IDENTIFIKACIJA RAZLIČNIH MANIFESTACIJ NELINEARNEGA EFEKTA LEPENJA IN ZDRSA PRI JEČANJU ZAVOR Z UPORABO ALGORITMOV NENADZOROVANEGA UČENJA K-SREDNJIH VREDNOSTI TER SAMOORGANIZIRAJOČIH MREŽ

datum: 28.09.2021

kategorija: Sporočila za javnost

 

Raziskovalci laboratorija LDESTA, FS so v sodelovanju z Tehniško univerzo Gradec za podjetje Daimler AG, Mercedes-Benz razvili napredno prepoznavo zaviranja vozil. Psihoakustična analiza hrupa in iz nje izpeljane značilke so omogočile ekstrakcijo novih informacij pri zasnovi algoritmov. Rezultati študije so že implementirani v novi generaciji zavor. Raziskava je bila objavljena v eni izmed vodilnih znanstvenih revij na področju obdelave signalov, Mechanical Systems and Signal Processing (IF=6,823).

Nizkofrekvenčno ječanje zavor je hrupni pojav, ki je posledica nizkofrekvenčnega vibracijskega vzbujanja podvozja vozil na osnovi nelinearnega pojava sprijemanja in zdrsa med zavornimi ploščicami in diskom. Ti pojavi, skupaj z vplivom dizajna in obratovalnih parametrov, se manifestirajo v specifičen potek drsenja zavor. Za objektivne ocenjevalne ječanja zavor potrebujemo efektivne metode odkrivanja v realnem času ter razvrščanja različnih pojavov sprijemanja in zdrsa.

fig1

V okviru študije je predstavljena raziskava, ki temelji na mešanem signalu akustične emisije in vibracij. Pristop izkorišča visokofrekvenčne meritve pospeškov v frekvenčnem območju nad 10 kHz, kateri spremljajo značilne prehode med sprijemanjem in drsenjem. Nizkofrekvečni del vibracij pod 500 Hz je v veliki meri definiran glede na karakteristike zavornega sistema ter blaženja avtomobila, visokofrekvenčno področje nad 10 kHz pa izkazuje signale, katerih oblika je podobna akustično emisijskim impulzom. Z apliciranjem neprekrivajočih visokofrekvenčnih ter nizkofrekvenčnih filtrov, kateri impulzom dodajo ovoj, je bil ustvarjen nov signal. To omogoča natančno detekcijo ter kvantifikacijo vseh tranzicij sprijemanja in zdrsa v časovni domeni, iz česar je bil razvit popolnoma nov nabor značilk signala vibracij. Vektor devetih vrednosti je bil uporabljen kot vhodni prostor za nenadzorovano učenje z algoritmoma k-srednjih vrednosti ter Kohonenovo samoorganizirajočo mrežo. Robustnost takega pristopa je doprinesla k jasnosti klasifikaciji. Štirje različni razredi drsnega škripanja so bili zaznani, pri čemer se je izkazalo, da je vsak povezan z določeno manifestacijo drsenja: Nizkofrekvenčno škripanje, visokofrekvenčno škripanje ter dva prehodna pojava z dvema oziroma tremi pojavi sprijetja in zdrsa na cikel.

fig2


Rezultati klasifikacije in njihova povezava z mehanskimi pojavi kažejo na interakcijo med dvema pomembnima vibracijskima vzorcema, ki se pojavljata med drsnim škripanjem (najverjetneje vzdolžni ter torzijski odmik osi). Poleg globljega vpogleda v samo bifurkacijo pojava, predstavljena študija omogoča identifikacijo drsnega škripanja ter tudi samodejno klasifikacijo ter kontrolo njegovih manifestacij v realnem času.

fig3

Povezava do članka: https://doi.org/10.1016/j.ymssp.2021.108349

 

nazaj na seznam