论文部分内容阅读
汽车车室内的异响问题是影响汽车NVH性能的一个重要因素,异响控制水平体现了整车厂在车辆设计、加工、装配等方面的综合能力,逐渐成为消费者购买新车时考虑的因素之一,随着智能化技术的不断进步,工程师对异响问题的诊断方法提出了更高的要求。近年来,智能化的汽车故障识别方法发展迅速,但其中声音识别技术的应用较少,且随着深度神经网络模型的发展,其特征参数仍大多沿用浅层模型中的参数,同时在汽车内饰件异响声源诊断方向缺少系统性的声音识别解决方案。针对以上问题,本文创新性的提出一种基于FBank图谱与卷积神经网络的汽车内饰件异响识别方法,并搭建包含信号降噪、预处理、端点检测等算法的识别流程,主要内容如下:(1)选取车窗共振异响、座椅导轨碰撞异响、手套箱卡扣异响、座椅摩擦异响为研究对象,分析其产生的主要机理,并借助零部件异响实验室和整车四立柱实验室开展异响信号采集实验,结合UrbanSound8K数据集,添加喇叭声与发动机空转声,增加样本多样性,减小系统误触发率。整理得到本文所用样本集。针对实车环境背景噪声干扰大的问题,对基于贝叶斯理论优化的小波阈值降噪算法进行研究,将实验室信号叠加路噪并进行降噪实验,提出使用SNR与Corr值作为降噪效果评价指标,实验表明该方法可有效抑制噪声,在低信噪比条件下效果显著。(2)异响信号的预处理与特征参数提取研究。对信号进行归一化、预加重、分帧加窗的预处理步骤,并提出采用基于短时能量与短时过零率的双门限算法对异响信号进行端点检测,验证不同信噪比下的检测效果,得出在与降噪算法搭配使用的情况下可准确检测异响信号的端点位置。提取传统特征参数Mel频率倒谱系数与时频谱图,针对Mel频率倒谱系数维数间低相关性的特点,提出去除计算过程中的离散余弦变换,进行各帧对数能量谱拼接并得到新特征参数:FBank图谱,用于后续与传统参数进行对比实验。(3)基于卷积神经网络的异响识别研究。针对不同特征参数输入,基于Tensorflow/Keras分别搭建网络结构,并进行模型的训练,观测不同模型的测试精度及训练时长,验证所提出的FBank图谱的提升效果,探究模型中最佳卷积核数量设置,同时采用数据增强与添加Dropout层的方法优化时频谱图模型训练时出现的严重过拟合现象。结果表明FBank图谱模型在实验室信号测试集中的测试精度和训练时长上,相较传统参数均取有较明显的提升,其值分别为89.5%与24s/轮。进行道路试验采集实车异响信号并建立实车测试集,调用预训练模型对降噪前后的测试集进行识别,结果表明FBank图谱模型在降噪后的测试集中可达到83.3%的测试精度,所提出的小波贝叶斯阈值降噪算法与FBank图谱CNN模型组合可在高低信噪比下均达到最佳识别效果。(4)异响识别软件图形用户界面设计研究。将论文识别流程中的各个算法进行集成,基于Matlab的App Designer开发异响识别软件图形用户界面,方便用户的操作。对软件进行功能需求分析与总体方案设计,将软件分为四个子模块并分别对各模块进行编程与界面设计,最后进行功能测试,验证了软件界面的有效性。