CN111508517A - 一种基于噪声特征的微电机智能品控方法 - Google Patents
一种基于噪声特征的微电机智能品控方法 Download PDFInfo
- Publication number
- CN111508517A CN111508517A CN202010352032.3A CN202010352032A CN111508517A CN 111508517 A CN111508517 A CN 111508517A CN 202010352032 A CN202010352032 A CN 202010352032A CN 111508517 A CN111508517 A CN 111508517A
- Authority
- CN
- China
- Prior art keywords
- micromotor
- noise
- intelligent
- motor
- micro
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 14
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012847 fine chemical Substances 0.000 description 1
- 239000000696 magnetic material Substances 0.000 description 1
- 238000005459 micromachining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000004804 winding 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- 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
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Quality & Reliability (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于噪声特征的微电机智能品控方法,包括以下步骤:a、采集微电机运行状态下的噪音波形信号,并通过人工标注样本;b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F,结合样本人工标注,组成样本微电机噪音特征集T用于训练;c、建立微电机故障智能识别模型;d、采集目标微电机噪声信号;e、从目标微电机噪声信号中提取其信号特征集合;f、向微电机故障智能识别模型输入该信号特征集合,模型自动判断目标微电机是否存在品质缺陷,本发明能够实现适应现场故障类型多样、微电机运转噪声极小的智能品控场景,能实现漏检率1%,误检率0.1%的检测效果。
Description
技术领域
本发明涉及微电机制造的质量技术领域,特别是一种基于噪声特征的微电机智能品控方法。
背景技术
自从发电机和电动机发明之后,电机已被广泛的应用于社会生活的方方面面,微电机是指直径小于160mm或额定功率小于750mW的电机,由于其体积小,重量轻,用于智能家电、微机器人、精密工程、航空航天等技术密集型领域。微电机制造工序多,涉及精密机械、精细化工、微细加工、磁材料处理、绕组制造、绝缘处理等工艺技术,需要的工艺装备数量大、精度高。同时微电机生产线产量大、质量检测要求高,需要投入大量的精密测试仪器和质检人员控制微电机出厂质量。
当前已有基于电机运行噪声音频分析电机故障的技术方案,但微电机运行噪声更为微弱,质量检测要求更高,采用现有基于音频的自动检测方案不能满足微电机质量检测的要求。
现有技术方案包括:当前微电机制造过程中的品控主要采取基于微电机运转声音的人工检测方案。在生产流水线的最后环节设置隔音室,由多名专职技术人员坐在隔音室内采取人工听音的方式来识别微电机缺陷,由测试电路板驱动微电机正转1.5s,反转1.5s,技术人员能在这段时间内发现缺陷电机与正常电机运转声音的区别,从而检出缺陷电机。目前也有基于音频特征的微电机故障自动检测方案(CN110132600A)。通过硬件采集微电机在运行中产生的噪声,利用软件分析微电机噪声信号频谱特征,基于最优小波包基和Donoho软阈值消噪方法对一组微电机标准信号和故障信号进行了消噪处理后,比较低频信号成分的功率谱得出故障特征频率,从而检测微电机故障。
现有技术方案的缺陷如下:在生产制造环节,传统的微电机质量检测是人工检测方案,它依靠质检人员人工鉴别电机运转声音的差异。这一方法不仅需要耗费大量人力成本,同时还容易受到质检人员状态等因素影响造成误检或漏检。此外,现有的基于音频特征的电机故障自动检测方案本质上属于模板匹配方法,其故障检测效果与检测方案使用的基于故障特征频率的判别函数有关,该判别函数效果依赖样本集以及权重系数的选取,因此该判别函数仅能用来检测或预测与样本集近似的电机型号与故障类多样、微电机运转噪声极小易受到采集硬件背景噪声影响的智能品控场景。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于噪声特征的微电机智能品控方法。本发明可以实现适应现场故障类型多样、微电机运转噪声极小的智能品控场景。
为解决上述问题,本发明采用如下的技术方案。
一种基于噪声特征的微电机智能品控方法,包括以下步骤:
a、采集微电机运行状态下的噪音波形信号,并通过人工标注样本;
b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F,结合样本人工标注,组成样本微电机噪音特征集T用于训练;
c、建立微电机故障智能识别模型;
d、采集目标微电机噪声信号;
e、从目标微电机噪声信号中提取其信号特征集合;
f、向微电机故障智能识别模型输入该信号特征集合,模型自动判断目标微电机是否存在品质缺陷。
作为本发明的进一步改进,在步骤b中所述的声音特征组合F包括声音波形的频谱峰值频率、梅尔频率倒谱系数MFCC的第1、2、3、5、6、12个系数值。
作为本发明的进一步改进,在步骤c中,所述微电机故障智能识别模型建立方法是,使用步骤b建立的样本微电机噪声特征集T进行训练;使用自适应增强学习技术反复迭代直至该分类器参数最优;根据分类器参数建立微电机故障智能识别模型。
本发明的有益效果
相比于现有技术,本发明的优点在于:
该方法能实现漏检率1%,误检率0.1%的检测效果;
基于现有主流的基于振速法的电机运行噪声采集硬件,实现了微电机制造场景中的智能质检,无需增加额外硬件投资。
附图说明
图1为本发明的原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,一种基于噪声特征的微电机智能品控方法,包括以下步骤:
a、采集微电机运行状态下的噪音波形信号,并通过人工标注样本;
b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F,结合样本人工标注,组成样本微电机噪音特征集T用于训练;
c、建立微电机故障智能识别模型;
d、采集目标微电机噪声信号;
e、从目标微电机噪声信号中提取其信号特征集合;
f、向微电机故障智能识别模型输入该信号特征集合,模型自动判断目标微电机是否存在品质缺陷。
在步骤b中所述的声音特征组合F包括声音波形的频谱峰值频率、梅尔频率倒谱系数MFCC的第1、2、3、5、6、12个系数值。
功率谱峰值频率Kpeak:功率谱图上单位频段内信号功率峰值的对应频率。假设给定声音信号x(n),采样时间间隔T,采样点数为N,采用快速傅里叶变换(FFT)算法计算,有
功率谱峰值频率Kpeak满足EX(Kpeak)=max(EX(k))。
梅尔频率倒谱系数MFCC:Mel频率倒谱系数,其中的Mel频率主要和人类听觉特征有关,MFCC是Mel频率域上提取出来的倒谱参数,MFCC的提取方法是将声音信号x(n)的频谱X(k)对应的对数能量谱依照Mel标度分布的三角滤波器做卷积运算,然后接着对滤波器组的输出向量做离散余弦变换,这样得到的前n维向量是MFCC,如下是所示:
上式中,n为所取的MFCC的个数;ci(n)是MFCC的系数;Si(m)是声音信号x(n)对应的对数功率谱;M为三角滤波器个数,一般取10-13。
在步骤c中,所述微电机故障智能识别模型建立方法是,使用步骤b建立的样本微电机噪声特征集T进行训练;使用自适应增强学习技术反复迭代直至该分类器参数最优;根据分类器参数建立微电机故障智能识别模型。
使用专家诊断方式人工标注微电机缺陷类型,类型可包括正常、缺陷两种,缺陷类型的标注还可以继续细分。传统方式人工标注微电机缺陷的时长为3S,在现有的采集板规格下,XXX,训练集规模需达到2万以上,1位专家标注训练集所需微电机类型仅需1工作日。
微电机运转噪声的信号采集的采样时间为3S,使用测试电路板给微电机提供电源,微电机正转1.5s、反转1.5S。为匹配微电机发生质量缺陷时运转噪声易被人耳分辨的特征,将采样频率确定为40960hz,每条微电机运转噪声的信号包括122880个采样点。
信号无需滤波处理,直接计算信号的频域特征。低通滤波能去除来自高频的背景噪声,适当减少对样本微电机噪声特征集规模的要求,但对模型识别效果影响不大。
在使用自适应增强学习技术来学习分类器参数时,可采用贝叶斯优化方法加速参数收敛,但对最后模型识别效果影响不大。
本发明采用AdaBoost算法的改进版本AdaBoost.M1版本取得最优效果,但其他AdaBoost算法均能达到较好的建模效果。该算法的输入包括样本微电机特征集中提取的训练样本集S、以BaseLearn表示的学习算法和迭代次数T。在第t次迭代时,调用BaseLearn,并将该特征集S的权重分布Dt作为参数传给BaseLearn;然后BaseLearn计算出一个基分类器ht:X→Y,这个基分类器能对训练样本集中权重较大的部分样本进行正确分类,即BaseLearn的目标就是要找到最小化训练错误率εt=Pri~D[ht(xi)≠yi]的基分类器ht。注意这个错误率时根据权重分布Dt计算得到的。这个过程重复T次后,将T个基分类器组合程最终的分类器hfin(x)。在本技术方案中,使用AdaBoost.M1算法所需的最优迭代次数为493次。
以上所述,仅为本发明较佳的具体实施方式;但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其改进构思加以等同替换或改变,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于噪声特征的微电机智能品控方法,其特征在于,包括以下步骤:
a、采集微电机运行状态下的噪音波形信号,并通过人工标注样本;
b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F,结合样本人工标注,组成样本微电机噪音特征集T用于训练;
c、建立微电机故障智能识别模型;
d、采集目标微电机噪声信号;
e、从目标微电机噪声信号中提取其信号特征集合;
f、向微电机故障智能识别模型输入该信号特征集合,模型自动判断目标微电机是否存在品质缺陷。
2.根据权利要求1所述的一种基于噪声特征的微电机智能品控方法,其特征在于:
在步骤b中所述的声音特征组合F包括声音波形的频谱峰值频率、梅尔频率倒谱系数MFCC的第1、2、3、5、6、12个系数值。
3.根据权利要求1所述的一种基于噪声特征的微电机智能品控方法,其特征在于:
在步骤c中,所述微电机故障智能识别模型建立方法是,使用步骤b建立的样本微电机噪声特征集T进行训练;使用自适应增强学习技术反复迭代直至该分类器参数最优;根据分类器参数建立微电机故障智能识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352032.3A CN111508517A (zh) | 2020-04-28 | 2020-04-28 | 一种基于噪声特征的微电机智能品控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010352032.3A CN111508517A (zh) | 2020-04-28 | 2020-04-28 | 一种基于噪声特征的微电机智能品控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111508517A true CN111508517A (zh) | 2020-08-07 |
Family
ID=71878227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010352032.3A Pending CN111508517A (zh) | 2020-04-28 | 2020-04-28 | 一种基于噪声特征的微电机智能品控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111508517A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112298030A (zh) * | 2020-10-16 | 2021-02-02 | 中国第一汽车股份有限公司 | 一种电动汽车低速提示音装置频率响应测试***及方法 |
CN112729529A (zh) * | 2020-12-17 | 2021-04-30 | 苏州大学 | 电机缺陷的检测方法 |
CN114035047A (zh) * | 2021-11-22 | 2022-02-11 | 安徽理工大学 | 一种基于音频识别的矿井通风机电机故障预警装置 |
CN116125275A (zh) * | 2023-04-04 | 2023-05-16 | 常州市美特精密电机有限公司 | 一种减速电机测试*** |
CN116736116A (zh) * | 2023-08-15 | 2023-09-12 | 泰坦(天津)能源技术有限公司 | 一种微型电机的故障感知方法及*** |
CN117054872A (zh) * | 2023-09-15 | 2023-11-14 | 合肥融讯电子科技有限公司 | 一种基于数据模型的电机故障预测检测*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2402731A1 (de) * | 2010-07-01 | 2012-01-04 | Schaeffler Technologies AG & Co. KG | Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands |
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及*** |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
CN110763466A (zh) * | 2019-11-07 | 2020-02-07 | 江苏航空职业技术学院 | 一种Adaboost算法组合的GABP滚动轴承诊断方法 |
-
2020
- 2020-04-28 CN CN202010352032.3A patent/CN111508517A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2402731A1 (de) * | 2010-07-01 | 2012-01-04 | Schaeffler Technologies AG & Co. KG | Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands |
CN102798529A (zh) * | 2012-08-30 | 2012-11-28 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及*** |
CN104614166A (zh) * | 2015-01-29 | 2015-05-13 | 西北工业大学 | 一种飞机发动机转子振动信号故障状态识别的方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN108490349A (zh) * | 2018-01-23 | 2018-09-04 | 浙江大学山东工业技术研究院 | 基于Mel频率倒谱系数的电机异音检测方法 |
