用于定位转向系统中发生的噪声的装置及方法制造方法及图纸

一种用于定位转向系统中发生的噪声的装置及方法，该装置包括：声音接收单元，检测转向系统中的发生的噪声；处理单元，将关于转向系统中的由声音接收单元检测到的噪声的数据输入到神经网络模型中，神经网络模型被配置为预先执行学习并且对转向系统中的噪声发生的位置或部件进行定位；以及存储单元，在该存储单元中存储预先执行学习的神经网络模型。元中存储预先执行学习的神经网络模型。元中存储预先执行学习的神经网络模型。

【技术实现步骤摘要】
用于定位转向系统中发生的噪声的装置及方法


[0001]示例性实施方式涉及一种用于定位在车辆的转向系统中的噪声的装置，并且更具体地涉及一种能够使用神经网络模型来定位转向系统中的噪声发生的位置或部件的用于定位在转向系统中的噪声的装置。

技术介绍

[0002]车辆的转向系统是根据驾驶员的方向盘转向来调整车辆的行驶方向的系统。近年来，已经广泛使用动力转向系统，该动力转向系统利用电机的动力来增强驾驶员转动方向盘所需的作用力。这些动力转向系统的实例包括电机驱动力转向(MDPS)系统和电动动力转向(EPS)系统。
[0003]这种使用电机的驱动力的动力转向系统基本上包括电机、转向箱、扭矩传感器和电子控制单元(ECU)。电子控制单元通过扭矩传感器检测方向盘的旋转力并且根据车辆的速度通过将电流施加至电机来控制方向盘的扭矩。转向变速箱通过转向轴接收动力，转换旋转方向，并且通过包括中继杆、横拉杆、转向节臂等的臂驱动前轮。
[0004]动力转向系统使用减速器、柱、接头等来适当地传递电机的动力。各种异常声音或噪声发生在这些部件的连接部分中或这些部件本身中。
[0005]在现有技术中，噪声专家使用利用昂贵的分析设备分析异常声音或噪声的方法，从而定位在转向系统中的异常声音或噪声发生的位置或部件。更具体地，在现有技术的方法中，重现转向系统中的异常声音或噪声，噪声专家对异常声音或噪声的位置进行估计，传感器安装在位置上并且分析传感器的感测值。
[0006]在现有技术的方法中，噪声专家基于他/她的个人判断进行估计。噪声专家分析异常声音或噪声的能力各不相同。因此，将进行错误修复的可能性很高。此外，将传感器直接安装在估计会发生异常声音或噪声的部件上并且重现异常声音或噪声用于分析会花费大量时间。此外，在现有技术中，因为对估计会发生异常声音或噪声的每个部件进行分析，所以噪声分析成本变得过高。
[0007]前述内容仅旨在帮助理解本专利技术的
技术介绍
，而并非旨在意味着本专利技术落入本领域技术人员已知的相关技术的范围内。
[0008]在该
技术介绍
部分中公开的上述信息仅用于增强对本专利技术的背景的理解，并且因此，其可以包含不构成现有技术的信息。

技术实现思路

[0009]示例性实施方式提供了一种用于定位转向系统中的噪声的装置，该装置能够使用神经网络模型通过声音接收单元(即，麦克风)简单地收集转向系统中的异常声音或噪声，将所收集的信息输入到经历学习的神经网络模型中，并且由此定位转向系统中的异常声音或噪声发生的位置或部件。
[0010]本专利技术的其他特征将在以下描述中阐述，并且部分将从描述中变得明显，或者可
以通过本专利技术的实施而学习到。
[0011]根据至少一个实施方式，提供了一种用于定位转向系统中发生的噪声的装置，该装置包括：声音接收单元，检测转向系统中的发生；处理单元，将关于转向系统中的由声音接收单元检测到的噪声的数据输入到神经网络模型中，神经网络模型被配置为预先执行学习并且对转向系统中的噪声发生的位置或部件进行定位；以及存储单元，神经网络模型被存储在该存储单元中。神经网络模型可以基于预先接收的输入数据来执行学习。
[0012]在装置中，处理单元可以执行将关于转向系统中的由声音接收单元检测到的噪声的时域数据转换为频域数据的预处理，并且将预处理后的数据输入到神经网络模型中。
[0013]在装置中，处理单元可以执行将Mel频率倒谱系数(MFCC)技术应用于关于转向系统中的由声音接收单元检测到的噪声的数据并且可以提取转向系统中的噪声的频率特征的预处理，并将预处理后的数据输入到神经网络模型中。
[0014]在装置中，处理单元可以执行生成将关于转向系统中的由声音接收单元检测到的噪声的时域数据转换为频域数据而产生的图像的预处理，并且将通过该预处理生成的图像输入到神经网络模型中。
[0015]在装置中，处理单元可以执行将Mel频率倒谱系数(MFCC)技术应用于关于转向系统中的由声音接收单元检测到噪声的数据、提取转向系统中的噪声的频率特征并且将所提取的频率特征生成为图像的预处理，并将通过预处理生成的图像输入到神经网络模型中。
[0016]在装置中，处理单元可以将通过预处理生成的图像的区域输入到神经网络模型中。
[0017]在装置中，神经网络模型可以是包括卷积层、池化层和全连接层的卷积神经网络模型。
[0018]在装置中，卷积层可以使用滤波器对通过预处理生成的图像执行滤波，执行卷积计算并创建特征映射，以便提取通过预处理生成的图像的特征，池化层可以从由卷积层创建的特征映射提取用于每个区域的代表值并且减小特征映射的大小，全连接层可以使用激活功能来加强特征并且对所加强的特征进行分类，并且对于转向系统中的噪声，输出层可以基于由全连接层分类的结果来定位并输出噪声发生的位置或部件。
[0019]在装置中，处理单元和存储单元可以以平板个人计算机(PC)的形式实现。
[0020]利用用于定位转向系统中的噪声的装置，当通过声音接收单元检测转向系统发生的噪声并且将关于检测到的噪声的音频数据输入到神经网络模型中时，可以获得定位转向系统中的异常声音或噪声发生的位置或部件的结果。由此，可以大大减少用于噪声诊断的分析时间。
[0021]此外，利用用于定位转向系统中的噪声的装置，噪声专家或噪声诊断装置对于定位车辆中的噪声不是必需的。此外，不需要替换估计会发生噪声的部件，其中，逐个替换部件以定位噪声发生的位置或部件。由此，可以降低用于定位噪声的成本。因而，可以降低不必要的或错误修复的频率。
[0022]根据至少一个实施方式，提供了一种定位转向系统中的发生的噪声的方法，该方法包括：从声音接收单元接收转向系统中的发生的噪声并将噪声转换成表示噪声的数据流；由处理单元将表示噪声的数据流输入到能够预先执行学习的数据分析模型中；以及由数据分析模型对表示噪声的数据流进行分析，并且对转向系统中的噪声发生的位置或部件
进行定位。
[0023]根据本专利技术实现的效果不限于上面描述的那些，并且根据下面的描述，上面没有描述的效果对于本领域普通技术人员将是显而易见的。
[0024]应当理解，前述一般描述和下面的详细描述是示例性和说明性的，并且旨在提供对所要求保护的本专利技术的进一步说明。
附图说明
[0025]被包括以提供对本专利技术的进一步理解并结合在本说明书中并且构成本说明书的一部分的附图示出了本专利技术的实施方式，并且与描述一起用于说明本专利技术的原理。
[0026]图1是示意性地示出由用于定位转向系统中的噪声的装置来定位异常声音或噪声的待诊断的转向系统的视图。
[0027]图2是示出根据实施方式的用于定位转向系统中的噪声的装置的框图。
[0028]图3是示出根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元的操作的流程图。
[0029]图4是示出频谱图的实例的图，该频谱图示出由根据实施方式的用于定位转向系统中的噪声的装置的数据预处理单元的快速傅里本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于定位转向系统中发生的噪声的装置，所述装置包括：声音接收单元，被配置为检测所述转向系统中发生的噪声；处理单元，被配置为将关于所述转向系统中的由所述声音接收单元检测到的噪声的数据输入到神经网络模型中，所述神经网络模型被配置为预先执行学习并且对所述转向系统中的噪声发生的位置或部件进行定位；以及存储单元，在所述存储单元中存储被配置为预先执行学习的所述神经网络模型。2.根据权利要求1所述的装置，其中，所述处理单元被配置为执行将关于所述转向系统中的由所述声音接收单元检测到的噪声的时域数据转换为频域数据的预处理，并且将预处理后的数据输入到所述神经网络模型中。3.根据权利要求1所述的装置，其中，所述处理单元被配置为：执行将Mel频率倒谱系数技术应用于关于所述转向系统中的由所述声音接收单元检测到的所述噪声的数据，并且提取所述转向系统中的所述噪声的频率特征的预处理，并将预处理后的数据输入到所述神经网络模型中。4.根据权利要求1所述的装置，其中，所述处理单元被配置为：执行生成将关于所述转向系统中的由所述声音接收单元检测到的所述噪声的时域数据转换为频域数据而产生的图像的预处理，并且将通过该预处理生成的所述图像输入到所述神经网络模型中。5.根据权利要求1所述的装置，其中，所述处理单元被配置为：执行将Mel频率倒谱系数技术应用于关于所述转向系统中的由所述声音接收单元检测到所述噪声的数据、提取所述转向系统中的所述噪声的频率特征并将所提取的频率特征生成为图像的预处理，并且将通过所述预处理生成的所述图像输入到所述神经网络模型中。6.根据权利要求4所述的装置，其中，所述处理单元被配置为：将通过所述预处理生成的所述图像的区域输入到所述神经网络模型中。7.根据权利要求4所述的装置，其中，所述神经网络模型是包括卷积层、池化层以及全连接层的卷积神经网络模型。8.根据权利要求7所述的装置，其中，所述卷积层被配置为：使用滤波器对通过所述预处理生成的所述图像执行滤波，执行卷积计算并且创建特征映射，以便提取通过所述预处理生成的所述图像的特征，所述池化层被配置为从由所述卷积层创建的所述特征映射提取用于每个区域的代表值并且减小所述特征映射的大小，所述全连接层被配置为使用激活功能来进一步加强所述特征并且对所加强的特征进行分类，并且对于所述转向系统中的所述噪声，输出层被配置为基于由所述全连接层分类的结果来定位并输出所述噪声发生的位置或部件。9.根据权利要求5所述的装置，其中，所述处理单元被配置为将通过所述预处理生成的所述图像的区域输入到所述神经网络模型中。10.根据权利要求5所述的装置，其中，所述神经网络模型是包括卷积层、池化层以及全连接层的卷积神经网络模型。11.根据权利要求10所述...

【专利技术属性】
技术研发人员：徐在容，南圭焕，赵显哲，
申请(专利权)人：现代摩比斯株式会社，
类型：发明
国别省市：