一种电机异响机器学习检测方法技术

本发明专利技术涉及一种电机异响机器学习检测方法，包括如下步骤：S1:搭建一支持向量机模型；S2:训练所述支持向量机模型；S3:实时采集电机的声音信号；S4:根据采集到的声音信号计算声品质特征向量；S5:对所述声品质特征向量进行标准化预处理后，输入所述支持向量机模型；S6:输出预测结果以识别电机工作状态。本发明专利技术充分利用了声音信号频域宽的优点，提取电机声品质特征向量作为预测样本，并利用支持向量机模型进行二分类判断，达到很高的异响判断准确率。达到很高的异响判断准确率。达到很高的异响判断准确率。

【技术实现步骤摘要】
一种电机异响机器学习检测方法


[0001]本专利技术涉及机器学习
，特别是涉及一种电机异响机器学习检测方法。

技术介绍

[0002]电机异响是电机质量管控中十分重要的问题。传统的电机异响分析判断方法主要为振动信号分析法，通过采集电机振动信号，对振动信号频率域比对进行分析，但是振动信号的频带受限，一般振动传感器频率范围在10000Hz以内，做频谱分析时分析准确率较低。

技术实现思路

[0003]为了克服上述技术问题，本专利技术提供了一种电机异响机器学习检测方法，以提高电机异响判断准确率。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种电机异响机器学习检测方法，包括如下步骤：
[0006]S1:搭建一支持向量机模型；
[0007]S2:训练所述支持向量机模型；
[0008]S3:实时采集电机的声音信号；
[0009]S4:根据采集到的声音信号计算声品质特征向量；
[0010]S5:对所述声品质特征向量进行标准化预处理后，输入所述支持向量机模型；
[0011]S6:输出预测结果以识别电机工作状态。
[0012]优选地，所述声品质特征向量中，声品质参数包括但不限于响度N、尖锐度S、粗糙度R、起伏度F。
[0013]优选地，所述响度的计算公式如下：
[0014][0015]其中，N'为特征响度，即一个临界频带内的响度；N为总响度，即在整个可听域上每个特征响度的和；从0
‑
16kHz范围内划分为24个临界频带，用Bark来作为临界频带的单位，1Bark代表一个临界频带的带宽。
[0016]优选地，所述尖锐度的计算公式如下：
[0017][0018]其中，S为尖锐度；N'为特征响度，即一个临界频带内的响度；N为总响度，即在整个可听域上每个特征响度的和；g是加权函数，形式为
[0019][0020]优选地，所述粗糙度的计算公式如下：
[0021][0022]其中，R为粗糙度；f
mod
是调制频率；
△
L是掩蔽深度。
[0023]优选地，所述起伏度的计算公式如下：
[0024][0025]其中，F为起伏度；f
mod
是调制频率；
△
L是掩蔽深度。
[0026]优选地，每一个所述声音信号可以计算得到一个所述声品质特征向量，所述声品质特征向量的声品质参数至少为2个。
[0027]优选地，所述步骤S2，包括如下步骤
[0028]S201:建立电机训练数据集，所述电机训练数据集包含正例样本和负例样本；
[0029]S202:找到一个分离超平面w
·
x+b＝0,记作(w,b),把正例样本点和负例样本点分开，并且离超平面最近的正例样本点和负例样本点，两点之间的距离最大；
[0030]设超平面(w,b)关于样本点(x
i
,y
i
)的几何间隔为
[0031][0032]电机训练数据集关于超平面(w,b)的几何间隔为
[0033][0034]此时求最大间隔分类超平面问题，可表示为约束最优化问题：
[0035][0036][0037]其等价于
[0038][0039]s.t.y
i
(wx
i
+b)≥1,i＝1,2,...N。
[0040]求解上述约束最优化问题，即得到训练好的支持向量机模型。
[0041]优选地，所述步骤S201包括如下步骤；
[0042]对预先准备的，标记为“正常”或“异响”的电机通电运行，进行电机声音信号的采集；
[0043]通过所述电机声音信号计算得到声品质特征向量；
[0044]对所述声品质特征向量进行标准化预处理后得到电机训练数据集
[0045]T＝{(x1,y1),(x2,y2),
···
,(x
N
,y
N
)}
[0046]其中，(x
i
,y
i
)是样本点，x
i
为第i个标准化预处理的声品质特征向量，y
i
∈{+1,
‑
1}，其中y
i
＝+1表示“正常”，称x
i
为正例，yi＝
‑
1表示“异响”，称x
i
为负例，i＝1,2,
…
,N。
[0047]优选地，所述标准化预处理，包括如下步骤：
[0048]设有N个声品质特征向量；
[0049]每一个声品质特征向量参数减去所有该参数的均值，再除以所有该参数的标准差。
[0050]本专利技术的有益效果为：
[0051]本专利技术充分发挥了电机声音信号频域宽的优点，从电机声音信号中提取出声品质特征向量作为预测样本，并利用支持向量机模型进行二分类判断，达到较高的电机异响判断准确率。
[0052]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0053]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的部分实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0054]图1为本专利技术实施例一种电机异响机器学习检测方法的流程示意图；
[0055]图2为本专利技术实施例一种电机异响机器学习检测方法的声品质特征向量参数为(响度,粗糙度)的支持向量机模型。
具体实施方式
[0056]为了使本专利技术的目的、技术方案及优点更加清楚明白，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。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0057]在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0058]在本专利技术的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如S1、S2等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
[0059]下面将结合具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机异响机器学习检测方法，其特征在于，包括如下步骤：S1:搭建一支持向量机模型；S2:训练所述支持向量机模型；S3:实时采集电机的声音信号；S4:根据采集到的声音信号计算声品质特征向量；S5:对所述声品质特征向量进行标准化预处理后，输入所述支持向量机模型；S6:输出预测结果以识别电机工作状态。2.根据权利要求1所述的一种电机异响机器学习检测方法，其特征在于，所述声品质特征向量中，声品质参数包括但不限于响度N、尖锐度S、粗糙度R、起伏度F。3.根据权利要求2所述的一种电机异响机器学习检测方法，其特征在于，所述响度的计算公式如下：其中，N'为特征响度，即一个临界频带内的响度；N为总响度，即在整个可听域上每个特征响度的和；从0
‑
16kHz范围内划分为24个临界频带，用Bark来作为临界频带的单位，1Bark代表一个临界频带的带宽。4.根据权利要求2所述的一种电机异响机器学习检测方法，其特征在于，所述尖锐度的计算公式如下：其中，S为尖锐度；N'为特征响度，即一个临界频带内的响度；N为总响度，即在整个可听域上每个特征响度的和；g是加权函数，形式为5.根据权利要求2所述的一种电机异响机器学习检测方法，其特征在于，所述粗糙度的计算公式如下：其中，R为粗糙度；f
mod
是调制频率；
△
L是掩蔽深度。6.根据权利要求2所述的一种电机异响机器学习检测方法，其特征在于，所述起伏度的计算公式如下：
其中，F为起伏度；f
mod
是调制频率；
△
L是掩蔽深度。7.根据权利要求2所述的一种电机异响机器学习检测方法，其特征在于，每一个所述声音信号可以计算得到一个所述声品质特征向量，所述声品质特征向量的声品质参数至少为2个。8.根据权利要求1所述的一种电机异响机器学习检测方法，其特征在于，所述步骤S2，包括如下步骤S201:建立电机训练数据集，所述电机训练数据集包含正例样本和负例样本；S...

【专利技术属性】
技术研发人员：朱宝鹤，任百吉，孙永吉，
申请(专利权)人：上海泛德声学工程有限公司，
类型：发明
国别省市：