CN109612732A (zh) * | 2019-01-24 | 2019-04-12 | 北华大学 | 一种基于解卷积和包络谱的滚动轴承故障诊断方法 |
CN110132598A (zh) * | 2019-05-13 | 2019-08-16 | 中国矿业大学 | 旋转设备滚动轴承故障噪声诊断算法 |
CN110763466A (zh) * | 2019-11-07 | 2020-02-07 | 江苏航空职业技术学院 | 一种Adaboost算法组合的GABP滚动轴承诊断方法 |
Non-Patent Citations (1)
Title |
---|
张习习等: "基于集成学习概率神经网络的电机轴承故障诊断", 《华东理工大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112298030A (zh) * | 2020-10-16 | 2021-02-02 | 中国第一汽车股份有限公司 | 一种电动汽车低速提示音装置频率响应测试***及方法 |
CN112729529A (zh) * | 2020-12-17 | 2021-04-30 | 苏州大学 | 电机缺陷的检测方法 |
CN112729529B (zh) * | 2020-12-17 | 2023-02-03 | 苏州大学 | 电机缺陷的检测方法 |
CN114035047A (zh) * | 2021-11-22 | 2022-02-11 | 安徽理工大学 | 一种基于音频识别的矿井通风机电机故障预警装置 |
CN116125275A (zh) * | 2023-04-04 | 2023-05-16 | 常州市美特精密电机有限公司 | 一种减速电机测试*** |
CN116736116A (zh) * | 2023-08-15 | 2023-09-12 | 泰坦(天津)能源技术有限公司 | 一种微型电机的故障感知方法及*** |
CN116736116B (zh) * | 2023-08-15 | 2023-10-24 | 泰坦(天津)能源技术有限公司 | 一种微型电机的故障感知方法及*** |
CN117054872A (zh) * | 2023-09-15 | 2023-11-14 | 合肥融讯电子科技有限公司 | 一种基于数据模型的电机故障预测检测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN109357749B (zh) | 一种基于dnn算法的电力设备音频信号分析方法 | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN109599120B (zh) | 一种基于大规模养殖场厂哺乳动物异常声音监测方法 | |
CN110189769A (zh) | 基于多个卷积神经网络模型结合的异常声音检测方法 | |
CN111354366B (zh) | 一种异常声音检测方法及异常声音检测装置 | |
JP2022552449A (ja) | 風力タービン翼を検査するための方法および装置、ならびにそれらの機器および記憶媒体 | |
CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、*** | |
CN111814872B (zh) | 基于时域、频域自相似性的电力设备环境噪音识别方法 | |
CN107221319A (zh) | 一种语音识别测试***和方法 | |
CN113763986B (zh) | 一种基于声音分类模型的空调内机异常声音检测方法 | |
CN115424635B (zh) | 一种基于声音特征的水泥厂设备故障诊断方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN116229991A (zh) | 基于mfcc语音特征提取与机器学习的电机故障诊断方法 | |
CN105916090A (zh) | 一种基于智能化语音识别技术的助听器*** | |
CN111933186B (zh) | 用于对有载分接开关进行故障识别的方法、装置及*** | |
CN111341343B (zh) | 一种用于异常声音检测的在线更新***和方法 | |
CN111755025B (zh) | 一种基于音频特征的状态检测方法、装置及设备 | |
CN116206625A (zh) | 基于频谱与时间信息结合的自监督异常声音检测方法 | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
CN112201226B (zh) | 一种发声方式判别方法及*** | |
CN105628380B (zh) | 一种可调式中智模型轴承故障分类器的故障分类方法 | |
CN115331678A (zh) | 利用Mel频率倒谱系数的广义回归神经网络声信号识别方法 | |
CN114358321A (zh) | 一种电机异响机器学习检测方法 | |
Sun et al. | The complexity analysis of voiced and unvoiced speech signal based on sample entropy |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |