CN114358321A - 一种电机异响机器学习检测方法 - Google Patents
一种电机异响机器学习检测方法 Download PDFInfo
- Publication number
- CN114358321A CN114358321A CN202111678057.3A CN202111678057A CN114358321A CN 114358321 A CN114358321 A CN 114358321A CN 202111678057 A CN202111678057 A CN 202111678057A CN 114358321 A CN114358321 A CN 114358321A
- Authority
- CN
- China
- Prior art keywords
- sound
- motor
- loudness
- sound quality
- abnormal
- 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
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种电机异响机器学习检测方法,包括如下步骤:S1:搭建一支持向量机模型;S2:训练所述支持向量机模型;S3:实时采集电机的声音信号;S4:根据采集到的声音信号计算声品质特征向量;S5:对所述声品质特征向量进行标准化预处理后,输入所述支持向量机模型;S6:输出预测结果以识别电机工作状态。本发明充分利用了声音信号频域宽的优点,提取电机声品质特征向量作为预测样本,并利用支持向量机模型进行二分类判断,达到很高的异响判断准确率。
Description
技术领域
本发明涉及机器学习技术领域,特别是涉及一种电机异响机器学习检测方法。
背景技术
电机异响是电机质量管控中十分重要的问题。传统的电机异响分析判断方法主要为振动信号分析法,通过采集电机振动信号,对振动信号频率域比对进行分析,但是振动信号的频带受限,一般振动传感器频率范围在10000Hz以内,做频谱分析时分析准确率较低。
发明内容
为了克服上述技术问题,本发明提供了一种电机异响机器学习检测方法,以提高电机异响判断准确率。
为实现上述目的,本发明采用如下技术方案:
一种电机异响机器学习检测方法,包括如下步骤:
S1:搭建一支持向量机模型;
S2:训练所述支持向量机模型;
S3:实时采集电机的声音信号;
S4:根据采集到的声音信号计算声品质特征向量;
S5:对所述声品质特征向量进行标准化预处理后,输入所述支持向量机模型;
S6:输出预测结果以识别电机工作状态。
优选地,所述声品质特征向量中,声品质参数包括但不限于响度N、尖锐度S、粗糙度R、起伏度F。
优选地,所述响度的计算公式如下:
其中,N'为特征响度,即一个临界频带内的响度;N为总响度,即在整个可听域上每个特征响度的和;从0-16kHz范围内划分为24个临界频带,用Bark来作为临界频带的单位,1Bark代表一个临界频带的带宽。
优选地,所述尖锐度的计算公式如下:
其中,S为尖锐度;N'为特征响度,即一个临界频带内的响度;N为总响度,即在整个可听域上每个特征响度的和;g是加权函数,形式为
优选地,所述粗糙度的计算公式如下:
其中,R为粗糙度;fmod是调制频率;△L是掩蔽深度。
优选地,所述起伏度的计算公式如下:
其中,F为起伏度;fmod是调制频率;△L是掩蔽深度。
优选地,每一个所述声音信号可以计算得到一个所述声品质特征向量,所述声品质特征向量的声品质参数至少为2个。
优选地,所述步骤S2,包括如下步骤
S201:建立电机训练数据集,所述电机训练数据集包含正例样本和负例样本;
S202:找到一个分离超平面w·x+b=0,记作(w,b),把正例样本点和负例样本点分开,并且离超平面最近的正例样本点和负例样本点,两点之间的距离最大;
设超平面(w,b)关于样本点(xi,yi)的几何间隔为
电机训练数据集关于超平面(w,b)的几何间隔为
此时求最大间隔分类超平面问题,可表示为约束最优化问题:
其等价于
s.t.yi(wxi+b)≥1,i=1,2,...N。
求解上述约束最优化问题,即得到训练好的支持向量机模型。
优选地,所述步骤S201包括如下步骤;
对预先准备的,标记为“正常”或“异响”的电机通电运行,进行电机声音信号的采集;
通过所述电机声音信号计算得到声品质特征向量;
对所述声品质特征向量进行标准化预处理后得到电机训练数据集
T={(x1,y1),(x2,y2),···,(xN,yN)}
其中,(xi,yi)是样本点,xi为第i个标准化预处理的声品质特征向量,yi∈{+1,-1},其中yi=+1表示“正常”,称xi为正例,yi=-1表示“异响”,称xi为负例,i=1,2,…,N。
优选地,所述标准化预处理,包括如下步骤:
设有N个声品质特征向量;
每一个声品质特征向量参数减去所有该参数的均值,再除以所有该参数的标准差。
本发明的有益效果为:
本发明充分发挥了电机声音信号频域宽的优点,从电机声音信号中提取出声品质特征向量作为预测样本,并利用支持向量机模型进行二分类判断,达到较高的电机异响判断准确率。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
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的部分实施例,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为本发明实施例一种电机异响机器学习检测方法的流程示意图;
图2为本发明实施例一种电机异响机器学习检测方法的声品质特征向量参数为(响度,粗糙度)的支持向量机模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S1、S2等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。
下面将结合具体实施例对本发明请求保护的一种电机异响机器学习检测方法作进一步地详细阐述。
请参阅图1,图1示出了本发明实施例一种电机异响机器学习检测方法的流程示意图,如图1所示,本发明实施例一种电机异响机器学习检测方法,包括如下步骤:
一种电机异响机器学习检测方法,包括如下步骤:
S1:搭建一支持向量机模型;
S2:训练所述支持向量机模型;
S3:实时采集电机的声音信号;
S4:根据采集到的声音信号计算声品质特征向量;
S5:对所述声品质特征向量进行标准化预处理后,输入所述支持向量机模型;
S6:输出预测结果以识别电机工作状态。
支持向量机模型通过预先准备的训练数据集,训练模型参数,然后使用训练后的模型可以预测新的声音信号的分类。具体的,本发明基于支持向量机模型,利用声音信号的声品质特征,对电机异响问题进行二分类预测。首先,将采集到的电机实时声音信号转换为声品质特征向量后进行标准化预处理,将标准化预处理结果输入支持向量机模型,得到支持向量机模型的二分类输出值。例如,值为正数,表示电机工作状态正常;值为负数,表示电机工作状态异常。
需要说明的是,电机异响是人们听觉的主观感受,具体表现为声品质,即声音被人们听到后舒服或不舒服的整体主观感受。本发明根据声音信号计算声品质参数得到声品质特征向量,可以对人们听觉主观感受进行有效的客观评价。
优选地,所述声品质特征向量中,声品质参数包括但不限于响度N、尖锐度S、粗糙度R、起伏度F。将声品质参数作为支持向量机模型的声学特征。
优选地,所述响度的计算公式如下:
其中,N'为特征响度,即一个临界频带内的响度;N为总响度,即在整个可听域上每个特征响度的和;从0-16kHz范围内划分为24个临界频带,用Bark来作为临界频带的单位,1Bark代表一个临界频带的带宽。
需要说明的是,响度定量反映人耳对声音强弱主观感受程度,是人们对声音感知影响最大的一个参量。当某一待测纯音和1kHz纯音听起来同样响时,这时该1kHz纯音的声压级就定义为该待测纯音的响度级,记作LN,单位为phon。以40phon响度级的响度N为1sone,听者判断为其2倍响的为2sone,以此类推。
优选地,所述尖锐度的计算公式如下:
其中,S为尖锐度;N'为特征响度,即一个临界频带内的响度;N为总响度,即在整个可听域上每个特征响度的和;g是加权函数,形式为
需要说明的是,尖锐度反应人耳对高频成分的主观感受,考察高频成分与低频成分的比例,单位为acum。声压级为60dB,中心频率为1kHz的临界频带的尖锐度定义为1acum。
优选地,所述粗糙度的计算公式如下:
其中,R为粗糙度;fmod是调制频率;△L是掩蔽深度。
需要说明的是,粗糙度适用于评价20~200Hz调制频率的声音,反映信号的调制幅度大小、调制频率分布等特征,单位为asper。60dB、1kHz的纯音经100%幅度调制及70Hz频率调制后的声音的粗糙度定义为1asper。
优选地,所述起伏度的计算公式如下:
其中,F为起伏度;fmod是调制频率;△L是掩蔽深度。
需要说明的是,起伏度描述人耳主观感受到的声音信号响亮起伏程度,单位为vacil。60dB、1kHz的纯音经100%幅度调制后的声音的起伏度定义为1vacil。
优选地,每一个所述声音信号可以计算得到一个所述声品质特征向量,所述声品质特征向量的声品质参数至少为2个。具体的,采集的电机声音信号用上述方法算得声品质特征向量的声品质参数至少为2个。当声品质特征向量表示为x=(N,S,R,F)时,声品质参数分别对应响度、尖锐度、粗糙度和起伏度。每一个声音信号可得到一个声品质特征向量。对于有的电机,声品质特征向量取两个参数构建支持向量机模型,就已经能够很好地分类电机异响。比如,对某种机器人关节电机,可以取响度和粗糙度训练模型,这时声品质特征向量表示为x=(N,R)的二维向量。
优选地,所述步骤S2,包括如下步骤
S201:建立电机训练数据集,所述电机训练数据集包含正例样本和负例样本;
S202:支持向量机的目标找到一个分离超平面w·x+b=0,记作(w,b),把正例样本点和负例样本点分开,并且离超平面最近的正例样本点和负例样本点,两点之间的距离最大;
设超平面(w,b)关于样本点(xi,yi)的几何间隔为
电机训练数据集关于超平面(w,b)的几何间隔为
此时求最大间隔分类超平面问题,可表示为约束最优化问题:
其等价于
s.t.yi(wxi+b)≥1,i=1,2,...N。
求解上述约束最优化问题,即得到训练好的支持向量机模型。
对于有的电机,声品质特征向量取两个参数构建支持向量机模型,就已经能够很好地分类电机异响。比如,对某种机器人关节电机,如图2所示,取响度和粗糙度训练模型,这时声品质特征向量为x=(N,R)的二维向量,对应图2中的两个坐标轴,分类超平面在二维情况下变成分类直线,它把10个正例样本点和7个负例样本点完全分开。
优选地,所述步骤S201包括如下步骤;
对预先准备的,标记为“正常”或“异响”的电机通电运行,进行电机声音信号的采集;
通过所述电机声音信号计算得到声品质特征向量;
具体的,使用一批已经预标记好“正常”或“异响”标签的电机,通电运行采集声音信号,然后保存为文件。对上述文件进行处理,即提取出声品质特征向量。
对所述声品质特征向量进行标准化预处理后得到电机训练数据集,
T={(x1,y1),(x2,y2),···,(xN,yN)};
其中,(xi,yi)是样本点,xi为第i个标准化预处理的声品质特征向量,yi∈{+1,-1},其中yi=+1表示“正常”,称xi为正例,yi=-1表示“异响”,称xi为负例,i=1,2,…,N。
优选地,每一个声品质特征向量都要做标准化预处理,方便支持向量机模型训练。所述标准化预处理,包括如下步骤:
设有N个声品质特征向量;
每一个声品质特征向量参数减去所有该参数的均值,再除以所有该参数的标准差。
与现有技术相比,本发明实施例一种电机异响机器学习检测方法具有如下有益效果:
本发明实施例一种电机异响机器学习检测方法,充分利用了声音信号频域宽的优点,提取电机声品质特征向量作为预测样本,并利用支持向量机模型进行二分类判断,达到很高的异响判断准确率。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (10)
1.一种电机异响机器学习检测方法,其特征在于,包括如下步骤:
S1:搭建一支持向量机模型;
S2:训练所述支持向量机模型;
S3:实时采集电机的声音信号;
S4:根据采集到的声音信号计算声品质特征向量;
S5:对所述声品质特征向量进行标准化预处理后,输入所述支持向量机模型;
S6:输出预测结果以识别电机工作状态。
2.根据权利要求1所述的一种电机异响机器学习检测方法,其特征在于,所述声品质特征向量中,声品质参数包括但不限于响度N、尖锐度S、粗糙度R、起伏度F。
7.根据权利要求2所述的一种电机异响机器学习检测方法,其特征在于,每一个所述声音信号可以计算得到一个所述声品质特征向量,所述声品质特征向量的声品质参数至少为2个。
8.根据权利要求1所述的一种电机异响机器学习检测方法,其特征在于,所述步骤S2,包括如下步骤
S201:建立电机训练数据集,所述电机训练数据集包含正例样本和负例样本;
S202:找到一个分离超平面w·x+b=0,记作(w,b),把正例样本点和负例样本点分开,并且离超平面最近的正例样本点和负例样本点,两点之间的距离最大;
设超平面(w,b)关于样本点(xi,yi)的几何间隔为
电机训练数据集关于超平面(w,b)的几何间隔为
此时求最大间隔分类超平面问题,可表示为约束最优化问题:
其等价于
s.t.yi(wxi+b)≥1, i=1,2,...N。
求解上述约束最优化问题,即得到训练好的支持向量机模型。
9.根据权利要求8所述的一种电机异响机器学习检测方法,其特征在于,所述步骤S201包括如下步骤;
对预先准备的,标记为“正常”或“异响”的电机通电运行,进行电机声音信号的采集;
通过所述电机声音信号计算得到声品质特征向量;
对所述声品质特征向量进行标准化预处理后得到电机训练数据集
T={(x1,y1),(x2,y2),···,(xN,yN)}
其中,(xi,yi)是样本点,xi为第i个标准化预处理的声品质特征向量,yi∈{+1,-1},其中yi=+1表示“正常”,称xi为正例,yi=-1表示“异响”,称xi为负例,i=1,2,…,N。
10.根据权利要求9所述的一种电机异响机器学习检测方法,其特征在于,所述标准化预处理,包括如下步骤:
设有N个声品质特征向量;
每一个声品质特征向量参数减去所有该参数的均值,再除以所有该参数的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678057.3A CN114358321A (zh) | 2021-12-31 | 2021-12-31 | 一种电机异响机器学习检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678057.3A CN114358321A (zh) | 2021-12-31 | 2021-12-31 | 一种电机异响机器学习检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358321A true CN114358321A (zh) | 2022-04-15 |
Family
ID=81105649
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678057.3A Pending CN114358321A (zh) | 2021-12-31 | 2021-12-31 | 一种电机异响机器学习检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358321A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2622922A (en) * | 2022-08-01 | 2024-04-03 | Bosch Gmbh Robert | Method for operating an actuator device having an electric machine, apparatus for operating an actuator device having an electric machine, actuator device |
-
2021
- 2021-12-31 CN CN202111678057.3A patent/CN114358321A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2622922A (en) * | 2022-08-01 | 2024-04-03 | Bosch Gmbh Robert | Method for operating an actuator device having an electric machine, apparatus for operating an actuator device having an electric machine, actuator device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111064327B (zh) | 一种基于声品质的驱动电机优化方法及*** | |
EP1569422B1 (en) | Method and apparatus for multi-sensory speech enhancement on a mobile device | |
CN101023469A (zh) | 数字滤波方法和装置 | |
CN109724811B (zh) | 一种乘坐室声品质的结构传递路径检测*** | |
CN114155879B (zh) | 一种利用时频融合补偿异常感知及稳定性的异音检测方法 | |
WO2007046504A1 (ja) | 聴診心音信号の処理方法及び聴診装置 | |
CN105448291A (zh) | 基于语音的帕金森症检测方法及检测*** | |
CN110234279B (zh) | 表征睡眠呼吸障碍的方法 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN110946554A (zh) | 咳嗽类型识别方法、装置及*** | |
CN103578479A (zh) | 基于听觉掩蔽效应的语音可懂度测量方法 | |
CN114358321A (zh) | 一种电机异响机器学习检测方法 | |
CN105916090A (zh) | 一种基于智能化语音识别技术的助听器*** | |
CN115346561A (zh) | 基于语音特征的抑郁情绪评估预测方法及*** | |
CN117041847B (zh) | 用于助听器中自适应传声器匹配方法及*** | |
CN108919962B (zh) | 基于脑机数据集中处理的辅助钢琴训练方法 | |
JP3922061B2 (ja) | 音質評価装置及び音質評価方法 | |
CN111554325B (zh) | 一种嗓音识别方法及*** | |
Kates et al. | Integrating cognitive and peripheral factors in predicting hearing-aid processing effectiveness | |
WO2023060542A1 (zh) | 轴承故障检测方法及存储介质 | |
JPH1123411A (ja) | 異音判定装置及び異音判定方法 | |
CN111862991A (zh) | 一种婴儿哭声的识别方法及*** | |
CN115002642A (zh) | 一种基于听觉掩蔽结合svd-mrmr的扬声器异常声的特征提取方法 | |
CN110580917B (zh) | 一种语音数据质量检测方法、装置、服务器及存储介质 | |
CN106710602A (zh) | 一种声学混响时间估计方法和装置 |
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 |