CN112729529A - 电机缺陷的检测方法 - Google Patents
电机缺陷的检测方法 Download PDFInfo
- Publication number
- CN112729529A CN112729529A CN202011498701.4A CN202011498701A CN112729529A CN 112729529 A CN112729529 A CN 112729529A CN 202011498701 A CN202011498701 A CN 202011498701A CN 112729529 A CN112729529 A CN 112729529A
- Authority
- CN
- China
- Prior art keywords
- motor
- defect
- noise
- adopting
- feature
- 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.)
- Granted
Links
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明实施例公开了一种电机缺陷的检测方法。该方法包括在电机空载的情况下开启电机,使得电机空转;采用声传感器采集所述电机空转的噪声,定义所述噪声为初始噪声;对所述初始噪声进行环境噪声降噪,获得纯净噪声;对所述纯净噪声进行频段限制而保留人耳可听频段范围内的声段,将所述声段切分成多个音频段,对所述多个音频段采用二感受野网络分析并提取缺陷特征,根据所述缺陷特征判断所述电机的缺陷情况。该方法实现了自动化地分析电机噪声。
Description
技术领域
本发明涉及工业检测的技术领域,特别是涉及一种电机缺陷的检测方法。
背景技术
在电机装配完成后,工厂需要在出厂前对电机性能做缺陷检测。由于电机在空转时,电机的外壳几乎能毫无保留的对外辐射出振动噪声,这使得利用噪声检测电机是否有故障成为可能。尤其是在如洗衣机等家用电器领域,对电机的噪声有着独特的要求,即用于家庭环境中的电器要尽量遵循静音性的原则。在家用电器的电机工作时,电机发出的噪声应具有良好的圆润度以确保不发出过度尖锐的噪声而使人感到不适。因此,在家用电器领域,利用电机噪声的方式来检测电机缺陷是必不可少的。
目前,国内工厂一般采用员工人耳听诊的方式进行电机噪声方式的检测。由于家用电器的电机缺陷种类较多,不同缺陷之间的噪声差别较小,人耳听诊的方法极易造成电机缺陷的误判和漏判。进一步地,由于人耳听诊的方法依赖于人的主观判断,无法建立统一的评价标准,长期以来一直难以采用自动化装置替代。在大批量生产家用电器的过程中,人耳听诊检测电机缺陷的工序不仅消耗大量劳动成本,而且重复、单调的听音工作极易引起工作人员疲劳,对工作人员的听力造成不可逆转的伤害。
因此,针对上述技术问题,有必要提供一种具有自动化性能的采用电机噪声方式的电机缺陷的检测方法。
发明内容
有鉴于此,本发明实施例的目的在于提供一种具有自动化性能的采用电机噪声方式的电机缺陷的检测方法。本发明实施例提供的电机缺陷的检测方法仍然是通过电机噪声来进行电机缺陷的检测,通过神经网络模型实现自动化分析电机噪声。
为了实现上述目的,本发明一实施例提供的技术方案如下:一种电机缺陷的检测方法包括步骤S1:在电机空载的情况下,开启电机,使得电机空转;步骤S2:采用声传感器采集所述电机空转的噪声,定义所述噪声为初始噪声;步骤S3:对所述初始噪声进行环境噪声降噪,获得纯净噪声;步骤S4:对所述纯净噪声进行频段限制而保留人耳可听频段范围内的声段,将所述声段切分成多个音频段,对所述多个音频段采用二感受野网络分析并提取缺陷特征,根据所述缺陷特征判断所述电机的缺陷情况。
作为本发明的进一步改进,所述电机置于静音箱中。
作为本发明的进一步改进,所述环境噪声降噪为采用滤波器滤除变化平缓的音频。
作为本发明的进一步改进,所述频段限制的方式采用4阶巴特沃斯滤波器对所述纯净噪声进行滤波。
作为本发明的进一步改进,所述多个音频段的音频时长相等。
作为本发明的进一步改进,所述步骤S4包括步骤:采用大感受野尺寸的网络模型对所述多个音频段进行分析并提取出第一缺陷特征;采用小感受野尺寸的网络模型对所述多个音频段进行分析并提取出第二缺陷特征;将所述第一缺陷特征和所述第二缺陷特征进行不同权重的特征融合,获得融合特征;将所述融合特征与各个缺陷特征进行特征匹配,判断所述电机的缺陷情况。
作为本发明的进一步改进,所述各个缺陷特征为预存信息。
作为本发明的进一步改进,将所述融合特征与各个缺陷特征进行特征匹配,将样本分类概率的最大值所对应的缺陷特征作为所述电机的缺陷。
本发明具有以下优点:
本发明实施例提供的电机缺陷的检测方法满足了家用电器领域必须采用电机空转噪声检测缺陷的工序,通过神经网络模型实现自动化分析电机噪声,有效地克服了现有技术中此道工序对人的依赖性及无法客观评价的问题。进一步地,在自动化分析电机噪声的过程中,将电机噪声进行切片,有效地降低数据处理的难度,节约了处理时长。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电机缺陷的检测方法的流程示意图;
图2为图1所示实施例中音频切片保存的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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,都应当属于本发明保护的范围。
如图1所示,本发明实施例提供的电机缺陷的检测方法的流程示意图。在该实施例中,实现实时操作***在嵌入式架构下的驻留方法包括四个步骤,每个步骤的具体内容如下所示。
步骤S1:在电机空载的情况下,开启电机,使得电机空转。在本发明实施例中,以家用电器中的家用洗衣机为具体应用场景。具体地,在洗衣机空载的情况下,开启家用洗衣机,使得电机空转。
步骤S2:采用声传感器采集所述电机空转的噪声,定义所述噪声为初始噪声。优选地,电机置于静音箱中。静音箱能够良好地滤除环境中的噪声,并最大程度保留电机噪声的音频信息。
步骤S3:对所述初始噪声进行环境噪声降噪,获得纯净噪声。在优选实施例中,由于电机置于静音箱中,在声传感器采集噪声的过程中,即使存在环境噪声,环境噪声也会呈现平稳缓慢变化的趋势。在该步骤中,环境噪声降噪为采用滤波器滤除变化平缓的音频。从初始噪声中滤除环境噪声而获得纯净的电机噪声,即纯净噪声。进一步地消除环境噪声的干扰,为电机缺陷的检测提供有效的噪声基础。
步骤S4:对所述纯净噪声进行频段限制而保留人耳可听频段范围内的声段,将所述声段切分成多个音频段,对所述多个音频段采用二感受野网络分析并提取缺陷特征,根据所述缺陷特征判断所述电机的缺陷情况。
在该实施例中,频段限制的方式采用4阶巴特沃斯滤波器对所述纯净噪声进行滤波,从而滤除掉人耳可听范围之外的噪声频段,仅保留包含电机缺陷特征的频段,提供电机缺陷检测的效率。
在一优选实施例中,多个音频段的音频时长相等。如图2所示,经过频段限制后的音频切分成每段音频时长相等的多个音频段,如400个长度相等的连续音频切片。采用频段切分的方式,可以提高后续基于神经网络特征提取分析的速度,降低电机缺陷检测过程的时长。将每一个等长的音频段分别保存在缺陷类型文件夹中,对各个音频段进行扫描并采用二感受野网络分析并提取缺陷特征,再根据所述缺陷特征判断所述电机的缺陷情况。对每个音频段进行特征扫描,避免了一整条音频的扫描计算,减少了网络计算量、节省电脑算力,提高了检测的实时性。
具体地,对各个音频段的具体处理步骤包括:
步骤S41:采用大感受野尺寸的网络模型对所述多个音频段进行分析并提取出第一缺陷特征。其中,感受野尺寸由神经网络模型自动训练生成,而非人为设定。以家用洗衣机为具体的应用场景为例,大感受野尺寸的网络模型对应洗衣机电机甩干转速时的噪声。
步骤S42:采用小感受野尺寸的网络模型对所述多个音频段进行分析并提取出第二缺陷特征。以家用洗衣机为具体的应用场景为例,小感受野尺寸的网络模型对应洗衣机电机脱水转速时的噪声。神经网络模型分支会将先对电机噪声特征进行局部的同步提取,随着神经网络的层数的加深,网络模型在已提取特征的基础上,提取更复杂更深层次的信号特征来获得更大的感受野范围。
步骤S43:将所述第一缺陷特征和所述第二缺陷特征进行不同权重的特征融合,获得融合特征。对大感受野尺寸网络以及小感受野尺寸获得特征各取一定的权重做特征融合,由于不同网络模型之间的互补性,该方法结构可以在一定程度上提高网络模型的表现性能。将所述融合特征与各个缺陷特征进行特征匹配,将样本分类概率的最大值所对应的缺陷特征作为所述电机的缺陷。其中,样本分类概率的计算式如公式1所示:
公式1为样本i分类为类别j的概率,也是经过分类处理之后的输出,其中k为电机缺陷特征。通过该方法,避免了反向传播过程中收敛速度慢的缺点,并且提高模型的检测精度。
步骤S44:将所述融合特征与各个缺陷特征进行特征匹配,判断所述电机的缺陷情况。在该实施例中,各个缺陷特征为预存信息。
在该过程中,将大感受野尺寸的网络模型分析和小感受野尺寸的网络模型分析统称为二感受野网络分析。
本发明实施例提供的电机缺陷的检测方法满足了家用电器领域必须采用电机空转噪声检测缺陷的工序,通过神经网络模型实现自动化分析电机噪声,有效地克服了现有技术中此道工序对人的依赖性及无法客观评价的问题。进一步地,在自动化分析电机噪声的过程中,将电机噪声进行切片,有效地降低数据处理的难度,节约了处理时长。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种电机缺陷的检测方法,其特征在于,所述方法包括:
步骤S1:在电机空载的情况下,开启电机,使得电机空转;
步骤S2:采用声传感器采集所述电机空转的噪声,定义所述噪声为初始噪声;
步骤S3:对所述初始噪声进行环境噪声降噪,获得纯净噪声;
步骤S4:对所述纯净噪声进行频段限制而保留人耳可听频段范围内的声段,将所述声段切分成多个音频段,对所述多个音频段采用二感受野网络分析并提取缺陷特征,根据所述缺陷特征判断所述电机的缺陷情况。
2.根据权利要求1所述的一种电机缺陷的检测方法,其特征在于,所述电机置于静音箱中。
