CN109297582A - 风扇异音的检测装置及检测方法 - Google Patents
风扇异音的检测装置及检测方法 Download PDFInfo
- Publication number
- CN109297582A CN109297582A CN201710611695.0A CN201710611695A CN109297582A CN 109297582 A CN109297582 A CN 109297582A CN 201710611695 A CN201710611695 A CN 201710611695A CN 109297582 A CN109297582 A CN 109297582A
- Authority
- CN
- China
- Prior art keywords
- model
- fan
- signal
- test
- sample
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 238000006073 displacement reaction Methods 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005236 sound signal Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009413 insulation Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种风扇异音的检测装置及其检测方法，检测装置包含：非接触信号采集单元、信号处理单元、模型构建单元及测试单元；非接触信号采集单元依次采集多个样本风扇运行时每一样本风扇的第一声音信号及/或第一振动位移信号；信号处理单元根据每一样本风扇的第一声音信号及/或第一振动位移信号获得多个第一特征值；模型构建单元根据每一样本风扇的多个第一特征值中的至少部分第一特征值获得一第一模型，模型构建单元计算每一第一模型的准确率，模型构建单元选取并设置准确率最高的一第一模型为当前的测试模型；测试单元加载测试模型，测试单元通过测试模型对待测风扇进行检测后获得待测风扇是否存在异音的测试结果。
Description
技术领域
本发明涉及一种风扇异音的检测装置及检测方法，具体地说，尤其涉及一种通过机器学习的方法进行异音检测的风扇异音的检测装置及检测方法。
背景技术
随着科技高速发展，目前现有风扇产品的异音测试还大都停留在人工测试的阶段，具体地说是靠产线员工通过人耳辨音进行测试，但是大量单调、重复的听音劳动致使产线员工的听觉产生疲劳从而影响主观判断，进而导致异音风扇混入正常产品中流入市场，对公司的经济和声誉会造成不可挽回的损失。因此，急需开发一种克服上述缺陷的风扇异音的检测装置及检测方法。
发明内容
为了克服上述现有技术存在的问题，本发明的目的在于提供一种风扇异音的检测装置，其中，包含：
非接触信号采集单元，依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及/或第一振动位移信号；
信号处理单元，根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得多个第一特征值；
模型构建单元，根据每一所述样本风扇的多个第一特征值中的至少部分所述第一特征值获得一第一模型，所述模型构建单元计算每一所述第一模型的准确率，所述模型构建单元选取并设置所述准确率最高的一所述第一模型为当前的测试模型；
测试单元，加载所述测试模型，所述测试单元通过所述测试模型对待测风扇进行检测后获得所述待测风扇是否存在异音的测试结果。
上述的检测检测装置，其中，模型构建单元包含：
特征值选取模块，从所述信号处理单元中提供的每一所述样本风扇的多个第一特征值中选取至少部分所述第一特征值；
第一模型构建模块，根据每一所述样本风扇的至少部分所述第一特征值获得一所述第一模型；
测试模型选取模块，计算每一所述第一模型的准确率后，所述测试模型选取模块选取并设置所述准确率最高的一所述第一模型为当前的测试模型。
上述的检测检测装置，其中，所述非接触信号采集单元还采集所述待测风扇运行时的第二声音信号及第二振动位移信号。
上述的检测检测装置，其中，所述信号处理单元根据每一所述待测风扇的所述第二声音信号及/或所述第二振动位移信号获得多个第二特征值，所述测试单元通过所述测试模型识别检测所述多个第二特征值后输出所述测试结果。
上述的检测检测装置，其中，还包含显示单元，接收并显示所述测试单元输出的所述测试结果。
上述的检测检测装置，其中，所述非接触信号采集单元包含：
激光位移传感器，采集所述第一振动位移信号及所述第二振动位移信号；
麦克风，采集所述第一声音信号及所述第二声音信号。
上述的检测检测装置，其中，还包含工控机，于所述工控机内搭建所述信号处理单元及所述显示单元。
上述的检测检测装置，其中，还包含服务器，于所述服务器搭建所述模型构建单元及所述测试单元。
上述的检测检测装置，其中，所述第一模型为RF模型或SVM模型。
上述的检测检测装置，其中，所述信号处理单元基于labview平台的分析处理算法获得所述多个第一特征值及/或所述多个第二特征值。
上述的检测检测装置，其中，还包含通讯单元，于所述信号处理单元、所述模型构建单元、所述测试单元及所述显示单元间进行通讯传输。
本发明还提供一种风扇异音的检测方法，其中，包含以下步骤：
