CN109387565A - 一种通过分析声音信号检测刹车片内部缺陷的方法 - Google Patents
一种通过分析声音信号检测刹车片内部缺陷的方法 Download PDFInfo
- Publication number
- CN109387565A CN109387565A CN201811186178.4A CN201811186178A CN109387565A CN 109387565 A CN109387565 A CN 109387565A CN 201811186178 A CN201811186178 A CN 201811186178A CN 109387565 A CN109387565 A CN 109387565A
- Authority
- CN
- China
- Prior art keywords
- voice signal
- brake block
- internal flaw
- analysis
- block internal
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种通过分析声音信号检测刹车片内部缺陷的方法,包括以下步骤:获取声音信号;截取预处理;小波时频分析;提取灰度图像特征;将特征量输入神经网络进行训练;对刹车片内部缺陷进行判定。该方法科学合理,诊断准确率高。
Description
技术领域
本发明涉及缺陷检测领域,通过对声音信号进行信息处理,从而判断刹车片内部缺陷,具体涉及一种基于时频特征和神经网络的刹车片内部缺陷检测方法。
背景技术
刹车片质量的好坏是我们驾驶行车安全的重要保障,通过摩擦材料来吸收传递动力从而达到减速、刹车的目的。刹车片寿命长短的影响因素有很多,刹车片产品本身的缺陷是关键原因,内部缺陷表现为异物、分层、侧裂。目前,国内大部分企业是采用比较传统的一些有经验的工人师傅们肉眼观察法和人工敲击法来判断是否存在内部缺陷,这种检测方式过于依赖经验而且费时费力还没有较好的准确度。所以研究刹车片检测方法,提高刹车片的检测效率和精度是非常有必要的。
目前通过声音信号判别刹车片内部缺陷的研究非常少,周冠雄等学者把声学检测技术应用在刹车片方面,提出了运用 DSP 实现刹车片的在线检测,但是在信号分析阶段只用了频域分析的方法,在进行声音信号分析时丢失了相位信息,识别刹车片的好坏也只用了 Fisher 判别建立一判别方程,探讨判别因子参数也相对模糊。
发明内容
为克服传统检测方式的不足,提高检测效率和精度,本发明提供了一种通过分析声音信号对刹车片内部缺陷检测的方法,该方法可对刹车片内部缺陷进行有效的检测,具体步骤如下:
(1)通过电容式声音传感器采集被检测刹车片的声音信号,采集后将时域信号直接输入连接振动测试***的计算机;
(2)将采集到的声音信号进行预处理,敲击过程中很多与敲击相应无关的信号,所以我们需要截取有效的声音信号,通过多次试验发现当截取长度为256个点时即可取到敲击声音包含波峰值在内的有效信号;将数据加载后将呈现出一个一维向量的形式,找到一维向量的最大值(也就是敲击声音传播的峰值),然后取峰值的1/3作为敲击有效信号的阈值,截取阈值(1/3的峰值)时间前10个点和后245个点作为有效的敲击信号;
(3)进行时频分析,选用 wavename='cmor1-1'为小波基函数分析绘制出时频图,为方便提取特征把图像矩阵转化为灰度图像,得到的灰度图像生成共生矩阵,计算对比度、同质性、相关性、能量四个特征。对比度(Contrast)描述返回整幅图像中像素以及与它相邻像素之间的亮度反差。同质性 (Homogemetiy)描述返回度量 GLCM 中各元素的分布到对角线紧密程度。相关性 (Correlation)描述返回整幅图像中像素与其相邻像素是如何相关的度量值。能量 (Energy) 计算返回glcm 中元素的平方和,具体公式如下:
对比度公式
其中,;
同质性公式
相关性公式
能量公式
其中,p为整体区域的总像素,为区域内的任意坐标,为点的颜色值;
(4)根据实验数据构建神经网络进行模式识别,根据实验产生的实验数据,本发明构造三层神经网络,其中包括输入层、中间层、输出层。将四种特征量输入到神经网络进行训练得到故障识别能力,根据逻辑输出及故障对应状态进行故障诊断,输出的二进制数值分别代表故障类型:0 1 无缺陷刹车片;1 0 存在缺陷刹车片。
本发明通过采集到的声音信号对刹车片的内部缺陷进行分析,截取有效信号进行时频分析,提取四个静态特征构建神经网络识别刹车片的好坏及内部缺陷种类。与现有的检测方式相比具有以下特点:
1.本发明采用采集声音信号的方式对刹车片进行检测,减少人为因素的干扰,排除检测人员经验的影响;本发明提高了检测效率和精度,可覆盖所有产品,减少因为抽检所造成的未能准确检测存在缺陷的刹车片;
2. 本发明对刹车片声音信号提取了时频特征,将对比度、同质性、相关性、能量四个特征作为刹车片内部缺陷的检测依据;
3.神经网络模式识别方法,提高了检测的精确度。
附图说明
图1为本发明方法的总体步骤图;
图2为本发明使用的声音采集装置;
图3为采集到的原始声音信号;
图4为进行预处理后声音信号;
图5为通过matlab进行时频分析绘制出的时频图
图6为将得到的时频图转换成的灰度图;
图7为提取的特征汇总。
具体实施方式
下面结合附图以及具体实施方式对本发明进一步说明。
用于实施的硬件环境是普通的计算机,软件环境是:Matlab 2014a和windows 8。我们用Matlab软件实现了本发明提出的方法。
参阅图1,图1是本发明的流程图,具体实施包括以下步骤;
(1)通过传感器采集被检测刹车片的声音信号,采集后将时域信号直接输入连接振动测试***的计算机;数据采集***采用的是振动测试***,这样在实验过程中就可以实时收集敲击信号并保存在与其连接的计算机中,声音采集装置如图2所示 。敲击信号的采样频率设定为9000Hz。敲击装置采用LC-1型号力锤,它的锤柄由传输信号电缆的力传感器、冲击锤、冲击垫座和弹性冲击垫座组成。数据采集***得到的原始信号如图3所示;
(2)由于在做实验的时候我们采取的是对每个刹车片的不同位置进行多次敲击,***录音设备是对整个敲击过程的录音,很多与敲击相应无关的信号会被采集到计算机不仅对后续的处理信号造成麻烦还会严重浪费占据计算机内存。所以我们需要截取有效的声音信号,通过多次试验发现当截取长度为256个点时既能取到敲击声音的波峰值又能节约计算机内存。将数据加载后将呈现出一个一维向量的形式,找到一维向量的最大值(也就是敲击声音传播的峰值),然后取峰值的1/3作为敲击有效信号的阈值,截取阈值(1/3的峰值)时间前10个点和后245个点作为有效的敲击信号,如图4所示;
(3)将截取的信号进行时频分析,我们选用小波函数wavename='cmor1-1'进行分析,借助MATLAB绘制出刹车片的时频图(图5)并转换为灰度图(图6所示)。接着借助MATLAB提供的graycomatrix函数将得到的灰度图像生成共生矩阵GLCM,Graycoprops归一化了灰度共生矩阵,所以各元素之和等于1。使用正规化的glcm计算对比度、同质性、相关性、能量四个静态属性。取试验的6个样品,三个好的刹车片,三个分层的刹车片。提取上述 'Contrast'、 'Homogemeity'、 'Correlation' 、'Energy'特征。如图7所示,1-3号样品是分层刹车片,4-6号样品是好的刹车片。我们从对比度上可以看到,分层刹车片样品的对比度数值要大于好的刹车片对比度,而分层刹车片的同质性、相关性、能量三个特征的数值要小于好的刹车片;
(4)根据实验产生的实验数据,本发明构造三层神经网络,其中包括输入层、中间层、输出层。用MATLAB自带的模式识别工具箱( nprtool )来导入试验数据、调整参数、输入目标函数,然后可以得到模式识别的结果。取实验的刹车片样品(80个实验样品),20个好的刹车片;20个异物的刹车片;20个分层的刹车片;20个侧裂的刹车片。将所有实验样本中的刹车片再分为三类,60个样本做训练,10个样本做验证,10个样本做测试。经过实验分析,缺陷检测成功率在98.75%,基本上能够检测刹车片是否存在缺陷。
Claims (4)
1.一种通过分析声音信号检测刹车片内部缺陷的方法,其特征在于,包括以下步骤:
获取声音信号;预处理;提取时频特征;状态识别;
(1)获取声音信号:通过传感器采集被检测刹车片的声音信号,采集后将时域信号直接输入连接振动测试***的计算机;
(2)预处理:将采集到的声音信号进行预处理,截取有效的声音信号;
(3)提取时频特征:利用小波分析绘制时频图并转化为灰度图,对灰度图的4种属性特征进行提取;
(4)状态识别:将特征量输入神经网络进行训练;对刹车片内部缺陷进行判定。
2.根据权利要求1所述的一种通过分析声音信号检测刹车片内部缺陷的方法,其特征在于:步骤(2)中,敲击过程中很多与敲击相应无关的信号会被采集到计算机不仅对后续的处理信号造成麻烦还会严重浪费占据计算机内存;所以我们需要截取有效的声音信号,通过多次试验发现当截取长度为256个点时既能取到敲击声音的波峰值又能节约计算机内存;具体方法,将数据加载后将呈现出一个一维向量的形式,找到一维向量的最大值(也就是敲击声音传播的峰值),然后取峰值的1/3作为敲击有效信号的阈值,截取阈值(1/3的峰值)时间前10个点和后245个点作为有效的敲击信号。
3.根据权利要求1所述的一种通过分析声音信号检测刹车片内部缺陷的方法,其特征在于:步骤(3)中,利用小波分析绘制时频图并转化为灰度图,对灰度图的对比度、同质性、相关性、能量四个特征进行提取;具体公式如下:
对比度公式
其中,;
同质性公式
相关性公式
能量公式
其中,p为整体区域的总像素,为区域内的任意坐标,为点的颜色值。
4.根据权利要求1所述的一种通过分析声音信号检测刹车片内部缺陷的方法,其特征在于:步骤(4)中,构造三层神经网络,其中包括输入层、中间层、输出层;将步骤(3)中的对比度、同质性、相关性、能量四个特征量输入到神经网络进行训练得到故障识别能力,根据逻辑输出及故障对应状态进行故障诊断,输出的二进制数值分别代表故障类型:0 1 无缺陷刹车片;1 0 存在缺陷刹车片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811186178.4A CN109387565A (zh) | 2018-10-12 | 2018-10-12 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811186178.4A CN109387565A (zh) | 2018-10-12 | 2018-10-12 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109387565A true CN109387565A (zh) | 2019-02-26 |
Family
