음 데이터에 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하여 상기 마이크에서 검출된 조향계의 소음의 주파수 특성을 추출하는 전처리를 수행하고, 전처리된 데이터를 상기 신경망 모델의 입력으로 제공하는 것을 특징으로 하는 조향계 소음 판별 장치.
  4. 청구항 1에 있어서, 상기 처리부는,
    상기 마이크에서 검출된 조향계의 소음 데이터를 시간 차원에서 주파수 차원으로 변환한 이미지를 생성하는 전처리를 수행하고 전처리에 의해 생성된 이미지를 상기 신경망 모델의 입력으로 제공하는 것을 특징으로 하는 조향계 소음 판별 장치.
  5. 청구항 1에 있어서, 상기 처리부는,
    상기 마이크에서 검출된 조향계의 소음 데이터에 MFCC(Mel Frequency Cepstrum Coefficient) 기법을 적용하여 상기 마이크에서 검출된 조향계의 소음의 주파수 특성을 추출하고 추출된 주파수 특성을 이미지로 생성하는 전처리를 수행하고, 전처리에 의해 생성된 이미지를 상기 신경망 모델의 입력으로 제공하는 것을 특징으로 하는 조향계 소음 판별 장치.
  6. 청구항 4 또는 청구항 5에 있어서, 상기 처리부는,
    상기 전처리에 의해 생성된 이미지의 일부 영역을 상기 신경망 모델의 입력으로 제공하는 것을 특징으로 하는 조향계 소음 판별 장치.
  7. 청구항 4 또는 청구항 5에 있어서, 상기 신경망 모델은,
    컨벌루션 레이어, 풀링(Pooling) 레이어 및 전연결(Fully Connected) 레이어를 포함하는 컨벌루션 신경망 모델인 것을 특징으로 하는 조향계 소음 판별 장치.
  8. 청구항 7에 있어서,
    상기 컨벌루션 레이어는, 상기 전처리에 의해 생성된 이미지의 특징을 추출하기 위해 상기 전처리에 의해 생성된 이미지에 필터를 적용하여 컨벌루션 연산을 수행하여 특징 지도를 작성하고,
    상기 풀링 레이어는 상기 컨벌루션 레이어에서 작성된 특징 지도에서 영역별 대표값을 추출하여 상기 특징 지도의 사이즈를 감소시키며,
    상기 전연결 레이어는 활성화 함수를 이용하여 특징을 더 강조하고 분류하며,
    상기 출력 레이어는 상기 전연결 레이어의 분류 결과에 기반하여 조향계의 이음/소음에 따른 소음 발생 위치 또는 부품을 결정하여 출력하는 것을 특징으로 하는 조향계 소음 판별 장치.
  9. 청구항 1에 있어서,
    상기 처리부 및 상기 저장부는 태블릿 PC의 형태로 구현되는 것을 특징으로 하는 조향계 소음 판별 장치.
KR1020200063820A 2020-05-27 2020-05-27 조향계 소음 판별 장치 KR20210147155A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200063820A KR20210147155A (ko) 2020-05-27 2020-05-27 조향계 소음 판별 장치
DE102020134555.0A DE102020134555A1 (de) 2020-05-27 2020-12-22 Vorrichtung zum lokalisieren von geräusch in einem lenksystem
US17/135,503 US11945521B2 (en) 2020-05-27 2020-12-28 Device for locating noise in steering system
CN202011601055.XA CN113739905A (zh) 2020-05-27 2020-12-29 用于定位转向系统中发生的噪声的装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200063820A KR20210147155A (ko) 2020-05-27 2020-05-27 조향계 소음 판별 장치

Publications (1)

Publication Number Publication Date
KR20210147155A true KR20210147155A (ko) 2021-12-07

Family

ID=78509108

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200063820A KR20210147155A (ko) 2020-05-27 2020-05-27 조향계 소음 판별 장치

Country Status (4)

Country Link
US (1) US11945521B2 (ko)
KR (1) KR20210147155A (ko)
CN (1) CN113739905A (ko)
DE (1) DE102020134555A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113284508B (zh) * 2021-07-21 2021-11-09 中国科学院自动化研究所 基于层级区分的生成音频检测系统

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7103460B1 (en) * 1994-05-09 2006-09-05 Automotive Technologies International, Inc. System and method for vehicle diagnostics
CN102853899B (zh) 2012-06-01 2014-07-16 浙江吉利汽车研究院有限公司杭州分公司 一种汽车转向噪声测量装置及测量方法
CN102982351A (zh) * 2012-11-15 2013-03-20 河北省电力公司电力科学研究院 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法
DK3011286T3 (da) 2013-06-21 2017-11-13 Brüel & Kjaer Sound & Vibration Measurement As Fremgangsmåde til bestemmelse af støjlydbidrag af støjkilder fra et motorkøretøj
US9185506B1 (en) * 2013-12-16 2015-11-10 Amazon Technologies, Inc. Comfort noise generation based on noise estimation
DE102015007242B4 (de) * 2015-06-05 2017-03-30 Audi Ag Verfahren zum Optimieren von Entscheidungssystemen
JP6225368B1 (ja) * 2016-04-21 2017-11-08 日本精工株式会社 ステアリングシステムの異音検出方法及びステアリングシステムの評価装置
KR101812159B1 (ko) * 2016-10-12 2017-12-26 고려대학교 산학협력단 딥러닝을 이용한 음향 방향 추정 방법 및 장치
WO2018155164A1 (ja) * 2017-02-24 2018-08-30 株式会社Ｊｖｃケンウッド フィルタ生成装置、フィルタ生成方法、及びプログラム
JP6805879B2 (ja) * 2017-02-24 2020-12-23 株式会社Ｊｖｃケンウッド フィルタ生成装置、フィルタ生成方法、及びプログラム
CN107609488B (zh) * 2017-08-21 2020-11-03 哈尔滨工程大学 一种基于深度卷积网络的舰船噪声识别分类方法
US10747231B2 (en) * 2017-11-17 2020-08-18 Intel Corporation Identification of audio signals in surrounding sounds and guidance of an autonomous vehicle in response to the same
US11216724B2 (en) * 2017-12-07 2022-01-04 Intel Corporation Acoustic event detection based on modelling of sequence of event subparts
CN108254066A (zh) * 2018-01-03 2018-07-06 上海工程技术大学 基于神经网络的汽车三维动态噪音检测识别系统及方法
KR102235568B1 (ko) * 2018-03-21 2021-04-05 한국과학기술원 합성곱 신경망 기반 환경음 인식 방법 및 시스템
US11161542B2 (en) 2018-04-05 2021-11-02 Ford Global Technologies, Llc Methods and apparatus to reduce noise and vibration in a hybrid hydraulic power steering system
US10573301B2 (en) 2018-05-18 2020-02-25 Intel Corporation Neural network based time-frequency mask estimation and beamforming for speech pre-processing
CN109410976B (zh) 2018-11-01 2022-12-16 北京工业大学 双耳助听器中基于双耳声源定位和深度学习的语音增强方法
CN111178491A (zh) * 2018-11-09 2020-05-19 佳能株式会社 神经网络模型的训练和应用方法、装置、系统及存储介质
CN109993280B (zh) 2019-03-27 2021-05-11 东南大学 一种基于深度学习的水下声源定位方法
CN110068795A (zh) 2019-03-31 2019-07-30 天津大学 一种基于卷积神经网络的室内麦克风阵列声源定位方法
CN110010155A (zh) * 2019-04-11 2019-07-12 中国一拖集团有限公司 基于卷积神经网络和mfcc的颤振识别方法和系统
CN110322896A (zh) * 2019-06-26 2019-10-11 上海交通大学 一种基于卷积神经网络的变压器故障声音识别方法
CN110481635B (zh) 2019-08-13 2021-12-10 中山大学 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法
CN110514957A (zh) * 2019-08-19 2019-11-29 深圳供电局有限公司 变电站自动巡检方法和平台
US20210210099A1 (en) * 2020-01-06 2021-07-08 Soundhound, Inc. Multi Device Proxy

Also Published As

Publication number Publication date
US11945521B2 (en) 2024-04-02
US20210370904A1 (en) 2021-12-02
CN113739905A (zh) 2021-12-03
DE102020134555A1 (de) 2021-12-02

Similar Documents

Publication Publication Date Title
KR101864860B1 (ko) 딥러닝을 통한 자동차 상태 진단 방법
CN104819846B (zh) 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
JP7032387B2 (ja) 単眼動画データに基づく車両の挙動推定システム及び方法
US20180107174A1 (en) Human collaborative robot system having improved external force detection accuracy by machine learning
JP4942353B2 (ja) 音又は振動の解析方法及び音又は振動の解析装置
JP5804409B2 (ja) 車載装置の振動解析及び振動源の特定を行う方法及び装置
CN110765807A (zh) 驾驶行为分析、处理方法、装置、设备和存储介质
CN108009463B (zh) 一种身份识别的方法及装置
US20220118987A1 (en) Method and system for fault diagnoses of intelligent vehicles
CN109808766A (zh) 基于视觉的主动转向系统
CN113192536B (zh) 语音质量检测模型的训练方法、语音质量检测方法及装置
Yun et al. Autoencoder-based anomaly detection of industrial robot arm using stethoscope based internal sound sensor
KR20210147155A (ko) 조향계 소음 판별 장치
CN113705412A (zh) 基于深度学习的多源数据融合的轨道状态检测方法及装置
Mishra et al. A fault diagnosis approach based on 2D-vibration imaging for bearing faults
EP3759558A1 (en) Intelligent audio analytic apparatus (iaaa) and method for space system
Pan et al. Cognitive acoustic analytics service for Internet of Things
EP3640857A1 (en) Method, vehicle, system, and storage medium for indicating anomalous vehicle scenario using encoder network and discriminator network intermediate layer activation
CN116467570B (zh) 一种基于数据驱动的重载机车车钩摆角定量识别方法
Yang et al. A deep learning-based framework for damage detection with time series
JPWO2022044210A5 (ko)
KR20210060157A (ko) 인공지능 기반 고장 진단 장치 및 방법
CN115830368A (zh) 一种车辆减震器缺陷诊断方法、系统、设备及介质
Čavor et al. Vehicle Speed Estimation From Audio Signals Using 1D Convolutional Neural Networks
CN114565107A (zh) 碰撞检测方法、装置及设备

Legal Events

Date Code Title Description
A201 Request for examination