广告
NVH下线检测（EOL）的现状与未来
2020-03-07 00:30:33· 来源：“NVH下线检测技术”公众号
写在前面的话我们知道，下线检测技术纷繁复杂，涉及材料属性、加工工艺、结构装配等各个环节。笼统的讨论下线检测技术，将会超出作者的认识范围，并且失去特定的
写在前面的话
“ 我们知道，下线检测技术纷繁复杂，涉及材料属性、加工工艺、结构装配等各个环节。笼统的讨论下线检测技术，将会超出作者的认识范围，并且失去特定的参考价值。 本文（及后续文章）仅对“满足运行条件的装配完成品或半成品（主机、总成件或零部件），在（模拟）真实工况下，基于对振动/噪声等信号的识别手段，检查是否存在不期望的NVH问题的下线检测技术”进行讨论。 ”
一、概述
产品性能持续提升，由研发创新和产线（EOL）检测手段创新两方面交互发挥作用，缺一不可。
近年来，对于汽车、家电、IT类大众消费品而言，国内外对NVH性能的关注持续升温。各厂家均在研发上做了积极的资源投入，并取得了一定的创新成果。然而，新的问题困扰着主机厂（OEMs）及零部件供应商：实验室产品的高性能，如何落实到生产线产品上？
NVH下线检测（EOL）作为主流的解决方案，在此发挥作用。
1.1 下线检测的定义
下线检测即在生产环节，通过某种检测手段，基于某种检测标准，识别并确认产品缺陷，以控制产品质量的过程。
原则上讲，所有产品都需要下线检测！（虽然实际上会有所不同）
注：图片来源于网络
1.2 下线检测的形式
下线检测存在多种维度划分方式，在线-离线，全检-抽检，手动-半自动-自动等。其主要就是回答“通过何种手段，如何有效的区分OK/ NG产品？”这个问题。
较为理想的方式是在线-自动-全检，但实际操作中，维度选择将受到多方面的限制，例如，生产节拍、空间布置、检测环境、检测手段、判定标准、工况设定、甚至是预算与预期等。
注：图片来源于网络
1.3 下线检测的流程
常规流程均包含了扫码- 性能检测（不限于振动噪声）- 数据对比（与检测标准对比）- 结果判断（OK/NG）- PLC执行分拣动作等。
基于不同的定制需求，还会可能增加数据库存储、典型故障识别和自学习算法等过程。（后续将讨论自学习算法及故障库应用限制）
注：图片来源于网络
二、NVH下线检测的不同层级
在深入探讨之前，我们需要对NVH检测做进一步解释。NVH性能检测大体分为三个层级：
- 第一层级：量级相关（Level-based）检测
声压级（dBA）、声功率、表面振动加速度/速度量级等属于这一类，对应于NVH性能开发的初级阶段，主要以满足国标/企标对产品NVH Level-based性能目标的要求为主。该方法的应用非常广泛、相对成熟，而且不存在方法论层面的技术难点；
干扰声/异响检测、异常振动的检测等属于这一类，由于涉及到典型振动/噪声模式的识别，量级相关（Level-based）检测所使用的单一或多个参量（SPL、FFT、Octave、Order等）的方法偶尔能应用于简单的特定场景，不再具有通用性。
由于振动/噪声模式识别的复杂性，基于常规的NVH分析手段，很难将其量化，国内的主流处理方式是：在生产线现场预留主观评价工位和评价人员，基于“主观评价+噪声故障库”的方式识别并剔除不合格品。（该方法存在的问题，将在后文讨论）
当然，随着主客观评价技术的发展，通过结合并加权多个客观参量，针对特定的噪声/振动模式开发公式/模型，从而将振动/噪声模式量化的方式在逐渐增多。（该方法将在后续文章中进行讨论）
品质（尤其是声品质）相关的话题，已经是国内近十几来产品开发的热点话题，任何产品研发机构对声品质性能开发的动机和最终受益都不陌生，本文不再赘述。
品质相关（Quality-based）的特点是：其不仅与产品性能本身有关，而且与因人而异的主观的经验、期望及认知层次有关。模式相关（Pattern-based）检测中提到的“基于主观评价+数据库”的方法不再适用。
要解决品质相关（Quality-based）检测的需求，首先需要在研发层面理解几个问题：“目标群体的期望是什么”、“目标群体对该产品的主观评价是什么？”、“如何将主观评价结果量化？。
