A data processing method for noise measurements of snowmobiles and their sub-systems on test bench
Notice bibliographique
Résumé
A new method for processing and analyzing noise data from a snowmobile on a test bench is proposed and applied to compare the sound levels of two different CVT models. Because of the important dependency of the noise to the engine speed, the signal is analyzed through a relatively simple algorithm so as to be automatically associated to the engine speed, resulting in comparable noise levels at the same mean speed for both CVT models. Two indicators calculated from the unbiased variance are provided by this method and allow to conclude on noise differences between different CVT models. Those indicators are the confidence intervals (using Student's law) and the significance of differences coefficient (SD-coefficient), the latter being introduced and detailed for the first time in this study. The method is applied to test bench measurements and compared to pass-by noise measurements. As time averaging does not give good results on test bench, particularly as engine speed control is difficult, hence this approach to data processing is necessary to obtain results comparable to a pass-by test. Even if the absolute values on test bench are not exactly the same as pass-by values, the use of the data processing method is advantageous for comparing several CVT models and making predictions on the CVT pass-by noise reduction. Thereby the proposed methodology saves time (test bench measurements are faster than setting up and executing pass-by tests) and avoids problems and discrepancies caused by environmental conditions (snow quality/quantity, wind, piloting).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».