CN109946055B - 一种汽车座椅滑轨异响检测方法及系统 - Google Patents
一种汽车座椅滑轨异响检测方法及系统 Download PDFInfo
- Publication number
- CN109946055B CN109946055B CN201910223164.3A CN201910223164A CN109946055B CN 109946055 B CN109946055 B CN 109946055B CN 201910223164 A CN201910223164 A CN 201910223164A CN 109946055 B CN109946055 B CN 109946055B
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- short
- time
- abnormal sound
- variance
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种汽车座椅滑轨异响检测方法及系统，该方法包括以下步骤：S1：获取作为训练样本的原始振动信号并对其进行降噪处理，得到有效振动信号；S2：从有效振动信号中提取时域特征、频域特征、包络特征等特征参数；S3：将特征参数输入到混合模型中以对模型进行训练，得到异响识别模型及其对应的混淆矩阵；该混淆矩阵包括异响识别模型的测试准确率；S4：将待测的原始振动信号输入到测试准确率高于预设值时对应的异响识别模型中，实现待测振动信号的自动判定；本发明通过基于工业大数据和机器学习模型的检测手段，不仅能够实现自动识别，而且检测效率高，排除了人为不稳定因素，提高了检测的准确性。
Description
技术领域
本发明属于异音异响模式识别技术领域，更具体地，涉及一种汽车座椅滑轨异响检测方法及系统。
背景技术
我国是世界上最大的汽车座椅滑轨生产地和销售市场，随着工业自动化和智能制造科技浪潮的到来，汽车座椅滑轨生产的绝大部分环节都已经实现完全自动化。
异音异响检测是汽车座椅滑轨出厂前必不可少的检测环节，目前仍然采取将滑轨单独搬运到静音室里面，由熟练工人将其在工装上滑动，辅助以声级计等技术手段，来进行异响检测。这种检测方式的效率低下，异响检测已成了滑轨生产节拍的制约器；同时由于工人熟练程度和听力疲劳程度的不同，容易主观臆断，造成滑轨出厂后客户投诉率和退货率较高；并且随着生产生活成本的增加，用工成本已成为限制企业发展的重要方面。而采用声级计等技术手段来辅助检测，由于检测标准仅仅为通过判断信号分贝值是否超过设定的分贝阈值，无法实现自动识别，不能成为异响检测的量化标准。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种汽车座椅滑轨异响检测系统及方法，其目的在于解决现有的异音异响检测方法存在的无法实现自动识别、效率低下、误判率高的问题。
为实现上述目的，按照本发明的一个方面，提供了一种汽车座椅滑轨异响检测方法，其特征在于，包括以下步骤：
S1：获取作为训练样本的原始振动信号并对其进行降噪处理，得到有效振动信号；
S2：从所述有效振动信号中提取特征参数，所述特征参数包括时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征中的一种或多种；
S3：将所述特征参数输入到混合模型中以对所述混合模型进行训练，得到异响识别模型及其对应的混淆矩阵；所述混淆矩阵包括异响识别模型的测试准确率；
S4：将待检测的原始振动信号输入到所述测试准确率高于预设值时对应的异响识别模型中，实现待测振动信号的自动判定。
优选的，上述汽车座椅滑轨异响检测方法，其原始振动信号包括正转振动信号和反转振动信号，步骤S2中还包括将分别从同一训练样本的正转振动信号和反转振动信号中提取出来的特征参数进行矩阵拼接的步骤。
优选的，上述汽车座椅滑轨异响检测方法，其步骤S1中包括以下子步骤：
S11：根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号中的背景噪音以及始点、终点处的冲击信号；
S111：计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值；n表示帧数；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；
S112：计算每一帧原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
S113：分别根据原始振动信号的时域分布和所述短时幅值、短时方差设置幅值阈值、方差阈值，将原始振动信号分别与所述幅值阈值、方差阈值进行比较，检测出始端点与终端点并保留所述始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号，滤除不符合上述条件的原始振动信号；
S12：采用FFT高通滤波对端点检测后的原始振动信号进行EMD分解处理，得到有效振动信号。
优选的，上述汽车座椅滑轨异响检测方法，其混合模型为逻辑回归、SVM、决策树等机器学习模型合成得到。
按照本发明的另一个方面，还提供了一种汽车座椅滑轨异响检测系统，包括处理器、存储器，以及存储在所述存储器中并可在所述处理器中运行的计算机程序；所述计算机程序被执行时实现上述任一项所述方法的步骤。
优选的，上述汽车座椅滑轨异响检测系统，其处理器包括信号预处理单元、特征提取单元、模型训练单元和检测单元；
所述信号预处理单元用于获取原始振动信号并对其进行降噪处理，得到有效振动信号；所述原始振动信号可以是作为训练样本的振动信号或者待检测的振动信号；
所述特征提取单元用于从所述有效振动信号中提取特征参数，所述特征参数包括时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征中的一种或多种；
所述模型训练单元用于将从作为训练数据的振动信号中提取的所述特征参数输入到混合模型中以对所述混合模型进行训练，得到异响识别模型及其对应的混淆矩阵；所述混淆矩阵包括异响识别模型的测试准确率；所述混合模型为逻辑回归、SVM、决策树等机器学习模型合成得到；
所述检测单元用于将待检测的原始振动信号输入到所述测试准确率高于预设值时对应的异响识别模型中，实现待测振动信号的自动判定并输出检测结果。
优选的，上述汽车座椅滑轨异响检测系统，还包括矩阵拼接单元；所述矩阵拼接单元用于将分别从同一训练样本的正转振动信号和反转振动信号中提取出来的特征参数进行矩阵拼接。
优选的，上述汽车座椅滑轨异响检测系统，其信号预处理单元包括端点检测模块和信号增强模块；
所述端点检测模块用于根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号中的背景噪音以及始点、终点处的冲击信号；
所述信号增强模块用于采用FFT高通滤波对端点检测模块输出的原始振动信号进行EMD分解处理，得到有效振动信号。
优选的，上述汽车座椅滑轨异响检测系统，其端点检测模块包括短时能量计算子模块、短时方差计算子模块和过滤子模块；
所述短时幅值计算子模块用于计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值；n表示帧数；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；
所述短时方差计算子模块用于计算每一帧原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
所述过滤子模块用于分别根据原始振动信号的时域分布和所述短时幅值、短时方差设置幅值阈值、方差阈值，将原始振动信号分别与所述幅值阈值、方差阈值进行比较，检测出始端点与终端点并保留所述始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号，滤除不符合上述条件的原始振动信号。
优选的，上述汽车座椅滑轨异响检测系统，其特征提取单元包括时域特征提取模块、频域特征提取模块、包络特征提取模块、MFCC特征提取模块、小波包分解能量特征提取模块；
所述时域特征提取模块用于提取有效振动信号中的时域特征；所述时域特征包括峰值指标、脉冲指标、裕度指标、歪度指标、峭度指标；
所述频域特征提取模块用于提取有效振动信号中的频域特征；所述频域特征包括主频、重心频域、均方频率、频率方差；
所述包络特征提取模块用于利用Hilbert变换提取有效振动信号的包络特征；所述Hilbert变换的计算公式如下：
其中，x(t)表示输入振动信号；
表示Hilbert变换后的信号；H表示Hilbert变换；t表示时间；
所述MFCC特征提取模块用于对有效振动信号进行预加重、分帧和加窗处理，计算功率谱；对所述功率谱进行Mel滤波，去对数并进行离散余弦变换，获取MFCC特征向量；
所述小波包分解能量特征提取模块用于选定小波函数对有效振动信号进行多层分解；对小波包分解系数重构，基于所述小波包分解系数从分解后的有效振动信号中提取各频带范围的信号；计算各频带信号的能量并进行归一化处理，得到多个分解尺度上的信号能量特征向量。
优选的，上述汽车座椅滑轨异响检测系统，还包括三向振动传感器，所述三向振动传感器与处理器相连，用于采集三向振动信号并将其发送至处理器。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提供的汽车座椅滑轨异响检测方法及系统，首先采用端点检测、信号增强、回声消除等手段对作为训练数据的振动信号进行预处理，消除噪音信号，获得有效信号；从有效信号中提取出时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征作为特征信号对机器学习模型进行训练，得到异响识别模型以及用于对该异响识别模型的检测效果进行评价的混淆矩阵；将待测的振动信号输入到混淆矩阵的测试准确率大于预设值的异响识别模型中即可实现异音异响的自动识别与检测；相比现有的检测手段，本发明通过基于工业大数据和机器学习模型的检测手段，不仅能够实现自动识别，而且检测效率高，排除了人为不稳定因素，提高了检测的准确性。
附图说明
图1是本发明实施例提供的汽车座椅滑轨异响检测方法的流程图；
图2是本发明实施例提供的混淆矩阵的示意图；
图3是本发明实施例提供的一种处理器的逻辑框图；
图4是本发明实施例提供的端点检测模块的逻辑框图；
图5是本发明实施例提供的另一种处理器的逻辑框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是本发明实施例提供的汽车座椅滑轨异响检测方法的流程图；如图1所示，该方法包括以下步骤：
S1：获取作为训练样本的原始振动信号并对其进行降噪处理，得到有效振动信号；
为了适应工厂的作业环境，避免受到外界噪音的干扰，本实施例采用三向振动传感器来采集汽车座椅滑轨的原始振动信号作为训练数据；获取的振动信号为滑轨中部位置的三向振动信号，由于信号采集时间包含滑轨正反转运转时间，同时又有外界干扰的存在，因此需要对原始振动信号进行预处理，使得有用的信号特征得以凸显出来；其中，降噪处理的过程包括以下步骤：
S11：根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号中的背景噪音以及始点、终点处的冲击信号；
基于滑轨振动信号的特点，端点检测需要去除原始信号中滑轨未滑动时的背景噪音，滑轨刚开始滑动与结束滑动时的冲击信号，但是滑轨滑动过程中的冲击信号是异响模式识别的关键特征信号，不能作为端点检测的特征。
本实施例利用短时幅值和短时方差作为判定条件，首先，计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值，n表示帧数，n＝1，2，…，4000；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；本实施例中N取值为10；由于原始振动信号的幅值较小，直接取幅值的绝对值；
然后计算原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
得到每一帧信号的短时幅值和短时方差后，根据原始振动信号的时域分布情况以及短时幅值设置幅值阈值，根据原始振动信号的时域分布情况以及短时方差设置方差阈值，然后以原始振动信号的中点为检测起始点分别向两端进行检测，将原始振动信号分别与幅值阈值、方差阈值进行比较，检测出始端点与终端点，并保留始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号，滤除其他不符合上述条件的原始振动信号；幅值阈值和方差阈值并非固定值，其大小与样本数量、信号的时域分布、短时幅值、短时方差等指标有关，随着样本数量的改变而变化；本实施例中，方差阈值设置为Varance/1800，Varance为信号中点附近的4000个点的幅值方差，从而实现自适应端点检测。
S12：采用FFT高通滤波过滤掉原始振动信号中的常规振动噪声，然后进行经验模态分解(Empirical Mode Decomposition，EMD)分解处理，得到有效振动信号。
基于滑轨检测环境噪声的先验知识，从能量角度给出确定噪声判定标准，选取符合标准的本征模态函数；然后通过将所有被剔除本征模态函数的平均能量和已选取的各本征模态函数能量进行比较，确定奇异本征模态函数并对其进行阈值降噪处理，最后通过对已选取本征模态函数求和得到降噪信号。
S2：从有效振动信号中提取特征参数，该特征参数包括时域特征、频域特征、包络特征、梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)特征向量、小波包分解能量特征；
其中，时域特征包括峰值指标、脉冲指标、裕度指标、歪度指标、峭度指标等参数，这些特征参数对于滑轨中焊渣造成的异响检测有较为明显的效果；
频域特征包括主频、重心频域、均方频率、频率方差等；
本实施例采用Hilbert变换来提取有效振动信号的包络特征，该包络特征对于滑轨中由于安装不当引起的调制信号有较为明显的检测效果；
Hilbert变换的表达式：
其中，x(t)表示输入振动信号；
表示Hilbert变换后的信号；H表示Hilbert变换；t表示时间；
MFCC特征向量的提取过程包括以下步骤：对有效振动信号进行预加重、分帧和加窗处理，计算功率谱；采用梅尔滤波器组对功率谱进行Mel滤波，去对数并进行离散余弦变换，获取MFCC特征向量；
基于小波包分解提取多尺度空间能量特征的原理是把不同分解尺度上的信号能量求解出来，将这些能量值按尺度顺序排列成特征向量供识别使用；选用小波包分解能量特征法提取振动信号特征参数的具体方法如下：
①选定小波函数对信号进行多层分解；
②对小波包分解系数重构，提取各频带范围的信号；
③求各频带信号的能量，并进行归一化处理，从而构建信号的特征向量。
另外，由于滑轨具有正转和反转两种工作状态，任何一种工作状态下出现异响均认为该滑轨为异响滑轨；因此，本实施例将从滑轨正转和反转的振动信号中提取出来的特征参数进行矩阵拼接，以增加特征参数的维度，使其包含正转和反转两种工作状态；采用本方法对其它具有多种工作状态的产品进行异响检测时，同样需要对从不同工作状态的振动信号中提取出的特征参数进行矩阵拼接。
S3：将拼接后的时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征作为特征参数输入到混合模型中，该混合模型是由逻辑回归、支持向量机(SupportVector Machine,SVM)、决策树等机器学习模型合成得到的；在异响识别领域，一般采用单一的机器学习模型进行判定；但是对于滑轨等具有多种异响类型的产品，单一的机器学习模型无法覆盖多种异响类型的检测；本实施例采用由逻辑回归、SVM、决策树等机器学习模型合成得到的混合模型，该混合模型综合了各机器学习模型的优点，从而能实现多种异响类型的有效检测。
将特征参数输入到混合模型中以对混合模型进行训练，得到异响识别模型以及该模型对应的混淆矩阵；如表1所示，混淆矩阵是由该异响识别模型的效果评价指标所构成的矩阵，当该混淆矩阵中的测试准确率大于预设值时，表明该混淆矩阵对应的异响识别模型满足使用需求，可直接用于异音异响的检测识别；若测试准确率小于预设值，则需要对混合模型进行参数调节与优化，直至得到的混淆矩阵中的测试准确率大于设定值。另外，根据混淆矩阵可以计算准确率(Precision)、召回率(Recall)、F值(F-Measure)等评价指标。
表1混淆矩阵
图2所示是本实施例提供的混淆矩阵的示意图；其中，训练数据集中的样本总数为1196+46+39+802＝2083个，A(1,1)表示机器学习模型将正常样本识别为正常样本的个数为1196个，概率TP为57.4％；A(1,2)表示机器学习模型将正常样本识别为异常样本的个数为46个，概率FN为2.2％；A(2,1)表示机器学习模型将异常样本识别为正常样本的根数为39个，概率FP为1.9％；A(2,2)表示机器学习模型将异常样本识别为异常样本的个数为802个，概率TN为57.4％；根据A(1,1)、A(1,2)、A(2,1)和A(2,2)的统计结果，A(3,3)表示机器学习模型的测试准确率(TP+TN)为95.9％，错误率为4.1％；该测试准确率高于预设值95％，表明该机器学习模型以训练完成，可以直接用于异音异响的检测识别。
S4：通过三向振动传感器采集待检测滑轨的振动数据，将待检测的振动数据输入到步骤S3中得到的异响识别模型中，即可实现对异响情况的自动判定。
本实施例还提供了一种汽车座椅滑轨异响检测系统，包括三向振动传感器、处理器、存储器，以及存储在存储器中并可在处理器中运行的计算机程序；该计算机程序被执行时实现上述S1-S4中的方法步骤；图3是本实施例提供的一种处理器的逻辑框图；如图3所示，处理器中例化有信号预处理单元、特征提取单元、模型训练单元和检测单元；
其中，三向振动传感器用于采集作为训练样本或待检测的振动信号并将其发送至信号预处理单元；
信号预处理单元用于获取原始振动信号并对其进行降噪处理，得到有效振动信号；该原始振动信号可以是作为训练样本的振动信号或者待检测的振动信号；
该信号预处理单元包括端点检测模块和信号增强模块；
端点检测模块用于根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号始点与终点处的冲击信号以及背景噪音；图4是本实施例提供的端点检测模块的逻辑框图；如图4所示，该端点检测模块包括短时幅值计算子模块、短时方差计算子模块和过滤子模块；
短时幅值计算子模块用于计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值，n表示帧数，n＝1，2，…，4000；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；
短时方差计算子模块用于计算原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
过滤子模块用于分别根据原始振动信号的时域分布和所述短时幅值、短时方差设置幅值阈值、方差阈值，将原始振动信号分别与所述幅值阈值、方差阈值进行比较，检测出始端点与终端点并保留所述始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号，滤除不符合上述条件的原始振动信号。
信号增强模块用于采用FFT高通滤波对端点检测模块输出的原始振动信号进行EMD分解处理，得到有效振动信号。
特征提取单元用于从有效振动信号中提取特征参数，该特征参数包括时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征；该特征提取单元包括时域特征提取模块、频域特征提取模块、包络特征提取模块、MFCC特征提取模块、小波包分解能量特征提取模块；
时域特征提取模块用于提取有效振动信号中的时域特征；该时域特征包括峰值指标、脉冲指标、裕度指标、歪度指标、峭度指标等；
频域特征提取模块用于提取有效振动信号中的频域特征；该频域特征包括主频、重心频域、均方频率、频率方差等；
包络特征提取模块用于利用Hilbert变换提取有效振动信号的包络特征；所述Hilbert变换的计算公式如下：
其中，x(t)表示输入振动信号；
表示Hilbert变换后的信号；H表示Hilbert变换；t表示时间；
MFCC特征提取模块用于对有效振动信号进行预加重、分帧和加窗处理，计算功率谱；对功率谱进行Mel滤波，去对数并进行离散余弦变换，获取MFCC特征向量；
小波包分解能量特征提取模块用于选定小波函数对有效振动信号进行多层分解；对小波包分解系数重构，基于小波包分解系数从分解后的有效振动信号中提取各频带范围的信号；计算各频带信号的能量并进行归一化处理，得到多个分解尺度上的信号能量特征向量。
模型训练单元用于将从作为训练数据的振动信号中提取的特征参数输入到混合模型中以对混合模型进行训练，得到异响识别模型及其对应的混淆矩阵；该混合模型为逻辑回归、SVM、决策树等机器学习模型合成得到；该混淆矩阵包括异响识别模型的测试准确率；
检测单元用于将待检测的有效振动信号输入到混淆矩阵的测试准确率大于预设值时对应的异响识别模型中，实现待测振动信号的自动判定并输出检测结果。
图5是本实施例提供的另一种处理器的逻辑框图；如图5所示，作为本实施例的一个优选，该检测系统还包括矩阵拼接单元；该矩阵拼接单元用于将从训练样本或待测产品的振动信号中提取出来的不同工作状态的特征参数进行矩阵拼接，以增加特征参数的维度，使其包含不同工作状态；将拼接后的特征参数输入到混合模型中对模型进行训练，从而使训练得到的异响识别模型能够检测产品在不同工作状态下的异音异响。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种汽车座椅滑轨异响检测方法，其特征在于，包括以下步骤：
S1：获取作为训练样本的原始振动信号并对其进行降噪处理，得到有效振动信号；
步骤S1中包括以下子步骤：
S11：根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号中的背景噪音以及始点、终点处的冲击信号；
S111：计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值；n表示帧数；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；
S112：计算每一帧原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
S113：分别根据原始振动信号的时域分布和所述短时幅值、短时方差设置幅值阈值、方差阈值，然后以原始振动信号的中点为检测起始点分别向两端进行检测，将原始振动信号分别与所述幅值阈值、方差阈值进行比较，检测出始端点与终端点并保留所述始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号；
S12：采用FFT高通滤波对端点检测后的原始振动信号进行EMD分解处理，得到有效振动信号；
S2：从所述有效振动信号中提取特征参数，所述特征参数包括时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征中的一种或多种；
S3：将所述特征参数输入到混合模型中以对所述混合模型进行训练，得到异响识别模型及其对应的混淆矩阵；所述混淆矩阵包括异响识别模型的测试准确率；
S4：将待检测的原始振动信号输入到所述测试准确率高于预设值时对应的异响识别模型中，实现待测振动信号的自动判定。
2.如权利要求1所述的汽车座椅滑轨异响检测方法，其特征在于，所述原始振动信号包括正转振动信号和反转振动信号，步骤S2中还包括将分别从同一训练样本的正转振动信号和反转振动信号中提取出来的特征参数进行矩阵拼接的步骤。
3.如权利要求1所述的汽车座椅滑轨异响检测方法，其特征在于，所述混合模型为逻辑回归、SVM、决策树机器学习模型合成得到。
4.一种汽车座椅滑轨异响检测系统，其特征在于，包括处理器、存储器，以及存储在所述存储器中并在所述处理器中运行的计算机程序；所述计算机程序被执行时实现权利要求1～3任一项所述检测方法的步骤。
5.如权利要求4所述的汽车座椅滑轨异响检测系统，其特征在于，所述处理器包括信号预处理单元、特征提取单元、模型训练单元和检测单元；
所述信号预处理单元用于获取原始振动信号并对其进行降噪处理，得到有效振动信号；所述原始振动信号是作为训练样本的振动信号或者待检测的振动信号；
所述特征提取单元用于从所述有效振动信号中提取特征参数，所述特征参数包括时域特征、频域特征、包络特征、MFCC特征向量、小波包分解能量特征中的一种或多种；
所述模型训练单元用于将从作为训练数据的振动信号中提取的所述特征参数输入到混合模型中以对所述混合模型进行训练，得到异响识别模型及其对应的混淆矩阵；所述混淆矩阵包括异响识别模型的测试准确率；
所述检测单元用于将待检测的原始振动信号输入到所述测试准确率高于预设值时对应的异响识别模型中，实现待测振动信号的自动判定。
6.如权利要求5所述的汽车座椅滑轨异响检测系统，其特征在于，还包括矩阵拼接单元；所述矩阵拼接单元用于将分别从同一训练样本的正转振动信号和反转振动信号中提取出来的特征参数进行矩阵拼接。
7.如权利要求5或6所述的汽车座椅滑轨异响检测系统，其特征在于，所述信号预处理单元包括端点检测模块和信号增强模块；
所述端点检测模块用于根据短时能量分析法对原始振动信号进行端点检测，消除原始振动信号中的背景噪音以及始点、终点处的冲击信号；
所述信号增强模块用于采用FFT高通滤波对端点检测模块输出的原始振动信号进行EMD分解处理，得到有效振动信号。
8.如权利要求7所述的汽车座椅滑轨异响检测系统，其特征在于，所述端点检测模块包括短时能量计算子模块、短时方差计算子模块和过滤子模块；
所述短时能量计算子模块用于计算每一帧原始振动信号的短时幅值，计算公式如下：
其中，Mn表示第n帧振动信号的短时幅值；n表示帧数；m表示每一帧振动信号里面的样本数；xn(m)表示第n帧振动信号中的第m个样本的短时幅值，N表示信号帧长；
所述短时方差计算子模块用于计算每一帧原始振动信号的短时方差，计算公式如下：
其中，Varance表示短时方差，
表示第n帧的平均幅值；
所述过滤子模块用于分别根据原始振动信号的时域分布和所述短时幅值、短时方差设置幅值阈值、方差阈值，将原始振动信号分别与所述幅值阈值、方差阈值进行比较，检测出始端点与终端点并保留所述始端点与终端点之间短时幅值落入幅值阈值且短时方差落入方差阈值的有效振动信号。
9.如权利要求4所述的汽车座椅滑轨异响检测系统，其特征在于，还包括三向振动传感器，所述三向振动传感器与处理器相连，用于采集三向振动信号并将其发送至处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223164.3A CN109946055B (zh) | 2019-03-22 | 2019-03-22 | 一种汽车座椅滑轨异响检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910223164.3A CN109946055B (zh) | 2019-03-22 | 2019-03-22 | 一种汽车座椅滑轨异响检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109946055A CN109946055A (zh) | 2019-06-28 |
| CN109946055B true CN109946055B (zh) | 2021-01-12 |
Family
ID=67010718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910223164.3A Active CN109946055B (zh) | 2019-03-22 | 2019-03-22 | 一种汽车座椅滑轨异响检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109946055B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110697075B (zh) * | 2019-09-29 | 2022-11-25 | 中国直升机设计研究所 | 一种直升机hums振动阈值生成方法 |
| CN110781854B (zh) * | 2019-11-04 | 2022-07-26 | 上海联影智能医疗科技有限公司 | 故障检测模型的训练方法和机电设备的故障检测方法 |
| CN110988137A (zh) * | 2019-12-31 | 2020-04-10 | 四川长虹电器股份有限公司 | 一种基于时频域特征的异音检测系统及方法 |
| CN112418407B (zh) * | 2020-12-10 | 2022-03-11 | 清研灵智信息咨询(北京)有限公司 | 一种基于神经网络的实时数据预警分析方法 |
| CN112863546A (zh) * | 2021-01-21 | 2021-05-28 | 安徽理工大学 | 音频特征决策的带式运输机健康分析方法 |
| CN113138011A (zh) * | 2021-03-17 | 2021-07-20 | 江苏中科君达物联网股份有限公司 | 一种新型振动噪声测试方法 |
| CN113075546A (zh) * | 2021-03-24 | 2021-07-06 | 河南中烟工业有限责任公司 | 电机振动信号的特征提取方法及系统 |
| CN113295419A (zh) * | 2021-05-26 | 2021-08-24 | 浙江运达风电股份有限公司 | 一种风电机组齿轮箱中速级轴承故障预警方法 |
| CN113971421A (zh) * | 2021-11-19 | 2022-01-25 | 福州大学 | 基于轨道侧振动加速度的轨道板变形识别方法 |
| CN114155879B (zh) * | 2021-12-06 | 2022-07-01 | 哈尔滨工程大学 | 一种利用时频融合补偿异常感知及稳定性的异音检测方法 |
| CN114414038A (zh) * | 2022-01-26 | 2022-04-29 | 歌尔科技有限公司 | 马达模组的转动异音检测方法、装置、设备及介质 |
| CN115512688A (zh) * | 2022-09-02 | 2022-12-23 | 广东美云智数科技有限公司 | 异音检测方法及装置 |
| CN115856628B (zh) * | 2023-02-28 | 2023-06-27 | 宁波慧声智创科技有限公司 | 一种基于pso-svm检测模型的微特电机声学质量检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010271073A (ja) * | 2009-05-19 | 2010-12-02 | Nissin Electric Co Ltd | 機器の異常診断装置 |
| CN103593048A (zh) * | 2013-10-28 | 2014-02-19 | 浙江大学 | 动物机器人系统的语音导航系统及方法 |
| CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
| CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
| CN107331386A (zh) * | 2017-06-26 | 2017-11-07 | 上海智臻智能网络科技股份有限公司 | 音频信号的端点检测方法、装置、处理系统及计算机设备 |
| CN108304768A (zh) * | 2017-12-12 | 2018-07-20 | 重庆邮电大学 | 一种基于emd去噪和imf判别能量熵的磨音特征提取方法 |
| CN108305639A (zh) * | 2018-05-11 | 2018-07-20 | 南京邮电大学 | 语音情感识别方法、计算机可读存储介质、终端 |
| CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
-
2019
- 2019-03-22 CN CN201910223164.3A patent/CN109946055B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010271073A (ja) * | 2009-05-19 | 2010-12-02 | Nissin Electric Co Ltd | 機器の異常診断装置 |
| CN103593048A (zh) * | 2013-10-28 | 2014-02-19 | 浙江大学 | 动物机器人系统的语音导航系统及方法 |
| CN104655423A (zh) * | 2013-11-19 | 2015-05-27 | 北京交通大学 | 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法 |
| CN106874833A (zh) * | 2016-12-26 | 2017-06-20 | 中国船舶重工集团公司第七0研究所 | 一种振动事件的模式识别方法 |
| CN107331386A (zh) * | 2017-06-26 | 2017-11-07 | 上海智臻智能网络科技股份有限公司 | 音频信号的端点检测方法、装置、处理系统及计算机设备 |
| CN108304768A (zh) * | 2017-12-12 | 2018-07-20 | 重庆邮电大学 | 一种基于emd去噪和imf判别能量熵的磨音特征提取方法 |
| CN108305639A (zh) * | 2018-05-11 | 2018-07-20 | 南京邮电大学 | 语音情感识别方法、计算机可读存储介质、终端 |
| CN109034046A (zh) * | 2018-07-20 | 2018-12-18 | 国网重庆市电力公司电力科学研究院 | 一种基于声学检测的电能表内异物自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109946055A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946055B (zh) | 一种汽车座椅滑轨异响检测方法及系统 | |
| CN109949823B (zh) | 一种基于dwpt-mfcc与gmm的车内异响识别方法 | |
| CN110044472B (zh) | 一种线上产品异音异响智能检测系统 | |
| CN107305774A (zh) | 语音检测方法和装置 | |
| CN110657985B (zh) | 基于奇异值谱流形分析的齿轮箱故障诊断方法及系统 | |
| CN108108766A (zh) | 基于多传感器数据融合的驾驶行为识别方法及系统 | |
| CN104538041A (zh) | 异常声音检测方法及系统 | |
| CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
| CN111862951B (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
| CN115062678B (zh) | 设备故障检测模型的训练方法、故障检测方法及装置 | |
| CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
| CN114850968B (zh) | 基于振动模型的刀具磨损监测方法、装置、终端及介质 | |
| CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
| CN116106013A (zh) | 轴承故障特征识别方法及系统、电子设备、存储介质 | |
| CN108682433A (zh) | 基于mfcc的一阶差分系数的心音类型识别方法 | |
| CN115310477A (zh) | 基于分形特征和捕食者算法的泵机设备故障声音检测方法及其系统 | |
| CN113077812B (zh) | 语音信号生成模型训练方法、回声消除方法和装置及设备 | |
| CN106955097A (zh) | 一种胎儿心率状态分类方法 | |
| CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断系统 | |
| CN116312635A (zh) | 一种融合机器识别和听觉脑机接口的声音目标探测方法 | |
| CN106175822A (zh) | 一种基于声音传感器的肠电图检测系统 | |
| CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
| CN114714022A (zh) | 焊接质量检测方法及装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200515 Address after: 315000 a40, building 4, No. 2, Lane 189, Canghai Road, high tech Zone, Ningbo City, Zhejiang Province Applicant after: Ningbo Huisheng Zhichuang Technology Co., Ltd Address before: 430205, East Lake New Technology Development Zone, Wuhan City, Hubei, No. 4, Buddha Road, three Applicant before: WUHAN YUANHAI BOCHUANG TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |