Research on bispectrum analysis of secondary feature for vehicle exterior noise based on nonnegative tucker3 decomposition

• Autorzy: Wang H. , Deng G. , Li Q. , Kang Q.

Identyfikatory

DOI

10.17531/ein.2016.2.18

Warianty tytułu

PL

Badania nad analizą bispektrum cech drugorzędnych hałasu zewnętrznego pojazdów w oparciu o nieujemną dekompozycję Tuckera3

• Języki publikacji: EN

Abstrakty

EN

Nowadays, analysis of external vehicle noise has become more and more difficult for NVH (noise vibration and harshness) engineer to find out the fault among the exhaust system when some significant features are masked by the jamming signals, especially in the case of the vibration noise associating to the bodywork. New method is necessary to be explored and applied to decompose a high-order tensor and extract the useful features (also known as secondary features in this paper). Nonnegative Tucker3 decomposition (NTD) is proposed and applied into secondary feature extraction for its high efficiency of decomposition and well property of physical architecture, which serves as fault diagnosis of exhaust system for an automobile car. Furthermore, updating algorithm conjugating with Newton-Gaussian gradient decent is utilized to solve the problem of overfitting, which occurs abnormally on traditional iterative method of NTD. Extensive experimen results show the bispectrum of secondary features can not only exceedingly interpret the state of vehicle exterior noise, but also be benefit to observe the abnormal frequency of some important features masked before. Meanwhile, the overwhelming performance of NTD algorithm is verified more effective under the same condition, comparing with other traditional methods both at the deviation of successive relative error and the computation time.

PL

Obecnie inżynierowie NVH (zajmujący się problematyką hałasu, drgań i uciążliwości akustycznych) napotykają na coraz większe trudności przy analizie hałasu zewnętrznego pojazdów wynikające z faktu, że istotne cechy związane z nieprawidłowościami układu wydechowego są maskowane przez sygnały zakłócające, szczególnie hałas wibracyjny związany z pracą nadwozia. Niezbędna jest zatem nowa metoda, która pozwoli rozkładać tensory wysokiego rzędu i wyodrębniać przydatne cechy (zwane w tym artykule także cechami drugorzędnymi). Do ekstrakcji cech drugorzędnych wykorzystano w prezentowanej pracy metodę nieujemnej faktoryzacji tensorów znaną także jako nieujemna dekompozycja Tuckera 3 (NTD) , która cechuje się wysoką efektywnością dekompozycji i może być wykorzystywana w diagnostyce uszkodzeń układu wydechowego samochodów. Problem nadmiernego dopasowania, który występuje w tradycyjnej metodzie iteracyjnej NTD rozwiązano przy pomocy algorytmu aktualizacyjnego sprzężonego z gradientem prostym Newtona-Gaussa. Wyniki doświadczeń pokazują, że bispektrum cech drugorzędnych nie tylko pozwala doskonale interpretować stan hałasu zewnętrznego pojazdu, ale również umożliwia wykrywanie wcześniej maskowanych nieprawidłowych częstotliwości odpowiadających niektórym ważnym cechom. Badania potwierdzają, że algorytmu NTD jest bardziej efektywny, w tych samych warunkach, w porównaniu z innymi tradycyjnymi metodami zarówno w zakresie odchyleń błędu względnego jak i czasu obliczeń.

Słowa kluczowe

EN

feature extraction; vehicle exterior noise; NTD; updating algorithm

PL

ekstrakcja cech; hałas zewnętrzny pojazdu; NTD; algorytm aktualizacyjny

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2016
• Tom: Vol. 18, no. 2
• Strony: 291--298
• Opis fizyczny: Bibliogr. 24 poz., rys., tab.

Twórcy

autor

Wang H.

• NVH Institute of vehicle performance integration section SAIC-GM-Wuling Automobile CO., LTD 18 Hexi Road, Liuzhou 545007, Guangxi, P.R. of China

autor

Deng G.

• NVH Institute of vehicle performance integration section SAIC-GM-Wuling Automobile CO., LTD 18 Hexi Road, Liuzhou 545007, Guangxi, P.R. of China

autor

Li Q.

• NVH Institute of vehicle performance integration section SAIC-GM-Wuling Automobile CO., LTD 18 Hexi Road, Liuzhou 545007, Guangxi, P.R. of China

autor

Kang Q.

• NVH Institute of vehicle performance integration section SAIC-GM-Wuling Automobile CO., LTD 18 Hexi Road, Liuzhou 545007, Guangxi, P.R. of China

Bibliografia

• 1. Kopriva I. 3D tensor factorization approach to single-frame model-free blind-image deconvolution, Optics letters 2009; 34(8): 2835-2837, http://dx.doi.org/10.1364/OL. 34.002835
• 2. Paatero P, Tapper U. Positive matrix factorization - a nonnegative factor model with optimal utilization of error-estimates of data values, Environmetrics 1994; 5(2): 111-126, http://dx.doi.org/10.1002/env.3170050203.
• 3. Cichocki A, Phan A H , Caiafa C. Flexible HALS algorithms for sparse non-negative matrix/tensor factorization, IEEE Workshop on Machine Learning for Signal Processing 2008: 73 – 78, http://dx.doi.org/10.1109/MLSP.2008.4685458.
• 4. Kopriva I, Cichocki A. Nonlinear Band Expansion and 3D Nonnegative Tensor Factorization for Blind Decomposition of Magnetic Resonance Image of the Brain. Latent Variable Analysis and Signal Separation 2010, Vigneron V, Zarzoso V, Moreau E, Gribonval R, and Vincent E, Editors, ed: Springer-Verlag Berlin 2010; 6365: 490-497, http://dx.doi.org/ 10.1007/978-3-642-15995-4_61.
• 5. Kırbız S, Günsel B. A multiresolution non-negative tensor factorization approach for single channel sound source separation. Signal Processing 2014; 105: 56-69, http://dx.doi.org/10.1016/j.sigpro.2014.05.019.
• 6. Delorme A, Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. Journal of Neuroscience Methods 2004; 134: 9-21, http://dx.doi.org/10.1016/j.jneumeth. 2003.10.009.
• 7. Conesa A, Prats-Montalbán J M, Tarazona S, Nueda M J, Ferreret A. A multiway approach to data integration in systems biology based on Tucker3 and N-PLS. Chemometrics and Intelligent Laboratory Systems 2010; 104: 101-111, http://dx.doi.org/ 10.1016/j.chemolab.2010.06.004.
• 8. Opriva I, and Jerić I. Blind separation of analytes in nuclear magnetic resonance spectroscopy: Improved model for nonnegative matrix factorization. Chemometrics and Intelligent Laboratory Systems 2014; 137: 47-56, http://dx.doi.org/10.1016/j. chemolab.2014.06.004.
• 9. Ding H, Ji H. Application of chemometric methods to analyze the distribution and chemical fraction patterns of metals in sediment from a metropolitan river. Environmental Earth Sciences 2010; 61: 641-657, http://dx.doi.org/10.1007/s12665-009-0379-8.
• 10. Acar E, Yener B. Unsupervised multiway data analysis: A literature survey. IEEE Transactions on Knowledge and Data Engineering 2009; 21: 6-20, http://dx.doi.org/10.1109/TKDE.2008.112.
• 11. Sidiropoulos N D, Giannakis G B, Bro R. Blind PARAFAC receivers for DS-CDMA systems. IEEE Transactions on Signal Process 2000; 48(3): 810-823, http://dx.doi.org/10.1109/78.824675.
• 12. Cichocki A, Zdunek R, Phan A H, Amari S I. Alternating Least Squares and Related Algorithms for NMF and SCA Problems, in Nonnegative Matrix and Tensor Factorizations, ed: John Wiley & Sons, Ltd, 2009: 203-266, http://dx.doi.org/10.1002/ 9780470747278.ch4.
• 13. Kim H, Park H. Sparse non-negative matrix factorizations via alternating non-negativity constrained least squares for microarray data analysis. Bioinformatics 2007; 23(12): 1494-1402, http://dx.doi.org/10.1093/bioinformatics/btm134.
• 14. Cichocki A, Zdunek R, Phan A H, Amari S I. Introduction-Problem Statements and Models, in Nonnegative Matrix and Tensor Factorizations. ed: John Wiley & Sons, 2009:1-75, http://dx.doi.org/http://dx.doi.org/10.1002/ 9780470747278.ch1.
• 15. Kim Y D, Choi S J. Nonnegative tucker decomposition. IEEE Conference on Computer Vision and Pattern Recognition(CVPR) 2007; 1-8, http://dx.doi.org/ 10.1109/CVPR.2007.383405.
• 16. Bro R. Multi-way analysis in the food industry: Models, algorithms and applications. PhD thesis, Amsterdam: university of Amsterdam, 1998, http://curis.ku.dk/ ws/files/13035961/rasmus_bro.pdf.
• 17. Chen X R. Introduction to mathematical statistics in Linear model, Beijing : Chinese science press, 2007. (in Chinese)
• 18. Cichocki A, Zdunek R, Phan A H, Amari S I. Multi-Way Array (Tensor) Factorizations and Decompositions, in: Nonnegative Matrix and Tensor Factorizations. ed: John Wiley & Sons, 2009; 337-432, http://dx.doi.org/ 10.1002/9780470747278.ch7.
• 19. Wang H J, Xu F Y, Zhao J A, Jia M P,Hu J Z, Huang P. Bispectrum Feature Extraction of Gearbox Faults Based on Nonnegative Tucker3 Decomposition with 3D Calculations. Chinese journal of mechanical engineering 2013; 26(6): 1182-1193. http://dx.doi.org/10.3901/CJME.2013.06.1182.
• 20. Phan A H, Tichavsky P, Cichocki A, IEEE member. Damped Gauss-Newton algorithm for nonnegative Tucker decomposition. IEEE Conference on Statistical Signal Processing Workshop(SSP) 2011; 665-668, http://dx.doi.org/ 10.1109/SSP.2011. 5967789.
• 21. Gillis N, Glineur F. A multilevel approach for nonnegative matrix factorization. Journal of Computational and Applied Mathematics 2012; 236(7): 1708-1723, http://dx.doi.org/ 10.1016/j.cam.2011.10.002.
• 22. Bader B W, Kolda T G. Algorithm 862: MATLAB tensor classes for fast algorithm prototyping. ACM Transactions on Mathematical Software(TOMS) 2006; 32(4): 635-653, http://dx.doi.org/ 10.1145/1186785.1186794.
• 23. Wang H J, Xu F Y, Wang F. Tensor factorization and clustering for the feature extractionbased on Tucker3 with updating core. Advanced Materials Research, Advanced Design Technology, ADME 2011; 308-310, http://dx.doi.org/ 10.4028/www.scientific.net/AMR.308-310. 2517.
• 24. Phan A H, Tichavský P, Cichocki A. Low complexity damped Gauss-Newton algorithms for Candecomp/Parafac. Journal on matrix analysis and applications 2013, 34(1): 126-147, http://dx.doi.org/ 10.1137/100808034.