目前看来，人类在双耳听觉、声音的心理学表征、高层级听觉中枢加工过程及认知过程等诸多领域取得重大突破之前（涉及物理学、生物学、心理声等学科及其交叉学科），唯一可行的方案是在产品研发层面，通过一系列的主观评价手段和客观量化分析方法，获取产品声品质性能的客观评价模型/公式，之后将该模型用于品质相关（Quality-based）的EOL检测。即便如此，该方法也无法像Level-based检测手段那样，达到100%的检出率，实践表明，品质相关检测的理论检出率一般不高于90%。（后续文章将会对该方法的理论及实践意义进一步探讨）
三、发展现状
国内各主机厂（OEMs）及零部件供应商，在产品NVH性能、研发实力、行业期望和技术提升欲望等多方面呈现不同的特点，所采用的的NVH下线检测技术手段也存在典型的差异。总体而言，可以分为以下几种：
- 基于单一/多个客观参量的检测手段
注意：这里提到的“多个客观参量”的应用，并未实现模型化，只是各参数有各自的判断标准；
目前，该方法主要服务于“Level-based”层级，通过对采集的振动和或噪声信号进行特定的客观参量分析（SPL，FFT，Octave，Order等），并给出判断。这将是当前及以后相当长时间的主流方案，大部分企业都有所涉及。
需要特别指出的是，相对于“基于噪声信号”而言，“基于振动信号”的检测手段，无声学环境限制、可操作性强等特点，备受企业青睐。但该方法也受到“振动测点位置不好选取”、“振动-噪声信号相关性不清晰”等技术限制，需要额外注意；
- 基于“主观评价+故障库”的检测手段
该方法主要服务于“Pattern-based”层级，受训的评审人员在生产线配套的静音房/静音箱内，对产品运行噪声主观评价，与（声音）故障库进行比对，并给出判断。该方法的优势在于：用人代替测试设备和客观分析函数，解决了模式识别的关键技术问题。但评审人员的判断会或多或少的受到个人身体状况、情绪、工作负荷、听觉自适应过程（尤其是比较大的运行噪声环境）等因素的影响，导致检出率不稳定。实践表明，持续工作时间越长，检出出错率越高。
- 基于“公式/模型”的检测手段
该方法是解决“Pattern-based”和“Quality-based”层级的理想方案。在国内的应用还比较少，仅在少数技术成熟的国外独资/合资企业中有所涉及。其应用的核心难点不在生产线板块，而在于：研发板块对所研究产品的声品质性能理解不足，无法获取有效的声品质期望及主观评价结果，并缺乏主观评价模型化技术。（后续将详细讨论主观评价模型化技术）
注：柱状图仅指示各检测手段的相对份额，不表示绝对占有率。
四、趋势与未来
总体而言，“Level-based”层级不存在典型的技术难点，应用广泛且易于实施。近几年，神经网络、大数据及互联网+等新兴技术频繁出现在NVH下线检测技术应用之中，但其主要应用场景仍限制在“Level-based”层级，及简化的“Pattern-based”层级。（后续文章将对此进行解释）
“Pattern-based”和“Quality-based”层级的应用，强烈地依赖研发板块的技术支撑。只有充分理解振动/噪声模式识别和产品声品质，并掌握相关的模型化技术，才能形成客观量化的公式/模型，并应用于生产线板块的下线检测。长远来看，基于“主观评价+故障库”的手段必将被“基于公式/模型”的方法所替代。
未来，人类在双耳听觉、声音的心理学表征、高层级听觉中枢加工过程及认知过程等诸多领域取得重大突破之后，将全面解构模式识别及品质评价编码，NVH下线检测也将迎来新的革命，只是那时是否仍然需要“NVH下线检测”是一个迷。
广告 
广告
编辑推荐
最新资讯
-
2024博鳌汽车论坛成功举办，招商车研发布多
2024-12-05 10:17
-
下载《智能座舱音效测试方案》+ 《AES TC-A
2024-12-05 08:37
-
4大地区环境整车可靠性试验-高寒、干热、湿
2024-12-05 08:37
-
OBD检测新政来袭：你的车年检合格吗？
2024-12-05 08:26
-
驾驶模拟器与自动化验证工具：智能座舱品质
2024-12-04 19:35
广告
广告
