📄 只用麦克风读出发动机转速、缸数和负荷:SonoDyno

英文题目:SonoDyno: A Sonic Dynamometer for Engine Speed and Load Estimation from Audio

评分:7.3/10 | 创新 1.6/2 | 技术严谨 1.3/1.5 | 实验充分 1.3/1.5 | 清晰度 0.8/1 | 影响力 1/1.5 | 开源 0/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

  • Robin Doerfler:机构信息未能在本次解析中与作者逐人可靠绑定
  • Beat Rossmy:机构信息未能在本次解析中与作者逐人可靠绑定

📌 核心摘要

发动机声音的输入是一段麦克风信号,期望输出是瞬时转速、整段录音共用的气缸数,以及介于倒拖底部与全负荷顶部之间的负荷强度。难点在于最强谱线位于发火频率,它等于缸数与转速乘积决定的量,缸数未知时同一谱线对应多种转速,低怠速要求长窗分辨相邻阶次而急加速又要求短窗跟踪扫频。论文用三窗阶次能量表示频谱,把每个阶次在每个候选转速上的能量送入按阶次独立的精炼与融合,再用发火阶次增益按缸数加权并结合跨阶次模式给出联合打分,最后由转速动力学解码器得到路径并读出缸数。负荷分支在解码转速处读取原始功率谱的带能量与谐噪比,用循环网络输出负荷分布。在真实验证录音上向所有跟踪器提供真实阶次的条件下,SonoDyno的5%容差内帧比例为95.7%,高于最接近的PESTO的61.6%,在两台未见过的真实发动机上2%容差内帧比例为93%至97%,在已知类型的未见测试发动机上负荷平均绝对误差约为0.12。在真实录音应力段上以5%容差内帧比例计,真实发动机剧烈变化段的0.67低于未见仿真发动机同应力段的0.89,单次训练在单张RTX 3090上耗时11.5小时,原文未披露推理延迟、吞吐或部署成本。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录,开放状态尚未核实。

可达状态仅表示本次链接检查结果,不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

要从声音里读出什么:转速、缸数与努力程度

这篇论文要解决的是可控发动机声音合成缺少标注的问题。很多存档、采样包和网络视频里有发动机录音,却没有同时记录的转速和负荷,而合成器、主动声设计和阶次分析都需要这两个控制量。传统做法要装转速表、测功机或读车辆总线专有报文,成本高且旧录音根本没有。

SonoDyno 的输入是完整录音会话的麦克风信号,输出是每 64 ms 1 帧的转速估计、每帧的负荷强度估计,以及每个会话一个缸数估计。转速单位是 rpm,范围限定在 600 到 9000 rpm;缸数在 11 个假设中选择,从 1 到 18;负荷强度是 0 到 1 之间的相对量,0 对应带挡滑行断油时的拖拽底线,1 对应全负荷顶线。它不需要事先知道发动机型号、缸数和传声器位置,也不接任何总线。

读者需要先建立一个信号图像:四冲程发动机每两转完成一个循环,每个气缸点火 1 次产生一个排气脉冲,所以声音每两转重复 1 次,频谱上出现间隔为半倍转频的一组谐波,论文称之为发动机阶次。缸数决定其中哪几根最强,点火频率等于缸数乘以转速除以 120。负荷不改变阶次位置,但改变脉冲形状、高阶能量占比、谐波与噪声的比例以及排气共振随燃气温度的上移。传声器位置、排气系统、车身、轮胎风噪和测功机滚筒都会改变包络和绝对响度,但不移动阶次频率,这就是后面白化处理只去包络的依据。

已有方法为什么不够:无转速计测速与音高跟踪各缺什么

无转速计转速估计传统上针对已知机器,用振动或声音跟踪时频脊线,再用滤波器提取指定阶次。它要求人工给定谐波和起始频率,或已知齿轮比等设计参数,传感器多是贴在结构上的加速度计,并在低速、工况切换和快速波动处仍是公开难点。另一支发动机录音工作只针对单台已知车辆,给定缸数后读点火频率,或用分类器分转速档,换一台车就失效。

音高跟踪看起来很接近,因为发动机声也是脉冲串加共振结构。但人声每周期一个声门脉冲,四冲程发动机每两转每个缸 1 次脉冲,最强线落在点火频率,是信号基频的缸数倍。通用跟踪器每帧只返回一个周期,看不到缸数;把最强线当基频就会差一个未知倍数。Motor2Synth 把自监督音高模型搬到发动机采样包上,每个采样另选一个阶次,再做平滑后处理,负荷用响度代理。它的精度是在训练用过的车辆上测的,不能和本文的未知缸数条件直接比。

负荷这一侧更空。合成器输入的转矩是绝对量,而声音只携带相对努力;此前基于录音的合成用响度代理努力,但响度既无正负号,加速与滑行同样响却符号相反,也无跨发动机可比性。接触式传感器可以重建缸压或燃烧参数,但需要实验室发动机和缸体上的专用传感器。本文的负荷强度正是为了给出一个跨发动机可比、且能与转矩双向换算的相对目标。

真正的难点:缸数与转速乘积相同就分不开

第一个难点是转速不能只从频率轴位置读出。四缸 6000 rpm 与八缸 3000 rpm 的点火频率都是 200 Hz,主导谱线重合。所有乘积相同的缸数与转速组合共享点火频率及其谐波,区别只在中间较弱的阶次上,而缸间差异会填充这些阶次。跟踪最强线只能得到点火频率,要得到转速必须同时知道缸数。假设错一个缸数,估计就按缸数比整体缩放;若错成 2 倍或一半,就表现为八度误差。

第二个难点是时间与频率分辨率冲突。怠速 600 rpm 附近相邻阶次只差 5 Hz,需要约 200 ms 以上的分析窗,论文所用窗实际需要约 600 ms;但急加速或换挡时转速变化超过 1500 rpm/s,八缸点火阶次在这样长的窗内扫过 20 Hz。同一帧内低阶可能需要长窗、高阶需要短窗,且需求在加速过程中翻转。

第三个难点是谐波结构随工况和通道剧烈变化。转速扫过排气共振,负荷改变脉冲形状和高温燃气带来的共振上移,断油滑行时燃烧消失、只剩泵气,大量阶次沉入噪声底。传声器位置改变各阶权重和动态范围,宽带噪声改变包络和绝对电平。估计器必须依赖与包络无关的谐波位置线索。

发动机阶次 × 点火阶次: 发动机阶次指以半倍转频为间隔的一整组谐波位置,点火阶次是其中由缸数决定的最强位置,即缸数除以 2;前者给出所有可能出现峰的地方,后者指出哪几根应该最强,两者合起来才能把最强峰换算成转速。

整体链路:三分辨率前端、打分器、解码器与负荷头如何分工

SonoDyno 是离线标注器,按会话处理。固定前端把每帧做成三窗口的阶次能量;3 个学习阶段组成打分器,逐帧给缸数与候选转速的每个组合打分;无学习参数的解码器在时间上施加转动动力学约束并读出缸数;独立的负荷头在解出的转速处估计负荷强度。打分器共 124302 个学习参数,其中约 91% 在阶次模式检测器。

链路上有两条不变式。第一,从前端到融合证据,每个阶段都不混合不同阶次,证据以每阶一张图的形式到达打分阶段;第二,没有参数专属于某个缸数,缸数只通过点火阶次增益对各阶的权重起作用,同一个增益网络服务全部 11 个缸数。这使得训练样本很少的稀有缸数也能被加权。

下面先看总体框图,再逐段展开。读图时把音频到分数再到路径作为主线,把负荷分支看作解出转速后才启动的第二阶段。

读图说明:结合正文理解三窗口从前端到融合再到按缸数加权打分与解码的全过程,重点看分支在哪里分开、在哪里汇合。

看图路径: 1. 先沿音频到前端再到精炼融合的主路径看数据形状变化;2. 再看增益分支与检测器分支在哪里汇合进读取器;3. 最后看解码器分出转速路径与整段缸数两个输出

原论文 Fig. 1:A front end reads each frame t through three analysis windows, of length \\ell = 128, 512 and 2048…

论文图 1。原论文 Fig. 1::“A front end reads each frame t through three analysis windows, of length \ell = 128, 512 and 2048 ms from front to back, and an order comb over 512 candidate speeds r, giving the…”。

该图确实可见从左到右的 5 个大块:前端输出三窗口阶次能量,视图精炼保持形状,视图融合压成融合证据,计数条件打分展开再经读取器压成分数,最右解码器输出转速路径与缸数。增益小图显示各缸数在点火倍频处突起,检测器分支从融合证据另辟一路汇入读取器。示意图帮助理解为何稀有缸数不需要专属参数,以及长短窗信息在融合前始终按阶次独立保留。

前端如何把频谱变成可比的阶次能量

音频先重采样到 8 kHz 并做 0.97 预加重,保证最高阶次 12 在 9000 rpm 时 1800 Hz 仍在带内。每帧用 128、512 和 2048 ms 3 种窗分析,中心对齐同一帧,其中短窗补 0 到 4 倍长度以改善频率采样。每个幅度谱先归一到最大值,再做白化:用 29 Hz 宽高斯平滑的对数幅度包络相减,保留阶次细线,之后再次最大归一化。白化去掉传声器位置带来的包络差异,使同一工况在不同位置的谐波线索可比。

转速轴是 512 个对数间隔候选,从 600 到 9000 rpm,一步 0.00765 倍频程,约 0.531%,一个倍频程恒占 131 个候选。对每个阶次、每个候选,前端用固定梳状核在白化谱上求和得到阶次能量。核是覆盖该网格单元内该阶次应有频率的等质量矩形,再用 1.5 个频点的模糊平滑边缘,相邻候选的核在频率轴上无缝拼接。每帧得到 3 乘 24 乘 512 个数值,阶次集合是从 0.5 到 12 步进 0.5 的 24 个阶次。

读图说明:先对比车内与排气两个传声器原始谱包络的差异,再看白化后包络是否重合,注意谐波峰位置不变。

看图路径: 1. 对比上面板车内与排气传声器包络线的高度差;2. 看下面板白化后两条包络是否重合而谐波峰仍对齐

原论文 Fig. 2:One frame of a recorded engine at 2418 rpm through two of the session’s simultaneous microphones,…

论文图 2。原论文 Fig. 2::“One frame of a recorded engine at 2418 rpm through two of the session’s simultaneous microphones, one in the interior and one at the exhaust.”。

该图上面板显示两路传声器共享谐波结构但包络相差数十分贝,下面板白化后两条包络基本重合而细峰保留。这正是前端要达到的效果:去掉电平与包络,留下只与转速和缸数有关的峰位置,供后续阶次能量读取。

\[E_{t}(\ell,k,r)=\sum_{f}\psi(f,\ell,k,r)\,\tilde{X}_{t}(f,\ell),\]

该式计算阶次能量:对频率求和,把白化谱在核函数覆盖的频率上加权相加。核由阶次、窗口和候选转速决定,固定不学习;白化谱来自上一步。三窗口分别给出 3 种分辨率,后续学习阶段才决定每阶用哪个窗口。

阶次能量 × 候选转速网格: 候选转速网格是 600 到 9000 rpm 上 512 个对数间隔的假设转速,阶次能量是把白化频谱按每个假设转速对应的阶次位置求和得到的能量图;网格提供假设,阶次能量给出每个假设的证据,峰对齐哪个假设就支持哪个转速。

打分器如何先分开清理各阶,再按缸数加权并看整体形状

视图精炼针对每个窗口单独做:同一窗口的 24 个阶次共享一个卷积栈,在帧与候选 2 维上清理脊线,输入经多通道、残差块再映射回单图,感受野约前后 4 帧、左右 16 候选。不同窗口几何不同,所以 3 个窗口各学一个栈。视图融合再按阶次独立做:三窗口的精炼图作为 3 通道输入,经卷积到 32 通道再线性到 1 通道的融合证据。隐藏层使它能实现开关式选择,例如长窗涂抹而短窗清晰时选用短窗,这是固定线性加权做不到的。

计数条件打分有三部分。点火阶次增益用一个多层感知机,把每个阶次与点火阶次的比值、到最近整数的距离等 5 个特征映射为对数值,再在 24 阶上归一化并乘以 24,使每缸数权重均值为 1。均值为 1 保证缸数只有形状没有整体偏置。阶次模式检测器把 24 阶当通道,专门捕捉加速时所有阶次同比例移动的共同运动。读取器把加权证据与检测器特征经隐藏层映射为每个缸数与候选的分数,增益决定某阶对某缸数有多重要,读取器决定它是加分还是减分。

读图说明:对比稳态与加速两种情况下三窗口阶次能量的脊线形态,重点看白色等峰曲线与网格的交点以及长窗涂抹。

看图路径: 1. 先看稳态面板白色曲线如何在各阶同时穿过同一候选转速;2. 再对比加速面板长窗口的涂抹带与短窗口的清晰脊;3. 注意半速与两倍速虚线处也有能量,理解缸数混淆的来源

原论文 Fig. 4:The order energy \\mathbfE_t that the scorer reads, over the 24 orders and the 512 candidates of the…

论文图 4。原论文 Fig. 4::“The order energy \mathbfE_t that the scorer reads, over the 24 orders and the 512 candidates of the logarithmic grid \mathcalR, for one eight-cylinder engine and one microphone…”。

该图稳态面板显示最强阶次的白色曲线在真实转速处各自穿过对应阶次,长窗脊线锐利;加速面板显示长窗内转速大幅扫过形成宽涂抹带,短窗仍保持可辨脊线。这解释了为何需要多分辨率与按阶融合:同一帧不同阶、同一阶不同时刻所需窗口不同。

\[g(k,n)=24\,\softmax_{k}\big(\phi(k,n/2)\big),\]

该式是点火阶次增益:感知机输出经归一化再乘 24,得到每缸数在 24 阶上的权重表,对帧与候选恒定。稀有缸数复用同一张映射表,只是查询的点火阶次不同。

\[P_{t}(n,r)=\frac{\exp s_{t}(n,r)}{\sum_{n^{\prime}\in\mathcal{N}}\sum_{r^{\prime}\in\mathcal{R}}\exp s_{t}(n^{\prime},r^{\prime})}.\]

该式把所有 11 乘 512 个分数经归一化变成联合后验。训练目标是最小化标注单元的负对数似然,1 帧同时压低错误转速与错误缸数的概率,转速与缸数作为一个联合坐标一起学习。

点火阶次增益 × 阶次模式检测器: 点火阶次增益按缸数给 24 个阶次加权,强调该缸数的点火倍频并压低其间阶次,阶次模式检测器则不看缸数、直接看 24 个阶次跨阶的整体形状;前者负责把缸数假设翻译成权重,后者负责在快速变速时抓住所有阶次一起移动的共同运动,两路互补后交给读取器打分。

解码器如何用加速度变化代价消除抖动与八度跳变

打分器只看局部候选邻域,一个倍频程 131 候选远超其视野,连续性必须由解码器保证。物理依据是转动方程给出的加速度跟随缓慢变化的净转矩,因此路径速度的变化应受罚。解码在给定缸数的条件后验上做搜索,状态是候选与路径速度,目标是后验对数减去速度变化与速度本身的二次代价。速度定义为对数转速差除以网格步长,单位是每帧候选数。

实际速度解码用读出的缸数,加速度权重 512,速度权重 0,速度限幅 48,恒速路径零代价,抖动或上下一个倍频程再回来则付出数百奈特的代价。最终转速是路径附近正负 3 候选的加权均值。缸数读取则对每个缸数单独解一条路径,再按整会话多传声器平均的联合后验打分选出缸数,联合后验同时包含该缸数路径拟合与该缸数本身的证据。另有基于宽带电平的发动机关闭门,低于阈值时置零。

\[\arg\max_{r_{1},\dots,r_{T}}\sum_{t=1}^{T}\log P_{t}(r_{t}\mid n)-\kappa_{\mathrm{a}}\sum_{t=3}^{T}\big((v_{t}-v_{t-1})\,\delta\big)^{2}\\ -\kappa_{\mathrm{v}}\sum_{t=2}^{T}(v_{t}\,\delta)^{2}\]

该式是解码目标:第一项累加各帧条件后验对数,第二项惩罚相邻速度之差乘步长的平方即加速度变化,第三项惩罚速度本身。速度解码只保留第二项,缸数读取只保留第三项的变体,两者权重与限幅不同,分工也不同。

转动动力学解码器 × 缸数读取: 转动动力学解码器在单缸数假设下用搜索找一条加速度变化最小的转速路径,缸数读取则比较各缸数假设下各自最优路径的联合后验并按传声器平均选出缸数;前者保证时间连续不跳变,后者利用整段录音决定唯一的缸数,再用该缸数重解出最终转速。

负荷头为什么不用白化谱而用原始功率谱

白化与最大归一化去掉了电平与包络,而负荷线索恰在其中:高负荷时高于噪声底的阶次数量明显多于滑行,谐波与噪声能量比、阶间平衡随负荷变化。因此负荷头读取 512 ms 窗的原始功率谱,放在已解出的转速处。输入 27 维:24 个阶次在正负 3% 带内的带能量、高至 8 阶的谐波噪声比、转速及其变化率。头本身看不到打分器内部状态。

因果两层 128 单元门控循环单元输出 40 个负荷区间的分布与转矩为正的概率,估计取分布质心而非众数,因为同一谱可能在滑行与带载各有一个峰,质心在验证集上解释方差更高。训练用宽 1 个区间的软目标加权重的正负号二元交叉熵,推理时在解码转速处取特征,多传声器按帧平均。训练时对整会话的带剖面施加整体随机增益,迫使模型只用阶间差值与谐波噪声比。已知拖拽底线与全负荷顶线时,负荷强度可换算回转矩。

\[\lambda=\clip\!\left(\frac{\tau-\tau_{\mathrm{drag}}(\omega)}{\tau_{\mathrm{WOT}}(\omega)-\tau_{\mathrm{drag}}(\omega)},\,0,\,1\right),\]

该式定义负荷强度:当前转矩减拖拽底线除以顶线减底线,再裁剪到 0 到 1。两条包络按发动机拟合,0 为最深滑行,1 为全负荷,同一数值在不同发动机上对应不同的绝对转矩。

负荷强度 × 转矩: 转矩是曲轴输出的绝对物理量,大小依赖发动机本身容量;负荷强度是把当前转矩放在该转速下拖拽底线为 0、全负荷顶线为 1 之间的相对位置,0 到 1 之间取值;声音只携带相对努力程度,所以论文以负荷强度为目标,需要绝对转矩时再用该发动机的两条包络曲线换算。

数据构成、划分与训练设置

语料共 116.7 小时,均为音频加转速转矩采样对齐标签。真机 41.9 小时来自 8 台发动机 538 个会话,缸数 4、6、8,峰值转矩 304 到 803 N·m,14 个传声器位置,42% 帧为负转矩滑行;仿真 60.4 小时来自 370 台发动机 11 种缸数 1 到 18;程序重合成 14.4 小时由两台真机声音按实车轨迹重合成。真机提供通道变化,仿真提供发动机设计变化与 1250 rpm 以下怠速覆盖,真机在固定转速下覆盖从滑行到全负荷的稳态负荷。快变帧超过 1500 rpm/s 仅占训练 1.1%,训练时约 3 倍过采样。

划分按会话分组,同会话多传声器同侧。验证集留一台未见型号的四缸机,连同未见过的录制配置一起考验泛化;测试集留一台同型号不同个体的八缸机;另有一台八缸机的部分会话留作验证,其余用于训练。验证与测试的仿真发动机与训练不重叠。

速度打分器用 AdamW 学习率 0.001、200 步热身、余弦衰减到 0 共 10000 步,批量 32 段每段 256 帧,真机帧占 36.3%,单卡约 11.5 小时。负荷头在解码转速处训练 3000 步,以适应推理时的转速误差。

下表说明 3 类材料的互补分工,小时按传声器通道求和,理解泛化结论需要先看清该构成。表头给出材料、小时、发动机数、缸数与滑行占比,数值越大表示该类材料越多。

MaterialHoursEnginesCylindersMic. pos.Overrun
Real recordings41.984, 6, 81442 %
Simulated engines60.43701 to 18 (11)37 %
Resyntheses14.4(2)844 %
Total116.73781 to 18 (11)1440 %

该表显示真机缸数少但传声器位置多,仿真缸数多达 11 种但无传声器位置变化,重合成只来自两台真机。总量中真机与仿真各占约三分之一以上,这种构成决定了稀有缸数主要靠仿真学习,而通道鲁棒性主要靠真机多传声器学习。

评测按什么问题组织:指标、频段与门限

评测围绕 3 个问题:未见型号能否读准,未见个体但已知型号能否读准,训练过发动机的未见会话能否读准。真机与仿真分开计分,帧级指标在有目标的标注帧上池化,录音级指标按至少 50 标注帧的录音计数。测试集只评 1 次。

转速用相对误差,c5 与 c2 分别表示误差小于 5% 与 2% 的帧占比,3000 rpm 时 c2 对应正负 60 rpm 内。八度误差指落在半速或 2 倍速 0.2 倍频程内的帧;错缸数若保持点火频率则按缸数比缩放转速,只有比值为 2 倍时才计八度误差。c5 低于 0.2 的录音记为损坏。参考真值每 64 ms 采样,换挡与原地轰油门处 1 帧内跳变,窗估计需一两帧通过,因此用 3 帧平滑参考作为上限。

分频段报告 500 到 1500 rpm/s 坡道 c5、1250 rpm 以下怠速 c2,以及 1500 rpm/s 以上应力带 c5。速度路径在读出缸数下解码,关机门关闭时变体另计,真实缸数只作对照。缸数按会话选对比例,真机按会话,仿真按录音。负荷用平均绝对误差、解释方差、驱动与滑行符号准确率,以及按固定边界划分的四档准确率。负荷只在发动机运转且转速在网格内帧上计分,多传声器平均后再评会话级。

转速与缸数在未见发动机上能到什么水平

在两台从未听过的真机上,传声器位置、型号与缸数均未知时,93% 到 97% 帧的转速误差在 2% 以内,94% 到 97% 在 5% 以内,缸数按会话 80% 准确,八度混淆不到 2% 帧。验证集混合池化 c5 为 0.977、c2 为 0.969,但因含大量仿真扫频,需按切片看。

下表按留出切片给出不带关机门的 c5、c2 与缸数读对数,是判断泛化条件的核心证据。c5、c2 越高越好,缸数读对数以分数表示。比较时需注意会话时长差异。

Slicec5c2gated c5count
real recordings, pooled0.9470.9350.944
unseen engine type0.9690.9680.96936/47
held-out sessions0.8940.8590.8874/4
unseen simulated engines0.9940.9890.97360/60
unseen engine of a known type0.9450.9310.9179/9
unseen simulated engines0.9800.9740.966135/149

该表显示未见型号 c5 为 0.969、c2 为 0.968,反而高于训练发动机的留出会话 0.894 与 0.859;后者是长动态驾驶,含大量参考跳变,连平滑参考 c2 也只有 0.939。测试集已知型号未见个体 c5 为 0.945、c2 为 0.931,9 个会话缸数全对。未见仿真发动机 c5 高达 0.994 与 0.980。读对缸数与否几乎不影响转速,用真实缸数解码 c5 最多差 0.003。

验证集错的会话都是把四缸读成八缸,偶次点火谐波可被八缸假设解释,转速仍对。误差集中在坡道与怠速,真机各约 6 到 7 帧对 1 帧错,应力带约 3 帧错 1 帧。

读图说明:看联合后验在缸数与转速 2 维上的集中程度,以及整段路径准则如何拉开正确与错误缸数的差距。

看图路径: 1. 看上面板联合后验能量集中在哪一个缸数与转速交叉点;2. 看中面板各缸数路径随时间谁始终最高;3. 看下面板柱状准则中胜出缸数与次优缸数的分差

原论文 Fig. 7:The joint cylinder-count and speed read on one recording session of an eight-cylinder engine at…

论文图 7。原论文 Fig. 7::“The joint cylinder-count and speed read on one recording session of an eight-cylinder engine at constant speed, five microphones.”。

该图上面板显示能量集中在 8 缸与真实转速交叉点,其他缸数在同转速处至少低 10 奈特,八度位置更弱;中面板 8 缸路径始终最高;下面板会话准则 8 缸为负 1.7 奈特,次优 6 缸为负 61.9 奈特。这是单会话多传声器平均后的实际激活,说明缸数判决依赖整段累积而非单帧峰值。

与通用音高跟踪器相比,优势来自表示还是学习

比较的公平条件是给每个跟踪器最优阶次,即按标签选出的阶次把跟踪频率换算成转速,这已经偏向跟踪器,而 SonoDyno 仍需自己读缸数。在真机验证录音上,最好的 PESTO c5 为 0.616、c2 为 0.569,平均相对误差 63.8%,其余都在 40% 以下,误差形态是锁到错误谐波。按旋转频率直接读则所有跟踪器低于 14%,按发动机选阶次才把 PESTO 从 6% 抬到 62%。把 PESTO 在本文音频上自监督重训,反而跌到 8% 以内,说明没有缸数提供的锚点,相对目标学不到绝对阶次。

下表在同一真机验证集上对比可运行策略与仅前端的变体,c5、c2 越高越好,平均相对误差与损坏率越低越好。加粗为每列最优。

Systemc5c2RMAE %broken %
SonoDyno0.9570.9482.40.6
no learned stage, orders flat0.7180.70919.930.1
no learned stage, true firing orders0.7740.76420.020.2
PESTO0.6160.56963.817.2
CREPE0.3780.342206.433.7
pYIN0.2580.25378.862.6
YIN0.2790.27581.155.2
PESTO retrained, our audio0.0750.03152.088.9
PESTO retrained, eight cylinders0.1150.03460.390.2

该表显示无学习阶段平权求和已有 c5 为 0.718,知道真实点火阶次加权后 0.774,仍远低于完整模型 0.957 与 0.948,损坏录音从 30.1% 降到 0.6%。这说明阶次梳本身已超过所有通用跟踪器,学习阶段再解决低速的八度残留与动态跟踪。打分器 124302 参数,不大于最小的学习跟踪器,负荷头另加 164649 参数。附录分切片表显示该结论在未见型号、留出会话与仿真切片上一致。

负荷强度在什么条件下可读:误差、符号与传声器平均

负荷在训练发动机的留出会话上解释方差 0.756,平均绝对误差 0.090,约为粗档宽度的三分之一;驱动与滑行符号准确率 0.905,粗档准确率 0.761。多传声器估计相关 0.93,按会话平均后解释方差升到 0.819。在未见仿真发动机上解释方差同样 0.819、误差 0.108,说明归一化到各自容量后可迁移到未见发动机。若在标注转速而非解码转速上训练同一负荷头,解释方差从 0.76 跌到 0.48,证明必须在推理时的转速误差下训练。

下表给出验证与测试的负荷四指标,解释方差越高越好,平均绝对误差越低越好,符号与粗档准确率越高越好。空缺表示原文未报告该项。

Slice\(R^{2}\)MAEstateclass
held-out sessions, training engine0.7560.0900.9050.761
averaged over microphones0.8190.0820.9290.795
unseen simulated engines0.8190.1080.779
unseen engine of a known type0.6400.1170.9140.697
averaged over microphones0.7810.0990.9540.718
unseen simulated engines0.7850.1140.9380.780

该表显示测试集已知型号未见个体单传声器解释方差 0.640、误差 0.117、符号准确率 0.914,会话平均后升到 0.781、0.099 与 0.954,接近验证发动机的 0.819。未见仿真测试集解释方差 0.785、误差 0.114。错误多为邻档混淆,70% 精确命中、93% 在邻档内,滑行帧平均读 0.08,低于 0.174 的类别边界,留有裕量。传声器间分歧在测试集更大,平均带来的提升也更大,说明部分误差来自通道而非工况本身。

哪些设计真正重要:检测器、读取器与数据配比

消融在同条件训练、固定缸数下解码,只比打分器差异,另有数据与解码器的对照用读出缸数解码。把训练好模型的阶次模式检测器置零,留出会话应力带 c5 从 0.51 跌到 0.10,怠速 c2 从 0.81 跌到 0.52,而未见型号 c5 仍有 0.91,说明检测器专管动态。同为加权证据,多层感知机读取器比简单加权求和把未见型号缸数从 21/47 提到 37/47,应力带从 0.22 提到 0.36;再加检测器则验证集 c2 从 0.937 到 0.957。若早期混合阶次、用共享主干加匿名通道并对通道加增益,c5 停在 0.926,应力带 0.11,缸数 20/47,远低于按阶独立到增益的 0.965、0.51 与 37/47,证明阶次必须保持独立直到增益加权。

容量上加宽 1 倍加深一块并未超过当前尺寸;推理时剪通道发现每窗 4 个精炼通道中有 4 个承载能力,而融合 32 通道剪到 8 个会使应力带大幅下跌,说明融合宽度承载应力带。数据上快帧过采样把留出会话应力带从 0.60 提到 0.68、整体 c5 从 0.87 到 0.89,未见型号变化在种子波动内;把真机帧占比从 36.3% 提到 53% 则拟合已知而损伤未知,留出会话涨 0.010,未见型号掉 0.023 并丢 5 个缸数。训练步数翻倍无益,怠速误判上升。

增益允许负值后下限约负 0.035,仍在种子波动内,说明增益本质是存在性加权;按置信自适应解码代价在真机上降 c5,保留固定代价。两处种子差异在应力带上可达 0.06,单种子的小差异不作解读。

结论在什么边界内成立:未覆盖的缸数、噪声与评估次数

速度剩余误差在坡道、应力带与怠速。真机只覆盖 4、6、8 缸,留出真机只有 4 与 8 缸,6 缸及 1、2、3、5、10、12、16、18 缸只在仿真上验证;唯一的系统性误读是四缸恒定高速被读成八缸,信号模型本身允许这种偶次谐波解释。未见型号同时换了发动机与录制配置,两者效应不可分。所有真机都在半消声室底盘测功机上录制,路面、风、交通噪声未覆盖。

负荷在未见型号真机上没有评分,只在训练发动机的留出会话、仿真机与测试机上评分;速度最终模型是单种子,种子波动已在应力带上给出约 0.06 的范围;测试集只评 1 次且只有一台真机。这些都限制了把数字推广到任意路采录音。论文讨论也明确,对噪声振动与机械分析所需的绝对转矩精度,当前 0.1 量级的平均绝对误差与无绝对转矩的设定是不够的;它的定位是给条件合成提供比响度更一般的努力控制,并把大量无标注录音变成可用训练材料。

复现第一步做什么:数据、超参数与核对点

复现应先按会话划分复刻数据管线:重采样 8 kHz、预加重 0.97、三窗 128、512、2048 ms、白化高斯 29 Hz、512 候选对数网格 600 到 9000 rpm、24 阶 0.5 到 12、梳状核边缘 1.5 频点模糊。打分器按论文卷积尺寸与通道数搭建,增益多层感知机 16 单元、归一化乘 24,读取器两层 32 单元加可学习逆温度,联合 11 乘 512 归一化交叉熵训练。解码器无学习参数,速度解码用加速度权重 512、速度权重 0、限幅 48,缸数读取用 1 阶权重 32、无限幅再多传声器平均。负荷头用解码转速处的 24 维带剖面正负 3%、8 阶内谐波噪声比、转速与变化率共 27 维,两层 128 单元因果门控循环单元,40 区间质心输出,训练加正负 12 dB 整体增益扰动。

核对点包括无学习前端加解码在真机验证集应已达 c5 约 0.72、真阶次加权约 0.77;完整模型验证混合 c5 约 0.977;测试集只跑 1 次。训练成本为单卡约 11.5 小时速度模型加 3000 步负荷头,推理按 64 ms 帧输出。

什么时候值得尝试,以及还缺哪项验证

当手头只有麦克风录音、没有转速表与总线,又需要转速加努力程度来索引采样、做阶次分析或条件合成时值得尝试。它的转速路径已考虑转动动力学,缸数 1 次读出后全段共用,负荷输出是归一化努力而非响度,符号比档位更可靠,多传声器平均可再提升。直接用通用音高跟踪加固定阶次的方案,在未知缸数下预期会锁到错误谐波,重训自监督模型若无锚点也不会自动恢复。

还缺的验证是真实路噪、更多真机缸数尤其是六缸与其他稀有缸数、以及未见型号真机的负荷评分。若要在新场景部署,应先在该场景的少量带标签会话上复测 c5、c2、八度率与符号准确率,重点看怠速与应力带,并检查四缸恒速是否被读成八缸。确认后再把解码转速与负荷强度作为合成器的控制轨迹使用,需要绝对转矩时用该发动机的拖拽底线与全负荷顶线换算。

📎 论文与评分元数据

排名:前50% | 文档类型:方法研究 | arXiv 原文

⚖️ 评分明细

评分属于系统判断,不是论文实验结果;八维数值与总分见页首,原始审计记录保留在后端。

  • 评分规则:type-aware-v1

  • 评分模型:muse-spark-1.3-contributor

  • 评分请求协议:openai_responses


← 返回 2026-11-09 语音/音乐/音频论文速递