【技术实现步骤摘要】
本专利技术属于密封电子设备多余物监测，具体涉及一种密封电子设备多余物信号的脉冲提取方法。
技术介绍
1、密封电子元器件是航天电子设备的重要组成部分。在其生产过程中，可能将焊锡粒、铜丝、硅胶导线等微粒封装在密封电子元器件内部。这些由外部引入或内部产生的与产品规定标准物理状态不符的微粒称为多余物。航天电子设备通常工作于超失重、剧烈冲击等环境中，残留在密封电子元器件内部的多余物会被激活处于随机运动状态。它会碰撞内部组件使其损坏，会附着或卡在电路板上引起短路断路，会滑动产生静电和电磁干扰，等。这会使得密封电子元器件失效，致使航天电子设备工作异常，引发航天任务失败，甚至导致人员伤亡。一些由多余物引发的引起全球关注的重大事故的报道可以被搜索和参考。
2、微粒碰撞噪声检测(pind)法是目前广泛采用的多余物检测方法，其检测原理如下。通过给被测件施加力学激励，激活其内部可能存在的多余物并产生随机的碰撞或滑动信号，称为多余物信号。布置在被测件表面的声发射传感器实时捕获被测件内部产生的声音信号，传输至调理电路处理并输出至示波器。通过观察示波器是否有波形产生来判断被试件内部是否存在多余物。然而，通常情况下，密封电子元器件内部会存在诸如键合丝等位置固定但仍具有自由度的松动组件，在力学激励下，松动组件会随着密封电子元器件产生固定周期的振动信号，称为组件信号。因此，在pind法中，被试件内部产生的声音信号可能是多余物信号，可能是组件信号，甚至可能是两种信号。因此，准确识别多余物信号与组件信号是多余物检测的关键。此外，不同材质的多余物对密封电子元
3、如前所述，多余物信号的随机性与组件信号的周期性是两者之间最显著的信号特性差异，不同材质的多余物产生的多余物信号之间也必然存在信号特性的差异。基于深度机器学习的信号识别技术的原理是，从多域中提取信号特征来量化不同类别的信号之间信号特性的差异，构建数据集或图片集，由此训练适用的分类器来完成数据或图片分类，进而实现信号识别。该技术已经在声发射检测、故障诊断、语音信号处理等领域被广泛使用和验证。同样的，深度机器学习方法可以被用来开展多余物信号与组件信号识别研究，以及不同材质的多余物产生的多余物信号识别研究(简称为多余物材质识别研究)。很多学者在前期开展了一些研究工作。
4、在多余物信号与组件信号识别方面，如，梁晓雯等人(2020)从频域中提取四个信号特征来构建数据集，训练的参数优化的决策树取得80％以上的分类精度。同时，他们(2020)考虑到数据集中存在的数据不平衡问题，新提出一种lr-smote算法，进一步将分类精度提升到90％以上。李超然等人(2020)从时域和频域中提取十三个信号特征来构建数据集，训练的参数优化的xgboost取得90％左右的分类精度。李响等人(2020)从时域和频域中提取十四个信号特征，使用卡方检验和树模型结合的特征选择方法筛选了四个表现优异的信号特征来构建数据集，训练的超参数优化的多层感知机取得的分类精度为87.1％。薛永越(2020)从时域和频域中提取十个信号特征，在此基础上开展信号特征的组合变换研究，并重点分析了对分类器分类性能贡献大的信号特征。研究结果表明，四个信号特征被筛选来构建数据集，支持向量机和随机森林被训练，超过95％的分类精度均被两者取得。高亚杰等人(2023)从时域和频域中提取十个信号特征来构建数据集，训练的基于boosting算法的融合机器学习(fml)方法取得高于95％的分类精度。孙志刚等人(2024)从时域和频域中提取了十五个信号特征，筛选其中十一个表现优异的信号特征来构建数据集，训练的参数优化基于线性核函数的支持向量机取得92.16％的分类精度。
5、在多余物材质识别方面，如，针对锡渣、环氧和细丝这三种材质的多余物，孟偲等人(2020)从时域和频域中提取了七个信号特征，构建了包含三种标签的数据集，训练的参数优化的支持向量机取得的分类精度达98％。针对金属(铅)材质与非金属(塑料、塑胶)材质的多余物，赵润森(2020)从分别从频域、小波变换和希尔伯特黄变换中提取58个信号特征，构建了包含两种标签的数据集，训练的bp神经网络取得91.11％的分类精度。针对金属(铜丝、焊锡粒、铝粒)材质与非金属(热熔胶粒、硅胶粒)材质的多余物，高亚杰等人(2021)先从时域和频域中提取五个信号特征，然后将一维信号转换成二维声谱图，从多余物信号的声谱图中提取四个新的信号特征，在此基础上，分别构建了包含两种标签和五种标签的数据集，训练的参数优化的随机森林取得的分类精度分别为90％和78％。针对金属材质和非金属材质的多余物，吕冰泽等人(2021)从时域和频域中提取十四个信号特征，构建了包含两种标签的数据集，训练的参数优化的梯度提升决策树(gbdt)取得93.2％的分类精度。针对金属(铜丝、焊锡粒、铝粒)材质与非金属(热熔胶粒、pvc粒、硅胶粒)材质的多余物，孙志刚等人(2022)从时域和频域中提取十四个信号特征，在此基础上开展特征优化研究，并重点分析了对分类器分类性能贡献大的信号特征。研究结果表明，十二个信号特征被筛选来构建包含六种标签的数据集，随机森林被训练来取得的63.6％的分类精度。在之后的研究中(2024)，他们训练了参数优化的xgboost，取得了80.41％的分类精度。针对铝屑、焊锡、塑料和橡胶这四种材质的多余物，张衡和刘海江(2023)从梅尔频率倒谱系数中提取二十四个能量加权的信号特征，构建了包含四种标签的数据集，训练的优化概率神经网络取得90％以上的分类精度。
6、在机器学习中，信号或音频不能直接输入分类器进行识别，需要转化成可解释的数据或特征向量。因此，现有多余物信号与组件信号识别研究与多余物材质识别研究(简称现有研究)的基本思路是，通过特征提取将信号转化成数据，由此构建数据集来训练分类器。为了取得较高的分类精度，初期，学者们将研究重心放在寻找和训练最新的合适的性能良好的分类器，并通过各种手段进行参数优化，使其分类性能达到最优。最近，一些学者们开始将目光转移到训练分类器的数据集上，并将研究重心放在高质量数据集的构建上。他们从多域寻找合适的性能良好的信号特征，使用特征优化方法保留专用信号特征来构建高质量的数据集。目前，分类器取得的多余物信号与组件信号的分类精度超过90％，取得的金属材质与非金属材质的多余物的分类精度达95％，取得的具体材质的多余物的分类精度超过80％。但他们没有将目光再往前转移到构建数据集的信号上。实际上，高质量的信号决定了高质量的数据集，高质量的数据集决定了高性能的分类器。可以看出，信号才是影响分类精度的源头，但是鲜少研究注意到它。如前所述，特征提取的目的是将信号转化成数据。考虑到现有研究多数是直接在信号的基础上转化数据，少数是将信号转化成图像再转化数据。这本文档来自技高网...
【技术保护点】
1.一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，所述的平均能量Ea和和平均过零率Za是通过计算声音信号包含的所有采样点的平均能量和平均过零率得到的。
3.根据权利要求2所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述峰值检测阈值Ep＝Ea+3σE。
4.根据权利要求3所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述端点能量阈值Ebe＝Ea+σE。
5.根据权利要求4所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述端点过零率阈值Zbe＝za+σZ。
6.根据权利要求5所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤八所述的有用脉冲专属的端点能量阈值Ebe_i＝Ei+σE_i。
7.根据权利要求6所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤八所述的有
8.根据权利要求7所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤二所述对声音信号进行分帧处理时设置每个帧信号的时长Δt＝50μs。
9.根据权利要求8所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，对声音信号进行采样时，采样点之间间隔为2μs。
10.根据权利要求1至9任意一项所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，所述持续时间占比阈值为65％。
...【技术特征摘要】
1.一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，所述的平均能量ea和和平均过零率za是通过计算声音信号包含的所有采样点的平均能量和平均过零率得到的。
3.根据权利要求2所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述峰值检测阈值ep＝ea+3σe。
4.根据权利要求3所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述端点能量阈值ebe＝ea+σe。
5.根据权利要求4所述的一种用于多余物检测的两级自适应多门限脉冲提取方法，其特征在于，步骤一中所述端点过零率阈值zbe＝za+σz。
6.根据权利要求5所述的一...
【专利技术属性】
技术研发人员：翟国富，孙志刚，王国涛，张敏，梁琪，王强，孟令洋，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。