用于制动尖叫的深度学习：振动检测、表征与预测
信号处理
2020-05-18 v2 机器学习
摘要
尽管在摩擦诱导振动与制动尖叫建模方面取得了显著进展，由于尖叫及其相关机制的许多方面仍属未知，大多数工业研究与设计仍通过实验进行。我们在此首次报道了处理数据密集型振动测试的新策略，以深入理解摩擦制动系统的振动与噪声产生机制。应用基于机器学习的方法来检测与表征振动、理解敏感性并预测制动尖叫，旨在说明跨学科方法如何能够挖掘数据科学技术在经典机械工程挑战中的潜力。在第一部分，开发了一种深度学习制动尖叫检测器，用于识别若干类典型的摩擦噪声记录。该检测方法植根于近期基于卷积神经网络的计算机视觉目标检测技术，它克服了仅依赖所记录噪声瞬时频谱特性的经典方法的局限。结果表明，与最先进的制动尖叫检测器相比，其检测与表征质量更优。在第二部分，采用循环神经网络来学习决定运行制动系统动态稳定性的参数化模式。给定一组多变量载荷条件，该 RNN 学习预测结构的噪声产生。经过验证的 RNN 代表了特定制动系统尖叫行为的虚拟孪生模型。我们发现，该模型能以高精度预测制动尖叫的发生与起始，并能识别载荷条件中驱动动态结构进入失稳区域的复杂模式与时间依赖关系。
引用
@article{arxiv.2001.01596,
title = {Deep learning for brake squeal: vibration detection, characterization and prediction},
author = {Merten Stender and Merten Tiedemann and David Spieler and Daniel Schoepflin and Norbert Hofffmann and Sebastian Oberst},
journal= {arXiv preprint arXiv:2001.01596},
year = {2020}
}