In recent times, with the growing popularity of electric and hybrid vehicles, the interior acoustic comfort has become one of the main key factors in vehicle development process with the aim of reducing the level of interior noise and improving the sound quality as well. As engine and road-tire noise has been minimized and as vehicles speed has increased over the last years, aerodynamic noise has become an important factor that influences the interior acoustic comfort. The two main wind noises that determine discomfort and annoyance in a vehicle are leakages and whistling noises. At the time of writing, they are detected and analyzed in a full vehicle End-of-Line using purely subjective methods. However, with the recent advances and transformative potential of Machine Learning (ML), the Neural Networks can be used to reduce vehicle evaluation time and sound engineers’ efforts when compared with standard acoustic NVH (Noise, Vibration and Harshness) optimization procedures. The purpose of this thesis, made in collaboration with Siemens PLM Software, is to develop Neural Networks (NNs) for the recognition of leakages and whistling noises in a full vehicle End-of-Line. The study starts with the database generation through an executable digital twin of a virtual end-of-line vehicle, where the Vehicle Sound Simulator methodology and the procedure for the creation of the NN databases are described. The second part of the thesis focuses on the NN development with an emphasis on the parameters’ choices and the NN tuning process. Finally, the performances of the NNs are analyzed and some suggestions for future developments are reported to encourage further researches.

Nell’ultimo decennio, con l’avvento dei veicoli elettrici ed ibridi, il comfort acustico all’interno dell’abitacolo è diventato uno dei fondamentali aspetti di progettazione dei veicoli autostradali con lo scopo di ridurre il livello del rumore prodotto e di migliorare la qualità del suono percepito. Il rumore all’interno dell’abitacolo di un veicolo è dovuto a tre cause principali: il motore, nel caso di autoveicoli con motori a combustione interna, il contatto delle ruote con il fondo stradale e l’aerodinamica del veicolo. Lo sviluppo di motori meno rumorosi e di veicoli in grado di viaggiare a velocità sempre più sostenute ha fatto emergere nuovi suoni che prima risultavano essere in qualche modo mascherati. Tra questi, il rumore dovuto dall’interazione del veicolo con l’aria circostante risulta essere importante già dai 100 km/h , diventando predominante con velocità superiori ai 130 km/h. I due fenomeni aeroacustici che maggiormente determinano discomfort acustico e fastidio durante la guida sono il Leakage and il Whistle. Il Leakage è un broadband noise ed è dovuto ad infiltrazioni di aria all’interno dell’abitacolo, quando questo non è perfettamente ermetico. Il Whistle è un narrowband noise ed è assimilabile ad un fischio dovuto a protuberanze dell’abitacolo, come ad esempio l’antenna della radio e gli specchietti retrovisori laterali. Gli attuali metodi per la rilevazione di questi fenomeni in veicoli a fine ciclo di produzione prevedono una prova su strada da parte di operatori che devono dare un giudizio soggettivo riguardo la presenza o meno di questi rumori ed eventualmente valutarne l’entità. Per rendere questo processo automatizzato, e di conseguenza più veloce e non soggetto ad errori dovuti a giudizi personali, si stanno sviluppando reti neurali in grado di rilevare tali rumori. L’obiettivo di questa tesi, realizzata presso la Siemens PLM Software, è quello di sviluppare reti neurali che possano indicare la presenza o meno di Leakage e Whistle in veicoli a fine ciclo di produzione. In particolare, sono state adottate due reti neurali di tipo Deep Neural Network (DNN). La prima, denominata Leakage NN, è stata allenata su un database con soli casi di Leakage e Non-Leakage ed ha il compito di rilevare il solo Leakage. La seconda, denominata Whistle NN, presenta il database con soli casi di Whistle e Non-Whistle ed ha lo scopo di individuare il Whistle. Le prestazioni di entrambe le reti neurali sono risultati più che promettenti, la Leakage NN ha un’accuratezza sul database di test del 99.80%, mentre la Whistle NN ha raggiunto un’accuratezza sul database di test del 92.80%. Considerando che l’accuratezza di un operatore umano si aggira intorno al 60-70%, risulta del tutto evidente quali miglioramenti potranno apportare le reti neurali nei problemi NVH (Noise, Vibration, and Harshness) del prossimo futuro. Tuttavia, una delle principali limitazioni delle DNN, già note in letteratura e che sono state riscontrate anche in queste reti neurali, è la necessità di avere un grande database di allenamento composto da casi del tutto simili a quelli che dovranno essere predetti nella fase di test. Ad esempio, quando le due reti sono state allenate sui rumori prodotti da un Opel Vectra, non sono state in grado di rilevare il Leakage e il Whistle presente nel suono prodotto da una Ford Mondeo. Inoltre, la Leakage NN non è stata in grado di classificare i Whistle come casi di Non-Leakage, analogamente la Whistle NN non è stata in grado di catalogare i casi di Leakage come casi di Non-Whistle. Uno dei metodi a disposizione per migliorare le prestazioni delle reti neurali in situazioni differenti consiste nel generare database sempre più grandi e generalizzati, possibilmente con tanti modelli di auto e in diverse situazioni di funzionamento.

Utilizzo di reti neurali per la valutazione della qualità del rumore dovuto all'aerodinamica di un autoveicolo nei test NVH a fine ciclo di produzione

MAGNONI, MARA
2019/2020

Abstract

In recent times, with the growing popularity of electric and hybrid vehicles, the interior acoustic comfort has become one of the main key factors in vehicle development process with the aim of reducing the level of interior noise and improving the sound quality as well. As engine and road-tire noise has been minimized and as vehicles speed has increased over the last years, aerodynamic noise has become an important factor that influences the interior acoustic comfort. The two main wind noises that determine discomfort and annoyance in a vehicle are leakages and whistling noises. At the time of writing, they are detected and analyzed in a full vehicle End-of-Line using purely subjective methods. However, with the recent advances and transformative potential of Machine Learning (ML), the Neural Networks can be used to reduce vehicle evaluation time and sound engineers’ efforts when compared with standard acoustic NVH (Noise, Vibration and Harshness) optimization procedures. The purpose of this thesis, made in collaboration with Siemens PLM Software, is to develop Neural Networks (NNs) for the recognition of leakages and whistling noises in a full vehicle End-of-Line. The study starts with the database generation through an executable digital twin of a virtual end-of-line vehicle, where the Vehicle Sound Simulator methodology and the procedure for the creation of the NN databases are described. The second part of the thesis focuses on the NN development with an emphasis on the parameters’ choices and the NN tuning process. Finally, the performances of the NNs are analyzed and some suggestions for future developments are reported to encourage further researches.
2019
2021-02-23
Wind noise quality assessment in full vehicle End-of-Line NVH testing adopting neural networks
Nell’ultimo decennio, con l’avvento dei veicoli elettrici ed ibridi, il comfort acustico all’interno dell’abitacolo è diventato uno dei fondamentali aspetti di progettazione dei veicoli autostradali con lo scopo di ridurre il livello del rumore prodotto e di migliorare la qualità del suono percepito. Il rumore all’interno dell’abitacolo di un veicolo è dovuto a tre cause principali: il motore, nel caso di autoveicoli con motori a combustione interna, il contatto delle ruote con il fondo stradale e l’aerodinamica del veicolo. Lo sviluppo di motori meno rumorosi e di veicoli in grado di viaggiare a velocità sempre più sostenute ha fatto emergere nuovi suoni che prima risultavano essere in qualche modo mascherati. Tra questi, il rumore dovuto dall’interazione del veicolo con l’aria circostante risulta essere importante già dai 100 km/h , diventando predominante con velocità superiori ai 130 km/h. I due fenomeni aeroacustici che maggiormente determinano discomfort acustico e fastidio durante la guida sono il Leakage and il Whistle. Il Leakage è un broadband noise ed è dovuto ad infiltrazioni di aria all’interno dell’abitacolo, quando questo non è perfettamente ermetico. Il Whistle è un narrowband noise ed è assimilabile ad un fischio dovuto a protuberanze dell’abitacolo, come ad esempio l’antenna della radio e gli specchietti retrovisori laterali. Gli attuali metodi per la rilevazione di questi fenomeni in veicoli a fine ciclo di produzione prevedono una prova su strada da parte di operatori che devono dare un giudizio soggettivo riguardo la presenza o meno di questi rumori ed eventualmente valutarne l’entità. Per rendere questo processo automatizzato, e di conseguenza più veloce e non soggetto ad errori dovuti a giudizi personali, si stanno sviluppando reti neurali in grado di rilevare tali rumori. L’obiettivo di questa tesi, realizzata presso la Siemens PLM Software, è quello di sviluppare reti neurali che possano indicare la presenza o meno di Leakage e Whistle in veicoli a fine ciclo di produzione. In particolare, sono state adottate due reti neurali di tipo Deep Neural Network (DNN). La prima, denominata Leakage NN, è stata allenata su un database con soli casi di Leakage e Non-Leakage ed ha il compito di rilevare il solo Leakage. La seconda, denominata Whistle NN, presenta il database con soli casi di Whistle e Non-Whistle ed ha lo scopo di individuare il Whistle. Le prestazioni di entrambe le reti neurali sono risultati più che promettenti, la Leakage NN ha un’accuratezza sul database di test del 99.80%, mentre la Whistle NN ha raggiunto un’accuratezza sul database di test del 92.80%. Considerando che l’accuratezza di un operatore umano si aggira intorno al 60-70%, risulta del tutto evidente quali miglioramenti potranno apportare le reti neurali nei problemi NVH (Noise, Vibration, and Harshness) del prossimo futuro. Tuttavia, una delle principali limitazioni delle DNN, già note in letteratura e che sono state riscontrate anche in queste reti neurali, è la necessità di avere un grande database di allenamento composto da casi del tutto simili a quelli che dovranno essere predetti nella fase di test. Ad esempio, quando le due reti sono state allenate sui rumori prodotti da un Opel Vectra, non sono state in grado di rilevare il Leakage e il Whistle presente nel suono prodotto da una Ford Mondeo. Inoltre, la Leakage NN non è stata in grado di classificare i Whistle come casi di Non-Leakage, analogamente la Whistle NN non è stata in grado di catalogare i casi di Leakage come casi di Non-Whistle. Uno dei metodi a disposizione per migliorare le prestazioni delle reti neurali in situazioni differenti consiste nel generare database sempre più grandi e generalizzati, possibilmente con tanti modelli di auto e in diverse situazioni di funzionamento.
File in questo prodotto:
File Dimensione Formato  
Tesi_Mara_Magnoni.pdf

Open Access dal 24/02/2023

Dimensione 4.33 MB
Formato Adobe PDF
4.33 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/3887