步骤1：依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及第一振动位移信号，根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得一第一模型；
步骤2：计算每一所述第一模型的准确率，选取并设置所述准确率最高的所述第一模型为当前的测试模型；
步骤3：通过所述测试模型对待测风扇进行检测后，获得所述待测风扇是否存在异音的测试结果。
上述的检测方法，其中，所述步骤1包含以下步骤：
步骤11：依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及/或第一振动位移信号；
步骤12；根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得多个第一特征值；
步骤13；从每一所述样本风扇的所述多个第一特征值中选取至少部分所述第一特征值；
步骤14；根据每一所述样本风扇的至少部分所述第一特征值获得一所述第一模型。
上述的检测方法，其中，所述步骤3包含以下步骤：
步骤31：采集待测风扇运行时的第二声音信号及/或第二振动位移信号；
步骤32：根据所述第二声音信号及/或所述第二振动位移信号获得多个第二特征值；
步骤33：通过所述测试模型识别检测所述待测风扇的所述多个第二特征值获得所述测试结果。
上述的检测方法，其中，还包含步骤4，输出并显示所述测试结果。
上述的检测方法，其中，所述第一模型为RF模型或SVM模型。
上述的检测方法，其中，于所述步骤12中基于labview平台的分析处理算法获得所述多个第一特征值，及/或，于所述步骤32中基于labview平台的分析处理算法获得所述多个第二特征值。
与现有技术相比，本发明具有以下全部或部分有益的技术效果，采用非接触式信号采集单元进行信号采集，并利用机器学习的方法进行风扇异音的识别，从而构建出测试模型对待测风扇进行检测，既提高的检测精度，更提高了检测效率，同时利于大批量产品的在线自动化检测，降低了检测成本。
附图说明
图1为本发明风扇异音的检测装置的结构示意图；
图2为本发明风扇异音的检测方法的流程图；
图3为图2中步骤S1的分步骤流程图；
图4为图2中步骤S3的分步骤流程图。
其中附图标记为：
11：非接触信号采集单元
111：激光位移传感器
112：麦克风
12：信号处理单元
13：模型构建单元
131：特征值选取模块
132：第一模型构建模块
133：测试模型选取模块
14：测试单元
15：显示单元
16：通讯单元
2：工控机
3：服务器
具体实施方式
下面结合附图与具体实施例对本发明作进一步详细描述：本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和操作过程，但本发明的保护范围不限于下述的实施例。
请参照图1，图1为本发明风扇异音的检测装置的结构示意图。如图1所示，本发明风扇异音的检测装置包含：非接触信号采集单元11、信号处理单元12、模型构建单元13及测试单元14；非接触信号采集单元11依次采集多个样本风扇运行时每一样本风扇的第一声音信号及及/或第一振动位移信号；信号处理单元12根据每一样本风扇的第一声音信号及/或第一振动位移信号获得多个第一特征值；模型构建单元13根据每一样本风扇的多个第一特征值中的至少部分第一特征值获得一第一模型，模型构建单元13计算每一第一模型的准确率，模型构建单元13选取并设置准确率最高的一第一模型为当前的测试模型；测试单元14加载测试模型，测试单元14通过测试模型对待测风扇进行检测后获得待测风扇是否存在异音的测试结果。模型构建单元13和测试单元14所使用的语言可以为java、Python等常用语言，本发明并不以此为限。
值得注意的是，本实施例中，以多个样本风扇的数量为大于等于100个，且其中良品和不良品各占一半来进行多个构建第一模型为较佳的实施方式，但本发明并不以此为限。
需要说明的是，相比于传统的接触式采集单元，本发明采用的非接触信号采集单元更利于实现检测装置的产线自动化。
本发明的非接触式采集单元可以采集声音信号或振动位移信号等反映风扇异音的信号。在本发明的一较佳实施例中，非接触式采集单元采集声音信号及振动位移信号。对于风扇异音的检测而言，声音信号包含了其最直接的讯息，但是容易受到背景音的干扰，所以仅采集声音信号往往会需要隔音设备的辅助，且对隔音的要求极高；振动位移信号对环境的要求较低，但振动位移信号为风扇异音的间接的讯息，检测精度相对较低。当同时采集声音信号及振动位移信号时，两者相辅相成，可减小对隔音设备的依赖，甚至可省去隔音设备，同时也保证了风扇异音的检测精度。
进一步地，模型构建单元13包含：特征值选取模块131、第一模型构建模块132及测试模型选取模块133；特征值选取模块131从所述信号处理单元12中提供的每一所述样本风扇的多个第一特征值中选取至少部分所述第一特征值；第一模型构建模块132根据每一样本风扇的至少部分第一特征值获得一第一模型；测试模型选取模块133计算每一第一模型的准确率后，测试模型选取模块133选取并设置准确率最高的一第一模型为当前的测试模型。其中，第一模型的准确率和两方面的讯息有关，一是第一模型构建模块132中的第一模型的构建方法，二是特征值选取模块131中的特征值的选择方法。因此，最终得到的准确率最高的测试模型同时包含了这两方面的讯息。
其中，在本实施例中，第一模型为RF模型或SVM模型，但本发明并不以此为限。需要说明的是，本发明的检测装置还可采用多种演算法构建第一模型，例如随机森林(randomforest)演算法、支持向量机(support vector machine)演算法、类神经网络(neuralnetwork)演算法等，本发明并不对使用何种方法构建第一模型进行限制。
再进一步地，非接触信号采集单元11还采集待测风扇运行时的第二声音信号及/或第二振动位移信号；信号处理单元12从待测风扇的第二声音信号及/或第二振动位移信号中获得多个第二特征值后输出至测试单元14，测试单元14通过测试模型识别检测多个第二特征值后输出测试结果。
非接触信号采集单元11包含：激光位移传感器111及麦克风112；激光位移传感器111采集第一振动位移信号及第二振动位移信号；麦克风112采集第一声音信号及第二声音信号。检测装置还包含显示单元15，接收并显示测试单元14输出的测试结果。其中，每一个待测风扇的多个特征值输入测试模型之后，测试模型根据其判断逻辑进行判断，例如可采用：随机森林(random forest)演算法根据投票结果、支撑向量机(support vectormachine)演算法根据新样本落入的边界的区域给出测试结果，本发明并不以此为限制。举例来说，如果第一模型为RF模型，那么测试单元加载的也是RF模型，进而可以根据投票结果得出测试结果；如果第一模型为SVM模型，那么测试单元加载的也是SVM模型，进而可以根据新样本落入的边界的区域给出测试结果。
值得注意的是，在本实施例中，信号处理单元12基于labview平台的分析处理算法获得多个第一特征值及/或多个第二特征值，但本发明并不以此为限。
更进一步地，风扇异音的检测装置还包含通讯单元16，电性连接于信号处理单元12、模型构建单元13、测试单元14及显示单元15，通讯单元16用于在信号处理单元12、模型构建单元13、测试单元14及显示单元15间进行通讯传输。其中在本实施例中，检测装置更包含工控机2及服务器3，于工控机2内搭建信号处理单元12和显示单元15；于服务器3内搭建模型构建单元13及测试单元14，通讯单元16用以在工控机2与服务器3间进行通讯传输。工控机2与服务器3的组合更适合多流水线的生产现场，适合大批量产品的高效率的在线自动化检测。在本实施例中，多个第一特征值及多个第二特征值至少包含信号的时域统计量或频域统计量或时域及频域统计量，但本发明并不以此为限。
在本发明的一实施例中，测试单元14可加载多个测试模型，同时对多个待测风扇进行检测，提高了检测效率。该多个测试模型可以为相同的模型，亦可以为不同的模型。
特别地，在实际生产中，有时需要对多种不同型号的待测风扇同时进行检测，为了提高检测精度，针对不同型号的待测风扇可分别根据前文所述的步骤构建一测试模型，并同时加载至测试单元14中。具体地，假设待测风扇包括A型和B型两种型号，则非接触信号采集单元11采集A型的多个样本风扇运行时每一样本风扇的第一声音信号及/或第一振动位移信号；信号处理单元12根据每一样本风扇的第一声音信号及/或第一振动位移信号获得多个第一特征值；模型构建单元13根据每一样本风扇的多个第一特征值中的至少部分第一特征值获得一第一模型，模型构建单元13计算每一第一模型的准确率，模型构建单元13选取并设置准确率最高的一第一模型为当前的测试模型，即A型待测风扇的测试模型。另一方面，非接触信号单元11采集B型的多个样本风扇运行时每一样本风扇的第一声音信号及/或第一振动位移信号，最终获得B型待测风扇的测试模型，中间步骤和构建A型待测风扇的测试模型时类似，不再赘述。测试单元14同时加载A型测试模型及B型测试模型，并且测试单元14通过A型测试模型及B型测试模型对应地同时对A型待测风扇及B型待测风扇进行检测后获得A型待测风扇及B型待测风扇是否存在异音的测试结果。值得注意的是本发明虽然公开了可同时对两种型号的待测风扇进行检测，但本发明并不以此为限，基于本发明的检测装置，还可实现对大于两种的待测风扇进行同时检测，从而更适合大批量产品的在线自动化检测。
请参照图2-4，图2为本发明风扇异音的检测方法的流程图；图3为图2中步骤S1的分步骤流程图；图4为图2中步骤S3的分步骤流程图。如图2-4所示，本发明的风扇异音的检测方法，包含以下步骤：
步骤S1：依次采集多个样本风扇运行时每一样本风扇的第一声音信号及/或第一振动位移信号，根据每一样本风扇的第一声音信号及/或第一振动位移信号获得一第一模型；
步骤S2：计算每一第一模型的准确率，选取并设置准确率最高的第一模型为当前的测试模型；
步骤S3：通过测试模型对待测风扇进行检测后，获得待测风扇是否存在异音的测试结果；
步骤S4：输出并显示测试结果。
其中，第一模型可以为RF模型或SVM模型等。
进一步地，步骤S1包含以下步骤：
步骤S11：依次采集多个样本风扇运行时每一样本风扇的第一声音信号及/或第一振动位移信号；
步骤S12；根据每一样本风扇的所述第一声音信号及/或第一振动位移信号获得多个第一特征值；
步骤S13；从每一样本风扇的多个第一特征值中选取至少部分第一特征值；
步骤S14；根据每一样本风扇的至少部分第一特征值获得一第一模型。
再进一步地，步骤S3包含以下步骤：
步骤S31：采集待测风扇运行时的第二声音信号及/或第二振动位移信号；
步骤S32：根据第二声音信号及/或所述第二振动位移信号获得多个第二特征值；
步骤S33：通过测试模型识别检测待测风扇的多个第二特征值获得测试结果。
进一步地，于步骤12中基于labview平台的分析处理算法获得多个第一特征值，及/或，于步骤32中基于labview平台的分析处理算法获得多个第二特征值。综上所述，采用非接触式信号采集单元进行信号采集，并利用机器学习的方法进行风扇异音的识别从而构建出测试模型对待测风扇进行检测，既提高了检测精度，更提高了检测效率，同时利于大批量产品的在线检测，并且降低了检测成本。
需要说明的是：以上实施例仅仅用以说明本发明，而并非限制本发明所描述的技术方案；同时，尽管本说明书参照上述实施例对本发明进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；因此，一切不脱离本发明的精神和范围的技术方案及其改进，均应涵盖在本发明所附权利要求的保护范围之内。
Claims (17)
1.一种风扇异音的检测装置，其特征在于，包含：
非接触信号采集单元，依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及/或第一振动位移信号；
信号处理单元，根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得多个第一特征值；
模型构建单元，根据每一所述样本风扇的多个第一特征值中的至少部分所述第一特征值获得一第一模型，所述模型构建单元计算每一所述第一模型的准确率，所述模型构建单元选取并设置所述准确率最高的一所述第一模型为当前的测试模型；
测试单元，加载所述测试模型，所述测试单元通过所述测试模型对待测风扇进行检测后获得所述待测风扇是否存在异音的测试结果。
2.如权利要求1所述的检测装置，其特征在于，模型构建单元包含：
特征值选取模块，从所述信号处理单元中提供的每一所述样本风扇的多个第一特征值中选取至少部分所述第一特征值；
第一模型构建模块，根据每一所述样本风扇的至少部分所述第一特征值获得一所述第一模型；
测试模型选取模块，计算每一所述第一模型的准确率后，所述测试模型选取模块选取并设置所述准确率最高的一所述第一模型为当前的测试模型。
3.如权利要求2所述的检测装置，其特征在于，所述非接触信号采集单元还采集所述待测风扇运行时的第二声音信号及第二振动位移信号。
4.如权利要求3所述的检测装置，其特征在于，所述信号处理单元根据每一所述待测风扇的所述第二声音信号及/或所述第二振动位移信号获得多个第二特征值，所述测试单元通过所述测试模型识别检测所述多个第二特征值后输出所述测试结果。
5.如权利要求4所述的检测装置，其特征在于，还包含显示单元，接收并显示所述测试单元输出的所述测试结果。
6.如权利要求3所述的检测装置，其特征在于，所述非接触信号采集单元包含：
激光位移传感器，采集所述第一振动位移信号及所述第二振动位移信号；
麦克风，采集所述第一声音信号及所述第二声音信号。
7.如权利要求1所述的检测装置，其特征在于，还包含工控机，于所述工控机内搭建所述信号处理单元及所述显示单元。
8.如权利要求1所述的检测装置，其特征在于，还包含服务器，于所述服务器搭建所述模型构建单元及所述测试单元。
9.如权利要求1所述的检测装置，其特征在于，所述第一模型为RF模型或SVM模型。
10.如权利要求4所述的检测装置，其特征在于，所述信号处理单元基于labview平台的分析处理算法获得所述多个第一特征值及/或所述多个第二特征值。
11.如权利要求5所述的检测装置，其特征在于，还包含通讯单元，于所述信号处理单元、所述模型构建单元、所述测试单元及所述显示单元间进行通讯传输。
12.一种风扇异音的检测方法，其特征在于，包含以下步骤：
步骤1：依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及/或第一振动位移信号，根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得一第一模型；
步骤2：计算每一所述第一模型的准确率，选取并设置所述准确率最高的所述第一模型为当前的测试模型；
步骤3：通过所述测试模型对待测风扇进行检测后，获得所述待测风扇是否存在异音的测试结果。
13.如权利要求12所述的检测方法，其特征在于，所述步骤1包含以下步骤：
步骤11：依次采集多个样本风扇运行时每一所述样本风扇的第一声音信号及/或第一振动位移信号；
步骤12；根据每一所述样本风扇的所述第一声音信号及/或所述第一振动位移信号获得多个第一特征值；
步骤13；从每一所述样本风扇的所述多个第一特征值中选取至少部分所述第一特征值；
步骤14；根据每一所述样本风扇的至少部分所述第一特征值获得一所述第一模型。
14.如权利要求13所述的检测方法，其特征在于，所述步骤3包含以下步骤：
步骤31：采集待测风扇运行时的第二声音信号及/或第二振动位移信号；
步骤32：根据所述第二声音信号及/或所述第二振动位移信号获得多个第二特征值；
步骤33：通过所述测试模型识别检测所述待测风扇的所述多个第二特征值获得所述测试结果。
15.如权利要求12所述的检测方法，其特征在于，还包含步骤4，输出并显示所述测试结果。
16.如权利要求12所述的检测方法，其特征在于，所述第一模型为RF模型或SVM模型。
17.如权利要求14所述的检测方法，其特征在于，于所述步骤12中基于labview平台的分析处理算法获得所述多个第一特征值，及/或，于所述步骤32中基于labview平台的分析处理算法获得所述多个第二特征值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710611695.0A CN109297582A (zh) | 2017-07-25 | 2017-07-25 | 风扇异音的检测装置及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710611695.0A CN109297582A (zh) | 2017-07-25 | 2017-07-25 | 风扇异音的检测装置及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109297582A true CN109297582A (zh) | 2019-02-01 |
Family
ID=65167133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710611695.0A Pending CN109297582A (zh) | 2017-07-25 | 2017-07-25 | 风扇异音的检测装置及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109297582A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测*** |
| WO2023093919A3 (zh) * | 2021-11-26 | 2023-09-21 | 卡奥斯工业智能研究院(青岛)有限公司 | 一种洗衣机异音检测方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521088A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于声学探测的服务器风扇状态检测方法 |
| CN103258233A (zh) * | 2013-04-07 | 2013-08-21 | 苏州奥科姆自动化科技有限公司 | 通过神经网络学习对风扇转速及其稳定性进行检测的方法 |
| CN103457453A (zh) * | 2012-06-04 | 2013-12-18 | 台达电子工业股份有限公司 | 一种用于降低音频噪音的控制方法 |
| CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式***中的性能异常预测方法及*** |
| CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
| CN105588636A (zh) * | 2016-01-26 | 2016-05-18 | 珠海市精实测控技术有限公司 | 风扇异音检测*** |
| 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 |
| CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
| JP2016223788A (ja) * | 2015-05-27 | 2016-12-28 | 三菱電機株式会社 | 冷却ファン用音響診断装置 |
| CN106951982A (zh) * | 2017-02-24 | 2017-07-14 | 北京邮电大学 | 基于svm算法的输变电设备的有功功率预测方法及装置 |
-
2017
- 2017-07-25 CN CN201710611695.0A patent/CN109297582A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521088A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于声学探测的服务器风扇状态检测方法 |
| CN103457453A (zh) * | 2012-06-04 | 2013-12-18 | 台达电子工业股份有限公司 | 一种用于降低音频噪音的控制方法 |
| CN103258233A (zh) * | 2013-04-07 | 2013-08-21 | 苏州奥科姆自动化科技有限公司 | 通过神经网络学习对风扇转速及其稳定性进行检测的方法 |
| CN104063747A (zh) * | 2014-06-26 | 2014-09-24 | 上海交通大学 | 一种分布式***中的性能异常预测方法及*** |
| CN104802737A (zh) * | 2015-03-25 | 2015-07-29 | 清华大学 | 一种基于手机的车辆异常驾驶行为检测方法 |
| JP2016223788A (ja) * | 2015-05-27 | 2016-12-28 | 三菱電機株式会社 | 冷却ファン用音響診断装置 |
| CN105588636A (zh) * | 2016-01-26 | 2016-05-18 | 珠海市精实测控技术有限公司 | 风扇异音检测*** |
| 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 |
| CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
| CN106951982A (zh) * | 2017-02-24 | 2017-07-14 | 北京邮电大学 | 基于svm算法的输变电设备的有功功率预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 中国人工智能学会: "《中国人工智能进展 2009》", 30 December 2009, 北京邮电大学出版社 * |
| 储征伟等: "《长江漫滩地面沉降监测与应用 以南京河西地区为例》", 30 July 2015, 武汉大学出版社 * |
| 孔德仁等: "《工程测试技术 第3版》", 30 March 2016, 北京航空航天大学出版社 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110044472A (zh) * | 2019-03-22 | 2019-07-23 | 武汉源海博创科技有限公司 | 一种线上产品异音异响智能检测*** |
| CN110044472B (zh) * | 2019-03-22 | 2021-11-16 | 宁波慧声智创科技有限公司 | 一种线上产品异音异响智能检测*** |
| WO2023093919A3 (zh) * | 2021-11-26 | 2023-09-21 | 卡奥斯工业智能研究院(青岛)有限公司 | 一种洗衣机异音检测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112382582B (zh) | 一种晶圆测试分类方法及*** | |
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| CN102331543B (zh) | 基于支持向量机的故障电弧检测方法 | |
| CN105259756B (zh) | 电厂控制回路模型辨识方法与*** | |
| CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
| CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
| CN104777410A (zh) | 交联聚乙烯电缆局部放电模式识别方法 | |
| JP2004501465A (ja) | 回転装置診断システム及び適応コントローラ | |
| CN104597124A (zh) | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 | |
| Hayashi et al. | Study of machine fault diagnosis system using neural networks | |
| CN101887542A (zh) | 避孕套质量信息实时监测、反馈、识别***及其方法 | |
| CN111579939A (zh) | 基于深度学习进行高压电力电缆局部放电现象检测方法 | |
| CN109297582A (zh) | 风扇异音的检测装置及检测方法 | |
| CN113900869A (zh) | 一种芯片测试数据判断方法、装置、存储介质及测试方法 | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
| CN116125242A (zh) | 对象检测方法及*** | |
| CN115616374A (zh) | 一种基于机器学习的半导体芯片的测试*** | |
| CN110320337A (zh) | 一种带钢表面质量自动判级***和方法 | |
| CN104049159A (zh) | 逆变器的故障检测方法和检测装置 | |
| CN114239921A (zh) | 芯片性能等级预测、封装方法及装置 | |
| CN108287964A (zh) | 一种基于加速度内积向量的灰云推理结构损伤识别方法 | |
| CN112162167A (zh) | 典型工业过程电压耐受能力的测试方法及*** | |
| CN111985654A (zh) | 一种智能化设备健康管理***及方法 | |
| CN115864759A (zh) | 一种电机自动测试工站的控制方法及*** | |
| CN115219883A (zh) | 一种电气自动化设备自动检测***及检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210201 Address after: 523290 Xincheng District, Shijie Town, Dongguan City, Guangdong province (Delta Industrial Zone) Applicant after: DELTA ELECTRONICS (DONGGUAN) Co.,Ltd. Address before: 523308 Xincheng District, Shijie Town, Dongguan City, Guangdong Province (Taida Industrial Zone) Applicant before: DELTA ELECTRONICS POWER (DONG GUAN) Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |