电机异音检测方法技术

本发明专利技术公开了电机异音检测方法，包括设定采样频率和采样时长t，进行音频信号采集，对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度M，将音频信号分为N帧信号；然后使用6层小波包提取音频特征；对小波包提取的音频特征做主成分分析获得特征向量等6个步骤。本发明专利技术可以辅助工人进行电机异音识别，提高检测效率并且保证产品的出厂质量，进而提高企业的整体的生产效率，降低企业的制造成本，同时了保护了工人的身体健康；可以有效地解决电机音频信号非稳态的问题，有效检测非稳态电机异音故障，识别准确率高。

Method for detecting abnormal sound of motor

The invention discloses a motor abnormal sound detection method, which includes setting sampling frequency and sampling time t, collecting audio signal, windowing audio signal by frame, setting frame length L of each frame and overlapping length M of adjacent two frames, dividing audio signal into N frames, and then extracting audio features by using six-layer wavelet packet. 6 steps are taken to extract the audio features from wave packets, principal component analysis and eigenvectors. The invention can assist workers to recognize the abnormal sound of motor, improve the detection efficiency and ensure the quality of the product, thereby improving the overall production efficiency of the enterprise, reducing the manufacturing cost of the enterprise, and protecting the health of the workers; can effectively solve the problem of the unsteady state of the motor audio signal and effectively detect the product. The abnormal sound fault of the unsteady motor has high recognition accuracy.

【技术实现步骤摘要】
电机异音检测方法
本专利技术涉及电机故障检测领域，特别是电机异音的检测方法。
技术介绍
我国是洗衣机、家用空调、电冰箱、电风扇等各类小型家电用电动机的主要产地，仅家用空调电机的年产量就逾数十亿台之多。在小型电机生产线上，产品下线之前普遍采用人工听音的方法分辨良、次品，即工人在隔音房内，用耳朵依次听取电机运行时的声音，通过工人的个人经验判断电机是否存在故障。由于需要人做主观判断，长期以来一直难以由自动化装置替代。并且评价者的个人经验，无法建立统一的评价标准，不同的评价者可能产生不同的结论。而大批量生产过程中该工序不仅要消耗大量劳动成本，而且重复、单调的听音工作极易引起人员疲劳，容易出现误判，若个别不良品混入整批成品中，会给工厂带来严重经济损失，甚至严重影响产品声誉。CN201510266743.8(公布号CN104992714A)披露了一种电机异音的检测方法，包括以下步骤：1、将电机处于空载状态下进行音频采集；2、将所采集到的电机的时域音频信号经傅里叶变换转换为频域波形；3、若电机的正常频域范围的最高值外存在波形，则认为该电机存在异音；若电机的正常频域范围的最高值外不存在波形，则表明此电机不存在异音。这种电机异音的检测方法的缺点在于：1、音频信号属于一种准稳态信号，即短时稳定；傅里叶变换是对稳态信号处理的常用手段，只能对稳态的信号进行信号特征提取；但是电机异音故障中，存在大量瞬时非稳态信号的故障样例；对于这些非稳态的信号，傅里叶变换无能为力。2、通过判断在指定的最高值之外是否存在波形来判断异音，不具备自适应能力，通用性不高：因为对于不同型号的电机产品就需要技术人员重新设定阈值；并且通过传感器采集音频信号时，传感器距离音源的远近也会影响阈值设定。3、无论是设置最大值还是比较波形图，都需要专业人员来判断，无法实现全自动识别。
技术实现思路
本专利技术的目的在于提供一种能够识非稳态信号的故障样例，通用性高，且故障识别过程中无需人员参与的电机异音检测方法。电机异音检测方法，包括以下步骤：步骤1、设定采样频率和采样时长t，将电机处于空载状态下进行音频信号采集；步骤2、对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度(帧移)M，将音频信号分为N帧信号；帧长L以每帧内的信号能看做稳态信号为宜，从而避免整段音频信号非稳态、时变的影响；步骤3、使用6层小波包提取音频特征；步骤4、对小波包提取的音频特征做主成分分析获得特征向量；步骤5、选取N个合格的电机音频样本，重复步骤2-4，分别提取每个合格的电机音频样本的特征向量，用合格的电机音频样本的特征向量训练支持向量机，获得合格样本的支持向量机；步骤6、进行电机异音诊断时，重复步骤1-4获得电机音频样本的特征向量，将特征向量输入支持向量机进行判别是否合格样本。进一步，步骤2中，帧长L＝1S，重叠长度M＝0.5s。进一步，步骤3中提取音频特征包含以下步骤：步骤3-1、对每帧信号进行6层小波包分解，计算第6层小波包各个节点能量E6,j(j＝0,1,2,3,…,63)，第6层小波包具有26个小波包节点；步骤3-2、对于每个节点能量E6,j进行归一化处理，归一化计算公式为：j表示第6层的第j个小波包节点；步骤3-3、得到归一化矩阵{λj，k}，其中，λj，k表示第k帧的第j个小波包节点的能量；归一化矩阵每一行的平均值α，{αj}形成列向量,列向量{αj}作为一个采样时长的音频的第一组特征，计算αj时，使j≥3，这是因为在电机异音信号中，小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围，人耳对该频段的信号不敏感；步骤3-4、求取归一化矩阵{λj，k}的每一行的峰-峰值β，{βj}形成列向量。选j≥3的峰-峰值βj作为一个采样时长的音频的第二组特征，βj＝max{λj,k|k＝1,2,3,...,59}-min{λj,k|k＝1,2,3,...,59},j＝3,4,5,...,63。因为在电机异音信号中，小波包节点(6,0)(6,1)(6,2)代表的频段属于超低频段范围，人耳对该频段的信号不敏感。进一步，步骤3-1中，选用db5小波基函数进行6层小波分解；将每帧信号f(t)在空间做投影得到：fj,n(t)＝∑k∈Zdj,n(t)uj,n,k(t)，其中，为小波包系数，{uj，n，k(t)}k∈Z为空间的标准正交基，j表示尺寸指标、是频域参数，k表示位置指标、是时间参数，n表示振荡次数，Z表示所有正整数；将第6层小波包节点按照频率从低到高进行排列，求取第6层小波包各个节点能量，计算公式为：其中，dj，k(j＝0，1，2，...，63，k＝1，2，3，...，n)表示S6，j的小波包系数。进一步，步骤4对音频特征做主成分分析包括以下步骤：步骤4-1、取M组样本，以每个样本的列向量{αj}作为矩阵的一列构建矩阵X，X＝{αj，n|j＝3，4，5，...，63，n＝1，2，3，...60}，n表示第n个样本；以每个样本的列向量{βj}作为矩阵的一列构建矩阵Y，Y＝{βj，n|j＝3，4，5，...63，n＝1，2，3，...60}，其中n表示第n个样本；M组样本中包含合格样本和故障样本；步骤4-2、将X和Y的每一行进行零均值化，即每行元素减去这一行的均值，得到零均值化矩阵和步骤4-3、求出协方差矩阵和步骤4-4、求出协方差矩阵Cα的特征值和特征向量，Cβ的特征值和特征向量；步骤4-5、将Cα的特征向量按Cα的特征值从大到小按行排列，取前16行形成矩阵Pα，将Cβ的特征向量按Cβ的特征值从大到小按行排列，取前16行形成矩阵Pβ，计算小波包特征αj经过主成分分析过后的特征向量λα，λα＝Pα*[α3，α4，α5，…，α63T；计算小波包特征βj经过主成分分析过后的特征向量μβ，μβ＝Pβ*[β3，β4，β5，...，β63]T。进一步，步骤5中，将每个样本的特征向量λα按行排列，每行代表一个样本，组成样本矩阵Mα，使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s2-n0.053-c2-g0.0018”，训练支持向量机，获得支持向量机模型SVM-Model1；将每个样本的特征向量μβ按行排列，每行代表一个样本，组成标签矩阵Mβ，使用“libsvm-mat-2.91-1”开源工具包，设置SVM的参数为“-s2-n0.071-c2-g0.0029”。训练支持向量机，获得支持向量机模型SVM-Model2。进一步，步骤6中，进行电机异音诊断时，获取电机在空载下的音频，提取电机音频的特征向量λα和特征向量μβ，分别使用支持向量机模型SVM-Modell和支持向量机模型SVM-Model2进行判别，当两个支持向量机模型都识别为合格时，该电机的音频判定为合格样本；只要有一个支持向量机模型识别为故障时，该电机的音频判定为故障样本。本专利技术的优点在于：1、可以辅助工人进行电机异音识别，提高检测效率并且保证产品的出厂质量，进而提高企业的整体的生产效率，降低企业的制造成本，同时了保护了工人的身体健康；2、可以有效地解决电机音频信号非稳态的问题，有效检测非稳态电机异音故障，识别准确率高；3、本文采用进行归一化处理，可以有效解决异音节点能量变化在总能量所占的比重太本文档来自技高网...

