一种基于PSO-SVM检测模型的微特电机声学质量检测方法技术

本发明专利技术公开了一种基于PSO

【技术实现步骤摘要】
一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法


[0001]本专利技术属于微特电机声学检测
，更具体地，涉及一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法。

技术介绍

[0002]微特电机广泛应用于汽车、白色家电以及电动工具等行业，且我国已经成为全球最大的微特电机生产制造国，据不完全统计，我国目前有上千家微特电机生产企业。为了确保微特电机生产质量，企业在生产线上建立了全面的质检工艺流程，其不仅需要对电机电气性能进行检测，还需要通过人工对其运行过程中的声音进行听音质检，一旦出现异音异响，则表明电机质量存在缺陷。尽管如此，上述人工听音方式检测效率低下、一致性差，且检测结果受人为主观因素影响较大，不利于企业产品质量检测与把控。
[0003]围绕企业电机声学质检的需求，不少学者开展了诸多研究，其概括起来主要包括两种途径：一是基于噪声物理模型的异音识别，该方法在静音箱环境下直接测量电机运行过程中的声音信号，通过计算声压级或者心理声学参数等指标，以便建立符合人耳听觉的物理模型评价标准，但是考虑到微特电机通常为低噪音电机，其测量过程中极易受到生产线偶发噪声的干扰，且人耳听觉是非常复杂的系统，上述指标也很难直接建立客观、合理的异音异响质检方法和标准。二是基于噪声数据模型的异音识别，该方法通过测量电机运行过程中的声音信号信号，结合人工智能技术，用大数据模型构建有效、合理的异音质检标准，上述方法技术原理可行，但是通常情况下弱化了电机声学特征的提取工作，需要庞大规模的数据样本才能获取比较准确的数据模型，且存在模型泛化和鲁棒性不佳等问题，落地应用和推广周期较长。
[0004]另外，微特电机噪声测量也存在一定的问题；考虑到异音异响本质为声音信号，因此通过传声器采集微特电机运行过程中声音信号，是理所当然的。但是，微特电机运行过程中噪声比较低，远远小于生产线上的其他工位噪声。为了满足测量过程中信噪比要求，通常需要在生产线上增加静音箱来构建电机噪声测量的有效环境，从而屏蔽外界噪声的干扰，具体如图1所示（图中，数字1为麦克风，2为微特电机，3为静音箱）；尽管如此，上述通过噪声测量方式来完成微特电机声学信号测量存在以下问题：（1）容易受到车间内部偶发噪声干扰。通常而言，微特电机生产车间内部存在冲压、气动吹除等工位，其偶发噪声能量较大，静音箱内也会明显能够探测到，势必对微特电机噪声测量带来影响，进而引起异音异响误判。（2）容易影响产线的质检节拍。企业质检过程中都有明确的节拍要求，从而与整个生产线生产节拍匹配。但是由于静音箱的存在，不可避免存在微特电机进出静音箱动作以及静音箱进出料门开启和关闭的动作，因此势必增加微特电机的质检时间，从而影响了产线的质检节拍。
[0005]随着人工智能技术在智能制造中逐步应用，可通过采集微特电机振动信号来采集微特电机声学信号，进而采用人工智能方法进行缺陷检测；但是，目前研究工作中，大多从微特电机振动时域统计、频域统计、小波包能量等简单维度入手进行分析，并未将微特电机
振动信号特征与异音异响等建立深度关联和映射；另外，在获取多维微特电机振动信号特征基础上，需要借助机器学习技术建立微特电机声学质量检测判定模型。通常情况下，大多选用有监督机器学习算法进行模型训练，其要求正负样本比例尽量均衡且需要庞大的数据规模，但是对于微特电机而言，其正常样本可以在产线上直接获取或者拿发货前装箱的产品，而异常样本则只能等待质检人员听音打标签之后才能获取，样本数量少且不同类型的样本数量不平衡。在这种情况下，很难通过有监督机器学习模型获取良好的判断模型，若通过逐步搜集不合格样本来实现数据获取，则上述工作的开展需要花费大量时间精力，势必影响系统的部署和应用。
[0006]因此，急需一种能够在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练，且能够快速部署应用判定微特电机声学质量是否合格的微特电机声学质量检测方法。

技术实现思路

[0007]针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，通过测量微特电机运行过程中径向振动加速度信号的方法替代现有技术在静音箱内采集微特电机噪声信号，从而保证测量结果的有效性和准确性，不仅能够屏蔽生产线外界的干扰，还能够实现高效自动化测量；提出了PSO
‑
SVM机器学习模型训练方法，选用PSO算法对SVM分类模型中需要优化的参数进行优化调整，获得SVM分类模型参数的最优解，提升SVM分类模型的分类效果；确保在小规模微特电机振动样本情况下能够准确、合理地完成机器学习模型训练，且能够快速部署应用，判定微特电机声学质量是否合格。
[0008]为了实现上述目的，本专利技术提供一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，包括如下步骤：S1:分别进行待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑；S2:对合格微特电机和不同类型异音微特电机进行振动加速度信号采集和分类，构建机器学习数据样本；S3:对所述数据样本进行信号处理、特征提取和模型训练，获得符合客户既定检测要求的检测模型；S4:将所述检测模型与微特电机声学质量检测系统进行配置；S5:通过微特电机声学质量检测系统采集待检测微特电机振动加速度信号，自动提取微特电机振动加速度特征向量，自动加载检测模型，并将微特电机振动加速度特征向量输入到所述检测模型中进行检测；S6:微特电机声学质量检测系统自动输出检测结果，从而判定微特电机声学质量是否合格。
[0009]进一步地，步骤S3中对所述数据样本进行信号处理、特征提取和模型训练，获得符合客户既定检测要求的检测模型包括如下步骤：S31:从所述数据样本中截取微特电机稳态振动信号；S32:分别同时提取微特电机稳态振动信号的振动加速度有效值、振动加速度幅值
调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真特征值，获得微特电机振动加速度信号的特征向量；S33:将微特电机振动加速度信号的特征向量输入SVM分类模型进行机器学习模型训练，并选用PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整，获得符合客户既定检测要求的PSO
‑
SVM分类模型，即得到符合客户既定检测要求的检测模型。
[0010]进一步地，步骤S32中微特电机稳态振动信号的振动加速度有效值特征向量的提取包括如下步骤：对于时域离散的微特电机振动加速度信号进行10Hz～10kHz的带通滤波，并计算振动加速度有效值。
[0011]进一步地，步骤S32中微特电机稳态振动信号的振动加速度幅值调制特征向量的提取包括如下步骤：对微特电机振动加速度信号进行A计权网络滤波；设定单位时间内固定时间步长作为一帧，计算微特电机在所述时间步长内的振动加速度有效值随时间的变化；计算单位时间内各个时间步长下微特电机振动加速度有效值，并选取其中的最大值和最小值；计算单位时间内微特电机稳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，其特征在于，包括如下步骤：S1:分别进行待检微特电机振动加速度信号数据采集设置和不同类型微特电机异音标签的定义编辑；S2:对合格微特电机和不同类型异音微特电机进行振动加速度信号采集和分类，构建机器学习数据样本；S3:对所述数据样本进行信号处理、特征提取和模型训练，获得符合客户既定检测要求的检测模型；S4:将所述检测模型与微特电机声学质量检测系统进行配置；S5:通过微特电机声学质量检测系统采集待检测微特电机振动加速度信号，自动提取微特电机振动加速度特征向量，自动加载检测模型，并将微特电机振动加速度特征向量输入到所述检测模型中进行检测；S6:微特电机声学质量检测系统自动输出检测结果，从而判定微特电机声学质量是否合格。2.根据权利要求1所述的一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，其特征在于：步骤S3中对所述数据样本进行信号处理、特征提取和模型训练，获得符合客户既定检测要求的检测模型包括如下步骤：S31:从所述数据样本中截取微特电机稳态振动信号；S32:分别同时提取微特电机稳态振动信号的振动加速度有效值、振动加速度幅值调制、振动加速度波峰因子、振动加速度频率调制以及振动加速度谐波失真特征值，获得微特电机振动加速度信号的特征向量；S33:将微特电机振动加速度信号的特征向量输入SVM分类模型进行机器学习模型训练，并选用PSO算法对SVM分类模型训练的机器学习模型中需要优化参数进行优化调整，获得符合客户既定检测要求的PSO
‑
SVM分类模型，即得到符合客户既定检测要求的检测模型。3.根据权利要求2所述的一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，其特征在于：步骤S32中微特电机稳态振动信号的振动加速度有效值特征向量的提取包括如下步骤：对时域离散的微特电机振动加速度信号进行10Hz～10kHz的带通滤波，并计算振动加速度有效值。4.根据权利要求3所述的一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，其特征在于：步骤S32中微特电机稳态振动信号的振动加速度幅值调制特征向量的提取包括如下步骤：对微特电机振动加速度信号进行A计权网络滤波；设定单位时间内固定时间步长作为一帧，计算微特电机在所述时间步长内的振动加速度有效值随时间的变化；计算单位时间内各个时间步长下微特电机振动加速度有效值，并选取其中的最大值和最小值；计算单位时间内微特电机稳态振动信号的振动加速度幅值调制因子；计算整个时间历程内所有微特电机稳态振动信号的振动加速度幅值调制因子的平均值；
单位时间内的微特电机稳态振动信号的振动加速度幅值调制因子通过式（2）计算： （2）其中，为单位时间内的振动加速度幅值调制因子；为单位时间内各个时间步长下振动加速度有效值的最大值；为单位时间内各个时间步长下振动加速度有效值的最小值。5.根据权利要求4所述的一种基于PSO
‑
SVM检测模型的微特电机声学质量检测方法，其特征在于：步骤S32中微特电机稳态振动信号的振动加速度波峰因子特征向量的提取包括如下步骤：对于时域离散的微特电机振动加速度信号进行...

【专利技术属性】
技术研发人员：李贤燚，许亚海，韩琛，涂海华，
申请(专利权)人：宁波慧声智创科技有限公司，
类型：发明
国别省市：