一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法技术

一种基于人工耳蜗CIS算法和一维卷积神经网络的异音检测方法，当需要对某种设备进行检测分类时，首先获取正常和不同故障设备的音频信号，构建音频数据集；将音频信号进行人工耳蜗CIS算法输出电脉冲信号，将电脉冲信号展为一维数据作为一维卷积神经网络的输入，构建神经网络模型并训练优化模型，得到最终网络模型，将待检测的设备音频信号输入最终网络模型内，得到异音诊断分类结果；本发明专利技术能够识别设备异音故障并识别类型，可有效替代传统人工听音检测识别方法。音检测识别方法。音检测识别方法。

【技术实现步骤摘要】
一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法


[0001]本专利技术涉及异音检测
，尤其涉及一种基于人工耳蜗(Continuous interphase sampling,CIS)算法和卷积神经网络(convolutional neural network,CNN)的异音检测方法。

技术介绍

[0002]随着社会进步，消费者对空调的需求不只局限空调原本的功能，对空调的附加需求也越来越多，更加舒适、静音、节能、智能的产品得到了市场的青睐。电机作为空调异音主要来源，准确检测声品质异常电机对保障空调NVH性能具有重要作用。现有的异音检测方式主要是通过主观听音人员主观识别，存在主观性强，评价结果差异大，经济成本高等问题。
[0003]近年来，为了实现机器代替人耳异音识别，基于传感信息的电机异音检测技术得到迅速发展，这些方法主要是通过从传感信号中提取表征电机异音的敏感特征，并通过机器学习或深度学习的方法进行智能识别。然而，现有的电机异音特征(例如：申请号CN201810062638.6，名称：电机异音检测方法；申请号CN201310334375.7，名称：自适应调整空调器电机频率的方法、装置和空调器；申请号CN201510266743.8，名称：一种电机异音的检测方法)多采用电机的状态指标以及心理声学指标，忽略了人耳听觉感知的强非线性特点，而人工耳蜗作为一种较为成熟的听觉滤波器，能够较好的表征人耳接受外来声音的特征，具有非线性强，鲁棒性强等特点。

技术实现思路

[0004]为克服上述现有技术的缺点，本专利技术的目的在于提供一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法，能够更好的表征异音特征，减小了主观性影响，具有一致性高的优点。
[0005]为了达到上述目的，本专利技术采用的技术方案是：
[0006]一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法，包括以下步骤：
[0007]S1、采集已知类型设备的音频信号，将音频信号进行分类得到音频数据集，将音频数据集划分为训练集、验证集和测试集；
[0008]S2、对音频信号进行人工耳蜗CIS算法预处理，得到电脉冲信号并展开为一维数据；
[0009]S3、依据一维数据构建一维卷积神经网络CNN模型，用训练集对CNN模型进行训练，利用Adam算子优化目标函数，调整模型超参数，得到最终网络模型；
[0010]S4、将需要检测分类设备的音频信号输入最终网络模型，得到分类结果。
[0011]所述步骤S2的人工耳蜗CIS算法，包括以下步骤：
[0012]2.1、将音频信号输入切比雪夫Ⅱ滤波器获得不同频带滤波信号；每一频率的中心频率与刺激电极在耳蜗基底膜上的频率位置相对应来模仿人耳的频率分布功能，滤波器频率段分布由Greenwood耳蜗频率
‑
位置函数给定，公式如下：
[0013]fA＝(10
αL
‑
k)；
[0014]式中f对应耳蜗频率点，A和k为常数，L为耳蜗基底膜上距顶部的位置，α是与位置L相关的常系数；
[0015]2.2、应用希尔伯特变换和低通滤波器将不同频率的滤波信号转换为包络信号，每个通道的截止频率为200Hz；希尔伯特变换将滤波信号分解为缓慢变化的时间包络与高速变化的频率信号，再转换为包络信号，下式为包络信号提取：
[0016][0017][0018][0019]式中，y(t)为包络提取后的信号，H{x(t)}为x(t)的希尔伯特变换；
[0020]2.3、由于动态范围的限制，将每个通道的包络信号进行非线性压缩；
[0021]Y＝Clog(x)+D
[0022]其中C、D分别为常数，用来将压缩后的声音幅度Y限定在最低听觉阈值电平和最大舒适听觉电平之间；
[0023]2.4、对压缩包络信号进行双相脉冲调制，得到刺激电极信号，脉冲采用双相矩阵脉冲，模拟人工耳蜗电刺激信号输入；
[0024]一个N点的双相矩阵窗定义如下：
[0025][0026]所述步骤S3中一维卷积神经网络CNN模型包括：卷积层、池化层、全连接层；
[0027]3.1、卷积层为特征提取层，通过卷积核扫描输入数据提取特征；提取到的特征表示如下：
[0028][0029]式中，为第l层卷积层输出，为l层输入，K为卷积核，为第l层偏置，为激活函数；
[0030]卷积层采用Relu激活函数，利用Relu函数加速收敛和环节梯度消失；
[0031][0032]3.2、池化层，CNN模型的池化方法为最大池化和平均池化；其计算公式为：
[0033][0034]式中，为第l+1层池化层输出，为上一卷积层输出，为第l层偏置，为激活函数；
[0035]3.3、全连接层，分类层神经元对应电机异音种类，采用softmax分类器模型；
[0036]Softmax分类器模型，其代价函数J(θ)为：
[0037][0038]式中，ξ＝(ξ1，ξ2，...，ξ
m
)为输入，其标签为j＝(j1,j2,...,j
m
)，j
i
∈{1,2,...,k}；θ表示Softmax分类器模型的参数；表述归一化运算；n表示特征图的维度；1{y
i
＝j}为示性函数，其数值与内部表达式的真假有关，若内部表达式成立则为1，反之则为0；λ为权重衰减系数。
[0039]所述步骤S3中模型超参数包括学习率、衰减率、训练次数等超参数，通过反向传播算法训练一维卷积神经网络CNN模型，直至误差满足精度要求或者达到最大次数。
[0040]本专利技术的有益效果为：由于本专利技术采取人工耳蜗CIS算法提取音频特征，能够模拟人耳的强非线性特点，人工耳蜗作为一种较为成熟的听觉滤波器，能够较好的表征人耳接受外来声音的特征，具有非线性强，鲁棒性强，可解释性强等特点，结合神经网络的学习分类的功能，能够做到从音频信号得到诊断分类效果，能够代替产线上传统人工听音检测，避免人工听音主观性强，评价结果差异大等问题。
附图说明
[0041]图1是本专利技术的流程图。
[0042]图2是实施例中某空调厂包括正常电机和不同异音电机的音频信号时域图；其中(a)为正常；(b)为异常类型1；(c)为异常类型2；(d)为异常类型3。
[0043]图3是实施例中某个异音电机音频信号时域图和对应的人工耳蜗CIS算法输出电脉冲信号图。
[0044]图4是实施例中卷积神经网络的具体结构参数示意图。
[0045]图5是实施例中某异音故障空调电机数据集中测试集分类结果混淆矩阵图。
具体实施方式
[0046]下面结合附图和实施例对本专利技术做进一步的阐述，但不是对本专利技术的限定。
[0047]实施例，针对某空调厂电机进行异音检测，参照图1，一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法，包括以下步骤：
[0048]S1、采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工耳蜗CIS算法和卷积神经网络的异音检测方法，其特征在于，包括以下步骤：S1、采集已知类型设备的音频信号，将音频信号进行分类得到音频数据集，将音频数据集划分为训练集、验证集和测试集；S2、对音频信号进行人工耳蜗CIS算法预处理，得到电脉冲信号并展开为一维数据；S3、依据一维数据构建一维卷积神经网络CNN模型，用训练集对CNN模型进行训练，利用Adam算子优化目标函数，调整模型超参数，得到最终网络模型；S4、将需要检测分类设备的音频信号输入最终网络模型，得到分类结果。2.根据权利要求1所述的方法，其特征在于，所述步骤S2的人工耳蜗CIS算法，包括以下步骤：2.1、将音频信号输入切比雪夫Ⅱ滤波器获得不同频带滤波信号；每一频率的中心频率与刺激电极在耳蜗基底膜上的频率位置相对应来模仿人耳的频率分布功能，滤波器频率段分布由Greenwood耳蜗频率
‑
位置函数给定，公式如下：fA＝(10
αL
‑
k)；式中f对应耳蜗频率点，A和k为常数，L为耳蜗基底膜上距顶部的位置，α是与位置L相关的常系数；2.2、应用希尔伯特变换和低通滤波器将不同频率的滤波信号转换为包络信号，每个通道的截止频率为200Hz；希尔伯特变换将滤波信号分解为缓慢变化的时间包络与高速变化的频率信号，再转换为包络信号，下式为包络信号提取：提取：提取：式中，y(t)为包络提取后的信号，H{x(t)}为x(t)的希尔伯特变换；2.3、由于动态范围的限制，将每个通道的包络信号进行非线性压缩；Y＝Clog(x)+D其中C、D分别为常数，用来将压缩后的声音幅度Y限定在最低听...

【专利技术属性】
技术研发人员：王琇峰，罗堃，区瑞坚，郭美娜，
申请(专利权)人：苏州微著设备诊断技术有限公司，
类型：发明
国别省市：