声振检测方法、系统、终端及介质技术方案

本申请提供一种声振检测方法、系统、终端及介质，包括：以人耳听检结果数据为输入数据，来训练机器听觉模型；其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。解决了现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题。本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。

【技术实现步骤摘要】
声振检测方法、系统、终端及介质
本申请涉及一种智能制造领域，特别是涉及一种声振检测方法、系统、终端及介质。
技术介绍
、传统的对于产品噪音水平的衡量往往通过测量少量的物理量来表征。比如，通过测量电机运转时产生的声压级(dB)来衡量电机的噪声水平是否达标。这一类方法往往无法使检测结果与人的主观感受相一致。换言之，即便各单一量均达标的产品仍然会呈现主观感受差的情况。究其原因，这是由于人对于声音的主观感受是由多个声音和振动指标共同作用的结果，单一的指标无法表达出人类对声音的主观感受。因此，为了能更好的获得与人类主观感受相一致的声品质评价，我们需要测量采集更多的物理量来进行评估。因此，目前常见的做法是电机制造商在电机装配完成后安排人工听检工序对电机运转时的噪音水平进行检查和评估。为了能更好的评估电机的声品质，电机制造商利用各种参考样本(典型的合格品以及各类典型故障件)对听检员进行培训，强化他们对于各种参考样本声音特征的记忆。随后由听检员对下线的电机进行听检。经过长期的训练，听检员可以满足产线下线听检的要求。但是，这种方法高度依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约。另一种常见的做法是通过测量电机运转时产生的振动信号来判断电机的装配质量和声音品质。由于收到振动采集点数量的限制，这种做法不能等效的反映出用户实际听到的声音情况，因此无法替代听检员完成声品质评价工作。申请内容鉴于以上所述现有技术的缺点，本申请的目的在于提供一种声振检测方法、系统、终端及介质，用于解决现有技术中评估电机的声品质依赖听检人员的主观判断，其检测的一致性和稳定性都无法得到保证，且检测速度受到听检员数量的制约，然而通过测量电机运转时产生的振动信号方式来判断电机的声音品质却不能等效的反映出用户实际听到的声音情况，因无法替代听检员完成声品质评价工作的问题。为实现上述目的及其他相关目的，本申请提供一种声振检测方法，包括：以人耳听检结果数据为输入数据，来训练机器听觉模型；其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。于本申请的一实施例中，耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。于本申请的一实施例中，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。于本申请的一实施例中，所述方法还包括：将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。于本申请的一实施例中，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。于本申请的一实施例中，所述主机柜设有操控面板；其中，所述操控面板设有：总开关、充电口、通信接口中的一种或多种组合。于本申请的一实施例中，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。为实现上述目的及其他相关目的，本申请提供一种声振检测系统，包括：模型训练模块，用于以人耳听检结果数据为输入，来训练机器听觉模型；处理模块，用于利用训练后的所述机器听觉模型检测来自声振检测设备的电机声振信号。于本申请的一实施例中，人耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。于本申请的一实施例中，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。于本申请的一实施例中，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特征包括：毛刺特征、本底特征、滤波特征以及时间特征中的一种或多种；其中，所述毛刺特征与滤波毛刺和标准差的倍率有关；所述本底特征与滤波频带范围有关、所述滤波特征与各周期内滤波毛刺出现的频率有关；所述时间特征与各周期内毛刺出现的时间有关。为实现上述目的及其他相关目的，本申请提供一种声振检测终端，包括：存储器，用于存储计算机程序；处理器，用于运行所述计算机程序，以执行所述的声振检测方法。为实现上述目的及其他相关目的，本申请提供一种计算机存储介质，存储有计算机程序，所述计算机程序运行时实现所述的声振检测方法。如上所述，本申请的声振检测方法、系统、终端及介质，具有以下有益效果：本申请利用深度学习算法，通过学习听检人员的判定结论，建立机器听觉模型，代替人工听检，使评估电机声品质的效率及准确度大大提升。附图说明图1显示为本申请一实施例中的实施方案示意图。图2显示为本申请一实施例中的声振检测方法的流程示意图。图3显示为本申请一实施例中的敲击噪声检测方法的的实施方案示意图。图4显示为本申请一实施例中的声振检测系统的结构示意图。图5显示为本申请一实施例中的声振检测终端的结构示意图。具体实施方式以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，在下述描述中，参考附图，附图描述了本申请的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本申请的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本申请的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本申请。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。在通篇说明书中，当说某部分与另一部分“耦接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。其中提到的第一、第二及第三等术语是为了说明多样的部分、成份、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成份、区域、层或段区别于其它部分、成份、区域、层或段。因此，以下叙述的第一部分、成份、区域、层或段在不超出本申请范围的范围内，可以言及到第二部分、成份、区域、层或段。再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、本文档来自技高网...

【技术保护点】
1.一种声振检测方法，其特征在于，包括：/n以人耳听检结果数据为输入数据，来训练机器听觉模型；/n其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。/n

【技术特征摘要】
1.一种声振检测方法，其特征在于，包括：
以人耳听检结果数据为输入数据，来训练机器听觉模型；
其中，训练后的机器听觉模型用于检测来自声振检测设备所采集的电机声振信号。


2.根据权利要求1所述的声振检测方法，其特征在于，人耳听检结果数据包括声振样品信号数据以及对应的人耳听检噪音类型数据。


3.根据权利要求2所述的声振检测方法，其特征在于，所述人耳听检噪音类型数据包括：经过迁移学习的噪声类型分类样本数据。


4.根据权利要求1所述的声振检测方法，其特征在于，所述方法还包括：将所述电机声振信号与所述人耳听检结果数据中的标杆样本数据进行相似性计算，并调节所述电机声振信号与所述标杆样本数据的相似度阈值。


5.根据权利要求2所述的声振检测方法，其特征在于，人耳听检噪音类型包括电磁噪声、风道噪声以及机械噪音。


6.根据权利要求1所述的声振检测方法，其特征在于，所述声振样品信号数据与滤波检测特征相关联；其中，所述滤波检测特...

【专利技术属性】
技术研发人员：徐海卿，曹骏，
申请(专利权)人：上海擎动信息科技有限公司，
类型：发明
国别省市：上海;31