一种基于机器学习的场地微振动振源识别方法技术

本发明专利技术公开了一种基于机器学习的场地微振动振源识别方法，利用被测场地边缘区域的加速度传感器和被测场地中心位置的加速度传感器测得信号，对传感器采集到的信号依次进行去噪、瞬态冲击信号提取、特征提取，将瞬态冲击信号基于特征矩阵进行动态时间扭曲距离的聚类处理，并进行GMM建模，得到模型，对该模型的独立高斯分量个数进行验证，根据赤池信息准则值选取具有最小该值的分量个数为最优模型将传感器捕获到的瞬态冲击信号对进行最大后验概率识别；将可能同属一类的集合进行GMM参数比对，将模型高度重合的两类集合合并为同一集合，以此作为场地周围产生的对场地中心位置有影响的振动数据集。的对场地中心位置有影响的振动数据集。的对场地中心位置有影响的振动数据集。

【技术实现步骤摘要】
一种基于机器学习的场地微振动振源识别方法


[0001]本专利技术涉及电子工业厂房环境微振动信号测量
，用于对场地周围的微振动振源进行振源识别，主要涉及一种基于机器学习的场地微振动振源识别方法。
[0002]背景说明
[0003]随着我国半导体产业的不断发展，实现高端芯片自主加工生产成为了国内
发展不可或缺的一环；而高端芯片制造行业对厂房的温湿度、洁净度有极高要求外，最重要的一环就是控制产品生产时的场地微振动情况，超限度的微振动会影响精密设备的正常运转，同时会极大地降低产品良品率。
[0004]根据我国2015年颁布的《电子工业防微振工程技术规范》(GB 51076
‑
2015)，微振动的定义是时域振动幅值在10μm以下，振动速度在1000μm/s以下的限值振动。对于具体的精密设备以接触式干涉仪式的精度为1μm的万能工具显微镜为例，其最大容许振动速度为300μm/s。而生产厂房等环境周围的场地微振动有着诸多微振振源，可以近似看做包含瞬态冲击振源和一些周期振源的叠加，包括自然振源、轨道交通、动力设备、建筑施工、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的场地微振动振源识别方法，其特征在于，包括以下步骤：S1：利用被测场地边缘区域的微振动加速度传感器和被测场地中心位置的微振动加速度传感器分别测得信号x
i
和y
i
，根据Welch交叠分段平均法进行信号的功率谱估计得到各自的主频率成分和并进行振幅平方相干计算，将计算得到的振幅平方相干结果进行峰值提取，并返回对应的公共频率f
kcom
，将的频率确定为场地外围会对场地中心位置造成影响的k种频率为的周期振动振源；S2：对传感器采集到的时域离散信号x(n)进行谱减法降噪，得到去噪后的频域信号s(ω)并恢复得到去噪后的时域信号s(n)；S3：采用基于二维高斯分布的端点检测算法，对去噪后的时域信号s(n)进行瞬态冲击信号提取；S4：对提取到的n个瞬态冲击信号s(i),i∈1,...,n进行MFCC特征提取，对提取的MFCC特征进行能量归一化处理，得到每个瞬态冲击信号的特征矩阵EM
i
；S5：将瞬态冲击信号基于特征矩阵EM
i
进行动态时间扭曲距离的聚类处理，聚类方法选用K
‑
medoids，簇数K由轮廓系数法和互相关无向图连通分量综合确定，得到K个集合S(k),k∈K，并对各个集合的成员个数I(k),k∈K进行统计，以此作为长期实时微振动监测的不同振源的振动频次情况；S6：对集合S(k)的全体特征矩阵进行GMM建模，将行向量作为独立的变量，得到模型m
k
(c),c∈(2,...,n)，模型参数(Σ1,...Σ
i
,μ1,...μ
i
,σ1,...σ
i
)由EM算法迭代得到，并对模型的独立高斯分量个数c进行验证，根据赤池信息准则值选取具有最小该值的分量个数为最优模型，作为集合S(k)最终模型S7：对传感器采集到的时域离散信号y(n)重复上述S2
‑
S6的步骤；S8：将传感器捕获到的瞬态冲击信号t(i),i∈1,...,n对进行最大后验概率识别；将可能同属一类的集合进行GMM参数比对，将模型高度重合的两类集合合并为同一集合，并进行统计分析，以此作为场地周围产生的对场地中心位置有影响的振动数据集。2.根据权利要求1所述的基于机器学习的场地微振动振源识别方法，其特征在于，步骤S2具体包括：S2
‑
1：对时域离散信号x(n)进行傅里叶变换得到噪声谱估计E
mean
(ω)；S2
‑
2：将原始振动信号进行谱减法降噪处理，具体表达式如下：其中，为降噪后的振动信号，|Y(ω)|为原始振动信号，并对做IFFT得到去噪后的时域信号s(n)。3.根据权利要求1所述的基于机器学习的场地微振动振源识别方法，其特征在于，步骤S3具体包括：S3
‑
1：对于训练数据集先进行分帧处理，对分帧后的数据x(i)进行STFT变换为频域信
号X(k)，公式为：framesize为帧长度，N为每帧采样点个数S3
‑
2：对转换为频域的每帧信号划分为n个带宽不等的频率子带，计算各个子带的能量P
j
，其中子带的上下限分别为和和f
jsize
为第j个子带带宽S3
‑
3：对包含瞬态冲击波形和静默状态波形的训练数据Y
i
的分帧能量特征构建特征矩阵：a
mn
代表第m帧数据的第n个子带的能量S3
‑
4：使用聚类算法将瞬态冲击波形和静默状态波形的每个行向量二分类成不同的簇，由于特征变量为能量大小，聚类时的距离度量选择为欧氏距离：其中a,b∈(1,2...m)对聚类结果分别构建下式的维度为二的高斯模型，模型的参数由EM算法通过多次迭代得到；模型的参数由EM算法通过多次迭代得到；其中，φ
i
为每个独立高斯分布的权重，μ
i
、Σ
i
为期望和方差；S3
‑
5：将输入的波形数据同样进行分帧和频率子带能量计算，对每一帧数据计算其对于二者的概率P
s
(x)和P
n
(x)，根据似然比检验准则去判定第i帧是否含有瞬态冲击信号：根据似然比检验准则去判定第i帧是否含有瞬态冲击信号：其中，P
s
(x,i,j)和P
n
(x,i,j)是第i帧j个特征变量从属于瞬态冲击和静默状态的概率，将似然比进行阈值判定得到每帧包含瞬态冲击的概率：T
ξ
与T
η
为由训练数据集得到的每帧能量阈值和子带能量阈值对于相邻具有部分重叠的两帧取F
ADi
与F
ADi+1

【专利技术属性】
技术研发人员：孙长库，张钧奕，余才志，王鹏，付鲁华，
申请(专利权)人：天津大学，
类型：发明
国别省市：