【技术保护点】
1.电机异音检测方法，包括以下步骤：步骤1、设定采样频率和采样时长t，将电机处于空载状态下进行音频信号采集；步骤2、对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度M，将音频信号分为N帧信号；步骤3、使用6层小波包提取音频特征；步骤4、对小波包提取的音频特征做主成分分析获得特征向量；步骤5、选取N个合格的电机音频样本，重复步骤2‑4，分别提取每个合格的电机音频样本的特征向量，用合格的电机音频样本的特征向量训练支持向量机，获得合格样本的支持向量机；步骤6、进行电机异音诊断时，重复步骤1‑4获得电机音频样本的特征向量，将特征向量输入支持向量机进行判别是否合格样本。

【技术特征摘要】
1.电机异音检测方法，包括以下步骤：步骤1、设定采样频率和采样时长t，将电机处于空载状态下进行音频信号采集；步骤2、对音频信号进行分帧加窗处理，设置每帧的帧长L和相邻两帧的重叠长度M，将音频信号分为N帧信号；步骤3、使用6层小波包提取音频特征；步骤4、对小波包提取的音频特征做主成分分析获得特征向量；步骤5、选取N个合格的电机音频样本，重复步骤2-4，分别提取每个合格的电机音频样本的特征向量，用合格的电机音频样本的特征向量训练支持向量机，获得合格样本的支持向量机；步骤6、进行电机异音诊断时，重复步骤1-4获得电机音频样本的特征向量，将特征向量输入支持向量机进行判别是否合格样本。2.如权利要求1所述的电机异音检测方法，其特征在于：步骤2中，帧长L＝1S，重叠长度M＝0.5s。3.如权利要求2所述的电机异音检测方法，其特征在于：步骤3中提取音频特征包含以下步骤：步骤3-1、对每帧信号进行6层小波包分解，计算第6层小波包各个节点能量E6,j(j＝0,1,2,3,…,63)，第6层小波包具有26个小波包节点；步骤3-2、对于每个节点能量E6,j进行归一化处理，归一化计算公式为：j表示第6层的第j个小波包节点；步骤3-3、得到归一化矩阵{λj，k}，其中，λj，k表示第k帧的第j个小波包节点的能量；归一化矩阵每一行的平均值α，{αj}形成列向量，列向量{αj}作为一个采样时长的音频的第一组特征；步骤3-4、求取归一化矩阵{λj，k}的每一行的峰-峰值β，{βj}形成列向量。选j≥3的峰-峰值βj作为一个采样时长的音频的第二组特征，βj＝max{λj,k|k＝1,2,3,...,59}-min{λj,k|k＝1,2,3,...,59},j＝3,4,5,...,63。4.如权利要求3所述的电机异音检测方法，其特征在于：步骤3-1中，选用db5小波基函数进行6层小波分解；将每帧信号f(t)在空间做投影得到：fj,n(t)＝∑k∈Zdj,n(t)uj,n,k(t)，其中，为小波包系数，{uj，n，k(t)}k∈Z为空间的标准正交基，j表示尺寸指标、是频域参数，k表示位置指标、是时间参数，n表示振荡次数，Z表示所有正整数；将第6层小波包节点按照频率从低到高进行排列，求取第6层小波包各个节点能量，计算公式为：其中，dj，k(j＝0，1，2，...，63，k...

【专利技术属性】
技术研发人员：曹衍龙，曹彦鹏，付伟男，杨将新，张宁，
申请(专利权)人：浙江大学山东工业技术研究院，
类型：发明
国别省市：山东,37