3.根据权利要求1所述的一种电机缺陷的检测方法,其特征在于,所述环境噪声降噪为采用滤波器滤除变化平缓的音频。
4.根据权利要求1所述的一种电机缺陷的检测方法,其特征在于,所述频段限制的方式采用4阶巴特沃斯滤波器对所述纯净噪声进行滤波。
5.根据权利要求1所述的一种电机缺陷的检测方法,其特征在于,所述多个音频段的音频时长相等。
6.根据权利要求5所述的一种电机缺陷的检测方法,其特征在于,所述步骤S4包括步骤:
采用大感受野尺寸的网络模型对所述多个音频段进行分析并提取出第一缺陷特征;
采用小感受野尺寸的网络模型对所述多个音频段进行分析并提取出第二缺陷特征;
将所述第一缺陷特征和所述第二缺陷特征进行不同权重的特征融合,获得融合特征;
将所述融合特征与各个缺陷特征进行特征匹配,判断所述电机的缺陷情况。
7.根据权利要求5所述的一种电机缺陷的检测方法,其特征在于,所述各个缺陷特征为预存信息。
8.根据权利要求5所述的一种电机缺陷的检测方法,其特征在于,将所述融合特征与各个缺陷特征进行特征匹配,将样本分类概率的最大值所对应的缺陷特征作为所述电机的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498701.4A CN112729529B (zh) | 2020-12-17 | 2020-12-17 | 电机缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011498701.4A CN112729529B (zh) | 2020-12-17 | 2020-12-17 | 电机缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112729529A true CN112729529A (zh) | 2021-04-30 |
CN112729529B CN112729529B (zh) | 2023-02-03 |
Family
ID=75603097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011498701.4A Active CN112729529B (zh) | 2020-12-17 | 2020-12-17 | 电机缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112729529B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
WO2019166396A1 (en) * | 2018-02-28 | 2019-09-06 | Robert Bosch Gmbh | System and method for audio and vibration based power distribution equipment condition monitoring |
CN110472587A (zh) * | 2019-08-19 | 2019-11-19 | 四川大学 | 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
CN111508517A (zh) * | 2020-04-28 | 2020-08-07 | 电子科技大学中山学院 | 一种基于噪声特征的微电机智能品控方法 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
WO2020174459A1 (en) * | 2019-02-27 | 2020-09-03 | Ramot At Tel-Aviv University Ltd. | A distributed-acoustic-sensing (das) analysis system using a generative-adversarial-network (gan) |
CN111738338A (zh) * | 2020-06-23 | 2020-10-02 | 征图新视(江苏)科技股份有限公司 | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 |
-
2020
- 2020-12-17 CN CN202011498701.4A patent/CN112729529B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019166396A1 (en) * | 2018-02-28 | 2019-09-06 | Robert Bosch Gmbh | System and method for audio and vibration based power distribution equipment condition monitoring |
CN111742462A (zh) * | 2018-02-28 | 2020-10-02 | 罗伯特·博世有限公司 | 用于基于音频和振动的功率分配装备状况监测的***和方法 |
WO2020174459A1 (en) * | 2019-02-27 | 2020-09-03 | Ramot At Tel-Aviv University Ltd. | A distributed-acoustic-sensing (das) analysis system using a generative-adversarial-network (gan) |
CN110068462A (zh) * | 2019-05-14 | 2019-07-30 | 北京科技大学 | 一种电机轴承故障诊断方法及装置 |
CN110472587A (zh) * | 2019-08-19 | 2019-11-19 | 四川大学 | 基于cnn和声音时频特征图的微型振动马达缺陷识别方法及装置 |
CN110596506A (zh) * | 2019-10-30 | 2019-12-20 | 福州大学 | 基于时间卷积网络的变换器故障诊断方法 |
CN111508517A (zh) * | 2020-04-28 | 2020-08-07 | 电子科技大学中山学院 | 一种基于噪声特征的微电机智能品控方法 |
CN111523509A (zh) * | 2020-05-08 | 2020-08-11 | 江苏迪赛司自动化工程有限公司 | 融合物理和深度表达特征的设备故障诊断及健康监测方法 |
CN111738338A (zh) * | 2020-06-23 | 2020-10-02 | 征图新视(江苏)科技股份有限公司 | 基于级联膨胀fcn网络应用于马达线圈的缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
赵书涛 等: "声振信号联合1D-CNN的大型电机故障诊断方法", 《哈尔滨工业大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112729529B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108760316A (zh) | 变分模态分解的变参信息融合方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及*** | |
CN105424395A (zh) | 设备故障的确定方法和装置 | |
CN105183946A (zh) | 一种基于空调的降噪方法及*** | |
EP3193317A1 (en) | Activity classification from audio | |
CN113670434B (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
CN111862951A (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
CN114639391A (zh) | 机械故障提示方法、装置、电子设备及存储介质 | |
CN111323783A (zh) | 场景识别方法、装置、存储介质及电子设备 | |
CN113125135A (zh) | 旋转机械的故障诊断方法、存储介质及电子设备 | |
CN109671430A (zh) | 一种语音处理方法及装置 | |
CN112729529B (zh) | 电机缺陷的检测方法 | |
CN113421586A (zh) | 梦呓识别方法、装置和电子设备 | |
CN114441173B (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警***及方法 | |
CN116746887B (zh) | 一种基于音频的睡眠分期的方法、***、终端及存储介质 | |
CN118015808A (zh) | 一种智能安防监控方法及*** | |
CN106323454A (zh) | 空调室内机异音识别方法及装置 | |
CN112051078A (zh) | 目标设备的故障检测方法及装置、存储介质、电子装置 | |
CN106653045A (zh) | 从音频信号提取诊断信号的方法及诊断装置 | |
Verma et al. | Windows mobile and tablet app for acoustic signature based machine health monitoring | |
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 | |
CN108827634A (zh) | 流形融合经验模态分解方法 | |
CN110598762A (zh) | 基于音频的出行方式检测方法、装置以及移动终端 | |
CN115547352A (zh) | 电子设备及其噪音的处理方法、装置及介质 |
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 |