一種基於貝葉斯網絡的摩擦噪音預測方法與流程
2023-06-17 22:13:46 1
本發明屬於機械領域，具體涉及一種摩擦噪音的預測方法。
背景技術：
關於摩擦噪音，國內外學者都做了大量的研究，提出了各種理論。關於摩擦噪音的預測方法有基於有限元的制動尖叫建模與分析方法，該方法包括頻率域復特徵值法與時間域瞬態動力學分析方法，頻率域復特徵值法不能明確地指出產生制動尖叫的機理，而且線性化的假設由於缺乏對時變的載荷和材料特性等非穩態特徵的考慮，常常出現不穩定頻率的「過預測」和「欠預測」，限制了其預測精度與可靠性，而時間域瞬態分析法的缺點是需要過長時間的計算以及佔用大量的磁碟空間，且數據難以直接應用於設計。
技術實現要素：
本發明是為了解決上述問題而進行的，目的在於提供一種基於貝葉斯網絡的摩擦噪音預測方法，用於利用概率來預測和描述摩擦噪音的頻率和強度，其特徵在於，包括以下步驟：
步驟1，獲取摩擦噪音以及與摩擦噪音產生關聯的數據樣本；
步驟2，對步驟1中的數據樣本進行離散化處理；
步驟3，進行貝葉斯網絡學習，建立貝葉斯網絡結構圖；
步驟4，根據數據樣本的集合來更新貝葉斯網絡結構圖中每個節點在其父節點下的條件概率；
步驟5，根據步驟4中得到的條件概率對摩擦噪音的頻率和強度進行預測。
在本發明提供的基於貝葉斯網絡的摩擦噪音預測方法中，還可以具有這樣的特徵：其中，在步驟1中，數據的獲取可以通過實驗法或是在實際運營中進行測量。
另外，在本發明提供的基於貝葉斯網絡的摩擦噪音預測方法中，還可以具有這樣的特徵：其中，數據樣本包括轉速、載荷、溫度、摩擦係數以及摩擦噪音。
另外，在本發明提供的基於貝葉斯網絡的摩擦噪音預測方法中，還可以具有這樣的特徵：其中，在步驟3中，貝葉斯網絡學習包括參數學習和結構學習。
另外，在本發明提供的基於貝葉斯網絡的摩擦噪音預測方法中，還可以具有這樣的特徵：其中，結構學習通過結構學習算法來實現。
另外，在本發明提供的基於貝葉斯網絡的摩擦噪音預測方法中，還可以具有這樣的特徵：其中，結構學習算法包括K2算法和K3算法。
發明的作用與效果
根據本發明所提供的基於貝葉斯網絡的摩擦噪音預測方法，因為基於貝葉斯網絡預測摩擦噪音是利用有向無環圖與概率理論的有機結合,將隨機變量間的聯合概率直觀地表達出來，所以基於貝葉斯網絡預測摩擦噪聲的頻率及強度無需考慮聲源的複雜外形和各種發生機理，也不需要進行長時間的計算，只需對測得的數據進行處理後就能對摩擦噪音進行預測，具有較高的預測精度與可靠性，十分簡便快捷。
附圖說明
圖1是本發明的實施例中摩擦噪音有向無環圖。
具體實施方式
為了使本發明實現的技術手段、創作特徵、達成目的與功效易於明白了解，以下實施例結合附圖對本發明的基於貝葉斯網絡的摩擦噪音預測方法作具體闡述。
實施例
基於貝葉斯網絡的摩擦噪音預測方法，利用概率來預測和描述摩擦噪音的頻率和強度，用於預測各種交通工具上的制動器制動過程中產生的摩擦噪聲的頻率和強度，以單考慮轉速和載荷的影響，預測摩擦噪音頻率為例，包括以下步驟：
步驟1，獲取摩擦噪音以及與摩擦噪音產生關聯的數據樣本。
數據樣本包括轉速、載荷、溫度、摩擦係數以及摩擦噪音，通過實驗方法獲得轉速，載荷，摩擦係數，摩擦噪音的數據。
步驟2，對步驟1中的數據樣本進行離散化處理。
設轉速為v，載荷為Q，摩擦係數為u,摩擦噪音頻率為f，將數據按大小均分為4份，完成對數據進行離散化分級處理。
步驟3，進行貝葉斯網絡學習，建立貝葉斯網絡結構圖。
貝葉斯網絡學習包括參數學習和結構學習，參數學習指的是已知貝葉斯網絡結構，根據數據樣本集來更新該網絡中每個節點的參數問題；結構學習則是儘可能結合領域專家知識，利用數據樣本集找到一個和樣本數據匹配度最好的網絡結構。結構學習通過結構學習算法來實現，其中，結構學習算法包括K2算法和K3算法。
圖1是本發明的實施例中摩擦噪音有向無環圖。
通過專家分析或結構學習算法可得到圖1的摩擦噪音有向無環圖。
步驟4，根據數據樣本的集合來更新貝葉斯網絡結構圖中每個節點在其父節點下的條件概率。
對步驟2離散化的數據進行處理，可得到節點之間的條件概率關係。當轉速為V1，載荷為Q1時，摩擦係數為U1的條件概率，即P(U＝U1/V＝V1，Q＝Q1)。
步驟5，根據步驟4中得到的條件概率對摩擦噪音的頻率和強度進行預測。
預測摩擦噪音的頻率，已知轉速為v，v在V1範圍內，載荷為Q，Q在Q1範圍內。則可以知道摩擦係數u分別屬於U1，U2，U3，U4的概率。同理向下推理，根據上一步得到的P(f＝Fi/v＝V1,Q＝Q1,u＝Ui)，可得到摩擦噪音f的分布情況，即f分別屬於F1，F2，F3，F4的概率。
實施例的作用與效果
根據實施例所提供的基於貝葉斯網絡的摩擦噪音預測方法，因為基於貝葉斯網絡預測摩擦噪音是利用有向無環圖與概率理論的有機結合,將隨機變量間的聯合概率直觀地表達出來，所以基於貝葉斯網絡預測摩擦噪聲的頻率及強度無需考慮聲源的複雜外形和各種發生機理，也不需要進行長時間的計算，只需對測得的數據進行處理後就能對摩擦噪音進行預測，具有較高的預測精度與可靠性，十分簡便快捷。