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；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：