【技术实现步骤摘要】
本专利技术属于制动噪声识别，尤其涉及一种盘式制动器制动异响一体化智能识别与评价方法。
技术介绍
1、随着城市交通的不断增长，汽车作为主要的交通工具之一，制动时所产生的各种异响已经成为城市交通噪声污染的重要来源之一，同时，制动异响也是汽车驾驶员最易感知的问题，其对驾驶员的感官产生干扰，影响行车安全性。制动异响的分类识别与主观评分在汽车制动系统质量控制和故障诊断中占据关键地位。目前的分类方法通常需要依赖专业评价人员凭借长期经验进行识别，再结合异响的可复现程度、频率范围、分贝值、粗糙度值等多方面因素，进行综合评价打分以指导现实生产。这个流程需要投入大量的时间和人力资源，对于汽车产品的生命周期十分不利。此外，评价人员的培训也是一个很长的周期，即便是专业评价人员给出的测评结果也可能存在主观上的偏差。
2、因此，亟需一种能够实现制动异响分类识别和蠕动颤振智能评价的方法。
技术实现思路
1、本专利技术的目的在于提供一种盘式制动器制动异响一体化智能识别与评价方法，其特征在于，包括如下步骤：
2、s1：分别通过麦克风和单向加速度计获取驾驶员耳部噪声信号和制动卡钳处制动信号；
3、s2：对噪声信号进行改进谱减法滤波降噪；
4、s3：提取发生制动异响时相应的振动信号时频域特征图和噪声信号心理声学特征向量；
5、s4：分别使用已训练的深度学习分类模型和机器学习分类模型对振动信号和噪声信号特征进行分类；
6、s5：对制动异响分类的深度学
7、s6：使用已训练的深度学习评分模型对蠕动颤振的振动信号特征进行前后轴噪声等级评分；使用已训练的机器学习评分模型对蠕动颤振的噪声信号特征进行整车噪声等级评分；
8、s7：整合制动噪声分类模型和蠕动颤振评分模型，完成盘式制动器制动异响一体化智能识别与评价。
9、进一步地，s1中，采集的噪声信号和振动信号长度为2—50秒；
10、噪声信号为：每次制动产生异响时采集的驾驶员耳部的麦克风响应信号；
11、振动信号为：每次制动产生异响时采集的制动卡钳的加速度信号。
12、进一步地，s2中，改进谱减法具体为：估计噪声选取傅里叶变换时频谱前50帧的能量均值，对进行能量谱过减的时频段引入平滑机制，将谱减后小于最大噪声残差的时频点用相邻帧的最小值取代，每帧时长0.0256秒。
13、进一步地，s3中，时频域特征图具体为：对每次制动采集的振动信号进行分帧后，通过信号处理的手段得到每帧信号片段对应的特征，组合所有帧的信号片段输出为相同分辨率的图片，时频域特征图包括信号的短时傅里叶变换时频图、梅尔频谱图和梅尔频率倒谱系数图；
14、心理声学特征向量通过将噪声信号的时变平均响度与24个特征频带平均响度共25个特征组成一维向量，并对向量进行样本标准化得到。
15、进一步地，时变平均响度和24个特征频带平均响度通过以下步骤得到：
16、sa1：将噪声信号进行快速傅里叶变换划分为短时帧，每帧长度为0.0256秒，对每帧的噪声信号通过24个特征频带滤波器组进行滤波；
17、sa2：根据每个特征频带的声压级计算特征响度，对24个特征响度求和得到每帧信号的时变响度；
18、sa3：将每个特征频带对应的所有帧的特征响度取均值，得到24个特征频带平均响度；对所有帧的时变响度求均值得到时变平均响度。
19、进一步地，样本标准化即让样本集所有特征都在相似的范围内，通过将样本特征值减去训练集的样本特征值的平均，再除以训练集的样本特征值的标准差得到。
20、进一步地，s4中，已训练的深度学习分类模型通过专业人员对振动信号对应的异响类别进行标注作为标签，然后提取时频域特征图，并使用深度学习模型对有标签的特征样本集训练得到；
21、已训练的机器学习分类模型通过专业人员对噪声信号对应的异响类别进行标注作为标签，然后提取时频域特征图，并使用深度学习模型对有标签的特征样本集训练得到。
22、进一步地，深度学习分类模型为visiontransformer；机器学习分类模型为支持向量机；深度学习评分模型为swin transformer；机器学习评分模型为k最近邻算法。
23、进一步地，已训练的各个模型皆采用sgd优化算法进行训练，具体为：通过动量项减小更新的方差使模型更快地收敛到局部最小值，保证稳定训练的同时，自适应地修正参数的学习率。
24、进一步地，s5中，决策级融合具体为：对vision transformer和支持向量机的预测结果进行加权投票融合，使得模型对每类关心的制动异响的分类精度应达到91％以上，提高泛化性能。
25、与现有技术相比，本专利技术的有益效果主要体现在：
26、1、本专利技术提供了一种采用机器学习和深度学习相结合的方法对制动异响进行分类，并对分类结果中的蠕动颤振噪声进行前后轴和整车等级评分的盘式制动器制动异响一体化智能识别与评价方法。
27、2、本专利技术通过引入噪声信号的心理声学特征，与振动加速度信号传统时频域特征相结合，分别训练模型并进行融合决策，使模型能够更加全面、客观地表征制动异响给专业评价人员的听觉感受。
28、3、采用本专利技术方法可以实现一体化、自动化的分类和评价流程，运行速度快，不需人工参与，节省人力和时间成本的同时拥有更高的识别准确性和稳定性。
本文档来自技高网...【技术保护点】
1.一种盘式制动器制动异响一体化智能识别与评价方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述S1中，采集的噪声信号和振动信号长度为2—50秒；
3.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述S2中，所述改进谱减法具体为：估计噪声选取傅里叶变换时频谱前50帧的能量均值，对进行能量谱过减的时频段引入平滑机制，将谱减后小于最大噪声残差的时频点用相邻帧的最小值取代，每帧时长0.0256秒。
4.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述S3中，所述时频域特征图具体为：对每次制动采集的振动信号进行分帧后，通过信号处理的手段得到每帧信号片段对应的特征，组合所有帧的信号片段输出为相同分辨率的图片，时频域特征图包括信号的短时傅里叶变换时频图、梅尔频谱图和梅尔频率倒谱系数图；
5.根据权利要求5所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，时变平均响度和24个特征频带平均响度通过以下步骤得
6.根据权利要求5所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述样本标准化即让样本集所有特征都在相似的范围内，通过将样本特征值减去训练集的样本特征值的平均，再除以训练集的样本特征值的标准差得到。
7.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述S4中，所述已训练的深度学习分类模型通过专业人员对振动信号对应的异响类别进行标注作为标签，然后提取时频域特征图，并使用深度学习模型对有标签的特征样本集训练得到；
8.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述深度学习分类模型为Vision transformer；所述机器学习分类模型为支持向量机；所述深度学习评分模型为Swin transformer；所述机器学习评分模型为K最近邻算法。
9.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，已训练的各个模型皆采用SGD优化算法进行训练，具体为：通过动量项减小更新的方差使模型更快地收敛到局部最小值，保证稳定训练的同时，自适应地修正参数的学习率。
10.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述S5中，所述决策级融合具体为：对Vision transformer和支持向量机的预测结果进行加权投票融合，使得模型对每类关心的制动异响的分类精度应达到91％以上，提高泛化性能。
...【技术特征摘要】
1.一种盘式制动器制动异响一体化智能识别与评价方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述s1中，采集的噪声信号和振动信号长度为2—50秒；
3.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述s2中，所述改进谱减法具体为：估计噪声选取傅里叶变换时频谱前50帧的能量均值，对进行能量谱过减的时频段引入平滑机制，将谱减后小于最大噪声残差的时频点用相邻帧的最小值取代，每帧时长0.0256秒。
4.根据权利要求1所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述s3中，所述时频域特征图具体为：对每次制动采集的振动信号进行分帧后，通过信号处理的手段得到每帧信号片段对应的特征，组合所有帧的信号片段输出为相同分辨率的图片，时频域特征图包括信号的短时傅里叶变换时频图、梅尔频谱图和梅尔频率倒谱系数图；
5.根据权利要求5所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，时变平均响度和24个特征频带平均响度通过以下步骤得到：
6.根据权利要求5所述的盘式制动器制动异响一体化智能识别与评价方法，其特征在于，所述样本标准化即让样本集所有特征都在相似的范围内，通过...
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。