ID=65427355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811186178.4A Pending CN109387565A (zh) | 2018-10-12 | 2018-10-12 | 一种通过分析声音信号检测刹车片内部缺陷的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109387565A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006664A (zh) * | 2019-04-03 | 2019-07-12 | 上海好耐电子科技有限公司 | 基于神经网络的汽车制动噪声专家检测方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理*** |
CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别***及识别方法 |
CN113514547A (zh) * | 2021-07-05 | 2021-10-19 | 哈尔滨理工大学 | 一种基于声振法的高铁制动片无损检测方法 |
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592631A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 刹车片质量自动检测装置 |
CN102419347A (zh) * | 2011-08-17 | 2012-04-18 | 江苏安捷汽车配件有限公司 | 刹车片质量检测控制装置,其使用方法及应用 |
CN103489446A (zh) * | 2013-10-10 | 2014-01-01 | 福州大学 | 复杂环境下基于自适应能量检测的鸟鸣识别方法 |
CN103646135A (zh) * | 2013-11-28 | 2014-03-19 | 哈尔滨医科大学 | 左心房/左心耳血栓的计算机辅助超声诊断方法 |
CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
CN106326826A (zh) * | 2015-10-10 | 2017-01-11 | 北京控制与电子技术研究所 | 一种基于可见光图像的深空探测器自主着陆区选取方法 |
CN106600612A (zh) * | 2016-12-27 | 2017-04-26 | 重庆大学 | 一种电动汽车租赁前后损坏识别检测方法 |
CN106680371A (zh) * | 2016-12-30 | 2017-05-17 | 陕西科技大学 | 一种电瓷瓷体在线探伤装置及方法 |
CN108508088A (zh) * | 2018-03-22 | 2018-09-07 | 清华大学 | 一种基于敲击声波法的天线罩无损检测装置与方法 |
-
2018
- 2018-10-12 CN CN201811186178.4A patent/CN109387565A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592631A (zh) * | 2009-07-10 | 2009-12-02 | 浙江大学 | 刹车片质量自动检测装置 |
CN102419347A (zh) * | 2011-08-17 | 2012-04-18 | 江苏安捷汽车配件有限公司 | 刹车片质量检测控制装置,其使用方法及应用 |
CN103489446A (zh) * | 2013-10-10 | 2014-01-01 | 福州大学 | 复杂环境下基于自适应能量检测的鸟鸣识别方法 |
CN103646135A (zh) * | 2013-11-28 | 2014-03-19 | 哈尔滨医科大学 | 左心房/左心耳血栓的计算机辅助超声诊断方法 |
CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
CN106326826A (zh) * | 2015-10-10 | 2017-01-11 | 北京控制与电子技术研究所 | 一种基于可见光图像的深空探测器自主着陆区选取方法 |
CN106297770A (zh) * | 2016-08-04 | 2017-01-04 | 杭州电子科技大学 | 基于时频域统计特征提取的自然环境声音识别方法 |
CN106600612A (zh) * | 2016-12-27 | 2017-04-26 | 重庆大学 | 一种电动汽车租赁前后损坏识别检测方法 |
CN106680371A (zh) * | 2016-12-30 | 2017-05-17 | 陕西科技大学 | 一种电瓷瓷体在线探伤装置及方法 |
CN108508088A (zh) * | 2018-03-22 | 2018-09-07 | 清华大学 | 一种基于敲击声波法的天线罩无损检测装置与方法 |
Non-Patent Citations (5)
Title |
---|
张国强 等: "基于敲击信号的刹车片内部缺陷检测", 《组合机床与自动化加工技术》 * |
张益杰 等: "磁共振图像的纹理分析在界定高级别脑胶质瘤边界中的应用", 《临床放射学杂志》 * |
陈刚 等: "一种食管癌内镜图像识别算法", 《计算机科学》 * |
陈彩文 等: "基于图像纹理特征的养殖鱼群摄食活动强度评估", 《农业工程学报》 * |
隋文涛 等: "平稳小波变换在轴承振动信号去噪中的应用", 《轴承》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110006664A (zh) * | 2019-04-03 | 2019-07-12 | 上海好耐电子科技有限公司 | 基于神经网络的汽车制动噪声专家检测方法 |
CN110514957A (zh) * | 2019-08-19 | 2019-11-29 | 深圳供电局有限公司 | 变电站自动巡检方法和平台 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理*** |
CN111257415B (zh) * | 2020-01-17 | 2021-08-10 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理*** |
CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别***及识别方法 |
CN111983020B (zh) * | 2020-08-25 | 2023-08-22 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别***及识别方法 |
CN113514547A (zh) * | 2021-07-05 | 2021-10-19 | 哈尔滨理工大学 | 一种基于声振法的高铁制动片无损检测方法 |
CN116300837A (zh) * | 2023-05-25 | 2023-06-23 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及*** |
CN116300837B (zh) * | 2023-05-25 | 2023-08-18 | 山东科技大学 | 一种水面无人艇执行器故障诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109387565A (zh) | 一种通过分析声音信号检测刹车片内部缺陷的方法 | |
CN106447040B (zh) | 基于异类多传感器数据融合的机械设备健康状态评估方法 | |
CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
Li et al. | Damage detection of bridges using response of vehicle considering road surface roughness | |
Xu et al. | Fan fault diagnosis based on symmetrized dot pattern analysis and image matching | |
CN107132334A (zh) | 岩石物理力学参数智能一体化测试***及其测试方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN109375010A (zh) | 基于振动分布特征模型的电力变压器绕组故障诊断方法 | |
CN105488520A (zh) | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 | |
CN101706355A (zh) | 基于NExT/ARMA的结构响应分析方法 | |
CN105469049A (zh) | 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法 | |
CN102158486A (zh) | 一种网络入侵快速检测方法 | |
CN113869339A (zh) | 用于故障诊断的深度学习分类模型及故障诊断方法 | |
CN106708009A (zh) | 一种基于支持向量机聚类的船舶动力定位测量***多故障诊断方法 | |
CN117347501A (zh) | 建筑材料性能检测***及方法 | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及*** | |
CN114942436A (zh) | 基于地质雷达及深度学习的隧道衬砌病害识别方法及*** | |
CN106706119A (zh) | 一种基于信号频域特征的振动源识别方法及*** | |
Dushyanth et al. | Detection and localization of damage using empirical mode decomposition and multilevel support vector machine | |
CN106404893A (zh) | 一种轴向漏磁缺陷信号自动检测方法 | |
Ma et al. | Two-stage damage identification based on modal strain energy and revised particle swarm optimization | |
CN112836274B (zh) | 一种隐蔽工程跟踪审计的数据融合方法 | |
CN109813551A (zh) | 一种柴油机主轴承磨合质量在线定量检测方法 | |
CN105528657A (zh) | 基于北斗和向量机的建筑物震害预测方法 | |
Yujun et al. | Identification and classification of rail damage based on ultrasonic echo signals |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190226 |
|
WD01 | Invention patent application deemed withdrawn after publication |