Development of a Prediction Model for Tire Tread Pattern Noise Based on Convolutional Neural Network with RMSProp Algorithm
Notice bibliographique
Résumé
Tire tread pattern noise is a major source of road noise generated by motor vehicles. Recently, noise control technology has been developing, and low-noise motor vehicles, such as electric vehicles and hybrid vehicles, have been commercialized. The importance of low-noise tires has increased since regulations R117 for tire noise and R51.03 for motor vehicle noise have been strengthened. To evaluate the tire noise in the development stage of motor vehicles, finished products of tires are required; hence, financial and time costs should be invested. Therefore, it is highly useful to predict tire noise levels in the early stages. Recently, a technology to predict the tire pattern noise using a supervised training method of artificial neural network (ANN) has been developed. The tire tread depth is estimated using the shading of the full image of the actual tire, and the leading edge of the contact patch is calculated using tire contact patch images. This method creates an artificial intelligence learning model by scanning the entire tire image with the leading edge, making input factors by Gaussian curve fitting of the tread profile spectrum and air volume velocity spectrum according to the tire rotation speed and evaluating the vehicle road noise. However, because this method requires finished products of tires, it is difficult to use it for prediction in the early stage. In this study, a convolutional neural network based on the unsupervised training method was developed to predict the tire tread pattern noise. The prediction results of applying two learning algorithms, SGD and RMSProp, to the CNN model showed that the RMSProp algorithm displayed a good predictive power in the CNN model. The tire pattern image to be designed was used as the input of the CNN model. The pattern noises of 28 tires were measured in coast-down condition of R117 on the ISO10844 certified road surface, and pattern images were scanned. The tread pattern noises and pattern images for 24 tires were used for the ANN and CNN, and trained ANN and CNN models were used for the verification of the remaining four untrained tires. Two training models were successfully developed and verified for the prediction of tire tread pattern noise. The trained CNN model can be used to predict the tire tread pattern noise in the early stage using only drawn tire images. Furthermore, the ANN model can be used to predict the pattern noise of actual tires in the developing stage, and it was verified by the actual mold design.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».