Ajoneuvon vikaantumisen tunnistaminen NVH-analyysin avulla
Suomalainen, Jere (2022)
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022052712580
https://urn.fi/URN:NBN:fi:amk-2022052712580
Tiivistelmä
Tässä työssä tutkittiin, kuinka ajoneuvon vikaantuminen voitaisiin havaita NVH-analyysin avulla. Lisäksi tarkoitus oli tutustua hahmontunnistusjärjestelmän kehittämiseen ja siihen, miten sitä voitaisiin tulevaisuudessa hyödyntää älykkäiden, vikoja tunnistavien järjestelmien kehittämisessä.
Tutkittavaan ajoneuvoon simuloitiin erilaisia vikoja aiheuttamalla epätasapainoa etupyörännapoihin sekä vetoakseleihin. Vikaantumisen seurauksena mahdollisesti ilmaantuvia ääniä saatiin luotua asettamalla metallilevyjä jarrulevyjen pintoja vasten. Myös moottorin käyntiääntä tallennettiin. Mittaukset suoritettiin ajamalla ajoneuvoa napadynamometrilla tai pyörittämällä pyörännapoja dynamometrien omilla moottoreilla. Värähtelyjä mitattiin etumatkustajan istuimen kiskosta vaaka-, pysty-, ja pitkittäissuunnassa. Ääniä mitattiin ohjauspyörän ja B-pilarien läheisyydestä sekä moottorin yläpuolelta.
Värähtely ja äänimittausten avulla saadusta datasta etsittiin piirteitä erilaisin signaalinkäsittelyn menetelmin, joiden perusteella pystyttäisiin toteamaan vikaantuminen ja mahdollisesti paikantamaan vikaantuneen komponentin sijainti.
Äänimittausten todettiin epäonnistuneen sähköverkosta tulleiden häiriöiden vuoksi. Kiihtyvyyssignaalien tehospektreissä nähtiin taajuuspiikkejä, joiden perusteella vikaantuminen voitiin todentaa ja paikantaa, onko vika edessä vai takana ja oikealla vai vasemmalla. Näistä taajuuksista ja niiden amplitudeista muodostettiin piirrevektorit luokittimen kouluttamiseen, minkä avulla voitiin arvioida piirteiden käyttökelpoisuutta vikaantumisen tunnistamisessa sekä luomaan parempi käsitys siitä, kuinka vikoja tunnistavan järjestelmän kehittämistä voisi jatkaa.
Saatuihin mittaustuloksiin liittyi useita epävarmuutta aiheuttavia tekijöitä. Työn tuloksena syntyi jatkokehityssuunnitelma, jossa vikoja pyrittäisiin paikantamaan modaalianalyysin ja aallokemuunnoksen keinoin ja niiden tulosten perusteella etsiä sopivin luokitinmalli älykkään järjestelmän kehittämiseksi.
Tutkittavaan ajoneuvoon simuloitiin erilaisia vikoja aiheuttamalla epätasapainoa etupyörännapoihin sekä vetoakseleihin. Vikaantumisen seurauksena mahdollisesti ilmaantuvia ääniä saatiin luotua asettamalla metallilevyjä jarrulevyjen pintoja vasten. Myös moottorin käyntiääntä tallennettiin. Mittaukset suoritettiin ajamalla ajoneuvoa napadynamometrilla tai pyörittämällä pyörännapoja dynamometrien omilla moottoreilla. Värähtelyjä mitattiin etumatkustajan istuimen kiskosta vaaka-, pysty-, ja pitkittäissuunnassa. Ääniä mitattiin ohjauspyörän ja B-pilarien läheisyydestä sekä moottorin yläpuolelta.
Värähtely ja äänimittausten avulla saadusta datasta etsittiin piirteitä erilaisin signaalinkäsittelyn menetelmin, joiden perusteella pystyttäisiin toteamaan vikaantuminen ja mahdollisesti paikantamaan vikaantuneen komponentin sijainti.
Äänimittausten todettiin epäonnistuneen sähköverkosta tulleiden häiriöiden vuoksi. Kiihtyvyyssignaalien tehospektreissä nähtiin taajuuspiikkejä, joiden perusteella vikaantuminen voitiin todentaa ja paikantaa, onko vika edessä vai takana ja oikealla vai vasemmalla. Näistä taajuuksista ja niiden amplitudeista muodostettiin piirrevektorit luokittimen kouluttamiseen, minkä avulla voitiin arvioida piirteiden käyttökelpoisuutta vikaantumisen tunnistamisessa sekä luomaan parempi käsitys siitä, kuinka vikoja tunnistavan järjestelmän kehittämistä voisi jatkaa.
Saatuihin mittaustuloksiin liittyi useita epävarmuutta aiheuttavia tekijöitä. Työn tuloksena syntyi jatkokehityssuunnitelma, jossa vikoja pyrittäisiin paikantamaan modaalianalyysin ja aallokemuunnoksen keinoin ja niiden tulosten perusteella etsiä sopivin luokitinmalli älykkään järjestelmän kehittämiseksi.