一种基于贝叶斯网络的摩擦噪音预测方法与流程

本发明属于机械领域，具体涉及一种摩擦噪音的预测方法。

背景技术：

关于摩擦噪音，国内外学者都做了大量的研究，提出了各种理论。关于摩擦噪音的预测方法有基于有限元的制动尖叫建模与分析方法，该方法包括频率域复特征值法与时间域瞬态动力学分析方法，频率域复特征值法不能明确地指出产生制动尖叫的机理，而且线性化的假设由于缺乏对时变的载荷和材料特性等非稳态特征的考虑，常常出现不稳定频率的“过预测”和“欠预测”，限制了其预测精度与可靠性，而时间域瞬态分析法的缺点是需要过长时间的计算以及占用大量的磁盘空间，且数据难以直接应用于设计。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种基于贝叶斯网络的摩擦噪音预测方法，用于利用概率来预测和描述摩擦噪音的频率和强度，其特征在于，包括以下步骤：

步骤1，获取摩擦噪音以及与摩擦噪音产生关联的数据样本；

步骤2，对步骤1中的数据样本进行离散化处理；

步骤3，进行贝叶斯网络学习，建立贝叶斯网络结构图；

步骤4，根据数据样本的集合来更新贝叶斯网络结构图中每个节点在其父节点下的条件概率；

步骤5，根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。

在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中，还可以具有这样的特征：其中，在步骤1中，数据的获取可以通过实验法或是在实际运营中进行测量。

另外，在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中，还可以具有这样的特征：其中，数据样本包括转速、载荷、温度、摩擦系数以及摩擦噪音。

另外，在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中，还可以具有这样的特征：其中，在步骤3中，贝叶斯网络学习包括参数学习和结构学习。

另外，在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中，还可以具有这样的特征：其中，结构学习通过结构学习算法来实现。

另外，在本发明提供的基于贝叶斯网络的摩擦噪音预测方法中，还可以具有这样的特征：其中，结构学习算法包括K2算法和K3算法。

发明的作用与效果

根据本发明所提供的基于贝叶斯网络的摩擦噪音预测方法，因为基于贝叶斯网络预测摩擦噪音是利用有向无环图与概率理论的有机结合,将随机变量间的联合概率直观地表达出来，所以基于贝叶斯网络预测摩擦噪声的频率及强度无需考虑声源的复杂外形和各种发生机理，也不需要进行长时间的计算，只需对测得的数据进行处理后就能对摩擦噪音进行预测，具有较高的预测精度与可靠性，十分简便快捷。

附图说明

图1是本发明的实施例中摩擦噪音有向无环图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明的基于贝叶斯网络的摩擦噪音预测方法作具体阐述。

实施例

基于贝叶斯网络的摩擦噪音预测方法，利用概率来预测和描述摩擦噪音的频率和强度，用于预测各种交通工具上的制动器制动过程中产生的摩擦噪声的频率和强度，以单考虑转速和载荷的影响，预测摩擦噪音频率为例，包括以下步骤：

步骤1，获取摩擦噪音以及与摩擦噪音产生关联的数据样本。

数据样本包括转速、载荷、温度、摩擦系数以及摩擦噪音，通过实验方法获得转速，载荷，摩擦系数，摩擦噪音的数据。

步骤2，对步骤1中的数据样本进行离散化处理。

设转速为v，载荷为Q，摩擦系数为u,摩擦噪音频率为f，将数据按大小均分为4份，完成对数据进行离散化分级处理。

步骤3，进行贝叶斯网络学习，建立贝叶斯网络结构图。

贝叶斯网络学习包括参数学习和结构学习，参数学习指的是已知贝叶斯网络结构，根据数据样本集来更新该网络中每个节点的参数问题；结构学习则是尽可能结合领域专家知识，利用数据样本集找到一个和样本数据匹配度最好的网络结构。结构学习通过结构学习算法来实现，其中，结构学习算法包括K2算法和K3算法。

图1是本发明的实施例中摩擦噪音有向无环图。

通过专家分析或结构学习算法可得到图1的摩擦噪音有向无环图。

步骤4，根据数据样本的集合来更新贝叶斯网络结构图中每个节点在其父节点下的条件概率。

对步骤2离散化的数据进行处理，可得到节点之间的条件概率关系。当转速为V1，载荷为Q1时，摩擦系数为U1的条件概率，即P(U＝U1/V＝V1，Q＝Q1)。

步骤5，根据步骤4中得到的条件概率对摩擦噪音的频率和强度进行预测。

预测摩擦噪音的频率，已知转速为v，v在V1范围内，载荷为Q，Q在Q1范围内。则可以知道摩擦系数u分别属于U1，U2，U3，U4的概率。同理向下推理，根据上一步得到的P(f＝Fi/v＝V1,Q＝Q1,u＝Ui)，可得到摩擦噪音f的分布情况，即f分别属于F1，F2，F3，F4的概率。

实施例的作用与效果

根据实施例所提供的基于贝叶斯网络的摩擦噪音预测方法，因为基于贝叶斯网络预测摩擦噪音是利用有向无环图与概率理论的有机结合,将随机变量间的联合概率直观地表达出来，所以基于贝叶斯网络预测摩擦噪声的频率及强度无需考虑声源的复杂外形和各种发生机理，也不需要进行长时间的计算，只需对测得的数据进行处理后就能对摩擦噪音进行预测，具有较高的预测精度与可靠性，十分简便快捷。