原文传递
基于机器学习的乘用车异响分类算法应用研究
| 论文题名： | 基于机器学习的乘用车异响分类算法应用研究 |
| 关键词： | 乘用车;异响分类算法;机器学习;卷积神经网络;Transformer编码器 |
| 摘要： | 当车辆上出现异常噪声，往往是零部件出现故障的前兆，若不及时定位并排除，很有可能会造成车机零部件的功能故障甚至一系列的安全问题，目前技术服务人员一般采用人工听诊的方式排查异响问题，难免效率低，精度差，此外，由于数据集欠缺的问题，限制了本领域智能化的发展。本文针对上述现象，基于机器学习方法完成了对异响的智能分类。 针对异响数据集欠缺的问题，在各种工况环境下分别设置了7类异响信号的采集试验，并以主客观评价方式完成对所采异响的类别标注，提出了以音频裁剪和数据增强两种数据扩充技术完成了对数据集规模的增广。 针对乘用车异响的特征提取，通过对异响音频进行时域分析，获取异响在时域上的特征表现；利用时频域分析方法同时获取异响特征在时域和频域上的综合表现，同时利用该方法提取了异响信号的对数能量、梅尔倒谱系数及小波包梅尔倒谱系数特征，并以串联的方式完成了对数能量、梅尔倒谱系数及小波包梅尔倒谱系数的特征融合。 基于K最近邻、支持向量机及多层感知机经典机器学习模型，研究了三者在乘用车异响分类中的应用。利用Sklearn机器学习库，以融合特征为基础探究了三类模型的分类性能和优化方式；分析了各数据扩充技术和特征类型对分类性能的影响。 针对分类准确率不高的问题，基于卷积神经网络和Transformer编码器，提出一种并行机制的深度学习分类模型，以便于同时提取异响特征的空间及时序信息，在性能实验的结果中表明：梅尔倒谱系数特征作为输入时，此模型在测试集中最高可实现93.80%的分类准确率。 |
| 作者： | 张博文 |
| 专业： | 机械工程 |
| 导师： | 安子军;郝耀东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 燕山大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
