一种基于噪声特征的微电机智能品控方法技术

本发明专利技术公开了一种基于噪声特征的微电机智能品控方法，包括以下步骤：a、采集微电机运行状态下的噪音波形信号，并通过人工标注样本；b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F，结合样本人工标注，组成样本微电机噪音特征集T用于训练；c、建立微电机故障智能识别模型；d、采集目标微电机噪声信号；e、从目标微电机噪声信号中提取其信号特征集合；f、向微电机故障智能识别模型输入该信号特征集合，模型自动判断目标微电机是否存在品质缺陷，本发明专利技术能够实现适应现场故障类型多样、微电机运转噪声极小的智能品控场景，能实现漏检率1％，误检率0.1％的检测效果。

【技术实现步骤摘要】
一种基于噪声特征的微电机智能品控方法
本专利技术涉及微电机制造的质量
，特别是一种基于噪声特征的微电机智能品控方法。
技术介绍
自从发电机和电动机专利技术之后，电机已被广泛的应用于社会生活的方方面面，微电机是指直径小于160mm或额定功率小于750mW的电机，由于其体积小，重量轻，用于智能家电、微机器人、精密工程、航空航天等技术密集型领域。微电机制造工序多，涉及精密机械、精细化工、微细加工、磁材料处理、绕组制造、绝缘处理等工艺技术，需要的工艺装备数量大、精度高。同时微电机生产线产量大、质量检测要求高，需要投入大量的精密测试仪器和质检人员控制微电机出厂质量。当前已有基于电机运行噪声音频分析电机故障的技术方案，但微电机运行噪声更为微弱，质量检测要求更高，采用现有基于音频的自动检测方案不能满足微电机质量检测的要求。现有技术方案包括：当前微电机制造过程中的品控主要采取基于微电机运转声音的人工检测方案。在生产流水线的最后环节设置隔音室，由多名专职技术人员坐在隔音室内采取人工听音的方式来识别微电机缺陷，由测试电路板驱动微电机正转1.5s,反转1.5s,技术人员能在这段时间内发现缺陷电机与正常电机运转声音的区别，从而检出缺陷电机。目前也有基于音频特征的微电机故障自动检测方案(CN110132600A)。通过硬件采集微电机在运行中产生的噪声，利用软件分析微电机噪声信号频谱特征,基于最优小波包基和Donoho软阈值消噪方法对一组微电机标准信号和故障信号进行了消噪处理后，比较低频信号成分的功率谱得出故障特征频率,从而检测微电机故障。现有技术方案的缺陷如下：在生产制造环节，传统的微电机质量检测是人工检测方案，它依靠质检人员人工鉴别电机运转声音的差异。这一方法不仅需要耗费大量人力成本，同时还容易受到质检人员状态等因素影响造成误检或漏检。此外，现有的基于音频特征的电机故障自动检测方案本质上属于模板匹配方法，其故障检测效果与检测方案使用的基于故障特征频率的判别函数有关，该判别函数效果依赖样本集以及权重系数的选取，因此该判别函数仅能用来检测或预测与样本集近似的电机型号与故障类多样、微电机运转噪声极小易受到采集硬件背景噪声影响的智能品控场景。
技术实现思路
针对现有技术中存在的问题，本专利技术的目的在于提供一种基于噪声特征的微电机智能品控方法。本专利技术可以实现适应现场故障类型多样、微电机运转噪声极小的智能品控场景。为解决上述问题，本专利技术采用如下的技术方案。一种基于噪声特征的微电机智能品控方法，包括以下步骤：a、采集微电机运行状态下的噪音波形信号，并通过人工标注样本；b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F，结合样本人工标注，组成样本微电机噪音特征集T用于训练；c、建立微电机故障智能识别模型；d、采集目标微电机噪声信号；e、从目标微电机噪声信号中提取其信号特征集合；f、向微电机故障智能识别模型输入该信号特征集合，模型自动判断目标微电机是否存在品质缺陷。作为本专利技术的进一步改进，在步骤b中所述的声音特征组合F包括声音波形的频谱峰值频率、梅尔频率倒谱系数MFCC的第1、2、3、5、6、12个系数值。作为本专利技术的进一步改进，在步骤c中，所述微电机故障智能识别模型建立方法是，使用步骤b建立的样本微电机噪声特征集T进行训练；使用自适应增强学习技术反复迭代直至该分类器参数最优；根据分类器参数建立微电机故障智能识别模型。本专利技术的有益效果相比于现有技术，本专利技术的优点在于：该方法能实现漏检率1％，误检率0.1％的检测效果；基于现有主流的基于振速法的电机运行噪声采集硬件，实现了微电机制造场景中的智能质检，无需增加额外硬件投资。附图说明图1为本专利技术的原理框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，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，都属于本专利技术保护的范围。请参阅图1，一种基于噪声特征的微电机智能品控方法，包括以下步骤：a、采集微电机运行状态下的噪音波形信号，并通过人工标注样本；b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F，结合样本人工标注，组成样本微电机噪音特征集T用于训练；c、建立微电机故障智能识别模型；d、采集目标微电机噪声信号；e、从目标微电机噪声信号中提取其信号特征集合；f、向微电机故障智能识别模型输入该信号特征集合，模型自动判断目标微电机是否存在品质缺陷。在步骤b中所述的声音特征组合F包括声音波形的频谱峰值频率、梅尔频率倒谱系数MFCC的第1、2、3、5、6、12个系数值。功率谱峰值频率Kpeak：功率谱图上单位频段内信号功率峰值的对应频率。假设给定声音信号x(n)，采样时间间隔T，采样点数为N,采用快速傅里叶变换(FFT)算法计算,有则频率k对应的功率谱表示为功率谱峰值频率Kpeak满足EX(Kpeak)＝max(EX(k))。梅尔频率倒谱系数MFCC：Mel频率倒谱系数,其中的Mel频率主要和人类听觉特征有关，MFCC是Mel频率域上提取出来的倒谱参数，MFCC的提取方法是将声音信号x(n)的频谱X(k)对应的对数能量谱依照Mel标度分布的三角滤波器做卷积运算，然后接着对滤波器组的输出向量做离散余弦变换，这样得到的前n维向量是MFCC，如下是所示：上式中，n为所取的MFCC的个数；ci(n)是MFCC的系数；Si(m)是声音信号x(n)对应的对数功率谱；M为三角滤波器个数，一般取10-13。在步骤c中，所述微电机故障智能识别模型建立方法是，使用步骤b建立的样本微电机噪声特征集T进行训练；使用自适应增强学习技术反复迭代直至该分类器参数最优；根据分类器参数建立微电机故障智能识别模型。使用专家诊断方式人工标注微电机缺陷类型，类型可包括正常、缺陷两种，缺陷类型的标注还可以继续细分。传统方式人工标注微电机缺陷的时长为3S，在现有的采集板规格下，XXX,训练集规模需达到2万以上，1位专家标注训练集所需微电机类型仅需1工作日。微电机运转噪声的信号采集的采样时间为3S，使用测试电路板给微电机提供电源，微电机正转1.5s、反转1.5S。为匹配微电机发生质量缺陷时运转噪声易被人耳分辨的特征，将采样频率确定为40960hz，每条微电机运转噪声的信号包括122880个采样点。信号无需滤波处理，直接计算信号的频域特征。低通滤波能去除来自高频的背景噪声，适当减少对样本微电机噪声特征集规模的要求，但对模型识别效果影响不大。在使用自适应增强学习技术来学习分类器参数时，可采用贝叶斯优化方法加速参数收敛，但对最后模型识别效果影响不大。本专利技术采用Ad本文档来自技高网...

【技术保护点】
1.一种基于噪声特征的微电机智能品控方法，其特征在于，包括以下步骤：/na、采集微电机运行状态下的噪音波形信号，并通过人工标注样本；/nb、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F，结合样本人工标注，组成样本微电机噪音特征集T用于训练；/nc、建立微电机故障智能识别模型；/nd、采集目标微电机噪声信号；/ne、从目标微电机噪声信号中提取其信号特征集合；/nf、向微电机故障智能识别模型输入该信号特征集合，模型自动判断目标微电机是否存在品质缺陷。/n

【技术特征摘要】
1.一种基于噪声特征的微电机智能品控方法，其特征在于，包括以下步骤：
a、采集微电机运行状态下的噪音波形信号，并通过人工标注样本；
b、从步骤a中采集的微电机的噪声波形信号中直接提取声音特征F，结合样本人工标注，组成样本微电机噪音特征集T用于训练；
c、建立微电机故障智能识别模型；
d、采集目标微电机噪声信号；
e、从目标微电机噪声信号中提取其信号特征集合；
f、向微电机故障智能识别模型输入该信号特征集合，模型自动判断目标微电机是否存在品质缺陷。

<...

【专利技术属性】
技术研发人员：陈述，刘贵松，肖涛，吴舜欣，何怀文，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：广东;44