Содержание к диссертации
Введение
Глава 1 Обзор состояния проблемы и постановка задач исследования 13
1.1 Эксплуатационные характеристики шин автомобильных колес и методы их определения 13
1.2 Исследование механизмов генерации шумов шин 25
1.3 Программно-аппаратные комплексы контроля состояния технического объекта 31
1.4 Методы математического моделирования состояний технических объектов 33
1.5 Способы фильтрации акустических сигналов 37
1.6 Анализ методов обработки акустических сигналов 41
1.7 Распознавание акустических сигналов методами искусственного интеллекта 46
1.8 Выводы 51
Глава 2. Выделение из шума сигнала, характеризующего состояние технического объекта 55
2.1 Адаптивная фильтрация зашумленного акустического сигнала технического объекта 55
2.2 Выделение признаков акустического сигнала 58
2.3 Методика выделения из шума сигнала, характеризующего состояние технического объекта 68
2.4 Выводы 69
Глава 3. Математическое моделирование на основе скрытых марковских моделей состояния технического объекта 71
3.1 Математическое моделирование состояний технического объекта по выделенному из шума звуковому сигналу 72
3.1.1 Метод математического моделирования состояний технического объекта на основе скрытой марковской модели 72
3.1.2 Алгоритмы обучения и распознавания скрытой марковской модели 80
3.2 Численный алгоритм распознавания акустического сигнала, на основе модификации алгоритма витерби 95
3.3 Математическая модель определения состояния технического объекта на основе анализа акустического сигнала 106
3.4 Выводы 109
Глава 4. Программный комплекс определения состояния технического объекта по акустическому сигналу 110
4.1 Программный комплекс для акустической диагностики динамических систем 110
4.2 Модуль кодирования данных 112
4.3 Модуль обучения скрытой марковской модели 114
4.4 Модуль оценки эффективности работы обученной скрытой марковской модели 118
4.5 Модуль анализа данных 119
4.6 Аппаратные требования для программного комплекса акустического анализа динамических систем 121
4.7 Выводы 122
Глава 5. Проверка адекватности модели на основе данных натурного эксперимента 123
5.1 Эксперимент по сбору акустических данных шумов шин автомобильных колес 123
5.2 Результаты численных и натурных экспериментов 127
5.3 Выводы 136
Заключение 137
Список используемой литературы 138
- Программно-аппаратные комплексы контроля состояния технического объекта
- Методика выделения из шума сигнала, характеризующего состояние технического объекта
- Метод математического моделирования состояний технического объекта на основе скрытой марковской модели
- Модуль оценки эффективности работы обученной скрытой марковской модели
Введение к работе
Актуальность проблемы и направление исследований. Мониторинг состояния технического объекта является одним из этапов эксплуатации, так как позволяет отслеживать изменения в работе оборудования, связанные с неправильной эксплуатацией, износом деталей, и предупреждать аварийные ситуации.
В настоящее время для определения состояния технического объекта
используются виброакустика, оптоэлектронный анализ, рентгеновская
томография, позволяющие оценить эксплуатационные характеристики объекта в специально созданных диагностических условиях. Однако необходимость установки на исследовательские стенды, сложность обработки полученной информации, и в определенных случаях наличие оператора, способного проанализировать снимаемые показания, не позволяют в автоматическом режиме определять состояние движущегося, работающего технического объекта.
Математическое моделирование состояний технического объекта на
основе анализа звука является актуальной задачей, так как высокий уровень
информативности акустического сигнала дает возможность разрабатывать
бесконтактные методы контроля и осуществлять диагностику
эксплуатационного состояния объекта в реальном времени. Однако применение акустического анализа сигналов, поступающих от исследуемых объектов, в сочетании с традиционными методами математического моделирования не позволяет достичь требуемой точности полученных результатов из-за высокой зашумленности сигналов, снимаемых во время эксплуатации технического объекта. В связи с этим возникает необходимость разработки специальных методов очистки звукового сигнала технического объекта от шума, выделения диагностически ценной информации, а также разработки математической модели, позволяющей определять эксплуатационное состояние исследуемого объекта с приемлемой точностью.
В данной диссертационной работе в качестве технического объекта выбраны шины автомобильного колеса, так как на сегодняшний день около 30% дорожно-транспортных происшествий по техническим причинам происходят в результате разрыва шины автомобильного колеса. Ключевой причиной выхода из строя шины при движении служит повышенный износ, связанный с неправильной эксплуатацией, зависящей от множества факторов: неправильные углы развала схождения, повышенное или пониженное давление в шине, перегрев, скрытые дефекты. Кроме того, неправильная эксплуатация автомобильной шины приводит к повышению расхода топлива в среднем на 15%, а истираемый протектор оставляет на дороге ядовитую резиновую пыль, которой дышат окружающие пешеходы.
Помимо этого износ шины, а также изменение ее эксплуатационных характеристик влияют на точность определения скорости движения и пробега с помощью спидометра и одометра соответственно, имеющих погрешность в 10 – 15%. Разница становится принципиальной, например, в случае судебных
4 разбирательств, при нарушении правил дорожного движения, а также при гарантийном обслуживании автомобиля, т.к. показания приборов по пробегу могут быть завышены.
В свою очередь системы спутниковой навигации, имеющие большую точность определения скорости и пробега автомобиля, могут использоваться лишь как вспомогательные системы, так как неустойчивы к радиопомехам, изменению рельефа местности, климатическим условиям и т.д.
Любые изменения эксплуатационных и динамических характеристик автомобильной шины отражаются на механизме генерации шума и вибрации покрышки. В настоящее время по акустическим сигналам шин определяется интенсивность дорожного движения, скорость и тип транспортного средства, т.е. акустические сигналы шин используются в качестве диагностического критерия.
Каждому эксплуатационному состоянию автомобильной шины,
зависящему от давления, температуры, дорожного покрытия и других факторов, соответствует определенный шум. Анализируя шумы в процессе движения автомобиля можно судить о конкретном состоянии шины в данный момент времени и предупреждать случаи чрезмерного износа, поэтому математическое моделирование состояния шины автомобильного колеса на основе анализа звуковых сигналов, является актуальной задачей.
Объект исследования – комплексы распознавания технического
состояния движущегося объекта по акустическому сигналу.
Цель диссертационной работы – повышение точности распознавания эксплуатационного состояния технического объекта.
Предмет исследования – математические методы моделирования комплексов распознавания технического состояния объектов, методы обработки акустических сигналов.
Научная задача – разработка метода моделирования эксплуатационного состояния технического объекта по звуковым сигналам, эффективных вычислительных алгоритмов, программного комплекса.
Реализацию поставленной цели осуществляли путем решения следующих
частных задач:
– разработки методики выделения из шума сигнала, характеризующего
состояние технического объекта, отличающегося от известных комплексным
применением адаптивной фильтрации и методов кодирования сигналов: мел-
частотных кепстральных коэффициентов (MFCC) и кепстральных
коэффициентов линейных предсказаний (LPCC);
– разработки метода моделирования эксплуатационного состояния технического объекта по выделенному из шума звуковому сигналу обеспечивающего приемлемую точность распознавания;
– создания численного алгоритма распознавания акустических сигналов, сопровождающих нелинейные динамические процессы в технических устройствах, отличающегося от известных оценкой правдоподобия строящихся
5 гипотез на каждом шаге алгоритма, и отбрасыванием заведомо неверных вариантов, что позволяет повысить вычислительную эффективность алгоритма на 30%;
– создания программного комплекса, реализующего разработанный метод математического моделирования и позволяющего определять состояния технического объекта по результатам анализа звуковых сигналов, снимаемых с объекта во время эксплуатации.
Методы исследования. Для решения поставленных в работе научных
задач использованы методы математического моделирования, спектрального
анализа, фильтрации, теории колебаний, теории вероятностей и
математической статистики.
Научная новизна
-
Разработана методика выделения из шума сигнала, характеризующего состояние технического объекта, отличающаяся от известных комплексным применением методов фильтрации и методов предварительной обработки акустических сигналов MFCC, LPCC, и позволяющая выделять признаки сигнала, характеризующие эксплуатационное состояние объекта в зашумленных условиях.
-
Разработан метод математического моделирования состояний технического объекта по выделенному из шума звуковому сигналу на основе скрытой марковской модели, позволяющий на основании акустических сигналов определять состояние технического объекта.
-
Разработан численный алгоритм распознавания акустического сигнала, отличающийся от известных оценкой правдоподобия строящихся гипотез на каждом шаге алгоритма, и отбрасыванием заведомо неверных вариантов, что позволяет повысить вычислительную эффективность алгоритма на 30%.
-
Разработан программный комплекс, реализующий эффективные численные методы и алгоритмы распознавания по звуковым сигналам состояния технического объекта в процессе эксплуатации.
Практическая значимость результатов работы:
Практическая значимость работы заключается в том, что разработанный
программный комплекс позволяет определять эксплуатационные
характеристики шины по результатам анализа акустической информации, снимаемой с шины в процессе движения автомобиля.
Данный комплекс можно использовать для определения состояния механизмов на основе анализа шума, регистрируемого в процессе эксплуатации, при условии, что из него можно выделить акустический сигнал с параметрами, характеризующими эксплуатационное состояние.
Положения, выносимые на защиту:
1. Методика выделения из шума сигнала, характеризующего
эксплуатационное состояние технического объекта, отличающаяся от
6 известных комплексным применением адаптивной фильтрации и методов кодирования сигнала MFCC и LPCC.
-
Метод моделирования состояния технического объекта по характеристикам, выделенным из акустического сигнала, основанный на скрытых марковских моделях и построенная на основе этого метода модель.
-
Численный алгоритм распознавания акустического сигнала, отличающийся от известных оценкой правдоподобия строящихся гипотез на каждом шаге алгоритма, и отбрасыванием заведомо неверных вариантов, что позволяет повысить вычислительную эффективность алгоритма на 30%.
-
Программный комплекс для анализа акустических сигналов, снимаемых с механизмов, издающих шум в процессе эксплуатации при условии выделения сигнала, имеющего диагностические признаки.
Достоверность и обоснованность полученных результатов
обеспечивается применением современной технологии математического моделирования, корректностью математических постановок задач, и результатами натурных экспериментов.
Авторский вклад в разработку. Основные результаты и выводы
диссертационной работы получены лично автором. Авторским вкладом
является разработка системы компьютерного моделирования на основе
математической модели; проведение натурных экспериментов по исследованию динамических характеристик автомобильных шин и их шумов; разработка метода определения эксплуатационного состояния механического объекта по излучаемым им шумам; разработка численного алгоритма распознавания акустического сигнала на основе модификации алгоритма динамического программирования Витерби.
В коллективных работах автора экспериментально исследованы динамические характеристики шин и сопровождающие их шумы, разработан программный комплекс для определения эксплуатационных характеристик динамических систем.
Апробация работы. Основные результаты диссертационной работы
докладывались и обсуждались на следующих научных конференциях и
семинарах: I Международной научно-практической конференции
«Современная наука: теория и практика» (г. Ставрополь, СевКавГТУ, 2010); II
Международной научно-практической конференции «Современная наука:
теория и практика» (г. Ставрополь, СевКавГТУ, 2011; IX Международной
научно-практической конференции «Татищевские чтения: актуальные
проблемы науки и практики (Тольяти, 2012); V Международной конференции «Инфокоммуникационные технологии в науке, производстве и образовании (Инфоком-5)» (Ставрополь, 2012); II Международной научно-практической конференции «Актуальные проблемы современной науки», (г. Ставрополь, СевКавГТИ, 2013); XXVI Международной научно-практической конференции "Наука и современность - 2013" ( г. Новосибирск, 2013); XVII Международной научно-практической конференции «Современные проблемы гуманитарных и
7
естественных наук» (г. Москва, 2013); XXVII Международной научно-
практической конференции "Наука и современность - 2014" (г. Новосибирск,
2014); Шестой Международной научно-технической конференции
«Инфокоммуникационные технологии в науке, производстве и образовании» (Инфокомм – 6) – Ставрополь, 2014 г.
Внедрение. В данной диссертационной работе изложены результаты исследований, выполненных в 2008 – 2014 годах. Работа выполнялась в соответствии с планами НИР СКФУ. Основные результаты исследований были внедрены (что подтверждено соответствующим актом) в ОАО «Предприятие 1564» (г. Ставрополь, акт о внедрении от 21 января 2013 года).
Публикации. По теме диссертации опубликовано 14 работ в журналах и трудах конференций, из них 2 работы в изданиях, рекомендованных ВАК РФ для опубликования научных положений диссертационных работ. Получено свидетельство о государственной регистрации программы для ЭВМ «Программный комплекс для акустической диагностики динамических систем» № 2014612806 от 07 марта 2014 года.
Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 127 наименования и двух приложений. Общий объем 194 страницы.
Программно-аппаратные комплексы контроля состояния технического объекта
Сочетание больших деформаций с высокой температурой приводит к быстрому разрушению шины. Скорость, соответствующая началу появления заметных на глаз колебаний шины, называют критической по волнообразованию скоростью.
