【技术实现步骤摘要】
车辆故障声学事件检测方法
[0001]本专利技术属于声学事件检测与定位
,具体来说涉及一种车辆故障声学事件检测方法
。
技术介绍
[0002]汽车是由驱动系统
、
底盘
、
车身和电气设备组成的复杂系统,其零部件可能由于老化
、
损耗或外力碰撞等原因造成特定功能丧失
。
当其中元件出现磨损或变形时,磨损
、
故障点会与其它结构摩擦
、
冲击,产生具有特征频率的脉冲信号
。
目前主流故障声学诊断方法是对故障设备工作时的振动信号进行采集,通过信号处理
、
机器学习等方法分析,实现故障位置和故障类型识别
。
但是这些方法对故障检测人员的相关背景知识和检测设备成本有很强的要求,机械运转过程中大量的不确定因素会导致诊断更加复杂化
。
因此,对于产生异响的车辆,一般都需要到指定检测地点进行故障检测,无法满足在日常行驶中实时检测车辆状态的要求
。
技术实现思路
[0003]针对传统声学方法难以对车辆故障进行实时诊断的问题,本专利技术的目的是提供一种基于多通道多特征的车辆故障声学事件检测方法,其基于镜像源模型(
Image Source Model, ISM
)算法获得故障音频,使用广义互相关方法(
Generalized Cross
‑
Correlation, GCC
)提取广义互相关< ...
【技术保护点】
【技术特征摘要】
1.
一种车辆故障声学事件检测方法,其特征在于,包括以下步骤:
S1
,将汽车座舱视作三维长方体的模拟空间,以模拟空间的一角为原点,在相对于原点坐标为的位置设置
C
通道的麦克风阵列,将声源设置在麦克风阵列周围的随机位置,声源相对于原点坐标为,通过调整声源的位置以改变,每次调整声源的位置后根据镜像源模型算法模拟麦克风阵列获得声源的故障音频:其中,为由声源发出的原始故障音频,为由声源在模拟空间中传播的脉冲响应;
S2
,基于故障音频获得对数梅尔谱特征和广义互相关
‑
相位变换特征;
S3
,将故障音频中长度为
T
的音频片段的对数梅尔谱特征和广义互相关
‑
相位变换特征输入至多通道分支卷积循环网络中进行训练,迭代训练至损失函数
MSE
收敛,得到训练完毕的多通道分支卷积循环网络,其中,多通道分支卷积循环网络的输出矩阵
Y
的定义如下:其中,表示音频片段分类结果:种类别的独热编码;为音频片段所对应声源相对于原点坐标的预测值;
S4
,将实车采集到的故障音频作为测试集,将测试集中长度为
T
的音频片段的对数梅尔谱特征和广义互相关
‑
相位变换特征输入至多通道分支卷积循环网络中进行预测
。2.
根据权利要求1所述的车辆故障声学事件检测方法,其特征在于,脉冲响应为:其中,为相对于原点坐标为的声源的镜像声源的相对于原点坐标,为镜像声源的相对于原点坐标,为镜像声源的相对于原点坐标为时的反射阶数,为墙壁的吸收系数,
∈[0,1]
,为窗函数,
t
为第
n
个采样点对应的波达时间
。3.
根据权利要求2所述的车辆故障声学事件检测方法,其特征在于,和可以由下式计算得出:由下式计算得出:由下式计算得出:其中,为声速,为混响时间,为模拟空间的最小外接球半径,为模拟空间的体积,为模拟空间的表面积,为采样率
。4.
根据权利要求3所述的车辆故障声学事件检测方法,其特征在于,窗函数如下:
其中,为窗口宽度
。5.
根据权利要求4所述的车辆故障声学事件检测方法,其特征在于,在
S2
中,提取对数梅尔谱特征包括:首先,对故障音频进行预加重
、
分帧和加窗操作,通过傅里叶变换,得到频谱,其中,傅里叶变换的公式如下:其中,为预加重
、
分帧和加窗操作后故障音频的第
i
个通道第
n
个采样点的信号,为汉明窗函数,
N
为预加重
、
分帧和加窗操作后故障音频,为...
【专利技术属性】
技术研发人员:魏建国,阿颖,张鸿程,卢雨飞,路文焕,
申请(专利权)人:天津大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。