CN108470570B - 电机异音检测方法 - Google Patents
电机异音检测方法 Download PDFInfo
- Publication number
- CN108470570B CN108470570B CN201810062638.6A CN201810062638A CN108470570B CN 108470570 B CN108470570 B CN 108470570B CN 201810062638 A CN201810062638 A CN 201810062638A CN 108470570 B CN108470570 B CN 108470570B
- Authority
- CN
- China
- Prior art keywords
- motor
- audio
- sample
- wavelet packet
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 48
- 230000005236 sound signal Effects 0.000 claims abstract description 25
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000012706 support-vector machine Methods 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 3
- 101100380328 Dictyostelium discoideum asns gene Proteins 0.000 claims 1
- 241000623377 Terminalia elliptica Species 0.000 claims 1
- 101150062095 asnA gene Proteins 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 210000005069 ears Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了电机异音检测方法,包括设定采样频率和采样时长t,进行音频信号采集,对音频信号进行分帧加窗处理,设置每帧的帧长L和相邻两帧的重叠长度M,将音频信号分为N帧信号;然后使用6层小波包提取音频特征;对小波包提取的音频特征做主成分分析获得特征向量等6个步骤。本发明可以辅助工人进行电机异音识别,提高检测效率并且保证产品的出厂质量,进而提高企业的整体的生产效率,降低企业的制造成本,同时了保护了工人的身体健康;可以有效地解决电机音频信号非稳态的问题,有效检测非稳态电机异音故障,识别准确率高。
Description
技术领域
本发明涉及电机故障检测领域,特别是电机异音的检测方法。
背景技术
我国是洗衣机、家用空调、电冰箱、电风扇等各类小型家电用电动机的主要产地,仅家用空调电机的年产量就逾数十亿台之多。
在小型电机生产线上,产品下线之前普遍采用人工听音的方法分辨良、次品,即工人在隔音房内,用耳朵依次听取电机运行时的声音,通过工人的个人经验判断电机是否存在故障。
由于需要人做主观判断,长期以来一直难以由自动化装置替代。并且评价者的个人经验,无法建立统一的评价标准,不同的评价者可能产生不同的结论。而大批量生产过程中该工序不仅要消耗大量劳动成本,而且重复、单调的听音工作极易引起人员疲劳,容易出现误判,若个别不良品混入整批成品中,会给工厂带来严重经济损失,甚至严重影响产品声誉。
CN201510266743.8(公布号CN104992714A)披露了一种电机异音的检测方法,包括以下步骤:1、将电机处于空载状态下进行音频采集;2、将所采集到的电机的时域音频信号经傅里叶变换转换为频域波形;3、若电机的正常频域范围的最高值外存在波形,则认为该电机存在异音;若电机的正常频域范围的最高值外不存在波形,则表明此电机不存在异音。这种电机异音的检测方法的缺点在于:1、音频信号属于一种准稳态信号,即短时稳定;傅里叶变换是对稳态信号处理的常用手段,只能对稳态的信号进行信号特征提取;但是电机异音故障中,存在大量瞬时非稳态信号的故障样例;对于这些非稳态的信号,傅里叶变换无能为力。2、通过判断在指定的最高值之外是否存在波形来判断异音,不具备自适应能力,通用性不高:因为对于不同型号的电机产品就需要技术人员重新设定阈值;并且通过传感器采集音频信号时,传感器距离音源的远近也会影响阈值设定。3、无论是设置最大值还是比较波形图,都需要专业人员来判断,无法实现全自动识别。
发明内容
本发明的目的在于提供一种能够识非稳态信号的故障样例,通用性高,且故障识别过程中无需人员参与的电机异音检测方法。
电机异音检测方法,包括以下步骤:
步骤1、设定采样频率和采样时长t,将电机处于空载状态下进行音频信号采集;
步骤2、对音频信号进行分帧加窗处理,设置每帧的帧长L和相邻两帧的重叠长度(帧移)M,将音频信号分为N帧信号;帧长L以每帧内的信号能看做稳态信号为宜,从而避免整段音频信号非稳态、时变的影响;
步骤3、使用6层小波包提取音频特征;
步骤4、对小波包提取的音频特征做主成分分析获得特征向量;
步骤5、选取N个合格的电机音频样本,重复步骤2-4,分别提取每个合格的电机音频样本的特征向量,用合格的电机音频样本的特征向量训练支持向量机,获得合格样本的支持向量机;