Как видно из приведенных зависимостей коэффициент сопротивления качению уменьшается при увеличении давления в шине и достигает минимального значения при номинальном давлении. При повышении нагрузки на шину в случае неизменного давления сопротивление качению также увеличивается, оно повышается и на дорогах с покрытием, содержащим большое количество неровностей и подверженных сильной деформации. Если на поверхности дороги имеется водная пленка или жидкая грязь, то сопротивление качению возрастает из-за гидравлических потерь на выдавливание этой пленки.
С возрастанием скорости величина сопротивления качению на ровных дорогах в некоторых пределах скорости (зависящих от конструктивных особенностей шин) при нормальной нагрузке на колесо и внутреннем давлении возрастает незначительно и достаточно точно аппроксимируется линейной зависимостью. На неровных дорогах значение коэффициента растет значительно даже при небольших скоростях движения. При скоростях 20 – 30 м/с сопротивление качению растет экспоненциально.
С увеличением температуры шины сопротивление качению снижается, во-первых, за счет уменьшения гистерезисных потерь в резине, во-вторых, в результате повышения внутреннего давления воздуха и уменьшения деформации шины.
Сильное влияние на изменение коэффициента сопротивления качения оказывают конструкционные параметры шины. Во время износа часть протектора истирается, уменьшается толщина шины, поэтому сопротивление качения на 20 – 25% меньше для изношенной покрышки в сравнении c новой.
Строение каркаса шины является серьезным фактором, влияющим на сопротивление качению. Для радиальных шин коэффициент на 15 – 20% меньше чем у диагональных. Наименьшим же значением сопротивления качения обладают диагонально-опоясанные и низкопрофильные диагональные шины.
Увеличение отношения ширины обода к ширине профиля шины и уменьшение отношения высоты Н профиля шины к его ширине В, приводит к снижению коэффициента сопротивления качению. Снижение Н/В уменьшает также зависимость коэффициента от скорости движения. Увеличение радиуса колеса приводит к снижению сопротивления качения, а при расширении протекторной части шины увеличивается. Совершенствование качеств резины позволяет значительно снизить коэффициент сопротивления качению.
Еще одной ключевой характеристикой динамических свойств шин является коэффициент сцепления с дорогой. Коэффициент сцепления изменятся в пределах от 0 до 1 и является важной эксплуатационной характеристикой не только шины но и дорожного покрытия. К эксплуатационным факторам, влияющим на коэффициент сцепления, относятся: тип и состояние дороги, износ протектора, давление воздуха в шине, нормальная нагрузка на колесо, конструктивные параметры шин, скоростной и нагрузочный режимы движения колеса. При передаче через колесо момента в задней части контактной площадки образуется зона скольжения. Проскальзывания в пятне контакта шины с дорогой присутствуют всегда, что сильно влияет на коэффициент сцепления. Максимального значения коэффициент сцепления на дорогах с твердым покрытием достигает при скольжении (буксовании) порядка 10 – 20%.
На дороге с твердым покрытием большее влияние на коэффициент сцепления оказывают шероховатость и влажность ее поверхности, наличие пыли и грязи. На мокрых дорогах уже при толщине пленки влаги около 0,2 мм ее наличие приводит к снижению сцепления. При достаточной толщине водяной пленки на части поверхности шины (смоченная поверхность) начинает действовать подъемная гидродинамическая сила и непосредственно с поверхностью дороги взаимодействует лишь часть поверхности контакта. Кроме того может возникнуть эффект аквапланирования, при котором между дорожным покрытием и шиной нет прямого контакта из-за слоя влаги.
Увеличение давления в шине на чистых дорогах с хорошим покрытием приводит к уменьшению сцепления, но на грязных и мокрых дорогах эффект обратный, так как шины с повышенной удельной нагрузкой выдавливают грязь и влагу из области контакта. Аналогичная ситуация с увеличением нормальной нагрузки на колесо.
Из конструктивных особенностей наибольшее влияние на сцепление оказывают размеры колеса и рисунок протектора. Увеличение диаметра колеса на дорогах с твердым покрытием приводит к незначительному росту коэффициента сцепления. Влияние рисунка протектора оценивают коэффициентом насыщенности рисунка протектора – отношением площади контакта по выступам протектора к общей его площади. На сухих дорогах с твердым покрытием коэффициент сцепления возрастает. На мокрых дорогах с твердым покрытием коэффициент сцепления тем больше, чем лучше рисунок протектора обеспечивает возможность удаления влаги и слоя грязи из зоны контакта. В связи с актуальностью и сложностью проблемы исследования шин данной тематике посвящены работы многих ученых, среди которых наиболее известны труды М.В. Келдыша, Ф.Н. Авдонькина, Б.Л. Бухина, В.П. Ковальчука, М.А. Левина, С.М, Яценко, В.Н. Тарановского, и других авторов. Этими авторами рассмотрены вопросы ремонта и эксплуатации шин, систем подрессоривания транспортных средств, составной частью которой является шина
Конструкция шин должна обеспечивать высокие эксплуатационные качества автомобиля в заданных условиях работы. В зависимости от условий работы шины влияют на экономичность перевозок, грузоподъемность, долговечность, экономичность, надежность. На основании проведенного анализа можно заключить, что ключевым фактором, влияющим на статические и динамические свойства шины, а также на эксплуатационные свойства автомобиля в целом является конструкция автомобильной шины и параметры, такие как давление в шине, температура покрышки, нагрузка, приходящаяся на ось автомобиля, скорость движения. Для снижения аварийности автотранспортных средств по причинам разрушения автомобильных шин необходимо проводить регулярную диагностику. На станциях технического обслуживания и в автоцентрах отсутствует приборный контроль технического состояния шин, в связи с чем необходима разработка мероприятий по предупреждению отказов шин. Был проведен анализ научно-технической литературы [2,12, 49,53,55,59,87,88,100], в результате которого были выявлены основные направления развития методов определения состояния автомобильных шин.
Методика выделения из шума сигнала, характеризующего состояние технического объекта
Графики кепстральных коэффициентов сигналов с различными параметрами окна и шага представлены в приложении А. В результате проведенного исследования определены методы и разработана методика применения алгоритмов спектрального анализа акустических сигналов для выделения сигнала шины из шума, позволяющая определять эксплуатационное состояние шины.
Методика выделения из шума сигнала, характеризующего состояние технического объекта
Для выделения из шума технического объекта векторов признаков, позволяющих определять состояние исследуемого объекта, разработана следующая методика: 1. Устанавливаются 2 микрофона. Первый микрофон устанавливается в непосредственной близости от исследуемого объекта, второй – около источника посторонних шумов. 2. Проводится фильтрация посторонних шумов посредством адаптивного фильтра (рисунок 2.1) в соответствии с выражениями (2.1) – (2.11). 3. Определяется диапазон частот полученных очищенных сигналов посредством построения спектрограммы с помощью Фурье преобразования. В случае если диапазон частот сигналов лежит в границах 300 – 3400 Гц далее целесообразно использовать метод MFCC, в остальных случаях LPCC. 4. Проводится сегментация сигналов в соответствии с выражением (2.12) и умножение каждого сегмента на оконную функцию (2.13) – (2.14), для устранения явления Гиббса. 5. Выбор метода кодирования на основании диапазона частот полученного в пункте 3 данной методики. 5.1 Получение LPCC признаков сигнала в соответствии с выражениями (2.15) – (2.17). 5.2 Получение MFCC признаков сигнала в соответствии с выражениями (2.18) – (2.22). 6. Определение энергии сигнала в соответствии с выражением (2.23). 7. Рассчитываются коэффициенты дельта и коэффициенты ускорений в соответствии с выражениями (2.24) – (2.27). 8. Формируются векторы признаков ( ). Разработанная методика позволяет выделять векторы признаков, несущих в себе информацию о техническом состоянии объекта из зашумленного акустического сигнала. 2.4 Выводы
Разработана методика выделения из шума сигнала, характеризующего состояние технического объекта, отличающаяся от известных комплексным применением методов фильтрации и MFCС, LPCC, позволяющая выделить векторы признаков акустического сигнала ( ) с параметрами, характеризующими эксплуатационное состояние технического объекта, работающего в условиях высокой зашумленности.
В данной главе представлено решение следующих частных научных задач: Разработан метод моделирования эксплуатационного состояния технического объекта по выделенному из шума звуковому сигналу, и построена на основе данного метода математическая модель. Анализ методов математического моделирования состояния технического объекта, приведенного в пункте 1.4, а так же методов искусственного интеллекта (пункт 1.7) показал, что наибольшую точность при распознавании акустических сигналов можно достичь, используя скрытые марковские модели.
Разработан численный алгоритм распознавания акустического сигнала, сопровождающего нелинейные динамические процессы в технических устройствах. Преимуществами данного алгоритма является определение правдоподобия гипотез на каждом шаге и отбрасывание заведомо неверных гипотез, что повышает вычислительную эффективность на 30% в сравнении с алгоритмом Витерби [125]. На основе разработанных методов и алгоритмов, представленных в пунктах 2.1, 2.2 и пунктах 3.1 – 3.3 диссертационного исследования, создан программный комплекс, позволяющий определять состояния технического объекта по результатам анализа звуковых сигналов, снимаемых с объекта во время эксплуатации. 3.1 Математическое моделирование состояний технического объекта по выделенному из шума звуковому сигналу
Метод математического моделирования состояний технического объекта на основе скрытой марковской модели
Разработан метод моделирования динамических характеристик шины автомобильного колеса на основе скрытой марковской модели, заключающейся в том, что для каждого диагностируемого состояния автомобильной шины строится СММ с семью состояниями. Для каждого скрытого состояния модели строится закон распределения случайной величины векторов признаков сигнала шины. Рассчитывается матрица корреспонденций. Обученные СММ для каждого определяемого состояния, объединяются в комплексную СММ [77, 122], параметры матрицы переходов которой пересчитываются согласно алгоритму Баума-Уэлча.
В пункте 1.7 диссертационного исследования определены преимущества использования лево-правой СММ (рисунок 1.6) при работе с акустическими сигналами. Каждому эксплуатационному состоянию шины соответствует лево-правая СММ с семью состояниями [73,74, 80]. На рисунке 3.1 представлена архитектура данной модели. Количество состояний скрытой части модели было установлено экспериментально, так как точность распознавания сигналов шин с данной архитектурой модели повышается в среднем на 17% в сравнении с СММ с пятью состояниями в скрытой части модели. Дальнейшее повышение числа состояний модели нецелесообразно в силу увеличения времени распознавания и требуемых вычислительных мощностей. Рисунок 3.1 – СММ для распознавания одного эксплуатационного состояния шины автомобильного колеса
Данную модель можно описать следующим образом: 1. – число состояний модели. В данном случае рассматривается семь состояний в скрытой части модели, ( ). Заметим, что первое и последнее состояния в СММ не имеют векторов с наблюдениями. Это сделано для построения комплексных моделей определения различных эксплуатационных состояний шин (рисунок 3.2). Обозначим конкретное состояние системы ( ) в момент времени как . Данные состояния являются скрытой частью модели, и точно сказать, в каком именно состоянии находится система в данный конкретный момент времени, невозможно. Тем не менее, можно судить о вероятности того или иного состояния системы, исходя из шума шины генерируемого в конкретный момент времени.
Метод математического моделирования состояний технического объекта на основе скрытой марковской модели
В отличие от известных методов моделирования на основе скрытых марковских моделей, где одна СММ характеризует один распознаваемый параметр, определяем до двух параметров на одну модель. Это становится возможным благодаря обучению СММ на основе данных несущих в себе информацию о двух эксплуатационных состояний модели (рисунок 5.6) [81].
При записи базы шумов шин для конкретного шума нами регистрировались два параметра, таких как скорость и давление. При построении системы определения скорости по шумам шин обучаем СММ набором данных со скоростями , , , без учета разного давления соответствующего каждому значению скорости автомобиля. Каждая лево-правая СММ соответствует только одному значению скорости. Производится расчет закона распределения скорости. Шумовые составляющие, содержащиеся в этом же сигнале характеризующие давление, отбрасываются как несущественные. Аналогичным способом моделируется система распознавания давления в шине по звуку.
В случае, когда определяем и скорость, и давление, одной СММ соответствуют два параметра. Для обучения каждой СММ используются наборы с разным давлением и скоростью. В данном законе распределения случайной величины будут учитываться в себе оба параметра. В случае обучения СММ на трех и более параметрах точность распознавания значительно падает.
Были проведены четыре эксперимента по вычислению производительности полученной системы для распознавания шумов шин. В таблицах представлен процент правильной диагностики эксплуатационного состояния шин по их сигналам.
Первым экспериментом было определение давления в шине автомобильного колеса по акустическому сигналу (предварительно прошедшему через адаптивный фильтр). Для обучения использовалось по сорок пять записей длительностью 15 секунд для давления 1.9, 2.1 и 2.3 атмосфер при скоростях 20, 40 и 60 км/ч. Всего использовалось 405 записей для тренировки модели общей длительностью 1 час 41 минут 15 секунд.
Для тестирования использовалось 50 записей общей длительностью 12 минут 30 секунд. Результаты эксперимента эффективности правильного распознавания сигналов представлены в таблице 5.1.
В результате получаем, что способ кодирования LPC/LPCEPSTRA в случае с определением давления в шинах показал лучшие результаты распознавания в сравнении с MFCC. При этом следует отметить, что модель с 8 Гауссовыми смесями показала практически одинаково эффективные результаты, как и модель с 16 Гауссовыми смесями, при том, что скорость работы первой в два раза выше.
Второй эксперимент проводился на основе данных записанных на стенде оценки тормозных усилий на станции Ford. Данные предварительно прошли адаптивную фильтрацию отдельно записанного шума работающего стенда. Обучение происходило для давления в шинах 1,9, 2.1 и 2.3 скорости вращения 5 км/ч при выключенном двигателе. Результаты распознавания представлены в таблице 5.2.
Несмотря на то, что данные были записаны в условиях практически полностью исключающие посторонние шумы, результат распознавания оказался значительно хуже в сравнении с экспериментом в дорожных условиях. Это связано с тем, что скорость вращения барабанов стенда составляет всего лишь 5 км/ч, следовательно, энергия сигнала шин незначительна, в сравнении с шумами издаваемыми узлами и агрегатами автомобиля, значительно искажающих картину распознавания.
Третий эксперимент проводился с использованием той же обучающей выборки, что и первый, с тем лишь отличием, что целью стало распознавание скорости движения автомобиля 20, 40 и 60 км/ч. При этом скорость определялась не зависимо от текущего давления в шине, и уклоне дороги (±5 %). Результаты представлены в таблице 5.3.
Результат распознавания скорости автомобиля лучше (точность 78.6 – 95.7%) нежели распознавание давления в шинах (точность 68 – 88.2%).
Четвертый эксперимент производился с целью определения и скорости движения автомобиля и давления в шинах. Результат представлен в таблице 5.4.
В данном случае высока ошибка распознавания при заданном способе определения эксплуатационного состояния шины, это частично связано с меньшим объемом данных приходящихся на обучение каждого определяемого состояния, так как использовалась та же база данных, что и для первого и третьего экспериментов.
В результате проведенных экспериментов можно построить графики оценки эффективности разработанных моделей определения состояния шины автомобиля по шумам. 1. В результате анализа акустических данных полученных в рамках экспериментов, снимаемых с шины автомобильного колеса, установлено, что диапазон частот сигналов шин очищенных посредством адаптивных фильтров от окружающего шума составляет 400 – 5000 Гц и по своим спектральным характеристикам соответствует данным полученным другими исследователями [119], что свидетельствует об эффективности предлагаемой методики очистки сигнала. 2. На основе разработанной модели проведены численные эксперименты по определению эксплуатационных характеристик шин автомобильного колеса. Сравнение результатов численного и натурного эксперимента позволило установить, что точность распознавания лежит в диапазоне от 80 до 95,7 % при диагностировании одного эксплуатационного параметра и составляет 75% при диагностировании двух параметров. 3. Ошибка при распознавании скорости движения автомобиля разработанным методом составила 4,3 %, что в среднем на 6 % меньше в сравнении с механическими спидометрами, и на 1,5 % меньше в сравнении с электронными спидометрами, и практически соответствует точности распознавания спутниковых систем GPS/ГЛОНАСС (4%). Преимуществами разработанного метода является независимость от эксплуатационных характеристик шины, радиочастотных помех.
Модуль оценки эффективности работы обученной скрытой марковской модели
Для повышения точности распознавания модели был разработан следующий алгоритм пересчета и разбиения на Гауссовы смеси:
1. Производится разбиение набора данных на две Гауссовых смеси для каждого скрытого состояния комплексной СММ, в соответствии с алгоритмом, представленным в главе 2. Полученная СММ сохраняется в hmm5.
2. Параметры СММ пересчитываются четыре раза и сохраняются соответственно в hmm6 – hmm9. Далее производим разбиение на четыре
Гауссовы смеси и производим четыре пересчета. Повторяем до тех пор, пока не получим СММ с 16 Гауссовыми смесями. В результате данных шагов получаем После обучения для распознавания можно подключать модели на разных этапах обучения (кроме инициализации). В ходе экспериментов установлено, что наиболее эффективное распознавание сигналов начинается с СММ с 8 Гауссовыми смесями.
Первым этапом необходимо указать путь до файла с обученной СММ, для вычисления точности её распознавания. Затем указывается путь до папки, содержащей файлы с тестовыми данными и файла с метками. Тестовая выборка должна быть предварительно кодирована тем же способом что и тренировочные данные (с помощью которых обучалась СММ). Ни в ком случае нельзя использовать один и тот же набор данных для тренировки и тестирования, так как полученный результат не будет соответствовать действительности. Название тестовых файлов, так же как и тренировочных должны соответствовать записанному в файл диагностируемому состоянию. Последним этапом является указание пути и названия текстового файла с результатом распознавания.
После выбора опции «анализ» выдается окно выбора режима распознавания сигналов. Разработанная программа поддерживает два режима: снятие и анализ данных непосредственно с микрофона, в данном режиме работа программы возможна лишь в том случае, если обучающие данные не проходили предварительную очистку адаптивными фильтрами. Такое возможно при диагностировании узлов и агрегатов, работающих в условиях исключающих посторонние шумы, и как следствие, записанные данные не требуют адаптивной фильтрации. На рисунке 4.9 представлен интерфейс программы, при выборе опции распознавания с микрофона.
При работе в данном режиме необходимо задать СММ, с помощью которой будет проводиться распознавание сигналов, и выбрать способ кодирования входящей информации (должен соответствовать способу тренировки выбранной СММ). Перед распознаванием программа анализирует файл с СММ и выделяет все диагностируемые эксплуатационные состояния, на основании которой заполняется решетка маршрутизации для механизма распознавания (рисунок 4.10).
В данном режиме необходимо задать путь до СММ, путь к папке, где хранятся данные и путь для записи файла с результатами. В случае если данные не были предварительно кодированы, необходимо выбрать способ кодирования.
Аппаратные требования для программного комплекса акустического анализа динамических систем Для функционирования системы необходима следующая аппаратная база: 1. Вычислительная машина класса IBM PC. 2. Звуковая карта, для оцифровки сигнала с частотой дискретизации от 11 025 Гц и глубиной квантования 8 – 16 бит, микрофон, динамики. 3. Необходимый объем места в памяти на твердом носителе (жестком диске) для библиотек и файлов конфигураций составит 50 Мб. 4. Необходимый объем оперативной памяти составляет (ОЗУ) 2 Мб. 122 5. Необходимая минимальная вычислительная мощность центрального процессора системы 100 000 000 – 150 000 000 операций в секунду (без учета операций распознавания и обучения системы). 4.7 Выводы Разработан программный комплекс для акустической диагностики динамических систем. Разработанный комплекс позволяет использовать методы MFCC и LPCC для выделения признаков акустического сигнала; распознавать состояния технического объекта в режиме прямого считывания с микрофона или в режиме анализа данных, осуществлять оценку точности распознавания.
В данной главе описан эксперимент по сбору акустических данных шумов шин и представлены результаты апробации разработанной методики выделения признаков сигнала (пункт 2.1 и 2.2), метода математического моделирования состояния технического объекта (пункт 3.1), численного алгоритма распознавания сигнала (пункт 3.3). 5.1 Эксперимент по сбору акустических данных шумов шин автомобильных колес Обзор литературы по экспериментам связанным со сбором и анализом шумов шин [10,15-17,24,63,102] показал, что ранее не проводились испытания с целью определения эксплуатационного состояния автомобильных шин по шумам. Существующие исследования шумов шин своей целью ставят снижения уровней шума для повышения комфортности водителя. На основании проведенного исследования был организован эксперимент по сбору акустических параметров автомобильных шин.
Шум шин измерялся как в лабораторных, так и в реальных условиях эксплуатации. В первом случае производится имитация движения автомобиля на беговых барабанах с выключенным двигателем, а во втором, при дорожных испытаниях, проводится количественная оценка полученных лабораторных результатов.
Дорожные испытания были организованы в соответствии со стандартами ISO 10844 и ГОСТ 27436-87 [16], регламентирующими измерения внешнего шума автомобиля, а так же ГОСТ 52800-2007 (ISO 13325:2003) [17] в котором заключены требования по измерению внешнего шума шин методом наката. В силу того, что цель эксперимента заключается не в измерении уровня шума шин,
Похожие диссертации на Математическое моделирование состояний технического объекта на основе анализа звуковых сигналов
