A fast sound power prediction tool for genset noise using machine learning

要約

このホワイトペーパーでは、機械学習回帰アルゴリズムKernel Ridge Regression（KRR）、Huber Regressor（HR）、およびGaussian Process Regression（GPR）の適用を調査し、ジェンセットの健全な電力レベルを予測し、早期入札プロセス中にマーケティングチームと営業チームに大きな価値を提供します。
エンジンのサイズとジェンセットエンクロージャーの寸法が暫定的であり、測定されたノイズデータが利用できない場合、これらのアルゴリズムは、構築されていないジェンセットの信頼できるノイズレベルの推定を有効にします。
この研究では、ISO 3744基準を順守している半抗波室のCummins Acoustics Technology Center（ATC）で実施された100を超える実験からの高忠実度データセットを利用しています。
入札および初期設計段階から容易に利用できる情報を使用することにより、KRRは5 DBA以内の平均精度でサウンドパワーを予測します。
HRとGPRはわずかに高い予測エラーを示していますが、すべてのモデルは、さまざまなジェンセット構成にわたって全体的なノイズトレンドを効果的にキャプチャします。
これらの発見は、ジェンセット設計における初期段階の騒音推定の有望な方法を示しています。

要約(オリジナル)

This paper investigates the application of machine learning regression algorithms Kernel Ridge Regression (KRR), Huber Regressor (HR), and Gaussian Process Regression (GPR) for predicting sound power levels of gensets, offering significant value for marketing and sales teams during the early bidding process. When engine sizes and genset enclosure dimensions are tentative, and measured noise data is unavailable, these algorithms enable reliable noise level estimation for unbuilt gensets. The study utilizes high fidelity datasets from over 100 experiments conducted at Cummins Acoustics Technology Center (ATC) in a hemi-anechoic chamber, adhering to ISO 3744 standards. By using readily available information from the bidding and initial design stages, KRR predicts sound power with an average accuracy of within 5 dBA. While HR and GPR show slightly higher prediction errors, all models effectively capture the overall noise trends across various genset configurations. These findings present a promising method for early-stage noise estimation in genset design.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google