基于神经网络的汽车制动噪声专家检测方法技术

一种汽车技术领域的基于神经网络的汽车制动噪声专家检测方法，包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。本发明专利技术利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。

Expert Detection Method of Vehicle Braking Noise Based on Neural Network

【技术实现步骤摘要】
基于神经网络的汽车制动噪声专家检测方法
本专利技术涉及的是一种汽车
的制动噪声检测方法，特别是一种基于神经网络的汽车制动噪声专家检测方法。
技术介绍
在对机动车产品的测试过程中，对制动片的刹车检测是重要的一环。在机动车制动时取决于刹车片的质量不同，有几率会产生制动噪声。除了影响用户体验外，制动噪声的产生概率本身也与刹车片的质量高度相关。因此，制动噪声的检测也能对刹车片的质量控制有所参考。现有的噪声检测方法是：1.收集了刹车片振动与麦克风数据2.由人耳对噪声进行检查，配合快速傅里叶变换的频谱分析判断刹车片在制动过程中是否产生噪声，以及噪声的类型。这一检测过程要求检测员有高度的行业经验，灵敏的听觉系统，且培训成本高；此外，检验员往往要长期暴露在噪声环境下，对听觉系统与身心健康有着极大的负面影响。因此需要一种计算机辅助的噪声检测系统，减轻检验员工作负荷与压力，提高检测可靠性与一致性。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于神经网络的汽车制动噪声专家检测方法，利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。本专利技术是通过以下技术方案来实现的，本专利技术包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。进一步地，在本专利技术中，第一步神经网络的训练包括以下步骤：第一，从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息；第二，通过专业检验员对每次刹车记录中是否有噪声进行标记，将标记信息以电子表格形式，电子表格中包含的信息有：音频文件路径名、有无噪声、噪声发生的时间段。第三，基于Python编写脚本，对第二步中的数据集进行分割、分类，训练集中有噪声与无噪声的音频数量比例保持在1：1；第四，对规整过后的数据集进行随机化，并将数据集分为三部分：训练集、验证集与测试集，训练集用于优化网络参数，验证集用于验证优化后的参数对新数据的效果，避免模型的过度拟合问题，测试集用于横向比较不同模型的效果；第五，基于Python的开源机器学习模组，PyTorch构建对于噪声判断的神经网络模型，用第四部中预备的数据集对模型进行优化、比对，选取效用最优的模型。更进一步地，在本专利技术中，第二步神经网络的噪声检测包括以下步骤：第一，神经网络选取后，对新的测量数据进行检测；第二，人工抽检新的测量数据；第三，将神经网络与人工抽检检测进行比对，判断神经网络的有效性。更进一步地，在本专利技术中，神经网络的训练第二步中的电子表格形式为*.csv格式或者*.xlsx格式。更进一步地，在本专利技术中，神经网络的训练第三步中训练集、验证集与测试集数据比例为6：2：2。与现有技术相比，本专利技术具有如下有益效果为：利用神经网络的方法判断检测制动噪声，从而大大减少检验员的工作负荷，同时仍然保持高度的实验可重复性与可靠性。附图说明图1为本专利技术的流程图。具体实施方式下面结合附图对本专利技术的实施例作详细说明，本实施例以本专利技术技术方案为前提，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例具体实施例图1所示。第一步，神经网络的训练：a、从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息。b、通过专业检验员对每次刹车记录中是否有噪声进行标记。将标记信息以电子表格形式，如*.csv格式或者*.xlsx格式保存。电子表格中包含的信息有：音频文件路径名，有无噪声，噪声发生的时间段。c、基于Python编写脚本，对步骤b中的数据集进行分割，分类。训练集中有噪声与无噪声的音频数量比例大概保持在1：1。d、对规整过后的数据集进行随机化，并以6：2：2的比例将数据集分为三部分：训练集，验证集与测试集。训练集用于优化网络参数，验证集用于验证优化后的参数对新数据的效果，避免模型的过度拟合问题，测试集用于横向比较不同模型的效果。e、基于Python的开源机器学习模组，PyTorch构建对于噪声判断的神经网络模型。用步骤d中预备的数据集对模型进行优化，比对，选取效用最优的模型。第二步，神经网络的噪声检测：a、神经网络选取后，对新的测量数据进行检测。b、人工抽检新的测量数据c、将神经网络与与人工抽检检测进行比对，判断神经网络的有效性。第三步，神经网络的改进：基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。本文档来自技高网...

【技术保护点】
1.一种基于神经网络的汽车制动噪声专家检测方法，其特征在于包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。

【技术特征摘要】
1.一种基于神经网络的汽车制动噪声专家检测方法，其特征在于包括以下步骤：第一，对采集到的刹车片振动与噪声信息进行神经网络的训练；第二，对新采集到的测量数据进行神经网络的噪声检测；第三，神经网络的改进，基于第二步的测试结果，扩充数据集，以进行下一次神经网络的迭代训练。2.根据权利要求1所述的基于神经网络的汽车制动噪声专家检测方法，其特征在于所述第一步神经网络的训练包括以下步骤：第一，从汽车制动试验中于四个轮子的刹车片处布置加速度传感器，于驾驶室内布置麦克风获取制动过程中的刹车片振动与噪声信息；第二，通过专业检验员对每次刹车记录中是否有噪声进行标记，将标记信息以电子表格形式，电子表格中包含的信息有：音频文件路径名、有无噪声、噪声发生的时间段。第三，基于Python编写脚本，对第二步中的数据集进行分割、分类，训练集中有噪声与无噪声的音频数量比例保持在1：1；第四，对规整过后的数据集进行随机化，并将数据集分为三部分：...

【专利技术属性】
技术研发人员：闵杰，杨建虹，艾杰轶，高晓林，汤恒林，汤碧红，
申请(专利权)人：上海好耐电子科技有限公司，
类型：发明
国别省市：上海,31