一种设备异音的检测方法及检测装置制造方法及图纸

本发明专利技术公开了一种设备异音的检测方法及检测装置，该检测方法包括如下步骤：采集设备运行时的一声音信号；对采集的所述声音信号进行预处理，得到一声音处理信号；从所述声音处理信号中提取多个特征参数；对所提取的所述多个特征参数和数据库中的样本进行聚类分析和SVM线性分类；根据所述聚类分析和所述SVM线性分类结果预测所述声音信号是否为异音。本发明专利技术以聚类分析和SVM线性分类相结合的方式对设备异音进行检测，如此可以使声音样本在特征空间中大范围的非线性问题可以用聚类分析加以排除，小范围的满足线性假设的声音样本，用SVM线性分类进行分类运算。与现有技术相比，具有操作简单、预测精度高等优点。

【技术实现步骤摘要】

本专利技术涉及一种机器异音的检测方法及装置，尤指一种基于SVM线性分类和聚类分析的异音检测方法及装置。
技术介绍
异音的自动测试在过去几年一直都是工厂测试的难题。产品在正常工作中发出的噪音，是属于正常的噪音或是不正常的噪音(异音)，过去的生产测试都是以娴熟的作业人员来进行判断，包括对风扇、变压器、电源产品、投影仪、马达等设备进行的声音测试。声音测试必须依赖作业人员的判断，而人为因子又是一项检测系统中最难控制的要素，制约了产品质量零缺点目标的实现。同时必要的人员作业也限制了生产自动化的实现。现行的声音测试，有以下几种方式：使用声功率计。这种方式可以测量出音量的总功率或是总音量，如果总音量偏高了，可以检出为不良。但是声音异常通常是来自某一个分量的异常，功率计无法分辨出声音的组成成分。如果该异常的分量不是主要的功率分量，通常无法被检出。使用频谱仪测量。频谱仪可以查看每个频率的分量值，尤其适合于窄带信号的检出。例如蜂鸣器发出的单频音，可以很容易透过频谱仪检出。频谱分析也是目前工程单位使用来做异音判定的主要工具。然而大部分的异音模式是宽带噪音，在每个单一频率上的分量都不显著，因此频谱仪很难分辨出宽带噪音的形式，这种判定方式存在显著的误判率，无法提供高的检出有效性。使用声功率谱。该测量方式合并了声功率与频谱的测量，使用各种倍频程功率谱的计权方式来测量。这种测量方式较接近人耳对声音的响应，但是它的基本限制和前两项相同。正常噪音与异常噪音在功率谱的表现上差异微小，正常噪音的变动范围可能就超过了这个微小差距，使得检出能力很受限。使用声质量测量。包括用响度(Loudness)、粗糙度(roughness)、尖锐度(sharpness)等声质量因子进行测量。这些声质量的计权仿真了人因响应，将物理量转为人耳的感受，更贴近人对响度、粗糙度、尖锐度的感觉。然而这些声质量因子实际上无法有效表征出噪音的异常与否。它的本质上是在频谱或功率谱的基础上加权计算得出，其检测的限制因子与频谱或功率谱相同。使用加速规的共振解调技术。这是一种用振动替代异音测试的方法，在加速规的共振频率上，如果加上持续的激励存就会激发出加速规的共振。这个持续激励的来源就是异音。这个方法被证明在转动机械的异音测量中是有效的，尤其是培林异常者检出。培林异常时会激发出一连串宽带噪音，这些噪音的频率分量涵盖到了加速规的共振频率而激发共振。将共振频率信号解调可以得到激励源特征频率。这个方法在某些测试中视有效的，但是泛用性不高。对大多数的异常模式都无法进行有效检出。用标准无响室进行测量。这种测量方式需要一个标准无响室和一套等级很高的声音测量系统，优点是在无响室中的背景噪声被压制到很低，同时用低噪声的声音采集系统，可以将测量信号的背景噪声降到最低，这样可以对异音的宽带信号的鉴别能力提到最大。这个方法由于设备造价昂贵，只适合于研究分析时使用，很难于应用到生产制造环节中。然而，不论采用以上哪一种测试方式，既有的测试方式都要在得到的测量值上预定标准值。例如，频谱测量可以得到每个频率的响应值，一般的概念是研究分析正常与异常的产品，试着找出声音测量时在频谱上的规格值。然而异音的本质并不是单频音，而是同时产生各种宽带的分量，使得不同频率的分量不具备独立性，从学理上就无法设定每个频率分量的规格值。这个特性解释了为什么过去尝试用各种方式进行测量并建立规格，却始终无法找到有效的判定方式。基于上述，由于频率分量间的相依性，要建立合理的规格值，不能针对每个频率分量去分析，应该至少对各分量的线性组合进行分析。因此现有引用统计的线性分类算法进行分类分析。线性分类器的算法，需要先建立良品样本与不良品样本。用已知良品特征与已知不良品特征，计算得到一个分类面，再用该分类面对待测样品进行分类判定。可以运用的统计分类算法有很多，包括线性回归、逻辑回归、生成学算法、贝叶斯算法、SVM分类算法等。在本项目中使用SVM(支持向量机)分类算法，SVM在很多论文中都认为具有较大的稳健性。统计分类算法不是对单独每个特征去计算规格，而是对特征的线性组合进行分类判定，这样比较符合异音是多频谱本质的基本原理。经过实验初步分析，SVM确实能有效地对给定的数据库样品音进行判定。实际在运用时，发现有些显著异常的声音在分类算法中会错判。一种可能的原因是SVM是一种教导学习算法，它需要从数据库的教导中学习分类面的建构，所以将这些错判音加入数据库中或许可以解决问题。然而实际上这些显著异常的声音加入样品数据库中，反而却混淆了分类面，并降低了SVM分类的有效性。探讨这个现象，可能的原因是使用统计线性分类器，是基于假设分类对象的线性可分性，然而线性可分性实际上无法100％满足，在不满足线性可分性的条件时，SVM将无法进行正确分类判定。显著的异常音因为显著离群，在特征空间中与主要声音类别的分布较远，线性可分的假设不再成立，因此将它加入数据库中反而不利分类器的建构。
技术实现思路
针对现有技术存在的问题，本专利技术的目的在于提供一种自动检测设备异音的方法及装置。本专利技术的设备异音的检测方法，包括如下步骤：采集设备运行时的一声音信号；对采集的所述声音信号进行预处理，得到一声音处理信号；从所述声音处理信号中提取多个特征参数；对所提取的所述多个特征参数和数据库中的样本进行聚类分析和SVM线性分类；根据所述聚类分析和所述SVM线性分类结果预测所述声音信号是否为异音。进一步，对采集的所述声音信号进行预处理包括：将采集的所述声音信号依据麦克风的灵敏度转换为频域的标准声压值；利用加权因子对所述标准声压值进行校准处理。进一步，所述聚类分析包括：根据所提取的所述多个特征参数和所述数据库中的样本之间在特征空间的欧氏距离进行聚类分析；根据聚类分析的结果判断所述多个特征参数对应的所述声音信号和所述数据库中的样本之间是否离群。进一步，所述聚类分析进一步包括：计算所述多个特征参数与所述数据库中的样本之间在特征空间的欧氏距离；当所计算的所述欧氏距离大于或等于一阈值时，则所述聚类分析的结果为离群；当所计算的所欧氏距离小于所述阈值时，则所述聚类分析的结果为不离群。进一步，所述数据库中的样本包括正常声音样本和异常声音样本。进一步，所述检测方法还包括：建立设备正常声音样本和异常声音样本；根据所述正常声音样本中的特征参数和所述异常声音样本中的特征参数，计算得到在特征空间的一分类面。进一步，所述SVM线性分类包括：根据所提取的所述多个特征参数与所述分类面之间的位置关系进行SVM线性分类；根据SVM线性分类的结果判断所述多个特征参数对应的所述声音信号位于所述分类面的异常声音样本一侧或所述分类面的正常声音样本一侧。进一步，所述SVM线性分类进一步包括：计算所述多个特征参数与所述分类面的相对位置关系；当所述多个特征参数位于所述分类面的异常声音样本一侧，则将所述多个特征参数对应的所述声音信号归类为异常声音。进一步，当所述聚类分析的结果为离群，则根据所述聚类分析的结果预测所述声音信号为异音；当所述聚类分析的结果为不离群，则根据所述SVM线性分类的结果预测所述声音信号是否为异音。本专利技术的设备异音的检测装置，包括：采集单元，用于采集设备运行时的一声音信号；预处理单元，用于对采集的所述声音信号进行预处理，得本文档来自技高网...

【技术保护点】
一种设备异音的检测方法，包括如下步骤：采集设备运行时的一声音信号；对采集的所述声音信号进行预处理，得到一声音处理信号；从所述声音处理信号中提取多个特征参数；对所提取的所述多个特征参数和数据库中的样本进行聚类分析和SVM线性分类；根据所述聚类分析和所述SVM线性分类结果预测所述声音信号是否为异音。

【技术特征摘要】
1.一种设备异音的检测方法，包括如下步骤：采集设备运行时的一声音信号；对采集的所述声音信号进行预处理，得到一声音处理信号；从所述声音处理信号中提取多个特征参数；对所提取的所述多个特征参数和数据库中的样本进行聚类分析和SVM线性分类；根据所述聚类分析和所述SVM线性分类结果预测所述声音信号是否为异音。2.如权利要求1所述的检测方法，其特征在于，对采集的所述声音信号进行预处理包括：将采集的所述声音信号依据麦克风的灵敏度转换为频域的标准声压值；利用加权因子对所述标准声压值进行校准处理。3.如权利要求1所述的检测方法，其特征在于，所述聚类分析包括：根据所提取的所述多个特征参数和所述数据库中的样本之间在特征空间的欧氏距离进行聚类分析；根据聚类分析的结果判断所述多个特征参数对应的所述声音信号和所述数据库中的样本之间是否离群。4.如权利要求3所述的检测方法，其特征在于，所述聚类分析进一步包括：计算所述多个特征参数与所述数据库中的样本之间在特征空间的欧氏距离；当所计算的所述欧氏距离大于或等于一阈值时，则所述聚类分析的结果为离群；当所计算的所欧氏距离小于所述阈值时，则所述聚类分析的结果为不离群。5.如权利要求1所述的检测方法，其特征在于，所述数据库中的样本包括正常声音样本和异常声音样本。6.如权利要求5所述的检测方法，其特征在于，所述检测方法还包括：建立设备正常声音样本和异常声音样本；根据所述正常声音样本中的特征参数和所述异常声音样本中的特征参数，
\t计算得到在特征空间的一分类面。7.如权利要求6所述的检测方法，其特征在于，所述SVM线性分类包括：根据所提取的所述多个特征参数与所述分类面之间的位置关系进行SVM线性分类；根据SVM线性分类的结果判断所述多个特征参数对应的所述声音信号位于所述分类面的异常声音样本一侧或所述分类面的正常声音样本一侧。8.如权利要求7所述的检测方法，其特征在于，所述SVM线性分类进一步包括：计算所述多个特征参数与所述分类面的相对位置关系；当所述多个特征参数位于所述分类面的异常声音样本一侧，...

【专利技术属性】
技术研发人员：李柏霖，郭晓磊，
申请(专利权)人：中达电子零组件吴江有限公司，
类型：发明
国别省市：江苏;32