CN115602196B - 一种固定转速电机的异响声识别***及方法 - Google Patents
一种固定转速电机的异响声识别***及方法 Download PDFInfo
- Publication number
- CN115602196B CN115602196B CN202211587555.1A CN202211587555A CN115602196B CN 115602196 B CN115602196 B CN 115602196B CN 202211587555 A CN202211587555 A CN 202211587555A CN 115602196 B CN115602196 B CN 115602196B
- Authority
- CN
- China
- Prior art keywords
- audio data
- abnormal sound
- abnormal
- audio
- speed motor
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000002950 deficient Effects 0.000 claims abstract description 81
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 230000005236 sound signal Effects 0.000 claims description 26
- 238000009795 derivation Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
-
- 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
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及音频处理技术领域,具体为一种固定转速电机的异响声识别***及方法。一种固定转速电机的异响声识别方法,包括L1.获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,分别计算三组音频数据的信号强度,将信号强度最强的一组音频数据作为待识别音频数据;L2.对所述待识别音频数据进行异常音特征识别,在所述待识别音频数据上截取与所述异常音特征对应的异常音频段;L3.将所述异常音频段转换成特征图谱;L4.将所述特征图谱输入深度卷积神经网络模型,得到对应固定转速电机的良品概率和不良品概率;L5.通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品。本发明能够快速准确地对固定转速电机的异响声进行识别。
Description
技术领域
本发明涉及音频处理技术领域,具体为一种固定转速电机的异响声识别***及方法。
背景技术
电机是人类工业文明中必不可少的存在,玩具、家用电器、医疗器械、交通轨道运输等等都离不开电机。电机内部结构复杂,在运行过程中转子动平衡不良、轴承受力不均、齿轮咬合、马达转配等等原因都会引起振动导致产生异响。例如在电机装配及运行中,可能会存在个别齿轮磨损,磨损后由于齿轮间不均匀的摩擦会产生异响声。
现有技术一般采用人工听音的方式对电机的异响声进行识别以确定相应电机是否能够正常使用(即是不是良品),但由于人耳之间结构不同,对声音判定也会存在差异,可能会导致多人对同一电机或同一人对同一电机的多次判定结果存在差异,且人为判定也更加容易受到环境干扰产生误判。因此,如何对电机的异响声进行快速准确识别以确定相应电机能否正常使用是目前亟需解决的技术难题。
发明内容
本发明针对现有技术存在的问题,提出了一种固定转速电机的异响声识别***及方法,能够快速准确地对固定转速电机的异响声进行识别。
本发明解决其技术问题所采用的技术方案是:一种固定转速电机的异响声识别方法,包括以下步骤:
L1.获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据;
L2.对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段;
L3.将所述异常音频段转换成特征图谱;
L4.将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率;
L5.通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品。
作为优选,所述L1中音频数据的信号强度的计算步骤包括
L11.将所述音频数据分隔成多个子音频,并随机筛选取出N个子音频;
L12分别计算每个子音频段的信号强度以得到N个子信号强度;
L13计算N个子信号强度的平均值以作为所述音频数据的信号强度。
作为优选,所述L2中异常音特征识别的具体步骤包括
L21.对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号;
L22.通过希尔伯特变换计算得到每一音频信号的信号包络;
L23.对信号包络进行一维微分求导以确定异常音特征点;
L24.根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置。
作为优选,所述L3中所述异常音频段通过短时傅里叶变换转换成特征图谱。
作为优选,所述L5中当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
一种固定转速电机的异响声识别***,包括
音频数据获取单元,用于获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据;
异常音频段获取单元,用于对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段;
特征图谱形成单元,用于将所述异常音频段转换成特征图谱;
良品及不良品概率确定单元,用于将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率;
良品或不良品判定单元,用于通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品。
作为优选,所述音频数据获取单元包括
子音频获取子单元,用于将所述音频数据分隔成多个子音频,并随机筛选取出N个子音频;
信号强度计算子单元,用于分别计算每个子音频段的信号强度以得到N个子信号强度;
信号强度确定子单元,用于计算N个子信号强度的平均值以作为所述音频数据的信号强度。
作为优选,所述异常音频段获取单元包括
音频信号获取子单元,用于对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号;
信号包络计算子单元,用于通过希尔伯特变换计算得到每一音频信号的信号包络;
异常音特征点获取子单元,用于对信号包络进行一维微分求导以确定异常音特征点;
异常音时域位置确定子单元,用于根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置。
作为优选,所述特征图谱形成单元通过短时傅里叶变换将所述异常音频段转换成特征图谱。
作为优选,所述良品或不良品判定单元当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
有益效果
本发明实施例的异响声识别***及方法通过先提取X轴方向、Y轴方向以及Z轴方向上信号强度最强的一组待识别音频数据,然后根据异常音特征在待识别音频数据上截取具有异常音的的异常音频段,接着将异常音频段转换成特征图谱,再接着通过深度卷积神经网络模型并结合特征图谱来确定对应固定转速电机的良品概率和不良品概率,最后通过良品概率和不良品概率判定对应固定转速电机为良品或不良品,相比人工识别异响声的方式,本实施例的识别算法方式,能够有效提高异响声的识别准确度。
附图说明
图1为本发明实施例中固定转速电机的异响声识别方法的流程图;
图2为本发明实施例中固定转速电机的异响声识别***的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
实施例1:如图1所示,一种固定转速电机的异响声识别方法,包括以下步骤:
L1.获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据。
声波的传播方向与电机的振动方向一致,当电机因某种原因(例如,转子动平衡不良、轴承受力不均等情况)在X轴方向上产生振动时,则声波在X轴方向上的信号强度较强,在Y轴方向以及Z轴方向上的信号强度较弱,如果此时随意使用某一方向上的音频数据(如Y轴方向或Z轴方向),那么有可能该组音频数据因信号强度太弱而导致后续不能进行有效识别或者导致最终的识别结果不准。为此,本实施例对X轴方向、Y轴方向以及Z轴方向上的音频数据均进行采集,并通过比较三组音频数据的信号强度来获得信号强度最强的音频数据,以作为进行下一步处理的待识别音频数据。
具体的,所述L1中音频数据的信号强度的计算步骤包括L11.将所述音频数据分隔成多个子音频,并随机筛选取出N个(可以是3个)子音频。L12.分别计算每个子音频段的信号强度以得到N个子信号强度。L13.计算N个子信号强度的平均值以作为所述音频数据的信号强度。
当电机振动方向在X轴上时,X轴上的音频数据的信号强度与Y轴及Z轴上的音频数据的信号强度是有很大区别的,所以只需要通过比较部分音频段的信号强度即可。为此,本实施例不对整段音频数据都计算信号强度,而是只计算部分音频数据段的信号强度,进而有效降低了计算量。
L2.对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段。
电机正常工作时其产生的音频信号为单个正弦波或多个正弦波的叠加,异常音的表现形式为在正弦波上形成一个明显的异常突变。将具有异常突变的音频段截取下来作为异常音频段,并使用异常音频段来进行识别分类,相比直接使用整个音频数据进行识别分类,其识别准确度会得到有效提高。
具体的,所述L2中异常音特征识别的具体步骤包括L21.对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号,该步骤能够将一个复杂的待识别音频数据分解为多个较为简单的音频信号,以方便后续信号包络的计算。L22.通过希尔伯特变换计算得到每一音频信号的信号包络,信号包络为音频信号上各波峰点的连线和各波谷点的连线,由于L21已进行同频带滤波,所以正常情况下音频信号的信号包络是较为平稳的,而当音频信号上存在异常音时,信号包络在异常音位置会具有突变。L23.对信号包络进行一维微分求导以确定异常音特征点,当信号包络某一位置具有异常音时,该位置的求导值与其附近位置的求导值就会有明显差异,进而能够确定该位置为异常音特征点。L24.根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置,即异常音在待识别音频数据上出现的时间。根据这个时间,可以在待识别音频数据上截取到与异常音特征对应的异常音频段,且一个待识别音频数据上通常能够截取到多个异常音频段。
L3.将所述异常音频段转换成特征图谱。具体的,所述异常音频段通过短时傅里叶变换转换成特征图谱。把异常音频转换成特征图谱,可以简化数据,剔除数据中可能存在的与目标无关的信息,进而能够进一步提高识别的准确度。
L4.将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率。在正式识别之前,需要通过一定数量的特征图谱训练深度卷积神经网络模型,使深度卷积神经网络模型能够准确地识别得到固定转速电机的良品概率和不良品概率。具体如何训练深度卷积神经网络模型为现有技术。
L5.通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品。
具体的,所述L5中当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
深度卷积神经网络模型会同时输出固定转速电机的良品概率和不良品概率,例如输出结果为(0.9,0.3),则表示固定转速电机的良品概率为90%、不良品概率为30%。在本实施例中需要人为预先设置良品率阈值和不良品率阈值,例如良品率阈值为0.8、不良品率阈值为0.15,那么只有当输出结果的良品概率大于0.8且不良品概率小于0.15,才会判定固定转速电机为良品,否则判定固定转速电机为不良品。此处,当输出结果为(0.9,0.3)时,则固定转速电机为不良品。
本发明实施例的异响声识别方法通过先提取X轴方向、Y轴方向以及Z轴方向上信号强度最强的一组待识别音频数据,然后根据异常音特征在待识别音频数据上截取具有异常音的的异常音频段,接着将异常音频段转换成特征图谱,再接着通过深度卷积神经网络模型并结合特征图谱来确定对应固定转速电机的良品概率和不良品概率,最后通过良品概率和不良品概率判定对应固定转速电机为良品或不良品,相比人工识别异响声的方式,本实施例的识别算法方式,能够有效提高异响声的识别准确度。且相比变速电机,本实施例的识别算法应用于固定转速电机的效果更佳,即对固定转速电机的异响声的识别效果更好。
实施例2:如图2所示,一种固定转速电机的异响声识别***,包括音频数据获取单元,异常音频段获取单元,特征图谱形成单元,良品及不良品概率确定单元和良品或不良品判定单元。
音频数据获取单元用于获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据。
声波的传播方向与电机的振动方向一致,当电机因某种原因(例如,转子动平衡不良、轴承受力不均等情况)在X轴方向上产生振动时,则声波在X轴方向上的信号强度较强,在Y轴方向以及Z轴方向上的信号强度较弱,如果此时随意使用某一方向上的音频数据(如Y轴方向或Z轴方向),那么有可能该组音频数据因信号强度太弱而导致后续不能进行有效识别或者导致最终的识别结果不准。为此,本实施例对X轴方向、Y轴方向以及Z轴方向上的音频数据均进行采集,并通过比较三组音频数据的信号强度来获得信号强度最强的音频数据,以作为进行下一步处理的待识别音频数据。
具体的,所述音频数据获取单元包括子音频获取子单元,信号强度计算子单元和信号强度确定子单元。子音频获取子单元用于将所述音频数据分隔成多个子音频,并随机筛选取出N个子音频。信号强度计算子单元用于分别计算每个子音频段的信号强度以得到N个子信号强度。信号强度确定子单元用于计算N个子信号强度的平均值以作为所述音频数据的信号强度。
当电机振动方向在X轴上时,X轴上的音频数据的信号强度与Y轴及Z轴上的音频数据的信号强度是有很大区别的,所以只需要通过比较部分音频段的信号强度即可。为此,本实施例不对整段音频数据都计算信号强度,而是只计算部分音频数据段的信号强度,进而有效降低了计算量。
异常音频段获取单元用于对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段。
电机正常工作时其产生的音频信号为单个正弦波或多个正弦波的叠加,异常音的表现形式为在正弦波上形成一个明显的异常突变。将具有异常突变的音频段截取下来作为异常音频段,并使用异常音频段来进行识别分类,相比直接使用整个音频数据进行识别分类,其识别准确度会得到有效提高。
具体的,所述异常音频段获取单元包括音频信号获取子单元,信号包络计算子单元,异常音特征点获取子单元和异常音时域位置确定子单元。音频信号获取子单元用于对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号,该步骤能够将一个复杂的待识别音频数据分解为多个较为简单的音频信号,以方便后续信号包络的计算。信号包络计算子单元用于通过希尔伯特变换计算得到每一音频信号的信号包络,信号包络为音频信号上各波峰点的连线和各波谷点的连线,由于先前已进行同频带滤波,所以正常情况下音频信号的信号包络是较为平稳的,而当音频信号上存在异常音时,信号包络在异常音位置会具有突变。异常音特征点获取子单元用于对信号包络进行一维微分求导以确定异常音特征点,当信号包络某一位置具有异常音时,该位置的求导值与其附近位置的求导值就会有明显差异,进而能够确定该位置为异常音特征点。异常音时域位置确定子单元用于根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置,即异常音在待识别音频数据上出现的时间。根据这个时间,可以在待识别音频数据上截取到与异常音特征对应的异常音频段,且一个待识别音频数据上通常能够截取到多个异常音频段。
特征图谱形成单元用于将所述异常音频段转换成特征图谱。具体的,所述特征图谱形成单元通过短时傅里叶变换将所述异常音频段转换成特征图谱。把异常音频转换成特征图谱,可以简化数据,剔除数据中可能存在的与目标无关的信息,进而能够进一步提高识别的准确度。
良品及不良品概率确定单元用于将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率。在正式识别之前,需要通过一定数量的特征图谱训练深度卷积神经网络模型,使深度卷积神经网络模型能够准确地识别得到固定转速电机的良品概率和不良品概率。具体如何训练深度卷积神经网络模型为现有技术。
良品或不良品判定单元用于通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品。
具体的,所述良品或不良品判定单元当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
深度卷积神经网络模型会同时输出固定转速电机的良品概率和不良品概率,例如输出结果为(0.9,0.3),则表示固定转速电机的良品概率为90%、不良品概率为30%。在本实施例中需要人为预先设置良品率阈值和不良品率阈值,例如良品率阈值为0.8、不良品率阈值为0.15,那么只有当输出结果的良品概率大于0.8且不良品概率小于0.15,才会判定固定转速电机为良品,否则判定固定转速电机为不良品。此处,当输出结果为(0.9,0.3)时,则固定转速电机为不良品。
本发明实施例的异响声识别***通过先提取X轴方向、Y轴方向以及Z轴方向上信号强度最强的一组待识别音频数据,然后根据异常音特征在待识别音频数据上截取具有异常音的的异常音频段,接着将异常音频段转换成特征图谱,再接着通过深度卷积神经网络模型并结合特征图谱来确定对应固定转速电机的良品概率和不良品概率,最后通过良品概率和不良品概率判定对应固定转速电机为良品或不良品,相比人工识别异响声的方式,本实施例的识别算法方式,能够有效提高异响声的识别准确度。且相比变速电机,本实施例的识别算法应用于固定转速电机的效果更佳,即对固定转速电机的异响声的识别效果更好。
上面所述的实施例仅是对本发明的优选实施方式进行描述,并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下,本领域普通人员对本发明的技术方案做出的各种变型和改进,均应落入到本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (8)
1.一种固定转速电机的异响声识别方法,特征在于:包括以下步骤:
L1.获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据;
L2.对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段;
L3.将所述异常音频段转换成特征图谱;
L4.将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率;
L5.通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品;
所述L2中异常音特征识别的具体步骤包括
L21.对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号;
L22.通过希尔伯特变换计算得到每一音频信号的信号包络;
L23.对信号包络进行一维微分求导以确定异常音特征点;
L24.根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置。
2.根据权利要求1所述的一种固定转速电机的异响声识别方法,特征在于:所述L1中音频数据的信号强度的计算步骤包括
L11.将所述音频数据分隔成多个子音频,并随机筛选取出N个子音频;
L12.分别计算每个子音频段的信号强度以得到N个子信号强度;
L13.计算N个子信号强度的平均值以作为所述音频数据的信号强度。
3.根据权利要求1所述的一种固定转速电机的异响声识别方法,特征在于:所述L3中所述异常音频段通过短时傅里叶变换转换成特征图谱。
4.根据权利要求1所述的一种固定转速电机的异响声识别方法,特征在于:所述L5中当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
5.一种固定转速电机的异响声识别***,特征在于:包括
音频数据获取单元,用于获取固定转速电机在X轴方向、Y轴方向以及Z轴方向上的三组音频数据,并分别计算三组音频数据的信号强度,且将信号强度最强的一组音频数据作为待识别音频数据;
异常音频段获取单元,用于对所述待识别音频数据进行异常音特征识别,并在所述待识别音频数据上截取与所述异常音特征对应的异常音频段;
特征图谱形成单元,用于将所述异常音频段转换成特征图谱;
良品及不良品概率确定单元,用于将所述特征图谱输入深度卷积神经网络模型,以得到对应固定转速电机的良品概率和不良品概率;
良品或不良品判定单元,用于通过所述良品概率和不良品概率确定对应固定转速电机为良品或不良品;
所述异常音频段获取单元包括
音频信号获取子单元,用于对所述待识别音频数据分频带滤波以得到多个不同频带的音频信号;
信号包络计算子单元,用于通过希尔伯特变换计算得到每一音频信号的信号包络;
异常音特征点获取子单元,用于对信号包络进行一维微分求导以确定异常音特征点;
异常音时域位置确定子单元,用于根据所述异常音特征点确定所述待识别音频数据出现异常音的时域位置。
6.根据权利要求5所述的一种固定转速电机的异响声识别***,特征在于:所述音频数据获取单元包括
子音频获取子单元,用于将所述音频数据分隔成多个子音频,并随机筛选取出N个子音频;
信号强度计算子单元,用于分别计算每个子音频段的信号强度以得到N个子信号强度;
信号强度确定子单元,用于计算N个子信号强度的平均值以作为所述音频数据的信号强度。
7.根据权利要求5所述的一种固定转速电机的异响声识别***,特征在于:所述特征图谱形成单元通过短时傅里叶变换将所述异常音频段转换成特征图谱。
8.根据权利要求5所述的一种固定转速电机的异响声识别***,特征在于:所述良品或不良品判定单元当所述良品概率满足良品率阈值且所述不良品概率满足不良品率阈值时,判定对应所述固定转速电机为良品,否则判定对应所述固定转速电机为不良品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587555.1A CN115602196B (zh) | 2022-12-12 | 2022-12-12 | 一种固定转速电机的异响声识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211587555.1A CN115602196B (zh) | 2022-12-12 | 2022-12-12 | 一种固定转速电机的异响声识别***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115602196A CN115602196A (zh) | 2023-01-13 |
CN115602196B true CN115602196B (zh) | 2023-04-07 |
Family
ID=84853449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211587555.1A Active CN115602196B (zh) | 2022-12-12 | 2022-12-12 | 一种固定转速电机的异响声识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115602196B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969046A (zh) * | 2014-05-20 | 2014-08-06 | 北京康拓红外技术股份有限公司 | 一种与轮对轴承磨合机联用的轴承声学诊断***和方法 |
CN113763986A (zh) * | 2021-09-07 | 2021-12-07 | 山东大学 | 一种基于声音分类模型的空调内机异常声音检测方法 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN108447503B (zh) * | 2018-01-23 | 2021-08-03 | 浙江大学山东工业技术研究院 | 基于Hilbert-Huang变换的电机异音检测方法 |
CN111354366B (zh) * | 2018-12-20 | 2023-06-16 | 沈阳新松机器人自动化股份有限公司 | 一种异常声音检测方法及异常声音检测装置 |
CN110161388B (zh) * | 2019-06-10 | 2021-04-06 | 上海交通大学 | 一种高压设备的故障类型识别方法及其*** |
CN110890102A (zh) * | 2019-09-07 | 2020-03-17 | 创新奇智(重庆)科技有限公司 | 一种基于rnn声纹识别的发动机缺陷检测算法 |
CN112487865A (zh) * | 2020-11-02 | 2021-03-12 | 杭州兆华电子有限公司 | 一种基于机器学习的扬声器自动分类方法 |
CN113571092B (zh) * | 2021-07-14 | 2024-05-17 | 东软集团股份有限公司 | 一种发动机异响识别方法及其相关设备 |
KR102380541B1 (ko) * | 2021-10-06 | 2022-04-01 | 주식회사 위플랫 | 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법 |
-
2022
- 2022-12-12 CN CN202211587555.1A patent/CN115602196B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103969046A (zh) * | 2014-05-20 | 2014-08-06 | 北京康拓红外技术股份有限公司 | 一种与轮对轴承磨合机联用的轴承声学诊断***和方法 |
CN113763986A (zh) * | 2021-09-07 | 2021-12-07 | 山东大学 | 一种基于声音分类模型的空调内机异常声音检测方法 |
CN114444552A (zh) * | 2022-04-08 | 2022-05-06 | 新黎明科技股份有限公司 | 防爆电机轴承微弱故障诊断方法、介质、电子设备及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115602196A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402131B (zh) | 一种基于轨边声学信号时频脊线的高速列车运动参数识别方法 | |
CN102007403B (zh) | 识别轴承损坏的方法与装置 | |
CN108875170B (zh) | 一种基于改进变分模态分解的噪声源识别方法 | |
CN110426005A (zh) | 基于imf能量比的高速铁路钢轨波磨声学诊断方法 | |
CN107963239B (zh) | 一种基于音频的运载火箭故障检测装置及检测方法 | |
CN105547698A (zh) | 滚动轴承的故障诊断方法及装置 | |
WO2017199455A1 (ja) | 漏水判定装置及び漏水判定方法 | |
CN110173439B (zh) | 一种基于均衡平方包络谱的泵汽蚀初生识别方法 | |
CN106441896A (zh) | 滚动轴承故障模式识别及状态监测的特征向量提取方法 | |
CN110160765A (zh) | 一种基于声音或振动信号的冲击特征识别方法及*** | |
CN106872171A (zh) | 一种多普勒声学信号的自适应学习校正方法 | |
CN113343928A (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN112364706A (zh) | 一种基于类不平衡的小样本轴承故障诊断方法 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
CN116522074A (zh) | 一种基于自适应窗长时频峰值滤波的滚动轴承信号降噪方法 | |
CN115602196B (zh) | 一种固定转速电机的异响声识别***及方法 | |
JP3885297B2 (ja) | 異音判定装置及び異音判定方法 | |
CN109670459A (zh) | 直升机主减速器故障样本生成方法 | |
Zhang et al. | Fault diagnosis method based on MFCC fusion and SVM | |
CN107490477A (zh) | 基于频谱核密度函数相关性比较的齿轮箱故障诊断方法 | |
CN108398267B (zh) | 一种高速列车轨边运动参数自适应识别方法 | |
Pang et al. | The evolved kurtogram: a novel repetitive transients extraction method for bearing fault diagnosis | |
CN115655719A (zh) | 一种轴承振动信号分阶段降噪方法及轴承故障识别方法 | |
CN109738212B (zh) | 一种以频谱峭度为优化指标的自适应多普勒矫正方法 | |
CN105156901B (zh) | 一种基于小波分析的光纤预警***降噪方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |