No description available.

Passenger ride vibration comfort is a critical aspect to consider while developing any vehicle and there is a need to understand how the occupants would be affected when driving on different road profile roughness. Hence, road profile generation is critical as road profiles are used as inputs to simulation tools to investigate vehicle dynamic behaviour in depth. At the same time, the optimisation of the vehicle characteristics can be conducted on the various road profiles in order to identify a solution that can provide enhanced ride comfort and improve vehicle handling for all the investigated road profiles. The objective of this thesis is to study ride vibrational comfort and optimise the suspension system for theNational Electric Vehicle Sweden (NEVS) vehicle model for better ride comfort and road holding. Synthetic road profiles are generated by using stochastic processes according to International Organization for Standardization (ISO) 8608 standards. Further, simulations are conducted in MSC ADAMS Car software using the generated synthetic road profiles for a rigid body NEVS vehicle model to study the vertical accelerations. The analysis includes the investigations of the acceleration Power Spectral Density (PSD) and observations are made on the peaks that appear (at Front Seat Rail (FSR) which is the sprung mass of the vehicle and Wheel centre (WC) which is the un-sprung mass of the vehicle) for different road types and vehicle velocities. It is decided that the comfort objective will be used considering the weighted Root Mean Square (RMS) accelerations. Further, the suspension system of the vehicle model is optimised for three different road profiles (A, B, and C) based on the objectives of ride comfort and handling using a suitable vehicle model with the same characteristics as theNEVScar. A multi-objective optimisation technique is used and the optimised results are observed and discussed. Optimal objectives (based on a compromise between ride comfort and road holding) for the suspension system are determined for each investigated road profile. / Vibrationskomfort för passagerare är en kritisk aspekt att tänka på när man utvecklar ett fordon och det finns ett behov av att förstå hur passagerarna kan påverkas när de åker på olika vägprofiler. Därför är vägprofilgenerering avgörande eftersom vägprofiler används som input till simuleringsverktyg för att undersöka fordonets dynamiska beteende. Samtidigt kan optimeringen av fordonets egenskaper utföras på de olika vägprofilerna för att identifiera en lösning som kan ge ökad åkkomfort och förbättra fordonshanteringen för alla undersökta vägprofiler. Syftet med detta examensarbete är att studera körvibrationskomfort och optimera fjädringssystemet för NEVS fordonsmodellen för bättre åkkomfort och väghållning. Syntetiska vägprofiler genereras genom att använda stokastiska processer enligt ISO 8608 standarder. Dessutom utförs simuleringar i MSC ADAMS programvara med hjälp av de genererade syntetiska vägprofilerna för en stelkropps NEVS fordonsmodell för att studera de vertikala accelerationerna. Analysen inkluderar undersökningar av accelerations PSD och observationer görs av topparna som visas (vid FSR och WC) för olika vägtyper och fordonshastigheter. Det beslutas att komfortmålet kommer att utvärderas med hänsyn till endast de vägda RMS accelerationerna. Dessutom är fordonsmodellens hjul upphängningssystem optimerat för tre olika vägprofiler (A, B och C) baserat på målen för åkkomfort och väghållning med hjälp av en lämplig fordonsmodell med samma egenskaper som NEVS bilen. En multi-purpose optimeringsteknik används och de optimerade resultaten observeras och diskuteras. Optimala mål (baserat på en kompromiss mellan åkkomfort och väghållning) för fjädringssystemet bestäms för varje undersökt vägprofil.

Recently, Deep Learning has revolutionized many fields, where one such area is Voice Activity Detection (VAD). This is of great interest to sectors of society concerned with detecting speech in sound signals. One such sector is the police, where criminal investigations regularly involve analysis of audio material. Convolutional Neural Networks (CNN) have recently become the state-of-the-art method of detecting speech in audio. But so far, understanding the impact of noise and sampling rates on such methods remains incomplete. Additionally, there are evaluation metrics from neighboring fields that remain unintegrated into VAD. We trained on four different sampling rates and found that changing the sampling rate could have dramatic effects on the results. As such, we recommend explicitly evaluating CNN-based VAD systems on pertinent sampling rates. Further, with increasing amounts of white Gaussian noise, we observed better performance by increasing the capacity of our Gated Recurrent Unit (GRU). Finally, we discuss how careful consideration is necessary when choosing a main evaluation metric, leading us to recommend Polyphonic Sound Detection Score (PSDS).