XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Постановка проблемы. Ремонт автомобиля – довольно сложный и дорогостоящий процесс. Множество серьезных проблем с автомобилем можно избежать, если своевременно обратится в ремонтную мастерскую. Однако, встает вопрос, как автоматизировать диагностику неисправностей автомобиля. Одним из методов раннего диагностирования проблем является метод акустической диагностики, то есть диагностики по звуку.

Введение. Аудио анализ – это процесс исследования и идентификация какого-либо явления, предмета или существа с помощью звука. С помощью аудио анализа легко идентифицировать: вид птиц по пению, человека по голосу или неисправность по звуку издающего механизм во время работы. Очевидным преимуществом аудио анализа является то, что единственное, что нужно для исследования – это звук. Простой звон, треск, свист, скрип и другие нехарактерные для нормальной работы двигателя звуки в автомобиле могут свидетельствовать про определенные проблемы [1].

Например, внезапный стук низкого тона в нижней части двигателя, что усиливается при нагрузке и увеличении оборотов двигателя, может быть вызван разбалансированием коренных подшипников. Такое бывает при сильно изношенных двигателях. Часто проблема усугубляется падением уровня масла (загорается сигнализатор аварийного уровня масла), что может привести к перегреву двигателя и выхода его из строя.

Ритмичный, звенящий, металлический звук среднего тона в средней части блока цилиндров может быть вызван шатунными подшипниками.

Свист сразу после запуска двигателя и резкого нажатия на газ говорит о износе ремня генератора. Его нужно затянуть или заменить на новый.

Своевременная диагностика этих проблем уменьшает объем работ и стоимость ремонта. Некоторые опытные механики могут распознавать эти проблемы на слух, но возможности автоматических программ аудио диагностики превышают физические способности человека. Хотя акустическая диагностика двигателя не заменит полноценной диагностики, которую может предоставить традиционная автомастерская, однако акустическая диагностика может значительно облегчить идентификацию и своевременный ремонт неисправностей.

Цель исследования. На основе методов аудио анализа спроектировать программу, которая будет определять исправен двигатель или нет.

Материал и методы исследования. В основе анализа звука лежат классификаторы, например, RandomForest, и косинусальное сходство. Перед анализом информации, из аудиофайла вычисляются мел-кепстральные коэффициенты или MFCC. MFCC — это набор числовых признаков, выделяемых из звукового (аудио) сигнала, которые компактно описывают спектральную (частотную) структуру звука с учётом особенностей восприятия человеком.

Для анализа данных используется классификаторы, например, RandomForest, и косинусальное сходство. RandomForestClassifier — это ансамблевый алгоритм машинного обучения. Его основная концепция заключается в построении множества независимых решающих деревьев и последующем объединении их прогнозов для получения итогового результата, что приводит к построению более точной модели.Косинусальное сходство — это способ в машинном обучении основанный на том, насколько два вектора данных направлены в одну сторону, независимо от их длины. Косинусальное сходство работает по следующему принципу: сначала вычисляется векторы значений, а затем сравнивается угол между векторами.

Результаты исследования и их обсуждение. Существует множество направлений для применения программ автоматической аудио диагностики. Спрос не ограничивается только автолюбителями, но и включает помощь в контроле качества выпускаемой продукции автопредприятий, а также проверка качества предоставленных услуг по ремонту автомобилей на станциях техобслуживание. На текущий момент во многих странах разрабатывают программы, которые способны с помощью акустической диагностики находить неисправности автомобиля. Уже есть программы для диагностики двигателя, например: Autune, Sound Analyser от Škoda, Bosch Audio Analyzer или ClingClanger [2-6].

Так, в 2017 году ученые Массачусетского Технологического Института заявили о начале разработки приложения для аудио диагностики автомобилей. Приложение будет анализировать звук и вибрации автомобиля, для выявления проблем, даже до того, как транспортное средство покажет какие-нибудь очевидные симптомы. Таким образом, приложение для смартфона, разработанное командой Массачусетского технологического института, может сэкономить среднему водителю $125 в год и сократить общий расход топлива на несколько процентов. Для грузовиков экономия может составлять до $600 в год, не считая выгоды от избегания поломок, которые могут привести к потере дохода [2].

Также в 2020 году чешский концерн Škoda auto заявил о создании приложения Sound Analyser для диагностики автомобилей Škoda. Программа записывает шумы, которые издаются соответствующим транспортным средством во время его движения, и сравнивает их с сохраненными звуковыми образцами. В случае возникновения любых несоответствий программа использует алгоритм, чтобы определить, какая проблема возникла в автомобиле и как ее можно устранить. Таким образом, приложение сможет сократить общее время на выявление и устранение поломок. Уже сейчас 245 дилеров ŠKODA в 14 странах тестируют Sound Analyser в реальных условиях [3]. К достоинствам SoundAnalyser можно отнести высокую точность и возможность установить бесплатно на телефон, однако, приложение работает только с автомобилями ŠKODA.

В 2019 году компания Bosch, известный производитель автомобильных и промышленных технологий, выпустила программу Sound Analyzer для автомобильных двигателей [4]. Программа Sound Analyzer от Bosch была представлена ​​в рамках проекта SoundSee, разработанного в сотрудничестве с компанией Astrobotic Technology Inc. Первоначально эта технология предназначалась для анализа звуков на Международной космической станции (МКС), где она использовалась для диагностики поломок оборудования по звуку с помощью искусственного интеллекта и машинного обучения [5]. Хотя сначала SoundSee была разработана для космических исследований, впоследствии Bosch адаптировала эту технологию для коммерческого использования, включая анализ звуков в автомобильных двигателях и других промышленных программах. К преимуществам можно отнести высокую точность и поддержку грузовых и промышленных двигателей. К недостаткам можно отнести ее дороговизну и доступность только для больших компаний.

В 2014 году компания Noise Tech создала программу ClingClanger которая может идентифицировать поломку автомобиля по записи звука. В ClingClanger находится библиотека автомобильных шумов, с которыми программа сравнивает записи работы и на основе которых программа оценивает состояние двигателя [6]. К преимуществам можно отнести возможность работы без доступа в Интернет и поддержку большого количества моделей автомобилей. К недостаткам то, что в бесплатной версии ограничена функциональность.

Преимущества и недостатки каждого из приложений приведены в таблице 1

Таблица 1 – Преимущества и недостатки приложений

Для описания программы был использован Use Case Diagram (диаграмма вариантов использования) (см. рис. 1). Диаграмма вариантов использования в UML – это диаграмма, отражающая отношения между актерами и прецедентами, и являющейся составляющей модели прецедентов, позволяющей описать систему на концептуальном уровне.

Рисунок 1 – Диаграмма прецедентов

Актер – это множество логически связанных ролей, выполняемых при взаимодействии с прецедентами или сущностями. Актером может быть человек или другая система, подсистема или класс. На рисунке изображен один актер – пользователь (User).

Прецеденты (варианты использования) – это описание поведения системы, когда она взаимодействует с актером. На рисунке можно увидеть, что актер-пользователь

имеет следующие варианты использования: «Загрузить аудиофайл», «Построение спектрограммы», «Построение спектра», «Вывод результатов», «Анализ аудиофайла», «Нормализация данных». При выполнении прецедента «Анализ аудиофайла» также будет выполняться «Нормализация данных». При выполнении прецедента «Загрузить аудиофайл» можно также выполнить «Построение спектрограммы», «Построение спектра».

Для описания программы была выбрана диаграмма классов (см. рис. 2), представляющая структуру системы путем моделирования ее классов, свойств, операций и связей между объектами.

Рисунок 2 – Диаграмма классов

На диаграмме классы представлены в виде прямоугольников, содержащих три отделения: Верхняя часть содержит название класса. Среднее отделение содержит атрибуты класса. Нижний отсек содержит операции, которые могут выполнять класс. Классы соединены связями. На диаграмме представлены семь классов: MainWindow, MenuBar, Console, Analyzer, Display, Spectrogrum, Spectr.

Выводы. В этой статье была рассмотрена проблема создания приложения акустической диагностики двигателя автомобиля на языке python. Было рассмотрены другие программы с похожей функциональностью, рассмотрены их преимущества, удобство, недостатки. Были построена UML диаграмма прецедентов. В результате исследования было разработана концептуальная модель приложения, которое может строить спектрограммы и спектры звуковой записи, сравнивать звуковые записи, анализировать записи работы двигателя автомобиля и делать вывод о том, есть неисправности в двигателе. Основным преимуществом приложения является возможность быстрой предварительной оценки состояния двигателя без необходимости демонтажа узлов и агрегатов. Был создан концепт инструмента, который может быть использован как водителями, так и техническими специалистами для оперативной оценки состояния двигателя. Дальнейшее развитие рассмотренной задачи лежит в программной реализации приложения.

Список литературы

1. 10 звуков, распознав которые, вы предотвратите поломку авто. [Электронный ресурс]. URL: https://www.kia.ru/press/magazine/j193/ (Дата обращения: 15.12.25)

2. Chandler D. L. Let your car tell you what it needs. [Электронный ресурс]. URL: https://news.mit.edu/2017/software-let-your-car-tell-you-what-it-needs-1026 (Дата обращения: 15.12.25)

3. ŠKODA AUTO uses artificial intelligence for even more accurate car diagnostics. [Электронный ресурс]. URL: https://www.skoda-storyboard.com/en/press-releases/skodaauto-uses-artificial-intelligence-for-even-more-accurate-car-diagnostics-2/ (Дата обращения: 15.12.25)

4. AI-driven Audio Analytics. [Электронный ресурс]. URL: https://www.keenfinitygroup.com/xc/en/solutions/video-systems/intelligent-audio-analytics/ (Дата обращения: 15.12.25)

5. Bosch sends sensor system to ISS [Электронный ресурс]. URL: https://www.bosch.com/stories/acoustic-sensors/ (Дата обращения: 15.12.25)

6. Udy J. ClingClanger App Helps Diagnose Car Noises. [Электронный ресурс].URL: https://www.motortrend.com/news/clingclanger-app-helps-diagnose-car-noises (Дата обращения: 15.12.25)

7. Трусова И.С., Гурина В.М. Технологии разработки web–приложений и приложений для мобильных платформ [Электронный ресурс]. URL: https://elibrary.ru/item.asp?id=73805836 (дата обращения 15.12.2025).