WO2018029270A1 - Verfahren und system zur prüfung eines bedienelements sowie verfahren und system zur erstellung eines prüfmodells - Google Patents

Verfahren und system zur prüfung eines bedienelements sowie verfahren und system zur erstellung eines prüfmodells Download PDF

Info

Publication number
WO2018029270A1
WO2018029270A1 PCT/EP2017/070234 EP2017070234W WO2018029270A1 WO 2018029270 A1 WO2018029270 A1 WO 2018029270A1 EP 2017070234 W EP2017070234 W EP 2017070234W WO 2018029270 A1 WO2018029270 A1 WO 2018029270A1
Authority
WO
WIPO (PCT)
Prior art keywords
operating element
borne
test model
borne sound
sound sensor
Prior art date
Application number
PCT/EP2017/070234
Other languages
English (en)
French (fr)
Inventor
Minjie ZOU
Laura FOLK
Torsten Linnemann
Julien PROVOST
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
Technische Universität München
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 Bayerische Motoren Werke Aktiengesellschaft, Technische Universität München filed Critical Bayerische Motoren Werke Aktiengesellschaft
Publication of WO2018029270A1 publication Critical patent/WO2018029270A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R13/00—Elements for body-finishing, identifying, or decorating; Arrangements or adaptations for advertising purposes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K15/00—Acoustics not otherwise provided for

Definitions

  • the invention relates to a method for testing a
  • Control element for a vehicle and a corresponding system Moreover, the invention relates to a method for creating a test model for testing a
  • Control element for a vehicle and a corresponding system Control element for a vehicle and a corresponding system.
  • Vehicle interior noise increased importance. Especially at the first contact with the vehicle, noise from operating components can be a deciding factor for customers in a dealership.
  • Previous studies such as M.C. Bezat et al. , "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", The Journal of the Acoustical Society of America, vol. 123, no. 5, pages 3253-3253, 2008; A.M. Willemsen et al. .
  • Nonstationary noise is highly correlated with the psychoacoustic parameters of loudness and sharpness.
  • acceleration sensors are known from the literature. In contrast to the above measuring techniques, where signal waves in the air by measuring the
  • Acceleration sensors may also be referred to as
  • Structure-borne sound sensors are called and vice versa.
  • the invention relates to a
  • a structure-borne sound sensor is first coupled to the operating element.
  • the measurement signal includes structure-borne noise data that is representative of one by the actuation
  • Structure-borne noise data and a psychoacoustic perception of an airborne sound produced when the control element is actuated Depending on the measurement signal and the test model, a quality characteristic value is then determined, which is representative of a user-perceived euphony upon actuation of the operating element.
  • the measurement by means of the structure-borne sound sensor allows a reliable and cost-effective testing of the operating element already during production.
  • Production of the control element are determined and evaluated.
  • the method according to the first aspect can thus be used for a so-called "end-of-line” application of psychoacoustic analyzes as quality control.
  • the structure-borne sound sensor is combined with the control element
  • Structure-borne sound sensor can be detected. This is preferably a reversible coupling in which the structure-borne sound sensor can be removed from the operating element after the test. For example, gluing of the components, for example by means of wax, is suitable for this purpose.
  • the induced structure-borne sound is
  • impulsive can occur, for example, impulsive.
  • the operation of the operating element can in particular
  • the determination of the quality characteristic value comprises a first
  • the psychoacoustic perception of an airborne sound produced when the operating element is actuated comprises at least one psychoacoustic characteristic value.
  • psychoacoustic characteristic is representative of at least one of loudness and / or sharpness of airborne sound.
  • Such a psychoacoustic characteristic contributes to a particularly meaningful evaluation in distinguishing the well-being of the operation of tested controls.
  • the actuation of the operating element comprises performing at least one predetermined actuating movement with a predetermined force and a predetermined one
  • the invention relates to a
  • Method for creating a test model for testing a control element for a vehicle In the method according to the second aspect, an airborne sound sensor and a structure-borne sound sensor are first coupled to the control element.
  • Airborne sound sensor and the structure-borne sound sensor determined.
  • the measurement signal comprises airborne sound data which are representative of an airborne sound or structure-borne sound data produced by the actuation, which are representative of a structure-borne noise caused by the actuation.
  • test model is determined that is representative of a relationship between structure-borne sound data and a psychoacoustic perception of a person when the sound pressure is applied
  • the coupling of the structure-borne sound sensor with the operating element as well as the actuation of the operating element can in particular be carried out analogously to the first aspect.
  • the coupling of the airborne sound sensor with the operating element is an acoustic coupling, which can be made in particular without contact.
  • the airborne sound sensor is arranged at a predetermined distance from the operating element.
  • the determination of the respective measurement signal comprises recording of airborne sound data by the airborne sound sensor or recording of structure-borne noise data by the structure-borne sound sensor.
  • the respective recording takes place within a time span between 0.5s and 15s. In particular, the time span of the respective analysis time window is 2s.
  • Recording may also signify a recording of longer periods of time followed by subdivision into individual time segments.
  • the test model comprises a first model for static evaluation and a second model for dynamic evaluation.
  • the test model comprises an artificial neural network.
  • the test model for static evaluation has between 5 and 15 first neurons, in particular 10 first neurons.
  • the test model for dynamic evaluation has between 25 and 40 second neurons, in particular 30 second neurons.
  • the invention relates to a system for testing a control element for a vehicle.
  • the system according to the third aspect comprises a structure-borne sound sensor, which is designed to receive a sound produced by the operation of the operating element.
  • Structure-borne sound sensor is coupled to the control element. Furthermore, the system according to the third aspect comprises a processing unit which is connected to the structure-borne sound sensor
  • the processing unit is in this case designed to carry out a method according to the first aspect.
  • the invention relates to a system for creating a test model for testing a
  • the system according to the fourth aspect comprises an airborne sound sensor and a
  • Structure-borne sound sensor which for receiving an airborne sound caused by actuation of the operating element
  • the system according to the fourth aspect further comprises a processing unit, which is signal-coupled with the airborne sound sensor and the structure-borne sound sensor.
  • the processing unit is configured, a method according to the second aspect
  • FIG. 1 shows a first system for creating a test model
  • Figure 2 shows a second system for testing a
  • Figure 3 is an architecture of a feed-forward
  • FIG. 4 shows a neuron of an artificial neural network
  • FIG. 5 shows an arrangement for creating the test model
  • FIG. 9 is a flow chart of a method for testing
  • ANN Artificial Neural Network
  • Human ear changes as a function of frequency. Human hearing combines sounds with near frequencies into twenty-four frequency bands. It's that complex
  • Loudness describes the human perception characteristic
  • the loudness is measured as a psychoacoustic characteristic value and determined according to the model of the listener according to Zwickers in ISO 532B with the unit sone. Sharpness is a sensation that relates to the sound spectrum density and influences the perceived euphony. Sharpness is highly dependent on the high
  • the sharpness is also measured as a psychoacoustic characteristic and determined with the acum unit according to Zwicker, which represents one of the most popular methods.
  • FIG. 3 shows an exemplary feed-forward
  • Neural multilayer network which consists of a
  • Input layer E an output layer A and one or more hidden layers V consists.
  • ANNs are powerful tools to map inputs x to desired outputs y, if the input / output relationships are complex and complex
  • An ANN is a data processing system that looks like a generalization of the mathematical
  • a neuron can be defined as follows:
  • n is the number of inputs xi, x x n and z is the sum of the weighted inputs xi, x ⁇ , x n.
  • the adaptation is continued iteratively until an error between the output y of the ANN and a desired output (default value) is below a tolerance threshold. This is how the network configures itself and learns the desired input-output relationship.
  • Test model P for testing a control element 11 for a vehicle shown.
  • the first system 1 has two branches which specify the respectively different treatment of microphone and acceleration sensor-based measurement data.
  • the top branch shows a conventional path
  • Airborne sound data L which are forwarded to a processing device 31. From the airborne sound data L can according to the handset model according to E. Zwicker et al. , Psychoacoustics:
  • the lower branch describes a way to
  • the ANN is trained by measurements to learn the relationship between the structure-borne sound data K, the airborne sound data L and the results of the conventional calculation.
  • the trained ANN can also be referred to as the test model P.
  • Control 11 similar control element 13 can be performed only using the lower branch. That is, only acceleration sensor-based measurement data, ie the structure-borne sound data K, are used further
  • test model can be divided into three main steps: noise measurement, data preparation for ANNs and ANN modeling. Measurements can be made, for example, with a real-time measuring system PAK (test bench acoustic measuring system such as, for example, from the company Müller BBM).
  • PAK test bench acoustic measuring system
  • Acceleration sensor 23 becomes one first
  • Airborne sound data L are used to
  • Loudness and sharpness Based on this, an appropriate ANN structure is determined.
  • a database is required to train the ANN and achieve maximum accuracy.
  • Condenser microphone 21 as well as a triaxial
  • Piezoelectric acceleration sensor 23 can be used for the measurement.
  • the microphone 21 is arranged at a constant distance from the component 11, while the acceleration sensor 23 is arranged directly on the surface of the
  • Component 11 with wax is fixed according to ISO 5348. All components 11 are operated in different respect to all available actuation directions, whereby realistic operating conditions can be simulated.
  • the airborne sound data L and structure-borne sound data K of the sensors 21, 23 of the present embodiment are shown in FIG. 6 as original recordings. Each recording has a duration of 15s with a sampling rate of 48kHz. In the 15s complete operations are repeated
  • Each shot contains five to six stimuli S. In this embodiment, each is cut out with the same duration of 2s. Overall, eleven components 11, 13 were measured in the exemplary embodiment. Without the removed, falsely recorded stimuli S includes the data in this
  • Embodiment two hundred twenty-one stimuli S of Microphones 21 and two hundred twenty-one stimuli S of the acceleration sensor 23.
  • Non-stationary sounds are dynamic
  • the default value consists of two parts: total static parameters and parameters that track the dynamic state. Both parts are selected with reference to the psychoacoustic parameters Loudness and Sharpness. Two ANNs are used separately for the different ones
  • Parameters of the microphone 21, Loudness and Sharpness, provide the ANN with training preset values, and extracted
  • acceleration sensor 23 is supplied to the ANNs as inputs x.
  • psychoacoustic parameters are calculated: the default values are prepared for the ANN.
  • Parameters, loudness and sharpness are calculated from the airborne sound data L, which are divided into static and dynamic parameters.
  • Static parameters show the overall evaluation of a
  • the respective stimuli S are divided into 20ms sections and the corresponding parameter values related to each of them
  • Used vibration acceleration values from the structure-borne sound data K which are measured at a high sampling rate and in this form represent an unnecessarily high information density for the ANN. Therefore, the data volume of the input x is reduced by using features from the structure-borne sound data K
  • Extracted features should be representative of the particular psychoacoustic rash. Since the
  • Acceleration sensor 23 one of the microphone 21st
  • the signals are analyzed in the frequency domain.
  • the input information can also be subdivided into static and dynamic features.
  • static features each stimulus S as a whole is considered, with no time related factors included in the feature.
  • Original data comes with a Butterworth filter in twenty four frequency bands filtered between 0kHz and 15.5kHz. Each volume receives ten sample points. The two hundred and forty-four points in the spectrum are then selected to represent the static feature of the signal. Instead of processing the entire stimuli S, this is done over time.
  • a 240-point spectral and temporal matrix will be every 20ms
  • each stimulus S is equipped with a frequency-based vector (240x1).
  • 240x1 a frequency-based vector
  • the last step is the modeling of artificial neural networks.
  • Here are forward coupled
  • Multilayer ANNs are used to estimate psychoacoustic parameters from the structure-borne noise data K.
  • Two ANN models are developed separately for static and dynamic
  • ANNs may act as an approach to nonlinear ones
  • Embodiment both networks are trained with the Levenberg Marquadt algorithm.
  • Layer V is used as larger networks for higher
  • Nonlinearity between inputs x and default values are required. However, a further increase in the number of experiments no longer led to a strong improvement.
  • the available data can be divided into three sentences, for example 70% for
  • the ANN configures its network parameters mainly according to the input-output relationship of the
  • Termination conditions of the training They validate the performance of the ANN in the training process and are used to evaluate the subsequent performance of the ANN. In other words, the test set checks whether the lower branch in Figure 2 can work with other data alone. Table 1 shows an overview of the settings.
  • FIG. 7 shows the results of the training and the test process according to the present embodiment.
  • Each circle represents one of the stimuli S represented by the default values (total loudness and overall sharpness) on the horizontal axis and the ANN outputs y on the vertical axis.
  • the pass line shows the linear regression between the default values and the generated outputs y, which can be described by the expression beside the vertical axis, which is represented by the formula
  • Output y ⁇ * default value + e, where ⁇ denotes the regression coefficient and e the error.
  • ⁇ denotes the regression coefficient and e the error.
  • FIG. 8 shows the results of the training and testing processes according to the present invention
  • Each circle represents a 20ms section of a stimulus S represented by the
  • RMSE root-mean-square error
  • the training process is an independent process that does not take place during the application phase, is also the Training time is not crucial if the method in the production of the controls 11, 13 is used. Rather, a focus here is on the recallability. Once the network is trained it can be applied almost in real time, that is, recalled. For a single 2s stimulus S sampled at 48kHz, the ANN in this embodiment requires 0.01s in
  • the processing time of the proposed method is less than 2s.
  • step Sl the method is started.
  • the operating element 13 is provided, for example, following his or as last step in its production (so-called "end-of-line").
  • Operating element 13 is mechanically coupled, for example manually.
  • the structure-borne sound sensor 23 can in particular at a predetermined position in a given
  • Orientation are mounted on the control element 13, which for this purpose has a marker for example.
  • a subsequent step S5 the operating element 13 is actuated at least once while supplying a predetermined force in a predetermined speed and in a predetermined movement, for example by machine.
  • the structure-borne sound produced by the actuation is recorded by the structure-borne sound sensor 23, and the determined structure-borne sound data K is forwarded to the processing device 31.
  • the psychoacoustic characteristics may, as already explained, in particular be overall loudness,
  • control element 13 associated psychoacoustic
  • Characteristics are compared in a first embodiment variant in the following step S9 with a predetermined reference characteristic value.
  • the psychoacoustic characteristics are compared in step S9 with a predetermined reference range.
  • Step Sil a Heilwert G determined.
  • control element 13 is assigned a low quality characteristic G, the control element 13 is in this case, for example
  • control element 13 is assigned a high quality characteristic value G.
  • the process is subsequently terminated.
  • ANN outputs y are highly correlated with the default values calculated from microphone signals.
  • estimation of dynamic parameters is not quite so robust, occasionally high errors occur. In the future, measures could be taken to optimize the ANN structure or
  • Operating noise can be estimated and evaluated with an accelerometer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Es werden ein Verfahren und System zur Prüfung eines Bedienelements (13) für ein Fahrzeug angegeben. Bei dem Verfahren wird ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt und eine Betätigung des Bedienelements (13) durchgeführt. Dabei wird ein Messsignal des Körperschallsensors (13) umfassend Körperschalldaten (K) repräsentativ für einen durch die Betätigung hervorgerufenen Körperschall ermittelt. Ein Prüfmodell (P) wird bereitgestellt, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten (K) und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls. Abhängig von dem Messsignal und dem Prüfmodell (P) wird ein Gütekennwert (G) ermittelt, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei Betätigung des Bedienelements (13). Es werden ferner ein Verfahren und System zur Erstellung eines Prüfmodells angegeben.

Description

Beschreibung
Verfahren und System zur Prüfung eines Bedienelements sowie Verfahren und System zur Erstellung eines Prüfmodells
Die Erfindung betrifft ein Verfahren zur Prüfung eines
Bedienelements für ein Fahrzeug sowie ein korrespondierendes System. Darüber hinaus betrifft die Erfindung ein Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines
Bedienelements für ein Fahrzeug sowie ein korrespondierendes System.
Mit der Entwicklung von elektrischen Fahrzeugen kommt in der Automobilindustrie der subjektiven Wahrnehmung von
Fahrzeuginnenraumgeräuschen erhöhte Wichtigkeit zu. Speziell beim ersten Kontakt mit dem Fahrzeug können Geräusche von Betriebskomponenten ein entscheidender Faktor für Kunden in einem Autohaus sein. Bisherige Studien wie M. C. Bezat et al . , "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", The Journal of the Acoustical Society of America, vol. 123, no . 5, Seiten 3253-3253, 2008; A. M. Willemsen et al . ,
"Characterization of sound quality of impulsive sounds using loudness based metric", Proceedings of 20th International Congress on Acoustics, Sydney, vol. 5, 2010, Seiten 3397- 3404; M. Höchsteiter et al . , "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26. Konferenz Elektronische
Sprachsignalverarbeitung, 25.-27.03.2015, Eichstätt, G.
Wirsching, Ed., 2015, Seiten 264 - 271; und M. Höchstetter et al . , "Psychoacoustic prediction of singular impulsive sounds", ATZ worldwide, vol. 117, no . 7-8, Seiten 58-63,2015 haben gezeigt dass die subjektive Wahrnehmung von
nichtstationären Geräuschen hochgradig korreliert ist mit den psychoakustischen Parametern Lautheit und Schärfe.
Gebräuchliche Messtechniken hierbei stellen Mikrophone und Kunstköpfe dar, um die vom Menschen wahrgenommenen Geräusche zu quantifizieren. Durch ihre hohen Kosten und der
Komplexität der Testsysteme sind diese für sogenannte „End- of-line Tests" in Produktionsstätten jedoch ungeeignet.
Überdies wird ein unter Nutzung solcher gebräuchlicher
Messtechniken erzieltes Ergebnis hochgradig durch
Umgebungslärm gestört.
Aus der Literatur sind darüber hinaus Beschleunigungssensoren bekannt. Im Gegensatz zu den oben genannten Messtechniken, bei denen Signalwellen in der Luft durch Messung der
Druckänderung über die Zeit gemessen werden, misst ein
Beschleunigungssensor strukturelle Vibrationen, insbesondere strukturelle Vibrationsbeschleunigungen. Hier und im
Folgenden können Beschleunigungssensoren auch als
Körperschallsensoren bezeichnet werden und umgekehrt.
Die meisten Studien, die sich mit Psychoakustik beschäftigen, basieren auf Messungen von Signalwellen in der Luft. Die Forschung zur Messung psychoakustischer Parameter mit
Beschleunigungssensoren war weniger ausgiebig. Nur eine
Studie ist derzeit bekannt: Moritz et al . , "Wahrnehmung von Getriebegeräuschen - Übertragung psychoakustischer Analysen auf Körperschallsignale" in DAGA 2015; 41. Jahrestagung für Akustik, ser. Paper ID 000057, März 2015, Seiten 113-116 beschreibt die Korrelation zwischen luftübertragenen und strukturübertragenen Geräuschen von Motorlärm, welcher eine Art stationäres Geräusch darstellt. Dabei wurde festgestellt, dass Lautheit berechnet von beiden Sensoren linear korreliert ist, Schärfe jedoch nicht.
Wang et al . "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises" in Strategie Technology, the Ist International Forum on. IEEE, 2006, Seiten 33-36. zeigt, dass ein künstliches neuronales Netzwerk (Artificial Neural Network, ANN) fähig ist, bestehende
Hörermodelle zur Lautheit in der Luft anzunähern.
Auch S.-K. Lee et al . , "Objective evaluation of the rumbling sound in passenger cars based on an artificial neural
network", Proceedings of the Institution of Mechanical
Engineers, Part D: Journal of Automobile Engineering, vol. 219, no. 4, Seiten 457-469, 2005; H.-H. Lee et al . ,
"Objective evaluation of inferior noise booming in a
passenger car based on sound metrics and artificial neural networks", Applied ergonomics, vol. 40, no . 5, Seiten 860- 869, 2009; M. Paulraj et al . , "Classification of inferior noise comfort level of proton model cars using artificial neural network", Advanced Computing and Communication Systems (ICACCS), 2013 International Conference on. IEEE, 2013, Seiten 1-7; und Y. Xing et al . , "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", Mechanical Systems and Signal Processing, vol. 66, Seiten 875-892, 2016 beschäftigen sich mit der
Fahrzeugakustik .
Darüber hinaus befassen sich M. Sivanandam et al . ,
Introduction to artificial neural networks, Vikas Publishing House PVT LTD, 2009; und H. B. Demuth et al . , "Neural network design", 2014 mit neuronalen Netzwerken. Eine Aufgabe, die der Erfindung zugrunde liegt, ist es, ein Verfahren und korrespondierendes System zu schaffen, das zu einer effizienten und kostengünstigen Prüfung eines
Bedienelements für ein Fahrzeug beiträgt. Ferner ist es eine Aufgabe, die der Erfindung zugrunde liegt, ein Verfahren und korrespondierendes System zu schaffen, das es ermöglicht ein Prüfmodell zu erstellen, das die effiziente und
kostengünstige Prüfung eines Bedienelements ermöglicht. Die Aufgaben werden gelöst durch die unabhängigen
Patentansprüche. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen gekennzeichnet.
Gemäß einem ersten Aspekt betrifft die Erfindung ein
Verfahren zur Prüfung eines Bedienelements für ein Fahrzeug.
Bei dem Verfahren gemäß dem ersten Aspekt wird zunächst ein Körperschallsensor mit dem Bedienelement gekoppelt.
Anschließend wird eine Betätigung des Bedienelements
durchgeführt und ein Messsignal des Körperschallsensors ermittelt. Das Messsignal umfasst Körperschalldaten, die repräsentativ sind für einen durch die Betätigung
hervorgerufenen Körperschall. Des Weiteren wird ein Prüfmodell bereitgestellt, das
repräsentativ ist für eine Beziehung zwischen
Körperschalldaten und einer psychoakustischen Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls. Abhängig von dem Messsignal und dem Prüfmodell wird daraufhin ein Gütekennwert ermittelt, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei Betätigung des Bedienelements. In vorteilhafter Weise ermöglicht die Messung mittels des Körperschallsensors ein zuverlässiges und kostengünstiges Prüfen des Bedienelements bereits bei der Herstellung.
Insbesondere trägt die Messung mittels des
Körperschallsensors zu einer Robustheit gegenüber Rauschen bei. Ein Einsatz von teuren und komplexen
Mikrophonanordnungen und Kunstköpfen kann vermieden werden.
Insbesondere kann die psychoakustische Wahrnehmung im
Vergleich zu solchen Messtechniken früher während der
Herstellung des Bedienelements ermittelt und evaluiert werden. Beispielsweise kann das Verfahren gemäß dem ersten Aspekt so für eine sogenannte „end-of-line"-Anwendung psychoakustischer Analysen als Qualitätskontrolle eingesetzt werden. Die Ermittlung des Gütekennwerts abhängig von dem Prüfmodell ermöglicht dabei eine einheitliche,
reproduzierbare Prüfung von Bedienelementen.
Der Körperschallsensor wird mit dem Bedienelement
insbesondere mechanisch derart gekoppelt, dass der durch Betätigung hervorgerufene Körperschall durch den
Körperschallsensor erfasst werden kann. Vorzugsweise handelt es sich hierbei um eine reversible Kopplung, bei der der Körperschallsensor von dem Bedienelement nach der Prüfung entfernt werden kann. Beispielsweise eignet sich hierfür ein Verkleben der Komponenten, beispielhaft mittels Wachs.
Bei dem hervorgerufenen Körperschall handelt es sich
insbesondere um ein nichtstationäres Signal, das
beispielsweise impulsartig auftreten kann.
Die Betätigung des Bedienelements kann insbesondere
automatisiert erfolgen. In einer vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die Ermittlung des Gütekennwerts zunächst ein
Ermitteln der psychoakustischen Wahrnehmung eines bei
Betätigung des Bedienelements hervorgerufenen Luftschalls abhängig von dem Messsignal und dem Prüfmodell. Anschließend erfolgt ein Vergleichen der psychoakustischen Wahrnehmung mit einem vorgegebenen Referenzkennwert und/oder mit einem vorgegebenen Referenzbereich, sowie ein Ermitteln des
Gütekennwerts abhängig von dem Vergleich.
In vorteilhafter Weise ermöglicht dies eine einfache
Unterscheidung des Wohlklangs der Betätigung geprüfter
Bedienelemente .
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die psychoakustische Wahrnehmung eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls wenigstens einen psychoakustischen Kennwert. Der
psychoakustische Kennwert ist repräsentativ für zumindest eines aus Lautheit und/oder Schärfe des Luftschalls.
Ein derartiger psychoakustischer Kennwert trägt zu einer besonders aussagekräftigen Bewertung bei der Unterscheidung des Wohlklangs der Betätigung geprüfter Bedienelemente bei.
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten Aspekt umfasst die Betätigung des Bedienelements ein Durchführen wenigstens einer vorgegebenen Betätigungsbewegung mit einer vorgegebenen Kraft und einer vorgegebenen
Geschwindigkeit . In vorteilhafter Weise ermöglicht dies eine Prüfung von
Bedienelementen auf besonders einheitliche, reproduzierbare Weise . Gemäß einem zweiten Aspekt betrifft die Erfindung ein
Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements für ein Fahrzeug. Bei dem Verfahren gemäß dem zweiten Aspekt werden zunächst ein Luftschallsensor und ein Körperschallsensor mit dem Bedienelement gekoppelt.
Anschließend wird eine Betätigung des Bedienelements
durchgeführt, und jeweils ein Messsignal des
Luftschallsensors und des Körperschallsensors ermittelt. Das Messsignal umfasst Luftschalldaten, die repräsentativ sind für einen durch die Betätigung hervorgerufenen Luftschall beziehungsweise Körperschalldaten, die repräsentativ sind für einen durch die Betätigung hervorgerufenen Körperschall.
Schließlich wird abhängig von den Luftschalldaten und den Körperschalldaten ein Prüfmodell ermittelt, das repräsentativ ist für eine Beziehung zwischen Körperschalldaten und einer psychoakustischen Wahrnehmung eines bei Betätigung des
Bedienelements hervorgerufenen Luftschalls.
Die Kopplung des Körperschallsensors mit dem Bedienelement sowie die Betätigung des Bedienelements kann insbesondere analog zu dem ersten Aspekt erfolgen. Bei der Kopplung des Luftschallsensors mit dem Bedienelement handelt es sich um eine akustische Kopplung, die insbesondere kontaktfrei erfolgen kann. Beispielsweise wird der Luftschallsensor hierbei in einem vorgegebenen Abstand zu dem Bedienelement angeordnet . In einer vorteilhaften Ausgestaltung gemäß dem ersten
und/oder dem zweiten Aspekt umfasst das Ermitteln des jeweiligen Messsignals ein Aufzeichnen von Luftschalldaten durch den Luftschallsensor beziehungsweise ein Aufzeichnen von Körperschalldaten durch den Körperschallsensor. Das jeweilige Aufzeichnen erfolgt innerhalb einer Zeitspanne zwischen 0,5s und 15s. Insbesondere beträgt die Zeitspanne des jeweiligen Analysezeitfensters 2s. Das jeweilige
Aufzeichnen kann auch eine Aufnahme längerer Zeitspannen mit anschließender Unterteilung in einzelne Zeitabschnitte bezeichnen .
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt umfasst das Prüfmodell ein erstes Modell zur statischen Evaluierung und ein zweites Modell zur dynamischen Evaluierung.
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt umfasst das Prüfmodell ein künstliches neuronales Netzwerk.
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt weist das Prüfmodell zur statischen Evaluierung zwischen 5 und 15 erste Neuronen, insbesondere 10 erste Neuronen auf.
In einer weiteren vorteilhaften Ausgestaltung gemäß dem ersten und/oder dem zweiten Aspekt weist das Prüfmodell zur dynamischen Evaluierung zwischen 25 und 40 zweite Neuronen, insbesondere 30 zweite Neuronen auf.
Gemäß einem dritten Aspekt betrifft die Erfindung ein System zur Prüfung eines Bedienelements für ein Fahrzeug. Das System gemäß dem dritten Aspekt umfasst einen Körperschallsensor, welcher zur Aufnahme eines bei Betätigung des Bedienelements hervorgerufenen Körperschalls ausgebildet ist. Der
Körperschallsensor ist dabei mit dem Bedienelement gekoppelt. Des Weiteren umfasst das System gemäß dem dritten Aspekt eine Verarbeitungseinheit, die mit dem Körperschallsensor
signaltechnisch gekoppelt ist. Die Verarbeitungseinheit ist hierbei ausgebildet, ein Verfahren gemäß dem ersten Aspekt durchzuführen .
Gemäß einem vierten Aspekt betrifft die Erfindung ein System zur Erstellung eines Prüfmodells zur Prüfung eines
Bedienelements für ein Fahrzeug. Das System gemäß dem vierten Aspekt umfasst einen Luftschallsensor und einen
Körperschallsensor, welche zur Aufnahme eines bei Betätigung des Bedienelements hervorgerufenen Luftschalls
beziehungsweise zur Aufnahme eines bei Betätigung des
Bedienelements hervorgerufenen Körperschalls ausgebildet sind. Der Körperschallsensor und der Luftschallsensor sind hierzu mit dem Bedienelement gekoppelt. Das System gemäß dem vierten Aspekt umfasst überdies eine Verarbeitungseinheit, die mit dem Luftschallsensor und dem Körperschallsensor signaltechnisch gekoppelt ist. Die Verarbeitungseinheit ist ausgebildet, ein Verfahren gemäß dem zweiten Aspekt
durchzuführen.
Ausführungsbeispiele der Erfindung sind im Folgenden anhand der schematischen Zeichnungen näher erläutert. Es zeigen:
Figur 1 ein erstes System zur Erstellung eines Prüfmodells, Figur 2 ein zweites System zur Prüfung eines
Bedienelements ,
Figur 3 eine Architektur eines vorwärtsgekoppelten
Mehrschichtnetzwerks,
Figur 4 ein Neuron eines künstlichen, neuronalen Netzwerks,
Figur 5 eine Anordnung zur Erstellung des Prüfmodells,
Figur 6 durch das erste System ermittelte Luft- und
Körperschalldaten mit darin gekennzeichnetem
Stimulus , Figur 7 Trainings- und Testresultate zu statischen
Parametern,
Figur 8 Trainings- und Testresultate zu dynamischen
Parametern, und
Figur 9 ein Ablaufdiagramm eines Verfahrens zur Prüfung
eines Bedienelements für ein Fahrzeug.
Elemente gleicher Konstruktion oder Funktion sind
figurenübergreifend mit den gleichen Bezugszeichen versehen.
In den letzten Jahren haben psychoakustische Eindrücke von Produkten zunehmend an Wichtigkeit in zahlreichen Design- und Herstellungssektoren gewonnen. Herkömmliche Messaufbauten basieren jedoch auf Mikrophonen und sind teuer und
empfindlich gegenüber Rauschen, Umgebungsgeräuschen und/oder Störgeräuschen. Es wird daher ein Verfahren zur Abschätzung psychoakustischer Parameter aus Messdaten eines Beschleunigungssensors unter Verwendung künstlicher
neuronaler Netzwerke (Artificial Neural Network, ANN) angegeben. Das Verfahren wurde in dem im Folgenden
beschriebenen Ausführungsbeispiel erfolgreich an
Automobilinterieurkomponenten angewendet, welche
nichtstationäre Geräusche bei Betätigung abgeben. Wie anhand der folgenden Figuren beschrieben wird, werden - um das
Verfahren zu entwickeln und abzustimmen - die
Betriebsgeräusche zunächst simultan sowohl durch ein
Mikrophon als auch durch einen Beschleunigungssensor
aufgezeichnet. Statische und dynamische psychoakustische Parameter werden daraufhin aus den Messdaten des Mikrophons ermittelt gemäß einem Hörermodell. Schließlich wird eine Beziehung zwischen den psychoakustischen Parametern und den Messdaten des Beschleunigungssensors angenähert mittels eines vorwärtsgekoppelten neuronalen Mehrschichtnetzwerks (engl, feed forward multilayer neural network) .
Mit Psychoakustik wird die Lehre der menschlichen Wahrnehmung von Geräuschen bezeichnet. Die Empfindlichkeit des
menschlichen Ohrs wechselt als eine Funktion der Frequenz. Menschliches Hören kombiniert Geräusche mit nahen Frequenzen in vierundzwanzig Frequenzbänder. Es ist komplex die
Wahrnehmung zu evaluieren, da individuelle Unterschiede auftreten. Viel Aufwand wurde darauf verwendet
psychoakustische Parameter zu nutzen um akustisch
wahrgenommene Qualität subjektiv zu evaluieren, zum Beispiel Lautheit, Schärfe, Rhythmus, Rauheit und so weiter. Es wurde herausgefunden, dass die Empfindung von nichtstationären Geräuschen hochgradig korreliert ist mit den
psychoakustischen Parametern Lautheit und Schärfe. Lautheit beschreibt die menschliche Wahrnehmungscharakteristik
bezüglich der Tonstärke. In diesem Ausführungsbeispiel wird die Lautheit als psychoakustischer Kennwert gemessen und ermittelt gemäß dem Hörermodell nach Zwickers in ISO 532B mit der Einheit sone. Schärfe ist eine Empfindung, die sich auf die Tonspektrumsdichte bezieht und die empfundenen Wohlklang beeinflusst. Schärfe ist hochgradig abhängig von dem hohen
Frequenzanteil in den Geräuschen. Es gibt keinen ISO Standard zur Berechnung der Schärfe. In diesem Ausführungsbeispiel wird die Schärfe ebenfalls als psychoakustischer Kennwert gemessen und ermittelt mit der Einheit acum gemäß Zwicker, was eine der beliebtesten Methoden darstellt.
Figur 3 zeigt ein beispielhaftes, vorwärtsgekoppeltes
neuronales Mehrschichtnetzwerk, welches aus einer
Eingangsschicht E, einer Ausgangsschicht A und einer oder mehreren verborgenen Schichten V besteht. ANNs sind mächtige Werkzeuge um Eingänge x auf gewünschte Ausgänge y abzubilden, wenn die Eingangs-/Ausgangsbeziehungen komplex und
nichtlinear sind. Ein ANN ist ein Datenverarbeitungssystem, das sich wie eine Verallgemeinerung des mathematischen
Modells der menschlichen Wahrnehmung entwickelt.
Ein beispielhaftes, einzelnes Neuron N eines solchen
Netzwerks gemäß Figur 3 ist in Figur 4 dargestellt, bei dem die Eingänge xi, x±, xn einer vorherigen Schicht mit wi, wi, gewichtet, in einen Summenblock Σ geführt, mit einem Bias b addiert, mit einer Aktivierungsfunktion F prozessiert und schließlich in Ausgang y ausgegeben werden. Formal kann ein Neuron definiert sein wie folgt:
Figure imgf000014_0001
Wobei n die Anzahl der Eingänge xi, x , xn und z die Summe der gewichteten Eingänge xi, x±, xn ist. Bevor ein ANN benutzt wird sollte es zunächst trainiert und validiert werden mit einer Serie an Trainingsdaten. In der Trainingsphase adaptieren sich Netzwerkparameter selbst als Antwort auf eine Menge an Lernbeispielen aus dem
Datenbestand. Die Adaption wird iterativ fortgesetzt bis ein Fehler zwischen dem Ausgang y des ANN und einem gewünschten Ausgang (Vorgabewert) unterhalb einer Toleranzschwelle liegt. So konfiguriert sich das Netzwerk selbst und lernt die gewünschte Eingangs-Ausgangsbeziehung .
Im vorliegenden Ausführungsbeispiel ist in dem Flussdiagramm der Figur 1 ein erstes System 1 zur Erstellung eines
Prüfmodells P zur Prüfung eines Bedienelements 11 für ein Fahrzeug gezeigt. Das erste System 1 weist zwei Zweige auf, die die jeweils unterschiedliche Behandlung von mikrophon- und beschleunigungssensorbasierten Messdaten spezifizieren. Der obere Zweig zeigt einen herkömmlichen Weg um
psychoakustische Parameter zu erhalten. Mittels eines
Mikrophons 21 wird ein Messsignal ermittelt, umfassend
Luftschalldaten L, die an eine Verarbeitungsvorrichtung 31 weitergeleitet werden. Aus den Luftschalldaten L können gemäß dem Hörermodell nach E. Zwicker et al . , Psychoacoustics :
Facts and models, Springer Science & Business Media, 2013, vol. 22 psychoakustische Parameter ermittelt werden.
Der untere Zweig beschreibt einen Weg, um
Qualitätsabschätzungen aus beschleunigungssensorbasierten Messdaten mit Hilfe der Verarbeitung durch ein künstliches neuronales Netzwerk zu erhalten. Mittels eines
Beschleunigungssensors 23 wird ein Messsignal ermittelt, umfassend Körperschalldaten K, die ebenfalls an die
Verarbeitungsvorrichtung 31 weitergeleitet werden. Das ANN wird trainiert durch Messungen die Beziehung zwischen den Körperschalldaten K, den Luftschalldaten L sowie den Ergebnissen aus der herkömmlichen Berechnung zu erlernen. Das trainierte ANN kann auch als Prüfmodell P bezeichnet werden.
Sobald das ANN trainiert ist kann der obere Zweig eliminiert werden. Ein derartiges zweites System 2 gemäß dem
vorliegenden Ausführungsbeispiel ist anhand des
Flussdiagramms der Figur 2 dargestellt. Hierbei kann die Qualitätsabschätzung einer neuen Komponente wie einem dem
Bedienelement 11 ähnlichen Bedienelement 13 lediglich unter Verwendung des unteren Zweigs durchgeführt werden. Das heißt, einzig beschleunigungssensorbasierte Messdaten, also die Körperschalldaten K, werden bei weiterer Nutzung
erforderlich.
Die Erstellung des Prüfmodells kann in drei Hauptschritte untergliedert werden: Geräuschmessung, Datenvorbereitung für ANNs und ANN-Modellierung . Messungen können beispielsweise mit einem Echtzeitmesssystem PAK ( Prüfstands-Akustik- Messsystem wie beispielsweise von der Firma Müller BBM
VibroAkustik Systeme, das sich für Schall- und
Schwingungsmessungen universell einsetzen und den Aufgaben entsprechend anpassen und erweitern lässt) und die
Verarbeitung mit dem Computerprogramm „Matlab" auf einem Computer durchgeführt werden. Körperschalldaten K des
Beschleunigungssensors 23 werden zuerst einer
Merkmalsextraktion unterzogen, die den ANNs als Eingänge x zugeführt werden. Luftschalldaten L werden genutzt, um
Vorgabewerte der ANNs zu berechnen, insbesondere die der
Lautheit und der Schärfe. Basierend darauf wird eine passende ANN-Struktur bestimmt. Ein Datenbestand ist erforderlich um das ANN zu trainieren und maximale Genauigkeit zu erreichen. Beispielsweise werden hierzu gemäß dem vorliegenden Ausführungsbeispiel in einer Semifreifeldraum bzw. Reflexionsarmen Raum 25 (siehe Figur 5) durch Betätigung hervorgerufene Geräusche von Bedienelementen 11, also Betriebsgeräusche derselben Komponente von
verschiedenen Fahrzeugen, aufgenommen. Sowohl ein
Kondensatormikrophon 21 als auch ein triaxialer
piezoelektrischer Beschleunigungssensor 23 können für die Messung eingesetzt werden. Das Mikrophon 21 ist gegenüber der Komponente 11 in konstantem Abstand angeordnet, während der Beschleunigungssensor 23 direkt auf der Oberfläche der
Komponente 11 mit Wachs fixiert wird gemäß ISO 5348. Alle Komponenten 11 werden in verschiedenen hinsichtlich aller zur Verfügung stehenden Betätigungsrichtungen betrieben, wodurch realistische Betriebsbedingungen simuliert werden können.
Die Luftschalldaten L und Körperschalldaten K der Sensoren 21, 23 des vorliegenden Ausführungsbeispiels sind in Figur 6 als Originalaufnahmen dargestellt. Jede Aufnahme umfasst eine Dauer von 15s bei einer Abtastrate von 48kHz. In den 15s werden vollständige Betriebsaktionen wiederholt
einschließlich Betätigung und Freigabe. Diese Aktionen können auch als Stimuli S bezeichnet werden, wobei zwei
korrespondierende Stimuli S in Figur 6 exemplarisch
hervorgehoben sind. Jede Aufnahme umfasst fünf bis sechs Stimuli S. In diesem Ausführungsbeispiel wird jedes davon ausgeschnitten mit der gleichen Dauer von 2s. Insgesamt wurden in dem Ausführungsbeispiel elf Komponenten 11, 13 vermessen. Ohne die entfernten, fälschlich aufgenommenen Stimuli S umfasst der Datenbestand in diesem
Ausführungsbeispiel zweihunderteinundzwanzig Stimuli S des Mikrophons 21 und zweihunderteinundzwanzig Stimuli S des Beschleunigungssensors 23.
Um ANNs gebührend und korrekt zu trainieren werden die
Luftschalldaten L und die Körperschalldaten K vorverarbeitet, um die gewünschten Eingänge x und Vorgabewerte zu bestimmen. Was nichtstationäre Geräusche betrifft sind dynamische
Charakteristika genauso wichtig wie die Gesamtevaluierung. Daher besteht der Vorgabewert aus zwei Teilen: statischen Gesamtparametern und Parametern, die den dynamischen Status verfolgen. Beide Teile werden ausgewählt mit Bezug zu den psychoakustischen Parametern Lautheit und Schärfe. Zwei ANNs werden getrennt eingesetzt für die verschiedenen
Vorgabewerte, da sie von verschiedenen Komplexitätsgraden sind. Des Weiteren können zwei getrennte ANNs einfacher durch zukünftige Nutzer angewandt werden. Um die ANNs zu trainieren wird der Datenbestand in zwei Teile geteilt. Berechnete
Parameter des Mikrophons 21, Lautheit und Schärfe, stellen dem ANN Trainingsvorgabewerte bereit, und extrahierte
Merkmale des Beschleunigungssensors 23 werden den ANNs als Eingänge x zugeführt.
In einem ersten Schritt der Vorverarbeitung erfolgt eine Berechnung psychoakustischer Parameter: Dabei werden die Vorgabewerte vorbereitet für das ANN. Psychoakustische
Parameter, Lautheit und Schärfe, werden berechnet aus den Luftschalldaten L, die in statische und dynamische Parameter unterteilt werden. Statische Parameter zeigen die Gesamtevaluierung einer
Messung, welche durch zwei statische Werte repräsentiert wird, das heißt, Gesamtlautheit und Gesamtschärfe. Diese evaluieren einen der Stimuli S als Ganzes. Dynamische Parameter, die auch als zeitvariierende Parameter bezeichnet werden können, beziehen sich hier und im Folgenden auf die Zeitserie von zeitabhängiger Lautheit und zeitabhängiger Schärfe (im englischen auch als „instantaneous loudness" bzw. „instantaneous sharpness" bezeichnet) . Unter
Berücksichtigung, dass temporäre Hörereffekte einen Einfluss haben, wenn eine Geräuschdauer kürzer als 200ms beträgt, werden hinsichtlich der zeitvariierenden Parameter die jeweiligen Stimuli S in 20ms Abschnitte unterteilt und die entsprechenden Parameterwerte bezogen auf jeden dieser
Abschnitte berechnet.
In einem darauffolgenden Schritt erfolgt eine
Merkmalsextraktion, bei der die Eingänge x des ANN von dem Beschleunigungssensor 23 bereitgestellt werden. Als
Originaldaten werden zahlreiche
Vibrationsbeschleunigungswerte aus den Körperschalldaten K verwendet, welche mit hoher Abtastrate gemessen sind und in dieser Form eine unnötig hohe Informationsdichte für das ANN darstellen. Daher wird das Datenvolumen des Eingangs x reduziert, indem Merkmale aus den Körperschalldaten K
extrahiert werden, um eine höhere Effizienz zu gewährleisten. Extrahierte Merkmale sollten repräsentativ sein für den jeweiligen psychoakustischen Ausschlag. Da der
Beschleunigungssensor 23 eine von dem Mikrophon 21
unterschiedliche Frequenzantwort aufweist werden die Signale im Frequenzraum analysiert. Korrespondierend zu den zwei Sätzen an Vorgabewerten lassen sich die Eingangsinformationen ebenfalls in statische und dynamische Merkmale unterteilen. Hinsichtlich der statischen Merkmale wird jeder Stimulus S als Ganzes betrachtet, bei dem keine zeitbezogenen Faktoren in das Merkmal einbezogen werden. Originaldaten werden mit einem Butterworthfilter in vierundzwanzig Frequenzbänder zwischen 0kHz und 15.5kHz gefiltert. Jedes Band erhält zehn Abtastpunkte. Die zweihundertundvierzig Punkte im Spektrum werden anschließend ausgewählt, das statische Merkmal des Signals zu repräsentieren. Statt einer Verarbeitung der gesamten Stimuli S wird diese mit der Zeit durchgeführt. Eine 240-Punkt Spektral- und Temporalmatrix wird alle 20ms
berechnet .
Daraus ergeben sich zwei Sätze an Merkmalsdaten für jeden Stimulus S, welche zu den zwei Typen an Vorgabewerten
korrespondieren. Aus statischer Sicht wird jeder Stimulus S mit einem frequenzbasierten Vektor (240x1) ausgestattet. Aus dynamischer Sicht ist er mit einer zeit- und
frequenzbasierten 240xl00-Matrix ausgestattet.
In einem letzten Schritt erfolgt die Modellierung künstlich neuronaler Netzwerke. Dabei werden vorwärtsgekoppelte
Mehrschicht ANNs eingesetzt um psychoakustische Parameter aus den Körperschalldaten K abzuschätzen. Zwei ANN-Modelle werden separat entwickelt für statische und dynamische
Zielparameter. ANNs können als Annäherung nichtlinearer
Funktionen betrachtet werden. Hierbei kann der Levenberg- Marquadt Algorithmus eingesetzt werden, der präzise
Ergebnisse liefert und effizient bei ANNs von moderater Größe arbeitet. Es handelt sich dabei um ein iteratives Verfahren, das nach einem lokalen Minimum der multivariaten
Kostenfunktion sucht. Der Algorithmus ist hinlänglich bekannt und wird hier nicht näher behandelt. In diesem
Ausführungsbeispiel werden beide Netzwerke mit dem Levenberg- Marquadt Algorithmus trainiert.
In beiden ANNs wird in diesem Ausführungsbeispiel eine dreischichtige Struktur gewählt. Zur statischen Parameterabschätzung werden zehn Neuronen N in der verborgenen Schicht V eingesetzt. In dem ANN für dynamische Parameter werden dreißig Neuronen N in der verborgenen
Schicht V eingesetzt, da größere Netzwerke für höhere
Nichtlinearität zwischen Eingängen x und Vorgabewerten erforderlich sind. Eine noch weitere Erhöhung der Anzahl führte in Experimenten jedoch nicht mehr zu einer starken Verbesserung. Die zur Verfügung stehenden Daten können in drei Sätze eingeteilt werden, beispielsweise 70% für
Trainingszwecke, 15% für Validierungszwecke und 15% für
Testzwecke. Das ANN konfiguriert seine Netzwerkparameter hauptsächlich gemäß der Eingangs-Ausgangsbeziehung der
Trainingsdaten. Validierungsdaten vergleichen die ANN
Ausgänge y und die Vorgabewerte und überprüfen die
Abbruchbedingungen des Trainings. Sie validieren die Leistung des ANN im Trainingsprozess und werden eingesetzt um die nachträgliche Leistung der ANN zu evaluieren. In anderen Worten überprüft der Testsatz, ob der untere Zweig in Figur 2 mit weiteren Daten alleine arbeiten kann. In Tabelle 1 ist ein Überblick der Einstellungen dargestellt.
ANN für statische ANN für dynamische Parameter Parameter
Struktur 10 verborgene 30 verborgene
Neuronen Neuronen
Trainingsalgorithmus Levenberg-Marquardt
Datenaufteilung 70% Training, 15% Validierung, 15% Test
Aktivierungsfunktion Verborgene Schicht: tan-sigmoid ,
Ausgangsschicht: linear
Plattform der Software: Matlab R2013b
Implementierung Hardware: Laptop Intel Core i7-4720HQ
CPU @ 2.2GHz, RAM 16GB Tabelle 1 - Konfiguration der ANNs
Wie der Figur 7 zu entnehmen können mit dem ANN für
statisches Evaluieren zufriedenstellende Ergebnisse auf äußerst effiziente Weise erreicht werden. Die statischen Parameter Gesamtlautheit und Gesamtschärfe werden erfolgreich abgeschätzt aus der gewählten Merkmalsinformation der
Körperschalldaten K. Beide Parameter können gleichzeitig ohne zusätzliche Aufbereitung erlangt werden. Es besteht dabei eine hohe Korrelation R zwischen ANN Ausgängen y und
Vorgabewerten im Trainingsprozess , die einen Wert größer als 0.999 erreicht. Dies zeigt, dass das Netzwerk gut darin ist, die Eingangs-Ausgangsbeziehung in den Trainingsdaten zu finden. Auch im Test ist die Korrelation sehr hoch und erreicht einen Wert von über 0.991, was eine
Verallgemeinerungsfähigkeit des Netzwerks untermauert. Figur 7 zeigt die Ergebnisse des Trainings und des Testprozesses gemäß dem vorliegenden Ausführungsbeispiel. Jeder Kreis repräsentiert eines der Stimuli S, dargestellt durch die Vorgabewerte (Gesamtlautheit und Gesamtschärfe) auf der horizontalen Achse und den ANN Ausgängen y auf der vertikalen Achse. Die Passlinie zeigt die lineare Regression zwischen den Vorgabewerten und den erzeugten Ausgängen y, die mit dem Ausdruck neben der vertikalen Achse beschrieben werden können, der mit der Formel
Ausgang y = ß * Vorgabewert + e beschrieben wird, wobei ß den Regressionskoeffizienten und e den Fehler bezeichnet. Wie der Figur 8 zu entnehmen beträgt bei Evaluieren des ANN für dynamische Parameter die Korrelation zwischen Ausgängen y und gewünschten Parametern 0.953 für den Trainingsprozess , und 0.928 für den Testprozess. Es gibt mehr Trainingsdaten für dieses ANN, da die Eingangsmerkmale und Vorgabewerte mit der Zeit variieren. Eine Berücksichtigung zeitbezogener
Faktoren führt auch zu einer höheren Komplexität der
Eingangs-Ausgangsbeziehung . Die gute Leistung des ANN- Verfahrens wird jedoch durch Erhöhung der Anzahl an Neuronen N in diesem ANN gewährleistet. Figur 8 zeigt die Ergebnisse der Trainings- und Testprozesse gemäß dem vorliegenden
Ausführungsbeispiel. Jeder Kreis repräsentiert einen 20ms Abschnitt eines Stimulus S, dargestellt durch die
Vorgabewerte auf der horizontalen Achse und den ANN Ausgängen y auf der vertikalen Achse.
Die Abschätzung der statischen Parameter ist in diesem
Ausführungsbeispiel akkurat. Der mittlere quadratische Fehler (root-mean-square error, RMSE) der Abschätzung der
Gesamtlautheit liegt dabei bei 0.616 sone, und der RMSE der Gesamtschärfe bei 0.028 acum. Der maximale Fehler der
Gesamtlautheit liegt bei 2.8 sone und bei 0.2 acum für die Gesamtschärfe . Im Vergleich sind die Fehler der Abschätzungen für dynamische Parameter höher. Der RMSE der zeitabhängigen Lautheit liegt bei 1.272 sone und der RMSE der zeitabhängigen Schärfe bei 0.693 acum. Der maximale Fehler der zeitabhängigen Lautheit liegt bei 25.4 sone und bei 2.4 acum für die zeitabhängige Schärfe.
Da der Trainingsprozess ein unabhängiger Prozess ist, der nicht während der Anwendungsphase stattfindet, ist auch die Trainingszeit nicht ausschlaggebend, wenn das Verfahren in der Herstellung der Bedienelemente 11, 13 eingesetzt wird. Vielmehr liegt ein Fokus hier auf der Wiederaufrufbarkeit . Sobald das Netzwerk trainiert ist kann es nahezu in Echtzeit angewandt, das heißt, wiederaufgerufen werden. Für einen einzelnen 2s Stimulus S, welcher bei 48kHz abgetastet ist, benötigt das ANN in diesem Ausführungsbeispiel 0.01s im
Durchschnitt um die statischen Parameter zu generieren und ls, um die einhundert zeitabhängigen dynamischen Parameter zu generieren. Tabelle 2 zeigt die durchschnittliche
Verarbeitungszeit für einen Stimulus S in Matlab,
einschließlich der benötigten Zeit um die Merkmale zu
extrahieren und ein ANN wiederaufzurufen. Im Ganzen beträgt die Verarbeitungszeit des vorgeschlagenen Verfahrens weniger als 2s.
Figure imgf000024_0001
Tabelle 2 - Verarbeitungszeit des Verfahrens für einen einzelnen Stimulus
Anhand des Ablaufdiagramms der Figur 9 sind die einzelnen Schritte eines Verfahrens zur Prüfung eines Bedienelements 13 für ein Fahrzeug gemäß dem vorliegenden Ausführungsbeispiel dargestellt .
In einem Schritt Sl wird das Verfahren gestartet. In dem Schritt Sl wird das Bedienelement 13 bereitgestellt, beispielsweise im Anschluss an seine bzw. als letzter Schritt in seiner Herstellung (sogenanntes „end-of-line" ) .
Das Verfahren wird anschließend in einem Schritt S3
fortgesetzt, in dem der Körperschallsensor 23 mit dem
Bedienelement 13 mechanisch gekoppelt wird, beispielhaft manuell. Der Körperschallsensor 23 kann dabei insbesondere an einer vorgegebenen Position in einer vorgegebenen
Orientierung auf dem Bedienelement 13 angebracht werden, das hierzu beispielhaft eine Markierung aufweist.
Darüber hinaus wird in dem Schritt S3 der
Verarbeitungseinheit 31 das zugehörige Prüfmodell P
bereitgestellt, mit dem das entsprechende System 3 mit ähnlichen Bedienelementen 11 trainiert wurde.
In einem anschließenden Schritt S5 wird das Bedienelement 13 wenigstens einmal betätigt unter Zuführung einer vorgegebenen Kraft in einer vorgegebenen Geschwindigkeit und in einer vorgegebenen Bewegung, beispielsweise maschinell. Hierbei wird durch den Körperschallsensor 23 der durch die Betätigung hervorgerufene Körperschall aufgezeichnet und die ermittelten Körperschalldaten K an die Verarbeitungsvorrichtung 31 weitergeleitet .
In einem darauffolgenden Schritt S7 werden die
psychoakustischen Kennwerte abhängig von dem Prüfmodell P und den Körperschalldaten K durch die Verarbeitungsvorrichtung 31 ermittelt. Bei den psychoakustischen Kennwerten kann es sich wie bereits erläutert insbesondere um Gesamtlautheit ,
Gesamtschärfe, zeitabhängige Lautheit und zeitabhängige
Schärfe handeln. Die dem Bedienelement 13 zugeordneten psychoakustischen
Kennwerte werden in einer ersten Ausführungsvariante im folgenden Schritt S9 mit einem vorgegebenen Referenzkennwert verglichen. In einer zweiten Ausführungsvariante werden die psychoakustischen Kennwerte in dem Schritt S9 mit einem vorgegebenen Referenzbereich verglichen.
Abhängig von dem Vergleich wird in einem nachfolgenden
Schritt Sil ein Gütekennwert G ermittelt. Übersteigt gemäß der ersten Ausführungsvariante beispielsweise die
Gesamtlautheit den vorgegebenen Referenzkennwert, so wird dem Bedienelement 13 ein niedriger Gütekennwert G zugeordnet, das Bedienelement 13 wird in diesem Fall beispielsweise
ausgemustert. Liegen gemäß der zweiten Ausführungsvariante beispielhaft die zu dem Bedienelement 13 ermittelten
Kennwerte der zeitabhängigen Schärfe allesamt in dem
vorgegebenen Referenzbereich, so wird dem Bedienelement 13 ein hoher Gütekennwert G zugeordnet.
Das Verfahren wird anschließend beendet.
In diesem Ausführungsbeispiel wurde ein Verfahren zur
Evaluierung der Korrelation zwischen
beschleunigungssensorbasierten Messdaten und herkömmlichen mikrophonbasierten Messdaten mit speziellem Bezug zu
psychoakustischen Parametern angegeben. Sowohl statische Parameter wie Gesamtlautheit und Gesamtschärfe als auch dynamische Parameter wie zeitabhängige Lautheit und
zeitabhängige Schärfe wurden mit zwei unabhängigen ANNS berücksichtigt. Die Betriebsgeräusche der
Fahrzeuginterieurkomponenten wurden vermessen und
zweihunderteinundzwanzig Stimuli S genutzt, um die ANNs zu trainieren und zu testen. Wie erläutert zeigen die Ergebnisse, dass die ANNs fähig sind, psychoakustische
Parameter aus Beschleunigungssensorsignalen abzuschätzen. Die Abschätzung von statischen Parametern ist akkurat und
effizient. ANN Ausgänge y sind hochgradig korreliert mit den Vorgabewerten, die aus Mikrophonsignalen errechnet wurden. Dahingegen ist die Abschätzung dynamischer Parameter nicht ganz so robust, vereinzelt treten hohe Fehler auf. In Zukunft könnten Maßnahmen zur Optimierung der ANN Struktur oder
Extraktion alternativer Merkmale aus den
Beschleunigungssensorsignalen untersucht werden. Insgesamt können statische psychoakustische Parameter von
Betriebsgeräuschen abgeschätzt und evaluiert werden mit einem Beschleunigungssensor .
Bezugs zeichenliste :
I, 3 System
II, 13 Bedienelement
21 Mikrophon
23 Beschleunigungssensor
25 Semifreifeldraum
31 Verarbeitungseinheit
P Prüfmodell
G Gütekennwert
L LuftschalIdaten
K Körperschalldaten
X, Xi, Xi xn Eingang
y Ausgang
E EingangsSchicht v Verborgene Schicht
A Ausgangsschicht N Neuron
s Stimulus
Wi, Wi, w Gewichte
b Bias
F Aktivierungsfunktion z Summe
Sl ...Sil Verfahrensschritte

Claims

Patentansprüche
1. Verfahren zur Prüfung eines Bedienelements (13) für ein Fahrzeug, bei dem
- ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt wird,
- eine Betätigung des Bedienelements (13) durchgeführt wird,
- ein Messsignal des Körperschallsensors (13) ermittelt wird, umfassend Körperschalldaten (K) , die repräsentativ sind für einen durch die Betätigung hervorgerufenen
Körperschal1 ,
- ein Prüfmodell (P) bereitgestellt wird, das
repräsentativ ist für eine Beziehung zwischen
Körperschalldaten (K) und einer psychoakustischen
Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls, und
- abhängig von dem Messsignal und dem Prüfmodell (P) ein Gütekennwert (G) ermittelt wird, der repräsentativ ist für einen durch einen Nutzer empfundenen Wohlklang bei
Betätigung des Bedienelements (13).
2. Verfahren nach Anspruch 1, wobei die Ermittlung des
Gütekennwerts (G) umfasst:
- Ermitteln der psychoakustischen Wahrnehmung eines bei
Betätigung des Bedienelements (13) hervorgerufenen
Luftschalls abhängig von dem Messsignal und dem Prüfmodell (P) ,
- Vergleichen der psychoakustischen Wahrnehmung mit einem vorgegebenen Referenzkennwert und/oder mit einem
vorgegebenen Referenzbereich, und
- Ermitteln des Gütekennwerts (G) abhängig von dem
Vergleich . Verfahren nach einem der vorstehenden Ansprüche, bei dem die psychoakustische Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls wenigstens einen psychoakustischen Kennwert umfasst, der
repräsentativ ist für zumindest eines aus Lautheit
und/oder Schärfe des Luftschalls.
Verfahren nach einem der vorstehenden Ansprüche, bei dem die Betätigung des Bedienelements (13) umfasst:
- Durchführen wenigstens einer vorgegebenen
Betätigungsbewegung mit einer vorgegebenen Kraft und einer vorgegebenen Geschwindigkeit.
Verfahren zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements (13) für ein Fahrzeug, bei dem
- ein Luftschallsensor (21) und ein Körperschallsensor (23) mit dem Bedienelement (13) gekoppelt werden,
- eine Betätigung des Bedienelements (13) durchgeführt wird,
- jeweils ein Messsignal des Luftschallsensors (21) und des Körperschallsensors (13) ermittelt wird, umfassend Luftschalldaten (L) , die repräsentativ sind für einen durch die Betätigung hervorgerufenen Luftschall
beziehungsweise Körperschalldaten (K) , die repräsentativ sind für einen durch die Betätigung hervorgerufenen
Körperschall, und
- abhängig von den Luftschalldaten (L) und den
Körperschalldaten (K) ein Prüfmodell (P) ermittelt wird, das repräsentativ ist für eine Beziehung zwischen
Körperschalldaten (K) und einer psychoakustischen
Wahrnehmung eines bei Betätigung des Bedienelements (13) hervorgerufenen Luftschalls. Verfahren nach einem der vorstehenden Ansprüche, bei dem das Ermitteln des jeweiligen Messsignals umfasst:
- Aufzeichnen von Luftschalldaten (L) durch
Luftschallsensor (21) beziehungsweise Körperschalldaten (K) durch den Körperschallsensor (23) innerhalb einer Zeitspanne zwischen 0,5 Sekunden und 15 Sekunden,
insbesondere 2 Sekunden.
Verfahren nach einem der vorstehenden Ansprüche, bei dem das Prüfmodell (P) ein erstes Modell zur statischen
Evaluierung und ein zweites Modell zur dynamischen
Evaluierung umfasst.
Verfahren nach einem der vorstehenden Ansprüche, bei dem das Prüfmodell (P) ein künstliches neuronales Netzwerk umfasst .
Verfahren nach Anspruch 8, bei dem das Prüfmodell (P) zur statischen Evaluierung zwischen 5 und 15 erste Neuronen (N) aufweist.
Verfahren nach einem der Ansprüche 8 oder 9, bei dem das Prüfmodell (P) zur dynamischen Evaluierung zwischen 25 und 40 zweite Neuronen (N) umfasst.
System zur Prüfung eines Bedienelements (13) für ein
Fahrzeug, umfassend
- einen Körperschallsensor (23) , welcher zur Aufnahme eines bei Betätigung des Bedienelements (13)
hervorgerufenen Körperschalls ausgebildet und mit dem Bedienelement (13) gekoppelt ist, und
- eine Verarbeitungseinheit (31), die mit dem
Körperschallsensor (23) signaltechnisch gekoppelt und ausgebildet ist, ein Verfahren nach einem der Ansprüche 1 bis 4 und 6 bis 10 durchzuführen.
System zur Erstellung eines Prüfmodells zur Prüfung eines Bedienelements (13) für ein Fahrzeug, umfassend
- einen Luftschallsensor (21) und einen Körperschallsensor (23) , welche zur Aufnahme eines bei Betätigung des
Bedienelements (13) hervorgerufenen Luftschalls
beziehungsweise Körperschalls ausgebildet und mit dem Bedienelement (13) gekoppelt sind, und
- eine Verarbeitungseinheit (31), die mit dem
Luftschallsensor (21) und dem Körperschallsensor (23) signaltechnisch gekoppelt und ausgebildet ist, ein
Verfahren nach einem der Ansprüche 5 bis 10 durchzuführen.
PCT/EP2017/070234 2016-08-11 2017-08-09 Verfahren und system zur prüfung eines bedienelements sowie verfahren und system zur erstellung eines prüfmodells WO2018029270A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016114917.9A DE102016114917A1 (de) 2016-08-11 2016-08-11 Verfahren und System zur Prüfung eines Bedienelements sowie Verfahren und System zur Erstellung eines Prüfmodells
DE102016114917.9 2016-08-11

Publications (1)

Publication Number Publication Date
WO2018029270A1 true WO2018029270A1 (de) 2018-02-15

Family

ID=59745875

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/070234 WO2018029270A1 (de) 2016-08-11 2017-08-09 Verfahren und system zur prüfung eines bedienelements sowie verfahren und system zur erstellung eines prüfmodells

Country Status (2)

Country Link
DE (1) DE102016114917A1 (de)
WO (1) WO2018029270A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854993A (en) * 1996-12-10 1998-12-29 Caterpillar Inc. Component machine testing using neural network processed vibration data analysis
DE102007023118A1 (de) * 2007-05-16 2008-01-03 Daimlerchrysler Ag NVH-Messsystem zur Erfassung und Aufzeichnung von Noise-Vibration-Harshness-Emissionen von einem Produkt sowie Verfahren

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007027502A1 (de) * 2007-06-14 2008-12-18 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur audiologischen Prüfung
JP5380362B2 (ja) * 2010-05-17 2014-01-08 パナソニック株式会社 品質検査方法および品質検査装置
DE102011114058B4 (de) * 2011-09-22 2022-02-17 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur akustischen Beurteilung eines Bauteils
DE102014212733A1 (de) * 2014-07-01 2016-01-07 Bayerische Motoren Werke Aktiengesellschaft Auditive Prüfung von Geräuschen

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5854993A (en) * 1996-12-10 1998-12-29 Caterpillar Inc. Component machine testing using neural network processed vibration data analysis
DE102007023118A1 (de) * 2007-05-16 2008-01-03 Daimlerchrysler Ag NVH-Messsystem zur Erfassung und Aufzeichnung von Noise-Vibration-Harshness-Emissionen von einem Produkt sowie Verfahren

Non-Patent Citations (17)

* Cited by examiner, † Cited by third party
Title
A. M. WILLEMSEN ET AL.: "Characterization of sound quality of impulsive sounds using loudness based metric", PROCEEDINGS OF 20TH INTERNATIONAL CONGRESS ON ACOUSTICS, vol. 5, 2010, pages 3397 - 3404
AUCH S.-K. LEE ET AL.: "Objective evaluation of the rumbling sound in passenger cars based on an artificial neural network", PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS, PART D: JOURNAL OF AUTOMOBILE ENGINEERING, vol. 219, no. 4, 2005, pages 457 - 469
E. ZWICKER ET AL.: "Psychoacoustics: Facts and models", vol. 22, 2013, SPRINGER SCIENCE & BUSINESS MEDIA
G VOLANDRI ET AL: "A psychoacoustic approach for sound quality assessment of automotive power windows", INTERNATIONAL CONFERENCE ON NOISE AND VIBRATION ENGINEERING 2012, 1 January 2012 (2012-01-01), XP055407796, Retrieved from the Internet <URL:https://www.isma-isaac.be/past/conf/isma2012/proceedings/papers/isma2012_0430.pdf> [retrieved on 20170919] *
GASPAR JOSÉ ET AL: "Psychoacoustics of in-car switch buttons: From feelings to engineering parameters", APPLIED ACOUSTICS, ELSEVIER PUBLISHING, GB, vol. 110, 18 April 2016 (2016-04-18), pages 280 - 296, XP029519857, ISSN: 0003-682X, DOI: 10.1016/J.APACOUST.2016.03.037 *
H. B. DEMUTH ET AL., NEURAL NETWORK DESIGN, 2014
H.-H. LEE ET AL.: "Objective evaluation of interior noise booming in a passenger car based on sound metrics and artificial neural networks", APPLIED ERGONOMICS, vol. 40, no. 5, 2009, pages 860 - 869, XP026133807, DOI: doi:10.1016/j.apergo.2008.11.006
KARSTEN MORITZ ET AL: "Wahrnehmung von Getriebegeräuschen - Übertragung psychoakustischer Analysen auf Körperschallsignale", 1 March 2015 (2015-03-01), XP055407610, Retrieved from the Internet <URL:http://publica.fraunhofer.de/dokumente/N-341374.html> [retrieved on 20170918] *
M. C. BEZAT ET AL.: "Relations between acoustic parameters and perceptual properties: an approach by regressions tree applied to car door closure sounds", THE JOURNAL OF THE ACOUSTICAL SOCIETY OF AMERICA, vol. 123, no. 5, 2008, pages 3253 - 3253
M. HÖCHSTEITER ET AL.: "Influence of synthetically varied signal parameters of impulsive vehicle sounds on perceived quality", 26. KONFERENZ ELEKTRONISCHE SPRACHSIGNALVERARBEITUNG,, vol. 26, 25 March 2015 (2015-03-25) - 27 March 2015 (2015-03-27), pages 264 - 271
M. HÖCHSTETTER ET AL.: "Psychoacoustic prediction of singular impulsive sounds", ATZ WORLDWIDE, vol. 117, no. 7-8, 2015, pages 58 - 63
M. PAULRAJ ET AL.,: "Classification of interior noise comfort level of proton model cars using artificial neural network", ADVANCED COMPUTING AND COMMUNICATION SYSTEMS (ICACCS), 2013 INTERNATIONAL CONFERENCE ON. IEEE,, 2013, pages 1 - 7, XP032670949, DOI: doi:10.1109/ICACCS.2013.6938752
M. SIVANANDAM ET AL.: "Introduction to artificial neural networks", 2009, VIKAS PUBLISHING HOUSE PVT LTD
MARIUS HÖCHSTETTER ET AL: "INFLUENCE OF SYNTHETICALLY VARIED SIGNAL PARAMETERS OF IMPULSIVE VEHICLE SOUNDS ON PERCEIVED QUALITY", KONFERENZ ELEKTRONISCHE SPRACHSIGNALVERARBEITUNG, 25 March 2015 (2015-03-25), XP055407105, Retrieved from the Internet <URL:http://www1.hft-leipzig.de/jokisch/publications/hoechstetter-jokisch-essv2015-vehicle-sound.pdf> [retrieved on 20170915] *
MORITZ ET AL.: "Wahrnehmung von Getriebegeräuschen - Übertragung psychoakustischer Analysen auf Körperschallsignale", DAGA 2015; 41. JAHRESTAGUNG FÜR AKUSTIK, SER. PAPER ID 000057, March 2015 (2015-03-01), pages 113 - 116
WANG ET AL.: "A new intelligent technique for sound quality evaluation of nonstationary vehicle noises", STRATEGIE TECHNOLOGY, THE 1ST INTERNATIONAL FORUM ON. IEEE,, 2006, pages 33 - 36, XP031049402
Y. XING ET AL.: "Sound quality recognition using optimal wavelet-packet transform and artificial neural network methods", MECHANICAL SYSTEMS AND SIGNAL PROCESSING, vol. 66, 2016, pages 875 - 892, XP055407108, DOI: doi:10.1016/j.ymssp.2015.05.003

Also Published As

Publication number Publication date
DE102016114917A1 (de) 2018-02-15

Similar Documents

Publication Publication Date Title
DE60023517T2 (de) Klassifizierung von schallquellen
DE69427083T2 (de) Spracherkennungssystem für mehrere sprachen
DE69520067T2 (de) Verfahren und Einrichtung zur Kennzeichnung eines Eingangssignales
DE69806557T2 (de) Verfahren und Vorrichtung zur Spracherkennung
DE112010003461B4 (de) Vorrichtung zur Extraktion von Sprachmerkmalen, Verfahren zur Extraktion von Sprachmerkmalen und Programm zur Extraktion von Sprachmerkmalen
DE69430082T2 (de) Verfahren und Vorrichtung zur Sprachdetektion
DE112016006218B4 (de) Schallsignal-Verbesserungsvorrichtung
DE102007051261A1 (de) Verfahren und Vorrichtung zur akustischen Beurteilung eines Kraftfahrzeuges
EP1386307B1 (de) Verfahren und vorrichtung zur bestimmung eines qualitätsmasses eines audiosignals
DE10030105A1 (de) Spracherkennungseinrichtung
DE69614233T2 (de) Sprachadaptionssystem und Spracherkenner
EP3291234B1 (de) Verfahren zum beurteilen einer qualität eines stimmeinsatzes eines sprechenden
DE69720134T2 (de) Spracherkenner unter Verwendung von Grundfrequenzintensitätsdaten
DE102016003133B4 (de) Verfahren zur automatischen Bestimmung einer individuellen Funktion einer DPOAE-Pegelkarte eines menschlichen oder tierischen Gehörs
EP1563487B1 (de) Verfahren zur ermittlung akustischer merkmale von schallsignalen fuer die analyse unbekannter schallsignale und modifikation einer schallerzeugung
DE102014207437B4 (de) Spracherkennung mit einer Mehrzahl an Mikrofonen
DE4010028C2 (de) Spracherkennungsverfahren
EP1739654B1 (de) Verfahren zum Betrieb einer Mehrfachmikrofonanordnung in einem Kraftfahrzeug und eine Mehrfachmikrofonanordnung
DE102021102712A1 (de) Verfahren und System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen
CN112735468A (zh) 一种基于mfcc的汽车座椅电机异常噪声检测方法
WO2018029270A1 (de) Verfahren und system zur prüfung eines bedienelements sowie verfahren und system zur erstellung eines prüfmodells
DE102008060194B4 (de) Verfahren und Kraftfahrzeug für ein Fahrzeugflotten-Qualifikationsmanagement
DE10235347C1 (de) Prüfverfahren zur Überprüfung der Akustik mindestens eines Schallwellen erzeugenden Klimasteuerungselements und Prüfvorrichtung
EP0787416B1 (de) Verfahren zur messung der erhaltung stereophoner audiosignale und verfahren zur erkennung gemeinsam codierter stereophoner audiosignale
DE102019005149B4 (de) Klassifizierung von Audiodaten

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17761021

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17761021

Country of ref document: EP

Kind code of ref document: A1