步骤6、进行电机异音诊断时,重复步骤1-4获得电机音频样本的特征向量,将特征向量输入支持向量机进行判别是否合格样本。
进一步,步骤2中,帧长L=1S,重叠长度M=0.5s。
进一步,步骤3中提取音频特征包含以下步骤:
步骤3-1、对每帧信号进行6层小波包分解,计算第6层小波包各个节点能量E6,j(j=0,1,2,3,…,63),第6层小波包具有26个小波包节点;
计算αj时,使j≥3,这是因为在电机异音信号中,小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围,人耳对该频段的信号不敏感;
步骤3-4、求取归一化矩阵{λj,k}的每一行的峰-峰值β,{βj}形成列向量。选j≥3的峰-峰值βj作为一个采样时长的音频的第二组特征,βj=max{λj,k|k=1,2,3,...,59}-min{λj,k|k=1,2,3,...,59},j=3,4,5,...,63。因为在电机异音信号中,小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围,人耳对该频段的信号不敏感。
进一步,步骤3-1中,选用db5小波基函数进行6层小波分解;将每帧信号f(t)在空间做投影得到:fj,n(t)=∑k∈Zdj,n(t)uj,n,k(t),其中,为小波包系数,{uj,n,k(t)}k∈Z为空间的标准正交基,j表示尺寸指标、是频域参数,k表示位置指标、是时间参数,n表示振荡次数,Z表示所有正整数;
其中,dj,k(j=0,1,2,...,63,k=1,2,3,...,n)表示S6,j的小波包系数。
进一步,步骤4对音频特征做主成分分析包括以下步骤:
步骤4-1、取M组样本,以每个样本的列向量{αj}作为矩阵的一列构建矩阵X,X={αj,n|j=3,4,5,...,63,n=1,2,3,...60},n表示第n个样本;
以每个样本的列向量{βj}作为矩阵的一列构建矩阵Y,Y={βj,n|j=3,4,5,...63,n=1,2,3,...60},其中n表示第n个样本;M组样本中包含合格样本和故障样本;
步骤4-4、求出协方差矩阵Cα的特征值和特征向量,Cβ的特征值和特征向量;
步骤4-5、将Cα的特征向量按Cα的特征值从大到小按行排列,取前16行形成矩阵Pα,将Cβ的特征向量按Cβ的特征值从大到小按行排列,取前16行形成矩阵Pβ,
计算小波包特征αj经过主成分分析过后的特征向量λα,λα=Pα*[α3,α4,α5,…,α63 T;
计算小波包特征βj经过主成分分析过后的特征向量μβ,μβ=Pβ*[β3,β4,β5,...,β63]T。
进一步,步骤5中,将每个样本的特征向量λα按行排列,每行代表一个样本,组成样本矩阵Mα,使用“libsvm-mat-2.91-1”开源工具包,设置SVM的参数为“-s 2 -n 0.053 -c 2-g 0.0018”,训练支持向量机,获得支持向量机模型SVM-Model1;
将每个样本的特征向量μβ按行排列,每行代表一个样本,组成标签矩阵Mβ,使用“libsvm-mat-2.91-1”开源工具包,设置SVM的参数为“-s 2 -n 0.071-c 2 -g 0.0029”。训练支持向量机,获得支持向量机模型SVM-Model2。
进一步,步骤6中,进行电机异音诊断时,获取电机在空载下的音频,提取电机音频的特征向量λα和特征向量μβ,分别使用支持向量机模型SVM-Modell和支持向量机模型SVM-Model2进行判别,当两个支持向量机模型都识别为合格时,该电机的音频判定为合格样本;只要有一个支持向量机模型识别为故障时,该电机的音频判定为故障样本。
本发明的优点在于:
1、可以辅助工人进行电机异音识别,提高检测效率并且保证产品的出厂质量,进而提高企业的整体的生产效率,降低企业的制造成本,同时了保护了工人的身体健康;
2、可以有效地解决电机音频信号非稳态的问题,有效检测非稳态电机异音故障,识别准确率高;
4、由于异音故障不是在所有的小波包节点特征都会有差异,并且不同电机的异音故障在不同小波包节点上会存在差异。本文使用主成分分析,自动地将特征向量转换到合格信号与异音故障信号差异最大的特征空间,无需人工进行手动筛选。
5、本文通过使用支持向量机来自动判断电机音频是否存在异音故障,使用过程不需要人工干预。设置支持向量机的罚函数、核函数和异常样本比例三个参数,对不同电机类型使用不同电机特征进行训练,就可以得到适用于对应电机的支持向量机模型。并且三个参数对不同电机都具有通用性,无需更改。使用机器学习的方法,也不需要为对不同电机设定不同的阈值。支持向量机会根据训练样本设定好针对该型号电机的判别函数。这种方法的特点是以生产线上极易获得的正常声音样本为基础建立判别函数。并且,随着样本数量增加、对特征分布的覆盖范围扩大,判别的准确性也随之增加。
附图说明
图1是步骤2中分帧加窗的示意图。
图2是6层小波包分解的示意图。
图3是αj的计算方法示意图。
图4是YYW23-6-7051空调用塑封电动机,图中12个故障样本与12个合格样本的归一化能量λj(j=4,24,30)随时间变化实验对比结果。
图5是βj的计算方法示意图。
图6是YYW23-6-7051空调用塑封电动机,每幅图表示一个故障样本与12个合格样本的归一化能量λj(j=27,36,39)随时间变化实验对比结果。
图7是本发明的流程图。
图8是电机异音诊断时的流程图。
具体实施方式
电机异音检测方法,包括以下步骤:
步骤1:将电机处于空载状态下进行音频信号采集,传感器为驻极体自由场型传声器,采样频率为48k,采集时间为30s。采样频率选择48k的原因在于人耳听觉频段范围20至20k。根据奈奎斯特采样定理,48k的采样频率刚好覆盖人耳的听觉范围,可以有效模拟人耳听觉***。
步骤2:对音频信号进行分帧加窗处理,即使用帧长L=1s的窗去截取信号,相邻两帧的重叠长度M=0.5s,如图1所示。一段30s的音频信号,按照此方法可以分解为59帧音频信号。分帧加窗的目的就是避免整段音频信号非稳态、时变的影响。在每帧内可以将信号看作是稳态信号,这样便于特征提取。这也是仿照人工听音的机理,因为人脑判断异音故障也是针对当前时刻听到的音频信号进行判断,也就是大脑只会对短暂印象内的音频判断其是否存在故障。
步骤3:对每帧信号进行小波包分解。选用db5小波基函数,进行6层小波包分解。将每帧信号f(t)在空间做投影得到:fj,n(t)=∑k∈Zdj,n(t)uj,n,k(t),其中:为小波包系数,{uj,n,k(t)}k∈Z为空间的标准正交基,参数j表示尺度指标(频域参数),参数k表示位置指标(时间参数),参数n表示振荡次数,Z表示所有正整数。
将第6层小波包系数按照频率从低到高进行排列。如图2所示,Si,j表示第i层的第j个节点。计算第6层小波包各个节点能量,计算公式为:
其中,dj,k(j=0,1,2,...,63,k=1,2,3,...,n)表示S6,j的小波包系数。
本文根据大量的实验结果发现电机异音故障大多集中在1.5kHz以后的频段。但是电机音频80%的能量都集中在1.5kHz以下。如果按照现有文献的归一化方法,即选用所有节点能量总和或者是能量节点中的最大值作为归一化分母,这样就会造成关键节点能量变化在总能量中所占的比例太小而被忽略,进而影响判断结果。使用这个“归一化”操作也可以有效避免音频传感器距离音源的远近对异音检测结果的影响。因为如果传感器距离音源越远,那么采集得到的信号就越微弱。但是声音每个频段的能量在总能量的占比是不随采集距离远近而改变的。利用这一点就可以有效避免采集距离变化的影响。
5、对每一帧信号都按照以上进行处理,得到一个矩阵{λj,k},其中,j表示第6层小波包节点序号(j=1,2,3,...,63),k表示帧数(k=1,2,3,...,59)。求取矩阵每一行的平均值{αj}(j=3,4,5,...,63)作为该30秒音频的一组特征,计算公式如下。本文只选用j≥3的λj计算均值特征这是因为在电机异音信号中,小波包节点(6,0)(6,1)(6,2)代表的频段属于超低低频段范围,人耳对该频段的信号不敏感。
αj的计算方法如图3所示。图3表示样本x的归一化能量λj(j=y)随时间变化。αy表示λj在所有帧中的平均值。
如图4所示为实验室中的测试数据。实验使用的是YYW23-6-7051空调用塑封电动机,图中12个故障样本与12个合格样本(j=4,24,30)第6层小波包节点下的归一化能量随时间变化实验对比结果。从图4中可以看出,故障样本的平均值与合格样本的平均值相差比较明显,使用αj描述的归一化能量λj的平均值特征可以有效区分这类异音样本与正常合格样本。
6、求取矩阵{λj,k}每一行的峰-峰值{βj}(j=0,1,2,...,63)作为30秒音频的另一组特征,只选用j≥3之后的λj计算均值特征βj,
βj=maX{λj,k|k=1,2,3,...,59}-min{λj,k|k=1,2,3,...,59},j=3,4,5,...,63;
βj的计算方法如图5所示。图5表示样本x的归一化能量λj(j=y)随时间变化,βj表示λj在所有帧中的最大值减去最小值。
如图6所示,使用的是YYW23-6-7051空调用塑封电动机进行实验,每幅图表示一个故障样本与12个合格样本的归一化能量λj(j=31,33,37)随时间变化实验对比结果。β表示信号的波动范围。从图6中可以看出,故障信号在31,33,37节点的波动范围要大于合格信号,故以β为特征描述可以有效区分这类异音故障。
7、3-6步就是使用小波包提取音频特征的步骤。由于异音故障不是在所有的小波包节点特征都会有差异,并且不同电机的异音故障在不同小波包节点上会存在差异。所以对{αj}(j=3,4,5,...,63)和{βj}(j=3,4,5,...,63)小波包特征做主成分分析,可以自动将合格信号与异音故障信号转换到差异最大的特征空间,无需人工进行手动筛选。
主成分分析是统计学中一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标***中,使得任何数据投影在第一个坐标(称为第一主成分)上方差最大,在第二个坐标(第二主成分)上次之,依次类推。主成分分析能够减少数据集的维数,同时保持数据集中对方差贡献最大的特征。
对小波包能量特征的主成分分析具体步骤如下:
步骤7-1、取M组样本,以每个样本的列向量{αj}作为矩阵的一列构建矩阵X,X={αj,n|j=3,4,5,...,63,n=1,2,3,...60},n表示第n个样本;
以每个样本的列向量{βj}作为矩阵的一列构建矩阵Y,Y={βj,n|j=3,4,5,...,63,n=1,2,3,...60},其中n表示第n个样本;M组样本中包含合格样本和故障样本;
步骤7-4、求出协方差矩阵Cα的特征值和特征向量,Cβ的特征值和特征向量;
步骤7-5、将Cα的特征向量按Cα的特征值从小到大按行排列,取前16行形成矩阵Pα,将Cβ的特征向量按Cβ的特征值从小达到按行排列,取前16行形成矩阵Pβ,
计算小波包特征αj经过主成分分析过后的特征向量λα,λα=Pα*[α3,α4,α5,…,α63 T;
计算小波包特征βj经过主成分分析过后的特征向量μβ,μβ=Pβ*[β3,β4,β5,...,β63]T。将小波包特征αj和βj按照下式计算,就得到经过主成分分析过后的特征向量。
8.选取60个合格电机样本,重复步骤1-7求出每个样本的λα和μβ特征。将每个样本的λα特征按行排列,每行代表一个样本,组成一个60×16的矩阵Mα。使用“libsvm-mat-2.91-1”开源工具包,设置SVM的参数为“-s 2 -n 0.053 -c 2 -g 0.0018”。训练支持向量机,获得支持向量机模型SVM-Model1。
同样的方法,将每个样本的μβ特征按行排列,每行代表一个样本,组成一个60×16的矩阵Mβ。使用“libsvm-mat-2.91-1”开源工具包,设置SVM的参数为“-s 2 -n 0.071 -c 2-g 0.0029”。训练支持向量机,获得支持向量机模型SVM-Model2。
9.进行电机异音诊断时,提取电机音频的λα和μβ特征,分别使用SVM-Model1和SVM-Model2进行判别。只有当两个支持向量机模型都识别为合格时,最终样本才判断为合格样本。只要有一个模型判断为故障时,样本就判断为故障样本。
Claims (5)
1.电机异音检测方法,包括以下步骤:
电机异音检测方法,包括以下步骤:
步骤1、设定采样频率和采样时长t,将电机处于空载状态下进行音频信号采集;
步骤2、对音频信号进行分帧加窗处理,设置每帧的帧长L和相邻两帧的重叠长度M,将音频信号分为N帧信号;
步骤3、使用6层小波包提取音频特征;
步骤4、对小波包提取的音频特征做主成分分析获得特征向量;
步骤5、选取N个合格的电机音频样本,重复步骤2-4,分别提取每个合格的电机音频样本的特征向量,用合格的电机音频样本的特征向量训练支持向量机,获得合格样本的支持向量机;
步骤6、进行电机异音诊断时,重复步骤1-4获得电机音频样本的特征向量,将特征向量输入支持向量机进行判别是否合格样本;
步骤3中提取音频特征包含以下步骤:
步骤3-1中,选用db5小波基函数进行6层小波分解;将每帧信号f(t)在空间做投影得到:,其中,为小波包系数,为空间的标准正交基,j表示尺寸指标、是频域参数,k表示位置指标、是时间参数,n表示振荡次数,Z表示所有正整数;
2.如权利要求1所述的电机异音检测方法,其特征在于:步骤2中,帧长L=1S,重叠长度M=0.5s。
3.如权利要求1所述的电机异音检测方法,其特征在于:步骤4对音频特征做主成分分析包括以下步骤:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810062638.6A CN108470570B (zh) | 2018-01-23 | 2018-01-23 | 电机异音检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810062638.6A CN108470570B (zh) | 2018-01-23 | 2018-01-23 | 电机异音检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108470570A CN108470570A (zh) | 2018-08-31 |
CN108470570B true CN108470570B (zh) | 2021-06-18 |
Family
ID=63266058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810062638.6A Active CN108470570B (zh) | 2018-01-23 | 2018-01-23 | 电机异音检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108470570B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112146142B (zh) * | 2019-06-27 | 2022-01-25 | 宁波方太厨具有限公司 | 一种吸油烟机声音故障识别方法 |
CN111860241A (zh) * | 2020-07-07 | 2020-10-30 | 国网山东省电力公司威海供电公司 | 一种基于小波包分析的电力设备放电故障识别方法 |
CN114414038A (zh) * | 2022-01-26 | 2022-04-29 | 歌尔科技有限公司 | 马达模组的转动异音检测方法、装置、设备及介质 |
CN114974301A (zh) * | 2022-04-15 | 2022-08-30 | 北京瑞森新谱科技股份有限公司 | 一种异音检测方法、计算机可读存储介质及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN104992714A (zh) * | 2015-05-22 | 2015-10-21 | 株洲联诚集团有限责任公司 | 一种电机异音的检测方法 |
CN105841797A (zh) * | 2016-03-15 | 2016-08-10 | 中南大学 | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 |
CN107393555A (zh) * | 2017-07-14 | 2017-11-24 | 西安交通大学 | 一种低信噪比异常声音信号的检测***及检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2994495B1 (fr) * | 2012-08-10 | 2015-08-21 | Thales Sa | Procede et systeme pour detecter des evenements sonores dans un environnement donne |
-
2018
- 2018-01-23 CN CN201810062638.6A patent/CN108470570B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
CN104992714A (zh) * | 2015-05-22 | 2015-10-21 | 株洲联诚集团有限责任公司 | 一种电机异音的检测方法 |
CN105841797A (zh) * | 2016-03-15 | 2016-08-10 | 中南大学 | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 |
CN107393555A (zh) * | 2017-07-14 | 2017-11-24 | 西安交通大学 | 一种低信噪比异常声音信号的检测***及检测方法 |
Non-Patent Citations (2)
Title |
---|
Bearing fault detection of induction motor using wavelet and support vector machines(SVMs);P.Konar etc;《Applied Soft Computing》;20110325;第4203-4211页 * |
基于机器学习方法的电机异音检测研究;刘力源;《中国优秀硕士学位论文全文数据库 信息科技Ⅱ辑》;20150315(第03期);第1-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108470570A (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108470570B (zh) | 电机异音检测方法 | |
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
CN110355608B (zh) | 基于自注意力机制与深度学习的刀具磨损量预测方法 | |
CN109858104B (zh) | 一种滚动轴承健康评估与故障诊断方法及监测*** | |
CN114619292B (zh) | 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法 | |
CN108490349B (zh) | 基于Mel频率倒谱系数的电机异音检测方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
CN108447503B (zh) | 基于Hilbert-Huang变换的电机异音检测方法 | |
TW201703028A (zh) | 設備異音的檢測方法及檢測裝置 | |
CN107677364A (zh) | 空调喘振测试方法及*** | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN113657221A (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN115576284A (zh) | 一种服装车间智能化管理方法及*** | |
CN106094749A (zh) | 基于改进核熵成分分析的非线性故障检测方法及应用 | |
EP3649568B1 (en) | Method for automatic detection of physical modes in a modal analysis model | |
WO2020056812A1 (zh) | 用于评价室内环境质量的环境参数权重确定方法及*** | |
CN112202630A (zh) | 一种基于无监督模型的网路质量异常检测方法及装置 | |
CN115081331A (zh) | 一种基于状态参数重构误差的风电机组运行状态异常检测方法 | |
CN116627116B (zh) | 一种流程工业故障定位方法、***及电子设备 | |
CN208147865U (zh) | 一种应用于变电站智能巡检机器人的声音识别*** | |
CN116881773A (zh) | 一种基于深度学习的设备故障识别方法及*** | |
CN111352365A (zh) | 一种防尘通风型电力电气设备机柜及控制方法 | |
CN113155271B (zh) | 声振检测方法、***、终端及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |