Jármű guminyomásának előrejelzése mélytanulási algoritmusokra épülő zajanalízis módszerével

Predicting vehicle tire pressure using a noise analysis method based on deep learning algorithms

Abstract

It is possible to detect and predict faulty vehicle components and functions based on the unique noise characteristics of the failed component, which enables predictive maintenance. The hypothesis of the research was that tire pressure can also be determined from the noise characteristics. Tire pressure is easily modified, but it is not perceptible to the human ear. The method presented in this study, which can predict tire pressure based on subtle noise differences resulting from tire pressure changes, may also prove robust in detecting degradation of other components. The research used a smartphone with two integrated microphones. The tire noise was recorded by a mobile phone placed in the vehicle cabin. After processing, the measurement data were used to train an artificial neural network, which, after training, was able to predict the tire pressure in the car based on cabin noise with an accuracy of 0.3 bar in more than 90% of cases.

Kivonat

A járművek hibás alkatrészeinek és funkcióinak felismerése és előrejelzése lehetséges a meghibásodott alkatrész egyedi zajkarakterisztikája alapján, ami lehetővé teszi a prediktív karbantartást. A kutatás hipotézise az volt, hogy a gumiabroncs nyomása is meghatározható a zajkarakterisztikából. A guminyomás könnyen módosítható, ugyanakkor emberi füllel nem érzékelhető. A jelen tanulmányban bemutatott módszer, amely az abroncs nyomásváltozásból adódó finom zajkülönbségeket alapján képes guminyomást előrejelezni, robusztusnak bizonyulhat más alkatrészek degradációjának detektálásánál is. A kutatás egy okostelefont használt, amely két integrált mikrofonnal rendelkezik. Az gumiabroncszaj a jármű kabinjában elhelyezett mobiltelefon rögzítette. A mérési adatok feldolgozás után egy mesterséges neurális hálózat tanítására lettek felhasználva, amely betanítás után a gumiabroncs nyomását az autóban detektál kabinzaj alapján, 0,3 bar pontossággal tudta megjósolni az esetek több mint 90%-ában.