CN108899048A - 一种基于信号时频分解的声音数据分类方法 - Google Patents
一种基于信号时频分解的声音数据分类方法 Download PDFInfo
- Publication number
- CN108899048A CN108899048A CN201810443175.8A CN201810443175A CN108899048A CN 108899048 A CN108899048 A CN 108899048A CN 201810443175 A CN201810443175 A CN 201810443175A CN 108899048 A CN108899048 A CN 108899048A
- Authority
- CN
- China
- Prior art keywords
- signal
- matrix
- product
- product quality
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 239000002184 metal Substances 0.000 claims abstract description 49
- 229910052751 metal Inorganic materials 0.000 claims abstract description 49
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 230000002123 temporal effect Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012372 quality testing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 238000011895 specific detection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 19
- 239000000047 product Substances 0.000 description 148
- 238000007689 inspection Methods 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 6
- 235000013405 beer Nutrition 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000006227 byproduct Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000013324 preserved food Nutrition 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/12—Analysing solids by measuring frequency or resonance of acoustic waves
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于信号时频分解的声音数据分类方法,该方法包括:对被检金属罐装产品施加激励,使其振动;收集被检产品振动产生的声音,并进行采样处理得到数字化的声信号;处理声信号,得到其频谱信号;对声信号和其频谱信号分别进行信号分解,得到能表征产品质量的时域特征矩阵W1和频域特征W2;将{W1,W2}作为产品质量特征数据,输入到产品质量计算模型进行运算,该模型的运算结果为产品质量参数R;计算R与合格产品质量标准值δ的差值的绝对值D;如果D小于阈值T,则被检产品合格,反之,被检产品不合格。本发明用于基于声发射技术的金属罐装产品质量检测,能有效提高检测正确率。
Description
技术领域
本发明涉及基于声发射技术的金属罐装产品质量检测领域,更具体地说,是涉及一种基于信号时频分解的声音数据分类方法。
背景技术
金属罐一般用作容器对产品进行包装,可以起到密封、美观等作用,广泛应用于食品行业,而金属罐装食品不合格很可能导致食品质量出现问题,一旦被消费者食用,极易导致生病或中毒等危险情况。虽然几乎所有金属罐装产品在出厂之前都要进行质量检测,但是由于有些产品只进行抽检,或者全检过程中的漏检、误检等原因,少数次品并没有被检出而流向市场。因此研究准确高效的金属罐装产品质量在线检测方法很有必要。本申请基于声发射技术提供一种基于信号时频分解的声音数据分类方法,用于检测金属罐装产品质量。
目前,关于金属罐装产品质量在线检测方法,除声发射技术外,还有机器视觉法、超声波法、电涡流法、光学法(或称光反射法)等。机器视觉法一般用于检测产品外观如日期、喷码、厂家Logo等,或者通过检测金属罐外形来判断产品质量,而对于不易变形的罐就无法进行正确检测,且检测精度易受产品振动、光线等因素影响;超声波法是通过检测罐中液体是否有气泡来判断罐内食品是否变质,准确率低,晃动、振动引起的气泡都会引起误检,且检测过程需要超声波耦合剂作为波的传导介质,不适合高速在线检测;电涡流法也是通过检测金属罐的被检面是否变形来判断产品质量,与机器视觉法有相同的缺点,检测精度易受产品振动的影响,且对于不同的金属材料,检测性能也有差异;光学法将平行光束投射于金属罐盖上,由于盖的变形度不同而使反射光的传播方向不同,光电转换装置接收到的反射光量就会有差异,从而产生不同的光电流,再由光电管检测光电流的大小,根据光电流的大小来判断金属罐装产品质量,但材质不均匀和被测对象振动都会带来测量误差。
基于声发射技术的金属罐装产品质量检测原理如下:对于同种合格产品,它们的固有频率比较接近;而比较同种合格产品和不合格产品,它们的固有频率会有明显差异;因此,对每个产品施加一合适的的激励信号致其振动,由于固有频率不同,振动发出的声音也不相同,所以可根据声音信号来判断产品的质量。现有的基于声发射技术的金属罐装产品质量检测文献简述如下。
黄光周和蔡德全在《华南工学院学报(自然科学版)》1987年04期发表的《食品罐头内真空度的无损检测》一文中,采用多频率连续扫描强迫起振方法对罐头盖施加激励,当强迫振荡的频率与罐盖的自然频率相近时,就可得到最大的振幅,传感器检测的信号为最大;传感器检测到的信号送到检测装置,检测装置将此信号与一固定电平进行比较,根据比较结果对合格罐和不合格罐进行分类而将不合格罐剔除。
申请号为CN85106707的中国发明专利中提出用扫频信号发生器产生和输出一占空比为1:4的大功率扫频方波信号去激励电磁线圈,以产生强弱变化的磁场,进而使被检测罐头的罐盖产生振幅、频率都变化的强迫共振,再由传感器上的拾音器把罐盖振动的声信号转变成电信号,输入到信号检测电路进行放大、滤波,接着把有用信号检波后,在比较显示电路中与固定电平比较,高于固定电平的为次品,低于固定电平的为合格品。
上述两种方案虽然都是采用激励使被检品振动,从而发出声音,但是其实质只是根据时域的声音信号的强弱来判断被检品是否合格,时域声音易受噪声干扰,且检测结果对声音信号采集探头与金属罐的距离比较敏感,在实际应用中存在着不足之处。
付江云、刘怡俊、陈靖宇等在《计算机测量与控制》2013年09期发表的《基于声学原理的啤酒瓶在线内压力检测系统设计》一文中,先用高能磁脉冲激励啤酒瓶盖,使瓶盖振动发出声音,麦克风探头将声音接收并传给信号处理系统,信号处理系统先对声音信号进行FFT(Fast Fourier Transformation,快速傅立叶变换),获得频率域信息,在频域搜索出最大的15个幅值及对应频率,通过比较这些幅值和频率是否满足频率界限及幅值界限来获悉瓶内压力情况,从而判断啤酒是否合格。
申请号为201310106023.6的中国发明专利提出采用电磁脉冲使容器盖产生振动从而发出声音,声音拾取模块采集这段声音,然后截取400~3000Hz的声音数据且去掉低于80分贝的声音数据,接着将这些声音数据转换为频域数据,在频域中寻找最高的两个波峰的幅值以及这两个波峰的频宽,将幅值和频宽作为检验数据来判断容器真空度。
申请号为201410790471.7的中国发明专利提出对被检金属罐装产品施加激励,使产品振动,用麦克风收集振动产生的声音,对收集到的声音信号进行采样得到数字化的声信号,处理声信号,得到其声信号频谱,对声信号的频谱进行曲线拟合,获得曲线函数的系数集,将系数集进行归一化,得到新系数集,将新系数集作为产品质量计算模型的输入参数,模型的运算结果为产品质量R,计算R与合格产品标准值δ的差值的绝对值D,如果D小于阈值T,则被检产品合格,反之,被检产品不合格。
上述三种方案,均只是用到了声音信号的频域信息,尤其是将频域峰值及其频率来作为被检品质量的判断依据,而金属罐装产品受激振动部位的变形、缺损,以及随机噪声的干扰,均会影响其振动产生的声音信号的频谱,有可能导致产品质量误判。
发明内容
本发明的目的在于克服现有技术中的上述缺陷,提供一种基于信号时频分解的声音数据分类方法,对金属罐装产品受激振动而发出的声音信号进行时域分解和频域分解,从声音信号的时频域获取能表征金属罐装产品质量的特征数据,充分利用了声音信号的时频域信息,能提高检测准确率,尤其是能有效的降低金属罐装产品受激振动部位的变形、缺损,以及随机噪声的干扰导致的产品质量误判的概率。
为实现上述目的,本发明提供的技术方案如下:
一种基于信号时频分解的声音数据分类方法,包括以下步骤:
S1、对于产品质量已确定的金属罐装产品,从中选取多个合格产品对产品质量计算网络G进行训练,建立产品质量计算模型M;
S2、利用由步骤S1建立的产品质量计算模型M,对被检金属罐装产品进行质量检测,将被检金属罐装产品分为合格品或不合格品;
所述S1中的建立产品质量计算模型M的方法包括:
S101、从产品质量已确定的金属罐装产品中选取N个合格产品,对第k个产品(1≤k≤N)施加激励,使其产生振动;
S102、收集第k个合格产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S103、处理声信号S,得到其频谱信号X;
S104、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,获得特征矩阵P1、H1和H2,并分别根据公式(2)和公式(3)得到第k个合格产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S≈S*P1*H1 (1)
W1=S*P1 (2)
X≈W2*H2 (3)
S105、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到第k个合格产品的质量特征数据F={W1,W2};
S106、对选取的所有N个合格产品按上述步骤S101~S105进行操作,得到N个合格产品的质量特征数据集{Fi}(1≤i≤N),以质量特征数据集中的每组质量特征数据Fi分别作为输入参数,以合格产品质量标准值δ作为输出参数,对产品质量计算网络G进行训练,得到产品质量计算模型M;
所述S2中对被检金属罐装产品进行质量检测的方法包括:
S201、对被检金属罐装产品施加激励信号,使其产生振动;
S202、收集被检产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S203、处理声信号S,得到其频谱信号X;
S204、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,并分别根据公式(2)和公式(3)得到被检产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S205、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到被检产品的质量特征数据F,将质量特征数据F作为步骤S1中建立的产品质量计算模型M的输入参数,通过模型M运算得到被检产品的产品质量参数R;
S206、计算被检产品的产品质量参数R与合格产品质量标准值δ的差值的绝对值D;
S207、比较D与设定阈值T,若D小于T,则被检产品合格;反之,则被检产品不合格。
进一步地,所述激励信号为高能电磁脉冲。
进一步地,用于对声信号进行信号分解的公式(1),其分解约束条件为公式(4)所示:
即要求矩阵P1和矩阵H1的所有元素均为非负数,并且公式(S-S*P1*H1)的二范数的值应小于阈值λ。
用于对频谱信号进行信号分解的公式(2),其分解约束条件为公式(5)所示:
即要求矩阵W2和矩阵H2的所有元素均为非负数,公式(X-W2*H2)的二范数的值应小于阈值ε。
进一步地,λ取值为0.0001~0.001。
进一步地,ε取值为0.0001~0.001。
进一步地,所述时域特征矩阵W1和频域特征矩阵W2均为一维矩阵,其长度分别为L1和L2,L1和L2的值根据具体检测需求进行设定。
进一步地,所述产品质量计算网络G为神经网络,该神经网络包括输入层、隐含层和输出层;
所述神经网络有如下两种结构:
C1、将隐含层的全部节点分为A和B两部分,所述质量特征数据F中的时域特征矩阵W1通过输入层连接到A部分的输入节点,所述质量特征数据F中的频域特征矩阵W2通过输入层连接到B部分的输入节点,A和B两部分的全部输出节点均连接到输出层的全部输入节点;
C2、将所述质量特征数据F中的时域特征矩阵W1和频域特征矩阵W2通过输入层,均连接到隐含层的全部输入节点,隐含层的全部输出节点均连接到输出层的全部输入节点。
与现有技术相比,本发明的有益效果在于:通过收集振动产生的声信号,并处理声信号得到其频谱信号,对声信号和频谱信号进行信号分解获得能表征产品质量的时域特征矩阵和频域特征矩阵,对两种特征矩阵进行组合得到产品质量特征数据,以多个合格金属罐装产品的产品质量特征数据分别作为输入参数,以合格产品质量标准值δ作为输出参数,对产品质量计算网络进行训练,从而首先建立了产品质量计算模型;再对被检测的金属罐装产品,收集被检金属罐装产品振动产生的声信号,并处理声信号得到其频谱信号,对声信号和频谱信号进行信号分解获得能表征被检产品质量的时域特征矩阵和频域特征矩阵,以组合两种特征矩阵得到的产品质量特征数据作为产品质量计算模型的输入参数,模型的运算结果为产品质量参数R,将产品质量参数R与合格产品质量标准值δ的差值的绝对值D与设定阈值T比较大小,通过比较结果来判断产品质量。使本发明可以实现金属罐装产品的在线高速检测,有效避免金属罐装产品受激振动部位的变形、缺损引起,以及随机噪声干扰导致的产品质量误判,能明显提高检测正确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的一种基于信号时频分解的声音数据分类方法步骤S1的流程图;
图2为本发明所述的一种基于信号时频分解的声音数据分类方法步骤S2的流程图;
图3为本发明所述实施例的原始声信号曲线及声信号分解后的重构曲线;
图4为本发明所述实施例的原始频谱信号的曲线及频谱信号分解后的重构曲线;
图5为本发明所述实施例的第C1种神经网络结构图;
图6为本发明所述实施例的第C2种神经网络结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面将结合附图和具体的实施例对本发明的技术方案进行详细说明。需要指出的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1和图2,图中示出了本发明所述的一种基于信号时频分解的声音数据分类方法的流程图,包括以下步骤:
S1、对于产品质量已确定的金属罐装产品,从中选取多个合格产品对产品质量计算网络G进行训练,建立产品质量计算模型M;
S2、利用由步骤S1建立的产品质量计算模型M,对被检金属罐装产品进行质量检测,将被检金属罐装产品分为合格品或不合格品;
所述S1中的建立产品质量计算模型M的方法包括:
S101、从产品质量已确定的金属罐装产品中选取N个合格产品,对第k个产品(1≤k≤N)施加激励,使其产生振动;
S102、收集第k个合格产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S103、处理声信号S,得到其频谱信号X;
S104、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,获得特征矩阵P1、H1和H2,并分别根据公式(2)和公式(3)得到第k个合格产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S≈S*P1*H1 (1)
W1=S*P1 (2)
X≈W2*H2 (3)
声信号S的曲线,即图3中所示的原始声信号曲线;对声信号S根据分解矩阵P1和H1,按公式(S*P1*H1)对声信号进行重构,得到图3中所示的分解后重构得到的声信号曲线。
频谱信号X的曲线,即图4中所示的原始频谱信号曲线;对频谱信号X根据分解矩阵W2和H2,按公式(W2*H2)对频谱信号进行重构,得到图4中所示的分解后重构得到的频谱信号曲线。
S105、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到第k个合格产品的质量特征数据F={W1,W2};
S106、对选取的所有N个合格产品按上述步骤S101~S105进行操作,得到N个合格产品的质量特征数据集{Fi}(1≤i≤N),以质量特征数据集中的每组质量特征数据Fi分别作为输入参数,以合格产品质量标准值δ作为输出参数,对产品质量计算网络G进行训练,得到产品质量计算模型M;
所述S2中对被检金属罐装产品进行质量检测的方法包括:
S201、对被检金属罐装产品施加激励信号,使其产生振动;
S202、收集被检产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S203、处理声信号S,得到其频谱信号X;
S204、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,并分别根据公式(2)和公式(3)得到被检产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S205、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到被检产品的质量特征数据F,将质量特征数据F作为步骤S1中建立的产品质量计算模型M的输入参数,通过模型M运算得到被检产品的产品质量参数R;
S206、计算被检产品的产品质量参数R与合格产品质量标准值δ的差值的绝对值D;
S207、比较D与设定阈值T,若D小于T,则被检产品合格;反之,则被检产品不合格。
具体地,所述激励信号为高能电磁脉冲。
具体地,用于对声信号进行信号分解的公式(1),其分解约束条件为公式(4)所示:
即要求矩阵P1和矩阵H1的所有元素均为非负数,公式(S-S*P1*H1)的二范数的值应小于阈值λ。
作为λ的一种优选值,λ取值范围为0.0001~0.001。
用于对频谱信号进行信号分解的公式(2),其分解约束条件为公式(5)所示:
即要求矩阵W2和矩阵H2的所有元素均为非负数,公式(X-W2*H2)的二范数的值应小于阈值ε。
作为ε的一种优选值,ε取值范围为0.0001~0.001。
具体地,所述时域特征矩阵W1和频域特征矩阵W2均为一维矩阵,其长度分别为L1和L2,L1和L2的值根据具体检测需求进行设定。
图5和图6示出了本实施例选用的产品质量计算网络G,本实施例选用三层神经网络,包括:输入层、隐含层和输出层,其具体结构有如下两种方式:
图5所示为所述第C1种网络结构,将隐含层的全部节点分为A和B两部分,所述质量特征数据F中的时域特征矩阵W1通过输入层连接到A部分的输入节点,所述质量特征数据F中的频域特征矩阵W2通过输入层连接到B部分的输入节点,A和B两部分的全部输出节点均连接到输出层的全部输入节点;
图6所示为所述第C2种网络结构,将所述质量特征数据F中的时域特征矩阵W1和频域特征矩阵W2通过输入层,均连接到隐含层的全部输入节点,隐含层的全部输出节点均连接到输出层的全部输入节点。
本发明通过收集振动产生的声信号,并处理声信号得到其频谱信号,对声信号和频谱信号进行信号分解获得能表征产品质量的时域特征矩阵和频域特征矩阵,对两种特征矩阵进行组合得到产品质量特征数据,以多个合格金属罐装产品的产品质量特征数据分别作为输入参数,以合格产品质量标准值δ作为输出参数,对产品质量计算网络进行训练,从而首先建立了产品质量计算模型;再对被检测的金属罐装产品,收集被检金属罐装产品振动产生的声信号,并处理声信号得到其频谱信号,对声信号和频谱信号进行信号分解获得能表征被检产品质量的时域特征矩阵和频域特征矩阵,以组合两种特征矩阵得到的产品质量特征数据作为产品质量计算模型的输入参数,模型的运算结果为产品质量参数R,将产品质量参数R与合格产品质量标准值δ的差值的绝对值D与设定阈值T比较大小,通过比较结果来判断产品质量。使本发明可以实现金属罐装产品的在线高速检测,有效避免金属罐装产品受激振动部位的变形、缺损引起,以及随机噪声干扰导致的产品质量误判,能明显提高检测正确率。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于信号时频分解的声音数据分类方法,其特征在于,包括以下步骤:
S1、对于产品质量已确定的金属罐装产品,从中选取多个合格产品对产品质量计算网络G进行训练,建立产品质量计算模型M;
S2、利用由步骤S1建立的产品质量计算模型M,对被检金属罐装产品进行质量检测,将被检金属罐装产品分为合格品或不合格品;
所述S1中的建立产品质量计算模型M的方法包括:
S101、从产品质量已确定的金属罐装产品中选取N个合格产品,对第k个产品(1≤k≤N)施加激励,使其产生振动;
S102、收集第k个合格产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S103、处理声信号S,得到其频谱信号X;
S104、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,获得特征矩阵P1、H1和H2,并分别根据公式(2)和公式(3)得到第k个合格产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S≈S*P1*H1 (1)
W1=S*P1 (2)
X≈W2*H2 (3)
S105、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到第k个合格产品的质量特征数据F={W1,W2};
S106、对选取的所有N个合格产品按上述步骤S101~S105进行操作,得到N个合格产品的质量特征数据集{Fi}(1≤i≤N),以质量特征数据集中的每组质量特征数据Fi分别作为输入参数,以合格产品质量标准值δ作为输出参数,对产品质量计算网络G进行训练,得到产品质量计算模型M;
所述S2中对被检金属罐装产品进行质量检测的方法包括:
S201、对被检金属罐装产品施加激励信号,使其产生振动;
S202、收集被检产品振动产生的声音信号,并进行采样处理得到数字化的声信号S;
S203、处理声信号S,得到其频谱信号X;
S204、对声信号S和频谱信号X分别按公式(1)和公式(3)进行信号分解,并分别根据公式(2)和公式(3)得到被检产品的声音信号的时域特征矩阵W1和频域特征矩阵W2;
S205、将时域特征矩阵W1和频域特征矩阵W2进行组合,得到被检产品的质量特征数据F,将质量特征数据F作为步骤S1中建立的产品质量计算模型M的输入参数,通过模型M运算得到被检产品的产品质量参数R;
S206、计算被检产品的产品质量参数R与合格产品质量标准值δ的差值的绝对值D;
S207、比较D与设定阈值T,若D小于T,则被检产品合格;反之,则被检产品不合格。
2.根据权利要求1所述的基于信号时频分解的声音数据分类方法,其特征在于,所述激励信号为高能电磁脉冲。
3.根据权利要求1所述的基于信号时频分解的声音数据分类方法,其特征在于,用于对声信号进行信号分解的公式(1),其分解约束条件为公式(4)所示:
即要求矩阵P1和矩阵H1的所有元素均为非负数,并且公式(S-S*P1*H1)的二范数的值应小于阈值λ;
用于对频谱信号进行信号分解的公式(2),其分解约束条件为公式(5)所示:
即要求矩阵W2和矩阵H2的所有元素均为非负数,公式(X-W2*H2)的二范数的值应小于阈值ε。
4.根据权利要求3所述的基于信号时频分解的声音数据分类方法,其特征在于,λ取值为0.0001~0.001。
5.根据权利要求3所述的基于信号时频分解的声音数据分类方法,其特征在于,ε取值为0.0001~0.001。
6.根据权利要求1所述的基于信号时频分解的声音数据分类方法,其特征在于,所述时域特征矩阵W1和频域特征矩阵W2均为一维矩阵,其长度分别为L1和L2,L1和L2的值根据具体检测需求进行设定。
7.根据权利要求1所述的基于信号时频分解的声音数据分类方法,其特征在于,所述产品质量计算网络G为神经网络,该神经网络包括输入层、隐含层和输出层;
所述神经网络有如下两种结构:
C1、将隐含层的全部节点分为A和B两部分,所述质量特征数据F中的时域特征矩阵W1通过输入层连接到A部分的输入节点,所述质量特征数据F中的频域特征矩阵W2通过输入层连接到B部分的输入节点,A和B两部分的全部输出节点均连接到输出层的全部输入节点;
C2、将所述质量特征数据F中的时域特征矩阵W1和频域特征矩阵W2通过输入层,均连接到隐含层的全部输入节点,隐含层的全部输出节点均连接到输出层的全部输入节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443175.8A CN108899048A (zh) | 2018-05-10 | 2018-05-10 | 一种基于信号时频分解的声音数据分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443175.8A CN108899048A (zh) | 2018-05-10 | 2018-05-10 | 一种基于信号时频分解的声音数据分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108899048A true CN108899048A (zh) | 2018-11-27 |
Family
ID=64342932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810443175.8A Pending CN108899048A (zh) | 2018-05-10 | 2018-05-10 | 一种基于信号时频分解的声音数据分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108899048A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020113575A1 (zh) * | 2018-12-07 | 2020-06-11 | 广东省智能制造研究所 | 基于约束半非负矩阵分解的声音分类方法、装置及介质 |
WO2020124902A1 (zh) * | 2018-12-19 | 2020-06-25 | 中国科学院自动化研究所 | 基于有监督学习听觉注意的语音提取方法、系统、装置 |
CN113744756A (zh) * | 2021-08-11 | 2021-12-03 | 浙江讯飞智能科技有限公司 | 设备质检及音频数据扩充方法和相关装置、设备、介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104267287A (zh) * | 2014-09-29 | 2015-01-07 | 深圳市爱普泰科电子有限公司 | 多通道音频设备串扰系数测量的方法和装置 |
CN104597124A (zh) * | 2014-12-05 | 2015-05-06 | 广东省自动化研究所 | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 |
CN105157972A (zh) * | 2015-08-31 | 2015-12-16 | 西安交通大学 | 一种基于振动信号的主轴隔圈加工质量动态检测方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106841403A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 一种基于神经网络的声学玻璃缺陷检测方法 |
CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
-
2018
- 2018-05-10 CN CN201810443175.8A patent/CN108899048A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103245524A (zh) * | 2013-05-24 | 2013-08-14 | 南京大学 | 基于神经网络的声学故障诊断方法 |
CN104267287A (zh) * | 2014-09-29 | 2015-01-07 | 深圳市爱普泰科电子有限公司 | 多通道音频设备串扰系数测量的方法和装置 |
CN104597124A (zh) * | 2014-12-05 | 2015-05-06 | 广东省自动化研究所 | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 |
CN105157972A (zh) * | 2015-08-31 | 2015-12-16 | 西安交通大学 | 一种基于振动信号的主轴隔圈加工质量动态检测方法 |
CN106017879A (zh) * | 2016-05-18 | 2016-10-12 | 河北工业大学 | 基于振声信号特征融合的万能式断路器机械故障诊断方法 |
CN106841403A (zh) * | 2017-01-23 | 2017-06-13 | 天津大学 | 一种基于神经网络的声学玻璃缺陷检测方法 |
CN107024331A (zh) * | 2017-03-31 | 2017-08-08 | 中车工业研究院有限公司 | 一种神经网络对列车电机振动在线检测方法 |
Non-Patent Citations (1)
Title |
---|
韦峻峰等: "一种扬声器异常音的时域特征检测方法", 《振动与冲击》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020113575A1 (zh) * | 2018-12-07 | 2020-06-11 | 广东省智能制造研究所 | 基于约束半非负矩阵分解的声音分类方法、装置及介质 |
CN111837185A (zh) * | 2018-12-07 | 2020-10-27 | 广东省智能制造研究所 | 基于约束半非负矩阵分解的声音分类方法、装置及介质 |
CN111837185B (zh) * | 2018-12-07 | 2024-03-12 | 广东省智能制造研究所 | 基于约束半非负矩阵分解的声音分类方法、装置及介质 |
WO2020124902A1 (zh) * | 2018-12-19 | 2020-06-25 | 中国科学院自动化研究所 | 基于有监督学习听觉注意的语音提取方法、系统、装置 |
US10923136B2 (en) | 2018-12-19 | 2021-02-16 | Institute Of Automation, Chinese Academy Of Sciences | Speech extraction method, system, and device based on supervised learning auditory attention |
CN113744756A (zh) * | 2021-08-11 | 2021-12-03 | 浙江讯飞智能科技有限公司 | 设备质检及音频数据扩充方法和相关装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104597124B (zh) | 一种基于声音频谱拟合的金属罐装产品质量在线检测方法 | |
CN110389170B (zh) | 基于Lamb波成像的列车部件裂纹损伤检测方法和系统 | |
CN108899048A (zh) | 一种基于信号时频分解的声音数据分类方法 | |
Legendre et al. | Neural classification of Lamb wave ultrasonic weld testing signals using wavelet coefficients | |
CN109764986A (zh) | 一种基于超声横波相位谱的钢构件平面应力检测方法 | |
CA2699474C (en) | Acoustic thickness measurements using gas as a coupling medium | |
KR101716877B1 (ko) | 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법 | |
CN103230880B (zh) | 一种容器真空度快速无损检测设备及检测方法 | |
Chapon et al. | Deconvolution of ultrasonic signals using a convolutional neural network | |
CN110161119B (zh) | 风电叶片缺陷识别方法 | |
Chen et al. | [Retracted] Nonlinear Lamb Wave for Structural Incipient Defect Detection with Sequential Probabilistic Ratio Test | |
Matz et al. | Classification of ultrasonic signals | |
Sun et al. | Damage identification in thick steel beam based on guided ultrasonic waves | |
CN106442744B (zh) | 一种去除超声探头响应特性的超声波信号处理方法 | |
CN203163931U (zh) | 一种用于生产线上的整箱容器压力快速无损检测设备 | |
CN209231272U (zh) | 一种激光超声振动检测装置 | |
CN203148623U (zh) | 一种用于生产线上的容器真空度快速无损检测设备 | |
Yumurtaci et al. | Determining damages in ceramic plates by using discrete wavelet packet transform and support vector machine | |
WO2011141370A1 (fr) | Procede de determination de taux de vide par spectrometrie de resonance acoustique non lineaire dans un milieu diphasique et application dans un reacteur nucleaire | |
CN103196627B (zh) | 一种整箱容器真空度快速无损检测设备及检测方法 | |
FR3065079B1 (fr) | Procede et dispositif de sondage ultrasonore pour l'obtention de courbes de dispersion d'un milieu sonde | |
US20240003854A1 (en) | Method for automatically identifying an acoustic source from a produced acoustic signal | |
JP2001272385A (ja) | 線形予測係数法を用いた打検方法および打検装置 | |
JP7357341B2 (ja) | 音響式検査装置および方法 | |
CN109444265A (zh) | 一种激光超声振动检测装置及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |